Estimación de parámetros
Conceptos básicos
Población :
En estadística una población
es un conjunto de objetos,
individuos, elementos o
eventos con determinadas
características.
Parámetro :
Es aquel que representa
características importantes de la
población entre ellas se
encuentran :
La varianza poblacional : σ𝟐
La media poblacional : µ
La proporción poblacional : ᴨ
Estadístico :
Es cualquier función de las
observaciones en una muestra aleatoria
, se pueden estimar mediante un valor o
valores de la muestra.
La varianza muestral : 𝒔𝟐
La media muestral : 𝑿ഥ
La proporción muestral : P
Estimador :
Es un estadístico que se determina con la
muestra de una determinada población y
cuyo valor es próximo al parámetro de la
población.
Método de muestreo :
Procedimiento para seleccionar una muestra. Si en una
población queremos obtener una muestra de un cierto
tamaño n ( siendo n menor que el tamaño de la
población ), la manera de obtener esta muestra no es
única. En este tema, consideramos muestras aleatorias
simples (m.a.s).
 Estimación puntual
Las estimaciones puntuales de los parámetros se obtienen a partir de una muestra aleatoria
simple X1, . . . , Xn de la variable X. Si calculamos el valor del estimador a partir de distintas
muestras, los resultados que obtendremos serán diferentes. Es decir, los estimadores, al estar
construidos a partir de muestras aleatorias, son aleatorios y en consecuencia, tienen una
distribución. La distribución de los estimadores se denomina distribución en el muestreo.
Describimos a continuación los estimadores puntuales para la proporción y para la media y la
varianza y sus respectivas distribuciones en el muestreo, que serán tenidas en cuenta a la hora
de construir los intervalos de confianza.

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:

𝑿=µ
•La proporción de la población se puede estimar puntualmente mediante la proporción de la
muestra:
ᴨ=P
•La varianza de la población se puede estimar puntualmente mediante la varianza de la
muestra, aunque hay mejores estimadores:

σ𝟐 = 𝒔𝟐
 ESTIMACIONES PUNTUALES. MEDIA ,
VARIANZA Y PROPORCIÓN
Ejemplo : las puntuaciones en una muestra aleatoria de 10 personas a un test psicométrico fueron respectivamente : 25 , 24 , 22
, 20 , 25 18 , 17 , 24 , 16 , 21 .

1 ) Determinar estimaciones insesgadas y eficientes de la media la varianza y la proporción de personas que tienen una
puntuación mayor de 22 .
Estimación puntual de la media :
El estimador insesgado y eficiente de la media poblacional es precisamente la media muestral .
σ𝑛
𝑖=1 𝑥𝑖 212
µ= 𝑿 = = = 𝟐𝟏. 𝟐 1
E[𝑥]ҧ = 𝐸[ 𝑛 σ𝑛𝑖=1 𝑥𝑖 ] =
1
E[ σ𝑛𝑖=1 𝑥𝑖 ] =
1
σ𝑛𝑖=1 𝐸[𝑥𝑖 ] =
1 1
( 𝐸[𝑥1 ]+𝐸[𝑥2 ]+ ………. + 𝐸[𝑥𝑛 ] ) = 𝑛 nµ = µ
𝑛 10 𝑛 𝑛 𝑛

Estimación puntual de la Varianza :

El estimador insesgado y eficiente de la varianza poblacional es precisamente la varianza muestral .

σ𝑛 2
𝑖=1 𝑥𝑖 −𝑛.𝑥ҧ
2 4596 −(10)(21.2)2
σ𝟐 = 𝒔𝟐 x = = = 11,289
𝑛−1 9
Estimación puntual de la proporción :
El estimador insesgado y eficiente de la proporción poblacional es precisamente la proporción muestral .

𝒙 𝑵𝒙 > 𝟐𝟐 4 2
ᴨ=P=𝒏 = = 10 = 5
𝒏
 Propiedades de los estimadores puntuales .
Sesgo : se denomina sesgo de un estimador a la diferencia entre la esperanza ( valor esperado ) del estimador y el
verdadero valor del parámetro a estimar. Es deseable que un estimador sea incesgado o centrado , esto es que el
sesgo sea nulo para que la esperanza del estimador sea igual al valor del parámetro que se desea estimar.

Consistencia : Si no es posible emplear estimadores de mínima varianza , el requisito mínimo deseable para un
estimador es que a medida que el tamaño de la muestra crece , el valor del estimador tienda a hacer el valor del
parámetro poblacional , propiedad que se denomina consistencia .

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

Suficiencia : Un estimador θ෠ es suficiente cuando no da lugar a una perdida de información . Es decir cuando la
información basada en θ෠ es tan buena como la que hiciera uso de toda la muestra .