Introducción

La estadística provee técnicas que permiten obtener conclusiones generales a

partir de un conjunto limitado – pero representativo – de datos. Cuando inferimos
no tenemos garantía de que la conclusión que obtenemos sea exactamente
correcta. Sin embargo, la estadística permite cuantificar el error asociado a la
estimación.
El objetivo de la estimación puntual es usar una muestra para obtener números
que, en algún sentido, sean los que mejor representan a los verdaderos valores de
los parámetros de interés., así como también aproximar el valor del parámetro
desconocido (tiempo medio de ejecución de un algoritmo, altura media de las
mujeres de una población, diferencia del resultado medio entre dos tratamientos
médicos, proporción de gente que mejora con un tratamiento médico…)
que un estimador es una aproximación de un parámetro teórico o desconocido
de una población. Para estimar la media de la altura de una población, podemos
seleccionar una muestra y calcular la media aritmética de la muestra. Es de
interesa estudiar propiedades de los estimadores puesto que nos permitan
decidir entre usar unos u otros para los casos concretos.
En este trabajo de investigación se desarrollarán los temas antes mencionados
de estimación puntual y estimadores insesgados.
 Estimación Puntual
Consiste en obtener un único número calculado a partir de las observaciones
muestrales, y que es utilizado como estimación del valor del parámetro (teta).
Conjunto de técnicas que permiten dar un valor aproximado de un parámetro de
una población a partir de los datos proporcionados por una muestra.
El estimador del parámetro poblacional θ es una función de las variables aleatorias
u observaciones muestrales y se representa por
θ =g (X1,X2,X3,...Xn)
El estimador puntual más empleado es el de máxima verosimilitud. Dada una
muestra multinomial x = [x1,...,xk], siendo n = x1 + ··· + xk, la verosimilitud de los
parámetros tiene la siguiente expresión:

.
Los valores de p1,...,pk que maximizan el valor de esta función y por tanto los
estimadores de máxima verosimilitud de las probabilidades multinomiales
son:

; i = 1,...,k .

Se trata de la frecuencia clásica, el cociente entre el número de sucesos

registrados en la categoría i-´estima y el número total de experimentos.
Cuando el número de sucesos observados en la categoría i es xi = 0, resulta que
pbi = 0/n = 0. Este resultado no es matemáticamente consistente, puesto que
asignar una probabilidad nula a un suceso equivale en cierta manera a negar su
existencia. multinomiales es no regular e inadecuado en este caso.
Algunos estimadores frecuentes son:

 Media muestral, para estimar la media teórica de una variable XX.

¯x=x1+⋯+xnnx¯=x1+⋯+xnn

 Proporción muestral, para estimar una proporción pp:

ˆp=x1+⋯+xnn,p^=x1+⋯+xnn, siendo x1,…,xnx1,…,xn una muestra aleatoria

simple de la variable X∈B(1,p)X∈B(1,p), es decir, son unos o ceros.

 Varianza muestral: para estimar la varianza teórica de una población, se

puede usar la varianza de una muestra:
 S2=(x1−¯x)2+⋯+(xn−¯x)2n,S2=(x1−x¯)2+⋯+(xn−x¯)2n,
y también la llamada

 Cuasi-varianza muestral:

S2n−1=(x1−¯x)2+⋯+(xn−¯x)2n−1,

Estimadores insesgados
Una primera propiedad deseable para un estimador es que el centro de la
distribución de los valores que puede tomar coincida con el valor del parámetro
que queremos aproximar.
A esta propiedad se le llama insesgadez. Así, un estimador insesgado es aquel
cuya media coincide con el valor del parámetro a estimar.
Veámoslo con un ejemplo para entenderlo mejor: supongamos que deseamos
tener una estimación de la estatura media de los hombres mayores de 18 en una
población. Podríamos ponernos en medio de la calle y seleccionar aleatoriamente
una muestra de n hombres, medir su estatura (o preguntársela) y calcular después
la media aritmética de los datos obtenidos. Esa sería una estimación puntual;
llamémosla ¯x1x¯1.
[ CITATION Ale19 \l 2058 ]

Por medio de R podemos hacer una simulación de este proceso. En vez de bajar a

la calle, parar a la gente y preguntarle lo que mide, simulamos cien datos
correspondientes a 100 estaturas de varones mayores de 18. En este caso,
tenemos que “simular” que medimos a cien personas, de una población de
varones españoles mayores de 18.

La media muestral de esos 100100 valores es ¯x1x¯1= 178.3424.

Conclusión
La estadística inferencial es una rama de la estadística que estudia el
comportamiento y propiedades de una muestra para poder generalizar unos
resultados obtenidos, basándose en la probabilidad este tipo de estadística
permitirá al investigador recolectar datos importantes para el estudio de
situaciones y dar respuestas a los problemas de una forma útil y significativa.
Como respuestas a esos resultados es inferir si el evento ocurrirá o no mediante
la aplicación de estudios como: métodos de muestreo, probabilidad y sus tipos de
probabilidad y distribuciones muestrales todas estas técnicas exigen que la
muestra de la población sea aleatoria.
Cabe destacar que la estadística inferencial puede proporcionar una serie de
métodos importantes la cual puede estudiar un sin números de datos. Se puede
decir que la estadística inferencial es importante para simular situaciones,
controlar procesos y verificar las posibles respuestas a condiciones controladas,
en una empresa puede reducir costos ya que puede anticipar lo que puede
suceder y tomar previsiones, a esperar que pase y no estar preparado.
Bibliografía
Flores, A. P. (2018). prezi. Obtenido de https://prezi.com/z2nhemvvlopy/metodo-
clasico-de-estimacion-puntual/
Rio, A. Q. (04 de 09 de 2019). bookdown. Obtenido de
https://bookdown.org/aquintela/EBE/

Levin, R. (S/F). Estadística para Administradores. 2do Edición PESTAÑA, P.

2002. Estadística. Conceptos básicos, terminología y metodología de la
estadística descriptiva.