ESTADÍSTICA

LIC.-------------------
Maestro: Ing. Horta Marrón Jesús Roberto
Materia: Estadística Básica.

1
 Unidad l
Estadística en el proceso de investigación

1.1 Introducción a la Estadística.

1.2 Orígenes de la Estadística.
1.3 Concepto de la Estadística.
1.4 Estadística Descriptiva.
1.5 Estadística Inferencial.
1.6 Naturaleza Interdisciplinaria de la Estadística.
1.7 Estadística aplicada a las ciencias sociales.
1.8 Importancia Crimino lógica.
 Estadística en el Proceso de
Investigación
1.1 Introducción a la Estadística y sus Orígenes
La estadística, o los métodos estadísticos, como se llaman
algunas veces, desempeñan un papel cada vez más importante
en casi todas las áreas del quehacer humano. Aunque en un
principio tenía que ver solamente con asuntos de Estado, a lo que
debe su nombre, en la actualidad la influencia de la estadística se
ha extendido a la agricultura, la biología, el comercio, la química,
la comunicación, la economía, la educación, la electrónica, la
medicina, la física, las ciencias políticas, la psicología, la
sociología y a muchos otros campos de la ciencia y la ingeniería.
 Estadística en el Proceso de
Investigación
1.3 Concepto de la Estadística.

La estadística se ocupa de los métodos científicos que se utilizan

para recolectar, organizar, resumir, presentar y analizar datos así
como para obtener conclusiones válidas y tomar decisiones
razonables con base en este análisis. El término estadística
también se usa para denotar los datos o los números que se
obtienen de esos datos; por ejemplo, los promedios. Así, se habla
de estadísticas de empleo, estadísticas de accidentes, etcétera.
 Estadística en el Proceso de
Investigación
1.4 Estadística Descriptiva.
Describe y analiza un grupo dado, sin sacar ninguna conclusión ni
hacer inferencia alguna acerca de un grupo mas grande.
 Estadística en el Proceso de
Investigación
1.5 Estadística Inferencial.
Es el conjunto de métodos y técnicas que permiten inferir
conclusiones validas acerca de la población.
 Estadística en el Proceso de
Investigación

1.6 Naturaleza Interdisciplinaria de la Estadística.

Condiciona un desarrollo conjuntamente con las diferentes
disciplinas y el avance del enfoque tecnológico para facilitar la
evolución de las técnicas que apoyan la investigación y fortalecer
las decisiones de la salud de la población.
 Estadística en el Proceso de
Investigación
1.7 Estadística Aplicada a las Ciencias Sociales.
La estadística en ciencias sociales es altamente demandada en
muchos ámbitos de la administración publica, del mundo político y
organizativo, como lo es el análisis de los fenómenos sociales y
sus tendencias con el fin de disponer de buenos diagnósticos que
permiten intervenciones sociales adecuadas y eficaces.
 Unidad lI

Distribución de frecuencias.
2.1 Concepto de Variable.
2.2 Clasificación de Variable.
2.3 Distribución de Frecuencia.
2.4 Gráficas ( Polígono e Histograma)
2.5 Aplicación Crimino lógica.
 Distribución de frecuencias

2.1 Concepto de Variable.

Una variable es un símbolo: x, y, z, a, b, c. Que puede tomar
cualquiera de los valores determinados del conjunto al que se le
conoce como Dominio de la variable.
 Distribución de frecuencias

2.2 Clasificación de Variable.

Constante: A una variable que solo puede tomar un valor se le
llama constante.


Variable Continua: Una variable que puede tomar cualquiera de
los valores entre dos números dados, es una variable continua.


Variable Discreta: Una variable que no puede tomar cualquiera de
los valores entre dos números dados, es una Variable Discreta.
 Distribución de frecuencias

Ejemplo 1: La cantidad N de hijos que tiene una familia puede
tomar los valores 0, 1, 2, 3,… (Discretas) pero no puede tomar
valores como 2.5, 3.842 (Continuas).


Ejemplo 2: La estatura H de una pérsona que puede ser 62
pulgadas es: 63.8 in o 63.8341 in dependiendo de la exactitud.
Que se mida es una variable continua.
 Distribución de frecuencias

2.3 Distribución de frecuencia.

Datos en bruto: Datos recolectados que aun no se han organizado.

Ordenación: Son los datos numéricos en bruto dispuestos en
orden creciente o decreciente de magnitud. A la diferencia entre el
numero mayor y el menor se le conoce como Rango de los datos.


Al organizar una gran cantidad de datos en bruto, suele resultar útil
distribuirlos en clases o categorías y determinar la cantidad de
datos que pertenece a cada clase; esta cantidad se le conoce como
frecuencia de clase.
 Distribución de frecuencias

2.3 Distribución de frecuencia.

Distribución de frecuencia: Es la disposición de tabular los
datos en clases con sus respectivas frecuencias de clase.
 Distribución de frecuencias

2.4 Graficas (Poligono e Histograma).

Histograma: es un conjunto de rectángulos que tienen:

a)Base sobre un eje horizontal, centros coinciden con las marcas
de clase de longitud iguales a la amplitud del intervalo de clase.

b) Áreas proporcionales a las frecuencias de clase.
Poligono: Es una grafica de linea que presenta las frecuencias de
clase graficadas contra las marcas de clase.
 Unidad III
Medidas de tendencia central
3.1 Medidas de Tendencia Central.
3.2 Media.
3.3 Mediana.
3.4 Moda.
3.5 Ventajas y Desventajas de Medidas de Tendencia Central.
3.6 Aplicación Crimino lógica.
 Medidas de Tendencia Central
3.1 Medidas de Tendencia Central.
Medidas de tendencia central: Es un valor típico o representativo
de un conjunto de datos. Estos valores típicos tienden a
encontrarse en el centro de los conjuntos de datos, ordenados de
acuerdo con su magnitud a los promedios se les conoce también
como medidas de tendencia central.
 Medidas de Tendencia Central
3.2 Media aritmética
También conocido como la media, de un conjunto de N números X 1,
x2, x3,… xN se denota así: “x” (que se lee x barra) y esta definida
como:
 Medidas de Tendencia Central
3.3 Mediana.
La mediana de un conjunto de números acomodados en orden de
magnitud (es decir, en una ordenación) es el valor central o la media
de los dos valores centrales.

Ejemplo:
Mediana del conjunto de números 3, 4, 5, 6, 8, 8, 8 es 6.
Mediana del conjunto de números 5, 5, 7, 9, 11, 12, 15 y 18 es
1/2(9+11)=10.
 Medidas de Tendencia Central
3.4 Moda.
La moda de un conjunto de números es el valor que se presenta con
mas frecuencia; es decir, es el valor mas frecuente. Puede no haber
moda y cuando la hay, puede no ser única.

Ejemplo:
La moda del conjunto 2, 2,5, 7, 9, 9, 9, 10, 10,11, 12 y 18 es 9.
El conjunto 3, 5, 8, 10, 12, 15 y 16 no tiene moda.
El conjunto 2, 3, 4, 4, 4, 5, 5, 7, 7, 7 y 9 tiene dos modas 4 y 7 por lo
que se llama bimodal.
 Medidas de Tendencia Central

Problemas unidad III.
 Medidas de Tendencia Central

 Medidas de Tendencia Central
Las calificaciones de un estudiante en seis exámenes fueron
84, 91, 72, 68, 87 y 78. Hallar la media de estas
calificaciones.
 Medidas de Tendencia Central

Un científico mide diez veces el diámetro de un cilindro y
obtiene los valores 3.88,4.09,3.92, 3.97, 4.02, 3.95, 4.03,
3.92, 3.98 y 4.06 cm. Hallar la media de estas
mediciones.
 Medidas de Tendencia Central

Encontrar la media de los números 5, 3, 6, 5, 4, 5, 2, 8, 6,
5, 4, 8, 3, 4, 5, 4, 8, 2, 5 y 4


Siguientes cantidades: seis 5, dos 3, dos, 6 cinco 4, dos 2
y tres 8.
 Medidas de Tendencia Central


En los cajeros automáticos de cinco lugares de una
ciudad grande, se registró la cantidad de transacciones
por día. Los datos fueron 35, 49, 225, 50, 30, 65, 40, 55,
52, 76, 48, 325, 47, 32 y 60.

Encontrar:

a) la cantidad mediana de transacciones

b) la cantidad media de transacciones
 Medidas de Tendencia Central


Encontrar la media, la mediana y la moda de los
conjuntos:

a) 3, 5, 2, 6, 5, 9, 5, 2, 8, 6

b) 51.6, 48.7, 50.3, 49.5, 48.9.
 Medidas de Tendencia Central

Media armónica H

Media geométrica G


La raíz cuadrada media o media cuadrática
 UNIDAD IV

Dispersión y Variación
4.1 Rango.
4.2 Desviación Media.
4.3 Desviación Típica.
4 4 Varianza.
4.5 Aplicación Crimino lógica.
 Dispersión y Variación

4.1 Rango.

El Rango de un conjunto de números es la diferencia entre el
numero mayor y el numero menor del conjunto.

Ejemplo:

Rango del conjunto 2, 3, 3, 5, 5, 5, 8, 10, 12 es 12-2=10.

Aveces el rango se da mediante el numero menor y el numero
mayor, en este caso seria: de 2 a 12 o 2-12.
 Dispersión y Variación

4.2 Desviación Media.

La desviación media de un conjunto de datos es la media de las
desviaciones absolutas y es un resumen de la dispersión
estadística.
Formula: 1/n Σ^n Ixi -m(X)I
m(X)=Valor medio del conjunto de datos.
n= Numero de valores de datos.
xi= Valores de datos en el conjunto.
 Dispersión y Variación

4.3 Desviación Típica.

Es la desviación media de una variable respecto de su media aritmética,
adquiriendo siempre unos valores que son iguales o mayores que 0.
σ=Desviacion estandar poblacional.
N= Tamaño de la población.
Xi= Cada valor de la población.
μ= Media poblacional.
Formula:
σ= raiz2( (Σ(xi-μ)2)/N)
 Dispersión y Variación

4.3 Desviación Estándar

Es la desviación respecto a la media o como suele llamarse la
desviación raíz-media-cuadrada. Es útil para datos agrupados.
s=raiz2((Σ^k fi(xj-μ)2)/N)
 Dispersión y Variación

4.4 Varianza.

La varianza de un conjunto de datos se define como el cuadrado
de la desviación estandar y por lo tanto corresponde al valor s 2 en
las ecuaciones 5 y 6.
 Disperción y variación


Problemas IV:

Encontrar el rango de los conjuntos:

a) 12, 6, 7, 3, 15, 10, 18, 5

b) 9, 3, 8, 8, 9, 8, 9, 18.
 Disperción y variación


Encontrar la desviación media de los conjuntos de
números del 1er. problema.
a) 12, 6, 7, 3, 15, 10, 18, 5
b) 9, 3, 8, 8, 9, 8, 9, 18.
 Disperción y variación


Encontrar la desviación estándar de cada uno de los
conjuntos de números del 1er. problema.
a) 12, 6, 7, 3, 15, 10, 18, 5
b) 9, 3, 8, 8, 9, 8, 9, 18.
 Disperción y variación

Media, Mediana, Moda. Rango, Desviación Estándar,
Desviación Típica y Varianza. Grafica poligonal e
Histograma.

5,2,1,18,76,23,45,95,32,12,8,9,11,10,11,26,32,99,56,44,62,
3,12,45,69,69,69,87,99,32,56,57,10,11,100,23,21,67,49,51,
64,62,31,7,6,2,1,34,48,49,76,88,84,89,90,91,99,100,25,52.

 Unidad V
5.1 Concepto de Probabilidad.
5.2 Formas de calcular la Probabilidad.
5.3 Tipos de Probabilidad.
5.4 Sucesos Dependientes, Independientes, Mutuamente
Excluyentes y No Mutuamente Excluyentes.
CAP 6 PAG. 139
 Unidad V

5.1 Concepto de Probabilidad.

La definición clásica de probabilidad tiene una desventaja de que
la expresión “igualmente posible” es vaga. Es más, como esta
expresión parece ser sinónimo de “igualmente probable”, la
definición es circular, ya que está definiendo probabilidad en
términos de probabilidad.
 Unidad V
5.1 Concepto de Probabilidad.
Debido a esto, algunas personas han abogado
por una definición estadística de probabilidad. De
acuerdo con esto, se considera que la
probabilidad estimada o probabilidad empírica
de un evento es la frecuencia relativa de
ocurrencia del evento cuando la cantidad de
observaciones es muy grande. La probabilidad
misma es el límite de esta frecuencia relativa a
medida que la cantidad de observaciones
aumenta de manera indefinida.
 Unidad V

5.2 Formas de calcular la Probabilidad.

-Calcular probabilidad de un evento aleatorio.
Numero de casos favorable/ Numero de casos
posibles.
-Calcular probabilidad de varios eventos
aleatorios.
-Convertir las cuotas en probabilidades.
 Unidad V
5.3 Tipos de Probabilidad.
Probabilidad Objetiva
Toda probabilidad en la que conocemos
la frecuencia de un evento y se dan a
conocer los casos probables de que
ocurra dicho evento.
Probabilidad subjetiva.
Se sustenta en ciertas eventualidades
que permiten inferir la probabilidad de
un evento aunque alejada de una
probabilidad certera o calculable.
 Probabilidad frecuencial.


Determina la cantidad de veces que un
fenómeno puede ocurrir , considerando un
numero determinado de oportunidades a
través de la experimentación

 Probabilidad condicional.

Se emplea para comprender la casualidad
entre dos hechos distintos, es decir, cuando
puede determinarse la ocurrencia de uno tras
la ocurrencia de otro.
  Probabilidad Binominal.

Aquella en la que se estudia el éxito o el
fracaso de un evento o cualquier otro
tipo de escenario probable que tanga
dos posibles resultados unicamente.

 Probabilidad hipergeométrica.

Se obtiene a través de técnicas de
muestreo, creando grupos de eventos
según su aparicion.
 5.4 Sucesos Dependientes, Independientes.
Si E1 y E2 son dos eventos, la probabilidad de que ocurra E 2, dado
que E1 ha ocurrido, se denota Pr{E2|E1} o Pr{E2 dado E1} y se
conoce como la probabilidad condicional de E2 dado que E1 ha
ocurrido.
Si la ocurrencia o no ocurrencia de E1 no afecta la probabilidad de
ocurrencia de E2, entonces Pr{E2|E1} = Pr{E2} y se dice que E1 y E2
son eventos independientes, de lo contrario se dice que son
eventos dependientes.
Si se denota con E1E2 el evento de que “tanto E1 como E2
ocurran”, evento al que suele llamarse evento compuesto,
entonces.
 5.4 Sucesos Dependientes, Independientes.
Pr{E1E2} =Pr{E1} Pr{E2lE1}
En particular, Pr{E1E2} = Pr{E1}Pr{E2} para eventos
independientes.
Para tres eventos E1, E2 y E3, tenemos:
Pr{E1E2E3}=Pr{E1}Pr{E2lE1} Pr{E3lE1E2}
Es decir, la probabilidad de que ocurra E1, E2 y E3 es igual a
(la probabilidad de E1) × (la probabilidad de E2 dado que E1
ha ocurrido) × (la probabilidad de E3 dado que E1 y E2 han
ocurrido). En particular, Pr{E1E2E3}=Pr{E1} Pr{E2} Pr{E3}
para eventos independientes. En general, si E1, E2, E3, . . . ,
En son n eventos independientes que tienen probabilidades
p1, p2, p3,..., pn, entonces la probabilidad de que ocurra E1 y
E2 y E3 y ... En es p1p2p3 ... pn.
 5.4 Sucesos Mutuamente Excluyentes y No Mutuamente
Excluyentes.
-Se dice que dos o más eventos son mutuamente
excluyentes si la ocurrencia de uno cualquiera de ellos
excluye la ocurrencia de los otros. Entonces, si E1 y E2
son eventos mutuamente excluyentes, Pr{E1E2} = 0.
-Si E1 + E2 denotan el evento “ocurre E1 o E2 o ambos”,
entonces Pr{E1 + E2} = Pr{E1} + Pr{E2} - Pr{E1E2}
Si Pr{E1 + E2} = Pr{E1} + Pr{E2} si los eventos son
mutuamente excluyentes. Se tiene que si E1, E2, ... , En
son n eventos mutuamente excluyentes que tienen
probabilidades p1, p2, ... , pn, entonces la probabilidad de
que ocurran E1 o E2 o ... En es p1 + p2 + ... +pn. La fórmula
también puede generalizarse a tres o más eventos
mutuamente excluyentes.
 Unidad V
5.4 Sucesos No Mutuamente Excluyentes.
Son aquellos donde pueden ocurrir eventos de manera
simultanea. A y B; AՈB=Interseccion A y B
Tenemos un conjunto representado por el espacio muestral.
Ω={1,2,3,4,5,6,7,8} Diagrama de Venn
Sean los eventos:
A= {1,2,3,4,5}
B= {3,4,5,6,7,8}

Elementos que se repiten son las intersecciones

 Unidad V
5.4 Sucesos No Mutuamente Excluyentes.
Calculamos la union AՍB:
5 elementos de A + 6 elementos de B – 3elementos de
interseccion.
AUB= 8 elementos
Generalizando:
AUB= A + B - A Ո B
Extendiendo a probabilidad:
P(AUB)=P(A)+P(B)-P(AՈB)
P(AՈB)=P(A)+P(B)-P(AUB)
 Unidad VI

6.1 Concepto de Permutaciones, Combinaciones y Factorial.

6.2 Permutaciones.
6.3 Combinaciones.
 6.1 Concepto de Permutaciones,
Factorial.
Combinaciones y Factorial.
La factorial de un numero natural n mayor que uno (1) es igual al
producto de los n principales números naturales; El símbolo
característico es “!”

n!=n! Ɐ(n Є R)
De la definición teoriza que la factorial de un numero es similar al
producto de dicho numero por la factorial del numero anterior.
n(n1)=n!
También se define que 0!=1 y 1!=1
6.2 Permutaciones. Unidad VI
Es el arreglo de todos los objetos del conjunto o parte de estos, a
la permutacion le importa el orden de los elementos involucrados.
nPr= n!

1. Selecciona todos los elementos dados para realizar el analisis.

2. Se toma importancia al orden de los elementos.
3. No se repiten los sucesos.
Si el arreglo pertenece a una parte de ellos, se representara
mediante la formula:
nPr= n!/(n-r)!

n= Corresponde a todos los elementos.

r = Numero de elementos deseados.
 Unidad VI

6.3 Combinaciones.
Son las formas posibles de seleccionar r objetos de un total n, sin
importar el orden. El numero de combinaciones de n objetos
distintos, tomando r a la vez.
nCr= n!/r!(n-r)!

n= Corresponde a los elementos.

r= Numero de elementos deseados, sin orden.
 Unidad VII

7.1 Concepto de Distribuciones de Probabilidad.

7.2 Clasificaciones de Distribuciones de Probabilidad.
7.3 Distribución Binominal.
 Unidad VII

7.1 Concepto de Distribuciones de Probabilidad.

Si una variable X toma un conjunto discreto de valores X 1, X2, …,
XK con probabilidades respectivas p1, p2, ..., pk, donde p1 + p2 + …
+ pk = 1, esto se define como una distribución de probabilidad
discreta de X. La función p(X ), que tiene los valores p1, p2, ..., pK
para X = X1, X2, …, XK, respectivamente, se llama función de
probabilidad o función de frecuencia de X. Como X puede tomar
ciertos valores con determinadas probabilidades, suele llamársele
variable aleatoria discreta. A las variables aleatorias también se
les conoce como variables estocásticas.
 Unidad VII
7.2 Clasificaciones de Distribuciones de Probabilidad.
-Distribución Uniforme.
-Distribución Gaussiana.
-Distribución ji-cuadrado.
-Distribución de Bernoulli.
-Distribución Binominal.
-Distribución de Poisson.
-Distribución exponencial.
 Unidad VII
7.3 Distribución Binominal.
Si p es la probabilidad de que en un solo ensayo ocurra un evento
(llamada la probabilidad de éxito) y q = 1 − p es la probabilidad de
que este evento no ocurra en un solo ensayo (llamada
probabilidad de fracaso), entonces la probabilidad de que el
evento ocurra exactamente X veces en N ensayos (es decir, que
ocurran X éxitos y N − X fracasos) está dada por:

donde X = 0, 1, 2, . . . , N; N! = N(N − 1)(N − 2) ··· 1; y 0! = 1

 Unidad VIII

8.1 Concepto de Población y Muestra.

8.2 Estadística y Parámetros.
8.3 Tipos de Muestreo.
8.4 Métodos de Muestreo Aleatorio.
 UNIDAD VIII
8.1 Concepto de Población y Muestra.
Las poblaciones pueden ser finitas o infinitas. Por ejemplo, la
población que consta de todos los pernos producidos determinado
día en una fábrica es finita, en tanto que la población que consta de
todos los resultados (cara o cruz) que se pueden obtener lanzando
una y otra vez una moneda es infinita.
En vez de examinar todo el grupo, al que se le conoce como
población o universo, se examina sólo una pequeña parte del grupo,
al que se le llama muestra.
 8.2 Estadística y Parámetros.
La mayor parte de las pruebas de hipótesis y significancia (o reglas de decisión),
requieren varias suposiciones acerca de la población de la que se toma la muestra. Por
ejemplo, si se requiere que las poblaciones tengan una distribución normal y
desviaciones estándar iguales.

En la práctica, hay situaciones en las que tales suposiciones no se justifican o en las

que se duda que se satisfagan, como es el caso de poblaciones muy sesgadas. Debido
a esto, se han desarrollado diversas pruebas y métodos que son independientes tanto
de la distribución de las poblaciones como de sus correspondientes parámetros. Estas
pruebas se conocen como pruebas no paramétricas.

Las pruebas no paramétricas se emplean como sustitutos sencillos de pruebas más

complicadas; son especialmente útiles cuando se tienen datos no numéricos, como en
el caso de consumidores que ordenan cereales u otros productos, de acuerdo con su
preferencia.
 8.2 Estadística y Parámetros.

Las pruebas no paramétricas se emplean como sustitutos sencillos de pruebas más
complicadas; son especialmente útiles cuando se tienen datos no numéricos, como
en el caso de consumidores que ordenan cereales u otros productos, de acuerdo
con su preferencia.
 UNIDAD VIII
8.3 Tipos de Muestreo.
La teoría del muestreo es el estudio de la relación que existe
entre una población y las muestras que se obtienen de esa
población. La teoría del muestreo se emplea en muchos
contextos.
Por ejemplo, en la estimación de cantidades poblacionales
desconocidas (como la media y la varianza poblacionales), a las
que se les conoce como parámetros poblacionales o simplemente
parámetros, a partir de las correspondientes cantidades
muestrales (como la media y la varianza muestrales), a menudo
conocidas como estadísticos muestrales o simplemente
estadísticos.
 UNIDAD VIII

8.3 Tipos de Muestreo.

La teoría del muestreo sirve para determinar si las diferencias que
se observan entre dos muestras se deben a variaciones casuales
o si son diferencias realmente significativas. Tales preguntas
surgen, por ejemplo, al probar un nuevo suero para el tratamiento
de una enfermedad o cuando se tiene que decidir si un proceso
de producción es mejor que otro. Para responder a estas
preguntas se usan las llamadas pruebas de significancia o de
hipótesis, fundamentales en la teoría de decisiones.
 8.4 Métodos de muestreo aleatorio.
8.4 Métodos de Muestreo Aleatorio.
Para que las conclusiones que se obtienen empleando la teoría
del muestreo y la inferencia estadística sean válidas, las muestras
deben elegirse de manera que sean representativas de la
población. Al estudio de los métodos de muestreo y de los
problemas relacionados con ellos se le conoce como diseño de
experimentos.
Una manera de obtener una muestra representativa es mediante
un proceso llamado muestreo aleatorio, mediante el cual cada
uno de los miembros de la población tiene la misma posibilidad de
ser incluido en la muestra.
8.4 Métodos de muestreo aleatorio.

• 8.4 Métodos de muestreo aleatorio.

• Una técnica para obtener una muestra aleatoria consiste en
asignarle, a cada miembro de la población, un número, escribir
estos números en pedazos pequeños de papel, colocarlos en
una urna y después extraer los números de la urna, teniendo
cuidado de mezclar muy bien antes de cada extracción. Una
alternativa a este método es usar una tabla de números
aleatorios, la cual se construye especialmente para este fin.
 UNIDAD IX

9.1 Concepto de Estimación.

9.2 Tipos de Estimación.
9.3 Estimaciones de Punto o Puntual por Intervalo.
9.4 Estimaciones por Intervalos.
 UNIDAD
9.1 Concepto de Estimación.
IX
El uso de la teoría del muestreo para obtener información acerca de
muestras extraídas en forma aleatoria de una población desconocida
tiene sus ventajas. Sin embargo, desde el punto de vista práctico,
suele ser más importante poder inferir información acerca de una
población a partir de muestras obtenidas de ella. De estos problemas
se ocupa la inferencia estadística en la que se usan los principios de
la teoría del muestreo.
Un problema importante de la inferencia estadística es la estimación
de parámetros poblacionales, o simplemente parámetros (como, por
ejemplo, la media y la varianza poblacionales), a partir de los
correspondientes estadísticos muestrales, o simplemente
estadísticos (por ejemplo, la media y la varianza muestrales).
 UNIDAD IX

9.2 Tipos de Estimación.

ESTIMACIONES INSESGADAS: Si la media de la distribución
muestral de un estadístico es igual al parámetro poblacional
correspondiente se dice que el estadístico es un estimador
insesgado del parámetro; si no es así, se dice que es un estimador
sesgado. A los valores de estos estadísticos se les llama
estimaciones insesgadas o sesgadas, respectivamente.
 UNIDAD IX
9.2 Tipos de Estimación.
ESTIMACIONES EFICIENTES: Si la distribución muestral de dos
estadísticos tiene la misma media (o esperanza), entonces al
estadístico que tiene la menor varianza se le llama estimador
eficiente del parámetro correspondiente, y al otro se le llama
estimador ineficiente. A los valores de estos estadísticos se les llama
estimaciones eficientes e ineficientes, respectivamente.
Si se consideran todos los estadísticos cuya distribución muestral
tiene una misma media, al estadístico que tiene la menor varianza
suele llamársele estimador más eficiente o mejor del parámetro
correspondiente.
 UNIDAD IX

9.2 Tipos de Estimación.

Puntual.
Por intervalos.
 UNIDAD IX
9.3 Estimaciones de Punto o Puntual por Intervalo.

A una estimación de un parámetro poblacional que se da mediante

un solo número se le llama estimación puntual del parámetro. A una
estimación de un parámetro poblacional que se da mediante dos
números, entre los cuales se considera que debe estar el parámetro
en cuestión, se le llama estimación por intervalo del parámetro en
cuestión. Las estimaciones por intervalo dan la precisión, o exactitud,
de la estimación, y por esto se prefieren a las estimaciones
puntuales.
 UNIDAD IX
9.4 Estimaciones por Intervalos.
La estimación de un parámetro poblacional dada por dos números
entre los cuales se considera que se encuentra dicho parámetro se
llama estimacion por intervalo.
Si se dice que una distancia viene dad por 5.28 m, se esta dando
una estima de punto. Si por otra parte se dice que la distancia es
5.28m +- 0.03m es decir, la distancia real se encuentra entre 5.25 y
5.31m se esta dando una estimacion por intervalo