Introducción

La estimación puntual consiste en atribuir un valor (la estimación) al parámetro

poblacional. Si la muestra es representativa de la población, podemos esperar que
los estadísticos calculados en las muestras tengan valores semejantes a los
parámetros poblacionales, y la estimación consiste en asignar los valores de los
estadísticos muéstrales a los parámetros poblacionales. Los estadísticos con que
obtenemos las estimaciones se denominan estimadores.

Ejemplo

Se desea estimar la Media de las puntuaciones del curso 2003/4, pero solo se
dispone de 50 puntuaciones seleccionadas aleatoriamente. La Media de la
muestra (el estimador), es igual a 5.6 y atribuimos este valor (la estimación) a la
Media del curso completo.

Podemos utilizar como estimadores de la Media de la población otros estadísticos

de tendencia central como la Moda o la Mediana, pero NO todos los estimadores
son apropiados. Los estimadores deben satisfacer ciertos requisitos, y por esta
razón, interesa conocer sus propiedades a fin de utilizar los que sean adecuados
según las circunstancias de la estimación.
Características estimadoras

1) Sesgo. Se dice que un estimador es insesgado si la Media de la distribución del

estimador es igual al parámetro.

Estimadores insesgados son la Media muestral (estimador de la Media de la

población) y la Varianza (estimador de la Varianza de la población):

Ejemplo

En una población de 500 puntuaciones cuya Media (m) es igual a 5.09 han hecho
un muestreo aleatorio (número de muestras= 10000, tamaño de las muestras=
100) y hallan que la Media de las Medias muestrales es igual a 5.09, (la media
poblacional y la media de las medias muestrales coinciden). En cambio, la
Mediana de la población es igual a 5 y la Media de las Medianas es igual a 5.1
esto es, hay diferencia ya que la Mediana es un estimador sesgado.

La Varianza es un estimador sesgado. Ejemplo: La Media de las Varianzas

obtenidas con la Varianza.

en un muestreo de 1000 muestras (n=25) en que la Varianza de la población es

igual a 9.56 ha resultado igual a 9.12, esto es, no coinciden. En cambio, al utilizar
la Cuasivarianza.

la Media de las Varianzas muestrales es igual a 9.5, esto es, coincide con la
Varianza de la población ya que la Cuasivarianza es un estimador insesgado.
2) Consistencia. Un estimador es consistente si aproxima el valor del parámetro

cuanto mayor es n (tamaño de la muestra).

Algunos estimadores consistentes son:

Ejemplo

En una población de 500 puntuaciones cuya Media (m) es igual a 4.9 han hecho
tres muestreos aleatorios (número de muestras= 100) con los siguientes
resultados:

vemos que el muestreo en que n=100 la Media de las Medias muestrales toma el
mismo valor que la Media de la población.

3) Eficiencia. Diremos que un estimador es más eficiente que otro si la Varianza

de la distribución muestral del estimador es menor a la del otro estimador. Cuanto
menor es la eficiencia, menor es la confianza de que el estadístico obtenido en la
muestra aproxime al parámetro poblacional.

Ejemplo

La Varianza de la distribución muestral de la Media en un muestreo aleatorio

(número de muestras: 1000, n=25) ha resultado igual a 0.4. La Varianza de la
distribución de Medianas ha resultado, en el mismo muestreo, igual a 1.12, (este
resultado muestra que la Media es un estimador más eficiente que la Mediana).
4 Estimación puntual

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

poblacionales a partir de los estadísticos obtenidos en las muestras. Dicho de otra
manera, 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).

Una estimación es puntual cuando se usa un solo valor extraído de la muestra

para estimar el parámetro desconocido de la población. Al valor usado se le llama
estimador.

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

muestra:

La proporción de la población se puede estimar puntualmente mediante la

proporción de la muestra:

La desviación típica de la población se puede estimar puntualmente mediante la

desviación típica de la muestra, aunque hay mejores estimadores:

5 Estimación por intervalos

La estimación por intervalos consiste en establecer el intervalo de valores donde
es más probable se encuentre el parámetro. La obtención del intervalo se basa en
las siguientes consideraciones:

a) Si conocemos la distribución muestral del estimador podemos obtener las

probabilidades de ocurrencia de los estadísticos muestrales.

b) 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.

c) El problema es que el parámetro poblacional es desconocido, y por ello el

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".
Ejemplo

Se generan 100000 muestras aleatorias (n=25) de una población que sigue la

distribución Normal, y resulta:

La distribución de las Medias muestrales aproxima al modelo Normal:

En consecuencia, el intervalo dentro del cual se halla el 95% de las Medias

muestrales es.

(Nota: Los valores +-1.96 que multiplican la Desviación Típica de la distribución

muestral son los valores cuya función de distribución es igual a 0.975 y 0.025
respectivamente y se pueden obtener en las tablas de la distribución Normal
estandarizada o de funciones en aplicaciones informáticas como Excel).
Seguidamente generamos una muestra de la población y obtenemos su Media,
que es igual a 4.5. Si establecemos el intervalo alrededor de la Media muestral, el
parámetro poblacional (5.1) está incluido dentro de sus límites:
Ahora bien, la distancia de un punto A a un punto B es la misma que de B a A. Por
esa razón, la distancia desde m a la Media muestral es la misma que va de la
Media muestral a m. En consecuencia, si hacemos un muestreo con un número
grande de muestras observamos que el 95% de las veces (aproximadamente) el
valor de la Media de la población (m) se encuentra dentro del intervalo definido
alrededor de cada uno de los valores de la Media muestral. El porcentaje de veces
que el valor de m se halla dentro de alguno de los intervalos de confianza es del
95%, y es denominado nivel de confianza.

Si queremos establecer un intervalo de confianza en que el % de veces que m se

halle dentro del intervalo sea igual al 99%, la expresión anterior es:

(Obtenemos el valor +-2.58 que multiplica la Desviación Típica de la distribución

muestral en las tablas de la distribución Normal estandarizada o de funciones en
aplicaciones informáticas como Excel), y son los valores cuya función de
probabilidad es igual a 0.995 y 0.005 respectivamente).

Intervalo de confianza para la media de una distribución

Normal
Dada una variable aleatoria con distribución Normal N(μ, σ), el objetivo es la
construcción de un intervalo de confianza para el parámetro μ, basado en una
muestra de tamaño n de la variable.

Desde el punto de vista didáctico hemos de considerar dos posibilidades sobre la

desviación típica de la variable: que sea conocida o que sea desconocida y
tengamos que estimarla a partir de la muestra. El caso de σ conocida, ya
comentado anteriormente, no pasa de ser un caso académico con poca aplicación
en la práctica, sin embargo es útil desde del punto de vista didáctico.

Caso de varianza conocida

Dada una muestra X1, ..., Xn, el estadístico

se distribuye según una Normal estándar. Por tanto, aplicando el método del
pivote podemos construir la expresión

donde zα/2 es el valor de una distribución Normal estándar que deja a su derecha
una probabilidad de α/2, de la que se deduce el intervalo de confianza

Puede repasarse la construcción más detallada.

Caso de varianza desconocida

Dada una muestra X1, ..., Xn, el estadístico

se distribuye según una t de Student de n − 1 grados de libertad. Por tanto, y

siguiendo pasos similares a los del apartado anterior, el intervalo de confianza
resultante es.

donde tα/2 es el valor de una distribución t de Student con n − 1 grados de libertad

que deja a su derecha una probabilidad de α/2.
Con el programa siguiente podemos calcular el intervalo de confianza para la
media de una distribución Normal con desviación típica desconocida.