UNIDAD 2.

ESTIMACIÓN DE
PARAETROS
ESTIMADOR Y ESTIMACIÓN
Los métodos de inferencia estadística consisten en seleccionar una muestra aleatoria de la
población, de manera que a partir de la información que se obtenga de la muestra:

1) Se determine el valor del 2) O se decide si 𝜃, es igual a algún valor

parámetro desconocido 𝜃. preconcebido 𝜃0 de 𝜃.

El primero de estos dos procedimientos se denomina estimación del

parámetro 𝜃. El segundo procedimiento se conoce como prueba de hipótesis
del parámetro 𝜃.
ESTIMADOR Y ESTIMACIÓN

Población Muestra
PARÁMETROS ESTADÍSTICOS

MEDIA (𝜇) ത
MEDIA (𝑋)

VARIANZA (𝜎) VARIANZA(𝑆 2 )

PROPIEDADES DE UN BUEN
ESTIMADOR
No toda función de la muestra es un buen estimador del parámetro, un buen estimador, es
aquel que está más cerca del parámetro que se estima.

Para que un estimador puntual

sea bueno debe tener ciertas
propiedades.

Una de estas propiedades es que sea

insesgado, propiedad conocida también
como nosesgado, imparcial, o sin vicio.
 ESTIMADOR INSESGADO
Se dice que la estadística 𝜃መ = H(𝑥1 , 𝑥2 , 𝑥3 ,…, 𝑥𝑛 ) es un estimador insesgado del parámetro 𝜃 si
መ 𝜃 , en caso contrario, se dice que es estimador sesgado.
E(𝜃)=

Si el estadístico 𝜃መ = H(𝑥1 , 𝑥2 ,
𝑥3 ,…, 𝑥𝑛 ), es un estimador
insesgado del parámetro 𝜃,
entonces, su valor 𝜃 =
H(𝑥1 , 𝑥2 , 𝑥3 ,…, 𝑥𝑛 ) es la
estimación insesgada del
parámetro 𝜃
ESTIMACIÓN
PUNTUAL
 ESTIMADOR PUNTUAL
Definicion:
Sea 𝑥1 , 𝑥2 , 𝑥3 ,…, 𝑥𝑛 una muestra aleatoria de tamaño n seleccionada de una población cuya
distribución es 𝑓 𝑥, 𝜃 , siendo 𝜃 el parámetro. Se denomina estimador puntual del parámetro 𝜃 a
cualquier estadístico 𝜃መ = H(𝑥1 , 𝑥2 , 𝑥3 ,…, 𝑥𝑛 ), cuyo valor 𝜃መ = H(𝑥1 , 𝑥2 , 𝑥3 ,…, 𝑥𝑛 ), proporcionara una
estimación de parámetro en cuestión.

Un estimador puntual del parámetro 𝜃 es

pues, una variable aleatoria (función de la
መ mientras que una estimación
muestra) 𝜃,
puntual es el valor numérico 𝜃መ del
estimador.
 ESTIMADOR PUNTUAL
La estimación puntual se realiza con base en el valor de un estimador obtenido a partir de una
muestra. El estimador es un estadístico, o sea una función de las observaciones que se espera
refleje las características del parámetro desconocido.

Por ejemplo, la media aritmética muestral 𝑋ത es un estimador de 𝜇, la media poblacional.

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.
ESTIMACION PUNTUAL
EJEMPLO
Un Estimador puntual de la media poblacional
Distribución 𝑓 𝑥, 𝜃 𝜃, es el estadístico media muestral (variable
𝜃 el parámetro ෠ = 𝑥ҧ . cuyo valor numérico 𝜃෠
aleatoria) 𝜃 = 𝑥ҧ
es la estimación puntual del parámetro 𝜃 .
Muestra
መ Estimador
𝜃:
Puntual
 EJERCICIO
Los resultados los test de inteligencia en una muestra de 30 valores aplicado en un día fueron:

Resultados Test de inteligencia

10 16 5 10 8 12 4 6 5 4
8 7 5 6 12 18 5 6 15 9
5 9 8 2 4 2 3 6 4 2

➢Hallar estimaciones puntuales para los siguientes parámetros poblacionales:

➢La media, la varianza , la desviación estándar, y la proporción para los que los resultados del
test fue mayor que 7.2.
ESTIMACIÓN POR
INTERVALO
 ESTIMACION POR
INTERVALOS DE CONFIANZA
Intervalo de confianza

Una estimación de punto no nos dice cuán próximo está la estimación al parámetro que se estima, por
lo tanto, no es muy significativa, sino se tiene alguna medida del error que se comete en la
estimación.

Es deseable pues tener cierto grado

de confianza de que la estimación de
punto se halle dentro de cierta
variación.
 ESTIMACION POR
INTERVALOS DE CONFIANZA
La estimación por intervalo es la estimación de un parámetro 𝜃 dentro de
un intervalo de extremos cerrados [a, b], donde los números a y b se
obtienen a partir de la distribución de la estadística que estima
puntualmente el parámetro; y a partir de los valores de la muestra.

Sea 𝑋1 , 𝑋2 ,
𝑋3 ,…, 𝑋𝑛 una muestra aleatoria de tamaño n seleccionada de una población
𝑓 𝑥, 𝜃 , cuyos valores experimentales (o datos) respectivos son 𝑥1 , 𝑥2 , 𝑥3 ,…, 𝑥𝑛 .
Sea además, la variable aleatoria 𝜃መ = H(𝑥1 , 𝑥2 , 𝑥3 ,…, 𝑥𝑛 ), un estadístico para estimar el
parámetro 𝜃cuya distribución de probabilidad sea conocida. …
 ESTIMACION POR
INTERVALOS DE CONFIANZA

Si dado el número 1 — 𝛼 , y si a partir de la distribución de 𝜃 se pueden encontrar las variables

aleatorias 𝐴 = 𝐻1 (𝑥1 , 𝑥2 , 𝑥3 ,…, 𝑥𝑛 ) , y B = 𝐻2 (𝑥1 , 𝑥2 , 𝑥3 ,…, 𝑥𝑛 ) tales que:

𝑃 𝐴≤𝜃 ≤𝐵 =1−𝛼

Entonces, se dice que el intervalo aleatorio [A , B] es el intervalo estimador del parámetro 𝜃 con
el grado o nivel de confianza de (1 - 𝛼 ) x 100% , o que 𝜃 ∈[A, B] con probabilidad 1 — 𝛼 .
 INTERPRETACIÓN DEL
INTERVALO DE CONFIANZA
Si a partir de los datos de una muestra aleatoria de tamaño n, se ha logrado construir el
intervalo 𝑎 ≤ 𝜃 ≤ 𝑏 con grado de confianza, del 95% para el parámetro 𝜃.

Entonces, si se seleccionan repetidamente 100 muestras de tamaño n, se tendrán 100 intervalos

semejantes al intervalo [a , b] , y se confía que 95 de estos 100 intervalos contengan el
parámetro 𝜃.
 EJERCICIO
Se registraron los tiempos utilizados en la realización de una prueba diagnostica para 28
pacientes en una clínica mental, los datos obtenidos se ilustran seguidamente.

Tiempos
48.3 25.1 36.8 54.0 58.9 25.2 32.2
38.4 42.9 15.4 73.1 17.8 21.7 1.1
36.4 30.9 25.8 32.9 44.8 32.9 14.5
8.4 40.6 6.6 22.2 6.5 58.7 34.3

Estimar el tiempo promedio real 𝜇 utilizado por los pacientes en la prueba diagnostica, con un
nivel de confianza de 1 − 𝛼 = 0.90.
 EJERCICIO 2
En una investigación neurotecnologíca se determinaron que los tiempos de respuestas de los
individuos frente a estímulos de sabor en productos de la industria de alimentos

Tiempos (segundos)
18.3 15.1 36.8 14.0 18.9 25.2 12.2
18.4 32.9 15.4 13.1 15.8 21.7 11.1
16.4 20.9 25.8 12.9 14.8 22.9 15.5
8.4 30.4 6.6 12.2 16.5 18.7 14.3

Estimar el tiempo promedio real 𝜇 utilizado por los individuos, con un nivel de confianza de 1 −
𝛼 = 0.80.
1. INTERVALO DE CONFIANZA PARA LA MEDIA
(VARIANZA CONOCIDA)
 INTERVALO DE CONFIANZA PARA LA
MEDIA (VARIANZA CONOCIDA)
Sea 𝑋1 , 𝑋2 , 𝑋3 ,…, 𝑋𝑛 una muestra aleatoria de tamaño n (grande) seleccionada de una
2
población normal con media 𝜇 y varianza 𝜎 supuestamente conocida.

Se puede utilizar, la Si la población es normal

El mejor estimador distribución muestral de la N(𝜇,𝜎 2 ), entonces, la
puntual del parámetro 𝜇 media 𝑋ത para determinar el distribución del
es la media muestral 𝑋ത intervalo de confianza del estadístico 𝑋ത es normal
parámetro 𝜇 . N(𝜇,𝜎 2 /𝑛)
INTERVALO DE CONFIANZA PARA LA
MEDIA (VARIANZA CONOCIDA)
Si la población no es normal, pero tiene media 𝜇 y varianza 𝜎 2 finitas,
con n grande (n≥ 30), por el teorema del límite central, la distribución
de 𝑋ത es aproximadamente normal N(𝜇,𝜎 2 /𝑛).

Por tanto, la distribución de la variable aleatoria calculada con la

formula ilustrada. es exatamente (o aproximadamente) normal N(0, 1).

Luego, dado el valor 1 - α (o en %), en la distribución de Z, se pueden

determinar los valores P𝑧1−∝/2 , tales que,
P −𝑧1−∝ < 𝑍 < 𝑧1−∝ = 1 −∝.
2 2
 INTERVALO DE CONFIANZA PARA LA
MEDIA (VARIANZA CONOCIDA)
Continuando el análisis:
 INTERVALO DE CONFIANZA PARA LA MEDIA
(VARIANZA CONOCIDA) INTERPRETACIÓN
Si 𝑥ҧ es el valor de la media 𝑋ത para una muestra aleatoria de tamaño n escogida de una
población con variaría 𝜎 2 supuesta conocida, el intervalo de confianza del (1 − 𝑎)𝑥100 % para
𝜇 es:

𝜎 𝜎
𝑥ҧ − 𝑧1−∝ ≤ 𝜇 ≤ 𝑥ҧ + 𝑧1−∝
2 𝑛 2 𝑛
El valor 𝑧1−∝/2 se busca en la tabla normal N(0,1), tal que 𝑃 𝑍 − 𝑧1−∝ = 1 −∝/2
2
INTERVALO DE CONFIANZA PARA LA MEDIA
(VARIANZA CONOCIDA) INTERPRETACIÓN
INTERVALO DE CONFIANZA PARA LA MEDIA
(VARIANZA CONOCIDA) INTERPRETACIÓN
NIVEL DE CONFIANZA Zα/2
99% 2,58
98% 2,33
97% 2,17
96% 2,05
95% 1,96
90% 1,65
80% 1,28
50% 0,67
 INTERVALO DE CONFIANZA PARA LA
MEDIA (VARIANZA CONOCIDA)
Interpretación
Si se seleccionan 100 muestras de tamaño n, y calculamos las medias de cada una, tendremos
100 intervalos semejantes al intervalo [a , b], y se confía que 95 de estos 100 intervalos
contengan el parámetro 𝜇 y 5 de los 100 no lo contengan.

Los intervalos
correspondientes a las medias 𝑥2 , 𝑥4 ,
no contienen al parámetro 𝜇 , mientras
que el resto de los intervalos si
contienen al parámetro.
 ERROR ESTÁNDAR
Se nomina error estándar de un estimador a la desviación estándar del estimador. A su valor
numérico se denomina error estándar estimado.

Por ejemplo, El error estándar (E.S.) de la media de una

población infinita (o población finita con sustitución) es la
formula de la imagen.

Si la población es finita de tamaño N y el muestreo es sin

reposición el error estándar (E.S.) de la media muestral es la
formula de la imagen.
 EJERCICIO
Una muestra aleatoria de 100 hogares de una ciudad indica que el
promedio de los ingresos mensuales es de $500. Encuentre un
intervalo de confianza del 95% para la media poblacional de los
ingresos de todos los hogares de esa ciudad. Suponga 𝜎 = 100
 INTERVALO DE CONFIANZA PARA LA
MEDIA (VARIANZA CONOCIDA)
Sea X el ingreso familiar mensual de esa ciudad, cuyo promedio μ se quiere estimar a partir de una muestra
aleatoria de tamaño n=100.

La estimación La estimación puntual de μ es 𝑥ҧ = 500. Para el nivel de confianza 1 − 𝛼= 0.95 , en la tabla normal
estándar se encuentra 𝑍1−∝/2 = 𝑍1−0,025=1,96

𝜎 100
El error estándar de la media 𝑋ത es: 𝜎𝑥ҧ = = = 10
𝑛 100
Los limites de tolerancia de μ son:
𝑥ҧ ± 𝑍1−∝/2𝜎𝑥ҧ = 500 ± 1.96 10 = 500 ± 19.6

El intervalo de confianza del 95% para μ es [480.4,519.6]

Esto es se tiene una confianza del 95% que el promedio del ingreso familiar μ de esa ciudad, esta en el intervalo
[$480.4,$519.6]