¿Sobre cuáles

Las medidas descriptivas de la

podemos inferir
Población se denominan
utilizando datos de
PARÁMETROS
muestra?
Media Poblacional μ
Diferencias de Medias poblacionales μ 1 – μ2
Proporción poblacional P
Diferencias de proporciones poblacionales P 1 – P2
Desviación estándar σ
 Predecir o Toma de
estimar el valor decisiones
de un parámetro acerca del valor
por ESTIMACIÓN de un parámetro
(puntual o por por PRUEBA DE
Intervalos) HIPÓTESIS
Un estimador es una cantidad numérica Estimación puntual
calculada sobre una muestra la cual Hablamos de estimación
esperamos que sea una buena puntual, cuando calculamos un
aproximación de cierta cantidad con el estimador, el cual produce un
mismo significado en la población valor que pretende aproximar a
(parámetro) un parámetro

Estimación por intervalos

Cuando para un parámetro θ no se estima un valor, sino un intervalo de la
forma l  θ  u, donde los valores extremos l, u dependen del valor numérico
del estadístico para una muestra en particular y de la distribución de
muestreo
 Unicidad del valor estimado
Definición
Simplicidad
Características
Dependencia de la muestra
Estimación
Puntual

No proporciona margen de error

Insesgadez
Propiedades
Eficiencia

Consistencia

Suficiencia
 La estimación puntual es un procedimiento
estadístico que consiste en asignar un único valor
numérico, denominado estimador puntual, como
aproximación o mejor conjetura del valor verdadero
de un parámetro poblacional desconocido (como la
media, la proporción, la varianza, etc.), a partir de
los datos obtenidos de una muestra representativa.

La media de la población se puede estimar mediante la media de

la muestra: 𝑥ҧ = 𝜇

La proporción de la población se puede estimar puntualmente

mediante la proporción de la muestra: 𝑝Ƹ = 𝑝

La desviación típica de la población se puede estimar

puntualmente mediante la desviación típica de la muestra: s = 𝜎
Unicidad del valor estimado:
La estimación puntual proporciona un único valor para el
parámetro poblacional. No ofrece un rango de posibles valores ni
un grado explícito de incertidumbre

Simplicidad:
Es fácil de calcular y de interpretar. Por ejemplo, la media o
proporción muestral se obtienen mediante fórmulas
directas

Dependencia de la muestra:
El valor de la estimación puntual depende exclusivamente de
los datos observados en la muestra. Distintas muestras
pueden generar distintos estimadores

No proporciona margen de error:

A diferencia de la estimación por intervalos, la estimación puntual
no indica cuán lejos puede estar el estimador del valor real del
parámetro poblacional
 Insesgadez: El valor esperado del estimador es igual al
valor real del parámetro

Eficiencia: Tiene la menor varianza posible entre todos los

estimadores insesgados

Consistencia: A medida que aumenta el tamaño muestral,

el estimador se aproxima al valor verdadero del parámetro

Suficiencia: Contiene toda la información relevante de la

muestra sobre el parámetro
Supongamos que queremos estimar la estatura promedio (μ\muμ) de
todos los estudiantes de una facultad. Tomamos una muestra
aleatoria de 10 estudiantes y obtenemos las siguientes estaturas (en
cm):
Muestra: {168,172,170,165,174,169,171,166,173,167}

La estimación puntual de la media poblacional μ se hace con la media

muestral (ഥ
𝒙):
168 + 172 + 170 + 165 + 174 + 169 + 171 + 166 + 173 + 167
𝑥ҧ =
10
1695
= = 169,5𝑐𝑚
10

Entonces, la estimación puntual de la estatura promedio es 169.5 cm

 Estimación
por Intervalos

Definición Características Aplicación

Rango en
Nivel de Media Proporción
lugar de valor
confianza poblacional poblacional
único

Diferencias de
Error muestral Precisión vs. Varianza
medias o
incluido confiabilidad poblacional
proporciones

Basado en
distribuciones
estadísticas
La estimación por intervalos es un método estadístico utilizado
para estimar un parámetro poblacional desconocido (como la
media, proporción o varianza) mediante un rango de valores que se
calcula a partir de una muestra

Este rango se acompaña de un nivel de confianza, que indica la

probabilidad de que el intervalo contenga el valor verdadero del
parámetro

Por ejemplo: "Con un 95% de confianza, la media poblacional se

encuentra entre 167.3 y 171.6 cm"
 Nivel de confianza
Rango en lugar de valor Se expresa con un porcentaje (por ejemplo, 90%, 95%, Error muestral incluido
único 99%), que indica cuán seguro se está de que el Tiene en cuenta la
A diferencia de la parámetro real está dentro del intervalo variabilidad del
estimación puntual, muestreo, calculando un
 Un mayor nivel de confianza genera intervalos más
ofrece un intervalo que margen de error que se
anchos
refleja la variabilidad suma y resta al
natural del muestreo  Un menor nivel de confianza genera intervalos más estimador puntual
estrechos

Precisión vs. confiabilidad Basado en distribuciones estadísticas

Existe un equilibrio entre la Depende de la distribución muestral del estimador y del tamaño de la muestra:
precisión (intervalos estrechos) y la  Distribución normal (cuando n es grande o la población es normal).
confiabilidad (intervalos más  Distribución t de Student (cuando n es pequeño y la desviación estándar
amplios y seguros) poblacional es desconocida)
 La estimación por
intervalos consiste en
establecer el intervalo
de valores donde es Si conocemos la distribución muestral del estimador podemos obtener las
más probable se probabilidades de ocurrencia de los estadísticos muestrales
encuentre el parámetro

Si conociéramos el valor del parámetro poblacional, podríamos establecer la

probabilidad de que el estimador se halle dentro de los intervalos de la
distribución muestral
La obtención del
intervalo se basa en las
siguientes El problema es que el parámetro poblacional es desconocido, y por ello el
consideraciones intervalo se establece alrededor del estimador. Si repetimos el muestreo un
gran número de veces y definimos un intervalo alrededor de cada valor del
estadístico muestral, el parámetro se sitúa dentro de cada intervalo en un
porcentaje conocido de ocasiones. Este intervalo es denominado "intervalo
de confianza"
Partiendo de la distribución de muestreo, es posible determinar valores
de l, u tales que se cumpla lo siguiente:
P (l  θ  u) = 1 – α Donde 0 < α < 1

Es decir, se puede garantizar con una probabilidad o nivel de

significación de 1 – α que la muestra elegida contendrá el valor
verdadero de θ

Al intervalo resultante l  θ  u se le conoce como el intervalo de

confianza del 100(1 – α) % para el parámetro desconocido θ
 Distribución del
Características de
Parámetro Estimador Estadístico estadístico Intervalo de confianza
interés de la población

Promedio 𝜇 𝑥ҧ 𝑥ҧ − 𝜇 𝑁(0,1) 𝜎 𝜎
𝑧= ത − 𝑧𝛼
𝑃 𝑥 ≤ 𝜇 ≤ 𝑥ത + 𝑧𝛼/2 =1−𝛼
(muestras 𝜎/ 𝑛 2 𝑛 𝑛
grandes)

Varianza 𝜎2 𝑠2 2
𝑠2 2
𝜒(𝑛−1) 𝑛 − 1 𝑠2 𝑛 − 1 𝑠 2
𝜒 = (𝑛 − 1) 2 𝑃 ≤ 𝜎2 ≤ 2 =1−𝛼
𝜎 2
𝑋 𝛼/2 𝑋 1−𝛼/2

Proporción 𝑝 𝑝Ƹ 𝑝Ƹ − 𝑝 𝑁(0,1)
𝑧= ෡
𝑝𝑞 ෡
(muestras 𝑝𝑞
Ƹ 𝑃 𝑝Ƹ − 𝑧𝛼 ෡ + 𝑧 𝛼 𝑝𝑞
≤𝑝≤𝑝 =1−𝛼
grandes) 𝑛 2 𝑛 2 𝑛
𝑞 = 1 − 𝑝Ƹ
Promedio 𝜇 𝑥ҧ 𝑥ҧ − 𝜇 𝑡(𝑛−1) 𝑠 𝑠
𝑡= ത − 𝑡(𝑛−1) 𝛼
𝑃 𝑥 ≤ 𝜇 ≤ 𝑥ത + 𝑡(𝑛−1) 𝛼/2 =1−𝛼
(muestras chicas 𝑠/ 𝑛 2 𝑛 𝑛
– varianza
desconocida)
El intervalo de confianza para la media de una variable continua con el valor de la varianza de dicha variable conocida en
toda la población es el intervalo menos usual

Para estimar la media poblacional μ de una población Normal de media μ (desconocida) y de

varianza σ2 (conocida), N(μ,σ2), se selecciona una muestra aleatoria X1,X2,⋯,Xn; de tamaño n de valores de una variable
aleatoria de esta población y se calcula su media muestral, como mejor estimador puntual de μ.

La construcción del intervalo de confianza se hace tomando como base este estimador. Para calcular un intervalo de
ҧ
𝑥−𝜇
confianza para μ partimos de la variable aleatoria: 𝑧 = 𝜎/ 𝑛, que sigue una distribución normal de media 0 y desviación
típica 1

El intervalo de confianza que debemos calcular es:

𝜎 𝜎
𝑃 𝑥ҧ − 𝑧𝛼 ≤ 𝜇 ≤ 𝑥ҧ + 𝑧𝛼/2 =1−𝛼
2 𝑛 𝑛
 SOLUCIÓN
Se desea estimar con un nivel de confianza del 95 % la talla media de los 𝑥ҧ = 173,47 N=15 𝜎=4
hombres de 18 o más años de un país. Suponiendo que la desviación sabiendo que 𝛼 = 0,05, 𝑧𝛼/2 =
típica de las tallas en la población vale 4, obtenga el intervalo de
confianza con una muestra de n=15 hombres seleccionados al azar, 1,96
cuyas alturas son: 167 167 168 168 168 169 171 172 173 175 175 175 Con Excel:
177 182 195 (=DISTR.NORM.ESTAND.INV(1-
0,05/2)

Por lo tanto, el intervalo de confianza de 95% para 𝜇 es

𝜎 𝜎
𝑥ҧ − 𝑧𝛼 ≤ 𝜇 ≤ 𝑥ҧ + 𝑧𝛼/2
2 𝑛 𝑛
4 4
173,47 − 1,96 ≤ 𝜇 ≤ 173,47 + 1,96
15 15
171,45 ≤ 𝜇 ≤ 175,49
Supongamos, en este caso, que la varianza poblacional de la variable de interés es desconocida. Además se debe
considerar que el tamaño de la muestra con la que se trabaja es pequeño. Nuestro objetivo sigue siendo el cálculo
de un intervalo de confianza para la media de dicha variable.

Supongamos una muestra aleatoria X1,X2,⋯,Xn; de tamaño n de valores de la variable aleatoria que sigue una
distribución Normal de media μ y de varianza σ2, ambas desconocidas.

ҧ
𝑥−𝜇
Para calcular un intervalo de confianza, en este caso, partimos de la variable aleatoria: t= 𝑠/ 𝑛, que sigue una
distribución t de Student con n−1 grados de libertad.

El intervalo de confianza que debemos calcular es:

𝑠 𝑠
𝑃 𝑥ҧ − 𝑡(𝑛−1) 𝛼 ≤ 𝜇 ≤ 𝑥ҧ + 𝑡(𝑛−1) =1−𝛼
2 𝑛 𝑛
𝛼/2
Estimar un intervalo de confianza del 95%, para la estatura promedio (μ) de los estudiantes de una facultad

Para la muestra aleatoria de 10 estudiantes y obtenemos las siguientes estaturas (en cm):
Muestra: {168,172,170,165,174,169,171,166,173,167}
Estimamos media y desvío estándar (usamos fórmulas de Excel). En primer lugar, etiquetamos el conjunto de
datos (estaturas)
𝑥ҧ =PROMEDIO(estaturas)=169,5 cm 𝑠=DESVEST(estaturas)=3,028 cm

Teniendo en cuenta que la muestra es pequeña (n=10) y la varianza poblacional es desconocida, para
calcular el estimador se utiliza la distribución t de Student
Para la confianza dada, 𝛼 = 0,05 y los grados de libertad 𝜈 = 10 − 1 = 9
Utilizando Excel, el estadístico es: 𝑡=INV.T.2C(0.05;9)=2,262

Estimación del intervalo de confianza

𝑠 𝑠 3,028 3,028
𝑥ҧ − 𝑡 𝑛−1 𝛼 𝑛 ≤ 𝜇 ≤ 𝑥ҧ + 𝑡 𝑛−1 𝛼 𝑛 69,5−2,262 * 10
≤ 𝜇 ≤169,5+2,262 *
10
2 2

167,334 ≤ 𝜇 ≤171,666

Podemos decir con un 95% de confianza que la estatura promedio de todos los estudiantes está entre
167.334 cm y 171.666 cm
Esto significa que si repitiéramos muchas veces el procedimiento muestral, el 95% de los intervalos
construidos incluirían al verdadero valor de la media poblacional.
Un estimador puntual de la proporción p Si la proporción p desconocida no está demasiado cerca de 0
en un experimento binomial está dado o de 1, se puede establecer un intervalo de confianza para p
por la estadística 𝑃෠ = 𝑋/𝑛, donde X al considerar la distribución muestral de 𝑃෠
representa el número de éxitos en n Por el teorema del límite central, para n suficientemente
pruebas. grande, 𝑃෠ está distribuida aproximadamente normal con
La proporción de la muestra 𝑝Ƹ = 𝑥/𝑛 se media y varianza:
utilizará como el estimador puntual del 2
𝑝𝑞
parámetro p 𝜇𝑃෠ = 𝑝 𝑦 𝜎𝑃෠ =
𝑛

Intervalo de confianza para p de una muestra grande

Si 𝑝Ƹ es la proporción de éxitos en una muestra aleatoria de tamaño n, Cuando n es pequeña y la
y 𝑞ො = 1 − 𝑝,Ƹ un intervalo de confianza aproximado de 1 − 𝛼 100% proporción desconocida p se
para el parámetro binomial p está dado por considera cercana a 0 o a 1, el
procedimiento del intervalo de
𝑝Ƹ 𝑞ො 𝑝Ƹ 𝑞ො confianza que se establece
𝑝Ƹ − 𝑧𝛼/2 < 𝑝 < 𝑝Ƹ + 𝑧𝛼/2 aquí no es confiable y no se
𝑛 𝑛 debe utilizar.
Donde 𝑧𝛼 es el valor z que deja un área de 𝛼/2 a la derecha
 SOLUCIÓN
En una muestra de una ciudad de n=500 familias, se
encuentra que x=340 poseen televisión satelital La estimación puntual de p es
Encuentre un intervalo de confianza de 95% para la 340
𝑝Ƹ = = 0,68
proporción real de familias en esta ciudad que poseen 500
televisión satelital
sabiendo que 𝛼 = 0,05, 𝑧𝛼/2 = 1,96

Por lo tanto, el intervalo de confianza de 95% para p es

0,68 ∙ 0,32 0,68 ∙ 0,32
0,68 − 1,96 < 𝑝 < 0,68 + 1,96
500 500

0,64 < 𝑝 < 0,72

 Considere el problema donde deseamos estimar la diferencia entre dos parámetros binomiales 𝑝1 y 𝑝2
Nuestro problema es estimar la diferencia entre estas dos proporciones

Para ello seleccionamos muestras aleatorias independientes de tamaño 𝑛1 y 𝑛2 a partir de las poblaciones
binomiales con medias 𝑛1 𝑝1 y 𝑛2 𝑝2 y varianzas 𝑛1 𝑝1 𝑞1 y 𝑛2 𝑝2 𝑞2 respectivamente, y formar las proporciones
𝑝Ƹ1 = 𝑥1 /𝑛1 y 𝑝Ƹ 2 = 𝑥2 /𝑛2

Un estimador puntual de la diferencia entre las dos proporciones, 𝑝1 − 𝑝2 , está dado por la estadística 𝑃෠1 − 𝑃෠2
Por tanto, la diferencia de las proporciones muestrales, 𝑝Ƹ1 − 𝑝Ƹ 2 se utilizará como la estimación puntual de
𝑝1 − 𝑝2

Al elegir muestras independientes de las dos poblaciones, las variables 𝑃෠1 y 𝑃෠2 serán independientes y está
distribuida de forma aproximadamente normal con media y varianza:
𝑝1 𝑞1 𝑝2 𝑞2
𝜇𝑃෠1 −𝑃෠2 = 𝑝1 − 𝑝2 𝑦 𝜎 2 𝑃෠1 −𝑃෠2 = +
𝑛1 𝑛2
 Si 𝑝Ƹ1 y 𝑝Ƹ 2 son las proporciones de éxitos en muestras aleatorias de
tamaño 𝑛1 y 𝑛2 , respectivamente, 𝑞ො1 = 1 − 𝑝Ƹ1 y 𝑞ො2 = 1 − 𝑝Ƹ 2 , un
intervalo de confianza aproximado de 1 − 𝛼 100% para la diferencia
de dos parámetros binomiales 𝑝1 − 𝑝2 , está dado por:
𝑝Ƹ1 𝑞ො1 𝑝Ƹ 2 𝑞ො2 𝑝Ƹ1 𝑞ො1 𝑝Ƹ 2 𝑞ො2
𝑝Ƹ1 − 𝑝Ƹ 2 − 𝑧𝛼 + < 𝑝1 − 𝑝2 < 𝑝Ƹ1 − 𝑝Ƹ 2 + 𝑧𝛼 +
2 𝑛1 𝑛2 2 𝑛1 𝑛2

𝛼
Donde 𝑧 es el valor de z que deja un área de
𝛼 a la derecha
2 2
 Se toman muestras del
Se considera cierto cambio en procedimiento existente y del
un proceso de fabricación de nuevo para determinar si éste
partes componentes tiene como resultado una
mejoría

Si se encuentra que 75 de 1500 artículos del procedimiento

actual son defectuosos y 80 de 2000 artículos del
procedimiento nuevo también lo son, encuentre un intervalo de
confianza de 90% para la diferencia real en la fracción de
defectuosos entre el proceso actual y el nuevo
 Sean p1 y p2 las proporciones reales de defectuosos para los procesos actual y nuevo,
75 80
respectivamente. De aquí, 𝑝Ƹ1 = 1500 = 0,05 y 𝑝Ƹ 2 = 2000 = 0,04 y la estimación puntual de
𝑝1 − 𝑝2 es
𝑝Ƹ1 − 𝑝Ƹ 2 = 0,05 − 0,04 = 0,01


Para una región de 2
= 0,05 tenemos 𝑧0,05 = 1,64. Por tanto, al sustituir en esta fórmula
obtenemos el intervalo de confianza de 90%
0,05 ∙ 0,95 0,04 ∙ 0,96 0,05 ∙ 0,95 0,04 ∙ 0,96
0,01 − 1,64 + < 𝑝1 − 𝑝2 < 0,01 + 1,64 +
1500 2000 1500 2000

Que se simplifica a −0,0017 < 𝑝1 − 𝑝2 < 0,0217. Como el intervalo contiene el valor 0, no
hay razón para creer que el nuevo procedimiento producirá una disminución significativa
en la proporción de artículos defectuosos comparado con el método existente
 Si se extrae una muestra de tamaño n de una población normal
con varianza 𝜎 2 , y se calcula la varianza muestral 𝑠 2 obtenemos
un valor de estadística 𝑆 2
Esta varianza muestral calculada se usará como estimación
puntual de 𝜎 2
Por ello la estadística 𝑆 2 se llama estimador de 𝜎 2

Se puede establecer una estimación por intervalos de 𝜎 2

mediante el uso de la estadística
𝑛 − 1 𝑆 2
𝑋2 =
http://ljk.imag.fr/membres/Bernard.Ycart/emel/cours/ts/IDgamma.jpg

2
𝜎2
La estadística 𝑋 tiene una distribución ji cuadrada con 𝑛 − 1
grados de libertad cuando las muestras se eligen de una
población normal
𝑃 𝑋 21−𝛼/2 < 𝑋 2 < 𝑋 2 𝛼/2 = 1 − 𝛼

1−𝛼
𝑋 21−𝛼/2 y 𝑋 2 𝛼/2 son valores de la distribución ji cuadrada con
𝛼/2 𝛼/2 𝑛 − 1 grados de libertad, que dejan áreas de 1 − 𝛼/2 y 𝛼/2,
respectivamente, a la derecha
𝑋2 𝑛−1 𝑆 2
𝑋 21−𝛼/2 𝑋 2 𝛼/2 2
𝑃 𝑋 1−𝛼/2 < < 𝑋 2 𝛼/2 = 1 − 𝛼
𝜎 2
 Si s2 es la varianza de la muestra aleatoria de tamaño n de una
población normal, un intervalo de confianza de 1 − 𝛼 100% para
2 es:
𝑛 − 1 𝑠2 2
𝑛 − 1 𝑠 2

2
< 𝜎 < 2
𝑋 𝛼/2 𝑋 1−𝛼/2

Donde 𝑋 2 𝛼/2 y 𝑋 21−𝛼/2 son los valores 𝑋 2 con 𝜐 = 𝑛 − 1 grados de

libertad, que dejan áreas de 𝛼/2 y 1 − 𝛼/2, respectivamente a la
derecha

Un intervalo de confianza del 1 − 𝛼 100% para  se obtiene al

tomar la raíz cuadrada de cada extremo del intervalo para 2
Los siguientes son los pesos, en decagramos, de 10 paquetes de semillas
de pasto distribuidas por cierta compañía: 46.4, 46.1, 45.8, 47.0, 46.1,
45.9, 45.8, 46.9, 45.2 y 46.0
Encuentre un intervalo de confianza de 95% para la varianza de todos los
paquetes de semillas de pasto que distribuye esta compañía, suponga una
población normal

SOLUCIÓN
Primero encontramos la varianza: s2 = 0,286
Los grados de libertad se obtienen haciendo n-1=9
Con Excel: (=prueba.chi.inv(probabilidad ; grados de libertad)
𝑋 2 0,025 = 19,023 y 𝑋 2 0,975 = 2,700

Por lo tanto, el intervalo de confianza de 95% para 2 es:

9 ∙ 0,286 2
9 ∙ 0,286
<𝜎 <
19,023 2,700
O simplemente 0,135 < 𝜎 2 < 0,953