INSTITUTO TECNOLÓGICO
TLÁHUAC III
Carrera: Ingeniería en Desarrollo Comunitario
Materia: Estadística I
NOMBRE DE LA ACTIVIDAD: Actividad 2 T2
NOMBRE DEL ALUMNO: Brayan Noé Hernández Rodríguez
NO. CONTROL: 241120325
CATEDRÁTICO:
Ciudad de México, a 18 de Abril de 2025
Introducción
La estadística inferencial constituye una herramienta esencial para extraer conclusiones sobre
una población basándose en los datos de una muestra representativa. Esta rama de la
estadística permite hacer predicciones, comparar grupos y tomar decisiones fundamentadas sin
necesidad de observar a todos los elementos del universo de estudio. En el centro de la
inferencia estadística se encuentra la estimación de parámetros, proceso mediante el cual se
busca determinar valores aproximados de características poblacionales desconocidas, como la
media, la proporción o la varianza. Estas estimaciones se realizan a partir de información
muestral y están sujetas a cierto grado de incertidumbre, la cual puede ser medida y controlada
mediante procedimientos estadísticos adecuados. En este ensayo se presenta un análisis
amplio y detallado sobre los tipos de estimación, las propiedades de los estimadores, los
métodos para estimar diferentes parámetros y la importancia práctica de estos procedimientos.
Actividad Resumen de la Unidad. Estimación de parámetros: Base de la inferencia
estadística en la toma de decisiones.
1. La necesidad de estimar parámetros en contextos reales
En numerosas disciplinas —como la medicina, la ingeniería, la economía o las ciencias
sociales— es común enfrentarse a situaciones donde se requiere conocer una característica de
una población entera, como el nivel promedio de ingresos de una comunidad o la proporción de
personas inmunizadas en una región. Sin embargo, acceder a toda la población suele ser
inviable por cuestiones logísticas, económicas o éticas. Es en estos casos donde entra en
juego la estimación estadística, permitiendo inferir valores poblacionales a partir de una
muestra, con un grado conocido de error.
2. Parámetros poblacionales y estadísticos muestrales
Un parámetro es un valor numérico fijo que describe alguna característica de una población.
Por ejemplo, la media poblacional (μ), la proporción poblacional (p) y la varianza poblacional
(σ²). Estos valores son generalmente desconocidos, por lo que se estima su valor mediante
estadísticos muestrales como la media muestral (x̄), la proporción muestral (p̂) y la varianza
muestral (s²), que se calculan directamente a partir de los datos de la muestra.
3. Tipos de estimación: puntual e intervalar
3.1 Estimación puntual
La estimación puntual proporciona un solo valor numérico como aproximación del parámetro
poblacional. Por ejemplo, si una muestra de estudiantes tiene una media de calificaciones de
82, se puede usar ese valor como estimación puntual de la media poblacional. Sin embargo,
esta técnica tiene una limitación importante: no ofrece información sobre la precisión del
estimador, es decir, no indica cuán cerca se encuentra del valor real del parámetro.
3.2 Estimación por intervalo
Para compensar la incertidumbre asociada a la estimación puntual, se recurre a la estimación
por intervalo, que consiste en un rango de valores dentro del cual se espera que se encuentre
el parámetro, con cierto nivel de confianza (por ejemplo, 95%). Este intervalo se construye
utilizando la distribución de muestreo del estimador y considerando su error estándar. Cuanto
mayor sea el tamaño de la muestra, menor será el error estándar, y más estrecho será el
intervalo, lo que indica mayor precisión.
4. Propiedades deseables de los estimadores
Los estimadores son funciones de los datos muestrales que se utilizan para aproximar
parámetros poblacionales. Un buen estimador debe poseer ciertas propiedades que garanticen
la calidad de la inferencia (Triola, 2019; Wackerly et al., 2010):
● Insesgadez: Un estimador es insesgado si su valor esperado coincide con el parámetro
que estima. Por ejemplo, la media muestral es un estimador insesgado de la media
poblacional.
● Consistencia: Un estimador es consistente si, al aumentar el tamaño de la muestra, su
valor se aproxima al verdadero valor del parámetro.
● Eficiencia: Entre varios estimadores insesgados, el más eficiente es el que presenta la
menor varianza. Esto implica que es más estable y se aproxima con mayor precisión al
parámetro.
● Suficiencia: Un estimador es suficiente si capta toda la información de la muestra
relevante para estimar el parámetro.
5. Estimación de la media poblacional
Cuando se estima la media poblacional (μ), el estimador más común es la media muestral (x̄).
Si se conoce la desviación estándar poblacional (σ) y la muestra es grande (n ≥ 30), se puede
utilizar la distribución normal para construir intervalos de confianza. Si la desviación es
desconocida y n es pequeño, se recurre a la distribución t de Student, la cual incorpora la
variabilidad adicional al estimar σ con la desviación estándar muestral (s).
Ejemplo: Si se desea estimar la media de horas de estudio de los estudiantes de una
universidad y se obtiene una muestra de 40 estudiantes con media de 5.2 horas y desviación
estándar de 1.1 horas, se puede construir un intervalo de confianza del 95% utilizando la
fórmula:
IC = x̄ ± z(α/2) * (σ/√n)
6. Estimación de proporciones
La proporción poblacional (p) se estima mediante la proporción muestral (p̂ = x/n), donde x es el
número de éxitos en la muestra y n es el tamaño de la muestra. Para construir un intervalo de
confianza, se utiliza la distribución normal si np ≥ 5 y nq ≥ 5.
Ejemplo: En una muestra de 200 ciudadanos, 60 afirman haber votado en las últimas
elecciones. La proporción muestral es p̂ = 60/200 = 0.30. El intervalo de confianza del 95% se
calcula utilizando:
IC = p̂ ± z(α/2) * √(p̂(1-p̂)/n)
7. Estimación de la diferencia de parámetros
Es común comparar poblaciones mediante la estimación de la diferencia entre sus parámetros:
● Diferencia de medias (μ₁ - μ₂): Se utiliza cuando se quieren comparar dos grupos (por
ejemplo, hombres vs. mujeres en un test de desempeño).
● Diferencia de proporciones (p₁ - p₂): Aplicable, por ejemplo, al comparar la tasa de
desempleo en dos regiones diferentes.
Estas estimaciones también pueden representarse con intervalos de confianza, los cuales
permiten evaluar si existe una diferencia significativa entre las poblaciones.
8. Estimación de la varianza y de la razón de varianzas
Para la varianza poblacional (σ²), se utiliza la varianza muestral ajustada (s²), la cual es
insesgada. La distribución de este estimador es una chi-cuadrada con n - 1 grados de libertad.
Cuando se comparan dos varianzas, como en estudios de control de calidad o en análisis de
varianza (ANOVA), se estima la razón de varianzas utilizando la distribución F. Esta
comparación es clave para verificar si los grupos tienen niveles de dispersión significativamente
diferentes.
Conclusiones
La estimación de parámetros constituye una herramienta fundamental en el análisis de datos,
permitiendo realizar inferencias robustas a partir de muestras. La elección del tipo de
estimación y del estimador adecuado depende del parámetro que se desea estudiar, el tamaño
muestral, el conocimiento sobre la población y el objetivo del estudio. La comprensión profunda
de este tema permite no solo interpretar correctamente los resultados estadísticos, sino
también formular conclusiones válidas y confiables. En un entorno donde la información es un
recurso clave para la toma de decisiones, el dominio de las técnicas de estimación se convierte
en una competencia esencial para estudiantes, investigadores y profesionales.
Referencias Bibliográficas
1. Montgomery, D. C., & Runger, G. C. (2014). Estadística aplicada y probabilidad para
ingenieros (6.ª ed.). México: Limusa-Wiley.
2. Navidi, W. (2015). Estadística para ingenieros y científicos (4.ª ed.). México:
McGraw-Hill Education.
3. Triola, M. F. (2019). Estadística (13.ª ed.). México: Pearson Educación.
4. Wackerly, D. D., Mendenhall, W., & Scheaffer, R. L. (2010). Estadística matemática con
aplicaciones (7.ª ed.). México: Cengage Learning.
