ESTIMACIÓN DE PARÁMETROS:

ESTIMACIÓN PUNTUAL

MÓDULO 5
JUAN NARRO LAVI
PROFESOR DE ESTADÍSTICA PARA LA ADMINISTRACIÓN
 “LA ESTADÍSTICA ES UNA
CIENCIA SEGÚN LA CUAL
TODAS LAS MENTIRAS
SE VUELVEN GRÁFICOS”
(Pitigrilli)
Figura 5.1

Figura 5.1. Imagen tomada de “variable y como se clasifican”, por ESTADISTICA. Recuperado de
http://estadistica-estadisticas.blogspot.pe/2010/10/variable-y-como-se-clasifican.html
 Sumario
1. Muestreo aleatorio simple.
2. Estimadores puntuales.
3. Distribuciones muestrales: Distribuciones de la
media y proporción muestral.
4. Teorema del Límite Central.
¿Por qué muestrear la población?

Naturaleza destructiva de algunas pruebas (vino, resis-

tencia de acero, semillas)
Imposibilidad física de revisar todos los integrantes de
la población.
El costo de estudiar a todos los integrantes de la pobla-
ción normalmente es prohibitivo.
Lo adecuado de los resultados de la muestra.
Tiempo requerido para entrevistar a toda la población.

(Adaptado de Lind et al., 2012, p.266)

 Tipos de Muestreo

MUESTREO

NO PROBABILÍSTICO
Selección a juicio o
criterio del encuestador
PROBABILÍSTICO
Selección de modo que cada
integrante de la población
tenga una probabilidad cono-
cida de ser incluido en la
muestra.

(Adaptado de Levin & Rubin, 2004, p. 237)

 Muestreo Probabilístico

No hay un “ mej or” méto do pa r a sel ec ciona r una

m u es t r a probabil ís tic a.
  Objet ivo: per mit ir que el aza r determin e l os in tegr a ntes
qu e c on tendr á l a m ues tra .

MUESTREO ALEATORIO

SIMPLE SISTEMÁTICO ESTRATIFICADO RACIMO

(Adaptado de Levin & Rubin, 2004, p. 238)

 Muestreo Aleatorio Simple

Ca d a el em en to de l a pobl a ción tien e l a m is m a

probabil ida d d e s er inc l uido en l a mues t r a.
U so de n úmeros a lea torios .
(Adaptado de Levin & Rubin, 2004, p. 239)
 Muestreo Aleatorio Simple

LISTA DE CLIENTES

MUESTRA ALEATORIA
 Tabla de Números Aleatorios

1581922396 2068577984 8262130892

0928105582 7295088579 9586111652

Tabla de
Números 4112077556 3440672486 1882412963
Aleatorios
7457477468 5435810788 9670852913

0099520858 3090908872 2039593181

Técnicas de conteo y el muestreo
aleatorio simple
Puede ser con reemplazo o sin reemplazo (con orden y sin
orden).
Cantidad de muestras con reemplazo (n≤N) : Nn

Sin reemplazo con orden (n≤N) : N!

N Pn =
(N - n)!
Sin reemplazo sin orden (n≤N):
N!
Fracción de la muestra f = n/N N Cn =
n!(N - n)!

(Adaptado de Anderson et al., 2008, p. 260-262)

Técnicas de conteo y el muestreo
aleatorio simple
En una zona industrial existen 20 fábricas. Si para cierto estudio se
desea tener una muestra aleatoria de 5 fábricas,
¿Cuántas muestras aleatorias posibles se pueden
formar con cada una de las formas de selección
de muestreo aleatorio simple?
Cantidad de muestras con reemplazo :
Nn =205 = 3’200,000 muestras
Sin reemplazo con orden:

N! 20!
N Pn = 20 P5 = = 1’860,480
(N - n)! (20 - 5)!
Técnicas de conteo y el muestreo
aleatorio simple

Sin reemplazo sin orden:

N! 20!
N Cn = 20 C5 = = 15,504
n!(N - n)! 5!(20 - 5)!

Cantidad de muestras con reemplazo: 3’200,000

Sin reemplazo con orden: 1’860,480
Sin reemplazo sin orden: 15,504
 Muestreo Aleatorio Sistemático
Los integrantes de la población se ordenan.
Se selecciona al azar un punto de inicio.
Selección dentro de un intervalo uniforme medido
con respecto al tiempo, orden o al espacio.
Cada elemento tiene igual oportunidad de ser se-
leccionado.
No debe emplearse si hay un patrón determinado
en la población.

(Adaptado de Levin & Rubin, 2004, p. 241)

 Muestreo Sistemático
1 26 51 76
N = 100 2 27 52 77
3 28 53 78
4 29 54 79
Se desea una muestra n = 20 5 30 55 80
6 31 56 81
7 32 57 82
8 33 58 83
N/n = 5 9 34 59 84
10 35 60 85
11 36 61 86
Escoger un número aleatorio 12 37 62 87
13 38 63 88
de 1-5: Seleccionado: 4 14 39 64 89
15 40 65 90
16 41 66 91
Empezar con el 4 y escoger 17 42 67 92
18 43 68 93
cada quinto número 19 44 69 94
20 45 70 95
21 46 71 96
22 47 72 97
23 48 73 98
24 49 74 99
25 50 75 100
Muestreo Sistemático

Selección cada tres comenzando en el 1.

6 7 18 19 Rotación lenta
(aros, culatas)
5 8 17 20
4 9 16 21 Rotación moderada
(neumáticos, faros)
3 10 15 22
2 11 14 23 Rotación rápida
(grasas, pintura)
1 12 13 24
 Muestreo Aleatorio Estratificado
• La población es dividida en grupos relativamente
homogéneos (estratos).
• Selección aleatoria de elementos del estrato.
• Cantidad proporcional al estrato o con pesos.
• Cada grupo tiene una pequeña variación dentro de
sí mismo, pero hay una amplia variación entre los grupos.

(Adaptado de Levin & Rubin, 2004, p. 241)

 ESTRATOS

POBLACIÓN

MUESTRA
 Muestreo Aleatorio de Racimo

La población se divide en racimos (clusters)

Seleccionamos una muestra aleatoria de estos racimos.

Hay una variación considerable dentro de cada grupo, pero

los grupos son esencialmente similares entre sí.

(Adaptado de Levin & Rubin, 2004, pp. 241-244)

 RACIMOS

POBLACIÓN

MUESTRA
 Distribución Muestral de Medias

Media
µx = µ Distribución que consta de una
Error Estándar lista de todas las medias muestra-

σ
σ N −n
les posibles de un tamaño de
=
N −1
muestra dado ( de una población)
x n y la probabilidad asociada con
N −n
=
S cada media muestral.
S x n N −1 Si n/N<0.05, NO aplicar FCPF

(Adaptado de Lind et al., 2012, p. 275)

Distribución Muestral de Medias

Población de un grupo de estudio

Tamaño de la Población
N=4 A C
B D
Variable aleatoria X
Edad de las personas
Valores de X
18, 20, 22, 24 Años
 EDAD PROBABILIDAD
18 0.25
20 0.25
22 0.25
24 0.25
VARIABLE A LE ATORI A PROBA BI LIDA D

Variable Aleatoria: Variable X = Edad de las personas

Valores de la Variable x x (18, 20, 22, 24).
P(X=x) o f(x) Probabilidad de que la V.A. X tome el valor x
P(X=18) = 0.25 f(18) = 0.25
P(X=20) = 0.25 f(20) = 0.25
P(X=22) = 0.25 f(22) = 0.25
P(X=24) = 0.25 f(24) = 0.25
 Distribución Muestral de Medias

Parámetros de la Población Distribución Uniforme

P(X)
.3
.2
.1
0 X
A B C D
(18) (20) (22) (24)
 Distribución Muestral de Medias
Todas las muestras posibles de tamaño n=2

1a 2 da Observación 1a 2 da Observación
Obs 18 20 22 24 Obs 18 20 22 24
18 18,18 18,20 18,22 18,24 18 18 19 20 21
20 20,18 20,20 20,22 20,24 20 19 20 21 22
22 22,18 22,20 22,22 22,24 22 20 21 22 23
24 24,18 24,20 24,22 24,24 24 21 22 23 24

16 Muestras Media de
con reemplazo cada muestra
Distribución Muestral de Medias

Variable Frecuencia Probabilidad

18 1 0.0625
19 2 0.125
20 3 0.1875
21 4 0.25
22 3 0.1875
23 2 0.125
24 1 0.0625
16
 Distribución Muestral de Medias

Distribución de las Medias de las Muestras

1a 2 da Observación P(X)
Obs 18 20 22 24 .3
18 18 19 20 21
.2
20 19 20 21 22
.1
22 20 21 22 23
0 18 19 20 21 22 23 24 X
24 21 22 23 24

16 Medias Distribución de
de Muestras las medias de
las muestras
Distribución Muestral de Medias

Parámetros de la Distribución Muestral o de Muestreo

∑X
N

18 + 19 + 19 +  + 24
µX = i =1
= = 21
i

∑( X )
N 16

− µX
N
2

σX = i =1
i

(18 − 21) + ( 19 − 21) +  + ( 24 − 21)

N

= = 1.58
2 2 2

16
 Distribución Muestral de Medias
C o mpar ac ió n de la P oblac ió n c o n la
Dist ribu ció n M u est ral de M edias

Población Distribución de Muestreo

µ = 21 σ = 2.236
N=4 n=2
µ X = 21 σ X = 1.58

P(X) P(X) (Error Estándar)

.3
.3
.2
.2
.1
.1
0
A B C D X 0 18 19 20 21 22 23 24 X
(18) (20) (22) (24)
Distribución Muestral de Medias

Propiedades de la Distribución de Muestreo

La media de la distribución de muestreo es igual a la

media de la población

µx = µ

El error estándar de la distribución de muestreo es igual a la

desviación estándar de la población entre la raíz cuadrada de n

σx =
σ
n

(Levin & Rubin, 2004, p. 253)

 Distribución Muestral de Medias
Comparación de la Población con la Distribución
Muestral de Medias

Distribución de las muestras

Población σ
x x

x x
µ
Figura 5.9.
Distribución
de Muestreo σ
de la Media

µx

Figura 5.9. Adaptado de “Muestreo de poblaciones normales”, por Levin & Rubin, 2004, en Estadística para
administración y economía (7a ed.), p. 252. Copyright 2004 por Pearson Prentice Hall.
Distribución Muestral de Medias
Muestreo de Poblaciones Normales

Tendencia Central DISPERSIÓN

µx = µ σx = σ
n
Distribución de Distribución de
la Población Muestreo

σ = 10 n =4
σx = 5
n = 16
σx = 2.5

x
µ=50 µx = 50
Distribución Muestral de Medias
Poblaciones No Normales

Tendencia Central DISPERSIÓN

µx = µ σx = σ
n
Distribución de Distribución de
la Población Muestreo

σ = 10 n =4
σx = 5
n = 30
σx = 1.8

x
µ=50 µx = 50
 Distribución Muestral de Medias
Efecto del tamaño de la muestra

n=2 n=4
Probabilidad

Probabilidad Probabilidad
n = 20
Probabilidad

n=8

Conforme aumenta el tamaño de la muestra, la forma de la distribución se

vuelve más normal.
 Distribución de muestreo
de la proporción
Objetivo del sondeo es estimar la proporción (p) de las personas
con ciertas características.
Si n es suficientemente grande, la distribución se aproxima a la
normal. (nπ ≥ 5)
Si n/N<0.05, NO aplicar FCPF.
p = ;π = p =
x k

µ p = E( p) = π
n N

π (1 − π ) p (1 − p )
σ p
=
n
≈
n
p (1 − p ) N − n
σ p
=
n N −1
(Adaptado de Levin & Rubin, 2004, p. 248)
Distribución de muestreo de la
diferencia de dos estadísticos
independientes
µ −
= µ1 − µ 2
σ +σ
( x1 x 2 )
Diferencia entre
σ (x =
dos medias
−x )
2 2

1 2

1 2
n 1 n 2
muestrales

µ ( p1− p2 )
= p 1 − p 2
Diferencia entre
σ p−p = +
pq p q dos proporciones

1 1 2 2


1 2
n 1 n 2 muestrales
(o de Distribución Normal de Medias)

Conforme se La distribución de
incrementa el muestreo de la
tamaño de la media se aproxima
muestra a la normal.

x
(o de Distribución Normal de Medias)
El error estándar es la base de la inferencia de la media (que no se
conoce) de una población.
Si la población es normal, entonces la distribución de medias tam-
bién lo es. Si la población no es normal, la distribución de muestreo
de las medias se aproxima a la normal conforme aumente el
tamaño de la muestra.
Podemos usar la Distribución Normal :
• Si n ≥ 30 y también cuando n < 0.05N,
• Si n*π ≥ 5 y también cuando n(1-π) ≥ 5.
(o de Distribución Normal de Medias)

Para la mayoría de las distribuciones, n≥ 30

Para distribuciones casi simétricas, n>15
Para la población distribuida normalmente, la distribu-
ción de muestreo de la media siempre está normalmen-
te distribuida.

(Adaptado de Levin & Rubin, 2004, p. 257)

Factor de Corrección por
Población Finita
> 0.05
n
Cuan d o
N

σ x =
σ
∗ N −n
n N −1

σ x =
σ
n
∗ 1−
n
N
Factor de Corrección por
Población Finita
> 0.05
n
Cuan d o
N

σ p =
p (1 - p )
n ∗
N −n
N −1

σ p =
p (1 - p )
n ∗ 1−
n
N
Factor de Corrección por
Población Finita
Cálculo del FCPF para diversos n con N=1000.

n n/N FCPF
10 0.010 0.9955
25 0.025 0.9879
50 0.050 0.9752
100 0.100 0.9492
200 0.200 0.8949
500 0.500 0.7075
(o de Distribución Normal de Medias)
Una ciudad tiene 20 tiendas de una cadena de igual tamaño.
La desviación estándar de la rotación de personal en un año es
de 75. Si tomamos una muestra de 5 tiendas, sin reemplazo,
determine el error estándar de la media.

σ x =
σ
∗ N −n
N −1
σ
Dado:
75
n
σ = 75 x = ∗ 20 − 5
= (33.54) x (0.8885)
N = 20
20 − 1
σ
n=5 5
x = 29.8011
(o de Distribución Normal de Medias)
De una población infinita con media igual a 8 y desviación estándar
igual a 3 se extrae una muestra de 36 elementos. ¿Cuál es la

µx
probabilidad que la media de dicha muestra esté entre 7.6 y 8.4?

=8
µ =8 σ = 3 n = 36

σ
Calcular: P(7.6 < x < 8.4)
σ
x =
Distribución de Muestreo

σ 3 3
n
x = = = 0.5
36 6
µx = 8
7.6 8.4 x
P (7.6 < x < 8.4) =?
(o de Distribución Normal de Medias)
Valor Z para Distribución Muestral de Medias

x−µ
z=
σ

x−µ
z=
σ
n
(o de Distribución Normal de Medias)
µ =8 σ = 3 n = 36
Calcular P (7.6 < x < 8.4)

8.4 − 8
= = 0.8
0.4 Distribución normal
z8.4
3 0.5 Estándar

σZ = 1
36
7.6 − 8 − 0.4
z7.6 = = −0.8
3 0.5
36
P(-0.8 < z < 0.8) = 0.7881 − 0.2118
µz = 0
z
P(-0.8 < z < 0.8) = 0.5763
-0.8 0.8
(o de Distribución Normal de Medias)
Suponga que el 60% de todos los peruanos aprueban la forma
en que su Presidente maneja la economía; así π= 0.6. Si se tuviera
información independiente de que la media de la distribución
muestral de la proporción que lo aprueba fuera µp= 0.6, en tanto
que la desviación estándar fuera σp=0.049, ¿qué tan probable sería
que una muestra aleatoria simple de n=100 peruanos diera una
proporción de aprobación de más de 0.7?
p = ;π =
x k
Dado:
µ p = E ( p) = π
n N
n = 100
σp=
σp = 0.049 p (1 − p )
µp = 0.6
σp=
n
p (1 − p ) N −n
p = 0.7 n N −1
(o de Distribución Normal de Medias)
µ p = π = p = 0.6 σ p = 0.049 n = 100 p = 0.7
Calcular : P( p > 0.7)

Distribución de Muestreo

µ p
= E ( p)
= π = 0.6

p (1 − p )
σ p
=
n
= 0.049

P( p > 0.7) = ?
µ p = 0.6
0.7 X
(o de Distribución Normal de Medias)
Valor Z para Distribución Muestral de proporción

x−µ
z=
σ
p − µp
z=
σp
(o de Distribución Normal de Medias)
µ p = 0.6 σ p = 0.049 n = 100 p = 0.7
Calcular : P( p > 0.7)

0.7 − 0.6
= 2.04
Distribución normal
z0.7 Estándar
0.049 σZ =1

P( z > 2.04) = 1 − 0.9793 = 0.0207

µZ = 0
2.04 Z

Es poco probable que en una muestra de 100 peruanos se encuen-

tre que el 70% apruebe el manejo económico del presidente.
(o de Distribución Normal de Medias)
• Una investigación de mercados plantea realizar una encuesta para
estudiar las preferencias familiares de una nueva mantequilla.
Se desearía basar la encuesta en por lo menos 500 familias que
consuman mantequilla al menos ocasionalmente. Como se
desconoce cuales son las familias que consumen mantequilla, se
deberá extraer una muestra suficientemente grande como para
obtener dentro de ella 500 familias que consuman mantequilla.
Se supone que por lo menos el 60% de las familias consumen
mantequilla. Con base en esta creencia se decidió que una muestra
de 1000 familias debería ser suficiente.
• ¿Cuál es el número esperado de familias consumidoras de
mantequilla en la muestra?
• ¿Cuál es la probabilidad de que se obtengan menos de 500 familias
consumidoras de mantequilla?
(o de Distribución Normal de Medias)
• El número esperado = estimación puntual
np = 0.6 x1000 = 600 familias

p (1 − p )
σ =
Dado:
p
n = 1000 n

σ
σp = ?
µp = 0.6 = p (1 − p ) N −n
N −1
p
p = 0.5 n
(o de Distribución Normal de Medias)
µ p = π = p = 0 .6 σ p = ? n = 1000 p = 0.5
Calcular : P( p < 0.5)

p (1 − p )
σ
Distribución de Muestreo

p
=
n

σ = = 0.01549
0.6(1-0.6)
p
1000

P( p < 0.5) µ p = 0.6

0.5 X
?
(o de Distribución Normal de Medias)
µ p = 0.6 σ p = 0.01549 n = 1000 p = 0.5
Calcular : P( p < 0.5)
Distribución normal
0.5 − 0.6
= −6.4557
Estándar
z0.5
0.01549 σZ =1

P( z < −6.4557) = 5.3859 E − 11

P( p < 0.5) = 5.3859 E − 11
µZ = 0
-6.4557 Z

La probabilidad es muy pequeña, es casi seguro que en las 1000 fami-

lias se encuentren más de 500 que consuman mantequilla.
 Estadística

Métodos
Estadísticos

Estadística Estadística
Descriptiva Inferencial

Estimación Prueba de
Hipótesis

(Adaptado de Levin & Rubin, 2004, p. 4)

 Tipos de Estimación

Estimación

Estimación Estimación
Puntual de Intervalo

(Adaptado de Levin & Rubin, 2004, p. 275)

 Estimación
• Puntual
Un número (llamado punto)
que se emplea para estimar
un parámetro poblacional, ej.
media, varianza, proporción
muestral, etc.
• De intervalo
Expresa la amplitud dentro
de la cual probablemente
se encuentra un parámetro
poblacional (intervalos de
confianza)
 Estimación Puntual
Estadística de Muestra Parámetro de Población

Media de Muestra x Media de Población µ

Des. Est. Muestra s Des. Est. Población σ
Varianza Muestra s 2
Varianza Población σ 2

Proporción de Muestra p Proporción de Población p

 BIBLIOGRAFÍA
Anderson, D., Sweeney, D., & Williams, T. (2008). Estadística
para administración y economía (10ª ed.). México: CENGAGE.

Levin, R., & Rubin, D. (2004). Estadística para administración y

economía (7a ed.). México: Pearson Prentice Hall.

Lind, D., Marchal, W., & Wathen, S. (2012). Estadística aplicada

a los negocios y la economía (15a ed.). México: McGraw-Hill.