Costo Beneficio

INSTITUTO TECNOLOGICO SUPERIOR DE CALKININombre de la asignatura: Estadística Administrativa I.

Carrera: Licenciatura en Administración.

Clave: ADT - 0426

Hrs. teoría - Hrs. práctica - Créditos: 2 - 3 - 7 EN EL ESTADO DE CAMPECHE

TEMARIO

U N I D A D 4

4.4 Tipos de estimaciones y características.

RAMIRO JOSE GONZALEZ HORTA

A r q u i t e c t o

U N I D A D 4

Muestreo y estimaciones.

4.1 Definición de muestreo.

4.1.1 Tipos de muestreo aleatorio, sistematizado, estratificado y conglomerados.

4.2 Concepto de distribución de muestreo de la media.

4.2.1 Distribución muestral de la media con σ2 conocida y desconocida.

4.2.2 Distribución muestral de la diferencia entre dos medias con σ2. conocida y desconocida.

4.2.3 Distribución muestral de la proporción.

4.2.4 Distribución muestral de la diferencia de dos proporciones.

4.3 Teorema del límite central.

4.4 Tipos de estimaciones y características.

4.5 Determinación del tamaño de la muestra de una población.

4.6 Intervalos de confianza para la media, con el uso de la distribución Normal y “t” student.

4.6.1 Determinación del tamaño de la muestra con grado de confianza y estimación de μ.

4.7 Intervalo de confianza para la diferencia entre dos medias  μ1−μ2 con σ12 y σ22 σ1 2= σ22 pero conocidas, con el uso de la distribución normal y la “t” student.

4.8 Una sola muestra: estimación de la proporción.

4.9 Intervalo de confianza para la diferencia de dos proporciones.

U N I D A D 4

Muestreo y estimaciones.

4.4 Tipos de estimaciones y características.

Introducción a la Teoría de la Estimación

ESTIMACION

El objetivo principal de la estadística inferencial es la estimación, esto es que mediante el estudio de una muestra de una población se quiere generalizar las conclusiones al total de la misma. Como vimos en la sección anterior, los estadísticos varían mucho dentro de sus distribuciones muestrales, y mientras menor sea el error estándar de un estadístico, más cercanos serán unos de otros sus valores.

Existen dos tipos de estimaciones para parámetros; puntuales y por intervalo. Una estimación puntual es un único valor estadístico y se usa para estimar un parámetro. El estadístico usado se denomina estimador.

Una estimación por intervalo es un rango, generalmente de ancho finito, que se espera que contenga el parámetro.

Propiedades de un Buen Estimador

Insesgado.- Se dice que un estimador puntual es un estimador insesgado de si , para todo valor posible de . En otras palabras, un estimador insesgado es aquel para el cual la media de la distribución muestral es el parámetro estimado. Si se usa la media muestral para estimar la media poblacional , se sabe que la , por lo tanto la media es un estimador insesgado.

Eficiente o con varianza mínima.- Suponga que 1 y 2 son dos estimadores insesgados de . Entonces, aun cuando la distribución de cada estimador esté centrada en el valor verdadero de , las dispersiones de las distribuciones alrededor del valor verdadero pueden ser diferentes.

Entre todos los estimadores de que son insesgados, seleccione al que tenga varianza mínima. El resultante recibe el nombre de estimador insesgado con

varianza mínima (MVUE, minimum variance unbiased estimator) de .

En otras palabras, la eficiencia se refiere al tamaño de error estándar de la estadística. Si comparamos dos estadísticas de una muestra del mismo tamaño y tratamos de decidir cual de ellas es un estimador mas eficiente, escogeríamos la estadística que tuviera el menor error estándar, o la menor desviación estándar de la distribución de muestreo.

Tiene sentido pensar que un estimador con un error estándar menor tendrá una mayor oportunidad de producir una estimación mas cercana al parámetro de población que se esta considerando.

Como se puede observar las dos distribuciones tienen un mismo valor en el parámetro sólo que la distribución muestral de medias tiene una menor varianza, por lo que la media se convierte en un estimador eficiente e insesgado.

Coherencia.- Una estadística es un estimador coherente de un parámetro de población, si al aumentar el tamaño de la muestra se tiene casi la certeza de que el valor de la estadística se aproxima bastante al valor del parámetro de la población. Si un estimador es coherente se vuelve mas confiable si tenemos tamaños de muestras mas grandes.

Suficiencia.- Un estimador es suficiente si utiliza una cantidad de la información contenida de la muestra que ningún otro estimador podría extraer información adicional de la muestra sobre el parámetro de la población que se esta estimando.

Es decir se pretende que al extraer la muestra el estadístico calculado contenga toda la información de esa muestra. Por ejemplo, cuando se calcula la media de la muestra, se necesitan todos los datos. Cuando se calcula la mediana de una muestra sólo se utiliza a un dato o a dos. Esto es solo el dato o los datos del centro son los que van a representar la muestra. Con esto se deduce que si utilizamos a todos los datos de la muestra como es en el caso de la media, la varianza, desviación estándar, etc; se tendrá un estimador suficiente.

...