ESTIMACION

Universidad de Nariño
Alvaro Alfredo Bravo Dpto. de Matemáticas y Estadística
Profesor Asociado San Juan de Pasto, Colombia
El único método científico para validar conclusiones sobre un grupo de individuos a partir de la información que nos
proporciona un subconjunto (muestra) más o menos amplio de los mismos es el Método Estadístico.

En el experimento típico, el objetivo básico es estimar algunas características que describan la población de
interés. Es decir:

Estimar los parámetros que caracterizan a la función de probabilidad de la variable aleatoria en

estudio.

Alvaro Alfredo Bravo

Dpto. de Matemáticas y Estadística
Universidad de Nariño
 MAPA CONCEPTUAL

ESTADÍSTICA
Conceptos Básicos
Estadística
Descriptiva

Población Muestra

Parámetro PROBABILIDAD Estimador

Conceptos Básicos

Distribuciones
Discretas: de Probabilidad Continuas: Normal,
Binomial, Poisson, ji-cuadrado, t de
otras Student
Distribuciones
Muestrales

Desigualdad de Tchebychef, Ley

de los grandes Números,
Teorema Central del Limite.

INFERENCIA

Estimación
Prueba de Hipótesis
para una y dos
Puntual Por poblaciones
Alvaro Alfredo Bravo
Dpto. de Matemáticas y Estadística
intervalos Universidad de Nariño
 Razonamiento a seguir:
 Pensar cómo se define la población y la muestra.
 Qué tipo de procedimiento utilizar para seleccionar una muestra aleatoria.
 Qué debería calcular para estimar los parámetros de interés.
 Qué función de distribución presentan los estimadores elegidos.
 Cómo validar las estimaciones a partir de la muestra.

Es decir Inferir de la muestra a la población

La inferencia estadística es la forma de tomar decisiones basadas en probabilidades y presenta dos aspectos:

1. Estimación de parámetros: - Puntual;

- Por intervalos

2. Prueba de Hipótesis con respecto a una función elegida como modelo.

Alvaro Alfredo Bravo

Dpto. de Matemáticas y Estadística
Universidad de Nariño
 ESTIMACION PUNTUAL

Una estimación puntual del valor de un parámetro desconocido (como puede ser la media, µ, la proporción, p, o
la desviación estándar, σ), es un número que se utiliza para aproximar al verdadero valor de dicho parámetro.

Una estimación puntual es el valor de la estadística de la muestra correspondiente.

Alvaro Alfredo Bravo

Dpto. de Matemáticas y Estadística
Universidad de Nariño
 ESTIMADORES PUNTUALES Y PROPIEDADES DE UN BUEN ESTIMADOR

Consideremos a un estimador de .

1 Ausencia de sesgo

Se dice que un estimador es insesgado (o centrado) si la esperanza del estimador coincide con el parámetro a
estimar:

E() =

En caso contrario se dice que es sesgado.

2 Consistencia

Se dice que un estimador es consistente si se aproxima cada vez más al verdadero valor del parámetro a medida
que se aumenta el tamaño muestral.

Alvaro Alfredo Bravo

Dpto. de Matemáticas y Estadística
Universidad de Nariño
3 Eficiencia

Es claro que un estimador será tanto mejor cuanto menor sea su varianza, ya que se concentra más alrededor del
verdadero valor del parámetro. Se dice que un estimador insesgado es eficiente si tiene varianza mínima.

4 Suficiencia

Un estimador es suficiente si utiliza una cantidad de la información contenida en la muestra de manera que ningún
otro estimador podría extraer información adicional de la muestra sobre el parámetro de la población que se está
estimando.

Alvaro Alfredo Bravo

Dpto. de Matemáticas y Estadística
Universidad de Nariño
 ESTIMADORES PUNTUALES DE LOS PARAMETROS DE UNA POBLACION NORMAL

Sea una muestra aleatoria simple, x 1, x2, ...... , xn de una población con distribución N(, 2).
Estimador de la media: n
xi
̂  x  
i 1 n
La distribución muestral de la media es :

x  ( , )
n
S 
estima a la desviación típica de la media
n
n
y se denomina error estándar de la media muestral, por esta razón se dice que el error estándar de la media mide
la variabilidad de la media en el muestreo.

( xi  x ) 2
n
El estimador de la varianza es la varianza muestral: ˆ  S  
2 2

i 1 ( n  1)

Alvaro Alfredo Bravo

Dpto. de Matemáticas y Estadística
Universidad de Nariño
Realizada la estimación de un parámetro cabe preguntarse:

 ¿ Es exacta la estimación?

 ¿Es probable que la estimación sea alta o baja?

 ¿Con otra muestra se obtendría el mismo resultado, o bastante diferente?

 La calidad de un procedimiento de estimación ¿mejora bastante si la estadística de la muestra es menos

variable e insesgada a la vez?

Alvaro Alfredo Bravo

Dpto. de Matemáticas y Estadística
Universidad de Nariño
 ESTIMACIÓN POR INTERVALOS

Dada una muestra aleatoria X1, X2, ... , Xn , de una población con función de densidad f(x;) Un intervalo de

confianza, de extremos Linf y Lsup, para el parámetro  de la población es un par ordenado de funciones reales de
las n medidas de la muestra

I  = [Linferior (X1,...,Xn);Lsuperior (X1,..., Xn)]

Construidas de forma que la probabilidad de que los extremos contengan al verdadero valor del parámetro es un
valor prefijado (1 - ).

Al número (1 - ) se le denomina nivel de confianza.

1-

Linf Lsup Alvaro Alfredo Bravo

Intervalo de confianza Dpto. de Matemáticas y Estadística
Universidad de Nariño
El nivel de confianza suele ser 0,95 (95%) ó 0,99 (99%). La interpretación práctica es sencilla, por ejemplo si el
nivel de confianza es del 95%, significa que en el 95% de las veces que repitiéramos el experimento, el intervalo
de confianza calculado contendría al verdadero valor del parámetro y en el 5% restante el intervalo no contendría
el verdadero valor.

Otra manera de interpretar es: una vez que el intervalo de confianza ha sido calculado para una muestra
concreta, el intervalo obtenido contiene o no contiene al verdadero valor del parámetro, con probabilidad 1 - ,
por esa razón, cuando ya tenemos un valor concreto hablamos de confianza y no de probabilidad. Confiamos en
que el intervalo que hemos calculado sea del 95% que contiene el verdadero valor.

Alvaro Alfredo Bravo

Dpto. de Matemáticas y Estadística
Universidad de Nariño
NIVEL DE CONFIANZA GRAFICAMENTE

1-
/2 /2

Alvaro Alfredo Bravo

Dpto. de Matemáticas y Estadística
Universidad de Nariño
 INTERVALO DE CONFIANZA PARA LA MEDIA CON  CONOCIDA

Supongamos que disponemos de una población en la que tenemos una variable aleatoria con distribución N(,)

con  conocida (de estudios previos, por ejemplo).

Obtenemos una muestra de tamaño n y deseamos estimar la media  de la población. El estimador puntual de
la misma es la media muestral cuya distribución muestral es conocida

x  ( , )
n

x
la cantidad Z  tendrá distribución normal estándar.

n

Alvaro Alfredo Bravo

Dpto. de Matemáticas y Estadística
Universidad de Nariño
Sobre la distribución N(0 , 1) podemos seleccionar dos puntos simétricos -z /2 y z /2 , tales que

P(-z /2  z  z /2 ) = 1 - 

Sustituyendo Z por su valor en este caso particular:

 
 x 
P  z / 2   z / 2   1  
  
 n 

   
Despejando queda el intervalo de confianza: P  x  z / 2    x  z / 2   1
 n n

Que lo podíamos escribir como: ( -/+ zα/2 ) Alvaro Alfredo Bravo

Dpto. de Matemáticas y Estadística
Universidad de Nariño
 INTERVALO DE CONFIANZA PARA LA MEDIA CON  DESCONOCIDO

Recordemos que si la varianza poblacional es desconocida y la variable es normal o se puede aproximar a la

distribución normal por el teorema central del límite, entonces se usaría la t de Student con n –1 grados de
libertad.

El intervalo de confianza que resulta es:

 s s 
P  x  t( / 2;n 1)    x  t( / 2;n 1)   1
 n n

Alvaro Alfredo Bravo

Dpto. de Matemáticas y Estadística
Universidad de Nariño
ESTO ES TODO POR HOY

GRACIAS

Alvaro Alfredo Bravo

Dpto. de Matemáticas y Estadística
Universidad de Nariño