Estimación puntual y por intervalos

Introducción

Para una población en la que

desconoce sus parámetros, una • La aproximación se
muestra aleatoria de dicha población
permite realizar una aproximación.
llama estimación.
• ¿Qué valor podemos atribuirle al
Además de la estimación, y dado que
parámetro a partir de la información
muy probablemente no coincida con de la muestra?
el valor real del parámetro, se puede
• ¿En qué intervalo es más probable
calcular el error aproximado que se
que se encuentre el parámetro dada
comete al realizarla. la información que se tiene?
Estimación puntual

• La estimación de parámetros tiene por finalidad asignar valores a los

parámetros poblacionales a partir de los estadísticos obtenidos en las
muestras.
• La finalidad de la estimación de parámetros es caracterizar las
poblaciones a partir de la información de las muestras (por ejemplo,
inferir el valor de la Media de la población a partir de los datos de la
muestra).
Estimación puntual

• Estimador insesgado: un estimador insesgado, de un parámetro θ de una

� es aquel cuya esperanza es igual al parámetro.
distribución de probabilidades 𝜃𝜃,
𝐸𝐸 𝜃𝜃� = 𝜃𝜃

• Sesgo: se define como: 𝑆𝑆 𝜃𝜃� = 𝐸𝐸 𝜃𝜃� − 𝜃𝜃 = 𝐸𝐸 𝜃𝜃� − 𝜃𝜃

Estimación puntual

• Por lo tanto un estimador insesgado, en un número muy grande

estimaciones, tiene un promedio que difiere poco del valor del
parámetro.

• Para un mismo parámetro pueden existir muchos estimadores

insesgados, se elige el de varianza mínima pues este será el más
confiable. Este criterio es útil sobre todo en distribuciones simétricas.
 Estimación puntual de parámetro: distribución
normal

• Los parámetros son µ y σ2, la media y la varianza de una distribución

aleatoria.

• La media aritmética 𝑥𝑥̅ es el estimador de µ y es insesgado pues

2 2
� ⁄ �
𝑋𝑋~𝑁𝑁 𝜇𝜇, 𝑛𝑛 , por lo tanto 𝐸𝐸 𝑋𝑋 = 𝜇𝜇 y su varianza es ⁄𝑛𝑛 por lo que
𝜎𝜎 𝜎𝜎

para mayor 𝑛𝑛 el estimador es más confiable.

• Para realizar la estimación puntal de la media poblacional puedo usar la
media muestral 𝜇𝜇� = 𝑥𝑥̅
 Estimación puntual de parámetro: distribución
normal

2
•La varianza muestral 𝑆𝑆 se usa como estimador
2
de la varianza poblacional 𝜎𝜎 . Recuerde que
2 2
𝐸𝐸 𝑆𝑆 = 𝜎𝜎 , lo que la convierte en un estimador
insesgado.
•Para realizar la estimación puntal de la varianza
poblacional puedo usar la varianza muestral
� 2
𝜎𝜎 = 𝑆𝑆 2
Estimación por intervalo

• Se tiene una muestra aleatoria X1, X2, …., Xn de variables con la misma
función de distribución de probabilidades, en la cual hay un parámetro de
interés θ.
• Sean 𝐿𝐿 y 𝐿𝐿� dos estadísticas. Un intervalo de confianza (𝐿𝐿,𝐿𝐿� ) para θ es tal
que antes de tomar la muestra, la probabilidad de que 𝜃𝜃 ∈ 𝐿𝐿, 𝐿𝐿� es 1 – α.

𝑃𝑃 𝐿𝐿 < 𝜃𝜃 < 𝐿𝐿 = 1 − 𝛼𝛼

• 1 - α es el nivel de confianza del intervalo.

 Intervalo de confianza para la media de una
distribución de probabilidades normal con
varianza poblacional desconocida
• Un intervalo de confianza (1-α) para µ está dado por:
𝑥𝑥 − 𝑆𝑆� × 𝑡𝑡𝛼𝛼� , 𝑛𝑛−1 , 𝑥𝑥 + 𝑆𝑆� × 𝑡𝑡𝛼𝛼� , 𝑛𝑛−1
𝑛𝑛 2 𝑛𝑛 2

𝑛𝑛 × 𝑥𝑥̅ − 𝜇𝜇
𝑛𝑛 × 𝑥𝑥̅ − 𝜇𝜇 = −𝑡𝑡𝛼𝛼/2, 𝑛𝑛−1
~𝑡𝑡 𝑆𝑆
𝑛𝑛−1
𝑆𝑆 𝑛𝑛 × 𝑥𝑥̅ − 𝜇𝜇
= 𝑡𝑡𝛼𝛼/2, 𝑛𝑛−1
𝑆𝑆
• Ejemplo 8.1 (Infante)
En una región agrícola se siembra predominantemente una
variedad de trigo que tiene un rendimiento medio de 3.5
toneladas por hectárea. Una compañía productora de
semillas ha desarrollado una nueva variedad y pretende
que el rendimiento promedio es mayor que en la variedad
común usada. Para probar esta aseveración se siembran
nueve lotes experimentales con la nueva variedad, y se
obtienen los siguientes rendimientos (en toneladas por
hectárea). Determine el intervalo de confianza para
rendimiendo poblacional

3.15 3.92 4.26 3.36 3.72 4.19 3.42 4.38 4.5

Intervalo de confianza para la media
usando con varianza poblacional conocida
• Este método es válido para cualquier tipo de distribución gracias al teorema central del
límite. Si se tiene una muestra aleatoria X1, X2, …., Xn donde 𝐸𝐸 𝑥𝑥𝑖𝑖 = 𝜃𝜃 y 𝑉𝑉𝑉𝑉𝑉𝑉 𝑥𝑥𝑖𝑖 = 𝜎𝜎 2 ,
un intervalo de confianza (1-α) para θ, cuando n es grande, puede aproximarse por:

𝑥𝑥 − 𝑆𝑆� × 𝑧𝑧𝛼𝛼� , 𝑥𝑥 + 𝑆𝑆� × 𝑧𝑧𝛼𝛼�

𝑛𝑛 2 𝑛𝑛 2

• Donde 𝑥𝑥̅ y S2 son la media y la varianza muestral. La aproximación será mejor mientras
mayor sea n.
Elección del tamaño de la muestra
• El intervalo de confianza estable una relación entre la estimación 𝑥𝑥̅ y la
media µ. 𝐸𝐸 = 𝑥𝑥̅ − 𝜇𝜇 , se denomina como error de estimación (E), con esto
es posible controlar el valor del tamaño de la muestra n.

• Si 𝑥𝑥̅ es estimador de µ a un nivel de significancia 𝛼𝛼 y E no va a exceder

cierto valor E0 definido por el experimentador, entonces:
𝑧𝑧𝛼𝛼/2 × 𝜎𝜎 2
𝑛𝑛 = Si n no es un entero, debe ser
𝐸𝐸 redondeado por encima
Intervalo de confianza para la varianza de una
distribución de probabilidades normal
• Un intervalo de confianza (1-α) para σ2 está dado por:

𝑛𝑛 − 1 × 𝑆𝑆 2 𝑛𝑛 − 1 × 𝑆𝑆 2
,
χ𝛼𝛼2� , 𝑛𝑛−1 χ21−𝛼𝛼�
2 2 , 𝑛𝑛−1

𝑛𝑛 − 1 × 𝑆𝑆 2
𝑛𝑛 − 1 × 𝑆𝑆 2 2 2
= χ2(1−𝛼𝛼/2), 𝑛𝑛−1
~χ 𝑛𝑛−1 𝜎𝜎
𝜎𝜎 2 𝑛𝑛 − 1 × 𝑆𝑆 2 2
= χ𝛼𝛼/2, 𝑛𝑛−1
𝜎𝜎 2
• Ejemplo 8.4 (Infante)

Para establecer la variabilidad en las mediciones de un

equipo, con el que se trata de determinar el porcentaje
de magnesio en un producto, se realizan 12
determinaciones en una solución que se sabe tiene 5% de
magnesio. De acuerdo con las normas de calidad
vigentes, la máxima desviación que podemos tolerar es
de 0.2%. Es decir, que si el equipo es adecuado, debe
tener una σ2 < 0.04 (en porcentaje). Determine el
intervalo de confianza de la varianza

5,1 4,8 5,2 5,3 4,7 4,8 4,9 5,1 5,2 4,9 4,8 5,3
 Correspondencia entre la prueba de
hipótesis y el intervalo de confianza

• Si (𝐿𝐿,𝐿𝐿� ) es un intervalo de (1-α) para un parámetro θ, entonces la prueba

de hipótesis Ho: θ = θo en oposición a Ha: θ ≠ θo no se rechaza con un
nivel de significancia α, para ninguna θo en el intervalo (𝐿𝐿,𝐿𝐿� ).

• Los valores máximos y mínimos de θo para los cuales no se rechazaría Ho

son 𝐿𝐿 y 𝐿𝐿� , a un nivel de significancia de α.