INSTITUTO TECNOLOGICO SUPERIOR DE NUEVO

CASAS GRANDES
Contador Público

Unidad 5: Estimación
 Contenido
1.- Estimación
2.- Estimación Puntual
3.- Estimación de Intervalo
4.- Estimador Consistente
5.- Estimador Eficiente
6.- Estimador no sesgado
7.- Estimador Suficiente
8.- Grados de Libertad
9.- Intervalo de Confianza
10.- Nivel de Confianza

1 Estimación

1|P á g i n a
Es un proceso mediante el que establecemos qué valor debe tener un parámetro según
deducciones que realizamos a partir de estadísticas. En otras palabras, estimar es establecer
conclusiones sobre características poblacionales a partir de resultados muéstrales.

2 Estimación Puntual

Una estimación puntual es un solo número que se utiliza para estimar un parámetro de población
desconocido. Una estimación puntual consiste en establecer un valor concreto (es decir, un punto)
para el parámetro. El valor que escogemos para decir “el parámetro que nos preocupa vale X” es el
que suministra un estadístico concreto. Como ese estadístico sirve para hacer esa estimación, en
lugar de estadístico suele llamársele estimador. Un ejemplo de esto es, si mientras observa al primer
integrante de un equipo de fútbol americano salir al campo de juego, se dice: “¡Caramba! Apuesto a
que el peso promedio de los jugadores defensivos es de 125 kilogramos”, aquí estamos haciendo
una estimación puntual. A menudo, una estimación puntual es insuficiente debido a que sólo tienen
dos opciones: es correcta o está equivocada. Una estimación puntual es mucho más útil si viene
acompañada por una estimación del error que podría estar implicado.

3 Estimación de Intervalo
Una estimación de intervalo es un rango de valores que se utiliza para estimar un parámetro de la
población. Una estimación de este tipo indica el error de dos maneras: por la extensión del intervalo
y por la probabilidad de que el verdadero parámetro poblacional se encuentre dentro del intervalo.
Un caso de ejemplo, es el siguiente: el jefe de departamento dice: “Estimo que la inscripción real de
este curso para el próximo semestre estará entre 330 y 380, y es muy probable que la inscripción
exacta caiga dentro de este intervalo.” Con esto tiene una mejor idea de la confiabilidad de su
estimación. Si el curso se imparte en grupos de 100 estudiantes cada uno y si, tentativamente, se
han programado cinco cursos, entonces, de acuerdo con la estimación, puede cancelar uno de los
grupos y abrir uno optativo.

4 Estimador Consistente

Una estadística es un estimador consistente de un parámetro de población si al aumentar el tamaño

de la muestra, se tiene casi la certeza de que el valor de la estadística se aproxima bastante al valor
del parámetro poblacional. Si un estimador es consistente, se vuelve más confiable al tener
tamaños de muestra más grandes. Si usted se pregunta acerca de la posibilidad de aumentar el
tamaño de la muestra para obtener más información sobre un parámetro poblacional, averigüe
primero si su estadístico es un estimador consistente o no. Si no lo es, desperdiciará tiempo y dinero
al tomar muestras más grandes.

En otras palabras, un estimador es consistente si aproxima el valor del parámetro cuanto mayor
es n (tamaño de la muestra). Algunos estimadores consistentes son:

Ejemplo: En una población de 500 puntuaciones cuya Media (m) es igual a 4.9 han hecho tres
muestreos aleatorios (número de muestras= 100) con los siguientes resultados:

2|P á g i n a
Como conclusión, vemos que el muestreo en que n=100 la Media de las Medias muéstrales toma el
mismo valor que la Media de la población.

5 Estimador Eficiente
Otra propiedad deseable de un buen estimador es que sea eficiente. La eficiencia se refiere al
tamaño del error estándar del estadístico. Si comparamos dos estadísticos de una muestra del
mismo tamaño y tratamos de decidir cuál de ellas es un estimador más eficiente, escogeríamos la
estadística que tuviera el menor error estándar o la menor desviación estándar de la distribución
muestral.
Ejemplo: La Varianza de la distribución muestral de la Media en un muestreo aleatorio (número de
muestras: 1000, n=25) ha resultado igual a 0.4. La Varianza de la distribución de Medianas ha
resultado, en el mismo muestreo, igual a 1.12, (este resultado muestra que la Media es un estimador
más eficiente que la Mediana).

6 Estimador no sesgado

El término insesgado se refiere al hecho de que una media de la muestra es un estimador no

sesgado de una media de la población porque la media de la distribución muestral de las medias de
las muestras tomadas de la misma población es igual a la media de la población misma. Podemos
decir que un estadístico es un estimador insesgado (o no sesgado) si, en promedio, tiende a tomar
valores que están arriba del parámetro de la población que se está estimando con la misma
frecuencia y la misma extensión con la que tiende a asumir valores abajo del parámetro poblacional
que se está estimando.

Estimadores insesgados son la Media muestral (estimador de la Media de la población) y la Varianza

(estimador de la Varianza de la población):

Ejemplo: En una población de 500 puntuaciones cuya Media (m) es igual a 5.09 han hecho un
muestreo aleatorio (número de muestras= 10000, tamaño de las muestras= 100) y hallan que la
Media de las Medias muestrales es igual a 5.09, (la media poblacional y la media de las medias
muestrales coinciden). En cambio, la Mediana de la población es igual a 5 y la Media de las Medianas
es igual a 5.1 esto es, hay diferencia ya que la Mediana es un estimador sesgado.

3|P á g i n a
La Varianza es un estimador sesgado. Ejemplo: La Media de las Varianzas obtenidas con la Varianza:

En un muestreo de 1000 muestras (n=25) en que la Varianza de la población es igual a 9.56 ha

resultado igual a 9.12, esto es, no coinciden. En cambio, al utilizar la Cuasivarianza:

La Media de las Varianzas muestrales es igual a 9.5, esto es, coincide con la Varianza de la población
ya que la Cuasivarianza es un estimador insesgado.

7 Estimador Suficiente
Un estimador es suficiente si utiliza tanta información de la muestra que ningún otro estimador
puede extraer información adicional acerca del parámetro de población que se está estimando.

8 Grados de Libertad
Los grados de libertad (GL) son la cantidad de información suministrada por los datos que se puede
"gastar" para estimar los valores de parámetros de población desconocidos y calcular la variabilidad
de esas estimaciones. Este valor se determina según el número de observaciones de la muestra y el
número de parámetros del modelo.
Si incrementa el tamaño de la muestra, obtendrá más información sobre la población y, por
consiguiente, los grados de libertad de los datos aumentarán. Si agrega parámetros al modelo (por
ejemplo, aumentando el número de términos en una ecuación de regresión), "gastará" información
de los datos y reducirá los grados de libertad disponibles para estimar la variabilidad de las
estimaciones de parámetros.
En conclusión, los grados de libertad GL hace referencia al número de valores independientes que
se necesitan en cálculo estadístico, menos el número de restricciones ligadas a las observaciones. Es
decir, es el número de valores de la muestra que se puede especificar libremente, luego de conocer
información sobre dicha muestra.

Se pueden estimar con la fórmula:

n–r

Donde n es igual al número de sujetos pertenecientes a la muestra, los cuales pueden apalear un
valor.
Donde r es igual al número de sujetos cuyo valor va a depender del valor que apaleen los elementos
de la muestra que son libres

4|P á g i n a
9 Intervalo de Confianza
La estimación por intervalos consiste en establecer el intervalo de valores donde es más probable
se encuentre el parámetro. La obtención del intervalo se basa en las siguientes consideraciones:
a) Si conocemos la distribución muestral del estimador podemos obtener las probabilidades
de ocurrencia de los estadísticos muestrales.
b) Si conociéramos el valor del parámetro poblacional, podríamos establecer la probabilidad
de que el estimador se halle dentro de los intervalos de la distribución muestral.
c) El problema es que el parámetro poblacional es desconocido, y por ello el intervalo se
establece alrededor del estimador. Si repetimos el muestreo un gran número de veces y
definimos un intervalo alrededor de cada valor del estadístico muestral, el parámetro se
sitúa dentro de cada intervalo en un porcentaje conocido de ocasiones. Este intervalo es
denominado "intervalo de confianza".
Ejemplo: Se generan 100,000 muestras aleatorias (n=25) de una población que sigue la distribución
Normal, y resulta:

La distribución de las Medias muestrales

aproxima al modelo Normal:

En consecuencia, el intervalo dentro del cual se halla el 95% de las Medias muestrales es:
(Nota: Los valores +-1.96 que multiplican la Desviación Típica de la distribución muestral son los
valores cuya función de distribución es igual a 0.975 y 0.025 respectivamente y se pueden obtener
en las tablas de la distribución Normal estandarizada o de funciones en aplicaciones informáticas
como Excel). Seguidamente generamos una muestra de la población y obtenemos su Media, que es
igual a 4.5. Si establecemos el intervalo alrededor de la Media muestral, el parámetro poblacional
(5.1) está incluido dentro de sus límites:

5|P á g i n a
Ahora bien, la distancia de un punto A a un punto B es la misma que de B a A. Por esa razón, la
distancia desde m a la Media muestral es la misma que va de la Media muestral a m. En
consecuencia, si hacemos un muestreo con un número grande de muestras observamos que el 95%
de las veces (aproximadamente) el valor de la Media de la población (m) se encuentra dentro del
intervalo definido alrededor de cada uno de los valores de la Media muestral. El porcentaje de veces
que el valor de m se halla dentro de alguno de los intervalos de confianza es del 95%, y es
denominado nivel de confianza.

10 Nivel de Confianza
La probabilidad que asociamos con una estimación de intervalo se conoce como nivel de confianza.
Esta probabilidad indica qué tanta confianza tenemos de que la estimación de intervalo incluya al
parámetro de población. Una probabilidad más alta implica una mayor confianza. En la estimación,
los niveles de confianza que se utilizan con más frecuencia son 90, 95 y 99%, pero somos libres de
aplicar cualquier nivel de confianza.
Otro concepto nos dice que el nivel de confianza es la probabilidad de que el parámetro a estimar se
encuentre en el intervalo de confianza. El nivel de confianza (p) se designa mediante 1 − α, y se suele
tomar en tanto por ciento. Los niveles de confianza más usuales son: 90%; 95% y 99%.
Ejercicio:
La media de las estaturas de una muestra aleatoria de 400 personas de una ciudad es 1,75 m. Se
sabe que la estatura de las personas de esa ciudad es una variable aleatoria que sigue una
distribución normal con varianza σ2 = 0,16 m2. Construye un intervalo, de un 95% de confianza, para
la media de las estaturas de la población.
n = 400
x = 1.75 σ = 0.4
1− α = 0.95
z α/2 = 1.96
(1.75 ± 1.96 · 0.4/20)

(1.7108,1.7892)

BIBLIOGRAFIA

1. Estadística para administración y Economía, Levin, Rubín Balderas, Del Valle, Gómez,
Séptima Edición.
2. https://www.superprof.es/diccionario/matematicas/estadistica/nivel-confianza.html
3. http://www.mat.uda.cl/hsalinas/cursos/2009/estadistica/semestre%202/intervalos-
confianza.pdf
4. https://support.minitab.com/es-mx/minitab/18/help-and-how-to/statistics/basic-
statistics/supporting-topics/tests-of-means/what-are-degrees-of-freedom/
5. https://www.webyempresas.com/grados-de-libertad-en-estadistica/
6. https://www.uv.es/webgid/Inferencial/5_estimacin_por_intervalos.html

6|P á g i n a
7|P á g i n a