UNIVERSIDAD NACIONAL EXPERIMENTAL DE GUAYANA

VICERRECTORADO ACADÉMICO
COORDINACIÓN GENERAL DE PREGRADO
SEDE JARDÍN BOTÁNICO – CIUDAD BOLÍVAR

Estimación de
Parámetros

Profesor: Bachiller:

José Mejía C.I: V- 28.255.142 Viñ a, Erika.

Ciudad Bolívar, Septiembre de 2021

 1. ESTIMACIÓN DE PARÁMETROS

La estimació n de pará metros es un método que consiste en asignar un valor al

pará metro o al conjunto de pará metros que caracterizan el campo sujeto a estudio. La
fó rmula matemá tica que lo determina se denomina estimador.

Al ser una estimació n existe cierto error. Incluso, aunque el estimador tenga
todas las propiedades ó ptimas. Por pequeñ o que sea, siempre existirá un error.

Así pues, para obtener estimaciones adaptadas a esa realidad, se crean

intervalos de confianza. Es decir, rangos entre los que está n esos valores estimados
con cierto grado de confianza. El grado de confianza (fiabilidad) se puede modificar.
Cuando mayor sea el grado de confianza, má s grande será el intervalo. Eso sí, cuanto
menos error tenga la estimació n inicial, má s acotado será el intervalo de confianza.

2. TÉCNICAS DE ESTIMACIÓN

Las técnicas de estimació n tienen como objetivo calcular el coste total del
desarrollo de un sistema de informació n.

La estimació n puntual es un nú mero que se utiliza para suponer un valor del

pará metro dentro de una població n; a ese mismo nú mero utilizado se le denomina
estimador. Cuando la media de la distribució n muestral coincide con el pará metro que
va a estimar se dice que el estimador es insesgado; es decir, no hay margen de
diferencia. Es importante recalcar que al tener un estimador sesgado se puede
también saber el límite de error de esa estimació n lo cual también es llamado Medida
de Bondad o Evaluació n de la Bondad.

Los estimadores cumplen ciertas características resaltantes como es la

eficiencia y la consistencia; cuando el estimador es insesgado y posee una varianza
mínima decimos que es eficiente y cuando la media muestral se asemeja al pará metro
estimado cuando el tamañ o de la muestra aumenta, se dice que el estimador es
consistente. Otra de las características que se puede mencionar es de la suficiencia, la
cual de acuerdo con Fisher 1922, se puede decir que la muestra nos es ú til y nos
proporciona informació n hasta el momento que sabemos el valor del estadístico
utilizado para el pará metro.

La obtenció n de estimadores es muy variada, entre una de las formas de

obtenerlos se encuentra el método de los momentos, el cual consiste en la igualació n
de los momentos poblacionales con los muestrales, para así conseguir el pará metro a
estimar.
 Otro método que se encuentra es el de má xima verosimilitud, el cual es
utilizado en muestras grandes y al aumentar la muestra, las estimaciones se acercan a
los valores correctos; éste método consiste en encontrar los valores correspondientes
a los pará metros que incrementan la funció n de verosimilitud. Al estimar el pará metro
debemos tener un intervalo que se maneja alrededor de la muestra y su estadístico
correspondiente, este intervalo se conoce como intervalo de confianza, en otras
palabras podemos decir que un intervalo de confianza son los nú meros entre los
cuales estimamos se encontrará un valor.

Cuando se calcula el intervalo de confianza en una muestra (n) grande, el

intervalo de confianza se mantiene en aproximadamente 100(1-α) %,
independientemente de la distribució n de la població n. Cuando queremos determinar
el intervalo de confianza de una muestra pequeñ a hay que tener presente si se conoce
la desviació n está ndar y la varianza, si conocemos la desviació n se usará la
distribució n normal, y si no se conoce la desviació n está ndar de la muestra se usa la
distribució n t Student; lo mismo aplica en el caso de la varianza, si es conocida o
desconocida.

En relació n a lo dicho anteriormente es necesario acotar la importancia del

tamañ o de la muestra para obtener una aproximació n buena al intervalo de confianza;
para esto es necesario elegir una muestra de un tamañ o suficientemente grande para
un margen de error deseado. Dependiendo la precisió n deseada para el estudio a
realizar se escogerá un nú mero de muestra, el cual se puede obtener también
utilizando una fó rmula matemá tica.

3. TIPOS DE ESTIMADORES

 Estimación puntual:

Un estimador de un pará metro poblacional es una funció n de los datos

muestrales. En pocas palabras, es una fó rmula que depende de los valores obtenidos
de una muestra, para realizar estimaciones. Lo que se pretende obtener es el valor
exacto de un pará metro. Por ejemplo, si se pretende estimar la talla media de un
determinado grupo de individuos, puede extraerse una muestra y ofrecer como
estimació n puntual la talla media de los individuos de la muestra.

La media de la muestra puede ser un estimador de la media de la població n, la

cuasivarianza muestral es un buen estimador de la varianza poblacional y el total
muestral es un buen estimador del total poblacional.
 Por tanto, una definició n má s matemá tica de un estimador y las propiedades
que debe de cumplir un estimador para ser bueno. Sea X1......Xn, una m.a.s. de tamañ o
n, decimos que es un estimador θ* de un pará metro θ si el estadístico que se emplea
para conocer dicho pará metro desconocido es este.

 Estimación por intervalos:

La estimació n por intervalos consiste en establecer el intervalo de valores
donde es má s probable se encuentre el pará metro. La obtenció n del intervalo se basa
en las siguientes consideraciones:

a) Si conocemos la distribució n muestral del estimador podemos obtener las

probabilidades de ocurrencia de los estadísticos muestrales.

b) Si conociéramos el valor del pará metro poblacional, podríamos establecer la

probabilidad de que el estimador se halle dentro de los intervalos de la
distribució n muestral.

c) El problema es que el pará metro poblacional es desconocido, y por ello el

intervalo se establece alrededor del estimador. Si repetimos el muestreo un
gran nú mero de veces y definimos un intervalo alrededor de cada valor del
estadístico muestral, el pará metro se sitú a dentro de cada intervalo en un
porcentaje conocido de ocasiones. Este intervalo es denominado "intervalo de
confianza".

 Intervalos de Confianza:

Un intervalo de confianza es una técnica de estimació n utilizada en inferencia

estadística que permite acotar un par o varios pares de valores, dentro de los cuales se
encontrará la estimació n puntual buscada (con una determinada probabilidad).

Un intervalo de confianza nos va a permitir calcular dos valores alrededor de

una media muestral (uno superior y otro inferior). Estos valores van a acotar un rango
dentro del cual, con una determinada probabilidad, se va a localizar el pará metro
poblacional.

Intervalo de confianza = media +- margen de error

El cá lculo de un intervalo de confianza depende principalmente de los

siguientes factores:
 o Tamañ o de la muestra seleccionada: Dependiendo de la cantidad de datos que
se hayan utilizado para calcular el valor muestral, este se acercará má s o
menos al verdadero pará metro poblacional.

o Nivel de confianza: Nos va a informar en qué porcentaje de casos nuestra

estimació n acierta. Los niveles habituales son el 95% y el 99%.

o Margen de error de nuestra estimació n: Este se denomina como alfa y nos

informa de la probabilidad que existe de que el valor poblacional esté fuera de
nuestro intervalo.

o Lo estimado en la muestra (media, varianza, diferencia de medias…): De esto

va a depender el estadístico pivote para el cá lculo del intervalo.

Para un tamañ o fijo de la muestra, los conceptos de error y nivel de confianza

van relacionados. Si admitimos un error mayor, esto es, aumentamos el tamañ o del
intervalo de confianza, tenemos también una mayor probabilidad de éxito en nuestra
estimació n, es decir, un mayor nivel de confianza.

Por tanto, un aspecto que debe de tenerse en cuenta es el tamañ o muestral, ya

que para disminuir el error que se comente habrá que aumentar el tamañ o muestral.
Esto se resolverá , para un intervalo de confianza cualquiera, despejando el tamañ o de
la muestra en cualquiera de las fó rmulas de los intervalos de confianza que veremos a
continuació n, a partir del error má ximo permitido.

 Estimación de la proporción de poblacional:

En poblaciones dicotó micas con una proporció n de éxitos el estimador puntual
del pará metro es la proporció n muestral de éxitos, p, que coincide con la media de la
muestra cuando se codifica como 1 la característica que se considera como éxito y 0 la
que se considera no éxito. A partir de un tamañ o muestral moderadamente grande el
estadístico p tiene una distribució n aproximadamente normal. El intervalo de
confianza para la proporció n poblacional está centrado en la proporció n muestral;

siendo sus límites superior e inferior donde z/2 es el valor crítico

correspondiente al grado de confianza 1- de la distribució n normal tipificada y

es el error típico de la proporció n.

  Diferencias de proporción:

Ahora consideramos la hipó tesis nula de que la proporció n p1p1, que mide la
proporció n de una característica AA en una població n, es igual a p2p2, que es la
proporció n de la misma característica en otra població n.

H0: p1= p2 0 p1=p2 o p1−p2=0

El estadístico para este caso se escribe, a partir de las proporciones

muestrales p1p1 y p2p2 en dos muestras, como:

Si se consideran las proporciones como medias y se aplica la prueba t utilizada

para comparar medias poblacionales los resultados no son fiables ya que la
estimació n del error típico que realiza el programa no coincide con la del estadístico
de prueba. Para resolver el problema con el programa SPSS se deberá cruzar la
variable analizada con la que define los grupos (obtener la tabla de contingencia) y
realizar el contraste de independencia Chi-cuadrado.

 Estimación de la varianza poblacional

La varianza es una medida de dispersió n que representa la variabilidad de una

serie de datos respecto a su media. Formalmente se calcula como la suma de los
residuos al cuadrado divididos entre el total de observaciones.

También se puede calcular como la desviació n típica al cuadrado. Dicho sea de

paso, entendemos como residuo a la diferencia entre el valor de una variable en un
momento y el valor medio de toda la variable.

Cuando se desconoce la media poblacional , debemos sustituir este pará metro

por su estimador muestral, y el estimador a usar para la varianza poblacional, que es
centrado o insesgado sin importar cuá l sea la distribució n de la població n de interés,
es la cuasivarianza muestral S2.
  Cociente de varianzas poblacionales

El coeficiente de variació n, también denominado como coeficiente de variació n

de Pearson, es una medida estadística que nos informa acerca de la dispersió n relativa
de un conjunto de datos. Es decir, nos informa al igual que otras medidas de
dispersió n, de si una variable se mueve mucho, poco, má s o menos que otra.

Su cá lculo se obtiene de dividir la desviació n típica entre el valor absoluto de la

media del conjunto y por lo general se expresa en porcentaje para su mejor
comprensió n.

 X: variable sobre la que se pretenden calcular la varianza

 σx: Desviació n típica de la variable X.
 | x̄ |: Es la media de la variable X en valor absoluto con x̄ ≠ 0

El cociente de variació n se puede ver expresado con las letras CV o r,

dependiendo del manual o la fuente utilizada. Su fó rmula es la siguiente:

El cociente de variació n se utiliza para comparar conjuntos de datos

pertenecientes a poblaciones distintas. Si atendemos a su fó rmula, vemos que este
tiene en cuenta el valor de la media. Por lo tanto, el coeficiente de variació n nos
permite tener una medida de dispersió n que elimine las posibles distorsiones de las
medias de dos o má s poblaciones.

 Selección de tamaño de muestra

El tamañ o de la muestra se le conoce como aquel nú mero determinado de

sujetos o cosas que componen la muestra extraída de una població n, necesarios para
que los datos obtenidos sean representativos de la població n.

Los objetivos principales son: estimar un pará metro determinado con el nivel
de confianza deseado. Detectar una determinada diferencia, si realmente existe, entre
los grupos de estudio con un mínimo de garantía. Reducir costes o aumentar la
rapidez del estudio.

El tamañ o de una muestra es el nú mero de individuos que contiene.

Una fó rmula muy extendida que orienta sobre el cá lculo del tamañ o de la
muestra para datos globales es la siguiente:

N: es el tamañ o de la població n o universo (nú mero total de posibles

encuestados).

Zα: es una constante que depende del nivel de confianza que asignemos. El
nivel de confianza indica la probabilidad de que los resultados de nuestra
investigació n sean ciertos: un 95,5 % de confianza es lo mismo que decir que nos
podemos equivocar con una probabilidad del 4,5%. Los valores de Zα se obtienen de
la tabla de la distribució n normal está ndar N (0,1).

Los valores de Zα má s utilizados y sus niveles de confianza son:

(Por tanto si pretendemos obtener un nivel de confianza del 95% necesitamos poner
en la fó rmula Zα=1.96)

e: es el error muestral deseado, en tanto por ciento. El error muestral es la

diferencia que puede haber entre el resultado que obtenemos preguntando a una
muestra de la població n y el que obtendríamos si preguntá ramos al total de ella.

p: proporció n de individuos que poseen en la població n la característica de

estudio. Este dato es generalmente desconocido y se suele suponer que p=q=0.5 que
es la opció n má s segura.

q: proporció n de individuos que no poseen esa característica, es decir, es 1-p.

n: tamañ o de la muestra (nú mero de encuestas que vamos a hacer).

 Altos niveles de confianza y bajo margen de error no significan que la encuesta
sea de mayor confianza o esté má s libre de error necesariamente; antes es preciso
minimizar la principal fuente de error que tiene lugar en la recogida de datos.

 Uso de herramientas tecnológicas para realizar estimación de parámetro

En la actualidad, el crecimiento de la complejidad y el nú mero de funciones que

el software ofrece, hace que la estimació n del esfuerzo sea una actividad importante
para el desarrollo de aplicaciones web. Las aplicaciones web constituyen una clase
especial de aplicaciones de software que se construyen de acuerdo con ciertas
tecnologías y está ndares.

La cantidad de dominios de aplicació n y de usuarios a lo largo del tiempo crece

cada vez con mayor aceleració n. Como resultado de esto ha crecido la cantidad de
personas que desarrollan aplicaciones web para realizar la estimació n de pará metro.

Se han realizado estudios previos que dieron como resultado el desarrollo de

modelos que usan como entrada factores tales como el tamañ o de una aplicació n web,
y conductores de costo (por ejemplo, herramientas, calidad de los desarrolladores,
tamañ o del equipo) y proveen una estimació n de esfuerzo como salida. En este
contexto, la herramienta que se propone permitirá mejorar la estimació n de proyectos
web, facilitando los cá lculos, realizando un seguimiento de las estimaciones y
aportando informació n histó rica como Feedback para estimaciones posteriores,
mejorando la precisió n de las mismas.

Los Puntos de Funció n (PF) constituyen una métrica para establecer el tamañ o
y complejidad de los sistemas informá ticos basada en la cantidad de funcionalidad
requerida y entregada a los usuarios. Miden el tamañ o ló gico o funcional de los
proyectos o aplicaciones de software basado en los requerimientos funcionales del
usuario.

Para la implementació n de la herramienta se planteó como arquitectura de

software el patró n de diseñ o Modelo-vista-controlador (MVC) el cual separa los datos
y la ló gica de negocio de una aplicació n de la interfaz de usuario y el mó dulo
encargado de gestionar los eventos y las comunicaciones. Este patró n de arquitectura
de software se basa en las ideas de reutilizació n de có digo y la separació n de
conceptos, características que buscan facilitar la tarea de desarrollo de aplicaciones y
su posterior mantenimiento. Esta herramienta implementa todos los pasos para
realizar la estimació n de pará metros pero en este caso en un ambiente tecnoló gico.

La utilizació n de la herramienta, se comprueba que disminuye

significativamente el tiempo que demanda el ingreso de los datos, permitiendo
realizar distintas combinaciones de valores de los pará metros que se requieren, con
una interfaz intuitiva que facilita su uso a los gestores de proyectos o desarrolladores.
Permite también el aná lisis global de las estimaciones realizadas, monitoreando la
brecha entre los valores estimados y reales, que permitirá n introducir las
correcciones o adaptaciones necesarias para lograr la finalizació n exitosa de los
proyectos.

Y esta es una de las herramientas tecnoló gicas má s importantes que se utiliza

para realizar la estimació n de pará metros.