UNIVERSIDAD DE SAN CARLOS DE

GUATEMALA (USAC)

CENTRO UNIVERSITARIO DEL NORTE (CUNOR)

INGENIERIA

ING. DANILO SIERRA

INVESTIGACION NO.1 “TEMA 2”

(PROPIEDADES DE LA ESTIMACIÓN PUNTUAL)

DULCE STEPHANNIE CATÚN GUEVARA 201744854

SAMANTHA ABIGAHIL CHEN GONZALEZ 201842197

ANDREA FERNANDA RIVEIRO SANTOS 201841315

COBAN A.V 29/03/2020

 Objetivos:

General:

 Determinar las propiedades de la estimación puntual

Específicos:

 Identificar la importancia de la estimación puntual al momento de hacer

investigaciones mediante diferentes tamaños de muestras.
 Analizar la influencia de cada propiedad al momento de trabajar con
cada muestra.
 Definir la diferencia entre cada propiedad de la estimación puntual.
 Propiedades de la estimación puntual:

Un estimador es un estadístico usado para estimar un parámetro desconocido de

una población.

Una estimación puntual de un parámetro poblacional es cuando se utiliza un único

valor para estimar ese parámetro, es decir, se usa un punto en concreto de la
muestra para estimar el valor deseado.

Cuando estimamos un parámetro de forma puntual, podemos saber con certeza,

cuál es ese valor. Imaginemos una población de 30 personas de las que
seleccionamos una muestra de 20 para las que conocemos sus edades. Estimar
de forma puntual la media de edad, sería tan sencillo como sumar esos 20 datos y
dividirlos entre el total de la muestra estadística.

Propiedades de los estimadores:

Un estimador es una aproximación de un parámetro teórico o desconocido de una

población. Para estimar la media de la altura de una población, podemos
seleccionar una muestra y calcular la media aritmética de la muestra. Ahora bien,
también tendría sentido usar como estimador el siguiente:

¿Cuál de los dos se aproxima más al verdadero valor desconocido? En principio,

no habría manera de saberlo, puesto que deberíamos conocer el valor teórico (el
desconocido). Por eso, interesa estudiar propiedades de los estimadores, que nos
permitan decidir entre usar unos u otros para los casos concretos.

Estimadores insesgados:

Una primera propiedad deseable para un estimador es que el centro de la

distribución de los valores que puede tomar coincida con el valor del parámetro
que queremos aproximar.

A esta propiedad se le llama insesgadez. Así, un estimador insesgado es aquel

cuya media coincide con el valor del parámetro a estimar.
La insesgadez significa que el valor de la media o el valor esperado coincide con
el parámetro teta.

Veámoslo con un ejemplo para entenderlo mejor: supongamos que deseamos

tener una estimación de la estatura media de los hombres mayores de 18 en una
población. Podríamos ponernos en medio de la calle y seleccionar aleatoriamente
una muestra de n hombres, medir su estatura (o preguntársela) y calcular
después la media aritmética de los datos obtenidos. Esa sería una estimación
puntual.

Por medio de R podemos hacer una simulación de este proceso. En vez de bajar a

la calle, parar a la gente y preguntarle lo que mide, simulamos cien datos
correspondientes a 100 estaturas de varones mayores de 18. En este caso,
tenemos que “simular” que medimos a cien personas, de una población de
varones españoles mayores de 18.

La media muestral de esos 100 valores es = 178.3424.

Si vamos al día siguiente a la misma calle y seleccionamos aleatoriamente otra
muestra del mismo número n de personas, medimos su estatura y calculamos la
media aritmética, tenemos otra estimación puntual

Estimadores consistentes

Un estimador insesgado es consistente cuando su varianza tiende a 0 si n crece

hacia infinito.

Si el valor del estimador puntual tiende a estar más cerca del parámetro de la
población a medida que el tamaño de la muestra aumenta, se determina que es
consistente; en otras palabra, una muestra grande tiende a proporcionar mejor
estimación puntual que una pequeña.

Recordemos que la varianza mide la dispersión. A mayor varianza, mayor

dispersión entre los valores de la variable, y a menor varianza menor dispersión.
La propiedad de consistencia indica que, si tomamos muestras muy grandes
(n muy grande, creciendo hacia infinito), la varianza se hará próxima a cero, es
decir que obtendremos siempre valores muy próximos entre sí.

Pensemos en los ejemplos que hemos estado viendo donde realizábamos

encuestas en la calle (o medíamos la estatura). Lo hacíamos en muestras de
tamaño 100, y obteníamos valores diferentes para nuestro estimador (o bien la
media muestral, o bien la proporción muestral). Parece lógico pensar que, si en
vez de tomar muestras de tamaño 100, tomamos muestras muy grandes, los
valores que obtengamos de cada vez se parezcan mucho entre sí (por lo tanto, la
dispersión o varianza tiende a cero), puesto que es como si estuviésemos de cada
vez midiendo a (casi) toda la población.

Estimadores de eficiencia

Un estimador es más eficiente o más preciso que otro estimador, si la varianza del
primero es menor que la del segundo.

La eficiencia de los estimadores esta limitada por las características de la

distribución de probabilidad de la muestra de la que proceden. También se
asegura que son eficientes cuando el estimador es insesgado.
La varianza de un estimador verifica siempre la Cota de Cramer-Rao.

Cota de Cramer-Rao: Sea una población con densidad de probabilidad

entonces se cumple que:

Si un estimador
tiene una varianza que coincide con la cota de Cramer-Rao se dice que es un
estimador eficiente. Si además es insesgado, se dice que es un estimador de
eficiencia absoluta o completa.

Ejemplo: Sea una población que se distribuye normalmente con desviación típica
conocida y media desconocida. Como estimador utilizaremos la media muestral.
Sabemos que la distribución del estimador es también una normal con la misma
media y varianza. Luego el estimador es insesgado: Calculemos la cota
de Cramer-Rao

Eficiencia Asintótica: Cuando trabajamos con estimadores consistentes el

rango de valores de para el cual un estimador es más eficiente que otro
disminuye a medida que n crece. En el limite cuando n tiende a infinito, la
distribución de todos los estimadores consistentes colapsa en el verdadero
parámetro . Entonces deberíamos preferir aquel estimador que se aproxime más
rápidamente (es decir, aquel cuya varianza converge más rápido a cero).

En términos intuitivos, un estimador consistente es asintóticamente eficiente si

para muestras grandes su varianza es menor que la de cualquier otro estimador
consistente.

Definición: Un estimador consistente se dice que es asintóticamente eficiente si

para cualquier otro estimador el

Suficiencia

Un estimador es suficiente cuando no da lugar a una pérdida de información. Es

decir, cuando la información basada en el estimador es tan buena como la que
hiciera uso de toda la muestra.

Diremos que es un estimador suficiente del parámetro si dicho estimador

basta por si solo para estimarse. Si el conocimiento pormenorizado de los
elementos la muestra no añade ninguna información sobre

Ejemplo: Supongamos una población binomial de la que desconocemos la

proporción Extraemos una muestra de tamaño n=50.

Para
identificar estadísticos suficientes se utiliza el criterio de factorización de Fisher-
Neyman, que dice que dada una muestra aleatoria de una población X con función
de masa (o función de densidad) un estadístico es suficiente si y solo si:
 Conclusiones

La estimación puntual es precisa ya que se utiliza un único valor para calcular un

parámetro. Las propiedades de la estimación puntual ayudan en gran medida para
realizarla bajo situaciones en las que es muy difícil tomar un dato especifico de
una población. Las propiedades mas utilizadas son la suficiencia, la eficiencia, la
consistencia y la insesgadez. La estimación puntual suele ser de gran importancia
en las investigaciones debido a que en ellas se suelen dar diferentes aspectos que
se deben medir, esta técnica aparte de facilitar la medición también le da cierta
credibilidad al estudio asegurando el menor error posible ante tantas variables
distintas. A la hora de realizar investigaciones que requieran de una estimación
puntual, se debe de conocer la población y muestra con la que se trabaja por eso
es importante tener en cuenta cada una de las propiedades, definirlas
adecuadamente y su aplicación correcta.