Scribd Logo
Cargar

¡Te damos la bienvenida a Scribd!

  • 80 vistas

    Actividad 2.2 Resumen de La Unidad II

    Cargado por

    Francisco Javier
    Este documento trata sobre la inferencia estadística y la estimación de parámetros. Explica conceptos como estimadores, intervalos de confianza, tamaños de muestra y métodos de estimación como el método de máxima verosimilitud y el método de momentos. El objetivo de la inferencia estadística es sacar conclusiones sobre una población a partir de una muestra representativa mediante técnicas que permiten medir el grado de incertidumbre de dichas inferencias.

    Copyright:

    © All Rights Reserved
    Descargue como DOCX, PDF, TXT o lea en línea desde Scribd

    Actividad 2.2 Resumen de La Unidad II

    Cargado por

    Francisco Javier
    80 vistas8 páginas
    Este documento trata sobre la inferencia estadística y la estimación de parámetros. Explica conceptos como estimadores, intervalos de confianza, tamaños de muestra y métodos de estimación como el método de máxima verosimilitud y el método de momentos. El objetivo de la inferencia estadística es sacar conclusiones sobre una población a partir de una muestra representativa mediante técnicas que permiten medir el grado de incertidumbre de dichas inferencias.

    Título original

    Actividad 2.2 Resumen de la Unidad II

    Derechos de autor

    © © All Rights Reserved

    Formatos disponibles

    DOCX, PDF, TXT o lea en línea desde Scribd

    ¿Le pareció útil este documento?

    ¿Este contenido es inapropiado?

    Este documento trata sobre la inferencia estadística y la estimación de parámetros. Explica conceptos como estimadores, intervalos de confianza, tamaños de muestra y métodos de estimación como el método de máxima verosimilitud y el método de momentos. El objetivo de la inferencia estadística es sacar conclusiones sobre una población a partir de una muestra representativa mediante técnicas que permiten medir el grado de incertidumbre de dichas inferencias.

    Copyright:

    © All Rights Reserved
    Descargue como DOCX, PDF, TXT o lea en línea desde Scribd
    Descargar como docx, pdf o txt
    80 vistas8 páginas

    Actividad 2.2 Resumen de La Unidad II

    Cargado por

    Francisco Javier
    Este documento trata sobre la inferencia estadística y la estimación de parámetros. Explica conceptos como estimadores, intervalos de confianza, tamaños de muestra y métodos de estimación como el método de máxima verosimilitud y el método de momentos. El objetivo de la inferencia estadística es sacar conclusiones sobre una población a partir de una muestra representativa mediante técnicas que permiten medir el grado de incertidumbre de dichas inferencias.

    Copyright:

    © All Rights Reserved
    Descargue como DOCX, PDF, TXT o lea en línea desde Scribd
    Descargar como docx, pdf o txt
    de 8

    INGENIERÍA INDUSTRIAL

    ESTADISTICA INFERENCIAL

     Actividad 2.2 Resumen

    Profesor: Moisés Muñoz Diaz


    Alumno: Francisco Javier Aguilera González
    Fecha: 21/09/21
    Introducción

    Los modelos estadísticos son ampliamente utilizados en las ciencias experimentales en


    la medida en que facilitan obtener conocimientos generales de lo particular
    (razonamiento inductivo). La inferencia estadística es aquella rama de la estadística
    mediante la cual se trata de sacar conclusiones de una población, a partir de la
    información que proporciona una muestra representativa de la misma. También es
    denominada estadística inductiva.
    En toda inferencia inductiva existe un término de error, pero también es posible medirlo
    si el experimento se ha realizado adecuadamente. Las técnicas estadísticas para hacer
    inferencias inductivas permiten medir el grado de incertidumbre de tales inferencias. La
    incertidumbre se expresa en términos de probabilidad. Si miramos el esquema de la
    página que sigue, es posible ver el proceso completo: de toda población bien definida
    es posible extraer una muestra.
    Si la muestra es representativa de la población, es posible calcular diversos valores de
    las variables de interés en la muestra y estimar los parámetros poblacionales. Este
    proceso es el que recibe el nombre de inferencia estadística.
    Estimación de Parámetros

    Características de un buen estimador


     Un estimador. Es una regla que establece cómo calcular una estimación basada en
    las mediciones contenidas en una muestra.
    Estimador Insesgado. Un estadístico es un estimador insesgado del parámetro, sí

     Eficiencia Relativa. Se consideran todos los estimadores insesgados posibles de


    algún parámetro θ, aquel con la varianza más pequeña es el estimador más
    eficiente.
    Estimador Consistente. El estimador depende de la muestra y, por tanto, de su
    tamaño.

    Sea   una población Sea   una sucesión de


    estimadores,  para una muestra aleatoria simple de
    tamaño n,   , de X.
     Estimadores suficientes. cuando es suficiente como estadístico, esto es, cuando
    tiene tanta información sobre el parámetro como la propia muestra. Más en
    concreto.

    Sea   una población, y  una más. de X. Decimos que un


    estimador,   de q, es suficiente para el parámetro si la densidad o función
    de probabilidad de la muestra condicionada por un valor cualquiera del estimador,

    Estimación Puntual
    El método de máxima verosimilitud se utiliza por ejemplo para estimar los
    coeficientes de un modelo logístico de regresión, en el que se calcula la probabilidad de
    que ocurra un determinado suceso mediante la siguiente ecuación

    Donde p es la probabilidad de que ocurra el suceso de interés y xi son los posibles


    factores (factores de riesgo) que se piensa que están relacionados con la probabilidad
    de que el suceso se produzca.
    Calcule la primera derivada de la función y resuelva la ecuación que se obtiene al
    igualar a cero dicha derivada.
    Investigue si los valores encontrados de θ encontrados en el paso 1 son máximos o
    mínimos locales.
    • Calcule la segunda derivada y evalúela en cada valor encontrado en el paso 1
    • Si la segunda derivada es menor que cero entonces L (θ) tiene un máximo.
    • Si la segunda derivada es mayor que cero entonces L (θ) tiene un mínimo.
    Método de Momentos
    El método de momentos consiste en igualar los primeros momentos de una población a
    los momentos correspondientes de una muestra, con lo cual se obtienen tantas
    ecuaciones, según se necesiten, para resolver y obtener los primeros parámetros
    desconocidos de la población.

    Por lo tanto, el método de momentos consiste en solucionar el sistema de ecuaciones.

    Intervalos de Confianza para la media


    Intervalo de confianza para µ, conociendo σ.
    Si la media de una muestra aleatoria de tamaño n de una población con varianza
    conocida, el intervalo de confianza del (1−α) 100% para µ es.

    Intervalo de confianza para µ, σ desconocida.


    Si son la media y la desviación estándar de una muestra aleatoria de tamaño n de una
    población normal con varianza desconocida, el intervalo de confianza del (1 − α )100%
    para µ es.

    Intervalos de Confianza para la Diferencia entre Dos Medias, µ 1 - µ2.


    Si x1 y x2 son las medias de muestras aleatorias independientes de tamaños n 1 y n2 µ1 -
    µ2 e poblaciones con varianzas conocidas σ 2 y σ2, el intervalo de confianza del (1-
    α )100% para µ1 - µ2 es.

    Intervalo de confianza para µ1 - µ2; σ2 y σ2 desconocidas (n1 y n2 ≥ 30)


    Las medias de muestras aleatorias independientes de tamaños n 1 y n2 de poblaciones
    aproximadamente normales, un intervalo de confianza del (1- α )100% para µ 1 - µ2 es.

    Intervalo de confianza para observaciones pareadas (µ D = µ1 - µ2).


    Si d y sd son la media y la desviación estándar de las diferencias normalmente
    distribuidas de n pares aleatorios de mediciones, un intervalo de confianza del (1-
    α )100% para µD = µ1 - µ2 es:

    Intervalo de confianza para P (muestras grandes).


    Si p = x / n, es la proporción de éxitos en una muestra aleatoria de tamaño n, y q = 1 −
    p, un intervalo de confianza aproximado del (1 − α) 100% para el parámetro binomial P
    es:

    Sí se utiliza como una estimación de P, se puede tener una confianza del (1 − α )100%
    de que el error no excederá de una cantidad específica E cuando el tamaño de la
    muestra es
    Intervalo de confianza para σ2.
    Si es la varianza de una muestra aleatoria de tamaño n de una población normal, un
    intervalo de confianza del (1 − α)100% para es.

    Intervalo de confianza para σ2/ σ2.


    Si s1 y s2 varianzas de dos muestras independientes de tamaños n 1 y n2,
    respectivamente, de poblaciones normales, entonces un intervalo de confianza de (1 -
    α)100% para σ2 / σ2 es:

    Determinación del tamaño de muestra


    Basado en la media de la Población Teorema
    Sí se utiliza x como una estimación de µ, se puede tener una confianza del (1 −
    α )100% de que el error no excederá de una cantidad específica E cuando el tamaño

    de la muestra es .

    Basado en la proporción de la Población


    Sí se utiliza P como una estimación de P, se puede tener una confianza del (1 −
    α )100% de que el error no excederá de una cantidad específica E cuando el tamaño
    de la muestra es
    Basado en la diferencia entre las medias de la Población
    Sí se utiliza x como una estimación de µ, se puede tener una confianza del (1 −
    α )100% de que el error no excederá de una cantidad específica E cuando el tamaño

    de la muestra es

    Conclusión
    Estimación es el método estadístico para obtener inferencias cerca de valores de
    parámetros sobre la base de estadísticos de muestras. Debe señalarse que hemos
    tratado el procedimiento tradicional de estimación basado en decisiones. Se dice que
    un estimador es bueno si posee las propiedades de inestabilidad, consistencia,
    eficiencia y suficiencia. el método de máxima probabilidad proporciona estimadores que
    ordinariamente son consistentes, eficientes y suficientes; pero no siempre proporcionan
    estimadores insesgado.
    Nuestro estudio de la estimación lo hemos hecho hasta ahora en el supuesto que la
    distribución de un estimador por muestreo esta normalmente distribuido en tanto que
    muchas distribuciones por muestreo solo son aproximadamente normales, los límites
    de confianza construidos con multiplicadores de confianza normal solo posee valores
    aproximados .

    También podría gustarte