La teoría de estimación

La estimación de parámetros es el procedimiento utilizado para conocer las

características de un parámetro poblacional, a partir del conocimiento de la
muestra.

Con una muestra aleatoria, de tamaño n, podemos efectuar una estimación

de un valor de un parámetro de la población; pero también necesitamos precisar
un:

Intervalo de confianza

Se llama así a un intervalo en el que sabemos que está un parámetro, con

un nivel de confianza específico.

Nivel de confianza

Probabilidad de que el parámetro a estimar se encuentre en el intervalo de

confianza.

Error de estimación admisible

Que estará relacionado con el radio del intervalo de confianza.

Estimación de la media de una población

Intervalo de confianza para la media

El intervalo de confianza, para la media de una población, con un nivel de

confianza de 1- α , siendo X la media de una muestra de tamaño n y σ la
desviación típica de la población, es:

El error máximo de estimación es:

Cuanto mayor sea el tamaño de la muestra, n, menor es el error.

Cuanto mayor sea el nivel de confianza, 1-α, mayor es el error.

Tamaño de la muestra
 Si aumentamos el nivel de confianza, aumenta el tamaño de la muestra.

Si disminuimos el error, tenemos que aumentar el tamaño de la muestra.

Ejemplos

El tiempo que tardan las cajeras de un supermercado en cobrar a los

clientes sigue una ley normal con media desconocida y desviación típica 0,5
minutos. Para una muestra aleatoria de 25 clientes se obtuvo un tiempo medio de
5,2 minutos.

1.Calcula el intervalo de confianza al nivel del 95% para el tiempo medio

que se tarda en cobrar a los clientes.

2.Indica el tamaño muestral necesario para estimar dicho tiempo medio con
un el error de ± 0,5 minutos y un nivel de confianza del 95%.

n≥4

Intervalo de confianza para una proporción

  Si en una población, una determinada característica se presenta en una

proporción p, la proporción p' , de individuos con dicha característica en las
muestras de tamaño n, se distribuirán según:

Intervalo de confianza para una proporción

El error máximo de estimación es:

 Ejemplos

En una fábrica de componentes electrónicos, la proporción de componentes

finales defectuosos era del 20%. Tras una serie de operaciones e inversiones
destinadas a mejorar el rendimiento se analizó una muestra aleatoria de 500
componentes, encontrándose que 90 de ellos eran defectuosos. ¿Qué nivel de
confianza debe adoptarse para aceptar que el rendimiento no ha sufrido
variaciones?

p = 0.2     q = 1 - p =0.8    p'= 90/ 500 = 0.18

E = 0.2 - 0.18 = 0.02

P (zα/2 > 1.12) = 1 − P (zα/2 ≤ 1.12) = 1 − 0.8686 = 0.1314

0.8686 - 0.1314 = 0.737

Nivel de confianza: 73.72%

Errores de tipo I y tipo II

Error de tipo I. Se comete cuando la hipótesis nula es verdadera y, como

consecuencia del contraste, se rechaza.

Error de tipo II. Se comete cuando la hipótesis nula es falsa y, como

consecuencia del contraste se acepta.

H0 Verdadera Falsa
Decisón Decisión
Ac correcta incorrecta:
eptar
Probabilidad = 1 - α ERROR DE TIPO II
Re ERROR DE Decisión
chazar TIPO I correcta
 Probabilidad = α

La probabilidad de cometer Error de tipo I es el nivel de significación α.

La probabilidad de cometer Error de tipo II depende del verdadero valor del

parámetro. Se hace tanto menor cuanto mayor sea n.

Estimación puntual

Una estimación es puntual cuando se usa un solo valor extraído de la muestra para
estimar el parámetro desconocido de la población. Al valor usado se le llama
estimador.

 La media de la población se puede estimar puntualmente mediante la media de la

muestra:

 La proporción de la población se puede estimar puntualmente mediante la

proporción de la muestra:

 La desviación típica de la población se puede estimar puntualmente mediante la

desviación típica de la muestra, aunque hay mejores estimadores:

Estimación por intervalos

A veces es conveniente obtener unos límites entre los cuales se encuentre el

parámetro con un cierto nivel de confianza, en este caso hablamos de estimación
por intervalos.

Nivel de confianza
El nivel de confianza, C, indica, en porcentaje, con qué proporción el intervalo de
confianza contiene el parámetro estimado. El coeficiente de confianza, c, es la
misma proporción en tanto por uno, c = C/100. En otras palabras, c es la
probabilidad de que el intervalo de confianza contenga el parámetro estimado.

Si α = 1 - c, y (a,b) es el intervalo de confianza se cumplirá:

Este artículo o sección necesita referencias que aparezcan en una publicación

acreditada.
Este aviso fue puesto el 31 de marzo de 2010.

En inferencia estadística se llama estimación al conjunto de técnicas que permiten dar un

valor aproximado de un parámetro de una población a partir de los datos proporcionados
por una muestra. Por ejemplo, una estimación de la media de una determinada característica
de una población de tamaño N podría ser la media de esa misma característica para una
muestra de tamaño n.1

La estimación se divide en tres grandes bloques, cada uno de los cuales tiene distintos
métodos que se usan en función de las características y propósitos del estudio:

 Estimación puntual:2
o Método de los momentos;
o Método de la máxima verosimilitud;
o Método de los mínimos cuadrados;
 Estimación por intervalos.
 Estimación bayesiana.

Índice
 1 Estimador
 2 Estimación puntual
 3 Estimación por intervalos
o 3.1 Intervalo de confianza
o 3.2 Variabilidad del Parámetro
o 3.3 Error de la estimación
o 3.4 Límite de Confianza
o 3.5 Valor α
o 3.6 Valor crítico
o 3.7 Otros usos del término
 4 Véase también
 5 Referencias
Estimador
Un estimador es una regla que establece cómo calcular una estimación basada en las
mediciones contenidas en una muestra estadística.

Estimación puntual
Consiste en la estimación del valor del parámetro mediante un sólo valor, obtenido de una
fórmula determinada. Por ejemplo, si se pretende estimar la talla media de un determinado
grupo de individuos, puede extraerse una muestra y ofrecer como estimación puntual la
talla media de los individuos. Lo más importante de un estimador, es que sea un estimador
eficiente. Es decir, que sea insesgado(ausencia de sesgos) y estable en el muestreo o
eficiente (varianza mínima) Estimación puntual. Sea X una variable poblacional con
distribución Fθ , siendo θ desconocido. El problema de estimación puntual consiste en,
seleccionada una muestra X1, ..., Xn, encontrar el estadístico T(X1, ..., Xn) que mejor
estime el parámetro θ. Una vez observada o realizada la muestra, con valores x1, ..., xn, se
obtiene la estimación puntual de θ, T(x1, ..., xn) = ˆ θ .

Vemos a continuación dos métodos para obtener la estimación puntual de un parámetro:

método de los momentos y método de máxima verosimilitud. Método de los momentos:
consiste en igualar momentos poblacionales a momentos muestrales. Deberemos tener
tantas igualdades como parámetros a estimar. Momento poblacional de orden r αr = E(Xr)
Momento muestral de orden r ar = Xn i=1 Xr i n

Método de máxima verosimilitud: consiste en tomar como valor del parámetro aquel que
maximice la probabilidad de que ocurra la muestra observada. Si X1, ..., Xn es una muestra
seleccionada de una población con distribución Fθ o densidad fθ(x), la probabilidad de que
ocurra una realización x1, ..., xn viene dada por: Lθ(x1, ..., xn) = Yn i=1 fθ(xi)

A Lθ(x1, ..., xn) se le llama función de verosimilitud.(credibilidad de la muestra

observada). Buscamos entonces el valor de θ que maximice la función de verosimilud, y al
valor obtenido se le llama estimación por máxima verosimilitud de θ. Nota: si la variable X
es discreta, en lugar de fθ(xi ) consideramos la función masa de probabilidad pθ(xi).

Ejemplo 7.1: Sea X → N(µ, σ), con µ desconocido. Seleccionada una m.a.s. X1, ..., Xn, con
realización x1, ..., xn, estimamos el parámetro µ por ambos métodos. Según el método de
los momentos: E(X) = Xn i=1 Xi n = − X, y al ser µ = E(X) se obtiene que ˆ µ = − x. Por el
método de máxima verosimilitud: Lµ(x1, ..., xn) = Yn i=1 fµ(xi ) = = Yn i=1 1 √ 2πσ e −
(xi−µ) 2 2σ

Estimación por Intervalos de confianza 109 y maximizamos en µ tal función; en este caso
resulta más fácil maximizar su logaritmo: lnLµ(x1, ..., xn) = − 1 2σ 2 Xn i=1 (xi − µ) 2 − n
ln( √ 2πσ) ∂ ∂µ lnLµ(x1, ..., xn) = 1 σ 2 Xn i=1 (xi − µ) = n − x − nµ σ 2 = 0 ⇐⇒ ˆ µ = −

Estimación por intervalos

Consiste en la obtención de un intervalo dentro del cual estará el valor del parámetro
estimado con una cierta probabilidad. En la estimación por intervalos se usan los siguientes
conceptos:

Intervalo de confianza

El intervalo de confianza es una expresión del tipo [θ1, θ2] ó θ1 ≤ θ ≤ θ2, donde θ es el
parámetro a estimar. Este intervalo contiene al parámetro estimado con un determinado
nivel de confianza. Pero a veces puede cambiar este intervalo cuando la muestra no
garantiza un axioma o un equivalente circunstancial.

Variabilidad del Parámetro

Si no se conoce, puede obtenerse una aproximación en los datos aportados por la literatura
científica o en un estudio piloto. También hay métodos para calcular el tamaño de la
muestra que prescinden de este aspecto. Habitualmente se usa como medida de esta
variabilidad la desviación típica poblacional y se denota σ.

Error de la estimación

Es una medida de su precisión que se corresponde con la amplitud del intervalo de

confianza. Cuanta más precisión se desee en la estimación de un parámetro, más estrecho
deberá ser el intervalo de confianza y, si se quiere mantener o disminuir el error, más
observaciones deberán incluirse en la muestra estudiada. En caso de no incluir nuevas
observaciones para la muestra, más error se comete al aumentar la precisión. Se suele
llamar E, según la fórmula E = (θ2 - θ1)/2.

Límite de Confianza

Es la probabilidad de que el verdadero valor del parámetro estimado en la población se

sitúe en el intervalo de confianza obtenido. El nivel de confianza se denota por (1-α),
aunque habitualmente suele expresarse con un porcentaje ((1-α)·100%). Es habitual tomar
como nivel de confianza un 95% o un 99%, que se corresponden con valores α de 0,05 y
0,01 respectivamente.

Valor α

También llamado nivel de significación. Es la probabilidad (en tanto por uno) de fallar en
nuestra estimación, esto es, la diferencia entre la certeza (1) y el nivel de confianza (1-α).
Por ejemplo, en una estimación con un nivel de confianza del 95%, el valor α es (100-
95)/100 = 0,05

Valor crítico

Se representa por Zα/2. Es el valor de la abscisa en una determinada distribución que deja a
su derecha un área igual a α/2, siendo 1-α el nivel de confianza. Normalmente los valores
críticos están tabulados o pueden calcularse en función de la distribución de la población.
Por ejemplo, para una distribución normal, de media 0 y desviación típica 1, el valor crítico
para α = 0,1 se calcularía del siguiente modo: se busca en la tabla de la distribución ese
valor (o el más aproximado), bajo la columna "Área"; se observa que se corresponde con
-1,28. Entonces Zα/2 = 1,64. Si la media o desviación típica de la distribución normal no
coinciden con las de la tabla, se puede realizar el cambio de variable t =(X-μ)/σ para su
cálculo.

Con estas definiciones, si tras la extracción de una muestra se dice que "3 es una estimación
de la media con un margen de error de 0,6 y un nivel de confianza del 99%", podemos
interpretar que el verdadero valor de la media se encuentra entre 2,7 y 3,3, con una
probabilidad del 99%. Los valores 2,7 y 3,3 se obtienen restando y sumando,
respectivamente, la mitad del error, para obtener el intervalo de confianza según las
definiciones dadas.

Para un tamaño fijo de la muestra, los conceptos de error y nivel de confianza van
relacionados. Si admitimos un error mayor, esto es, aumentamos el tamaño del intervalo de
confianza, tenemos también una mayor probabilidad de éxito en nuestra estimación, es
decir, un mayor nivel de confianza.

Otros usos del término

El término estimación también se utiliza en ciencias aplicadas para hacer referencia a un

cálculo aproximado, que normalmente se apoya en la herramienta estadística aunque puede
no hacerlo. En este sentido, un ejemplo clásico son los poco conocidos pero útiles en
economía problemas de Fermi.

Véase también