Estimación ESTADÍSTICA

INTRODUCCIÓN A LA ESTIMACIÓN
Comenzamos a explorar las posibilidades de hacer inferencia sobre una población, basándonos en
la información contenida en una muestra aleatoria. Centramos nuestra atención en una
característica específica, o parámetro, de la población. Algún parámetro podría ser la media o la
varianza poblacional, o la proporción de la población que posee determinado atributo. Por ejemplo,
podemos hacer inferencia sobre:
- El ingreso medio de las familias de un barrio
- La variación en el nivel de impurezas en diferentes lotes de un producto químico
- La proporción de empleados a favor de una iniciativa salarial
Cualquier inferencia que se haga sobre la población tendrá que basarse necesariamente en estadísticos
muestrales es decir, en funciones de la información muestral. La elección apropiada de estos estadísticos
dependerá de cuál es el parámetro de interés de la población. El verdadero parámetro será desconocido, y
el objetivo será estimar su valor.

Un estimador de un parámetro poblacional es una variable aleatoria que depende de la información de la

muestra y cuyas realizaciones proporcionan aproximaciones al valor desconocido del parámetro. Se llama
estimación a una realización específica de esta variable aleatoria.
ESTIMADOR PUNTUAL.
Un estimador puntual de un parámetro poblacional ese una función de la muestra que da como resultado un
único valor. La correspondiente realización se llama estimación puntual del parámetro.
La tabla muestra el parámetro poblacional, el estimador muestral y su estimación.

Parámetro Poblacional Estimador Estimación

Media (  ) 𝑋̅ 𝑥̅
Varianza ( 𝜎 2 ) 𝑆2 𝑆2
Desviación típica ( 𝜎 ) 𝑆 𝑆
Proporción ( 𝑝 ) 𝑝̂ 𝑝̂

Ejm. Las ganancias por acción de una muestra de diez valores de la Bolsa de Nueva York en un día particular
fueron: 10 16 5 10 12 8 4 6 5 4

Hallar estimaciones puntuales para los siguientes parámetros: media, varianza, desviación típica, y la
proporción para los que la ganancia por acción fue mayor que 8.5

Ing. Bencomo 1
Estimación ESTADÍSTICA
ESTIMACIÓN POR INTERVALOS

En la mayoría de las aplicaciones prácticas, un estimador puntual por sí solo es inadecuado. Es mejor
proporcionar un rango de valores entre los cuales se encuentra la cantidad que se estima, en otras palabras
se trata de buscar un estimador por intervalos.
Un estimador por intervalos es una regla (basada en información muestral) para determinar un rango de
valores, o un intervalo, en el cual posiblemente se encuentra dicho parámetro. La estimación correspondiente
se denomina estimación por intervalos.
Intervalos de confianza para la MEDIA de una población Normal:
DESVIACIÓN POBLACIONAL CONOCIDA
Supongamos que tenemos una muestra aleatoria de 𝑛 observaciones procedentes de una distribución
normal con media 𝜇 y desviación 𝜎 . Si 𝜎 es conocida y el valor observado de la media muestral es
𝑥̅ , entonces un intervalo de confianza del 100(1 − 𝛼)% para la media poblacional viene dado por:

𝜎 𝜎
𝑥̅ − 𝑧𝛼⁄2 ∙ < 𝜇 < 𝑥̅ + 𝑧𝛼⁄2 ∙
√𝑛 √𝑛
(1 − 𝛼)
𝛼⁄ 𝛼⁄
2 2
𝒛 𝑥̅ − 𝑧𝛼⁄2 ∙ 𝜎𝑥̅ < 𝜇 < 𝑥̅ + 𝑧𝛼⁄2 ∙ 𝜎𝑥̅
−𝑧𝛼⁄2 𝑧𝛼⁄2

Donde 𝑧𝛼⁄2es el número que verifica:

𝛼
𝑃 (𝑍 > 𝑧𝛼⁄ ) =
2 2

y la variable aleatoria Z tiene una distribución normal estándar.

Ejm. Un proceso produce bolsas de azúcar refinada. El peso del contenido de estas bolsas tiene una
distribución normal con desviación típica de 15 gr. Los contenidos de una muestra aleatoria de 25 bolsas
tienen un peso medio de 100 gr. Calcular un intervalo de confianza del 95% para el verdadero peso medio
de todas las bolsas de azúcar producidas por el proceso. ( Resp.: 94.12 < 𝜇 < 105.88 )

Ing. Bencomo 2
Estimación ESTADÍSTICA
Intervalos de confianza para la MEDIA poblacional:
Tamaños muestrales grandes (Sigma desconocida)
En muchos casos quizá sea poco razonable que se conozca la desviación poblacional, se puede tratar de un
nuevo proceso, de un estudio que nunca se ha realizado, por lo tanto, se tendrá que utilizar la desviación de
la misma muestra. Para esto debe considerarse el factor del tamaño muestral.
Supongamos que tenemos una muestra aleatoria de 𝑛 observaciones procedentes de una distribución
normal con media 𝜇 . Sean 𝑥̅ y 𝑆𝑥 la media muestral y la desviación estándar muestral observadas,
respectivamente. Entonces si 𝑛 es grande (más de 30 observaciones), una buena aproximación de un
intervalo de confianza del 100(1 − 𝛼)% para la media poblacional viene dado por:

𝑆𝑥 𝑆𝑥
(1 − 𝛼) 𝑥̅ − 𝑧𝛼⁄2 ∙ < 𝜇 < 𝑥̅ + 𝑧𝛼⁄2 ∙
𝛼⁄
√𝑛 √𝑛
𝛼⁄
2 2
𝒛
−𝑧𝛼⁄2 𝑧𝛼⁄2

En al mayoría de los casos esta aproximación seguirá siendo adecuada incluso cuando la distribución de la
población no es normal.
Ejm. Se extrajo una muestra de 172 estudiantes de administración y seles pidió que evaluaran unas
determinadas condiciones de trabajo en una escala del 1 (no importante) a 5 (extremadamente importante).
“La seguridad en el trabajo” recibió una calificación media de 4.38 con una desviación típica de 0.70. Calcular
un intervalo de confianza del 99% para la media poblacional. ( Resp.: 4.24 < 𝜇 < 4.52 )

Ing. Bencomo 3
Estimación ESTADÍSTICA
Intervalos de confianza para la MEDIA poblacional:
Tamaños muestrales pequeños (Sigma desconocida)
Se ha llegado a determinar que el cálculo de un intervalo de medias cuando se desconoce la desviación
estándar poblacional se puede realizar usando la desviación muestral apoyándonos de la distribución normal,
siempre y cuando el tamaño de la muestra sea grande. ¿Pero qué hacer cuando la muestra es pequeña (
𝑛 ≤ 30 ? Para poder realizar este intervalo se precisa de una nueva clase de distribución de probabilidad.
Sucede que cuando la muestra es pequeña el estadístico media se aproxima a una distribución que no es
normal, pero sí es conocida, pertenece a un miembro de la familia de distribuciones denominada la
distribución 𝒕 de Student .
La distribución 𝒕 de Student
Dada una muestra de 𝑛 observaciones con media 𝑥̅ y desviación típica 𝑆𝑥 , procedentes de una población
normal con media 𝜇 , la variable aleatoria:

𝑥̅ − μ
𝑡=
𝑆𝑥
⁄
√𝑛

Sigue una distribución 𝒕 de student con (𝑛 − 1) grados de libertad.

La forma de la distribución 𝑡 de student es muy similar a la distribución normal estándar. Ambas tienen media
cero y la distribución es simétrica alrededor de la media. Sin embargo, la función de densidad de la 𝑡 de
studen tiene una dispersión mayor (mayor desviación) que la normal estándar. A medida que el número de
grados de libertad aumenta, la 𝑡 de student toma cada vez más la forma normal estándar. Cuando los grados
de libertad son elevados, las distribuciones son virtualmente idénticas, lo que justifica el hecho de utilizar la
normal para la estimación de medias.
Entonces podemos decir:
Supongamos que tenemos una muestra aleatoria de 𝑛 observaciones procedentes de una distribución
normal con media 𝜇 . Sean 𝑥̅ y 𝑆𝑥 la media muestral y la desviación estándar muestral observadas,
respectivamente. Entonces si 𝑛 es pequeña (𝑛 ≤ 30) , un intervalo de confianza del 100(1 − 𝛼)% para
la media poblacional viene dado por:

𝑆𝑥 𝑆𝑥
𝑥̅ − 𝑡𝛼⁄2 ∙ < 𝜇 < 𝑥̅ + 𝑡𝛼⁄2 ∙
(1 − 𝛼) √𝑛 √𝑛
𝛼⁄ 𝛼⁄
2 2
𝒕 Con 𝑣 = 𝑛 − 1 grados de libertad

−𝑡𝛼⁄2 𝑡𝛼⁄2
𝛼
Donde 𝑡𝛼⁄2 es el número que verifica: 𝑃 (𝑡 > 𝑡𝛼⁄ ) = 2
2
Ing. Bencomo 4
Estimación ESTADÍSTICA
Ejm. Una muestra aleatoria de seis coches americanos de un determinado modelo consumen las siguientes cantidades
en kilómetros por litro:
18.6 18.4 19.2 20.8 19.4 20.5
Calcular un intervalo de confianza del 90% para el consumo de gasolina medio poblacional de los automóviles de este
modelo. ( Resp.: 18.67 < 𝜇 < 20.29 )

Ing. Bencomo 5