FACULTAD DE CIENCIAS FISICAS Y MATEMATICAS

DEPARTAMENTO DE ESTADÍSTICA
UNIVERSIDAD DE CONCEPCIÓN

Clase : Estimación Puntual

Prof: Andrea Fernández Jerez.

ESTUDIO DE CASO
Suponga que usted es dueño de una empresa que fabrica cerveza de
manera industrial. Usted produce cerveza en latas de 350cc. Dado que una
máquina se encarga del llenado de las latas, ésta puede presentar fallas y
no llenar las latas con exactamente 350cc.
¿Cómo podemos saber si la máquina está calibrada?
ESTUDIO DE CASO
En base a la cantidad de cerveza que cada una de las latas de la muestra
tiene, podemos concluir si la máquina está o no calibrada, asumiendo que
aceptaremos latas con cervezas entre 340cc y 360cc.

Lo anterior es lo que se hace con las herramientas estadísticas que

aprenderemos en el curso.
OBJETIVOS
▪En el ejemplo de las cervezas, queremos ver qué pasa con el
contenido de las latas que estamos fabricando (variable de interés).
▪El contenido de las latas es una variable aleatoria pues cambia de
lata en lata que midamos por ende tiene una cierta distribución de
probabilidad, una media, una varianza (parámetros desconocidos).
▪Queremos saber cuál sería la distribución de probabilidad asociada
al proceso de llenado, estimar la media y la varianza.
OBJETIVOS
▪Suponga que consideramos solo 15 de las latas de cerveza
producidas un día y medimos la cantidad de cerveza en cada
lata...es decir tenemos las observaciones de la muestra...
▪¿Qué información es relevante en la muestra? ¿Cómo podemos utilizar
la información de una muestra para hablar acerca del proceso en
general?
▪Con esas 15 observaciones...?cómo podemos decir si el proceso de
llenado está bien calibrado o no?...
OBJETIVOS
▪La Inferencia Estadística contempla un conjunto de herramientas que
nos permite dilucidar características de la población en base a la
información que las muestras puedan tener.
OBJETIVOS
INFERENCIA
Las herramientas que la inferencia entrega, podemos clasificarlas en
dos grandes grupos:

Estimación puntual e intervalar.

Pruebas de hipótesis.
ESTIMACIÓN PUNTUAL E INTERVALAR
El objetivo es entregar posibles valores para los parámetros
desconocidos de la población en base a la información que la
muestra tenga.
Buscaremos valores que tengan buenas propiedades para
considerarlos como posibles valores de los parámetros.
Además, podremos entregar un intervalo de valores para el
parámetro.
ESTIMADOR
El objetivo de la estimación puntual es seleccionar un número, en base
a los datos de la muestra, que sea lo más parecido al verdadero
parámetro de la población .
Denotaremos como ESTIMADOR a un estadístico que especifica cómo
utilizar los datos de la muestra para estimar un parámetro
desconocido de la población.
DEFINICIONES:

Error Muestral. (Si te pesas, ¿más menos cuánto permites que la

balanza se equivoque: 100 gramos, 500 gramos, 3 kilos, 10
kilos?)

Nivel de Confianza. Probabilidad de que la estimación efectuada

se ajuste a la realidad.
DISTRIBUCIONES MUESTRALES.
Dependiendo del tamaño de una población, no siempre es posible
obtener conclusiones generales relativas a características de toda
la población. En tales casos podremos considerar sólo una
fracción, que llamaremos muestra.

Lo anterior implica que la calidad de las conclusiones respecto de

la población, que se obtengan a partir de esta muestra,
dependerá de la calidad de la muestra obtenida.
La calidad de la inferencia depende de las propiedades de la
muestra, entre ellas, la aleatoriedad es la más importante.

Definición. Sean X1,...,Xn variables aleatorias, si ellas son

independientes e idénticamente distribuidas (iid), diremos que
X1,...,Xn, es una muestra aleatoria.
Recordemos que las inferencias están basadas en lo que
llamaremos estadísticos los cuales son funciones del conjunto
de variables aleatorias X1,...,Xn que constituyen una muestra
aleatoria de una población determinada.

Así, inferimos acerca de algún parámetro poblacional

desconocido mediante un estadístico obtenido desde la
muestra.
TAMAÑO DE MUESTRA PARA ESTIMAR LA MEDIA
DE LA POBLACIÓN

Pasos necesarios para determinar el tamaño de una

muestra empleando el muestreo aleatorio simple.
En primer lugar el nivel de confianza al que queremos
trabajar; en segundo lugar, cual es el error máximo que
estamos dispuestos a admitir en nuestra estimación, en
tercer lugar conocer la varianza de la variable que
queremos medir en la población.
OBSERVAR QUE:
▪Mientras mayor sea la varianza de la población mayor será el
tamaño de la muestra.

▪Un investigador que quiere tener mucha confianza en su

estimación, tiene que pagar el precio con un mayor tamaño de la
muestra.

▪Intervalos de confianza estrechos requieren muestras grandes.

DISTRIBUCIÓN MUESTRAL DE
MEDIAS.
Teorema. Si X1,...,Xn es una muestra aleatoria de una
población con media  y varianza 2, entonces:
DISTRIBUCIÓN MUESTRAL DE
PROPORCIONES
Suponga que se tiene una población infinita distribuida binomialmente, donde
p y q son las probabilidades respectivas de que cualquier miembro de la
población, presente o no cierta propiedad.
Considere todas las muestras posibles de tamaño n extraídas de esta
población, y para cada muestra determine el estadístico proporción P de
éxitos .

µ=p σ=√(pq/n)
Siguiendo con el ejemplo del negocio de cervezas... la variable
aleatoria que se quiere medir es

X: cantidad de cerveza.

La variable Xi indica la cantidad de cerveza de la i−ésima lata.

ESTIMADOR INSESGADO
OBSERVACIONES
ERROR CUADRÁTICO MEDIO
MÉTODOS DE CONSTRUCCIÓN DE ESTIMADORES

Método de los momentos: Se basa en igualar los momentos muestrales

con los momentos poblacionales.

Método de máxima verosimilitud: Se basa en maximizar la función de

verosimilitud (que mide lo verosímil o creíble que resulta cada valor
de θ cuando se ha obtenido una muestra concreta.
MÉTODO DE MOMENTOS
MÉTODO DE MÁXIMA VEROSIMILITUD

La función de verosimilitud L(θ) se define: