TEORIA DE ESTIMACIN

Resumen
Estimar qu va a ocurrir respecto a
algo (o qu est ocurriendo, o qu ocurri), a
pesar de ser un elemento muy claramente
estadstico, est muy enraizado en nuestra
cotidianidad. Dentro de ello, adems
hacemos estimaciones dentro de un intervalo
de posibilidades. Por ejemplo: creo que
terminar la tarea en unos 5-6 das.
Lo que se hace en el terreno del anlisis de
datos es aplicar matizaciones tcnicas a este
hbito. Vamos a dedicar este documento al
concepto de estimacin, comenzando con la estimacin puntual.
Despus nos ocuparemos de desarrollar un modelo de estimacin por
intervalo donde identificaremos los elementos fundamentales, con su
significado y smbolo. Y, por ltimo, habr que desarrollar cmo se
calculan esos elementos.

I. Introduccin

Antecedentes
El siguiente artculo abordado tiene como principal problema,
delimitar y conocer de una manera clara y tcnica lo que es la teora de
estimacin ya que dentro del mundo de la estadista es de gran
relevancia. Su finalidad es proporcionarnos las herramientas necesarias
para poder determinar buenas aproximaciones (a los que llamaremos
estimaciones) a aquellos valores desconocidos en la poblacin (a los que
tcnicamente se les denomina parmetros) y que estamos interesados
en conocer.

Estado del arte

Sir Ronald Fisher, un astrnomo ingls que ide recursos en
estadstica, gentica (incluso eugenesia), matemticas y fsica durante el
primer tercio del siglo pasado. Es tuvo pensando en estas cuestiones y
se le ocurri definir una situacin concreta: imagin a una viejecita que
deca ser capaz de distinguir si en una taza de t con leche se haba
volcado antes el t o la leche. Y deca que era capaz de ello con solo
probar un poco del lquido. Y el ingls sigui pensando. Dijo que haba
que acotar cuntos aciertos seran suficientes como para creer a la
viejecita. Si esta mujer fuera capaz de lo que deca, estaba claro que
tenamos que aceptar algn error por su parte. Imagina que le damos 10
tazas. Que las acierte todas es algo que puede ocurrir en una ocasin de
cada mil veces que sometemos a una persona a esa prueba y resulta
que no tiene ni idea, acertando por casualidad. Que acierte casi todas,
errando solo en una ocasin es algo que puede pasar en una de cada
cien pruebas. Que falle en dos, ocurre en una de cada 25 ocasiones (un

2
 4%). Fisher pens en 8 tazas donde la mitad se han servido con un orden
y la otra mitad con otro y pidi imaginariamente a la mujer que las
distinguiera formando dos grupos. Y concluy que un buen
nivel de seguridad era el 95%, es decir, una probabilidad no
superior al 5% de que la mujer acertara por casualidad. Y
pens que era una buena cosa ese valor al que haba
llegado. Han pasado casi cien aos y no hay quien discuta al
seor Fisher ni aun despus de muerto. No conozco a nadie
que investigue sobre habilidad de mujeres mayores
distinguiendo el orden en que se han volcado lquidos en un
vaso. Pero lo cierto es que el 95% de seguridad se ha
extendido tanto que si lo consideras en tus intervalos de
estimacin, nadie te preguntar nada. Por el contrario, si
alguien decide utilizar un 93%, que se prepare a responder a
la incmoda pregunta Por qu? 7 En la prctica se han
instalado dos valores para la seguridad. El estndar es 95%.
No obstante, cuando alguien quiere mostrar mayor
seguridad, ms exigencia a la situacin, entonces recurre al
99%.

Justificacin
En lenguaje estadstico diremos que la
precisin de la estimacin es de suma
importancia ya que aumenta con el tamao
de la muestra. En la prctica, generalmente
solo se conoce 10 que ocurre en una muestra
de enfermos. La teora estadstica de la
estimacin permite predecir, con
determinada precisin, 10 que ocurre en la
poblacin mediante la informacin aportada
por 10s individuos de una muestra extrada al
azar de dicha poblacin. Por 10 tanto,
volviendo al ejemplo expuesto, siempre que
daban darse conclusiones a partir de 10s
resultados de una experiencia basada en el
estudio de grupos de individuos, ser
necesario analizar si, por s solo, el azar puede
explicar las diferencias encontradas. Este
anlisis se hace siempre aplicando pruebas
estadsticas que cifran, mediante
probabilidades, la influencia del azar en 10s
resultados de un experimento. La teora de la
Estimacin se desarrolla a partir del caso
particular de una proporcin. La teora de la
Decisin se desarrolla a partir del caso
particular de la prueba de comparacin de
una proporcin observada a una proporcin
terica. Sin embargo, la generalizacin a otros
casos es inmediata.

3
Objetivos
Una vez analizado lo que es la teoria de estimacion sabremos determinar que
cumplen los siguintes objetivos.

X variable cuantitativa en una poblacin. La Un estimador

distribucin de probabilidad de X es conocida salvo puntual de es una
por uno o varios parmetros (por ejemplo, la media funcin de los
poblacional, , la varianza poblacional, 2, la datos x1,. . ., xn que
proporcin asociada a una distribucin binomial, p aproxima el valor de
etc.) . Cuando se da el
Disponemos de los datos x1,. . ., xn que constituyen valor del estimador
una Muestra Aleatoria Simple de la variable X. , hay que dar
La estimacin estadstica de un parmetro tambin una
(llammosle ) consiste en determinar valores, estimacin del error
calculados a partir de x1,. . ., xn que de alguna que se comete al
manera aproximen a : bien proporcionando aproximar el valor
valores cercanos a (estimacin puntual), bien del parmetro
proporcionando un par de valores entre los cuales mediante .
se encuentre el de (estimacin por intervalos).

Metodologa
Existen diversas reas de consulta para
indagar acerca de este tema por lo que fue
de gran relevancia seleccionar de manera
cautelosa las fuentes a utilizar.
Por lo tanto, la metodologa que se
sigui ha consistido en un exhaustivo
trabajo de campo en el que la investigacin
y la interpretacin de diversas pginas
electrnicas tuvieron un papel importante
para tener informacin clara y precisa.
Se eligi la utilizacin de la red para
buscar la informacin requerida, ya que es
la opcin ms eficaz, rpida y con un vasto
campo de investigacin y tendramos
diferentes puntos de vistas expertos que
analizan ese tema.

4
 II. Bases tericas

En inferencia estadstica se llama estimacin al conjunto de tcnicas que permiten dar un

valor aproximado de un parmetro de una poblacin a partir de los datos proporcionados
por una muestra. Por ejemplo, una estimacin de la media de una determinada
caracterstica de una poblacin de tamao N podra ser la media de esa misma caracterstica
para una muestra de tamao.

La estimacin puntual
Una estimacin puntual consiste en
establecer un valor concreto (es decir, un
punto) para el parmetro. El valor que
escogemos para decir el parmetro que
nos preocupa vale X es el que suministra
un estadstico concreto. Como ese
estadstico sirve para hacer esa
estimacin, en lugar de estadstico suele
llamrsele estimador. As, por ejemplo,
utilizamos el estadstico media
aritmtica de la muestra como
estimador del parmetro media
aritmtica de la poblacin. Esto significa:
si quieres conocer cul es el valor de la
media en la poblacin, estimaremos que
es exactamente el mismo que en la
muestra que hemos manejado. Los
estimadores siempre suministran
dispersin aleatoria. Como sabemos del
monogrfico sobre muestreo, el conjunto
de todas las muestras de un mismo
diseo que provienen de una misma
poblacin suministran valores diferentes.
Esta circunstancia indica que existe una
variacin aleatoria con la que hay que
vivir porque es inevitable. Pero todava
sera peor. Es posible que el estimador
escogido tenga sesgo, es decir, que no
solo est variando alrededor de un punto,
sino que el punto sobre el que vara no es
el valor poblacional, verdadero u objetivo
de nuestro inters. Esto si es evitable. As
que los estimadores que utilizamos
intentamos que sean insesgados, es decir,
que carezcan de sesgo.
Un sesgo es una tendencia constante. En
un ejemplo clsico, solemos afirmar que las
escopetas de feria estn diseadas para
errar, para desviarse. Si esa desviacin es
fija, es decir, si esa desviacin es una
tendencia a errar hacia un sentido concreto,
entonces hablamos de sesgo. Si no es fija,
entonces se trata de una variacin aleatoria
El recurso que utilizamos para ello es el
valor esperado, es decir, la media aritmtica
de la distribucin muestral del estimador. Ya
lo viste en el monogrfico sobre muestreo.
El valor esperado es, como dice la expresin,
el valor que esperamos. Cabe elegir un
estimador tal que el valor esperado coincida
con el parmetro. Esto ocurre si utilizamos la
media aritmtica de la muestra como
estimador de la media aritmtica de la
poblacin, pues E [X ] =. Tambin ocurre
con las proporciones, pues E (p) = . Pero no
ocurre as con la varianza (y, por tanto,
tampoco con la desviacin tipo) pues E(S2)
2. Lo que hacemos entonces es escoge otro
estimador. En el muestreo aleatorio simple
donde las poblaciones son de gran tamao,
es la cuasi varianza el estadstico escogido
como estimador de la varianza poblacional,
pues E(S2 )= 2 , es decir, la cuasi varianza es
un estimador insesgado de la varianza
poblacional.

5
 Estimacin por intervalo
Las estimaciones puntuales no son una
buena opcin cuando constituyen el centro
del objetivo, aunque solucionan problemas
de procedimiento, por lo que son
absolutamente necesarias.
Intentemos comprender la afirmacin del
prrafo anterior. Por un lado, una estimacin
puntual es una mala opcin. Que el
parmetro tenga exactamente el valor del
estimador es una casualidad de difcil
ocurrencia. Queremos estimar el tiempo
medio que una persona pasa entre una
respiracin y la siguiente cuando duerme.
Acotamos la poblacin: nos preocupan los
adultos (al menos 18 aos de edad)
europeos. Demasiados millones como para
pensar que podemos abordar a toda la
poblacin. As que seleccionamos una
muestra aleatoria simple de 350 habitantes
del continente con 18 o ms aos. El tiempo
medio en la muestra es de 5 segundos. Si
hacemos una estimacin puntual diremos
que el tiempo medio en la poblacin es
tambin de 5 segundos. Imaginemos que
somos capaces de conocer el valor real en la
poblacin. Es 5,2 segundos. Hemos
acertado?
Qu significa 5 segundos? En principio, son
5 segundos exactamente. Esto lo diferencia
de, por ejemplo, 5,0013 o de 4,9987. Sin
embargo, la gran mayora de las personas
6
seguramente aceptaran cualquiera de
ambas aproximaciones como un acierto
meritorio, pues solo se alejan de 5 en 13
diezmilsimas, una cantidad demasiado
pequea como para penalizar el estudio y
afirmar que no acert. Si nos comportamos
de ese modo es que no estamos haciendo
una estimacin puntual, sino considerando
un intervalo alrededor de 5 que marca la
desviacin admisible o una especie de
cuanta mxima de error que nos permite
afirmar que realmente se trata de un
acierto. Lo que hacemos o deseamos hacer
en la prctica son estimaciones por
intervalo. Consiste en utilizar el clebre ms
o menos. Diremos, en nuestro ejemplo, que
el tiempo medio que una persona dormida
ocupa entre dos respiraciones es ms o
menos 5 segundos. No obstante, desde el
campo de la estadstica, ese ms o menos es
demasiado impreciso. Est incompleto. Es
necesario responder a ms o menos qu?
Hay que manejar alguna precisin. Por
ejemplo: ms o menos 0,4 segundos. Si la
estimacin es as, entonces estamos
concluyendo con un intervalo: el tiempo
medio es de 5 0,4 = {4,6; 5,4}. Acabamos
de ver nuestro primer ejemplo de
estimacin por intervalo.
 Control de la anchura del intervalo
Es evidente que si se estrecha el intervalo, se
suministrar al investigador una estimacin
ms exacta del valor del parmetro. Hay dos
mtodos corrientes para estrechar un intervalo,
pero para ambos se debe hacer un sacrificio
adicional. Estos procedimientos son: a) Ajuste
del nivel de confianza: por la propia naturaleza
de los intervalos de confianza, si se acepta un
nivel de confianza ms bajo, se podra generar
un intervalo ms preciso, menos amplio, pero
eso aumenta la probabilidad de error. b) Ajuste
del tamao de la muestra: el aumentar el
tamao de la muestra disminuye el error
esperado y es ms probable que se d una
estimacin ms ajustada del valor verdadero
del parmetro, con ello se puede conservar un
nivel de confianza determinado y al mismo
tiempo disminuir la anchura del intervalo; pero
el sacrificio es un aumento ya sea de tiempo,
del gasto, etc.; que se exige para recoger los
datos para una muestra mayor.
Intervalos de confianza; Si T1 y T2 son dos
valores, obtenidos a partir de los datos x1, . . . ,
xn y tales que P(T1 T2) = 1 entonces
[T1, T2] es un intervalo de confianza para con
un nivel de confianza de 1 . Intuitivamente,
T1, T2 son dos valores tales que el 100(1 )%
de las veces que repitamos el experimento en
esa poblacin, el valor desconocido de estar
entre estos dos valores. El nivel de confianza 1
es un valor entre 0 y 1 que debe estar
prximo a 1(0.90, 0.95, 0.99,. . .). De ello
resulta que el valor de es prximo a 0 (0.1,
0.05, 0.01,. . .).
En una estimacin por intervalo podemos
observar dos elementos: un centro y un radio o
distancia al centro. En el ejemplo, el centro es 5
y el radio es 0,4. El centro es el valor aportado
por el estimador. El radio expresa una medida
de imprecisin. Cuanto menor es su valor,
mayor es la precisin. As que vamos a llamarlo
coherentemente error de precisin, utilizando
el smbolo ep. En nuestro ejemplo, el estimador
es la media aritmtica con valor 5, mientras
que el error de precisin tiene el valor 0,4. Con
ambos elementos podemos construir un
intervalo. Antes de pasar al tercer elemento
fundamental de una estimacin por intervalo,
retomemos la estimacin puntual.
Dado un cierto tamao de muestra n y un valor
a, existe un nico intervalo de probabilidad
mientras que pueden haber infinitos intervalos
de confianza, uno para cada muestra que se
tenga.
La frmula de clculo del intervalo de confianza
indica cmo a medida que aumenta el tamao
n de la muestra, este intervalo es ms estrecho,
es decir la estimacin de la proporcin p a
partir de la proporcin pa es ms precisa.
Cuantos individuos deberemos elegir para
estimar la proporcin p? Se trata de fijar a
priori la precisin e deseada y a partir de ella
calcular el valor de n para que la proporcin
observada en la muestra como mximo est a
una distancia + e de la verdadera proporcin p.
Despejando el valor n en la frmula (4) se
obtiene n en funcin de la precisin e:
= /.
7
El valor p es desconocido ya que precisamente se realiza el sondeo para estimarlo.
En la frmula (11) debe sustituirse p por un valor aproximado, obtenido segn uno
de 10s siguientes criterios:

Estudios anteriores proporcionan una idea aproximada del valor de p.

Realizar un sondeo previo, extrayendo una pequea muestra, y sustituir p
por la proporcin p, observada en ella.
Sustituir el producto pq de la frmula (11) por el caso ms desfavorable. El
valor pq=0.25 es el mayor de todos 10s posibles.

As pues, contamos con tres elementos en una estimacin por intervalo: el

estimador, el error de precisin y la seguridad. El valor del estimador viene
determinado por la muestra. No es algo que podamos decidir. Pero y los otros
dos? Uno est en funcin del otro, como hemos razonado. Lo que hacemos es
decidir uno y calcular qu valor ha de tener el otro hasta encontrar un equilibrio. La
figura 2 expresa esta idea. Los dos elementos se apoyan sobre las caractersticas de
la muestra, representadas por el valor del estimador. Conforme aumenta la
seguridad disminuye la precisin. Conforme aumenta la precisin disminuye la
seguridad. Esto del equilibrio es cosa difcil de explicar. Depende de varios factores,
entre los que las consecuencias prcticas deberan constituir el factor protagonista.
Pero, como ya veremos, otros criterios menos confesables, como la tradicin, el
hbito o el miedo a dar explicaciones, han generado otro tipo de soluciones.
Abordaremos esto ms adelante.
Entre todos estos apectos abordados tambien entra en juego lo que es el valor
critico que viene siendo; Se representa por Z/2. Es el valor de la abscisa en una
determinada distribucin que deja a su derecha un rea igual a /2, siendo 1- el nivel de
confianza. Normalmente los valores crticos estn tabulados o pueden calcularse en funcin de
la distribucin de la poblacin. Por ejemplo, para una distribucin normal, de media 0 y
desviacin tpica 1, el valor crtico para = 0,1 se calculara del siguiente modo: se busca en
la tabla de la distribucin ese valor (o el ms aproximado), bajo la columna "rea"; se observa
que se corresponde con -1,28. Entonces Z/2 = 1,64. Si la media o desviacin tpica de la
distribucin normal no coinciden con las de la tabla, se puede realizar el cambio de variable t
=(X-)/ para su clculo.

8
Clculo del error de precisin
Hemos visto ya que construir un intervalo
de estimacin tiene un momento de decisin
(cul ha de ser la seguridad con que
concluimos que el parmetro, por ejemplo ,
se encuentra en el intervalo?) y dos
momentos de clculo. Lo primero que
calculamos es el valor de estimador (por
ejemplo, m). Lo siguiente es el valor del error
de precisin (ep) que se deriva de las
caractersticas de la muestra y del nivel de
seguridad escogido. Llegados a ese punto lo
nico que nos quedar ser construir el
intervalo restando y sumando al estimador el
valor del error de precisin. Con los smbolos
improvisados en este prrafo, el punto de
llegada ser:
{m ep , m + ep }seg.
La expresin anterior se lee, literalmente,
diciendo que afirmamos con una seguridad de
valor seg que el parmetro tiene un valor
comprendido entre m - ep y m + ep. Si
llegados a este punto ya tenemos el valor de
m y hemos decidido seg, entonces solo nos
resta calcular ep.
Elementos para el clculo
Pues bien, el error de precisin depende de
tres elementos. Uno ya lo sabemos: el nivel de
seguridad. Cuanta ms seguridad queramos
tener, el error de precisin ser mayor, de tal
forma que el intervalo se har ms grande.
Vamos a justificarlo ms adelante, pero ya
adelanto qu recurso vamos a utilizar para
representar la seguridad: un valor de distancia
estandarizada, Z seg. Conforme mayor sea la
seguridad, mayor ser el valor de Z seg. Si este
elemento fuera el nico y dado que a mayor
9
seguridad mayor error de precisin, entonces
la frmula de clculo sera:
ep = Zseg
El tercer y ltimo elemento es el tamao de la
muestra. Qu influencia crees que tiene en el
valor del error de precisin? Vayamos por
partes. Primera pregunta: qu efecto tiene el
tamao de la muestra en el parecido entre el
estimador y el parmetro? Al aumentar el
tamao de la muestra, si el muestreo sigue
siendo el mismo y es bueno, entonces
esperaremos que el valor del estimador sea
ms parecido al parmetro, es decir, nos
resultar ms raro que la distancia entre el
estimador y el parmetro sea elevada. Si
hemos entrevistado a una sola persona, es
muy probable que su opinin sobre la
actuacin del ayuntamiento en el asunto de la
construccin del puente vare mucho respecto
a entrevistar a otra persona. Y, por tanto, es
muy probable que su opinin resulte poco
representativa. Pero si hemos preguntado a
mil personas mediante un buen cuestionario y
la muestra est conseguida mediante un buen
procedimiento, entonces esperaremos dar
prcticamente en el blanco, en el sentido de
que tendremos una sensacin bien fundada
de que el valor medio de la opinin en la
muestra (valor del estimador) ser igual o
muy parecido al valor medio de la opinin en
la poblacin (valor del parmetro). As pues,
conforme el tamao de la muestra aumenta,
el error de precisin ha de disminuir. La
frmula debe considerar, entonces, al tamao
de la muestra dividiendo. Cuando se deduce
matemticamente la expresin, lo que divide
no es n directamente sino su raz cuadrada.
Por ello, la frmula definitiva que utilizamos
es:
ep = Zseg n
 Solucin del problema
Una vez tenida las bases tericas nos dimos a la tarea de
seleccionar las frmulas ms utilizadas de esta teora para
as darle solucin a los problemas que nos encontremos
respecto a este tema.

Estimacin de la media
Sea x1,. . ., xn una Muestra Aleatoria Simple de una
variable N(, ). Estimacin puntual:
= X, Error estndar = S n Intervalos de confianza:
conocida ( X / n z/2 )
desconocida ( X S n tn1,/2).

Z/2: cuantil por la derecha de orden 2 de una distribucin N (0, 1). tn1,/2 : cuantil
por la derecha de orden /2 de una distribucin t(n 1).

Si n 60 los intervalos anteriores son vlidos aunque no se verifique la hiptesis de

normalidad.

Estimacin de la varianza
Sea x1, . . . , xn una Muestra Aleatoria Simple de una variable N(, ).
Estimacin puntual:

= = ( )

Intervalos de confianza
2 k,/2 , 2 k,1/2 : cuantiles por la
derecha de orden /2 y 1 /2 de una
distribucin 2 (k).

Intervalos de confianza para la media poblacional (muestras pequeas).

Hasta ahora se haba estudiado la estimacin para la media poblacional en diversas
condiciones, en algunos casos se conoca mientras que en otros se eluda esta
hiptesis. Se han calculado intervalos de confianza con la hiptesis de una poblacin
que segua una distribucin normal y tambin cuando se supona que la distribucin
era desconocida pero a la cual se poda aplicar el teorema del lmite central ya que las
muestras eran grandes. Sin embargo, en muchas aplicaciones, obtener una muestra
grande es poco probable e incluso imposible, por ejemplo, las compaas de seguro
que comprueban la resistencia de los carros a las colisiones. Destruir a propsito 30 o
ms carros puede ser algo caro. Cuando hay que tomar una muestra pequea, la
distribucin t de student es ms apropiada. El intervalo correspondiente ser:

Estimacin de una proporcin

En caracteres cualitativos el parmetro de inters es la proporcin p de individuos de
la poblacin que presentan cada modalidad del carcter. La variable que modeliza

10
estas situaciones ser dicotmica o de Bernoulli con probabilidad de xito p. Para
modelizar esta situacin consideraremos x1, . . . , xn una Muestra Aleatoria Simple de
una variable con distribucin de Bernoulli de parmetro p.


=0
= =

(1)
Error estndar = ( )
intervalos de confianza para p:

Puesto que se utiliza la aproximacin

de la binomial por la normal, los
intervalos anteriores sern vlidos si
np(1 p) > 5.

Determinacin de tamao de muestra en estimacin

Qu tan grande deber ser la muestra?, si es muy pequea se puede fallar en la
obtencin de los objetivos de nuestro anlisis; pero si es demasiado grande
desperdiciamos recursos cuando tomamos la muestra. Siempre se tendr algo de
error de muestreo debido a que no hemos estudiado a la poblacin completa, cada
vez que tomamos una muestra perdemos algo de informacin til con respecto a la
poblacin; pero ese error se puede controlar si se selecciona una muestra cuyo
tamao sea adecuado. Dado un nivel de confianza que se desea, hay dos factores
principales que influyen en el tamao maestral necesario: a) La variabilidad de la
poblacin (queda fuera del control del investigador). b) El grado de error que se

puede tolerar.

11
Resultados Resumen de frmulas

12
 BIBLIOGRAFIA

http://asignatura.us.es/dadpsico/apuntes/EstimacionEstadistica.pdf
Mar. 2017].
http://matematicas.unex.es/~mota/ciencias_ambientales/tema7_n
uevo.pdf
https://wwwyyy.files.wordpress.com/2013/04/teorc3ada-de-la-
estimacic3b3n-estadc3adstica.pdf

13