

Teoría de la Estimación
Puntual y Métodos de
Estimación
—

1 © Ast urias Corporación Universitaria

 Teoría de la Estimación Puntual y Métodos de Estimación

Índice

1 Introducción ............................................................................................................................................................ 3
2 Conceptos Básicos ............................................................................................................................................. 3
2.1 Muestra Aleatoria ...................................................................................................................... 3
2.2 Parámetro ...................................................................................................................................... 3
2.3 Estadística...................................................................................................................................... 3
2.4 Estimador ....................................................................................................................................... 4
3 Métodos de Estimación ................................................................................................................................... 4
3.1 Método de los Momentos .................................................................................................... 4
3.2 Método de Máxima Verosimilitud.................................................................................... 5
3.3 Método por Analogía ............................................................................................................. 6
4 Resumen ................................................................................................................................................................... 7
5 Referencias Bibliográficas .............................................................................................................................. 7

02 ASTURIAS CORPORACIÓN UNIVERSITARIA®

Not a Técnica preparada por Ast urias Corporación Universit aria. Su dif usión, reproducción o uso t ot al
o parcial para cual quier ot ro propósit o queda prohibida. Todos l os derechos reservados.

“Se define 𝑥1 , 𝑥2 , … , 𝑥𝑛 como una muestra
aleatoria de tamaño n”
“El parámetro es un valor poblacional
generalmente desconocido”
“La estadística no contiene parámetros
desconocidos”
03
Teoría de la Estimación Puntual y Métodos de Estimación
Objetivos
 Objetivo 1: Ser capaz de sacar conclusiones a partir de la aplicación de
estadísticas a muestras aleatorias.
 Objetivo 2: Acercar valores estimados a los valores reales de los parámetros
poblacionales a través de métodos de estimación.
1 Introducción
En esta unidad de aprendizaje trataremos el estudio de la rama de la estadística que se
encarga de sacar conclusiones a partir de la aplicación de estadísticas a muestras
aleatorias, las cuales siguen una distribución de probabilidad con parámetros
desconocidos.
Entonces nuestro interés se centra en este caso, en acercar valores estimados a los
valores reales de los parámetros poblacionales por medio de métodos de estimación,
teniendo en cuenta las propiedades de esos en cuanto a calidad y errores se refiere.
2 Conceptos Básicos
2.1 Muestra Aleatoria
Sea 𝑥1 , 𝑥2 , … , 𝑥𝑛 𝑣. 𝑎 independientes con la misma función de densidad de probabilidad
𝑓𝑋 (𝑥), se define 𝑥1 , 𝑥2 , … , 𝑥𝑛 como una muestra aleatoria de tamaño 𝑛.
Nótese que según esta definición la muestra aleatoria está tomando como realizaciones
de una 𝑣. 𝑎 y no como datos observados de la población como en el caso del muestreo.
2.2 Parámetro
Es un valor poblacional que caracteriza a una distribución o a una población y por lo
general es desconocido. Los parámetros más usados son:
 𝜇 : Media poblacional
 𝜎 2 : Varianza poblacional
 𝜌 : Proporción poblacional
 𝜏 :Total poblacional
 𝑚á𝑥(𝑥𝑗 ): Máximo poblacional
 min(𝑥𝑗 ): Mínimo poblacional
2.3 Estadística
Es una función de 𝑣. 𝑎 observables que no contienen parámetros desconocidos.
Ejemplo1: Sea 𝑥1 , 𝑥2 , … , 𝑥𝑛 una muestra aleatoria de tamaño 𝑛. Entonces:
ASTURIAS CORPORACIÓN UNIVERSITARIA®
Not a Técnica preparada por Ast urias Corporación Universit aria. Su dif usión, reproducción o uso t ot al
o parcial para cual quier ot ro propósit o queda prohibida. Todos l os derechos reservados.
 Teoría de la Estimación Puntual y Métodos de Estimación

 La función
𝑛
1
𝑥̅ = ∑ 𝑥𝑖
𝑛
𝑖=1

Es una estadística.
 La función 𝑥̅ + 𝜎 2 no es una estadística, si 𝜎 2 es desconocido.

2.4 Estimador

Es un estadístico de valores muestrales, que se usa para estimar parámetros

“El estimador es un estadístico de valores
muestrales que se usa para estimar
parámetros poblacionales”
poblacionales. Los estimadores más usados son:
 𝜇̂ = 𝑥̅ : Media muestral
 𝜎̂ 2 = 𝑆 2 : Varianza muestral
 𝜌̂: Proporción muestral
 𝜏̂ :Total muestral
̂ (𝑥𝑗 ): Máximo muestral
 𝑚á𝑥
̂ (𝑥𝑗 ): Mínimo muestral
 𝑚í𝑛
Ejemplo 2: Sea 𝑥1 , 𝑥2 , … , 𝑥𝑛 una muestra aleatoria de tamaño 𝑛 perteneciente a una
distribución normal con media desconocida 𝜇 y varianza 𝜎 2 .
Entonces si 𝑥1 = 2.1, 𝑥2 = 2.5, 𝑥3 = 3.1, 𝑥4 = 4.1 , 𝑥5 = 2.8 el valor de 𝑥̅ = 2.92 es una
estimación de 𝜇.

3 Métodos de Estimación

3.1 Método de los Momentos

Sea 𝑥1 , 𝑥2 , … , 𝑥𝑛 una muestra aleatoria de tamaño 𝑛 de una población con distribución

“Consiste en igualar los momentos
𝑓(𝑥, 𝜃̂), donde 𝜃̂ = (𝜃1 , 𝜃2 , … , 𝜃𝑘 ) es un vector de parámetros.
poblacionales respecto al origen” Entonces consiste en igualar los momentos poblacionales respecto al origen, con los
correspondientes momentos muestrales, esto es:
𝑛
1
𝐸(𝑥) = 𝜇1 (𝜃1 , 𝜃2 , … , 𝜃𝑘 ) = ∑ 𝑥𝑖
𝑛
𝑖=1
𝑛
1
𝐸(𝑥 2 ) = 𝜇2 (𝜃1 , 𝜃2 , … , 𝜃𝑘 ) = ∑ 𝑥𝑖2
𝑛
𝑖=1
⋮
𝑛
1
𝐸(𝑥 𝑘 ) = 𝜇𝑘 (𝜃1 , 𝜃2 , … , 𝜃𝑘 ) = ∑ 𝑥𝑖𝑘
𝑛
𝑖=1

̂ = (𝜽𝟏, 𝜽𝟐 , … , 𝜽𝒌 )
Y se resuelve el sistema para hallar 𝜽

04 ASTURIAS CORPORACIÓN UNIVERSITARIA®

Not a Técnica preparada por Ast urias Corporación Universit aria. Su dif usión, reproducción o uso t ot al
o parcial para cual quier ot ro propósit o queda prohibida. Todos l os derechos reservados.
 Teoría de la Estimación Puntual y Métodos de Estimación

Ejemplo 3: Sea 𝒙𝟏 , 𝒙𝟐 , … , 𝒙𝒏 una muestra aleatoria de tamaño 𝒏 de una población con

distribución normal con media 𝝁 y varianza 𝝈𝟐 hallemos el estimador de 𝝁 por el método de
los momentos. Entonces:
𝑿~𝑵(𝝁, 𝝈𝟐 ), después 𝑬(𝑿) = 𝝁 y 𝑽𝒂𝒓(𝑿) = 𝝈𝟐 además 𝑽𝒂𝒓(𝑿) = 𝑬(𝑿𝟐 ) − [𝑬(𝑿)]𝟐, así
𝑬(𝑿𝟐 ) = 𝝁𝟐 + 𝝈𝟐 , ahora usando el método de los momentos tenemos que:
𝑛
1
𝐸(𝑋) = 𝜇 = ∑ 𝑥𝑖
𝑛
𝑖=1
𝑛
1
𝐸(𝑋 2)
= 𝜇 + 𝜎 = ∑ 𝑥𝑖2
2 2
𝑛
𝑖=1

Luego
𝑛
1
𝜇̂ = ∑ 𝑥𝑖
𝑛
𝑖=1
𝑛
1
𝜇̂ + 𝜎̂ = ∑ 𝑥𝑖2
2 2
𝑛
𝑖=1

3.2 Método de Máxima Verosimilitud

Sea 𝑥1 , 𝑥2 , … , 𝑥𝑛 , 𝑛 variables aleatorias, la función de verosimilitud se define como

“La función de verosimilitud se define 𝑓𝑥1… ,𝑥𝑛 (𝑥1 , 𝑥2 , … , 𝑥𝑛 ) de las 𝑛 variables aleatorias que dependen del parámetro 𝜃. En
como 𝑓𝑥1 … ,𝑥𝑛 (𝑥1 , 𝑥2 , … , 𝑥𝑛 ) ” particular si 𝑥1 , 𝑥2 , … , 𝑥𝑛 es una muestra aleatoria de tamaño 𝑛 la función de
verosimilitud, notada 𝐿(𝜃, 𝑥̂) se puede escribir como:
𝑛

𝐿(𝜃, 𝑥̂) = 𝑓𝑥1… ,𝑥𝑛 (𝑥1 , 𝑥2 , … , 𝑥𝑛 ) = 𝑓𝑥1 (𝑥1 ) ∙ 𝑓𝑥2 (𝑥2 ) ∙ ⋯ ∙ 𝑓𝑥3 (𝑥3 ) = ∏ 𝑓𝑥𝑖 (𝜃, 𝑥𝑖 )
𝑖=1

Si se tiene una muestra aleatoria 𝑥1 , 𝑥2 , … , 𝑥𝑛 ; el valor de 𝜃̂ que maximiza la función de

verosimilitud. 𝐿(𝜃, 𝑥̂) se denomina estimador máximo verosímil de 𝜃.
El estimador máximo verosímil de 𝜃, es la solución de:
𝜕𝐿(𝜃, 𝑥̂)
=0
𝜕𝜃

Ejemplo 4: Sea 𝑥1 , 𝑥2 , … , 𝑥𝑛 una muestra aleatoria de una población geométrica de

parámetro 𝑝 hallemos el estimador máximo verosímil de 𝑝. Entonces 𝑋~𝑔𝑒𝑜(𝑝) así:
𝑝𝑞 𝑥 ; 𝑥 = 0,1,2, …
𝑓𝑥 (𝑝, 𝑥) = {
0 𝑐. 𝑐

Entonces la función de verosimilitud viene dada por:

𝑛 𝑛

𝐿(𝑝, 𝑥) = ∏ 𝑓𝑥𝑖 (𝑝, 𝑥𝑖 ) = ∏ 𝑝𝑞 𝑥 = 𝑝𝑞 𝑥1 ∙ 𝑝𝑞 𝑥2 ∙ ⋯ ∙ 𝑝𝑞 𝑥𝑛

𝑖=1 𝑖=1

05 ASTURIAS CORPORACIÓN UNIVERSITARIA®

Not a Técnica preparada por Ast urias Corporación Universit aria. Su dif usión, reproducción o uso t ot al
o parcial para cual quier ot ro propósit o queda prohibida. Todos l os derechos reservados.
 Teoría de la Estimación Puntual y Métodos de Estimación

Así:
𝑛
𝐿(𝑝, 𝑥) = 𝑝 𝑛 𝑞∑𝑖=1 𝑥𝑖

Tomando oportunamente el logaritmo natural tenemos que:

𝑛

ln 𝐿(𝑝, 𝑥) = 𝑛 ∙ ln 𝑝 + ∑ 𝑥𝑖 ln 𝑞
𝑖=1

Derivando con respecto a cero tenemos que:

𝜕 ln 𝐿(𝑝, 𝑥) 𝑛 ∑𝑛𝑖=1 𝑥𝑖
= −
𝜕𝑝 𝑝 1−𝑝

Por tanto la solución vendría dada por:

𝑛
𝜕 ln 𝐿(𝑝, 𝑥) 𝑛 ∑𝑛 𝑥𝑖 𝑛 ∑𝑛 𝑥𝑖
= 0 ⇔ − 𝑖=1 = 0 ⇔ = 𝑖=1 ⇔ 𝑛 − 𝑛𝑝̂ = ∑ 𝑥𝑖
𝜕𝑝 𝑝 1−𝑝 𝑝 1−𝑝
𝑖=1
𝑛
𝑛
⇔ 𝑝̂ [𝑛 + ∑ 𝑥𝑖 ] = 𝑛 ⇔ 𝑝̂ =
𝑛 + 𝑛𝑖=1 𝑥𝑖
∑
𝑖=1

Finalmente multiplicando por 1⁄𝑛 se sigue que:

1
𝑝̂ =
1 + 𝑥̅

3.3 Método por Analogía

Consta en elegir, luego de indagar, el papel que cumplen los componentes del
“El método por analogía deriva una parámetro dentro del modelo; derivando una estadística que de manera similar o
estadística que de manera análoga recibe análoga realice las mismas funciones en la función empírica.
las mismas funciones en la función
empírica” Ejemplo 5: Se tiene una muestra aleatoria 𝑥1 , 𝑥2 , … , 𝑥𝑛 de tamaño 𝑛 con función de
densidad:
−𝑥𝜃
𝑓𝑥 (𝑥, 𝜃) = {𝜃𝑒 ; 𝑥 > 0; 𝜃 > 0.
0 𝑐. 𝑐

Determinemos 𝜃̂ usando el método por analogía. Entonces tenemos que

1 1
𝐸(𝑋) = 𝜃 ⇒ 𝜃 = 𝐸(𝑋); Nótese que el parámetro 𝜃 es el recíproco del valor esperado, por

tanto su estimador debe ser una función análoga; usando el método por analogía el
estimador viene dado por:

1
𝜃̂𝐴 =
𝑥̅

06 ASTURIAS CORPORACIÓN UNIVERSITARIA®

Not a Técnica preparada por Ast urias Corporación Universit aria. Su dif usión, reproducción o uso t ot al
o parcial para cual quier ot ro propósit o queda prohibida. Todos l os derechos reservados.
 Teoría de la Estimación Puntual y Métodos de Estimación

4 Resumen
 Sea 𝑥1 , 𝑥2 , … , 𝑥𝑛 𝑣. 𝑎 independientes con la misma función de densidad de
probabilidad 𝑓𝑋 (𝑥), se define 𝑥1 , 𝑥2 , … , 𝑥𝑛 como una muestra aleatoria de tamaño
𝑛.

 El parámetro es un valor poblacional que caracteriza a una distribución o a una

población y por lo general es desconocido.

 La estadística es una función de 𝑣. 𝑎 observables que no contienen parámetros

desconocidos.

 El estimador es un estadístico de valores muestrales, que se usa para estimar

parámetros poblacionales.

 Dentro de los métodos de estimación encontramos e método de los

momentos, el método de máxima verosimilitud y el método por analogía.

5 Referencias Bibliográficas
 Miranda, I. E., Palacín, F., Sánchez, M. L., Márquez, M., Chía, A. R., Navas, A. S., y
otros. (3ra. Edición 2006). Estadística Descriptiva y Probabilidad. Cádiz: Servicio de
Publicaciones de la Universidad de Cádiz.

 Montgomery, D., & R., R. (2da. Edición 2008). Probabilidad y Estadística Aplicada a la
Ingeniería. México: Limusa Wiley.

 Walpole, R., Myers, R., & Myers, S. y. (2007). Probabilidad y Estadística para
Ingeniería y Ciencias. México: Pearson.

07 ASTURIAS CORPORACIÓN UNIVERSITARIA®

Not a Técnica preparada por Ast urias Corporación Universit aria. Su dif usión, reproducción o uso t ot al
o parcial para cual quier ot ro propósit o queda prohibida. Todos l os derechos reservados.