Estimación de parámetros

Estimación puntual
Los modelos probabilísticos como la distribución Normal, distribución
Bernoulli, u otros representan simbólicamente a una población. Estos
modelos están identificados por parámetros (constantes) que usualmente
son desconocidos. El problema que se estudia es: como estimar los
parámetros poblacionales a partir de la información que entrega la muestra.
Lo natural es utilizar como estimadores algunas estadísticas ya estudiadas.

Para estimar la proporción p de una población Bernoulli, es razonable

utilizar el valor que en la muestra seleccionada presenta la estadística p .

Ejemplo de proporción: Al probar una m.a. de 100 resistores que

fabricó la compañía A se encuentran que 12 no cumplen con las
especificaciones de tolerancia. La estimación puntual de la proporción real
p de resistores que no cumplen con las especificaciones es p̂ = 0,12

Análogamente si X es una variable aleatoria de una población Normal con

media µ y varianza σ2 y ambos parámetros son desconocidos, entonces la
media de la muestra x estima a la media poblacional µ y la varianza de la
2
muestra sn-1 estima a la varianza poblacional σ2.
Las soluciones intuitivas mencionadas están respaldadas por ciertas
propiedades que han sido demostradas en la teoría estadística (una de
las propiedades importantes que debe cumplir un estimador puntual es
insesgamiento)
Las propiedades de los estimadores que vemos en este curso son: Insesgamiento,
Eficiencia relativa (varianza menor) y Error cuadrático medio.

Cecilia Larraín IC Página 1

Por otra parte, las estimaciones puntuales no toman en cuenta la
variabilidad inherente al hecho de que cada estadística que se usa como
estimador de un parámetro es una variable aleatoria y por lo tanto hay una
dispersión inevitable que hay que incorporar a la estimación es decir, se le
debe dar calidad a la estimación indicando un intervalo que permita
precisar la incertidumbre existente en la estimación.

Estimación por intervalos

Un intervalo de confianza para un parámetro con nivel o coeficiente de

confianza 1 – α es una expresión del tipo
K1 < parámetro < K2

donde los límites k1 y k2 dependen de la muestra y se calculan de

manera de manera tal que si se construyen muchos intervalos, cada uno
con distinta muestra de tamaño n, el 100(1 – α)% de ellos contendrán al
verdadero valor del parámetro. Por ejemplo, un intervalo para la media de
una población de nivel 0,95, tiene la propiedad de que el 95% de los
intervalos construidos contienen el verdadero valor de la media.
Fijado α (usualmente entre 0,01 y 0,10) los límites k1 y k2 se determinan a
través de las distribuciones muestrales ˆ
g(θ,θ) vistas anteriormente de tal
manera que:
ˆ
P(a < g(θ,θ) < b) = 1 – α
se obtiene
P(k1 < θ < k2) = 1 – α

límite límite
inferior superior

Cecilia Larraín IC Página 2

 Intervalo de confianza para la media poblacional µ (IC(µ))
(Población Normal, σ2 varianza conocida)

Sea (x1, x2, …,xn) una muestra aleatoria simple de la población con
media µ y varianza σ2 conocida.
Ya sabemos que el estimador puntal es el promedio de la muestra x y
x -μ
Z es su distribución estandarizada N(0, 1). Por lo tanto, esta variable
σ
n

Z permite construir un intervalo de confianza. Se tiene

z1 /2 valor de la normal estándar (percentil)

X-μ
P -z1-α/2 z1-α/2 = 1 - α , se obtiene:
σ n

P -z1-α/2·σ n X-μ z1-α/2·σ n =1-α

P X - z1-α/2·σ n μ X + z1-α/2·σ n =1-α

IC(µ) : x z1-α/2·σ n con (1-α)100% de confianza.

Cecilia Larraín IC Página 3

 Ejemplo: Se ha medido los siguientes valores de una magnitud: 521,
742, 593, 635, 788, 717, 606, 639, 666, 624.
Suponiendo que la magnitud se distribuye normal con σ = 80, estimar
con 95% de confianza la magnitud media.
1 – α = 0,95 α = 0,05 α/2 = 0,025 1 – α/2 = 0,975
z1 /2 x σ
n Percentil 97,5 en Z (media de la muestra) (Des. Estandar poblacional)

10 1,96 653,1 80
80
IC(µ) = 653,1 + 1,96·
10

= 653,1 + 49,58

IC(µ) = [603,52 ; 702,68] con 95% de confianza. (603,52 < µ < 702,68)
La exactitud o precisión de la estimación por intervalo es z1-α/2·σ n

también se llamados máximo error cometido en estimación (e).

La expresión P -z1-α/2·σ n X-μ z1-α/2·σ n =1-α

P |X - μ| z1-α/2·σ n =1-α

indica que:
El Error = |X - μ| es z1-α/2·σ n lo que significa que al emplear la
media de la muestra x para estimar µ, el error que se comete es a lo más
z1-α/2·σ n.

Determinación del tamaño de muestra (muestreo aleatorio simple)

2
z 1-α/2 ·σ
Tenemos e = z1-α/2·σ n se obtiene n e

Cecilia Larraín IC Página 4

 Intervalos de confianzas para un parámetro más usuales
Estimador Distribución muestral
Situación Parámetro
puntual Estadístico IC
m.a. (n) de una
población X x -μ σ
μ Z N(0 , 1) x z1-α/2 ·
N(µ, σ2) ; σ/ n n
σ2 conocido
(n 1)S2 2
m.a.(n) de una (n-1)
población σ 2 2
S
σ2 (n-1)s2 (n-1)s2
es una distribución ,
N(µ, σ2) (corregido) aproximada de S2
2 2
(n-1;1-α/2) (n-1;α/2)
(corregido)
Asimetría positiva
x -μ
m.a.(n) de una T t(n - 1)
población S/ n s
μ x t (n-1;1-α/2) ·
N(µ, σ2) ; X n
2
σ desconocido Simétrica respecto a la
media “0”
m.a. (n) de una
población
Bernoulli
1 ; Éxito p̂ - p
xi = Z N(0 , 1);
0 ;Fracaso pq p̂q̂
p p̂ z1-α/2 ·
i = 1,2, .. ,n p n n
µ= p y cuando n es grande
σ2 = pq

Tamaño de muestra aleatoria simple. Tamaño de muestra aleatoria simple.

Población Normal Población Bernoulli
2
2
z 1-α/2 ·σ z1-α/2 · pq
n n
e e

Cecilia Larraín IC Página 5

 Aplicaciones de IC
1. La duración de un cierto componente sigue una distribución normal de media
μ desconocida y desviación estándar σ = 100 horas. Se desea enviar una
muestra de dichos componentes al laboratorio para que realicen pruebas y
estimen la duración media. Se quiere que la duración media muestral no
difiera de μ en más de 50 horas (e = 50), con una confianza de 1 – α = 0,95.
1.1. Hallar el tamaño de la muestra que para realizar la estimación.
1.2. Se probaron los componentes (según 1.1) y se obtuvo una duración total
n
x i = 15237 , estime con 95% de confianza la media real
i=1

2. En un proyecto de construcción se midió la resistencia al esfuerzo cortante

(X) de 50 probetas del terreno, observándose los siguientes totales:
xi = 163.250,0 x i2 =543.656.250,0
i

X = resistencia al esfuerzo cortante de una probeta

n x (s)2

2.1. Estime 2 con 95% de confianza.

2.2. Estime con 95% de confianza la resistencia media real.
3. Al probar un a m.a. de 100 resistores que fabricó la compañía A se
encuentran que 12 no cumplen con las especificaciones de tolerancia.
3.1. Determinar un intervalo de confianza de 95% para la proporción
verdadera de resistores que no cumplen con las especificaciones de
tolerancia.
1 ; el resistor no cumple con las especificaciones
xi =
0 ;el resistor cumple con las especificaciones

n p̂ q̂ z1-α/2 IC(p)

3.2. Se desea estimar la proporción verdadera que no cumple con las

especificaciones de tolerancia, con una amplitud de 0,08 (amplitud =
2e) y un coeficiente de confianza de 0.95. ¿Cuántos resistores se
deben seleccionar? (utilice los datos de (3.1) como muestra piloto)
4. Se estimó la varianza de las horas de trabajo por semana de todos los
ingenieros que trabajan en una fábrica, para ello se utilizó una m.a. de 21
ingenieros y la estimación fue:
s = 7 horas, IC( σ 2 ) = [31.20 , 90.32]. Determine el nivel de confianza utilizado.

Cecilia Larraín IC Página 6

5. Los valores sobre las longitudes en micras de 30 filamentos de la producción
de una máquina son los siguientes:

102 98 93 100 98 105

115 130 100 86 95 103
116 118 89 102 128 99
112 114 106 114 100 116
120 106 110 100 106 117
5.1. Determine IC( 2 ). 1 - = 0.90.
5.2. Estimar la longitud media de los filamentos de la producción con un 90% de
confianza. ¿ = 100? Justifique.
5.3. Estime la proporción de filamentos con longitud inferior a 100 micras.

6. Una máquina produce las varillas de metal utilizadas en el sistema de

suspensión de un automóvil. Se toma una muestra aleatoria de n = 15 varillas
y se mide el diámetro y se obtiene la siguiente información:
X = Diámetro en mm. de la varilla.
xi = 123,51 x i2 = 1016,9903 x= s=
i

IC( ) = [8,2200 ; 8,2480]

Determine el nivel de confianza que se utilizó para la estimación del diámetro

promedio de la varilla.
7. La siguiente tabla corresponde a los resultados de una escala de
responsabilidad que fue aplicada a una muestra aleatoria de 115
profesionales chilenos.
Puntaje xi ni a. Estime μ con 95% de confianza.
t0,975;114 gl = 1,981
10 - 20 2
20 - 30 12 b. Se sabe que en Estados Unidos la media en esta
30 - 40 15 escala es de 50 puntos. Compruebe si nuestra
40 - 50 23 población coincide con la norteamericana. = 0.05.
50 - 60 28 c. Si se clasifica como "muy responsable" a toda
60 - 70 18 persona con más de 60 puntos. Estime la proporción
70 – 80 11 de profesionales muy responsable con en la población
80 - 90 6 chilena. 1 – α = 0,96
> puntaje→ mayor responsabilidad

8. Los siguientes datos representan la resistencia a la explosión en psi de una

muestra de 100 botellas para bebidas gaseosas, no retornables, 2 un l, estas

Cecilia Larraín IC Página 7

 observaciones se obtuvieron probando cada botella hasta que ocurriera la
falla
265 197 346 280 265 200 221 265 261 278
205 286 317 242 254 235 176 262 248 250
263 274 242 260 281 246 248 271 260 265
307 243 258 321 294 328 263 245 274 270
220 231 276 228 223 296 231 301 337 298
268 267 300 250 260 276 334 280 250 257
260 281 208 299 308 264 280 274 278 210
234 265 187 258 235 269 265 253 254 280
299 214 264 267 283 235 272 287 274 269
215 318 271 293 277 290 283 258 275 251

350 346

337
334

300
Resistencia (psi)

250

200
197

187

176

150

Cecilia Larraín IC Página 8

 Estime con 95% de confianza:
i) la resistencia media a la explosión.
ii) La proporción de valores atípicos
9. La siguiente información corresponde a resistencia a la flexión, en PMa, de
una muestra aleatoria de 30 vigas de concreto provenientes de la fábrica A.

7,9 7,1 7,8 4,1 12,4

5,9 5,1 7,7 8,0 10,2
9,0 4,8 11,2 10,7 13,2
11,0 6,5 8,3 6,3 7,2
10,9 6,9 8,1 7,3 8,7
11,9 4,2 7,5 7,7 7,7

9.1. Estime con 95% de confianza la resistencia media a la flexión

9.2. Estricta normas de seguridad exigen que la resistencia a la flexión de la
viga debe ser entre 6 y 12 PMa, estime con 90% de confianza la proporción
de vigas que cumplen con la norma de seguridad.

10. Una conocida fábrica de muebles desea conocer la resistencia de las repisas
de los modelos de estanterías que vende. Para ello, realizaron un
experimento que consistió en tomar 25 repisas e ir añadiendo peso en ellas
has que se rompieran, anotando el peso que han soportado (en kg). Se
obtuvo el siguiente resumen estadístico con los datos recogidos:
X = peso máximo soportado por la respisa
n promedio Desv.
estandar
25 35,7 kg 4,2 kg
Suponiendo normalidad en la distribución de los datos:

Cecilia Larraín IC Página 9

 10.1. Estime con 95% de confianza el peso promedio real. ¿Aconsejaría a la
fábrica de muebles que en las especificaciones de la estantería pusieran
que la carga máxima que soporta la repisa es de 38 kg?. Justifique su
respuesta.
10.2. Estime la varianza de la variable de interés. 1- α = 0,95
11. Sea X la variable aleatoria continua, que indica longitud en milímetros de
pieza fabricadas en un proceso, con distribución N(μ,σ2)
11.1. Sea (x1 ,x2 , …xn ) una m.a.(n) de X. Determine los estimadores MV de μ
y σ2.
11.2. Analice insesgamiento del EMV(σ2)
11.3. Se midieron 36 piezas (seleccionadas al azar). Los resultados se muestran a
continuación
32,3 31,9 31,7 31,9 32,6 31,7
31,9 31,5 32,1 32,7 32,1 31,6
31,9 32,1 31,9 31,7 32,2 32,1
31,8 32,2 31,9 32,5 31,9 31,6
31,9 32,5 32,6 32,0 32,3 32,8
31,0 31,8 32,0 32,0 32,0 31,9

i) Determine : IC(μ) e IC(σ2), utilice nivel del confianza del 95%

ii) Las piezas se consideran aceptables si 31,1 < longitud < 32,5. Estime con
95% de confianza la proporción de piezas aceptables.
7. Un determinado producto elaborado por una misma fábrica, se sabe que
tienen probabilidad de falla "p". De todas las personas que compraron este
producto un día determinado, después de seis meses, se seleccionaron al
azar a 32 de ellas, con el objeto de conocer el estado del producto adquirido.
Los resultados obtenidos fueron los siguientes: (M = Malo; B = Bueno)

Persona 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16
Estado del producto B B M B B B B B B B B B B B B M
Persona 17 18 19 20 21 22 23 24 25 26 27 28 29 30 31 32
Estado del producto B B B B B B B B M B B B B B B B

a. Especifique el modelo adecuado para la probabilidad de falla.

b. Encuentre el E.M.V. para el parámetro del modelo de la probabilidad de falla
especificada en a.
c. Determine el estimador MV y la estimación MV de "p".
d. Estime con 90% de confianza la proporción de falla del producto

Cecilia Larraín IC Página 10

 TALLER
Problema 1
Sea (x1, x2, …, xn) una muestra aleatoria de tamaño n (n > 2) de una
distribución exponencial, cuya función de densidad es:
-x
1
f(x,θ) = e(θ+1) , x > 0 ; E(X) = (θ +1) V(X) = (θ +1)2
(θ+1)
a. Encuentre el Estimador Máximo Verosímil del parámetro .
b. Considere los siguientes tres estimadores de :
x + xn - 2
θ̂1= 1 θ̂2 = x - 1
2
Determine el estimador más eficiente (relativamente)
Problema 2
Se quiere medir la velocidad de un nuevo modelo de procesador, y para ello se
va a ejecutar un programa de simulación en “n” computadores, con dicho modelo
incorporado. Suponiendo que la variable aleatoria X, tiempo (um) de ejecución, es
normal, con varianza 9 (um)2, determine el tamaño de muestra necesario, para
estimar el tiempo medio de ejecución del programa de simulación μ con 95% de
confianza y precisión de 1um
Problema 3
Se ha sometido una muestra de 40 piezas a una prueba de resistencia. Las
cargas (en Kp) que han producido en cada caso la rotura se muestran a
continuación:
229 262 223 200 229 226 261 233
214 199 207 225 228 266 208 226
238 230 204 228 255 248 243 245
254 252 218 236 233 272 248 228
253 217 222 228 231 224 265 246
2.a. Estime con 95% de confianza la resistencia media.
2.b. Entre qué valores de resistencia se encuentra la verdadera varianza. 1 – α =
0,95
2.c. Estime con 95% de confianza la proporción de piezas que resistieron más 230
Kp.

Cecilia Larraín IC Página 11