SEMANA 4 – ESTADÍSTICA PARA LA GESTIÓN

ESTADÍSTICA PARA LA GESTIÓN

SEMANA 4

Estimación puntual y por intervalos

Todos los derechos de autor son de la exclusiva propiedad de IACC o de los otorgantes de sus licencias. No está
IACCemitir, difundir, poner a disposición del público ni
permitido copiar, reproducir, reeditar, descargar, publicar,
utilizar los contenidos para fines comerciales de ninguna clase. 1
SEMANA 4 – ESTADÍSTICA PARA LA GESTIÓN

APRENDIZAJES ESPERADOS

• Resolver problemas que involucren métodos de estimación puntual y

por intervalos.

IACC
2
SEMANA 4 – ESTADÍSTICA PARA LA GESTIÓN

APRENDIZAJES ESPERADOS ................................................................................................................. 2

INTRODUCCIÓN ................................................................................................................................... 4
1. ESTIMACIÓN PUNTUAL ............................................................................................................... 5
1.1. PROPIEDAD DE LOS ESTIMADORES PUNTUALES...................................................................... 6
2. MÉTODO DE MÁXIMA VEROSIMILITUD .......................................................................................... 8
2.1. FUNCIÓN DE VEROSIMILITUD .................................................................................................. 8
3. ESTIMACIÓN POR INTERVALOS ....................................................................................................... 8
3.1. INTERVALOS DE CONFIANZA PARA PARÁMETROS DE POBLACIONES NORMALES .................. 9
3.1.1. INTERVALO DE CONFIANZA PARA LA MEDIA CON VARIANZA CONOCIDA ..................... 10
3.1.2. INTERVALO DE CONFIANZA PARA LA MEDIA CON VARIANZA DESCONOCIDA ............... 13
3.1.3. INTERVALO DE CONFIANZA PARA UNA PROPORCIÓN .................................................... 16
COMENTARIO FINAL.......................................................................................................................... 19
REFERENCIAS ..................................................................................................................................... 19

IACC
3
SEMANA 4 – ESTADÍSTICA PARA LA GESTIÓN
INTRODUCCIÓN
Cuando se realiza una afirmación acerca de
los parámetros de la población en estudio,
basándose en la información contenida en la
muestra, esta se puede realizar mediante
valores puntuales de un estadístico o
señalando un intervalo de valores dentro del
cual se tiene confianza que esté el valor del
parámetro. El primer caso se conoce como
IACC
estimación puntual. En ella se utilizan
directamente los valores de un estadístico
sobre la muestra dada. En el segundo caso se
está ante una estimación por intervalos,
donde se calcula un intervalo de confianza en
el que razonablemente cae el valor estimado
con un nivel de confianza prefijado.
4
SEMANA 4 – ESTADÍSTICA PARA LA GESTIÓN

1. ESTIMACIÓN PUNTUAL

Se sabe que las variables aleatorias (X1, X2, …, Xn) constituyen una muestra aleatoria de tamaño n si
las 𝑋𝑖 son variables aleatorias independientes y todas las 𝑋𝑖 tienen la misma distribución de
probabilidad.

También se sabe que un estadístico es cualquier función de las observaciones contenidas en una
muestra, por ejemplo, la media muestral, la varianza muestral o la proporción muestral. Además,
una estadística puede tomar distintos valores en distintas muestras, constituyendo una variable
aleatoria. Cualquier estadística que permita hacer una idea acerca del valor poblacional de un
parámetro desconocido se llamará estimador y se llamará estimador puntual a un valor concreto
obtenido en una muestra (Pérez, 2002).

El paso previo de todo proceso de estimación consistirá en definir las estadísticas que se emplearán
como estimadores. Por ejemplo, si se quiere estimar la media de una población, entonces se debería
usar como estimador la media muestral. Sin embargo, se deben analizar las propiedades de cada
estimador.

Es lógico pensar que una estimación puntual posee la ventaja de obtener un valor exacto de un
parámetro poblacional. Sin embargo, al tomar distintas muestras el valor de la estadística muestral
cambia. Por ello es muy importante que un estimador goce de determinadas propiedades
deseables.

IACC
5
SEMANA 4 – ESTADÍSTICA PARA LA GESTIÓN

Es muy importante que vayan revisando los links adjuntos, para

revisar los conceptos aplicados

https://www.youtube.com/watch?v=-9who67ocEQ

Link del recurso (DESCARGA)

1.1. PROPIEDAD DE LOS ESTIMADORES PUNTUALES

Según César Pérez (2002), las propiedades de los estimadores puntuales son:

1) Un estadístico es suficiente cuando recoge toda la información que entrega la muestra. Esta es
una característica muy deseable en estimador puntual.

2) Un estimador puntual es consistente cuando verifica que la probabilidad que la desviación entre
el estimador y el verdadero valor del parámetro estimado sea mayor que un cierto valor prefijado.

Matemáticamente, un estimador 𝜃 es consistente para el parámetro 𝜃 si para cualquier número

positivo que se llamará 𝜀 (épsilon) se cumple que:

3) Un estimador puntual es insesgado o centrado cuando su valor probable coincide con el valor del
parámetro a estimar, es decir, se dice que el estimador de un parámetro llamado es un estimador
insesgado si el valor esperado de 𝜃 es 𝜃.

IACC
6
SEMANA 4 – ESTADÍSTICA PARA LA GESTIÓN

A partir de la propiedad anterior se puede definir el sesgo de un estimador

TEOREMA

Si es un estimador insesgado 𝜃 es consistente si (Montgomery & Runger, 1996):

4) Un estimador puntual es eficiente cuando es insesgado y tiene varianza mínima.

TEOREMA

Si 𝜃 es un estimador insesgado de 𝜃 , tendrá varianza mínima si (Montgomery & Runger, 1998):

Donde 𝑓(𝑥) es la función de densidad de la población, 𝑙𝑛es el logaritmo natural, 𝐸 es la esperanza

y 𝑛 es el tamaño de la muestra.

Una vez seleccionadas las propiedades que el estimador debe cumplir para ser considerado
aceptable, queda resolver cómo se determinarán los estimadores puntuales. Los métodos más

IACC
7
SEMANA 4 – ESTADÍSTICA PARA LA GESTIÓN

usados son el de máxima verosimilitud, el método de los momentos y el método de los mínimos
cuadrados.

2. MÉTODO DE MÁXIMA VEROSIMILITUD

2.1. FUNCIÓN DE VEROSIMILITUD

Si 𝑥 es una variable aleatoria (v.a.) que define una población con parámetro 𝜃 y está definida por la
función de probabilidad 𝑓(𝑥; 𝜃). Se selecciona una muestra aleatoria de tamaño 𝑛 que se denota
como 𝑥𝑖 }𝑛𝑖=1. Se define la función de verosimilitud como: 𝐿(𝑥1 , 𝑥2 , … , 𝑥𝑛, 𝜃).

OBSERVACIÓN

El símbolo ∏𝑛𝑖=1 𝑥𝑖 significa el producto de cada valor de la función evaluando 𝑥𝑖 .

Para hallar el máximo de esta función se transforma dicha función aplicando logaritmo, ya que posee
propiedades deseables para obtener buenas conclusiones.

2.1. FUNCIÓN DE MÁXIMA VEROSIMILITUD

Una estadística que se toma como estimador, porque su valor al sustituir al parámetro hace
máxima la probabilidad de obtener el resultado observado, se llama estimador de máxima
verosimilitud (e. m. v.).
Considerando la función de verosimilitud 𝐿(𝑥1 , 𝑥2 , … , 𝑥𝑛, 𝜃) y transformándola en una función

monótona al aplicar la función logaritmo 𝑙𝑛𝐿(𝑥1 , 𝑥2 , … , 𝑥𝑛, 𝜃), el estimador máximo verosímil
se halla derivando esta función e igualándola a cero.

3. ESTIMACIÓN POR INTERVALOS

IACC
8
SEMANA 4 – ESTADÍSTICA PARA LA GESTIÓN

El problema que presenta la estimación puntual de un parámetro reside en que no garantiza ni mide
la precisión de la estimación. Por esta razón, es necesario que la estimación entregue una medida
del grado de confianza. Para ello se construyen límites entre los que se hallará el valor del parámetro
estimado (Montgomery & Runger, 1996).

Si es el parámetro que se quiere estimar, se define una probabilidad de 1de seleccionar una

muestra que produzca un intervalo que contiene el verdadero valor de .

Se conoce como intervalo de confianza del 1001% para el parámetro desconocido a aquel

intervalo proveniente de un número infinito de muestras aleatorias, tal que para cada muestra

aleatoria el 1001% de esos intervalos contiene el verdadero valor de .

Entre más grande sea el intervalo de confianza (esto es la diferencia entre el límite superior y el

inferior), mayor es la seguridad que el intervalo en realidad contenga el verdadero valor de . Por
otra parte, entre más grande sea el intervalo, menor información se tiene acerca del valor verdadero

de . En una situación ideal, el intervalo debería ser relativamente pequeño con una confianza
grande.

3.1. INTERVALOS DE CONFIANZA PARA PARÁMETROS DE POBLACIONES

NORMALES

IACC
9
SEMANA 4 – ESTADÍSTICA PARA LA GESTIÓN

3.1.1. INTERVALO DE CONFIANZA PARA LA MEDIA CON VARIANZA

CONOCIDA
Si 𝑥̅ es la media muestral de una muestra aleatoria de tamaño n de una población con varianza

conocida , un intervalo de confianza para del 1001% está dado por (Montgomery &

Runger, 1996):

𝛼
Donde es el punto de la distribución normal estándar que corresponde al porcentaje 2 .

EJEMPLO: Para determinar el peso medio de un pasajero de un avión se toma una muestra aleatoria
de 36 pasajeros y se obtiene una media muestral de 72,57 kilogramos. Supóngase que la distribución
de los pesos de los pasajeros del avión tiene una desviación estándar de 13,61 kg. Construya un
intervalo de confianza del 95% para el peso promedio de un pasajero.

Solución:
Se obtiene primero el valor de 𝛼.
Un intervalo del 95% implica que 1 − α = 0,95. Se despeja 𝛼:
1 − 0,95 = 𝛼
𝛼 = 0,05

Ahora se busca la probabilidad para:

𝑍𝛼 = 𝑍0,05 = 𝑍0,025
2 2

Como la distribución normal es simétrica, se busca dentro de la tabla del apéndice:

1 – 0,025 = 0,975

Por lo tanto, se busca las probabilidades de: 𝑍0,025 𝑦 𝑍0,975

IACC
10
SEMANA 4 – ESTADÍSTICA PARA LA GESTIÓN

Se busca dentro la tabla del apéndice de la semana y se observan los valores que hay al interior de
la tabla, juntando el valor vertical y horizontal correspondiente.

Otra opción es la fórmula en Excel: =DISTR.NORM.ESTAND.INV(0,025)

Es importante tener en consideración que Excel siempre dará la cola izquierda, por lo tanto, se debe
tener en cuenta la simetría de la distribución normal.

Entonces, 𝑍0,975 =1,96 y por simetría 𝑍0,025 = −1,96

Luego, los datos son:

̅ = 𝟕𝟐, 𝟓𝟕 𝒌𝒈
𝒙
𝝈 = 𝟏𝟑, 𝟔𝟏
𝒏 = 𝟑𝟔
𝒁𝜶 = 𝟏, 𝟗𝟔
𝟐

𝟔𝟖, 𝟏𝟐 ≤ 𝝁 ≤ 𝟕𝟕, 𝟎𝟐

IACC
11
SEMANA 4 – ESTADÍSTICA PARA LA GESTIÓN

Interpretación: El intervalo calculado entre 68,12 kg y 77,02 kg incluirá el peso medio de todos
los pasajeros de avión con una probabilidad de un 95%.

Observación: Es importante observar que, si se toma 100 muestras, construyéndose 100 intervalos
de confianza (uno para cada muestra), se esperaría que 95 de ellos incluyeran efectivamente al valor
del parámetro.

EJEMPLO: El contenido de las bolsas de leche de un litro de una conocida marca, tiene una
distribución aproximadamente normal, con varianza 0,1 lt2. Al tomar una muestra aleatoria y medir
el contenido de las bolsas de leche, se obtiene lo siguiente:

0,975 0,95 0,931 1,103 1,038 0,92 0,935 0,907 0,809

Determinar un intervalo de confianza del 95% para la media poblacional

Solución:
𝒏=𝟗
̅ = 𝟎, 𝟗𝟓𝟐
𝒙
𝝈𝟐 = 𝟎, 𝟏 𝐥𝐭𝟐
Nivel de confianza= 95% por lo tanto α = 5%
𝒁𝜶/𝟐 =𝒁𝟎,𝟎𝟐𝟓 = 𝟏, 𝟗𝟔

√𝟎,𝟏 √𝟎,𝟏
Intervalo: 0,952 – 1,96 ≤ 𝝁 ≤ 0,952 + 1,96
√𝟗 √𝟗

𝟎, 𝟕𝟒𝟓 ≤ 𝝁 ≤ 𝟏, 𝟏𝟓𝟗

IACC
12
SEMANA 4 – ESTADÍSTICA PARA LA GESTIÓN

Es muy importante que vayan revisando los links adjuntos, para

revisar los conceptos aplicados

https://www.youtube.com/watch?v=tnDFgEv_a-I

Link del recurso (DESCARGA

3.1.2. INTERVALO DE CONFIANZA PARA LA MEDIA CON VARIANZA

DESCONOCIDA
Si x y s son la media y la desviación estándar de una muestra aleatoria de tamaño n de una

población con varianza 2 desconocida, entonces un intervalo de confianza para del

1001% está dado por (Montgomery & Runger, 1996):

𝛼
Donde 𝑡(𝛼,𝑛−1) es el punto crítico superior que corresponde al porcentaje de 2 de la distribución 𝑡
2

con 𝑛 − 1 grados de libertad.

Ejemplo: Un artículo publicado en el Journal of Testing and Evaluation (1982, p. 133) presenta las
siguientes 20 mediciones del tiempo de combustión residual (en segundos) de ropa de dormir para
niños:

IACC
13
SEMANA 4 – ESTADÍSTICA PARA LA GESTIÓN

Encuentre un intervalo de confianza al 95% para el tiempo de combustión residual promedio

suponiendo que el tiempo de combustión residual sigue una distribución normal.
Solución:
Se calcula el promedio y la desviación estándar muestrales:

Un intervalo del 95% implica que 10,95. Se despeja :

10,95 

0,05 
Ahora se busca la probabilidad para 𝑡𝛼 = 𝑡0,05 = 𝑡0,025 asociada con 20 – 1 = 19 grados de libertad.
2 2

Como 𝑡0,025 no aparece en la tabla, se usa la simetría de esta distribución (al igual que la distribución
normal):
1 – 0,025 = 0,975
Es decir, 𝑡0,025 = 𝑡0,975
Se busca dentro la tabla 2 de la semana y se observa el valor que corresponde a 19 grados de libertad
y en la tabla juntando el valor vertical y horizontal correspondiente.

Entonces, 𝑡0,975 = 2,093

IACC
14
SEMANA 4 – ESTADÍSTICA PARA LA GESTIÓN

Si se quiere usar Excel, se debe tener en cuenta que el estadístico 𝑡 está considerado como 𝑡(𝛼,𝑛−1) .
En este caso sería 𝑡(0,005,19) . Como se tiene el percentil (𝛼 = 0,05), se usará la fórmula que dice:
inv: =DISTR.T.INV(0,05;19) = 2,093
Los datos son:
𝐱̅ = 𝟗, 𝟖𝟓𝟐𝟓

𝐬 = 𝟎, 𝟎𝟗𝟔𝟓

𝐧 = 𝟐𝟎

Se reemplaza en el intervalo de confianza para la media con varianza desconocida.

Interpretación: Si se tiene una confianza del 95% de que el tiempo de combustión residual promedio
se encuentra entre y segundos. 9,8073 y 9,8977.

EJEMPLO: Se necesita construir un intervalo de confianza del 90%, para la estatura media de los
habitantes de una población. Se sabe que la estatura tiene una distribución aproximadamente
normal. En la muestra tomada se obtuvieron las siguientes estaturas:

1,75 1,77 1,8 1,65 1,7 1,7 1,81 1,69 1,65 1,9 1,7 1,71

Solución:

n= 12; 𝑥̅ = 1,7358;

IACC
15
SEMANA 4 – ESTADÍSTICA PARA LA GESTIÓN

36,2167
𝑆2 = 12
- 1,73582 = 0,0051

𝑆 = √0,0051 = 0,071

Nivel de confianza= 90% por lo tanto α = 10%

𝑡𝛼,𝑛−1 = 𝑡0,05,11= 1,796

2

0,071 0,071
Intervalo: 1,7358 – 1,796 <𝜇< 1,7358 + 1,796
√12 √12

1,699 < 𝜇 < 1,773

Es muy importante que vayan revisando los links adjuntos, para

revisar los conceptos aplicados

https://www.youtube.com/watch?v=ALlp1avfggM

Link del recurso (DESCARGA)

3.1.3. INTERVALO DE CONFIANZA PARA UNA PROPORCIÓN

Si p es la proporción de observaciones de una muestra aleatoria de tamaño n que pertenece a una

clase interés, entonces un intervalo de confianza aproximado del 1001% para la población

p de la población que pertenece a esta clase, está dado por (Montgomery &Runger, 1996):

IACC
16
SEMANA 4 – ESTADÍSTICA PARA LA GESTIÓN

Donde 𝑧𝛼 es el punto de la distribución normal estándar que corresponde al porcentaje / 2.
2

EJEMPLO: Una fábrica desea saber la proporción de dueñas de casa que prefieren una aspiradora
de alta potencia sin importar el alto consumo eléctrico. Se toma al azar una muestra de 100 casas
(donde por supuesto hay una dueña de casa) en la comuna de Santiago Centro y un encuestador le
consulta a cada dueña de casa al respecto. De las 100 dueñas de casa, 20 dicen que sí les gustaría
una aspiradora de alta potencia y 80 afirman lo contrario. ¿Cuál sería entonces la verdadera
proporción si se desea un intervalo de confianza del 95%?

Solución:
Los datos son:

20
𝑃= = 0,2
100

(ver ejemplo del intervalo de confianza para la media con varianza conocida)
𝑛 = 100

Se reemplaza en el intervalo de confianza para la proporción:

IACC
17
SEMANA 4 – ESTADÍSTICA PARA LA GESTIÓN

Interpretación: Con un nivel de confianza del 95% se puede concluir que de 100 dueñas de casa
entre 12 y 27 de ellas están interesadas en la aspiradora.

EJEMPLO: Se realiza un estudio para determinar la proporción de habitantes del Cajón del Maipo a
favor de Alto Maipo. Si se tiene que solo 140 de 400 habitantes seleccionados al azar favorecen el
proyecto. Obtenga un intervalo de confianza del 95% de la proporción de todos los habitantes del
Cajón del Maipo que se expresan a favor del proyecto.

Solución:

𝑛 = 400

𝑥 = 140

140
𝑝= = 0,35
400

1 − 𝑝 = 0,65

𝑍𝛼/2 = 𝑍0,025 = 1,96

0,35 ∗ 0,65 0,35 ∗ 0,65

0,35 − 1,96√ ≤ 𝑝 ≤ 0,35 + 1,96√
400 400

0,303 ≤ 𝑝 ≤ 0,397

La proporción de todos los habitantes que está a favor del proyecto se encuentra entre un 30,3 y
39,7%, con un nivel de confianza del 95%

IACC
18
SEMANA 4 – ESTADÍSTICA PARA LA GESTIÓN

Es muy importante que vayan revisando los links adjuntos, para

revisar los conceptos aplicados

https://www.youtube.com/watch?v=X5E5APryEvs

Link del recurso (DESCARGA)

COMENTARIO FINAL
Esta semana se han tratado los métodos de estimación a través de estimadores puntuales y de
intervalos de confianza. En la mayoría de los problemas prácticos no basta con una estimación
puntual, atendiendo a que muchas veces es más útil una medida que considere la variabilidad como
lo es un intervalo de confianza.
Es importante decidir qué propiedades debe tener el estimador puntual que se va a escoger y en el
caso de una estimación por intervalo de confianza se debe decidir el nivel de confianza y el tamaño
de muestra adecuado.

REFERENCIAS

Canavos, G. (1984). Probabilidad y estadística, aplicaciones y métodos. 1.ª edición. Estados Unidos:
McGraw-Hill.

IACC
19
SEMANA 4 – ESTADÍSTICA PARA LA GESTIÓN

Chao, L. (1982). Estadística para las ciencias administrativas. 2.ª edición. Estados Unidos: McGraw-
Hill.

Montgomery, D. & Runger, G. (1996). Probabilidad y estadística aplicadas a la ingeniería. 1.ª edición.
Estados Unidos: McGraw-Hill.

Newbold, P.; Carlson, W. & Thorne, B. (2008). Estadística para la administración y economía. 6.ª
edición. Estados Unidos: Pearson, Prentice-Hall.

Pérez, C. (2002). Estadística aplicada a través de Excel. 2.ª edición. Madrid, España: PrenticeHall.

Santiago, J. (2006). Apuntes de clase de Estadística II. Licenciatura en Matemática y Computación.

Chile: Universidad de Santiago de Chile.

PARA REFERENCIAR ESTE DOCUMENTO, CONSIDERE:

IACC (2018). Estimación puntual y por intervalos. Estadística para la Gestión. Semana
4.

IACC
20
SEMANA 4 – ESTADÍSTICA PARA LA GESTIÓN

IACC
21