1 de 10

8. ESTIMACIN DE PARMETROS
Cuando estimamos parmetros, hacemos inferencias respecto de las caractersticas de la
poblacin a partir de la informacin contenida en las muestras.
Se pueden realizar dos tipos de estimaciones:

Realizamos una estimacin puntual si, a partir de las observaciones de la muestra, se

calcula un solo valor como estimacin de un parmetro de poblacin desconocido.
Podemos advertir que una estimacin puntual tiene como inconveniente que no nos da
ningn margen de error y, por lo tanto, no podemos decir nada sobre la confiabilidad de
la estimacin. La estimacin puntual es mucho ms til si se le agrega la informacin
adicional de la estimacin del error que puede haber. Esta informacin adicional nos la
da el clculo de un intervalo de confianza:
La estimacin por intervalo de confianza nos permite encontrar un intervalo que
comprenda a un parmetro de una poblacin, midiendo el error de dos formas: por la
amplitud del intervalo y por la probabilidad de que el intervalo cubra al verdadero
parmetro de la poblacin.

Estimacin puntual
Si, a partir de las observaciones de una muestra, se calcula un solo valor como
estimacin de un parmetro de poblacin desconocido, el procedimiento se llama
estimacin puntual, ya que se utiliza como estimacin un solo punto del conjunto de
todos los posibles valores.
Para poder utilizar la informacin que se tenga de la mejor manera posible, se necesita
identificar los estadsticos que sean buenos estimadores. Hay cuatro propiedades que
debe cumplir un buen estimador

Estimador insesgado
estimador de es una variable aleatoria y, por lo tanto, tiene una distribucin de

probabilidad con su media y variancia. Entonces, se puede definir un estimador
insesgado diciendo:
Si se utiliza un estadstico muestral para estimar el parmetro de poblacin , se dice

que es un estimador insesgado de si

E
O sea que, es de esperar que, si se toman muchas muestras de igual tamao, a partir de la
misma poblacin, y si de cada una se obtiene un valor de , la media de todos los valores

de ha de estar muy cerca de .

Estimador eficiente
Si se utilizan dos estadsticos como estimadores del mismo parmetro, entonces aqul
cuya distribucin muestral tenga menos error tpico es un estimador ms eficiente que el
otro. El mas eficiente es el que tenga menor error tpico.
2 de 10

Conclusin: Es natural que un estimador con un error estndar menor (con menos
variacin) tenga mayores probabilidades de producir una estimacin ms cercana al
parmetro que estamos queriendo estimar

Estimador consistente
Si es un estimador muestral calculado a partir de una muestra de tamao n y si es

el parmetro de poblacin que se va a estimar, entonces es un estimador

consistente de si para todo nmero positivo y arbitrariamente pequeo e se tiene:

cuando
n

P e 1
Es decir, la probabilidad de que est a menos de cierta distancia e del parmetro

tiende a 1 al tender n a infinito.
Por ejemplo, se sabe que la media muestral y la variancia son estimadores con-
sistentes. Pero, un estadstico muestral puede ser un estimador sin consistencia. Por
ejemplo, si el valor de la primera observacin, o la media entre la primera y ltima
observacin, de una muestra se utilizara para estimar la media de la poblacin, tal
estimador no sera consistente porque no tiende a acercarse ms y ms al valor de la
poblacin cuando se aumenta el tamao de la muestra. Algunos autores llaman a esta
propiedad congruencia del estimador.

Estimador suficiente
Un estimador suficiente del parmetro es el que agota toda la informacin pertinente

sobre 6 que se pueda disponer en la muestra.
La media muestral, la proporcin muestral y la forma corregida de la variancia muestral
son estadsticos que satisfacen los criterios o propiedades de "buenos" estimadores.
En el siguiente cuadro presentamos un resumen de parmetros y estimadores
puntuales:

Poblacin: P Muestra: M
Parmetros Estadsticos (estimadores
x
2 S2 o S'2
S o S
P

Estimacin por intervalos de confianza

El procedimiento de determinar un intervalo [l i;ls] que comprenda a un parmetro de
poblacin con cierta probabilidad 1 - se llama estimacin por intervalo de

confianza. Esta probabilidad indica, pues, la confianza que tenemos de que la es-
timacin por intervalo comprenda al parmetro de la poblacin; una probabilidad mayor
significa ms confianza en la estimacin. Los niveles de confianza ms utilizados son:
0.90, 0.95 y 0.99, es decir, 90, 95 y 99%. A (1 - ) se lo denomina el coeficiente o nivel
de confianza de la estimacin.
Por lo que ya vimos en la distribucin en el muestreo de la media, hay una probabilidad
de aproximadamente el 95.50% de que la media de una muestra se encuentre dentro
de dos errores estndares positivos y negativos de la media de la poblacin.
3 de 10

Analizaremos intervalos de confianza para la media poblacional, la proporcin

poblacional y la variancia poblacional.

Intervalo de confianza para la media poblacional n Distinguiremos diferentes casos

segn
La distribucin de la poblacin (si es normal o no).
La desviacin tpica de la poblacin (si es conocida o no).
El tamao de la muestra (si es pequea o grande).

1) Si la poblacin es normal y...

a) ... es conocido

El intervalo de confianza para es donde

x z / n ; x z1 / n z1 z1 / 2
1

Colocaremos la variable, por ejemplo z, y como subndice el rea que sta deja por
debajo, por ejemplo z es el valor de la variable tipificada normal que deja por debajo
un rea , es decir, que la P (z z) = .
Grficamente:

Representando grficamente la P {-z 1< z < z1} = 1 - , tenemos:

Luego, el intervalo para la media poblacional de una poblacin normal con variancia
conocida es:
4 de 10

x z1
2 n
Correccin: En el caso en que las muestras se tomen sin reposicin de una poblacin
finita de tamao N, debe emplearse el factor de correccin finita y el intervalo ser:
N n N n
x z . ; x z .
1
2 n N 1 1
2 n N 1
Tamao ptimo de la Muestra:
Donde ,
z z1 / 2
z. e
n
Determina el error del muestreo, nos indica la precisin de la estimacin.
Pero z depende del valor de y, al hacer mayor el coeficiente de confianza 1 - , el valor de
z ser mayor y, por lo tanto, el error e aumentar. Esto se puede regular aumentando el
tamao de la muestra, con lo que el error disminuir.
Si

z e n z
n e

z 2 . 2
n
e2

b) ... es desconocido
Si o es desconocido, no podemos utilizar
x
z
/ n
y lo reemplazamos por
x
z
/ n
Pero esta variable del denominador es diferente para cada media de la muestra.

La distribucin t de Student es adecuada para las inferencias relacionadas con la

media cuando no se conoce y la poblacin est normalmente distribuida,
cualquiera fuese el tamao de la muestra.

Sin embargo, a medida que aumenta el tamao de la muestra, la distribucin t se

acerca en su forma a la normal. (Una ~ t puede ser aproximada por una normal cuando
n 30.)
Luego, segn sea el valor de n, tendremos dos casos diferentes:

b1) Si a es desconocido y n > 30

Se utiliza la distribucin normal como aproximacin de t .

Entonces, en este caso el intervalo de confianza para ser:
S S
P x z x z 1
1
2 n 1
2 n
5 de 10

b2) Si o es desconocido y n pequeo (generalmente < 30)

Para estimar debemos utilizar el desvo estndar muestral corregido

2

S
(x x )
i

n 1
Por lo tanto, el intervalo de confianza para ser:
S S
P x t x t 1
1
2 n 1
2 n
o bien:

S S
P x tn 1 x t n 1 1
n 1 n 1

2) Si la poblacin no es normal y...

a) ... conocido, el intervalo de confianza para m ser:
si n >30

P x z x z 1
1
2 n 1
2 n
si n < 30

P x t x t 1
1
2 n 1
2 n

b) ... desconocido y n > 30, el intervalo de confianza para ser:

, donde . Se utiliza el teorema central del
S S z1 z1 / 2
P x z1 x z1 1
n n
lmite y Z como una aproximacin de t.

c) Cuando la muestra es pequea y se supone que la poblacin no est normalmente

distribuida y es desconocido, no se puede utilizar ni la distribucin normal ni la t de
Student para construir un intervalo de confianza para , debiendo recurrirse en este
caso a la desigualdad de Chebyshev para obtener una aproximacin del intervalo de
confianza.

Intervalo de confianza para la proporcin poblacional

El procedimiento para estimar una proporcin poblacional es similar al de estimar una
media poblacional, o sea:
a)Debemos encontrar la proporcin de la muestra p, que es un estimador puntual de
y posee las propiedades de un buen estimador.
b)Debemos calcular el error estndar de la proporcin, o sea, p.

(Sin reposicin)
(1 ) N n
p .
n N1
(Con reposicin)
(1 )
p
n
6 de 10

Pero si p es desconocido y el muestreo es con reposicin y, a su vez, depende de ,

que es el parmetro que deseamos estimar, dicha expresin no nos sirve y debemos
estimar p a travs de los valores mustrales.
(Estimacin insesgada cuando n es grande; n 30)
p (1 p)
Sp
n
Cuando se hace muestreo sin reposicin, el desvo estndar debe ser calculado con el
factor de correccin finito:
p (1 p) N n
Sp
n N 1
Debera tenerse en cuenta que, cuando S p, una estimacin puntual de p, es usada
para obtener una estimacin del intervalo de una proporcin poblacional , el tamao
de la muestra deber ser suficientemente grande a fin de usar la distribucin normal.
De otro modo, deber usarse la distribucin binomial.

Si n. y n(1- ) > 5 se usa la distribucin normal

Intervalo de Confianza para :

y
E ( p ) (1 )
p
n
Los lmites de confianza para el caso de ser n suficientemente grande son:

p (1 p ) p (1 p )
p z1 / 2 . ; p z1 / 2 .
n n

Si el muestreo es sin reposicin sobre una poblacin finita de N elementos, entonces

los lmites de confianza para p resultan ser:

p (1 p) N n p (1 p ) N n
p z1 / 2 . . ; p z1 / 2 . .
n N1 n N1

Determinacin del Tamao ptimo de Muestra

e = z. p determina el error de muestreo, o sea, la diferencia entre una proporcin
muestral p y la proporcin poblacional.Reemplazando, si
(1 ) (1 ) z 2 (1 )
p e z. n 1 / 2 2
n n e
Cuando no tenemos a usamos informacin del pasado y si no, suponemos /2
Intervalo de confianza para la variancia poblacional

Habamos visto que:

~
nS 2 n2 1
2
Como es una distribucin asimtrica, entonces, para determinar su intervalo de
2
confianza para 2, fijado 1-, debemos establecer la probabilidad siguiente:
y despus de operar y utilizar la tabla de obtenemos:
2
P a n 1 b 1
2

7 de 10

2 2
1 2 1 n.S 2 n.S
P 2 2 2 P 2 2 1
1 ;n 1 n.S
;n 1
2 2 1 2 ;n 1 2
;n 1

Observacin: el intervalo de confianza del desvo poblacional es:

n.S 2 n.S 2
P 2 2 1
1 ;n 1
;n 1
2 2

9. PRUEBA DE HIPTESIS
Conceptos bsicos de las pruebas de hiptesis
En el procedimiento denominado prueba de hiptesis trataremos de determinar cundo
es razonable concluir, a partir del anlisis de una muestra aleatoria, que la poblacin
entera posee determinada propiedad, y cundo no es razonable llegar a tal conclusin.
Tales decisiones se denominan decisiones estadsticas.
Las desviaciones "grandes" se conocen como desviaciones significantes, ya que el hecho
de que stas ocurran significa que se necesita alguna otra razn que explique los
resultados del muestreo.
Una hiptesis estadstica es una afirmacin o conjetura acerca de una o ms poblaciones.
Pueden definirse como explicaciones tentativas del fenmeno investigado, formuladas a
manera de proposiciones.
La prueba de hiptesis estadstica es el proceso que permite tomar una decisin con
respecto a una hiptesis.
Para que una hiptesis sea digna de tomarse en cuenta para la investigacin cientfica deben
existir tcnicas adecuadas para probarla. Al formular una hiptesis, tenemos que analizar si
existen tcnicas o herramientas de la investigacin (instrumentos para recolectar datos,
diseos, anlisis estadsticos o cualitativos, etc.) para poder verificarla, si es posible
desarrollarlas y si se encuentran a nuestro alcance.
Las dos hiptesis presentes en un proceso de toma de decisin se denominan hiptesis
nula e hiptesis alternativa. Cuando estamos probando hiptesis acerca del valor de un
parmetro, la hiptesis nula, por lo general, es una afirmacin sobre un valor especfico del
parmetro. sta se denomina as porque es el "punto inicial" de la investigacin (en su
interpretacin se suele decir "no hay diferencia con el valor supuesto del parmetro 0",
de ah el nombre de hiptesis nula).

Se simboliza con H0, La hiptesis alternativa es una afirmacin que especifica que el
parmetro de la poblacin tiene un valor diferente al proporcionado en la hiptesis
nula. Se simboliza con H1.

Hiptesis estadstica de estimacin:

Son diseadas para evaluar la suposicin de un investigador respecto al valor de algn
parmetro de poblacin. En este caso, se calcula un estadstico muestral (que estime
correctamente al parmetro de poblacin de nuestra hiptesis) y se compara el
estadstico con el parmetro que propone la hiptesis.

Hiptesis estadstica de correlacin:

El sentido de estas hiptesis es el de traducir una correlacin entre dos o ms variables en
trminos estadsticos. Por ejemplo, si decimos: "quienes obtienen puntuaciones ms altas
en el examen de Algebra tienden a tener las puntuaciones ms elevadas en el examen de
Estadstica".
8 de 10

Esto ocurre en la correlacin mas no en la relacin de causalidad, en donde s importa el

orden de las variables.

Hiptesis estadstica de diferencia de parmetros:

En este tipo de hiptesis se compara un mismo parmetro entre dos o ms poblaciones.
Es decir, un investigador tiene una suposicin que luego convierte en hiptesis de
investigacin y, a continuacin, en hiptesis estadstica.

Nosotros presentaremos en este texto solamente hiptesis estadsticas de estimacin.

Errores de decisin: errores tipo I y II

Al tomar una decisin sobre una hiptesis, se pueden cometer dos tipos de errores:
Error tipo I: Es aquel que se comete cuando se rechaza una hiptesis que debera
ser aceptada. La probabilidad de cometerlo se designa con = P(E I) = P(Rechazar
H0/H0 es Verdadero).
Error tipo II: Es aquel que se comete cuando se acepta una hiptesis que debera
ser rechazada. La probabilidad de cometerlo se designa con = P(E II) = P(Aceptar H0 /
H0 es Falsa).
Tengamos presente que, cuando se realizan tests de prueba estadsticos, estamos
sacando conclusiones sobre una poblacin basndonos en informacin extrada a
partir de una muestra.
Al error tipo I actualmente se lo llama falso positivo; ocurre cuando no existe realmente
diferencia en el valor del estadstico que plantea la H 0.
El error tipo II o falso negativo se comete cuando efectivamente hay diferencia en la
poblacin, pero el test estadstico de muestra no da significativo, llevando a una
conclusin falsa de no efecto o no relacin. Para explicarlo brevemente, un verdadero
efecto permanece sin ser descubierto.

La nica forma de reducir al mismo tiempo ambos tipos de errores es incre-

mentar el tamao muestral.

Si n es fijo: decrece crece (y viceversa)

Si n crece: y decrecen.

Llamamos nivel de significacin, y lo denotaremos por a, a la probabilidad mxima con

la que se puede cometer un error del tipo I en el ensayo de una hiptesis.
En general se toma = 0.01 o a = 0.05.

El mximo, cuando se permite que el valor crtico O + c vare, tambin se denomina

extensin del test.

Cuando se establece un procedimiento de prueba para investigar estadsticamente la

factibilidad de una hiptesis enunciada, existen muchos factores que deben ser
considerados. Aceptando que se ha hecho un enunciado claro del problema y que las
hiptesis asociadas se han expresado en trminos matemticos, dichos factores son:
a)La naturaleza del experimento que producir los datos debe ser definida.
b)La prueba estadstica debe ser seleccionada. Esto es, el mtodo para analizar los
datos debe ser seleccionado.
c) La naturaleza de la regin crtica debe ser establecida.
d)El tamao de la regin crtica () debe ser elegido.
e)Cuando menos para un valor de , distinto del valor de especificado por H 0,
deber asignrsele un valor a (). Esto es equivalente a establecer qu diferencia
debe detectarse entre el valor supuesto del parmetro y el valor verdadero, y con qu
9 de 10

probabilidad debemos confiar en detectarlo.

f) El tamao de la muestra (esto es, el nmero de veces que se efectuarn las
observaciones o el nmero de observaciones) debe ser determinado.

Clasificacin de los ensayos o pruebas de hiptesis

1 0 .....Bilateral (a )
1 0 .....Unilateral..Derecha (b1 )
1 0 .....Unilateral..Izquierda (b2 )

Error tipo I y II

La cantidad = 1 - se llama potencia del test sera la probabilidad de no cometer error

tipo II.
Podemos resumirlo en el siguiente cuadro:

En el grfico anterior se observa claramente que, a medida que uno crece, el otro
decrece. En la prctica se procede de la manera siguiente: primero se escoge , luego
determinamos c y por ltimo calculamos . Si b resulta tan grande como para que la
potencia = 1 - sea pequea, se debe repetir la prueba escogiendo un mayor.

Prueba de hiptesis para la media poblacional con conocida (n > 30; el

teorema central del lmite es vlido)

Se utilizan las frmulas del apndice para realizar los clculos.

10 de 10

Pasos de un test de hiptesis

Se considera apropiado en este momento resumir los diferentes pasos a seguir en un

procedimiento para prueba de hiptesis:
a)Establecer la hiptesis nula H0 de que = 0.
b)Seleccionar una hiptesis alternativa apropiada H1 de una de las alternativas
posibles: < 0, > 0 o o.
c)Seleccionar un nivel de significacin de tamao .
d)Seleccionar el estadstico de prueba apropiado y establecer la regin crtica. (Si la
decisin se va a basar en un valor P no es necesario establecer la regin crtica.)
e)Calcular el valor del estadstico de prueba de los datos mustrales.
f) Decidir rechazar H0 si el estadstico de prueba tiene un valor en la regin crtica (o
si el valor calculado de P es menor o igual que el nivel de significacin deseado
); de otra forma, no rechazar H0.

Prueba de hiptesis acerca de una proporcin de poblacin

En este caso, nos interesamos en verificar un supuesto acerca de la proporcin de

xitos en la poblacin: 71.
Luego, desearamos probar la hiptesis = 0 con la proporcin de la muestra p como
estadstica de prueba.

Recordemos que: y
E ( p ) (1 )
p
n
La estadstica de la prueba es
p 0
z N (0,1)
p
Planteamos los tres casos como hicimos con la media poblacional. Y utilizamos las
frmulas del apndice.

Prueba de hiptesis acerca de la variancia de una poblacin

Utilizamos las frmulas del apndice