Por que no es suficiente la estimación puntual y por qué se tiene que recurrir a la estimación por intervalo?

Modelos probabilístico continuos: DN UNIFORME CONTINUA: llamada también dn rectangular por la forma q tiene su grafico. DN NORMAL: en estadística moderna es considerada la distribución mas importante ya que la mayoría de los eventos naturakes, sociales, industriales etc, se distribuyen de esra manera. Sin un experimento binomial bien planificado se repite una gran cantidad de veces y se grafica el histograma de probabilidades este da como origen una curva en forma de campana llamada curva normal o campana de gauss, esta curva se caracteriza por ser simétrica por lo tanto las principales medidas de tendencia central coinciden en el mismo valor. Es ascendente desde –infinito hasta la coordenada (u), es asíntota al eje de X. A esta curva también se la conoce como ley normal de los errores ya que errores pequeños con respecto a Utienen una alta probabilidad de cocurrencia y errores grandes una baja probabilidad de ocurrencia. Por lo complejo de la función de densidad de la distribución normal en su lugar se utiliza dn normal estándar q evita el proceso de integración ya que tiene tablas previamente determinadas q viene a ser áreas bajo la curvas. USO DE TABLAS: las tablas normales estándares permiten resolver dos tipos de problemas: área bajo la curva dado un valor estándar y determinar a q valor estándar pertenece una determinada área bajo la curva. DN MEDIA de acuerdo al teorema de limite central si de una población se trae n muestra de forma aleatoria entonces los estadísticos determinan en la muestra se distribuyen de la misma manera que el parámetro q estima, es decir si la muestra es aleatoria los estadísticos q se determinan en ella también son variables aleatorias y por lo tanto tienen distribuciónes probabilísticas. Una variables se puede estandarizar cuando se distribuye normalmente. Dado q la media normal se distribuye normalmente significa q puede someterse a un proceso de distribución donde se genera la variable z o normal estándar. BINOMIAL A LA NORMAL: si la binomial se aproxima a la normal entonces implica que puede someterse a un proceso de estandarización dando como origen a una nueva variable z o normal estándar. Estimación Y MUESTREO: Introducción: por estimación se entiende al proceso a través del cual se aproxima la información de un parámetro a través de la información que proporciona los estadísticos, de aquí la importancia de determinar correctamente la muestra. TIPOS DE ESTIMACIÓN: puntual: esta estimación establece que el estadístico estima directamente al parámetro en la población con las siguientes consecuencias: (x media—u; s—r2; p media—p). De acuerdo al teorema del limite central si de una misma población se estraen muestras aleatorias y en estas muestra se determinan estadisiticos, los estadísticos son variables aleatorias q se distribuyen de la misma manera que el parámetro por lo tanto es muy poco probable que esto coincida en el mismo valor lo cual pone entre dicho lo establecido por este tipo de estimación además que no esta acompañada de un termino de confiabilidad, por esta razón esta estimación por si sola no se sugiere. De máxima verosimilitud: esta estimación busca todos los estimadores posibles que tiene el mismo parámetro y selecciona el mas posible. Intervalica (1-infinito)*100: esta estimación no establece cual es e valor del parámetro sino q establece por donde se mueve este con una confiabilidad determinanda. Es la mas recomendada entre los tipos de estimación. Independiente de q tipo de estimación se use se debe establecer criterios q permitan seleccionar un buen estimador. CRITERIOS: insesgamiento: llamado imparcialidad se refiere al echo q la esperanza matemática del estimador es igual al parámetro q estima. Entendíéndose esto como aquel estimador q mas se aproxima o menos se aleja del paramero q estima. Es bueno pero no es el único q se debe considerar. Insesgado de mínima varianza: es aquel estimador q además de ser insesgado presenta la menor varianza de todos los estimadores q estiman al mismo parámetro y se llama también estimador eficiente. Estimador suficiencia: es suficiente si para estimar al parámetro utiliza toda la información de la muestra (estimador es la regla q define la estidistica ,estimado es el resultado obtenido al aplicar la regla). Consistencia: llamado también robuste del estimador, este criterio establece q a medida q el tamaño de la muestra se aumenta el estimador se aproxima mas al parámetro q estima.