1

Introducción

Todo el mundo hace estimaciones. Cuando está por cruzar una calle, hace una estimación de la
velocidad del automóvil que se acerca, de la distancia que hay entre usted y el auto y de su
propia velocidad. Habiendo hecho rápidamente todas estas estimaciones, usted decide si
espera, camina o corre.

Los administradores también deben hacer estimaciones rápidas. El resultado de estas

estimaciones puede afectar sus organizaciones de manera tan seria como el resultado de su
decisión de cruzar la calle. Los jefes de departamento de una universidad hacen estimaciones
acerca de las inscripciones para el semestre siguiente en las materias. Los directores de crédito
estiman si un cliente pagará o no sus débitos. Los futuros compradores de casa hacen
estimaciones concernientes al comportamiento de las tasas de interés de los préstamos
hipotecarios. Todas estas personas hacen estimaciones sin preocuparse de si son científicas o
no, pero con la esperanza de que las estimaciones tengan una semejanza razonable con el
resultado.

Los administradores utilizan estimaciones porque, hasta en los asuntos más triviales, deben
tomar decisiones racionales sin contar con la información pertinente completa y con una gran
incertidumbre de lo que el futuro pueda deparar. Como ciudadanos instruidos y profesionales,
podremos hacer estimaciones más útiles si aplicamos las técnicas descritas en este capítulo y
los que le siguen.

El material sobre teoría de probabilidad que se presentó en los capítulos 4, 5 y 6 constituye la

base de la inferencia estadística, rama de la estadística que se ocupa del uso de los conceptos
de probabilidad para manejar la incertidumbre en la toma de decisiones. La inferencia estadística
está basada en la estimación, concepto que se introduce en este capítulo, y en las pruebas de
hipótesis, que es el tema de los capítulos 8, 9 y 10. Tanto en la estimación como en las pruebas
de hipótesis, haremos inferencias acerca de las características de las poblaciones a partir de la
información proporcionada por las muestras.

¿De qué manera los administradores utilizan estadísticas para estimar los parámetros de una
población? El jefe de departamento de alguna universidad intenta estimar el número de
inscripciones que tendrá el siguiente semestre a partir de las inscripciones actuales en los
mismos cursos. El director de un departamento de crédito intentará estimar el valor crediticio de
los futuros clientes a partir de una muestra de sus hábitos de pago. El comprador de una casa
intenta estimar el curso futuro de las tasas de interés mediante la observación de su
comportamiento actual. En cada caso, alguien trata de inferir algo acerca de una población a
partir de la información adquirida de una muestra.

Calcular la proporción exacta o la media exacta sería una meta imposible. Pero, a pesar de ello,
seremos capaces de hacer una estimación, establecer una afirmación respecto al error que tal
vez acompañará a esta estimación, y poner en marcha algunos controles para evitar dicho error
en la medida de lo posible. Como tomadores de decisiones, nos veremos forzados, en

Apuntes Estadística
Segundo semestre
 2

ocasiones, a confiar en nuestros presentimientos. Sin embargo, en otras situaciones, en las que
dispongamos de información y podamos aplicar los conceptos de estadística, tendremos mejores
resultados.

Tipos de estimaciones

Podemos hacer dos tipos de estimaciones concernientes a una población: una estimación
puntual y una estimación de intervalo. Una estimación puntual es un solo número que se utiliza
para estimar un parámetro de población desconocido. Si, mientras observa al primer integrante
de un equipo de fútbol americano salir al campo de juego, se dice: “¡Caramba! Apuesto a que el
peso promedio de los jugadores defensivos es de 125 kilogramos”, usted ha hecho una
estimación puntual. El jefe de departamento de una universidad estaría haciendo una estimación
puntual si afirmara: “Nuestros datos actuales indican que en esta materia tendremos 350
estudiantes el siguiente semestre.”

A menudo, una estimación puntual es insuficiente debido a que sólo tienen dos opciones: es
correcta o está equivocada. Si le dicen solamente que la afirmación sobre la inscripción está
equivocada, no sabe qué tanto está mal y no puede tener la certeza de que la estimación es
confiable. Si se entera de que sólo está errada por 10 estudiantes, podría aceptar a 350
estudiantes como una buena estimación de la inscripción futura. Pero si está equivocada en 90
estudiantes, la rechazaría como estimación de la inscripción futura. Entonces, una estimación
puntual es mucho más útil si viene acompañada por una estimación del error que podría estar
implicado.

Una estimación de intervalo es un rango de valores que se utiliza para estimar un parámetro de
la población. Una estimación de este tipo indica el error de dos maneras: por la extensión del
intervalo y por la probabilidad de que el verdadero parámetro poblacional se encuentre dentro
del intervalo. En este caso, el jefe de departamento diría algo como lo siguiente: “Estimo que la
inscripción real de este curso para el próximo semestre estará entre 330 y 380, y es muy
probable que la inscripción exacta caiga dentro de este intervalo.” Con esto tiene una mejor idea
de la confiabilidad de su estimación. Si el curso se imparte en grupos de 100 estudiantes cada
uno y si, tentativamente, se han programado cinco cursos, entonces, de acuerdo con la
estimación, puede cancelar uno de los grupos y abrir uno optativo.

Estimador y estimaciones

Cualquier estadístico de la muestra que se utilice para estimar un parámetro poblacional se

conoce como estimador, es decir, un estimador es un estadístico de la muestra utilizado para
estimar un parámetro poblacional. La media de la muestra x puede ser un estimador de la media
de la población, y la proporción de la muestra se puede utilizar como un estimador de la
proporción de la población. También es posible emplear el rango de la muestra como un
estimador del rango de la población.

Apuntes Estadística
Segundo semestre
 3

Cuando hemos observado un valor numérico específico de nuestro estimador, nos referimos a
ese valor como una estimación. En otras palabras, una estimación es un valor específico
observado de un estadístico. Hacemos una estimación si tomamos una muestra y calculamos el
valor que toma nuestro estimador en esa muestra. Suponga que calculamos la lectura media de
un odómetro (kilometraje) a partir de una muestra de taxis en servicio y encontramos que es
156,000 kilómetros. Si utilizamos este valor específico para estimar el kilometraje de la flotilla de
taxis completa, el valor obtenido de 156,000 kilómetros sería una estimación. En la tabla 7-1
ilustramos varias poblaciones, parámetros, estimadores y estimaciones.

Criterios para seleccionar un buen estimador

Algunos estadísticos son mejores estimadores que otros. Afortunadamente, podemos evaluar la
calidad de un estadístico como estimador mediante el uso de cuatro criterios:

1. Insesgado. Ésta es una propiedad deseable para un buen estimador. El término

insesgado se refiere al hecho de que una media de la muestra es un estimador no
sesgado de una media de la población porque la media de la distribución muestral de las
medias de las muestras tomadas de la misma población es igual a la media de la
población misma. Podemos decir que un estadístico es un estimador insesgado (o no
sesgado) si, en promedio, tiende a tomar valores que están arriba del parámetro de la
población que se está estimando con la misma frecuencia y la misma extensión con la
que tiende a asumir valores abajo del parámetro poblacional que se está estimando.
2. Eficiencia. Otra propiedad deseable de un buen estimador es que sea eficiente. La
eficiencia se refiere al tamaño del error estándar del estadístico. Si comparamos dos
estadísticos de una muestra del mismo tamaño y tratamos de decidir cuál de ellas es un
estimador más eficiente, escogeríamos la estadística que tuviera el menor error estándar
o la menor desviación estándar de la distribución muestral. Suponga que escogemos una
muestra de un tamaño determinado y debemos decidir si utilizamos la media de la
muestra o la mediana de la muestra para estimar la media de la población. Si calculamos
el error estándar de la media de la muestra y encontramos que es 1.05, y luego
calculamos el error estándar de la mediana de la muestra y tenemos que éste es 1.6,
diríamos que la media de la muestra es un estimador más eficiente de la media

Apuntes Estadística
Segundo semestre
 4

poblacional ya que su error estándar es menor. Tiene sentido pensar que un estimador
con un error estándar menor (con menos variación) tendrá mayor oportunidad de producir
una estimación más cercana al parámetro poblacional que se está considerando.
3. Consistencia. Una estadística es un estimador consistente de un parámetro de población
si al aumentar el tamaño de la muestra, se tiene casi la certeza de que el valor de la
estadística se aproxima bastante al valor del parámetro poblacional. Si un estimador es
consistente, se vuelve más confiable al tener tamaños de muestra más grandes. Si usted
se pregunta acerca de la posibilidad de aumentar el tamaño de la muestra para obtener
más información sobre un parámetro poblacional, averigüe primero si su estadístico es un
estimador consistente o no. Si no lo es, desperdiciará tiempo y dinero al tomar muestras
más grandes.
4. Suficiencia. Un estimador es suficiente si utiliza tanta información de la muestra que
ningún otro estimador puede extraer información adicional acerca del parámetro de
población que se está estimando.

Un estadístico de la muestra dado no siempre es el mejor estimador de su parámetro

poblacional correspondiente. Considere una población con distribución simétrica, en la que
los valores de la mediana y de la media coinciden. En este caso, la media de la muestra
sería un estimador imparcial de la mediana de la población. También, la media de la muestra
sería un estimador consistente de la mediana de la población puesto que, al aumentar el
tamaño de la muestra, el valor de la media de la muestra tenderá a acercarse bastante a la
mediana de la población. Y la media de la muestra sería un estimador más eficiente de la
mediana de la población que la mediana de la muestra misma, ya que en muestras grandes,
la media de la muestra tiene un error estándar menor que la de la mediana de la muestra. Al
mismo tiempo, la mediana de la muestra de una población con distribución simétrica sería un
estimador imparcial y consistente de la media de la población, pero no el más eficiente,
porque en muestras grandes su error estándar es mayor que el de la media de la muestra.

Estimaciones puntuales
La media de la muestra x es el mejor estimador de la media de la población . Es insesgada,
consistente, el estimador más eficiente y, siempre y cuando la muestra sea suficientemente
grande, su distribución muestral puede ser aproximada por medio de la distribución normal.
Si conocemos la distribución muestral de x , podemos obtener conclusiones respecto a
cualquier estimación que podamos hacer a partir de la información muestral. Considere el
caso de una compañía de suministros clínicos que produce jeringas desechables. Cada
jeringa está cubierta por una envoltura estéril que a su vez se empaca en grandes cajas de
cartón corrugado. Debido al proceso de empaque, las cajas de cartón contienen distintas
cantidades de jeringas. Como las jeringas se venden por pieza, la compañía necesita una
estimación del número de piezas que hay por caja, para propósitos de facturación. Tomamos
una muestra aleatoria de 35 cajas y registramos el número de jeringas contenidas en cada
caja. La tabla 7-2 ilustra los resultados. Utilizando los conceptos del capítulo 3, podemos
obtener la media de la muestra, x, sumando todos los resultados, x, y dividiendo esta suma
entre n, el número de cajas muestreadas:

Apuntes Estadística
Segundo semestre
 5

Utilizando esta ecuación para resolver el problema, tenemos:

Así, al usar la media de la muestra, x como estimador, la estimación puntual de la media de

la población, es 102 jeringas por caja. El precio de fabricación de cada jeringa hipodérmica
desechable es bastante bajo (alrededor de 25 centavos), de modo que tanto el comprador
como el vendedor aceptarían esta estimación puntual como base para la facturación, y el
fabricante puede ahorrarse el tiempo y el gasto de contar las jeringas contenidas en las
cajas.

Estimación puntual de la varianza y la desviación estándar

de la población
Suponga que la administración de la compañía de suministros clínicos desea estimar la
varianza y/o la desviación estándar de la distribución del número de jeringas empacadas por
caja. El estimador más utilizado para estimar la desviación estándar de la población , es la
desviación estándar de la muestra, s. Podemos calcular la desviación estándar de la muestra
como lo hicimos en la tabla 7-3 y descubrir que es 6.01 jeringas. Si en lugar de considerar

como nuestra varianza de la muestra, hubiéramos usado la ecuación:

Apuntes Estadística
Segundo semestre
 6

el resultado habría tenido algo de sesgo como estimador de la varianza de la población;

específicamente, hubiera tendido a ser demasiado bajo. Utilizar en el divisor n 1, nos da un
estimador imparcial de Sigma2 . En consecuencia, usaremos s2 (según se define en la
ecuación 3-17) y s (ecuación 3-18) para estimar sigma2 y sigma.

Estimación puntual de la proporción de la población

La proporción de unidades de una población dada que tiene una característica particular se
denota por p. Si conocemos la proporción de unidades de una muestra que tiene la misma
característica (denotada por pˆ, podemos utilizar esta pˆ como estimador de p. Se puede
demostrar que pˆ tiene todas las características deseables analizadas; es insesgado (no
sesgado), consistente, eficiente y suficiente.

Continuando con nuestro ejemplo del fabricante de suministros médicos, intentaremos hacer
una estimación de la proporción de la población a partir de la proporción de la muestra.
Suponga que la administración de la empresa desea estimar el número de cajas que llegarán
dañadas a su destino por mal manejo en el traslado. Podemos verificar una muestra de 50
cajas a partir del punto de embarque hasta su arribo al punto de destino, y luego registrar la
presencia o ausencia de daños. En este caso, si encontramos que la proporción de cajas
dañadas en la muestra es 0.08, diríamos que

Y, debido a que la proporción de la muestra pˆ es un estimador conveniente de la proporción

de la población p, podemos estimar que la proporción de cajas dañadas de toda la población
será también 0.08.

Apuntes Estadística
Segundo semestre
 7

Apuntes Estadística
Segundo semestre