Distribuciones Muestrales

Inferencia Estadística
 Inferencia Estadística
Normalmente, por distintas razones, es imposible estudiar la totalidad de la población
para tomar decisiones u obtener conclusiones. Por tal razón, para obtener
conclusiones sobre la población se recurre a una muestra de la misma.

Inferencia Estadística
 Inferencia Estadística
Normalmente, por distintas razones, es imposible estudiar la totalidad de la población
para tomar decisiones u obtener conclusiones. Por tal razón, para obtener
conclusiones sobre la población se recurre a una muestra de la misma.

La inferencia estadística está formada por un conjunto de métodos utilizados para

tomar decisiones u obtener conclusiones sobre una población a partir de la
información contenida en una muestra obtenida en forma aleatoria de la población.

Inferencia Estadística
 Inferencia Estadística
Normalmente, por distintas razones, es imposible estudiar la totalidad de la población
para tomar decisiones u obtener conclusiones. Por tal razón, para obtener
conclusiones sobre la población se recurre a una muestra de la misma.

La inferencia estadística está formada por un conjunto de métodos utilizados para

tomar decisiones u obtener conclusiones sobre una población a partir de la
información contenida en una muestra obtenida en forma aleatoria de la población.

Cualquier inferencia o conclusión obtenida de la población, necesariamente,

estará basada en la información proporcionada por la muestra.

Inferencia Estadística
 Inferencia Estadística
En muchos casos sabemos o presumimos conocer cómo se distribuye una población.

Sabemos por ejemplo que la población es aproximadamente normal; pero

desconocemos la media y la varianza poblacionales.

Sabemos que la variable de interés es binomial pero desconocemos la probabilidad de

éxito poblacional o el número de pruebas de Bernoulli.

Sabemos que se trata de un proceso de Poisson pero desconocemos la frecuencia

media de ocurrencia por unidad.

Presumimos que la variable es exponencial pero desconocemos el parámetro que

define la distribución exponencial poblacional.

La estimación de uno o varios parámetros poblacionales desconocidos es

posible construyendo funciones de probabilidad de variables aleatorias
muestrales, más conocidos como estimadores muestrales.

Inferencia Estadística
 Inferencia Estadística
Población y Muestra
Población o universo: Es el conjunto de individuos o elementos con características
comunes que se desean investigar. Normalmente es demasiado grande para poder
abarcarla. El estudio de toda la población se denomina censo.
Muestra: es un subconjunto de la población al que tenemos acceso y sobre el que
realmente hacemos las observaciones (mediciones). El objetivo principal de la toma de
una muestra aleatoria es obtener información sobre los parámetros no conocidos de la
población.

La inferencia estadística consiste en

generalizar las conclusiones extraídas de
una muestra sobre la población.

Inferencia Estadística
 Inferencia Estadística
Muestreo Aleatorio Simple (M.A.S.)
Muestreo. Es el proceso para extraer una muestra de una población. Es necesario
utilizar “muestras representativas” del total de la población, es decir, muestras en las
que exista alguna garantía de que cualquier elemento de la población queda
representado.

En el Muestreo Aleatorio Simple, cada elemento de la población tiene la misma

probabilidad de ser elegido para formar parte de la muestra. Cada muestra del mismo
tamaño tiene la misma probabilidad de ser seleccionada.
➢ El muestreo aleatorio simple en poblaciones finitas se realiza “con sustitución”.
➢ Este procedimiento garantiza la independencia de las observaciones.

Inferencia Estadística
 Inferencia Estadística
Muestreo Aleatorio Simple (M.A.S.)

Inferencia Estadística
Inferencia Estadística

Inferencia Estadística
Inferencia Estadística

Inferencia Estadística
Inferencia Estadística

Inferencia Estadística
 Inferencia Estadística
Distribuciones de Muestreo.
Las muestras aleatorias obtenidas de una población son, por naturaleza propia,
impredecibles. No se debería esperar que dos muestras aleatorias del mismo tamaño y
tomadas de la misma población tengan, por ejemplo, la misma media muestral (o que
sean completamente parecidas). Por lo tanto es de esperar que cualquier estadístico
cambie su valor de una muestra a otra, por ello, se quiere estudiar la distribución de
todos los valores posibles de un estadístico.

La distribución de probabilidades de un estadístico se denomina distribución muestral.

Inferencia Estadística
 Inferencia Estadística
Distribuciones de Muestreo.

Cómo los valores de un estadístico, varían de una muestra aleatoria a otra, se lo puede
considerar como una variable aleatoria con su correspondiente distribución de
probabilidades. La distribución de probabilidades de un estadístico se conoce como
distribuciones de muestreo.

La distribución de probabilidades de un estadístico se denomina distribución muestral.

Objetivo: Conocer la distribución muestral

de los siguientes estadísticos bajo
ciertas condiciones.

Inferencia Estadística
 Inferencia Estadística
Antes de continuar veamos algunas distribuciones asociadas al muestreo
Distribución Chi-Cuadrado Distribución t-Student

Distribución F de Fisher

Inferencia Estadística
 Inferencia Estadística
Distribuciones asociadas al muestreo

Distribución Chi-Cuadrado

Inferencia Estadística
 Inferencia Estadística

La siguiente figura muestra la gráfica

de la función ji-Cuadrado para distintos
grados de libertad

Inferencia Estadística
 Inferencia Estadística

Ejemplo: uso de tabloa ji-Cuadrado.

( )
P 102   2 = 0.05

Inferencia Estadística
 Inferencia Estadística

Ejemplo: uso de tabloa ji-Cuadrado.

( )
P 102   2 = 0.05

Inferencia Estadística
 Inferencia Estadística

Ejemplo: uso de tabloa ji-Cuadrado.

( )
P 102   2 = 0.05

Control Estadístico de Calidad

 Inferencia Estadística

Ejemplo: uso de tabloa ji-Cuadrado.

( )
P 102   2 = 0.05

Inferencia Estadística
 Inferencia Estadística

Ejemplo: uso de tabloa ji-Cuadrado.

( )
P 102   2 = 0.05   2 = 18.307

Inferencia Estadística
 Inferencia Estadística
Distribuciones asociadas al muestreo

Inferencia Estadística
Inferencia Estadística

Inferencia Estadística
 Inferencia Estadística

Propiedades de la distribución t

- Cada curva t tiene forma de campana con centro en 0.

- A medida que los grados de libertad (k) aumentan, la dispersión de la curva t
correspondiente disminuye.
- A medida que los grados de libertad (k) tienen a infinito, la curva t se aproxima a la
curva normal estándar

Inferencia Estadística
 Inferencia Estadística

Observación: A diferencia de la distribución normal que depende de la media y la

varianza, la distribución t solo depende de los grados de libertad, del inglés, degrees of
freedom (df). En otras palabras, controlando los grados de libertad, controlamos la
distribución.

Inferencia Estadística
Inferencia Estadística

Inferencia Estadística
 Inferencia Estadística
Distribuciones asociadas al muestreo

Inferencia Estadística
 Inferencia Estadística
Distribuciones de Muestreo.

Cómo los valores de un estadístico, varían de una muestra aleatoria a otra, se lo puede
considerar como una variable aleatoria con su correspondiente distribución de
probabilidades. La distribución de probabilidades de un estadístico se conoce como
distribuciones de muestreo.

La distribución de probabilidades de un estadístico se denomina distribución muestral.

Objetivo: Conocer la distribución muestral

de los siguientes estadísticos bajo
ciertas condiciones.

Inferencia Estadística
 Distribuciones de Muestreo

Determinación empírica de la distribución muestral de un estadístico: Para hallar

empíricamente la distribución muestral de un estadístico es necesario seleccionar todas
las muestras de tamaño n de dicha población y a partir de dicha información construir la
distribución de frecuencia relativa de los valores del estadístico, la cual es considerada
como su distribución muestral.

Inferencia Estadística
 Distribuciones de Muestreo

Ejemplo: Supongamos tenemos una población de tamaño cuatro y las mediciones

sobre una característica de la población son las siguientes: 2, 4, 6, 8.
Se puede verificar fácilmente que los parámetros poblacionales son: la media
poblacional es igual a 5 y la varianza poblacional es igual a 5.

Inferencia Estadística
 Distribuciones de Muestreo

Ejemplo: Supongamos tenemos una población de tamaño cuatro y las mediciones

sobre una característica de la población son las siguientes: 2, 4, 6, 8.
Se puede verificar fácilmente que los parámetros poblacionales son: la media
poblacional es igual a 5 y la varianza poblacional es igual a 5.
Tomamos muestras de tamaño 2, con reposición. Cada muestra es de la forma donde: ( X 1 , X 2 )

Consideremos la variable aleatoria: .

X : promedio de 2 observaciones elegidas al azar de entre las 4

Inferencia Estadística
 Distribuciones de Muestreo

Ejemplo: Supongamos tenemos una población de tamaño cuatro y las mediciones

sobre una característica de la población son las siguientes: 2, 4, 6, 8.
Se puede verificar fácilmente que los parámetros poblacionales son: la media
poblacional es igual a 5 y la varianza poblacional es igual a 5.
Tomamos muestras de tamaño 2, con reposición. Cada muestra es de la forma donde: ( X 1 , X 2 )

Consideremos la variable aleatoria: .

X : promedio de 2 observaciones elegidas al azar de entre las 4

S X = 2,3, 4,5,6,7,8

Inferencia Estadística
 Distribuciones de Muestreo

Ejemplo: Supongamos tenemos una población de tamaño cuatro y las mediciones

sobre una característica de la población son las siguientes: 2, 4, 6, 8.
Se puede verificar fácilmente que la media poblacional es igual a 5 y la varianza
poblacional es igual a 5.
Tomamos muestras de tamaño 2, con reposición. Cada muestra es de la forma donde: ( X 1 , X 2 )

Consideremos la variable aleatoria: .

X : promedio de 2 observaciones elegidas al azar de entre las 4

( )
E X =5

V (X )=
5
2

Inferencia Estadística
 Distribuciones de Muestreo

Ejemplo: Supongamos tenemos una población de tamaño cuatro y las mediciones

sobre una característica de la población son las siguientes: 2, 4, 6, 8.
Se puede verificar fácilmente que la media poblacional es igual a 5 y la varianza
poblacional es igual a 5.
Repitiendo la experiencia, con muestras de tamaño 3, obtenemos la distribución de los
promedios que mostramos a continuación, acompañada de la gráfica:

( )
E X =5

V (X )=
5
3

Inferencia Estadística
 Distribuciones de Muestreo

Ejemplo: Supongamos tenemos una población de tamaño cuatro y las mediciones

sobre una característica de la población son las siguientes: 2, 4, 6, 8.
Se puede verificar fácilmente que la media poblacional es igual a 5 y la varianza
poblacional es igual a 5.
Repitiendo la experiencia, con muestras de tamaño 4, obtenemos la distribución de los
promedios que mostramos a continuación, acompañada de la gráfica:

( )
E X =5

V (X )=
5
4

Inferencia Estadística
Distribuciones de Muestreo

Inferencia Estadística
Distribuciones de Muestreo

Inferencia Estadística
Distribuciones de Muestreo

Inferencia Estadística
Inferencia Estadística

Inferencia Estadística
 Ley de los grandes números

En la práctica, esto significa que si a una muestra “grande” le calculamos su media,

este valor numérico puede tomarse como un valor muy próximo a la media de la
población.

Ley de los grandes números

Inferencia Estadística

Inferencia Estadística
 Inferencia Estadística

Antes de analizar este punto analicemos como se distribuye la varianza

muestral.

Inferencia Estadística
 Inferencia Estadística

( x − x)
Distribución de la varianza muestral. 2
n
S =
2 i
Definamos la varianza muestral como:
i =1 n −1

Si la población de la cual se extrae la muestra tiene una distribución normal, la variable

 
  2
(
 n  Xi − X )  
( n − 1) S 2
 
  2
 n2−1
   n −1
2
 i =1   
 
 N ( 0,1) 

• La distribución de la varianza muestral no es simétrica: tiene asimetría positiva.

Si se extraen todas las muestras posibles de una población normal y a cada una de
ellas se le calcula su varianza, se obtendrá la distribución muestral de la varianza con
esta distribución.

Inferencia Estadística
 Inferencia Estadística
Ejemplo: Una máquina de llenado opera con una varianza de 0.83 gr2. Si se toma una
muestra de 15 unidades, ¿cuál es la probabilidad de tener una varianza muestral
superior a 1,249 gr2?

 
 ( n − 1) S 2
14  1, 249 
(2
)
P S  1, 249 = P    =(P  )
14  21,067 = 0,10
2

 
2
0,83 
 
  n2−1 

Inferencia Estadística
Inferencia Estadística

Inferencia Estadística
Inferencia Estadística

Inferencia Estadística
Inferencia Estadística

Inferencia Estadística
Inferencia Estadística

N ( 0,1)

X −

tn−1 n =
 
 ( n − 1) S 2 
 
 
2

 n2−1 
( n − 1)

Inferencia Estadística
 Inferencia Estadística

N ( 0,1)

X −
 X −
n n −1
n  X −
tn−1 = =
  n −1 S S
 ( n − 1) S 2   n
 
 
2

 n2−1 
( n − 1)

Inferencia Estadística
Inferencia Estadística

Inferencia Estadística
Inferencia Estadística

Inferencia Estadística
Inferencia Estadística

Inferencia Estadística
Inferencia Estadística

Inferencia Estadística
 Estimación de parámetros

Puede haber varios estimadores puntuales diferentes para un mismo parámetro. Por
ejemplo, si deseamos estimar la media poblacional, podríamos considerar:

X i
X1 + X n
ˆ1 = X = i =1
ˆ 2 =
n 2

Teniendo en cuenta esto:

➢ ¿Qué características queremos que posea un buen estimador?
➢ ¿Cómo decimos que un estimador es mejor que otro?

Inferencia Estadística
 Estimación de parámetros
Propiedades de los estimadores

Nuestro objetivo ahora será dar algunas propiedades deseables de los estimadores
puntuales, con el fin de poder conocer la bondad de los mismos.

Propiedad de insesgadura:

Si tenemos un gran número de muestras de tamaño n y obtenemos el valor del

estimador en cada una de ellas, sería deseable que la media de todas estas
estimaciones coincidiera con el valor medio de la población . Se dice que un estimador
es insesgado si su esperanza matemática coincide con el valor del parámetro a estimar.

Inferencia Estadística
Estimación de parámetros

Inferencia Estadística
Estimación de parámetros

Inferencia Estadística
Estimación de parámetros

Inferencia Estadística
Estimación de parámetros

Inferencia Estadística
 Estimación de parámetros

(
 n X −X
) 
2

( ) = E  = 1 E
( )   n
( )
2 
n
1
 n − 1    i
i 2
E S 2
Xi − X  = E X 2
− 2 X X + X =
 i =1 n − 1  −  i =1
i

  i =1 n 1
 
 
1  n n
2
n
1  n n
2
= E   X i2 +  −2 X i X +  X  = E   X i2 − 2 X  X i + n X  =
n − 1  i =1 i =1 i =1  n − 1  i =1 i =1 
 nX 
1  n 2 2 1  n 2 2 1  n 2 2
E   X i − 2n X X + n X  = E   X i − 2n X + n X  = E   Xi − nX  =
2
=
n − 1  i =1  n − 1  i =1  n − 1  i =1 

=
1  n
n − 1  i =1
2
( )
2 
  E Xi − E nX  =

( )
n
1  n
− 1  i =1
2 2 
  E X i − nE X  =

( )
n
1  n
− 1  i =1
2 2
( )  2  2 
   +  − n   +
 n
  =

( )
1    2 
= 
n −1
n  2
+ n 2
− n  2
− n    =
1
n 2
−( 2
=
1
)
 2 ( n − 1) =  2
 n   n −1 n −1

Inferencia Estadística
Estimación de parámetros

E (T1 ) = 
E (T2 ) = 
E (T3 ) = 

T1 es el de varianza mínima

Estimación de parámetros
Estimación de parámetros

Estimación de parámetros
 Estimación de parámetros

X i
X1 + X n
ˆ1 = X = i =1
ˆ 2 =
n 2

Estimación de parámetros
Inferencia Estadística

X −
N ( 0,1)
S
n

Control Estadístico de Calidad

 Estimación por Intervalos
Distribuciones de Muestreo. n

Distribución de la media muestral proveniente de una distribución normal.

X i
X= i =1

Estimación por Intervalos

 Estimación por Intervalos
Distribuciones de Muestreo. n

Distribución de la media muestral proveniente de una distribución normal.

X i
X= i =1

Estimación por Intervalos

 Estimación por Intervalos
Distribuciones de Muestreo. n

Distribución de la media muestral proveniente de una distribución normal.

X i
X= i =1

Estimación por Intervalos

 Estimación por Intervalos
Distribuciones de Muestreo.
La distribución de probabilidades de un estadístico se denomina distribución muestral.

Estimación por Intervalos

 Estimación por Intervalos
Distribuciones de Muestreo.
La distribución de probabilidades de un estadístico se denomina distribución muestral.

Estimación por Intervalos

Estimación por Intervalos

2022.

Estimación por Intervalos

 Estimación por Intervalos
Estimación por Intervalos:

En muchas situaciones, una estimación puntual no proporciona información suficiente

sobre un parámetro. Por el hecho de ser un solo número no proporciona información
sobre la precisión y confiabilidad de la estimación.

Para una muestra de tamaño pequeño, la estimación puntual puede diferenciarse

“bastante” del parámetro que se estima, es decir, da lugar a errores marcados. Por
esta razón hay que utilizar estimación por intervalos.

Por ejemplo, si nos interesa estimar la vida media de una lámpara de 75 watts, un solo
número puede no tener mucho significado. Un estimación por intervalo podría ser más
útil.

Estimación por Intervalos

 Estimación por Intervalos
Estimación por Intervalos:

Estimación por Intervalos

 Estimación por Intervalos
Estimación por Intervalos:

Estimación por Intervalos

 Estimación por Intervalos
Estimación por Intervalos:

Estimación por Intervalos

 Estimación por Intervalos
Estimación por Intervalos:

En la estimación por intervalos se obtienen dos valores L y U (un extremo inferior L y un

extremo superior U) que definen un intervalo sobre la recta real, el cual contendrá con
“cierta confianza” el valor del parámetro desconocido θ. Dado que los valores de L y U
varían de una muestra a otra debido a la naturaleza aleatoria de los datos L y U son en
sí mismos estadísticos.

Estimación por Intervalos

 Estimación por Intervalos
Estimación por Intervalos:

En la estimación por intervalos se obtienen dos valores L y U (un extremo inferior L y un

extremo superior U) que definen un intervalo sobre la recta real, el cual contendrá con
“cierta confianza” el valor del parámetro desconocido θ. Dado que los valores de L y U
varían de una muestra a otra debido a la naturaleza aleatoria de los datos L y U son en
sí mismos estadísticos.

Estimación por Intervalos

Estimación por Intervalos

P(L  U ) = 1−
nivel de confianza

1−

Estimación por Intervalos

Estimación por Intervalos

P(L  U ) = 1−
nivel de confianza

1− X − 


Estimación por Intervalos

Estimación por Intervalos

P(L  U ) = 1−
nivel de confianza

1− X − 


Estimación por Intervalos

Estimación por Intervalos

P(L  U ) = 1−
nivel de confianza

1− X − 


Estimación por Intervalos

Estimación por Intervalos

P(L  U ) = 1−
nivel de confianza

1− X − 


Estimación por Intervalos

Estimación por Intervalos

P(L  U ) = 1−
nivel de confianza

1− X − 


Estimación por Intervalos

Estimación por Intervalos


1− = 0.975
2

Estimación por Intervalos

Estimación por Intervalos


1− = 0.975
2

Estimación por Intervalos

Estimación por Intervalos


1− = 0.975
2

z = 1.96
2
(
P Z  z
2
) =

2

Estimación por Intervalos

Estimación por Intervalos


1− = 0.975 
2 = 0.025
2
Z
2

1.96

Estimación por Intervalos

Estimación por Intervalos


1− = 0.975
2

z = 1.96
2
(
P Z  z
2
) =

2

Estimación por Intervalos

Estimación por Intervalos

Estimación por Intervalos

 Estimación por Intervalos

Interpretación: aunque nunca sabremos si la media poblacional se encuentra en el

intervalo hallado, tendremos la seguridad de que el método utilizado para la obtención
de dicho intervalo es confiable el 95 % de las veces, es decir, se puede esperar que
contenga a dicho parámetro en el 95 % de las veces.

Estimación por Intervalos

 Estimación por Intervalos

Interpretación: aunque nunca sabremos si la media poblacional se encuentra en el

intervalo hallado, tendremos la seguridad de que el método utilizado para la obtención
de dicho intervalo es confiable el 95 % de las veces, es decir, se puede esperar que
contenga a dicho parámetro en el 95 % de las veces.

Los niveles de confianza más frecuentemente utilizados son 95%, 99% y 90%.

Estimación por Intervalos

 Estimación por Intervalos

La línea negra horizontal representa el valor fijo de la media desconocida de la

población, µ. Los intervalos de confianza azules verticales que se sobreponen a la línea
horizontal contienen el valor de la media de la población. El intervalo de confianza rojo
que está completamente por debajo de la línea horizontal no lo contiene. Un intervalo
de confianza de 95% indica, para este ejemplo gráfico, que 19 de 20 muestras (95%) de
la misma población darán intervalos de confianza que contendrán el parámetro de
población desconocido.

Estimación por Intervalos

 Estimación por Intervalos

Recordemos que bajo las condiciones anteriores:

X −
tn −1
S
n

Estimación por Intervalos

 Estimación por Intervalos

Ejercicio: Deducir la forma del intervalo anterior. Para esto partir de:

 
X −  X − 
S
tn −1
P  −t     t    = 1 − 
  2 , n −1 S  , n −1 
n  2 

 n 
Estimación por Intervalos
 Estimación por Intervalos
Ejemplo: En un estudio hecho para determinar el tiempo medio necesario para el
montaje de cierta pieza de una máquina, 25 trabajadores hicieron un promedio de 42.5
minutos con una varianza de 4.1 minutos cuadrados. Si los tiempos de los trabajadores
se distribuyen normalmente, hallar un intervalo de confianza al nivel del 99% para el
tiempo promedio necesario para el montaje de la máquina.

n = 25; S 2 = 4.1; X = 42.5; 1 −  = 0.99   = 0.01  = 0.005
2

S s
X − t       X + t   
 ;n −1 n  ;n −1 n
2  2 

Estimación por Intervalos

 Estimación por Intervalos
Ejemplo: En un estudio hecho para determinar el tiempo medio necesario para el
montaje de cierta pieza de una máquina, 25 trabajadores hicieron un promedio de 42.5
minutos con una varianza de 4.1 minutos cuadrados. Si los tiempos de los trabajadores
se distribuyen normalmente, hallar un intervalo de confianza al nivel del 99% para el
tiempo promedio necesario para el montaje de la máquina.

n = 25; S 2 = 4.1; X = 42.5; 1 −  = 0.99   = 0.01  = 0.005
2

S s
X − t       X + t   
 ;n −1 n  ;n −1 n
2  2 

Estimación por Intervalos

 Estimación por Intervalos

S s
X − t      X + t   

 ;n −1 n  ;n −1 n   
2  2  P  t  t = 2
 2 

2


n − 1 = 24; S = 0.005
2

t =
2

Estimación por Intervalos

Estimación por Intervalos

Estimación por Intervalos

Estimación por Intervalos

1−

Estimación por Intervalos

Estimación por Intervalos

1−

Estimación por Intervalos

Estimación por Intervalos

1−

Estimación por Intervalos

 Estimación por Intervalos

Ejemplo: Estimar por intervalo, con una confianza del 90 %, la varianza poblacional, si
la varianza muestral es de 4,1 en una muestra de tamaño 7.

Estimación por Intervalos

 Estimación por Intervalos

Ejemplo: Estimar por intervalo, con una confianza del 90 %, la varianza poblacional, si
la varianza muestral es de 4,1 en una muestra de tamaño 7.


S = 4.1, n = 7, 1 −  = 0.9   = 0.1  = 0.05
2 ( n − 1) S 2   2  ( n − 1) S 2
2 
2  
 , n −1 1− , n −1
2   2 

Estimación por Intervalos

 Estimación por Intervalos

Ejemplo: Estimar por intervalo, con una confianza del 90 %, la varianza poblacional, si
la varianza muestral es de 4,1 en una muestra de tamaño 7.


S = 4.1, n = 7, 1 −  = 0.9   = 0.1  = 0.05
2 ( n − 1) S 2   2  ( n − 1) S 2
2 
2  
 , n −1 1− , n −1
2   2 

 (26,0.05) = 12.592
 (26,0.95) = 1.635

Estimación por Intervalos

 Estimación por Intervalos

 (26,0.05) = 12.592  (26,0.95) = 1.635

Estimación por Intervalos

 Estimación por Intervalos

 (26,0.05) = 12.592  (26,0.95) = 1.635

Estimación por Intervalos

 Estimación por Intervalos

Ejemplo: Estimar por intervalo con una confianza del 90 % la varianza poblacional, si la
varianza muestral es de 4,1 en una muestra de tamaño 7.


S = 4.1, n = 7, 1 −  = 0.9   = 0.1  = 0.05
2 ( n − 1) S 2   2  ( n − 1) S 2
2 
2  
 , n −1 1− , n −1
2   2 

 (26,0.05) = 12.592
 (26,0.95) = 1.635
6  4.1 6  4.1
2 
12.592 1.635

Estimación por Intervalos

 Estimación por Intervalos

Ejemplo: Estimar por intervalo con una confianza del 90 % la varianza poblacional, si la
varianza muestral es de 4,1 en una muestra de tamaño 7.


S 2 = 4.1, n = 7, 1 −  = 0.9   = 0.1  = 0.05
2 ( n − 1) S 2   2  ( n − 1) S 2
2 
2  
 , n −1 1− , n −1
2   2 

 (26,0.05) = 12.592
 (26,0.95) = 1.635
6  4.1 6  4.1
2 
12.592 1.635

1.953   2  15, 04

Estimación por Intervalos

 Estimación por Intervalos
Intervalo de confianza para la proporción poblacional.

Estimación por Intervalos

 Estimación por Intervalos
Intervalo de confianza para la proporción poblacional.

1−

Estimación por Intervalos

 Estimación por Intervalos
Intervalo de confianza para la proporción poblacional.

Estimación por Intervalos

 Estimación por Intervalos
Intervalo de confianza para la proporción poblacional.

Estimación por Intervalos

 Estimación por Intervalos
Intervalo de confianza para la proporción poblacional.

Estimación por Intervalos

 Estimación por Intervalos
Intervalo de confianza para la proporción poblacional.

Estimación por Intervalos

 Estimación por Intervalos
Intervalo de confianza para la proporción poblacional.

Estimación por Intervalos

 Estimación por Intervalos

Nivel de confianza, precisión, error y tamaño de muestra

1) Si se considera que el ancho del intervalo especifica su precisión, entonces el nivel de
confianza está relacionado de manera inversa con la precisión.

Estimación por Intervalos

 Estimación por Intervalos

Nivel de confianza, precisión, error y tamaño de muestra

1) Si se considera que el ancho del intervalo especifica su precisión, entonces el nivel de
confianza está relacionado de manera inversa con la precisión.

2) Generalmente X no será exactamente igual a  y entonces se comete un error de muestreo,

= X −
error de muestreo

Estimación por Intervalos

 Estimación por Intervalos

Nivel de confianza, precisión, error y tamaño de muestra

1) Si se considera que el ancho del intervalo especifica su precisión, entonces el nivel de
confianza está relacionado de manera inversa con la precisión.

2) Generalmente X no será exactamente igual a  y entonces se comete un error de muestreo,

= X −
error de muestreo
Por lo que vimos anteriormente el intervalo de confianza al nivel del 100(1-α)% para la media
poblacional está dado por:

 
X − z     X + z 
2 n 2 n

Estimación por Intervalos

 Estimación por Intervalos

Nivel de confianza, precisión, error y tamaño de muestra

1) Si se considera que el ancho del intervalo especifica su precisión, entonces el nivel de
confianza está relacionado de manera inversa con la precisión.

2) Generalmente X no será exactamente igual a  y entonces se comete un error de muestreo,

= X −
error de muestreo
Por lo que vimos anteriormente el intervalo de confianza al nivel del 100(1-α)% para la media
poblacional está dado por:

  
X − z     X + z   X −   z 
2 n 2 n 2 n

Estimación por Intervalos

 Estimación por Intervalos

Nivel de confianza, precisión, error y tamaño de muestra

1) Si se considera que el ancho del intervalo especifica su precisión, entonces el nivel de
confianza está relacionado de manera inversa con la precisión.

2) Pero generalmente X no será exactamente igual a  y entonces se comete un error de

muestreo,
= X −
error de muestreo
Por lo que vimos anteriormente el intervalo de confianza al nivel del 100(1-α)% para la media
poblacional está dado por:

  
X − z     X + z   X −   z 
2 n 2 n 2 n

 = z /2
n
Estimación por Intervalos
 Estimación por Intervalos

Determinación del tamaño de muestra

3) De la expresión anterior se puede determinar el tamaño de la muestra que se necesita para
lograr una cierta precisión.


 = z /2
n

Despejando el valor de n tenemos que:

 z   
2

n= 2 
  
 

Para utilizar esta fórmula, se debe conocer el nivel de confianza 1 – α, el error de muestreo y σ.

Estimación por Intervalos

Estimación por Intervalos

Resumiendo

Estimación por Intervalos

Estimación por Intervalos

Estimación por Intervalos

Estimación por Intervalos

Estimación por Intervalos

Estimación por Intervalos

Estimación por Intervalos

Estimación por Intervalos

Estimación por Intervalos

Estimación por Intervalos

Estimación por Intervalos

Estimación por Intervalos

Estimación por Intervalos

Estimación por Intervalos

Estimación por Intervalos

Estimación por Intervalos

Estimación por Intervalos