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

Tipos:
a) Estimación puntual: consiste en un solo estadístico muestral que se usa para estimar el valor
verdadero de un parámetro de una población que es desconocido. Por ejemplo, la media muestral
x es un estimador puntual de la media poblacional μ. Cuando usamos una estimación puntual,
sabemos que aunque usemos un método bueno de estimación es prácticamente improbable que
el valor de la estimación coincida con el verdadero valor del parámetro, así que sería conveniente
acompañar nuestra estimación con alguna medida que nos permitiera expresar la cercanía del
estimador al parámetro. Una solución a ello no los brindan los estimadores por Intervalos de
Confianza.

b) Estimación por intervalo: es la estimación de un parámetro de la población dado por dos

números entre los cuales se puede considerar que se encuentra el parámetro. Las estimaciones de
intervalo indican la precisión de una estimación y son, por lo tanto, preferibles a las estimaciones
puntuales.

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 Z α/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.

c)    Estimación bayesiana

El enfoque bayesiano se basa en la interpretación subjetiva de la probabilidad, el cual considera a

ésta como un grado de creencia con respecto a la incertidumbre.

Un parámetro es visto como una variable aleatoria a la que, antes de la evidencia muestral, se le
asigna una distribución a priori de probabilidad, con base en un cierto grado de creencia con
respecto al comportamiento aleatorio. Cuando se obtiene la evidencia muestral, la  distribución a
priori es modificada y entonces surge una distribución a posteriori de probabilidad.  

Características que debe tener un buen estimador:

a) Debe ser insesgado: un estimador es insesgado, si en promedio, tiende a tomar valores que
están por encima del parámetro de la población con la misma frecuencia y la misma extensión,
con la que tiende a asumir valores por debajo del parámetro de población que se está estimando.
b) Debe ser eficiente: de varios estimadores insesgados, el más eficiente es el que tiene el error
estándar más pequeño.
c) Debe ser consistente: significa que a medida que aumenta el tamaño de la muestra, la
estimación se aproxima al valor del parámetro.
d) Debe ser suficiente: significa que ningún otro estimador puede suministrar más información
sobre el parámetro.

.DETERMINACION DEL TAMAÑO DE LA MUESTRA

A la hora de determinar el tamaño que debe alcanzar una muestra hay que tomar en cuenta varios
factores: el tipo de muestreo, el parámetro a estimar, el error muestral admisible, la varianza
poblacional y el nivel de confianza. Por ello antes de presentar algunos casos sencillos
de cálculo del tamaño muestral delimitemos estos factores.
Parámetro. Son las medidas o datos que se obtienen sobre la población.
Estadístico. Los datos o medidas que se obtienen sobre una muestra y por lo tanto una estimación
de los parámetros.
Error Muestral, de estimación o standard. Es la diferencia entre un estadístico y su parámetro
correspondiente. Es una medida de la variabilidad de las estimaciones de muestras repetidas
en torno al valor de la población, nos da una noción clara de hasta dónde y con qué probabilidad
una estimación basada en una muestra se aleja del valor que se hubiera obtenido por medio de un
censo completo. Siempre se comete un error, pero la naturaleza de la investigación nos indicará
hasta qué medida podemos cometerlo (los resultados se someten a error muestral e intervalos de
confianza que varían muestra a muestra). Varía según se calcule al principio o al final. Un
estadístico será más preciso en cuanto y tanto su error es más pequeño. Podríamos decir que es la
desviación de la distribución muestral de un estadístico y su fiabilidad.
Nivel de Confianza. Probabilidad de que la estimación efectuada se ajuste a la realidad. Cualquier
información que queremos recoger está distribuida según una ley de probabilidad (Gauss o
Student), así llamamos nivel de confianza a la probabilidad de que el intervalo construido en torno
a un estadístico capte el verdadero valor del parámetro.
Varianza Poblacional. Cuando una población es más homogénea la varianza es menor y el número
de entrevistas necesarias para construir un modeloreducido del universo, o de la población, será
más pequeño. Generalmente es un valor desconocido y hay que estimarlo a partir de datos de
estudios previos.

¿De qué depende el tamaño muestral?

El tamaño muestral dependerá de decisiones estadísticas y no estadísticas, pueden incluir por

ejemplo la disponibilidad de los recursos, el presupuesto o el equipo que estará en campo.

Antes de calcular el tamaño de la muestra necesitamos determinar varias cosas:

1. Tamaño de la población. Una población es una colección bien definida de objetos o individuos que
tienen características similares. Hablamos de dos tipos: población objetivo, que suele tiene
diversas características y también es conocida como la población teórica. La población accesible es
la población sobre la que los investigadores aplicaran sus conclusiones.
2. Margen de error (intervalo de confianza).  El margen de error es una estadística que expresa la
cantidad de error de muestreo aleatorio en los resultados de una encuesta, es decir, es la medida
estadística del número de veces de cada 100 que se espera que los resultados se encuentren
dentro de un rango específico.
3. Nivel de confianza. Son intervalos aleatorios que se usan para acotar un valor con una
determinada probabilidad alta. Por ejemplo, un intervalo de confianza de 95% significa que los
resultados de una acción probablemente cubrirán las expectativas el 95% de las veces.
4. La desviación estándar. Es un índice numérico de la dispersión de un conjunto de datos (o
población). Mientras mayor es la desviación estándar, mayor es la dispersión de la población.

Qué es un intervalo de confianza?

Un intervalo de confianza es un rango de valores, derivado de los estadísticos de la muestra, que
posiblemente incluya el valor de un parámetro de población desconocido. Debido a su naturaleza
aleatoria, es poco probable que dos muestras de una población en particular produzcan intervalos
de confianza idénticos. Sin embargo, si usted repitiera muchas veces su muestra, un determinado
porcentaje de los intervalos de confianza resultantes incluiría el parámetro de población
desconocido.

En este caso, la línea negra horizontal representa el valor fijo de la media desconocida de la
población, µ. Los intervalos de confianza azules verticales que se sobreponen a la línea horizontal
contienen el valor de la media de la población. El intervalo de confianza rojo que está
completamente por debajo de la línea horizontal no lo contiene. Un intervalo de confianza de 95%
indica que 19 de 20 muestras (95%) de la misma población producirán intervalos de confianza que
contendrán el parámetro de población.

Utilice el intervalo de confianza para evaluar la estimación del parámetro de población. Por
ejemplo, un fabricante desea saber si la longitud media de los lápices que produce es diferente de
la longitud objetivo. El fabricante toma una muestra aleatoria de lápices y determina que la
longitud media de la muestra es 52 milímetros y el intervalo de confianza de 95% es (50,54). Por lo
tanto, usted puede estar 95% seguro de que la longitud media de todos los lápices se encuentra
entre 50 y 54 milímetros.

El intervalo de confianza se determina calculando una estimación de punto y luego determinando

su margen de error.

Estimación de punto

Este valor individual estima un parámetro de población usando los datos de la muestra.

Margen de error
Cuando usted utiliza estadísticos para estimar un valor, es importante recordar que, sin
importar lo bien que esté diseñado su estudio, su estimación está sujeta a error de
muestreo aleatorio. El margen de error cuantifica este error e indica la precisión de la
estimación.

Usted probablemente ya entiende el margen de error, porque está relacionado con los
resultados de las encuestas. Por ejemplo, una encuesta política podría indicar que el nivel
de popularidad de un candidato es de 55% con un margen de error de 5%. Esto significa
que el nivel de popularidad real es +/- 5% y, por lo tanto, se ubica entre 50% y 60%.

Para un intervalo de confianza bilateral, el margen de error es la distancia desde el

estadístico estimado hasta cada el valor del intervalo de confianza. Cuando un intervalo de
confianza es simétrico, el margen de error es la mitad del ancho del intervalo de confianza.
Por ejemplo, la longitud media estimada de un árbol de levas es 600 mm y el intervalo de
confianza oscila entre 599 y 601. El margen de error es 1.

Mientras mayor sea el margen de error, más ancho será el intervalo y menos seguro podrá
estar usted del valor de la estimación de punto.