TEMA III

ESTIMACION
PUNTUAL Y POR
INTERVALOS
Los números que aparecen en las distribuciones de probabilidad de
las variables aleatorias tales como: p en la distribución binomial, A
en la distribución de Poisson, p y o en la distribución normal etc. se
llaman parámetros o características de la población.

La estimación estadística es el proceso mediante el cual se aproxima

el valor del parámetro de la población a partir de la información de
una muestra.
La estimación de un parámetro puede adoptar la
forma de un sólo punto, es decir la estimación de un
solo valor del parámetro de interés; o de un intervalo
,es decir la estimación de un rango de valores dentro
del cual se espera el valor del parámetro. La primera
se llama estimación puntual y la segunda estimación
por intervalo.
Estimación.

El objetivo es “estimar” el valor de parámetros

poblacionales de una v.a. , a partir de una
muestra x1,…,xn

Población
μ, σ, …

Muestra
 ESTIMACION PUNTUAL
Sea 𝑋1 , 𝑋2 , … … , 𝑋𝑛 una m.a. de una v.a. X y sean 𝑥1 , 𝑥2 , … … , 𝑥𝑛 los valores que
toma la muestra.

ESTIMADOR Cualquier estadístico Y = G(𝑋1 , 𝑋2 , … … , 𝑋𝑛 ) cuyo valor

y = G(𝑥1 , 𝑥2 , … … , 𝑥𝑛 ) se utiliza para estimar el parámetro θ, se dice que es un
estimador de θ y se escribe así,
θ = G(𝑋1 , 𝑋2 , … … , 𝑋𝑛 )

La estimación puntual de un parámetro desconocido θ de la población consiste en

elegir un estimador θ de θ, o sea una función de la muestra
θ = G(𝑋1 , 𝑋2 , … … , 𝑋𝑛 ) cuyo valor numérico particular θ = G(𝑥1 , 𝑥2 , … … , 𝑥𝑛 )
se toma como una aproximación de θ; este valor se llama estimado puntual de θ.
Un estimador es una función de n variables aleatorias independientes
observables. Las estimaciones obtenidas de tal función variarán de una
muestra a otra.

𝑓𝑋1 ,𝑋2,……,𝑋𝑛 𝑥1 , 𝑥2 , … , 𝑥𝑛 = 𝑓 𝑥1 𝑓 𝑥2 … 𝑓 𝑥𝑛
Puede haber varios posibles estimadores diferentes para un parámetro

Para decidir, qué estimador

puntual de un parámetro
particular θ es mejor, se necesita
estudiar sus propiedades
estadísticas y desarrollar algún
criterio para comparar
estimadores.
PROPIEDADES DE UN ESTIMADOR

Las propiedades o criterios para seleccionar un buen estimador son los

siguientes:

A)Insesgado: Un estimador θ de un parámetro θ es insesgado si su esperanza

coincide con el verdadero valor del parámetro.
E[θ] = θ
En el caso de que no coincidan, diremos que el estimador es sesgado.

B) Eficiencia: Dados dos estimadores θ1 y θ2 para un mismo parámetro θ, se

dice que θ1 es más eficiente que θ2 si:
V[θ1 ] < V[θ2 ].
C) Suficiencia: Se dice que un estimador de un parámetro
es suficiente cuando para su cálculo utiliza toda la
información de la muestra.

D) Consistencia: Decimos que un estimador θ de un

parámetro θ es consistente si la distribución del estimador
tiende a concentrarse en un cierto punto cuando el tamaño
de la muestra tiende a infinito.
𝑙𝑖𝑚
=𝑃 θ𝑛 −θ −𝜀 =1
𝑛→∞
 METODOS DE ESTIMACION PUNTUAL
El demostrar que un cierto estimador cumple estas propiedades puede ser
complicado en determinadas ocasiones. Existen varios métodos que nos van a
permitir obtener los estimadores puntuales. Los más importantes son:
• MÉTODO DE LOS MOMENTOS: se basa en que los momentos
poblacionales y se estiman mediante los momentos muestrales. Suelen dar
estimadores consistentes.
• MÉTODO DE MÍNIMOS CUADRADOS: consiste en obtener un estimador
que hace mínima una determinada función.
• MÉTODO DE MÁXIMA VEROSIMILITUD: consiste en tomar como
parámetro poblacional el valor de la muestra que sea más probable, es decir,
que tenga mayor probabilidad. Se suelen obtener estimadores consistentes y
eficientes. Es el más utilizado.
METODO DE MAXIMA VEROSIMILITUD

El principio de máxima verosimilitud, en su aplicación a la obtención

de estimadores puntuales, consiste en seleccionar aquel estimador que
maximice la probabilidad de obtener la muestra realmente observada.

Suponga que el número diario de ventas de autos nuevos que efectúa

determinado concesionario, es una variable aleatoria de Poisson con
parámetro 𝜆. Dado que en 20 días la venta total de autos fue de 30,
¿cuál es el estimador de máxima verosimilitud de 𝜆?
SOLUCION
1. Determinamos, el estimador de máxima verosimilitud del parámetro 𝜆 de la distribución de Poisson.

λ𝑥 𝑒 −λ
𝑝 𝑥; λ = , 𝑥 = 0,1,2, …
𝑥!

2. Sea 𝑋1 , 𝑋2 ,…, 𝑋𝑛 una m.a. de tamaño n de la v.a. de Poisson, con valores 𝑥1 , 𝑥2 ,…, 𝑥𝑛 .
Entonces,

λ𝑥𝑖 𝑒 −λ
𝑝 𝑥𝑖 ; λ = P X = 𝑥𝑖 = , 𝑥 = 0,1,2, …
𝑥𝑖 !
3. La función de verosimilitud es,
 El Intervalo de Confianza

Por ser una distribución de densidad y su forma, permite estimar intervalos de confianza
para la desviación estándar para niveles de significación , sea 0,05 0 0,01 que son los
usuales o cualesquiera que sirvan al proyecto. Considerando el intervalo confiable para una
chi-cuadrada cualquiera:
 2 ns2 
Pr(n1;)  2  (2n1);(1)  
  

Ecuación que se transforma fácilmente en:


 s n s n  
Pr 2   2  
(n1;)
 (n1);(1) 

El intervalo de confianza con probabilidad 1 -  para la desviación estándar.
 Estimación por intervalo de confianza:

Decimos que Iɸ es un intervalo de confianza

para ɸ al 1-α de confianza, si

P(  I )  1  
1- α: nivel de confianza (90%, 95%, 99%,…)
α: nivel de significación (10%, 5%, 1%,…)

El intervalo es tanto mayor cuanto mayor sea 1-α

 Construcción de un intervalo de confianza para ɸ:

1. Fijamos el nivel de confianza, 1-α

2. Elegimos un estadístico ξ, de distribución conocida,
donde esté involucrado ɸ.
3. Determinamos un intervalo Iξ, tal que

P(  I ξ )  1  
4. A partir de Iξ obtenemos Iɸ
Intervalos de confianza más importantes:
(expresiones: ver apuntes)

- Intervalos para la media poblacional (en varios supuestos):

requieren normalidad ó muestras grandes (n>30)

- Intervalos para la varianza y la desviación típica

poblacionales: requiere normalidad.

- Intervalos para el cociente de varianzas poblacionales:

requiere normalidad.
Intervalos de confianza más importantes:
(expresiones: ver apuntes)

- Intervalos para la diferencia de medias poblacionales:

requieren normalidad

 Muestras independientes: se basa en que la diferencia

de medias muestrales es una v.a. normal

 Datos pareados: construimos D=X-Y.

Intervalos de confianza más importantes:
(expresiones: ver apuntes)

- Otros (proporción muestral, diferencia de proporciones

muestrales): ver apuntes.
Variable Normal en la población
Se selecciona una muestra de tamaño n de una población
𝑋 → 𝑁(𝜇, 𝜎)
1. Intervalo de confianza para la media 𝜇 con 𝜎 conocida

2. Intervalo de confianza para la media 𝜇 con 𝜎 desconocida

3. Intervalo de confianza para la varianza 𝜎 2

 Por ultimo, sustituyendo los
𝛼 1 − 0,9 0,1
datos en la formula del
= = = 0,05
2 2 2
intervalo, tenemos:
De modo similar obtenemos los cuantiles de orden 0.05 y
0.95 que describen en el modelo normal una confianza del
99%
Ejemplo 2. Intervalo de confianza para la media con
𝝈 desconocida
Se ha obtenido una muestra de 15 vendedores de una Editorial
para estimar el valor medio de las ventas por trabajador en la
Empresa. La media y varianza de la muestra (en miles de euros)
son 5 y 2, respectivamente.
1. Intervalo de confianza para la venta media por trabajador en
la Editorial al 90 %.
2. Intervalo de confianza para la varianza de las ventas por
trabajador en la Editorial al 90 %.
Ejemplo 3. Intervalo de confianza para la proporción
Se ha obtenido una muestra al azar de 150 vendedores de una Editorial
para estimar la proporción de vendedores en la Editorial que no alcanza
un limite de ventas mínimo establecido por la dirección.
De entre los seleccionados, 50 no han conseguido llegar al limite de
ventas mínimo establecido.
1. Intervalo de confianza para la proporción de trabajadores en la
Editorial que no alcanza el limite al 80 %.
2. Intervalo de confianza para la proporción de trabajadores en la
Editorial que no alcanza el limite al 99 %.
𝛼 1 − 0,8 0,2
= = = 0,1
2 2 2
2 Intervalo de confianza para la proporción al 99 %. Usamos la formula:

La proporción de la muestra es up = 50/150 = 0,333. Los cuantiles de orden 0.1 y

0.9 para el nivel de confianza dado son -2.576 y 2.576, respectivamente.

0,333(1 − 0,333)
0,333 ± 2,576
0,005 0,99% 0,005 150

-2,576 2,576
(0.23, 0.43)