Scribd Logo
Cargar

¡Te damos la bienvenida a Scribd!

  • 2 vistas

    República Bolivariana de Venezuel1

    Cargado por

    Carlos Barazarte

    Copyright:

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

    República Bolivariana de Venezuel1

    Cargado por

    Carlos Barazarte
    2 vistas6 páginas

    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?

    Copyright:

    © All Rights Reserved
    Descargue como DOCX, PDF, TXT o lea en línea desde Scribd
    Descargar como docx, pdf o txt
    2 vistas6 páginas

    República Bolivariana de Venezuel1

    Cargado por

    Carlos Barazarte

    Copyright:

    © All Rights Reserved
    Descargue como DOCX, PDF, TXT o lea en línea desde Scribd
    Descargar como docx, pdf o txt
    de 6

    República Bolivariana de Venezuela

    Ministerio del Poder Popular para la Educación Superior

    Universidad Nacional Experimental de los llanos occidentales“EzequielZamora”

    Barinas Estado Barinas

    Informe

    Docente: Bachiller:

    Luis Mora Carlos Barazarte

    31.289.864
    Puntual
    La estimación puntual consiste en atribuir un valor (la estimación) al parámetro poblacional. Si la
    muestra es representativa de la población, podemos esperar que los estadísticos calculados en las
    muestras tengan valores semejantes a los parámetros poblacionales, y la estimación consiste en
    asignar los valores de los estadísticos muestrales a los parámetros poblacionales. Los estadísticos
    con que obtenemos las estimaciones se denominan estimadores.

    Ejemplo

    Se desea estimar la Media de las puntuaciones del curso 2003/4, pero solo se dispone de 50
    puntuaciones seleccionadas aleatoriamente. La Media de la muestra (el estimador), es igual a 5.6 y
    atribuimos este valor (la estimación) a la Media del curso completo.

    Resumiendo:

    Podemos utilizar como estimadores de la Media de la población otros estadísticos de tendencia


    central como la Moda o la Mediana, pero NO todos los estimadores son apropiados. Los
    estimadores deben satisfacer ciertos requisitos, y por esta razón, interesa conocer sus
    propiedades a fin de utilizar los que sean adecuados según las circunstancias de la estimación.

    Intervalos
    La estimación por intervalos consiste en establecer el intervalo de valores donde es más probable
    se encuentre el parámetro. La obtención del intervalo se basa en las siguientes consideraciones:

    a) Si conocemos la distribución muestral del estimador podemos obtener las probabilidades de


    ocurrencia de los estadísticos muestrales.

    b) Si conociéramos el valor del parámetro poblacional, podríamos establecer la probabilidad de


    que el estimador se halle dentro de los intervalos de la distribución muestral.

    c) El problema es que el parámetro poblacional es desconocido, y por ello el intervalo se establece


    alrededor del estimador. Si repetimos el muestreo un gran número de veces y definimos un
    intervalo alrededor de cada valor del estadístico muestral, el parámetro se sitúa dentro de cada
    intervalo en un porcentaje conocido de ocasiones. Este intervalo es denominado "intervalo de
    confianza".

    Ejemplo

    Se generan 100000 muestras aleatorias (n=25) de una población que sigue la distribución Normal,
    y resulta:
    La distribución de las Medias muestrales aproxima al modelo Normal:

    En consecuencia, el intervalo dentro del cual se halla el 95% de las Medias muestrales es

    (Nota: Los valores +-1.96 que multiplican la Desviación Típica de la distribución muestral son los
    valores cuya función de distribución es igual a 0.975 y 0.025 respectivamente y se pueden obtener
    en las tablas de la distribución Normal estandarizada o de funciones en aplicaciones informáticas
    como Excel). Seguidamente generamos una muestra de la población y obtenemos su Media, que
    es igual a 4.5. Si establecemos el intervalo alrededor de la Media muestral, el parámetro
    poblacional (5.1) está incluido dentro de sus límites:

    Ahora bien, la distancia de un punto A a un punto B es la misma que de B a A. Por esa razón, la
    distancia desde m a la Media muestral es la misma que va de la Media muestral a m. En
    consecuencia, si hacemos un muestreo con un número grande de muestras observamos que el
    95% de las veces (aproximadamente) el valor de la Media de la población (m) se encuentra dentro
    del intervalo definido alrededor de cada uno de los valores de la Media muestral. El porcentaje de
    veces que el valor de m se halla dentro de alguno de los intervalos de confianza es del 95%, y es
    denominado nivel de confianza.

    Si queremos establecer un intervalo de confianza en que el % de veces que m se halle dentro del
    intervalo sea igual al 99%, la expresión anterior es:
    (Obtenemos el valor +-2.58 que multiplica la Desviación Típica de la distribución muestral en las
    tablas de la distribución Normal estandarizada o de funciones en aplicaciones informáticas como
    Excel), y son los valores cuya función de probabilidad es igual a 0.995 y 0.005 respectivamente).

    Ejemplo

    La siguiente imagen muestra la distribución de las Medias muestrales obtenidas de 100000


    muestras aleatorias y los intervalos alrededor de cada una de las Medias obtenidas de diez de las
    muestras:

    donde ls y le simbolizan los límites superior e inferior del intervalo de confianza al 95%.

    Nueve de los diez intervalos (salvo el definido alrededor de la Media muestral igual a 3.7) incluyen
    el valor del parámetro dentro sus límites.
    Hipótesis
    El Contraste de Hipótesis es un procedimiento de inferencia alternativo al de estimación de
    parámetros. Las técnicas de estimación asignan valores a los parámetros a partir de las muestras,
    es decir, extrapolan las características de las muestras (de la evidencia observada) a las
    poblaciones. En cambio, el Contraste de Hipótesis establece supuestos iniciales sobre las
    poblaciones y utiliza las muestras para determinar si la evidencia observada es coherente con
    estos supuestos. El contraste de hipótesis consiste en averiguar si los datos observados en las
    muestras respaldan las hipótesis sobre las poblaciones.

    Los puntos básicos del Contraste de Hipótesis estadístico son:

    a) Definir características hipotéticas de las poblaciones.

    b) Obtener las características observadas en las muestras.

    c) Establecer la coherencia de lo observado en las muestras con las hipótesis iniciales.

    d) Si lo observado en las muestras es poco probable bajo el supuesto de que las hipótesis son
    verdaderas se concluye que están equivocadas y las poblaciones son diferentes a lo establecido
    inicialmente. En caso contrario se mantiene las hipótesis.

    Los puntos anteriores son explicados con mayor detalle en los apartados del tema:

    Apartado 2: Elementos fundamentales del contraste de hipótesis.

    Apartado 3: Errores en el Contraste de Hipótesis

    Apartado 4: Probabilidades de error

    Apartado 5: Probabilidad de detectar efectos significativos

    Apartado 6: Contrastes bilaterales

    Error Tipo 1,2

    El Contraste de Hipótesis no garantiza que la decisión (rechazar o no la Hipótesis Nula) sea


    correcta. Como ejemplo, consideremos que la moneda es insesgada, y que obtenemos nueve
    caras en diez lanzamientos. Es un resultado dentro del conjunto de resultados poco probables
    (p<= 0.05), y por ello rechazamos la Hipótesis Nula, es decir, rechazamos la hipótesis inicial de que
    la moneda está "bien hecha". El error ha consistido en rechazar la Hipótesis Nula cuando es
    correcta, y diremos que es un error de tipo I.

    Por el contrario, supongamos que en realidad la moneda es sesgada y la verdadera probabilidad


    de que ocurra "cara" es igual a 0.8, lo cual significa que la hipótesis inicial (la moneda no es
    sesgada) es falsa. En consecuencia la Hipótesis Nula que atribuye 0.5 a la probabilidad de que
    ocurra "cara" es falsa. Si obtenemos siete caras y este resultado cae dentro del conjunto de
    aceptación (conjunto de resultados probables si la Hipótesis Nula es verdadera) aceptamos la
    Hipótesis Nula. Como la Hipótesis Nula es falsa, la decisión es errónea, y diremos que es un error
    de tipo II.
    La siguiente tabla resume los tipos de errores en función de la decisión y de que la Hipótesis Nula
    sea verdadera o no:

    Cuando se toma la decisión de rechazar o no la Hipótesis Nula podemos acertar o cometer errores.
    En el trabajo real no sabemos qué ocurre porque no sabemos si la Hipótesis Nula es verdadera o
    no. Sin embargo, dados ciertos supuestos podemos obtener las probabilidades de cometer errores
    de tipo I y de tipo II.

    La probabilidad de cometer errores de tipo I, que se simboliza alfa, es la probabilidad de


    ocurrencia de los valores del estadístico en la región de rechazo cuando la Hipótesis Nula es
    verdadera. El valor de alfa, también denominado nivel de significación, es definido por el
    investigador antes de recoger los datos, y la costumbre es hacer alfa=0.05 o alfa=0.01 (en el
    ejemplo alfa es igual a 0.05). La probabilidad de cometer errores de tipo II se simboliza beta y
    depende de varias circunstancias como la distancia que separa el valor asignado al parámetro en la
    Hipótesis Nula de su valor real, el tamaño muestral y el valor asignado a alfa.

    Nivel de significancia

    El nivel de significación es el límite para juzgar un resultado como estadísticamente significativo. Si


    el valor de significación es menor que el nivel de significación, se considera que el resultado es
    estadísticamente significativo. El nivel de significación también se conoce como el nivel alfa.

    También podría gustarte