Estimación de Parámetros Térmicos mediante Datos de Alta ...
Estimación de Parámetros...Intervalos de confianza para los principales parámetros El caso de la...
Transcript of Estimación de Parámetros...Intervalos de confianza para los principales parámetros El caso de la...
INFERENCIA ESTADISTICA
Proferora: Lic. Gladis Mazza
INFERENCIA ESTADISTICA
Por este proceso es posible utilizar estadísticos calculados a partir de muestras para estimar los valores de los parámetros
de la población. Por ejemplo:Media muestral Media poblacional Proporcion muestral Prop. Poblac.Varianza muestral Variacia Poblac.
DISTRIBUCIONES MUESTRALES
Los estadísticos son variables aleatorias que tienen una distribución asociada y tienen media y varianza.Para el estadístico media muestral la esperanza de la distribución de las medias muestrales es igual a la esperanza de la variable original. E(x)= µLa varianza de la distribución de las medias es igual a la varianza de la distribución de la variable estudiada, dividida por el tamaño de la muestra: s2/n
DISTRIBUCIONES MUESTRALES
La distribución muestral es la distribución de los resultados calculados sobre todas las muestras posibles.Distribución muestral de la Media: El estadístico media muestral es un estimador de la media poblacional que cumple con la propiedad de Imparcialidad: La media de todas las medias muestrales posibles es igual a la media poblacional.
DISTRIBUCIÓN MEDIA MUESTRAL
Ejemplo: Un auditor toma una muestra de 36 de una población de 1000 deudores morosos. El valor promedio de saldos por cobrar de la población es de $ 2600 con una desviación estándar poblacional de $450 ¿Cuál es la probabilidad de que la media muestral sea inferior a $ 2500? Y ¿Cuál es la probabilidad de que la media muestral se encuentre $150 de la media la población en mas y menos?
TEORIA DE LA ESTIMACIÓN
ESTIMACIÓN PUNTUAL Y POR INTERVALOS:La estimación puntual: es un proceso mediante el cual se estima un parámetro en un punto, dado un valor específico como estimación.Estimación por intervalos: Es un procedimiento mediante el cual se puede afirmar, con una determinada probabilidad, que el intervalor (a,b) contiene al verdadero valor del parámetro.P(a≤ q ≤ b) = 1 - α
Propiedades deseables de los estimadores
Veremos CUATRO propiedades:
1.Ausencia de sesgo
2.Consistencia
3.Eficiencia
4.Suficiencia
Propiedades deseables en los
estimadores (1)
1. Ser insesgado. Diremos que es un estimador insesgado de si la
esperanza de es . Es decir, qq
q
q
( )E q q
La media muestral es un estimador insesgado de la
media poblacional.
Pero la varianza muestral NO es un estimador
insesgado de la varianza poblacional, pero sí lo es en
cambio la cuasivarianza.
Propiedades deseables en los
estimadores (2)
2. Consistencia. Se dice que un estimador es consistente si se cumple que
lim 0n
P q q
Esta expresión indica que a medida que se incrementa el tamaño muestral, la
diferencia entre el estimador y el parámetro será menos que cualquier número
().
A diferencia de la “ausencia de sesgo” que se define para valores finitos de n, la
“consistencia” es una propiedad asintótica.
Tanto la media muestral como la cuasivarianza son estimadores consistentes.
Nota: la varianza muestral ES un estimador consistente de la varianza
poblacional, dado que a medida que el tamaño muestral se incrementa, el sesgo
disminuye y disminuye.
Propiedades deseables en los
estimadores (3)
3. Eficiencia. Se emplea para COMPARAR estimadores.
Si tenemos dos estimadores y de un mismo parámetro q, diremos que
es más eficiente que si tenemos que var( )<var( )
Se puede comprobar que la varianza muestral es más eficiente que la
cuasivarianza muestral a la hora de estimar la varianza poblacional. (Aún
así, se prefiere la cuasivarianza muestral como estimador de la varianza
poblacional por ser un estimador insesgado.)
1q1q
2q
2q
2q 1q 2q
Propiedades deseables en los
estimadores (4)
4. Suficiencia. Diremos que es un estimador suficiente del parámetro
si dicho estimador basta por sí solo para estimar
q
Intervalos de confianza para los
principales parámetros
El caso de la media (1)
En este caso, en lugar de indicar simplemente un único valor como estimación del
parámetro, lo que haremos es ofrecer un intervalo de valores que sea asumible con
cierta probabilidad por el parámetro que queremos estimar.
-Intervalo de confianza: Es el intervalo de las estimaciones (probables) sobre el
parámetro.
-Límites de los intervalos de confianza: Son los dos valores extremos del intervalo
de confianza
Intervalos de confianza para los principales
parámetros: El caso de la media (2)
Ahora bien, ¿cuán grande habrá de ser el intervalo de confianza?
Evidentemente, si decimos que el intervalo de confianza va de menos infinito a
más infinito, seguro que acertamos...pero eso no es muy útil. Por su parte, el
extremo es la estimación puntual, en la que lo usual es que no demos con el valor
del parámetro...
La idea es crear unos intervalos de confianza de manera que sepamos en qué
porcentaje de casos el parámetro estará dentro del intervalo crítico.
¿Y cómo fijamos tal porcentaje de casos? Usualmente se asume un porcentaje
del 95%. Al calcular un intervalo de confianza sobre la media al 95% ello quiere
decir que el 95% de las veces que repitamos el proceso de muestreo (y
calculemos la media muestral), la media poblacional estará dentro de tal intervalo.
Intervalos de confianza para los principales
parámetros: El caso de la media (3)
Pero, ¿cómo calculamos estos dos límites?
Sabemos que la distribución subyacente es normal, lo cual nos ayuda enormemente.
En una distribución normal tipificada, es muy fácil saber qué puntuación típica (z) deja a la
izquierda el 2.5% de los datos (yendo a las tablas es -1.96) y cuál deja a la izquierda el
97.5% de los datos (o a la derecha el 2.5% de los datos: 1.96).
Ahora habrá que pasar esos datos a puntuaciones directas....
Intervalos de confianza para los principales
parámetros: El caso de la media (3)
Pero, ¿cómo calculamos estos dos límites?
Vamos a ver DOS casos.
Primero, veremos el caso de que sepamos la varianza poblacional.
Segundo, veremos el caso de que NO sepamos la varianza poblacional
Intervalos de confianza para los principales
parámetros: El caso de la media (4)
Nuestra distribución es normal, pero con cierta media y cierta desviación típica, las
cuales sabemos por el tema anterior:
1) La media de la distribución muestral de medias es la media poblacional m
2) La varianza de la distribución muestral de medias es s2/n
O lo que es lo mismo, la desviación típica de la dist.muestral de medias es
2Conocemoss
ns
Intervalos de confianza para los principales
parámetros: El caso de la media (5)
Estimador de esmX Recordad que
O lo que es análogo
Y para pasar directas-típicas:
2Conocemoss
i iX z Xn
s
/
ii
X Xz
ns
z 0’975z 0’025
En definitiva
Intervalos de confianza para los principales
parámetros: El caso de la media (6)
Aplicando la lógica
de pasar de
puntuaciones típicas
a directas
En Punt.típicas
En Punt.directas
2Conocemoss
0.025 0.975 0.95P X z X zn n
s sm
0.025X zn
s
0.975X zn
s
Intervalos de confianza para la media: CASO DE
DESCONOCER LA VARIANZA POBLACIONAL
Para la media (cuando conocemos la varianza poblacional), tenemos la
expresión
Pero si no conocemos la varianza poblacional, no podemos emplear
En su lugar hemos de emplear
Ahora la distribución ya no es exactamente una distribución normal...
Por el tema anterior sabemos que la distribución muestral de
2s
n
2
n
s
/
X
s n
mno es una distribución normal, sino una distribución t de
Student con n-1 grados de libertad.
0.025 0.975 0.95P X z X zn n
s sm
Recordad, en el caso de
varianza conocida teníamos: /
ii
Xz
n
m
s
Intervalos de confianza para la media: CASO DE
DESCONOCER LA VARIANZA POBLACIONAL
En definitiva, para la media (cuando conocemos la varianza poblacional),
tenemos la expresión
Pero si no conocemos la varianza poblacional (el caso realista), tenemos la
expresión:
En todo caso, recordad que si "n" es grande, la distribución t de Student será
virtualmente una distribución normal N(0,1). En otras palabras, si "n" es grande, ambas
fórmulas dan unos intervalos virtualmente idéntico, y emplear la distribución normal es
correcto.
0.025 0.975 0.95P X z X zn n
s sm
0.025 1 0.975 1 0.95n n
s sP X t X t
n nm
Intervalos de confianza para los principales
parámetros: El caso de la media (7)
¿Qué quiere decir la expresión siguiente?
Quiere decir que cada vez que extraigamos una muestra y hallemos la
media, el parámetro desconocido m estará entre los límites de dicho
intervalo el 95% de las veces. (O el 99% si hubiéramos elegido un
intervalo al 99%, etc.)
0.025 0.975 0.95P X z X zn n
s sm
Intervalos de confianza para los principales
parámetros: Tamaño muestral y la amplitud del
intervalo de confianza
Es claro que a medida que el tamaño muestral aumente, la amplitud del intervalo
disminuye. (Evidentemente, esto es general, no sólo para la media.) Veamos, en
todo caso un ejemplo:
Caso A1. Media muestral=10, varianza pobl=4, tamaño muestral=12
Caso A2. Media muestral=10, varianza pobl=4, tamaño muestral=20
Para el caso de la media hemos visto que
0.025 0.975 0.95P X z X zn n
s sm
2 2
10 ( 1.96) 10 1.96 9.12 10.88 0.9520 20
P Pm m
2 2
10 ( 1.96) 10 1.96 8.87 11.13 0.9512 12
P Pm m
Intervalos de confianza para los principales
parámetros: Amplitud del intervalo de confianza
y el valor del índice de confianza
Pero evidentemente es posible emplear intervalos a, digamos, el 99%. En tal caso,
tendremos más seguridad de que el parámetro de interés se halle en los límites del
intervalo. El problema es que incrementar tal índice aumenta así mismo la amplitud del
intervalo.
Caso A1. Media muestral=10, varianza pobl.=4, tamaño muestral=12. Intervalo al 95%
Caso A2. Media muestral=10, varianza pobl=4, tamaño muestral=12. Intervalo al 99%
El caso "usual" (por defecto) es emplear intervalos al 95%.
0.025 0.975 0.95P X z X zn n
s sm
2 2
10 ( 2.57) 10 2.57 8.52 11.48 0.9912 12
P Pm m
2 2
10 ( 1.96) 10 1.96 8.87 11.13 0.9512 12
P Pm m
Intervalos de confianza para OTROS parámetros
Intervalos de confianza para las proporciones
Caso de muestras grandes
.025 .975
(1 ) (1 )0.95
P P P PP P z P z
n n
Caso de muestras pequeñas
Intervalos de confianza para OTROS parámetros
Intervalos de confianza para la varianza
2 22
2 2
.975 1 .025 1
0.95n n
n S n SP s