Instituto Tecnológico de Aguascalientes
INGENIERÍA INDUSTRIAL
Estadística Inferencial I
Estimación
PROFESOR: FELIPE DE JESUS GANDARA
ALUMNO: JATZIRI AMBRIZ GARCÍA
FECHA: 11 DE SEPTIEMBRE DEL 2022
Introducción
La estimación es la determinación de un elemento o factor. Esto, usualmente
tomando como referencia una base o conjunto de datos es por ello que en la
estadística es sumamente importante ya que se realiza mediante una evaluación y
puede efectuarse sobre una muestra y no sobre toda la población objetivo.
Podemos utilizarla para Calcular indicadores estadísticos como la media, la
mediana y la moda, calcular el valor de una variable determinada con base en
otras, realizar proyecciones de una variable, etc.
A continuación, se realizó una investigación sobre los dos tipos principales de
estimadores en estadística son los estimadores puntuales y los estimadores de
intervalo, en que casos es recomendable utilizarlo y como.
Estimación puntual
Cuando no se conoce alguna característica de la población, el estadístico
correspondiente de la muestra puede ser utilizado como estimador del parámetro
poblacional. Es lo que se conoce como estimación puntual, que se aplica cuando
un estadístico de la muestra es usado para estimar un parámetro poblacional. Al
ser un estimador puntual una variable aleatoria cuya distribución en el muestreo
depende del parámetro desconocido, se utilizan dos criterios para evaluar la
bondad del estimador, que son que sea insesgado respecto al parámetro a estimar
y que tenga varianza mínima. Los estimadores puntuales más usuales son la
distribución binomial, la distribución de Poisson de parámetro λ y la distribución
normal, con sus tipificaciones asociadas.
Los estimadores puntuales son funciones que se utilizan para encontrar un valor
aproximado de un parámetro poblacional a partir de muestras aleatorias de la
población. Utilizan los datos de la muestra de una población para calcular una
estimación puntual o un estadístico que sirva como la mejor estimación de un
parámetro desconocido de una población.
Las principales características de los estimadores puntuales son las siguientes:
Sesgo: Se define como la diferencia entre el valor esperado del estimador y el
valor del parámetro que se estima. Cuando el valor estimado del parámetro y el
valor del parámetro que se está estimando son iguales, el estimador se considera
insesgado. Además, cuanto más cerca esté el valor esperado de un parámetro del
valor del parámetro que se está midiendo, menor será el sesgo.
Consistencia: La consistencia nos indica lo cerca que se queda el estimador
puntual del valor del parámetro a medida que aumenta su tamaño. El estimador
puntual requiere un tamaño de muestra grande para que sea más consistente y
preciso.
También se puede comprobar si un estimador puntual es consistente observando
su valor esperado y su varianza correspondientes. Para que el estimador puntual
sea consistente, el valor esperado debe acercarse al valor real del parámetro.
Más eficiente o insesgado: El estimador puntual más eficiente es el que tiene la
menor varianza de todos los estimadores insesgados y consistentes. La varianza
mide el nivel de dispersión de la estimación, y la menor varianza debería variar lo
menos posible de una muestra a otra. En general, la eficacia del estimador
depende de la distribución de la población.
El proceso de estimación puntual implica utilizar el valor de un estadístico que se
obtiene a partir de los datos de la muestra para obtener la mejor estimación del
correspondiente parámetro desconocido de la población. Se pueden utilizar varios
métodos para calcular los estimadores puntuales, y cada método tiene diferentes
propiedades.
Método de los momentos
El método de los momentos para estimar parámetros fue introducido en 1887 por
el matemático ruso Pafnuty Chebyshev. Comienza por tomar hechos conocidos
sobre una población y luego aplicar los hechos a una muestra de la población. El
primer paso consiste en obtener ecuaciones que relacionen los momentos de la
población con los parámetros desconocidos. El siguiente paso es extraer una
muestra de la población que se utilizará para estimar los momentos de la
población. Las ecuaciones derivadas en el primer paso se resuelven utilizando la
media muestral de los momentos poblacionales. Esto produce la mejor estimación
de los parámetros poblacionales desconocidos.
Estimador de máxima verosimilitud
El método del estimador de máxima verosimilitud de la estimación puntual intenta
encontrar los parámetros desconocidos que maximizan la función de verosimilitud.
Toma un modelo conocido y utiliza los valores para comparar conjuntos de datos y
encontrar el más adecuado para los datos.
La estimación puntual se calcula a partir de los valores de los parámetros dados.
Número de éxito (x)
Tamaño de muestra (s)
Nivel de confianza (α)
Índice Z (z)
Fórmulas de estimación puntual para las técnicas más utilizadas:
Estimación de máxima verosimilitud (MLE)
x/s
Estimación de Jeffrey
(x + 0.5) / (s + 1)
Estimación de Wilson
(x + z²/2) / (s + z²)
Estimación de Laplace
(x + 1) / (s + 2)
Como cada método es adecuado para diferentes ocasiones, sus resultados varían
un poco.
Cuando (x / s = 1.0), elija el resultado del método de Laplace.
Cuando (0,9 ≤ x / s <1,0), elija el resultado del método de Laplace o Jeffreys
(menor de estas estimaciones).
Cuando (x / s ≤ 0,5), elija el resultado del método de Wilson.
Una estimación puntual ideal debe cumplir tres condiciones:
Imparcial: El valor esperado de los estimadores es igual a la media de un
parámetro.
Consistente: El valor de un estimador se acerca al valor de un parámetro dado a
medida que aumenta el tamaño de la muestra.
Eficiente: El estimador tiene la desviación más pequeña de todos los estimadores.
Estimación por intervalos
El intervalo dentro del cual se espera que se encuentre un parámetro poblacional
usualmente es conocido como intervalo de confianza que se utiliza para indicar el
grado de fiabilidad de una estimación, y se calcula a partir de los datos
observados. Los puntos finales de los intervalos se denominan límites de
confianza superior e inferior. Se trata por lo tanto de una variable aleatoria
bidimensional, donde, por ejemplo, el intervalo de confianza para la media
poblacional es el intervalo de valores que tiene una alta probabilidad de contener a
la media de la población. Por lo tanto, en una estimación por intervalo se establece
el rango de valores dentro del cual se espera que se encuentre un parámetro
poblacional. Al ser el estimador por intervalo una variable aleatoria, resulta
adecuado hablar en términos de probabilidad de que el estimador cubra el
verdadero valor del parámetro.
Los casos que existen en el planteamiento de los estimadores por intervalos de
confianza para una distribución normal son los siguientes, en función del
conocimiento previo que se tenga de la población:
- Intervalo de confianza para la media de una distribución normal de varianza
conocida ⇒ test Z
- Intervalo de confianza para la media de una distribución normal de varianza
desconocida i.
Muestras superiores a n>30 ⇒ test Z.
Muestras pequeñas n<30 ⇒ test t.
- Intervalo de confianza para varianza de una distribución normal ⇒ test F
Estimación por intervalos con muestras pequeñas (n ≤ 30). Como se ha indicado
anteriormente, para poder utilizar la distribución normal es necesario que las
muestras sean grandes (n > 30) y conocer la desviación estándar. Si no se conoce
σ se utiliza s, pero si además la muestra es pequeña, los resultados no serán
satisfactorios. En estos casos se utiliza la distribución t de Student, cuyas
características son que es una distribución continua, tiene forma de campana y es
simétrica, es una familia de curvas todas con la misma media de cero, pero sus
desviaciones estándar difieren de acuerdo al tamaño de la muestra, y que es más
baja y dispersa que la distribución normal. Cuando el tamaño de la muestra se
incrementa, la distribución t se aproxima a la normal.
Conclusión
Con base a lo investigado anteriormente puedo observar que la estimación puntual
es lo contrario de la estimación por intervalos. Produce un único valor, mientras
que la segunda produce un rango de valores. Un estimador puntual es un
estadístico utilizado para estimar el valor de un parámetro desconocido de una
población. Utiliza los datos de la muestra para calcular un único estadístico que
será la mejor estimación del parámetro desconocido de la población. Por otro lado,
la estimación por intervalos utiliza los datos de la muestra para calcular el intervalo
de los posibles valores de un parámetro desconocido de una población. El
intervalo del parámetro se selecciona de forma que caiga dentro de una
probabilidad del 95% o superior, también conocida como intervalo de confianza.
En resumen, una estimación puntual es una estimación de un parámetro, que da
como resultado un valor único y una estimación de intervalo es una estimación que
muestra el rango de valores donde se espera que esté el resultado. Por lo tanto, la
estimación de intervalo difiere de la estimación puntual ya que devuelve un rango de
valores en lugar de un valor único como resultados.
Formula de estimacion puntual. (s.f.). Obtenido de Ayuda Matematicas :
https://ayudaenmatematicas.com/formula-de-estimacion-puntual/
Miller, A. (1998). Un método de estimación puntual eficiente para el análisis
probabilístico. En H. P., Ingeniería de confiabilidad y seguridad del sistema
(págs. 261-267).
RPS-Qualitas. (s.f.). ESTIMACIÓN PUNTUAL Y POR INTERVALOS. Obtenido de
Consultoría de Calidad y Laboratorio S.L:
http://www.rpsqualitas.es/documentacion/dowloads/quimiometria/estimacion
_puntual_y_por_intervalos.pdf
Westreicher, G. (08 de Marzo de 2020). Estimacion: Economipedia . Obtenido de
Economipedia :
https://economipedia.com/definiciones/estimacion.html#:~:text=La
%20estimaci%C3%B3n%20puede%20ser%20utilizada,determinada%20con
%20base%20en%20otras.
