Tema 14.

Estimacin de
parmetros:

Estimacin puntual y por
intervalos. Caractersticas
deseables de un estimador.
Clculo de los intervalos de
confianza para los principales
parmetros.
Estimacin: puntual y por intervalos

Como ya hemos visto, a partir de los estadsticos que hemos
obtenido en la/s muestra/s queremos obtener una idea de
los valores de los parmetros en la poblacin.
Se trata de emplear los estadsticos para estimar los
parmetros.
Veremos DOS tipos de estimadores:
1) Estimacin puntual. Aqu obtendremos un punto, un valor,
como estimacin del parmetro.
2) Estimacin por intervalos. Aqu obtendremos un intervalo
dentro del cual estimamos (bajo cierta probabilidad) estar
el parmetro.
Estimacin puntual de parmetros
Un estimador puntual es simplemente un estadstico (media aritmtica,
varianza, etc.) que se emplea para estimar parmetros (media
poblacional, varianza poblacional, etc.).


Es decir, cuando obtenemos una media aritmtica a partir de una
muestra, tal valor puede ser empleado como un estimador para el valor
de la media poblacional.

(Algunos autores comparan los estimadores con los lanzamientos en una
diana; el crculo central sera el valor real del parmetro.)
Propiedades deseables en los
estimadores
Veremos CUATRO propiedades:

1. Ausencia de sesgo
2. Consistencia
3. Eficiencia
4. Suficiencia

Propiedades deseables en los
estimadores (1)
1. Ser insesgado. Diremos que es un estimador insesgado de si la
esperanza de es . Es decir,
u
u
u
u
( ) E u u =
La media muestral es un estimador insesgado de la
media poblacional.
Pero la varianza muestral NO es un estimador
insesgado de la varianza poblacional, pero s lo es en
cambio la cuasivarianza.
Propiedades deseables en los
estimadores (2)
2. Consistencia. Se dice que un estimador es consistente si se cumple que
( )
lim 0
n
P u u c

> =
Esta expresin indica que a medida que se incrementa el tamao muestral, la
diferencia entre el estimador y el parmetro ser menos que cualquier nmero
(c).
A diferencia de la ausencia de sesgo que se define para valores finitos de n, la
consistencia es una propiedad asinttica.
Tanto la media muestral como la cuasivarianza son estimadores consistentes.
Nota: la varianza muestral ES un estimador consistente de la varianza
poblacional, dado que a medida que el tamao muestral se incrementa, el sesgo
disminuye y disminuye.
Propiedades deseables en los
estimadores (3)
3. Eficiencia. Se emplea para COMPARAR estimadores.

Si tenemos dos estimadores y de un mismo parmetro u, diremos que
es ms eficiente que si tenemos que var( )<var( )
Se puede comprobar que la varianza muestral es ms eficiente que la
cuasivarianza muestral a la hora de estimar la varianza poblacional. (An
as, se prefiere la cuasivarianza muestral como estimador de la varianza
poblacional por ser un estimador insesgado.)
1
u 1
u
2
u
2
u
2
u
1
u
2
u
Propiedades deseables en los
estimadores (4)
4. Suficiencia. Diremos que es un estimador suficiente del parmetro
si dicho estimador basta por s solo para estimar

u
u
u
Intervalos de confianza para los
principales parmetros
El caso de la media (1)
En este caso, en lugar de indicar simplemente un nico valor como estimacin del
parmetro, lo que haremos es ofrecer un intervalo de valores que sea asumible con
cierta probabilidad por el parmetro que queremos estimar.

-Intervalo de confianza: Es el intervalo de las estimaciones (probables) sobre el
parmetro.
-Lmites de los intervalos de confianza: Son los dos valores extremos del intervalo
de confianza
Intervalos de confianza para los principales
parmetros: El caso de la media (2)
Ahora bien, cun grande habr de ser el intervalo de confianza?

Evidentemente, si decimos que el intervalo de confianza va de menos infinito a
ms infinito, seguro que acertamos...pero eso no es muy til. Por su parte, el
extremo es la estimacin puntual, en la que lo usual es que no demos con el valor
del parmetro...
La idea es crear unos intervalos de confianza de manera que sepamos en qu
porcentaje de casos el parmetro estar dentro del intervalo crtico.
Y cmo fijamos tal porcentaje de casos? Usualmente se asume un porcentaje
del 95%. Al calcular un intervalo de confianza sobre la media al 95% ello quiere
decir que el 95% de las veces que repitamos el proceso de muestreo (y
calculemos la media muestral), la media poblacional estar dentro de tal intervalo.
Intervalos de confianza para los principales
parmetros: El caso de la media (3)
Pero, cmo calculamos estos dos lmites?
Sabemos que la distribucin subyacente es normal, lo cual nos ayuda
enormemente.
En una distribucin normal tipificada, es muy fcil saber qu puntuacin tpica (z)
deja a la izquierda el 2.5% de los datos (yendo a las tablas es -1.96) y cul
deja a la izquierda el 97.5% de los datos (o a la derecha el 2.5% de los datos:
1.96).
Ahora habr que pasar esos datos a puntuaciones directas....
Intervalos de confianza para los principales
parmetros: El caso de la media (3)
Pero, cmo calculamos estos dos lmites?
Vamos a ver DOS casos.
Primero, veremos el caso de que sepamos la varianza poblacional.
Segundo, veremos el caso de que NO sepamos la varianza poblacional
Intervalos de confianza para los principales
parmetros: El caso de la media (4)
Nuestra distribucin es normal, pero con cierta media y cierta desviacin tpica, las
cuales sabemos por el tema anterior:
1) La media de la distribucin muestral de medias es la media poblacional
2) La varianza de la distribucin muestral de medias es o
2
/n
O lo que es lo mismo, la desviacin tpica de la dist.muestral de medias es
2
Conocemoso
n
o
Intervalos de confianza para los principales
parmetros: El caso de la media (5)
Estimador de es

X
Recordad que

O lo que es anlogo
Y para pasar directas-tpicas:
2
Conocemoso
i i
X z X
n
o
= +
/
i
i
X X
z
n o

=
z
0975
z
0025
En definitiva
Intervalos de confianza para los principales
parmetros: El caso de la media (6)
Aplicando la lgica
de pasar de
puntuaciones tpicas
a directas
En Punt.tpicas
En Punt.directas
2
Conocemoso
0.025 0.975
0.95 P X z X z
n n
o o

| |
+ < < + =
|
\ .
0.025
X z
n
o
+
0.975
X z
n
o
+
Intervalos de confianza para la media: CASO DE
DESCONOCER LA VARIANZA POBLACIONAL
Para la media (cuando conocemos la varianza poblacional), tenemos la
expresin
Pero si no conocemos la varianza poblacional, no podemos emplear

En su lugar hemos de emplear

Ahora la distribucin ya no es exactamente una distribucin normal...
Por el tema anterior sabemos que la distribucin muestral de
2
s
n
2
n
o
/
X
s n

no es una distribucin normal, sino una distribucin t de
Student con n-1 grados de libertad.
0.025 0.975
0.95 P X z X z
n n
o o

| |
+ < < + =
|
\ .
Recordad, en el caso de
varianza conocida tenamos:
/
i
i
X
z
n

=
Intervalos de confianza para la media: CASO DE
DESCONOCER LA VARIANZA POBLACIONAL
En definitiva, para la media (cuando conocemos la varianza poblacional),
tenemos la expresin
Pero si no conocemos la varianza poblacional (el caso realista), tenemos la
expresin:
En todo caso, recordad que si "n" es grande, la distribucin t de Student ser
virtualmente una distribucin normal N(0,1). En otras palabras, si "n" es grande, ambas
frmulas dan unos intervalos virtualmente idntico, y emplear la distribucin normal es
correcto.
0.025 0.975
0.95 P X z X z
n n
o o

| |
+ < < + =
|
\ .
0.025 1 0.975 1
0.95
n n
s s
P X t X t
n n

| |
+ < < + =
|
\ .
Intervalos de confianza para los principales
parmetros: El caso de la media (7)
Qu quiere decir la expresin siguiente?
Quiere decir que cada vez que extraigamos una muestra y hallemos la
media, el parmetro desconocido estar entre los lmites de dicho
intervalo el 95% de las veces. (O el 99% si hubiramos elegido un
intervalo al 99%, etc.)
0.025 0.975
0.95 P X z X z
n n
o o

| |
+ < < + =
|
\ .
Intervalos de confianza para los principales
parmetros: Tamao muestral y la amplitud del
intervalo de confianza
Es claro que a medida que el tamao muestral aumente, la amplitud del intervalo
disminuye. (Evidentemente, esto es general, no slo para la media.) Veamos, en
todo caso un ejemplo:
Caso A1. Media muestral=10, varianza pobl=4, tamao muestral=12


Caso A2. Media muestral=10, varianza pobl=4, tamao muestral=20

Para el caso de la media hemos visto que
0.025 0.975
0.95 P X z X z
n n
o o

| |
+ < < + =
|
\ .
( )
2 2
10 ( 1.96) 10 1.96 9.12 10.88 0.95
20 20
P P
| |
+ < < + = < < =
|
\ .
( )
2 2
10 ( 1.96) 10 1.96 8.87 11.13 0.95
12 12
P P
| |
+ < < + = < < =
|
\ .
Intervalos de confianza para los principales
parmetros: Amplitud del intervalo de confianza
y el valor del ndice de confianza
Pero evidentemente es posible emplear intervalos a, digamos, el 99%. En tal caso,
tendremos ms seguridad de que el parmetro de inters se halle en los lmites del
intervalo. El problema es que incrementar tal ndice aumenta as mismo la amplitud del
intervalo.
Caso A1. Media muestral=10, varianza pobl.=4, tamao muestral=12. Intervalo al 95%


Caso A2. Media muestral=10, varianza pobl=4, tamao muestral=12. Intervalo al 99%

El caso "usual" (por defecto) es emplear intervalos al 95%.
0.025 0.975
0.95 P X z X z
n n
o o

| |
+ < < + =
|
\ .
( )
2 2
10 ( 2.57) 10 2.57 8.52 11.48 0.99
12 12
P P
| |
+ < < + = < < =
|
\ .
( )
2 2
10 ( 1.96) 10 1.96 8.87 11.13 0.95
12 12
P P
| |
+ < < + = < < =
|
\ .
Intervalos de confianza para OTROS parmetros
Intervalos de confianza para las proporciones
Caso de muestras grandes
.025 .975
(1 ) (1 )
0.95
P P P P
P P z P z
n n
t
(
| | | |

+ s s + =
( | |
| |
(
\ . \ .

Caso de muestras pequeas
Intervalos de confianza para OTROS parmetros
Intervalos de confianza para la varianza
2 2
2
2 2
.975 1 .025 1
0.95
n n
n S n S
P o
_ _

(
| | | |

s s =
( | |
\ . \ .