Professional Documents
Culture Documents
Introduccin
El material sobre teora de probabilidad constituye la base de la inferencia
estadstica, rama de la estadstica que tiene que ver con el uso de los conceptos
de la probabilidad para tratar con la toma de decisiones en condiciones de
incertidumbre. La inferencia estadstica est basada en la estimacin, y en la
prueba de hiptesis. Tanto en la estimacin como en la prueba de hiptesis, se
hace inferencias acerca de ciertas caractersticas de las poblaciones a partir de la
informacin contenida en las muestras (Badii & Castillo, 2007, 2009).
En este trabajo introducimos mtodos que nos permiten estimar con
precisin razonable la porcin de la poblacin y la media de la poblacin. Calcular
la porcin exacta o la media exacta sera una meta imposible de obtener, pero, a
pesar de ello, seremos capaces de hacer una estimacin, de hacer una
afirmacin con respecto al error que probablemente acompaar a tal estimacin,
Estimaciones Estadsticas
300
x=
x
i =1
(1)
301
a) Estimador no sesgado.
b) Estimador sesgado.
s = [(n - 1) / n]
(2)
s =
n 2
s
n 1
Estimaciones Estadsticas
(3)
302
303
Estimaciones Estadsticas
304
305
1.96
n
1.96(0.24)
50
= 0.07
Estimaciones Estadsticas
306
307
Estimaciones Estadsticas
308
I.C. = z/2
Ejemplo 2. Encuentre un intervalo de confianza de 90% para la media de la tasa de
crecimiento de rboles de cedro, en una comunidad vegetal.
Solucin: Ya hemos notado que el estimador puntual x de la media poblacional ,
tiene una distribucin de muestreo que satisface las propiedades requeridas. Por lo
tanto, un intervalo de confianza de 90% para la media de la tasa de crecimiento ,
es
I.C. = x z 0.05 x = x 1.645
0.24
50
= 9.1 0.0558
309
z
confianza
0.90
0.10
1.28
1.28
0.95
0.05
1.645
1.645
0.99
0.01
2.33
2.33
LSC
+ 1.28
+ 1.645
+ 2.33
Estimaciones Estadsticas
310
0.31
40
= 10.3806
(4)
Donde:
I.C. = intervalo de confianza.
z/2 = valor z que corresponde al rea /2 en el extremo superior de una distribucin
normal estndar z.
n = tamao muestral
= desviacin estndar de la poblacin muestreada
Si el muestreo es de una poblacin finita, el intervalo de confianza se calcula por.
I.C. = x z / 2
En lo que:
N = tamao de la poblacin conocido.
n = tamao de la muestra.
N n
N 1
(5)
311
x =
6
100
= 0.6
= s =
(x x)
n 1
Estimaciones Estadsticas
312
x =
N n
N 1
x =
x
n
N n 950
700 50
=
x
= $129.57
N 1
700 1
50
313
(x x ) =
1
12
n1
(6)
22
(7)
n2
12
22
n1 n2
Se puede obtener un intervalo de confianza bilateral para (1 - 2), con 1 -
coeficiente de confianza, utilizando la siguiente frmula: Intervalos de confianza de
(1 - )100% para (1 - 2) en el caso de muestras grandes
I.C.= ( x1 x 2 ) z / 2
12
n1
22
n2
(8)
2
2
Se pueden utilizar las varianzas muestrales s1 y s 2 , cuando se desconocen estos
parmetros.
Estimar intervalo de la proporcin
= np
= npq
En las que:
n = nmero de ensayos o intentos
p = probabilidad de xito
q = 1 p = probabilidad de fracaso
Estimaciones Estadsticas
314
p = p
De forma similar podemos modificar la frmula para la desviacin estndar
de la distribucin binomial, npq , que mide la desviacin estndar que existe en el
nmero de xitos. Para cambiar el nmero de xitos a la porcin de xitos,
pq / n . En trminos estadsticos, la
dividimos npq entre n y obtenemos
desviacin estndar para la porcin de xitos en una muestra se simboliza como:
p =
pq
n
p =
pq
=
n
(0.4)(0.6)
= 0.057
75
315
pq
= p zc
n
p(1 p )
n
(9)
pq n p n
n np 1
(10)
2n
(11)
Estimaciones Estadsticas
316
Conclusiones
La primera fase de la estadstica se trata de coleccionar, ordenar y
presentar los datos o hechos numricos. La segunda parte de la estadstica se
encarga de analizar, sintetizar (hacer inferencias y realizar interpretacin) y
finalmente publicar los datos que han sido presentados en forma de grafica y/o de
manera tabular. Es precisamente en la seccin del anlisis estadstico en donde el
investigador debe modificar los datos, es decir hacer estimaciones de los datos
brutos. Para hacer estimaciones, uno debe estar bien familiarizado con los criterios
estadsticos que se debe reunir y considerar en el proceso de la estimacin, ya que
las estimaciones sesgadas nos conducen a las inferencias y decisiones errneas.
Es precisamente con este punto en la mente que se avoco a realizar la presente
investigacin.
Referencias
Badii, M.H. & J. Castillo. (eds.). 2007. Tcnicas Cuantitativas en la Investigacin. UANL,
Monterrey.
Badii, M.H. & J. Castillo. 2009. Muestreo Estadstico: Conceptos y Aplicaciones. UANL, Monterrey.
Badii, M.H., J. Castillo, A. Wong & J. Landeros. 2007a. Precisin de los ndices estadsticos:
tcnicas de jacknife & bootstrap. InnOvaciOnes de NegOciOs. 4(1): 63-78.
Badii, M.H., J. Castillo, J. Landeros & K. Cortez. 2007b. Papel de la estadstica en la investigacin
cientfica. InnOvaciOnes de NegOciOs. 4(1): 107-145.
Badii, M.H., J. Castillos, R. Foroughbakhch & K. Cortez. 2007c. Probability and scientific research.
Daena, 2(2): 358-369.
Fuino, Y. 1980. Aproxmate binomial confidence limits. Biomtrica 67: 677-681.
Ghosh, B.K. 1979. A comparison of some aproxmate confidence intervals for the bionamial
parameter. J. Amer. Statist. Assoc. 74: 894-900.
Pfanzagl, J. 1978. Estimation Confidence Intervals and regions. In kruskal and Tanur 259-267.
Sutton, J. B. 1990. Values of the index of determination at the 5% significance level. Statistician
39: 461-463.