Aplicaciones de la estimacin puntual y por intervalo

en ingeniera en gestin empresarial

Haciendo referencia a varias funciones de la estadstica, prcticamente como
una definicin de la misma, habla acerca de que la estadstica se ocupa de la
recoleccin, organizacin, presentacin, anlisis e interpretacin de datos.
La recoleccin de los datos puede ser una de las tareas ms arduas, desde la
eleccin de las fuentes de esos datos, pasando por la elaboracin de
instrumentos y levantado de informacin hasta su tabulacin y cifrado,
prosigue con el esfuerzo por organizar y presentar esos datos de una manera
significativa y descriptiva, colocndolos de una manera lgica que revele
rapidamente el mensaje que contienen. Posteriormente ya que han sido
correctamente organizados y presentados, el estadista deber analizarlos e
interpretarlos para obtener informacin que facilite la toma de decisiones y
ayude en la solucin de problemas.

Es ah donde radica esa utilidad para el administrador de una empresa, en que

a travs de la aplicacin de procedimientos estadsticos precisos, pueden
predecirse algunos sucesos futuros con cierto grado de exactitud y eso
beneficiar profundamente a la empresa. Anticipando algunas condiciones del
negocio antes de que ocurran. Por ejemplo si la empresa puede estimar como
van a estar sus ventas en algn momento del futuro cercano, puede hacer
planes ms exactos y efectivos acerca del presente; tomando decisiones
relacionadas con los volmenes de inventario, requerimientos de materia
prima, contratacin de empleados y otra serie de aspectos de operacin del
negocio.

Y si bien la generacin de toda esa informacin tiene un costo, el mismo es

estratgico, ya que contribuir notablemente a una mejor gestin.
Peter Drucker "el padre del management" afirma que las mediciones son la
clave. Si usted no puede medirlo, no puede controlarlo. Si no puede controlarlo,
no puede gestionarlo. Si no puede gestionarlo, no puede mejorarlo. La falta
sistemtica o ausencia estructural de estadsticas en las organizaciones impide
una administracin cientfica de las mismas.

Estimacin por intervalo

Las estimaciones puntuales no son una buena opcin cuando constituyen el
centro del objetivo, aunque solucionan problemas de procedimiento, por lo que
son absolutamente necesarias.

EJEMPLO.- Estimacin por Intervalo de confianza para con

desconocida
El administrador de una planta industrial generadora de energa desea estimar,
por intervalo, la cantidad de carbn que se consumi por trmino medio
semanalmente durante ao pasado. Para ello toma una muestra de 10
semanas. El consumo medio fue de 11.400 toneladas, la desviacin estndar
muestral 700 toneladas. Cul ser el intervalo de confianza del 95% para el
consumo medio semanal durante el ao pasado? (Supongamos normalidad).
Tenemos X como la distribucin de toneladas de carbn consumidas cada
semana del ao pasado por la planta de energa y su media y su desviacin
estndar desconocidas X (,)
Aunque n < 30, suponemos que la media muestral, X, sigue una distribucin
normal
X N ( ,S S / n) x = x =
Para estimar la desviacin estndar poblacional vamos a utilizar la desviacin
estndar muestral S que es 700 toneladas. Por lo tanto, el intervalo de
confianza del 95% para el consumo promedio de toneladas de carbn en cada
semana del ao pasado, es decir para , ser:
= = 11 400 500 76 = 10
700 11 400 2 262 2 1 . , . , n
S X t(n , ) (10.899 ; 11.901)
Utilizamos la t-Student porque la desviacin estndar poblacional es
desconocida. En las tablas, 2 262 20 05 10 1 ) , , t( , = , una t-Student con 10
1 = 9 grados de libertad que deja su derecha un rea de 0,025. = 0,05
porque el nivel de confianza es de
1 = 0,95
Con una confianza del 95%, el consumo promedio semanal de carbn durante
el ao pasado por esta planta de energa estar entre 10.899 toneladas y
11.901 toneladas. Si extraemos varias muestras del mismo tamao y
calculamos un intervalo de confianza para cada muestra, el 95% de todos los
intervalos van a incluir al consumo promedio poblacional de toneladas de
carbn por semana durante el ao pasado por la planta de energa.

Por qu estimar por intervalo

Por un lado, una estimacin puntual es una mala opcin. Que el parmetro
tenga exactamente el valor del estimador es una casualidad de difcil
ocurrencia.
Queremos estimar el tiempo medio que una persona pasa entre una
respiracin y la siguiente cuando duerme. Acotamos la poblacin: nos
preocupan los adultos (al menos 18 aos de edad) europeos. Demasiados
millones como para pensar que podemos abordar a toda la poblacin.
As que seleccionamos una muestra aleatoria simple de 350 habitantes del
continente con 18 o ms aos. El tiempo medio en la muestra es de 5
segundos.
Si hacemos una estimacin puntual diremos que el tiempo medio en la
poblacin es tambin de 5 segundos. Imaginemos que somos capaces de
conocer el valor real en la poblacin. Es 5,2 segundos. Hemos acertado? Qu
significa 5 segundos?
En principio, son 5 segundos exactamente. Esto lo diferencia de, por ejemplo,
5,0013 o de 4,9987. Sin embargo, la gran mayora de las personas
seguramente aceptaran cualquiera de ambas aproximaciones como un acierto
meritorio, pues solo se alejan de 5 en 13 diezmilsimas, una cantidad
demasiado pequea como para penalizar el estudio y afirmar que no acert. Si
nos comportamos de ese modo es que no estamos haciendo una estimacin
puntual, sino considerando un intervalo alrededor de 5 que marca la desviacin
admisible o una especie de cuanta mxima de error que nos permite afirmar
que realmente se trata de un acierto. Demasiado enrevesado no crees? Si la
estimacin puntual es utilizar un punto, no podemos estar utilizando un
intervalo y seguir hablando de estimacin puntual. As pues, 5 segundos es un
error, pues no coincide exactamente con el valor del parmetro, que es 5,2. Le
daremos ms o menos importancia, pero la estimacin no acert en el valor
real.
Con poco que pensemos sobre esto, la conclusin es muy clara: en sentido
estricto, las estimaciones puntuales yerran. Lo que hacemos o deseamos hacer
en la prctica son estimaciones por intervalo. Consiste en utilizar el clebre
ms o menos.
Diremos, en nuestro ejemplo, que el tiempo medio que una persona dormida
ocupa entre dos respiraciones es ms o menos 5 segundos. No obstante, desde
el campo de la estadstica, ese ms o menos es demasiado impreciso. Est
incompleto. Es necesario responder a ms o menos qu? Hay que manejar

alguna precisin. Por ejemplo: ms o menos 0,4 segundos. Si la estimacin es

as, entonces estamos concluyendo con un intervalo: el tiempo medio es de 5
0,4 = {4,6 ; 5,4}.

EJEMPLO.- Estimacin puntual

En un ejemplo clsico, solemos afirmar que las escopetas de feria estn
diseadas para errar, para desviarse. Si esa desviacin es fija, es decir, si esa
desviacin es una tendencia a errar hacia un sentido concreto, entonces
hablamos de sesgo. Si no es fija, entonces se trata de una variacin aleatoria.
Observa la figura 1. El objetivo es dar al centro de la diana. El rea de disparos
A muestra una variacin aleatoria, pero sin sesgo pues apunta correctamente
alrededor del objetivo. El rea B muestra un sesgo claro: todos los disparos dan
en un mismo punto y ese punto no es el centro de la diana, estamos errando.
El rea C ejemplifica una mezcla de ambos: existe sesgo y variacin aleatoria,
puesto que los disparos impactan en un rea con cierta dispersin aleatoria
pero concentrada en torno a un punto desplazado del objetivo.

Los estimadores siempre suministran dispersin aleatoria. Como sabemos del

monogrfico sobre muestreo, el conjunto de todas las muestras de un mismo
diseo que provienen de una misma poblacin suministran valores diferentes.
Esta circunstancia indica que existe una variacin aleatoria con la que hay que
vivir porque es inevitable. Pero todava sera peor. Es posible que el estimador
escogido tenga sesgo, es decir, que no solo est variando alrededor de un

punto, sino que el punto sobre el que vara no es el valor poblacional,

verdadero u objetivo de nuestro inters. Esto si es evitable. As que los
estimadores que utilizamos intentamos que sean insesgados, es decir, que
carezcan de sesgo.
El recurso que utilizamos para ello es el valor esperado, es decir, la media
aritmtica de la distribucin muestral del estimador. Ya lo viste en el
monogrfico sobre muestreo. El valor esperado es, como dice la expresin, el
valor que esperamos. Cabe elegir un estimador tal que el valor esperado
coincida con el parmetro. Esto ocurre si utilizamos la media aritmtica de la
muestra como estimador de la media aritmtica de la poblacin, pues E(XX )
= . Tambin ocurre con las proporciones, pues E(p) = . Pero no ocurre as
con la varianza (y, por tanto, tampoco con la desviacin tipo) pues E(S 2 )
2 . Esto ya lo hemos abordado en el monogrfico sobre muestreo. Lo que
hacemos entonces es escoge otro estimador. En el muestreo aleatorio simple
donde las poblaciones son de gran tamao, es la cuasivarianza el estadstico
escogido como estimador de la varianza poblacional, pues E(S 2 )= 2 , es
decir, la cuasivarianza es un estimador insesgado de la varianza poblacional.

http://asignatura.us.es/dadpsico/apuntes/EstimacionEstadistica.pdf
http://estadisticaparaadministracion.blogspot.mx/2011/07/aplicaciones-de-laestadistica-en-la.html