P. 1
Variables Aleatorias

Variables Aleatorias

|Views: 18|Likes:
Publicado porDexhuj

More info:

Published by: Dexhuj on Jun 12, 2013
Copyright:Attribution Non-commercial

Availability:

Read on Scribd mobile: iPhone, iPad and Android.
download as DOC, PDF, TXT or read online from Scribd
See more
See less

11/21/2013

pdf

text

original

Sections

  • Definiciones básicas
  • Solución
  • Ejemplos:
  • DISTRIBUCIÓN BINOMIAL
  • DISTRIBUCIÓN DE POISSON
  • DISTRIBUCIÓN HIPERGEOMETRICA
  • DISTRIBUCION EXPONENCIAL
  • APLICACIONES
  • EJEMPLOS
  • LA DISTRIBUCIÓN NORMAL
  • LECTURA DE LA TABLA NORMAL
  • TEOREMA DEL LIMITE CENTRAL
  • DISTRIBUCIÓN CHI CUADRADO
  • Propiedades de una distribución χ2
  • DISTRIBUCIÓN F
  • Propiedades de la distribución F
  • DISTRIBUCIÓN t-Student
  • ESTIMACIÓN
  • Ejemplos
  • ESTIMACIÓN POR INTERVALOS.- INTERVALOS DE CONFIANZA
  • DISTRIBUCIÓN DE ESTIMADORES
  • Distribución de S2
  • Distribución de x cuando no conocemos σ
  • Ejemplo
  • INTERVALOS DE CONFIANZA PARA µ
  • Caso cuando no conocemos σ
  • Intervalos de Confianza para π
  • Límites de confianza para σ2
  • Problemas de estimación
  • El problema del tamaño de la muestra Caso de Medias
  • Caso de proporciones
  • COMPARACIÓN DE MUESTRAS Intervalos de Confianza para µ1- µ2
  • Intervalos de Confianza para π1 - π2
  • Comparación de Varianzas
  • ESTADÍSTICA II – PROBLEMAS PROPUESTOS (1)
  • ESTADÍSTICA II – PROBLEMAS PROPUESTOS (2)

Autor: M Sci. Mat.

Abel Barrantes Herrera
Página 1 de 50
Tema : Estimación Estadística
Definiciones básicas
I. EXPERIMENTO: es un proceso cuyo resultado analizamos y lo
denominamos observación. Por la calidad de sus resultados el proceso
puede ser determinístico ó aleatorio.
II. EXPERIMENTO DETERMINÍSTICO: si el resultado del experimento es
conocido en forma precisa por las condiciones en las que se realiza el
mismo. (es predecible con exactitud).
III. EXPERIMENTO ALEATORIO: Cuando sus resultados no se pueden
predecir con exactitud antes de realizar el experimento.
EJEMPLOS
• Observar el tiempo de vida de un repuesto automotriz.
• Observar la suma de las caras superiores al lanzar dos dados.
• Observar el número de caras obtenido al lanzar una moneda 10
veces.
• Observar el tiempo que demora en atender a un cliente un cajero
de un banco.
CARACTERÍSTICAS
• El experimento puede ser repetido indefinidamente sin cambiar
las condiciones en las que se realiza.
• Aun cuando no es posible predecir un resultado particular del
experimento, si es posible describir el conjunto de todos sus
posibles resultados.
• Si el experimento se repite una gran cantidad de veces, y f es el
número de veces que un determinado resultado es observado en
un total de n veces que se realizó el experimento; entonces, la
fracción
/ f n
tiende a estabilizarse, si n crece indefinidamente.
IV. ESPACIO MUESTRAL: es el conjunto de todos los posibles resultados
de un experimento. Usualmente se le denomina por Ω.
• En el experimento de observar la suma de las caras superiores al
lanzar dos dados, Ω = {2,3,4,5,6,7,8,9,10,11,12]
• Supongamos que tenemos un lote de 12 artículos en el cual hay 3
defectuosos, seleccionamos artículos al azar uno tras otro hasta
obtener el premier defectuoso, luego se cuenta el total de
artículos extraídos del lote. Ω = {1,2,3,4,5,6,7,8,9,10}
• Al lanzar tres monedas y observar el resultado (cara - sello) el
espacio muestral estará dado por el conjunto de todas las ternas :
{( , , ); ( , , ); ( , , ); ( , , ); ( , , ); ( , , ); ( , , ); ( , , )} c c c c c s c s c s c c c s s s c s s s c s s s Ω ·
Autor: M Sci. Mat. Abel Barrantes Herrera
Página 2 de 50
Tema : Estimación Estadística
• Al observar el número de clientes que pasan por una caja de un
supermercado en un día determinado el espacio muestral está
dado por Ω = {0,1,2,3,...}
V. EVENTO: es un conjunto de posibles resultados de un experimento. Es
un subconjunto de Ω. Nótese que Ω y el conjunto vacío φ (aquí
denominado evento imposible) son también eventos
• En el caso de lanzar dos dado y observar la suma el evento “la
suma es impar está dado por el conjunto A = {3,5,7,9,11}. El evento
“la suma es mayor que siete” por B = {8,9,10,11,12}
• En el caso de la caja del supermercado los eventos “más de n
clientes” está dado por
{ 1, 2, } C n n · + + L
. El evento “menos de m
clientes”
{1, 2, , 2, 1} D m m · − − L

VI. EVENTO ELEMENTAL: es un evento que contiene un solo resultado
simple (indivisible) del espacio muestral.
EJEMPLOS
 Supongamos que tenemos n urnas y en ellas distribuimos 3 bolas ¿de
cuantas maderas podemos distribuirlas?
Partiendo del supuesto que en cada urna entra un número grande de
bolas (mas de las que queremos distribuir):
La 1ª bola puede elegir una de las n urnas tiene entonces n posibilidades.
La 2ª también puede elegir una de las n urnas y tiene n posibilidades, la
3ª también tiene n posibilidades, en consecuencia el total de
posibilidades es
3
n
Notemos que esto se puede generalizar al caso de r bolas teniéndose
r
n
posibilidades.
 Una aplicación del ejemplo anterior son las fechas de cumpleaños de r
personas (las fechas de cumpleaños serían las bolas y los 365 días del
año las urnas)
 Un ascensor que traslada r personas y se detiene en n pisos también
responde a este modelo (las bolas serían las r personas y las urnas los n
pisos)
EJERCICIOS:
 Sea el experimento de tres alumnos José, Pedro y Luis que compiten
por dos premios individuales en un torneo. Definir el espacio muestral.
Definir el evento José y Luis ganaron y Pedro obtuvo el segundo lugar.
Solución
El espacio muestral está dado por

Autor: M Sci. Mat. Abel Barrantes Herrera
Página 3 de 50
Tema : Estimación Estadística
El evento solicitado es la fila sombreada
 Un avión cuatrimotor en vuelo debe tener por lo menos un motor
funcionando por lado para no caer. Definir el espacio muestral y el
evento “el avión se cae”.
Solución
Espacio Muestral:
ALA Izquierda ALA Derecha
Motor Motor Motor Motor
Funciona Funciona Funciona Funciona
¬
Funciona Funciona Funciona Funciona
Funciona
¬
Funciona Funciona Funciona
Funciona Funciona
¬
Funcion
a
Funciona
Funciona Funciona Funciona
¬
Funciona
Funciona Funciona
¬
Funcion
a
¬
Funciona
Funciona
¬
Funciona Funciona
¬
Funciona
¬
Funciona Funciona Funciona
¬
Funciona
Funciona
¬
Funciona
¬
Funcion
a
Funciona
¬
Funciona Funciona
¬
Funcion
a
Funciona
¬
Funciona
¬
Funciona Funciona Funciona
¬
Funciona
¬
Funciona
¬
Funcion
a
Funciona
¬
Funciona
¬
Funciona Funciona
¬
Funciona
¬
Funciona Funciona
¬
Funcion
a
¬
Funciona
Funciona
¬
Funciona
¬
Funcion
a
¬
Funciona
¬
Funciona
¬
Funciona
¬
Funcion
a
¬
Funciona
El evento solicitado son las filas sombreadas
Resultado José Pedro Luis
1 Premio Premio -
2 Premio - Premio
3 - Premio Premio
Autor: M Sci. Mat. Abel Barrantes Herrera
Página 4 de 50
Tema : Estimación Estadística
Como puede verse los eventos son conjuntos y todas las operaciones y
teoremas de la teoría de conjuntos son aplicables a ellos.
VII. EVENTOS MUTUAMENTE EXCLUYENTES: Dos eventos son
mutuamente excluyentes, si cuando ocurre uno no puede ocurrir el otro.
Equivalen en la teoría de conjunto al concepto de conjuntos disjuntos.
Esto es si
A B φ ∩ ·
VIII. COMPLEMENTO DE UN EVENTO: Es la diferencia Ω \ A se escribe A′
y se define
{ | } A x x A ′ · ∉
IX. PROBABILIDAD: Es una función real tal que
 0 ≤ P(A) ≤ 1
 P(Ω) = 1
 Si
1 2
, , ,
n
A A A L
son eventos mutuamente excluyentes dos a dos,
i j
A A i j φ ∩ · ∀ ≠
, entonces
) ( ) (
1 1

· ·
·
n
i
i
n
i
i
A P A P


 En general

1
1 2
1 2 3
( ) ( ) ( ) ( )
( ) ( ) ( ) ( ) ( ) ( ) ( ) ( )
( ) ( ) ( ) ( ) ( 1) ( )
k k k
k
i i i j i j r k
i i j i j r i
P A B P A P B P A B
P A B C P A P B P C P A B P A C P B C P A B C
P A P A P A A P A A A P A A A

· < · < < ·
∪ · + − ∩
∪ ∪ · + + − ∩ − ∩ − ∩ + ∩ ∩
· − ∩ + ∩ ∩ + − ∩ ∩ ∩
∑ ∑ ∑
L L
U
Espacios muestrales finitos
Sean
1 2
, ,
k
x x x L
eventos elementales de Ω, entonces se cumple que;
1 2
( ) ( ) ( ) 1
k
P x P x P x + + + ≡ L
Supongamos que un experimento tiene 3 posibles resultados
1 2 3
, , x x x
Supongamos además que
1
x es 2 veces mas probable que
2
x , el cual
es a su vez, 2 veces mas probable que
3
x
en consecuencia
1 2 2 3 3 3 3 3
2 ; 2 4 ( ) 2 ( ) ( ) 1 ( ) 1/ 7 x x x x P x P x P x P x · · ⇒ + + · ⇒ ·

2 1
( ) 2/ 7; ( ) 4/ 7 P x P x · ·
VARIABLE ALEATORIA: Es una función real definida en la familia de
todos los conjuntos de Ω y sus valores son números reales. Se
clasifica según su conjunto de valores en:
 VARIABLE ALEATORIA DISCRETA: si su rango de valores es un
conjunto de números reales enumerable ó susceptible de ser
contado.
Autor: M Sci. Mat. Abel Barrantes Herrera
Página 5 de 50
Tema : Estimación Estadística
 VARIABLE ALEATORIA CONTINUA: Si la función es continua, esto
es si al asumir dos valores cualquiera, asume todos los valores
intermedios.
Autor: M Sci. Mat. Abel Barrantes Herrera
Página 6 de 50
Tema : Estimación Estadística
Caso de Variables Aleatorias Discretas.- En este caso la variable aleatoria
queda definida por los valores que asume y la probabilidad con que asume
dichos valores. Así, sea X una variable aleatoria con valores x
1
,x
2
,...,x
n
,...
definimos la Función de Probabilidad de X ó Distribución de X como el
conjunto de pares ordenados (x
1
,Pr{X = x
1
});(x
2
, Pr{X = x
2
});...,(x
n
, Pr{X = x
n
});...
Se cumple que:
1 ) Pr( · ·

i
i
X X
Valor Esperado.- Definimos el valor esperado E(X) como:
) Pr( ) (

· ·
i
i i
X X X X E
Si tal sumatoria existe (es convergente). Recordemos que existen variables
aleatorias sin valor esperado
Valor Medio Cuadrático.- Definimos el valor medio cuadrático E(X
2
) como
) Pr( ) (
2 2

· ·
i
i i
X X X X E
Si tal sumatoria existe.
Varianza.- La varianza de X, Var(x) queda definida por
[ ]
2 2
) ( ) ( ) ( X E X E X Var − ·
Ejemplos:
Supongamos que una maquina tiene 4 turbinas que funcionan de manera
independiente. Cada turbina se descompone con probabilidad 0.03; sea X la
variable aleatoria definida como el número de turbinas en funcionamiento,
Hallar la Función de Probabilidad de X.
Solución
Para resolver este problema nos preguntamos ¿cuáles son los valores que
puede asumir X?
Sabemos que los valores que X puede asumir son 0,1,2,3,4 equivalentes al
número de turbinas en funcionamiento
Basados en la independencia calculamos las probabilidades:
Pr(X = 4) = 0.97*0.97*0.97*0.97 = 0.88529281
Pr(X = 3) = 0.97*0.97*0.97*0.03*4 = 0.10952076
Pr(X = 2) = 0.97*0.97*0.03*0.03*6 = 0.00508086
Pr(X = 1) = 0.97*0.03*0.03*0.03*4 = 0.00010476
Pr(X = 0) = 0.03*0.03*0.03*0.03 = 0.00000081
La Función de Probabilidad se expresa como cuadro:
Autor: M Sci. Mat. Abel Barrantes Herrera
Página 7 de 50
Tema : Estimación Estadística
x
i
Pr{X = x
i
}
0 0.00000081
1 0.00010476
2 0.00508086
3 0.10952076
4 0.88529281
Σ 1.00000000
Nótese que la suma de las probabilidades es 1
Caso de Variables Aleatorias Continuas.- En este caso la variable aleatoria
queda definida por una función f(x) llamada función de densidad de X, tal que :
 f(x) ≥ 0



∞ −
≡1 ) ( dx x f


· ≤ ≤
b
a
dx x f b X a ) ( ) Pr(
Valor Esperado.- Definimos el valor esperado E(X) como


∞ −
· dx x xf X E ) ( ) (
Si tal integral existe (es convergente), recordemos que existen variables
aleatorias sin valor esperado
Valor Medio Cuadrático.- Definimos el valor medio cuadrático E(X
2
) como


∞ −
· dx x f x X E ) ( ) (
2 2
Si tal integral existe.
Varianza.- La varianza de X, Var(x) queda definida por
[ ]
2 2
) ( ) ( ) ( X E X E X Var − ·
En el caso de que existan E(x) y E(x
2
)
FUNCION DE DISTRIBUCION ACUMULADA es la función definida por:

∞ −
· ≤ ·
x
du u f x X X F ) ( ) Pr( ) (

Autor: M Sci. Mat. Abel Barrantes Herrera
Página 8 de 50
Tema : Estimación Estadística
DISTRIBUCIÓN BINOMIAL
Esta distribución está referida a un experimento con dos únicos posibles
resultados:
 Éxito (ocurre con probabilidad p)
 Fracaso (ocurre con probabilidad 1 – p)
Si repetimos este experimento n veces en las mismas condiciones, de forma tal
que en cada repetición p permanece constante. Nos interesa la probabilidad de
obtener exactamente k éxitos en estas n repeticiones.
k n k n
k
p p
k
n
P k X

,
_

¸
¸
· · · ) 1 ( ) Pr(
donde
)! ( !
!
k n k
n
k
n

·

,
_

¸
¸
En este modelo debe tenerse que :
 En cada prueba la variable aleatoria puede asumir sólo uno de dos
resultados, (Cada quien define cual es el éxito y cual el fracaso).
 Las pruebas son independientes, esto es lo que ocurre en una de ellas
no afecta a las posteriores.
 La probabilidad de éxito es constante de una prueba a otra. Si nos
referimos a algún tipo de muestreo, esta prueba es de un muestreo con
reposición.
Nota: si llamamos q = 1-p; en este modelo la media está dada por µ = np y la
varianza σ
2
= npq
Ejemplo :
Un alumno se presenta a rendir un examen, el cual consta de 20 preguntas de
un punto cada una, si conoce el 60% del curso; ¿Cuál es la probabilidad de que
apruebe?
Solución: En este caso el experimento consiste en responder a cada pregunta;
pudiendo contestarla correctamente (éxito), ó no (fracaso); y estas son las dos
únicas posibilidades y son mutuamente excluyentes. Adicionalmente, lo que
ocurra al contestar una pregunta no influye en las respuestas posteriores; en
conclusión estamos en un modelo binomial. Como el alumno conoce el 60%
del curso, entonces, p = 0.6.
Queremos calcular la probabilidad del evento “el alumno aprueba” y vemos que
esto ocurre si contesta 11 ó más preguntas, es decir aprueba si X = 11,
12,...,20. Usando la fórmula y como las notas 11,12,...,20 son mutuamente
excluyentes por pares, se tiene

·
·

,
_

¸
¸
· ≤ ≤
20
11
20
4 . 0 * 6 . 0
20
) 20 11 Pr(
k
k
k k
k
X
Autor: M Sci. Mat. Abel Barrantes Herrera
Página 9 de 50
Tema : Estimación Estadística
El cálculo de la suma es laborioso pues cuenta con 10 sumandos.
La respuesta obtenida del paquete estadístico STATISTICA es Pr = 0.7552
Presentamos el gráfico de la probabilidad acumulada, donde puede verse que
la probabilidad Pr{10 ≤ X } ≈ 0.24, esto es Pr{ 11 ≤ X ≤ 20} ≈0.76 Si hacemos
un acercamiento (zoom), en el cuadro 2, podemos leer Pr{ 10 ≤ X } ≈ 0.245 ó,
Pr{ 11 ≤ X ≤ 20} ≈0.755
Fig. 1
Function Plot (GRAPH11.STG 10v*10c)
IBINOM(X; 0,6; 20)
0,0
0,1
0,2
0,3
0,4
0,5
0,6
0,7
0,8
0,9
1,0
0 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20
Fig. 2
Autor: M Sci. Mat. Abel Barrantes Herrera
Página 10 de 50
Tema : Estimación Estadística
Function Plot (GRAPH11.STG 10v*10c)
IBINOM(X; 0,6; 20)
0,00
0,05
0,10
0,15
0,20
0,25
0,0 2,5 5,0 7,5 10,0
Autor: M Sci. Mat. Abel Barrantes Herrera
Página 11 de 50
Tema : Estimación Estadística
DISTRIBUCIÓN DE POISSON
El modelo de Poisson se utiliza en problemas en los que se cuenta el número
de eventos que ocurren en una unidad de medida, sea en un intervalo de
tiempo, ó en una región, en un área, en un volumen, etc.
Por ejemplo, las llamadas telefónicas recibidas por una central en un intervalo
de tiempo, el número de errores en un escrito, el número de clientes que llegan
a una estación de servicio, etc.
Es dependiente de un parámetro λ > 0 denominado ”intensidad de ocurrencia”
y su fórmula es:
!
*
) Pr(
k
e
k X
k
λ
λ −
· ·
Se cumple que la media de X es λ y su varianza también es igual a λ
Ejemplo: Supongamos que el número de errores en una página de un diario
tiene distribución de Poisson con λ = 0.5, ¿Cuál es la probabilidad de tener por
lo menos un error en esa página?
Solución: El evento “por lo menos un error” es el contrario al evento “ningún
error”, en consecuencia,
3935 . 0 1
! 0
5 . 0 *
1 ) 0 Pr( 1 ) 1 Pr(
5 . 0
0 5 . 0
· − · − · · − · ≥ e
e
X X
El siguiente cuadro muestra las probabilidades de Poisson para λ = 0.5
Fig. 3
Function Plot (GRAPH11.STG 10v*10c)
poisson(X; 0,5)
-0,1
0,0
0,1
0,2
0,3
0,4
0,5
0,6
0,7
0 1 2 3 4 5 6 7
Autor: M Sci. Mat. Abel Barrantes Herrera
Página 12 de 50
Tema : Estimación Estadística
DISTRIBUCIÓN HIPERGEOMETRICA
Partimos de una población de n elementos, divididos en dos clases, n
1
pertenecen a la primera y n
2
a la segunda.
Definimos un experimento como la extracción (sin reposición) de m elementos
de esta población, preguntamos por la probabilidad de obtener exactamente k1
elementos de la primera clase, m – k1 elementos de la segunda. Esta
probabilidad está dada por

,
_

¸
¸ +

,
_

¸
¸

,
_

¸
¸
· −
m
n n
k m
n
k
n
k m k
2 1
1
2
1
1
1 1
) , Pr(

Para ilustrar su uso, supongamos que un proceso de producción de partes
eléctricas se compone de un lote de 50 partes, si dentro del lote hay 5 partes
falladas, y extraemos una muestra de 20 para analizarla, ¿cuál es la
probabilidad de que esta muestra no contenga partes falladas?
Solución:
En este caso tenemos:
n = 50 , m = 20, n
1
= 45, n
2
= 5, k
1
= 20, m-k
1
= 0
Reemplazando en la fórmula
067 . 0
20
50
0
5
20
45
) 0 , 20 Pr( ·

,
_

¸
¸

,
_

¸
¸

,
_

¸
¸
·
Si la probabilidad pedida fuera de exactamente 2 fallados en los 20 elegidos

,
_

¸
¸

,
_

¸
¸

,
_

¸
¸
·
20
50
2
5
18
45
) 0 , 20 Pr(
Autor: M Sci. Mat. Abel Barrantes Herrera
Página 13 de 50
Tema : Estimación Estadística
DISTRIBUCION EXPONENCIAL
Una variable aleatoria X tiene una distribución exponencial si su función
densidad de probabilidad esta dada por:
( )
x
f x e
λ
λ

·
notemos que
i) ( )
0
1
x
e dx
λ
λ


·

ii)
( ) 1/ E X λ ·
iii)
2
( ) 1/ Var X λ ·
iv) Pr[ ]
a
X a e
λ −
≥ ·
Nota: Si tenemos un modelo de Poisson con parámetro λ , que ocurre en el
tiempo, los tiempos entre llegadas siguen una distribución exponencial con el
mismo λ , siendo el tiempo promedio entre llegadas 1/ λ .
APLICACIONES
La distribución exponencial se usa para representar muchos fenómenos, sobre
todo la vida útil de equipos, partes, repuestos, materiales radioactivos, etc.
EJEMPLOS
1. Sabemos que un cierto tipo de parte electrónica sigue una distribución
exponencial y tiene una vida promedio de λ = 1semana ¿cuál es la
probabilidad de que una de esas partes tenga una duración que exceda
2.5 semanas?
2. El tiempo entre llegadas de clientes a una cajera de un banco en hora
punta sigue una distribución exponencial con promedio 0.25minutos.
Hallar la probabilidad de tener un intervalo de menos de 6 segundos
entre una llegada y la siguiente?
Note que 4 λ ·
Autor: M Sci. Mat. Abel Barrantes Herrera
Página 14 de 50
Tema : Estimación Estadística
LA DISTRIBUCIÓN NORMAL
Es una distribución de una variable aleatoria continua, con la siguiente función
de densidad :
___
. f(x) = 1/[√(2π σ] * e
-(x-µ)^2/[2σ^2]
Donde µ es la media ó valor esperado y σ es la desviación estándar
Probability Density Function
y =normal(x;10;3)
0,00
0,03
0,06
0,09
0,12
0,15
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
Probability Distribution Function
p =inormal(x;10;3)
0,0
0,1
0,2
0,3
0,4
0,5
0,6
0,7
0,8
0,9
1,0
3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18
La media µ coincide con abscisa bajo el punto mas alto de la curva. La
desviación estándar σ mide la apertura de los brazos de la campana.
Autor: M Sci. Mat. Abel Barrantes Herrera
Página 15 de 50
Tema : Estimación Estadística
Probability Density Function
y =normal(x;10;4)
0,00
0,03
0,06
0,09
0,12
0,15
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
Probability Distribution Function
p =inormal(x;10;4)
0,0
0,2
0,4
0,6
0,8
1,0
3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18
Nótese que al aumentar la desviación estándar de 3 a 4, manteniendo la media
igual, la campana se ha vuelto mas abierta.
Como sabemos, para calcular la probabilidad de una distribución continua, es
necesario integrar la función densidad entre [a,b]; y esto no es sencillo, por lo
tanto usamos tablas que permiten calcular el área bajo la campana para una
abscisa z dada.
Estas tablas están hechas para una distribución normal con media 0 y
desviación estándar 1, a la cual se le denomina Distribución Normal
Estandarizada. Para poder usar estas tablas es necesario estandarizar la
distribución normal con la que estamos trabajando, esto se logra usando :
Z = (X - µ)/σ
Así por ejemplo, si X se distribuye normalmente con media 50 y desviación
estándar 20, para calcular la probabilidad :
Pr[ 35 < X < 80]
Procedemos de la siguiente forma :
a) Calculamos el área bajo la curva para la abscisa 35
 Estandarizando z = (35 – 50)/20 ⇒ z = -0.75
 En la tabla leemos que esa área es 0,22667
b) Calculamos el área para la abscisa 80
 Estandarizando z = (80 – 50)/20 ⇒ z =1.5
 Leemos de la tabla que es área es 0.933193
c) La probabilidad pedida es la diferencia de áreas : 0.933193 – 0.22667;
Pr[35 < X < 80] = 0.70652
Autor: M Sci. Mat. Abel Barrantes Herrera
Página 16 de 50
Tema : Estimación Estadística
Usando el paquete STATISTICA, tenemos
Cálculo de Pr{ z ≤ -0.75}
Cálculo de Pr{ z ≤ 1.75}
Probability Density Function
y =normal(x;0;1)
0,00
0,15
0,30
0,45
0,60
-3,50 -1,75 0,00 1,75 3,50
Probability Distribution Function
p =inormal(x;0;1)
0,0
0,2
0,4
0,6
0,8
1,0
-3,50 -1,75 0,00 1,75 3,50
Gráfico para el cálculo de la probabilidad Pr{z ≤1.5}
Autor: M Sci. Mat. Abel Barrantes Herrera
Página 17 de 50
Tema : Estimación Estadística
Probability Density Function
y =normal(x;0;1)
0,00
0,15
0,30
0,45
0,60
-3,50 -1,75 0,00 1,75 3,50
Probability Distribution Function
p =inormal(x;0;1)
0,0
0,2
0,4
0,6
0,8
1,0
-3,50 -1,75 0,00 1,75 3,50
Propiedades de la distribución normal
i) Si X es una variable aleatoria normal, sus parámetros µ, σ la definen
totalmente (ver su función densidad)
ii) El hecho de que el exponente (x - µ)
2
/2σ
2
sea negativo indica que
cuanto mas se aleja x de la media µ, tanto menor es la altura de la
curva de la función densidad, y en x = µ la densidad tiene un
máximo.
iii) La distribución normal tiene una amplitud infinita, siendo asintótica al
eje X.
iv) Un cambio en el valor de µ desplaza la función densidad a la derecha
(izquierda) cuando el incremento es positivo (negativo). Un cambio
en el valor de σ la aplana (levanta) si el incremento es negativo
(positivo).
v) Si X es una variable aleatoria normal, entonces Y = a + bX también
es normal, E(Y) = a + bµ, Var(Y) = b
2
σ
2
.
vi) Si X
1
, X
2
,...,X
n
son variables aleatorias normales e independientes
entonces Y = X
1
+ X
2
+...+ X
n
también es normal, además el valor
esperado de Y es la suma de los valores esperados de las X
i
y su
varianza la suma de las varianzas.
LECTURA DE LA TABLA NORMAL
En algunos casos las tablas sólo muestran el área comprendida en el lado
positivo del eje X, en este caso es necesario proceder de forma :
 Para calcular el área para la abscisa z =-0.75 , como tal abscisa no
aparece en la tabla usamos la simetría y
Autor: M Sci. Mat. Abel Barrantes Herrera
Página 18 de 50
Tema : Estimación Estadística
• Leemos de la tabla el área para la abscisa 0.75 (positivo)
• El área buscada es 0.5 – El área leída en la tabla
 Para calcular el área de la tabla para la abscisa z = 1.5,
• Leemos el área de la tabla para z = 1.5
• El área buscada es de 0.5 + El área leída en la tabla.
Recordemos que de otra forma no consideraríamos el área
de la campana a la izquierda de 0, que es igual a =.5
En general, si se trata de lectura de la tabla normal, tenemos dos tipos de
problemas:
 Conocida la abscisa z leer el área
 Conocida el área leer la abscisa z correspondiente
• Caso área ≥ 0.5 Primero restamos del área 0.5, luego para
el resultado obtenido leemos z. Ese es el z buscado.
• Caso área ≤ 0.5 para esa área leemos z de la tabla,
usando la simetría sabemos que el la abscisa pedida es –z
Estos casos están referidos a la tabla distribuida en el curso.
Autor: M Sci. Mat. Abel Barrantes Herrera
Página 19 de 50
Tema : Estimación Estadística
TEOREMA DEL LIMITE CENTRAL
Teorema : La distribución de las medias de muestras aleatorias, tomadas de
una población que posee media µ , y varianza finita σ
2
, tiende a una
distribución normal de media µ y varianza σ
2
/n.
Este teorema es muy útil para aproximar distribuciones cuando la muestra es
“grande”, en términos de estadística se considera grande una muestra cuyo
tamaño es mayor de 30.
Sin embargo, algunas distribuciones tienen requerimientos adicionales, tal es el
caso de la distribución binomial en la cual se obtienen buenas aproximaciones
cuando n*p ≥ 5.
Los siguientes gráficos muestran como se acercan a la normal las
distribuciones binomial y de Poisson.
GRAFICO DE UNA DISTRIBUCIÓN BINOMIAL p = 0.3; n = 10
Function Plot (GRAPH11.STG 10v*10c)
binom(x; 0,3; 10)
-0,02
0,02
0,06
0,10
0,14
0,18
0,22
0,26
0,30
0 10 20 30 40
Autor: M Sci. Mat. Abel Barrantes Herrera
Página 20 de 50
Tema : Estimación Estadística
GRAFICO DE UNA DISTRIBUCIÓN BINOMIAL p = 0.3; n = 20
Function Plot (LEC1.STA 10v*20c)
binom(x; 0,3; 20)
-0,02
0,02
0,06
0,10
0,14
0,18
0,22
0 10 20 30 40
GRAFICO DE UNA DISTRIBUCIÓN BINOMIAL p = 0.3; n = 30
Function Plot (LEC1.STA 10v*20c)
binom(x; 0,3; 30)
-0,02
0,02
0,06
0,10
0,14
0,18
0 10 20 30 40
Autor: M Sci. Mat. Abel Barrantes Herrera
Página 21 de 50
Tema : Estimación Estadística
GRAFICO DE UNA DISTRIBUCIÓN BINOMIAL p = 0.3; n = 40
Function Plot (LEC1.STA 10v*20c)
binom(x; 0,3; 40)
-0,02
0,00
0,02
0,04
0,06
0,08
0,10
0,12
0,14
0,16
0 10 20 30 40
GRAFICO DE UNA DISTRIBUCIÓN BINOMIAL p = 0.3; n = 50
Function Plot (LEC1.STA 10v*20c)
binom(x; 0,3; 50)
-0,02
0,00
0,02
0,04
0,06
0,08
0,10
0,12
0,14
0 10 20 30 40
Autor: M Sci. Mat. Abel Barrantes Herrera
Página 22 de 50
Tema : Estimación Estadística
GRAFICO DE UNA DISTRIBUCIÓN POISSON λ = 3
Function Plot (GRAPH11.STG 10v*10c)
poisson(x; 3)
-0,02
0,02
0,06
0,10
0,14
0,18
0,22
0,26
0 10 20 30 40
GRAFICO DE UNA DISTRIBUCIÓN POISSON λ = 6
Function Plot (GRAPH11.STG 10v*10c)
poisson(x; 6)
-0,02
0,02
0,06
0,10
0,14
0,18
0 10 20 30 40
Autor: M Sci. Mat. Abel Barrantes Herrera
Página 23 de 50
Tema : Estimación Estadística
GRAFICO DE UNA DISTRIBUCIÓN POISSON λ = 9
Function Plot (GRAPH11.STG 10v*10c)
poisson(x; 9)
-0,02
0,00
0,02
0,04
0,06
0,08
0,10
0,12
0,14
0,16
0 10 20 30 40
GRAFICO DE UNA DISTRIBUCIÓN POISSON λ = 12
Function Plot (GRAPH11.STG 10v*10c)
poisson(x; 12)
-0,02
0,00
0,02
0,04
0,06
0,08
0,10
0,12
0,14
0 10 20 30 40
Autor: M Sci. Mat. Abel Barrantes Herrera
Página 24 de 50
Tema : Estimación Estadística
DISTRIBUCIÓN CHI CUADRADO
Si
1 2
, , ,
n
X X X L
son variables normales estandarizadas e independientes,
entonces la variable aleatoria
2 2 2
1 2 n
Y X X X · + + + L sigue una distribución χ
2
con n grados de libertad.
1
Cálculo del valor de χ
2
(8 grados de libertad) para una probabilidad de 90%
usando eñl paquete STATISTICA
Probability Density Function
y =chi2(x;8)
0,000
0,044
0,087
0,131
0,175
0,00 6,25 12,50 18,75 25,00
Probability Distribution Function
p =ichi2(x;8)
0,0
0,2
0,4
0,6
0,8
1,0
0,00 6,25 12,50 18,75 25,00
1
Por grados de libertad entendemos al número de elementos que pueden escogerse
libremente, o al número de variables que pueden asumir valores arbitrarios libremente.
(Número de variables funcionalmente independientes)
Autor: M Sci. Mat. Abel Barrantes Herrera
Página 25 de 50
Tema : Estimación Estadística
Propiedades de una distribución χ
2

i) Si X tiene una distribución normal estandarizada, X
2
tiene una
distribución χ
2
con 1 grado de libertad.
ii) Si X
1
tiene una distribución χ
2
con n
1
grados de libertad, X
2
tiene una
distribución χ
2
con n
2
grados de libertad; entonces Y = X
1
+ X
2
tiene
una distribución χ
2
con
1 2
n n + grados de libertad.
iii) Si la población es normal estandarizada, y x
i
i = 1,2,...,n son n
observaciones independientes que constituyen una muestra al azar,
entonces
2
1
n
i
i
x
·

tiene una distribución χ
2
con n grados de libertad.
iv) Si la población es normal con media µ, desviación estándar σ y x
i
para i = 1,2,...,n son n observaciones independientes que constituyen
una muestra al azar, entonces
2
1
n
i
x µ
σ
− ¸ _

¸ ,

tiene una distribución χ
2
con n grados de libertad.
v) Una variable Chi cuadrado varía en un rango de 0 a infinito, por ser
una suma de cuadrados.
vi) Una variable Chi cuadrado está definida completamente por su grado
de libertad, así si X es una variable aleatoria de distribución χ
2
con n
grados de libertad,
E(X) = n
V(X) = 2n
vii) Las distribuciones Chi cuadrado son positivamente asimétricas, ( con
una giba hacia la izquierda), sin embargo, cuando el número de
grados de libertad aumenta entonces la distribución se asemeja a
una normal. Los siguientes cuadros muestran la distribución Chi
cuadrado para 31 y 35 grados de libertad, en ellos puede apreciarse
su cercanía con la distribución normal.

Autor: M Sci. Mat. Abel Barrantes Herrera
Página 26 de 50
Tema : Estimación Estadística
DISTRIBUCIÓN F
Si X sigue una distribución χ
2
con n
1
grados de libertad, Y sigue una
distribución χ
2
con n
2
grados de libertad; entonces
1
2
X
n
F
Y
n
·
sigue una
distribución F de Fischer con (n
1
,n
2
) grados de libertad. Usualmente la
designamos por F
n1,n2

Los siguientes gráficos muestran la densidad y la probabilidad acumulada de
una distribución F
14,8
.
Probability Density Function
y =F(x;14;8)
0,000
0,375
0,750
1,125
1,500
0 1 2 3 4
Probability Distribution Function
p =iF(x;14;8)
0,0
0,2
0,4
0,6
0,8
1,0
0 1 2 3 4
Propiedades de la distribución F
i) Siendo F una razón de dos cantidades al cuadrado, F varía entre 0 e
∞.
ii) Hay una distribución F para cada par de enteros positivos n
1
,n
2
.
iii) La media y varianza de F están dadas por:
2
) (
2
2

·
n
n
F E
para
2
2
〉 n
) 4 ( ) 2 (
) 2 ( 2
) (
2
2
2 1
2 1
2
2
− −
− +
·
n n n
n n n
F Var
para
4
2
〉 n
iv) Como en el caso de la χ
2
F es positivamente asimétrica, pero cuando
n
1
,n
2
aumentan, la asimetría se reduce.
Autor: M Sci. Mat. Abel Barrantes Herrera
Página 27 de 50
Tema : Estimación Estadística
v) Si la variable aleatoria X sigue una distribución F
n1,n2
, entonces Y =
1/X sigue una F
n2,n1
. Esta es la propiedad recíproca de las
distribuciones F y también puede expresarse por
F
(1-α);n1,n2
= 1 /F
α;n2,n1
.
Donde α y 1 - α designan al área bajo la cola de la distribución F
Veamos el caso F
8,11
.

Podemos verificar que 2.947989 =1/0.339214
Cumpliéndose lo dicho en (vi)
Autor: M Sci. Mat. Abel Barrantes Herrera
Página 28 de 50
Tema : Estimación Estadística
DISTRIBUCIÓN t-Student
La variable aleatoria con distribución t-student con n grados de libertad, se
genera al dividir una variable normal estandarizada N(0,1) entre la raíz
cuadrada del cociente de una variable aleatoria χ
2
con n grados de libertad,
dividida entre n.
2
2
n
z
t
χ
·
La distribución t-student con n-1 grados de libertad tiene una función densidad:
2
2
1
1
2
1
2
) 1 (
1
) (
n
n
t
n
n
n
t f

,
_

¸
¸

+

,
_

¸
¸ −
Γ

,
_

¸
¸
Γ
1
1
]
1

¸


·
π
Propiedades:
i) La variable t varía de -∞ a ∞
ii) La distribución t es simétrica respecto del eje y
iii) E[t] = 0 Var(t) = (n-1)/(n-3)
iv) La distribución t es similar a la distribución normal, ambas varían de -∞ a
+∞, ambas son simétricas respecto del eje Y, y ambas tienen media 0;
sin embargo, la distribución t tiene una mayor desviación estándar por
ser su varianza (ver iii) Var(t) ≥ 1, acercándose a 1 conforme aumenta n,
en consecuencia para n mayores de 30 podemos aproximarla por la
Distribución Normal Estandarizada.
Los siguientes cuadros muestran los valores de t con 31 grados de libertad,
para áreas de 90 y 95%, en comparación con la normal.

Autor: M Sci. Mat. Abel Barrantes Herrera
Página 29 de 50
Tema : Estimación Estadística

Autor: M Sci. Mat. Abel Barrantes Herrera
Página 30 de 50
Tema : Estimación Estadística
ESTIMACIÓN
En muchos estudios estadísticos los parámetros poblacionales son
desconocidos y deben ser estimados con la información de una muestra. Los
métodos para estimar tan exactamente como sea posible el valor de los
parámetros poblacionales son de gran importancia en el análisis estadístico.
Los valores de los estadísticos muestrales tales como media, mediana,
varianza, etc; deben ser usados para estimar los parámetros poblacionales.
Notemos que los estadísticos muestrales son variables aleatorias. A los
parámetros poblacionales los llamamos µ (media), σ (desviación estándar), π
(proporción), N (tamaño); en tanto que a los estadísticos muestralesx (media
aritmética), S
2
(varianza), n (tamaño de la muestra). Seguidamente,
presentaremos los criterios para evaluar que tan bien un estadístico muestral
estima un parámetro poblacional, y segundo, analizar algunos métodos para
estimar estos parámetros.
A las variables aleatorias usadas para estimar los parámetros poblacionales las
llamaremos estimadores, en tanto que, a sus valores específicos los
llamaremos estimados. Así, a X y S
2
son estimadores de µ y σ
2
respectivamente, en tanto que X = 45 es un estimado de µ.
Podemos referirnos a otros estimadores de µ como la mediana y de σ
2
como el
rango. Posteriormente veremos cual de los estimadores se ajusta mejor a
nuestras necesidades.
Cuando estimamos el valor de un parámetro por el valor de un estadístico
muestral, estamos haciendo una estimación puntual. Si la estimación es por
un rango de valores hablamos de estimación por intervalos.
Los criterios para determinar la bondad de los estimadores puntuales son:
 Insesgamiento.- Decimos que un estimador es insesgado si el valor
esperado del estimador es igual al parámetro a ser estimado.
Así
ˆ
( ) E ϑ ϑ ·
En el caso de la media E[X ] = 1/nE[x
1
+x
2
+ ... + x
n
] = 1/n(nµ) = µ
En el caso de la varianza tenemos:
Sea
[ ] [ ]
n n n S E
x E x Var x E x Var S E
x E x E S E
x E x E
n
S E
x x
n
S
x x
n
S
i i
i
n
i
n
i
n
i
/ ) 1 ( / ) (
) ( ) ( ) ( ) ( ) (
) ( ) ( ) (
) ( ) (
1
) (
1
) (
1
2 2 2 2
2 2 2
2 2 2
2
1
2 2
2
1
2 2
2
1
2
− · − ·
− − + ·
− ·
− ·
− ·
− ·



σ σ σ
Autor: M Sci. Mat. Abel Barrantes Herrera
Página 31 de 50
Tema : Estimación Estadística
Si deseamos que el estimador
2
S sea insesgado este debe ser:
2
1
2
) (
1
1
x x
n
S
n
i


·

 Consistencia.- Se dice que un estimador es consistente si sus estimados
se aproximan al parámetro que estiman cuando n crece.
Los requisitos son
1.
ˆ
( ) 0 Var θ → cuando
n →∞
n → ∞
2.
ˆ
θ
es un estimador insesgado de θ
 Eficiencia.- Entre dos estimadores de un parámetro, mas eficiente es
aquel de menor varianza.
La medida de la eficiencia está dada por el cociente
) (
) (
Re
1
2
θ
θ
Var
Var
lativa Eficiencia ·
 Suficiencia.- Decimos que un estimador es suficiente si utiliza toda la
información acerca del parámetro poblacional contenida en la muestra.
Así el rango no es un estimador suficiente de la varianza puesto que
solo utiliza los dos valores extremos (máximo y mínimo) de la muestra.
 Máxima Verosimilitud.- Supongamos en una población
) , ( θ x f
se desea
estimar el parámetro θ con una muestra de tamaño n. Definimos la
función de máxima verosimilitud L como:
) , ( ) , ( ) , ( ) (
2 1
θ θ θ θ
n
x f x f x f L  ·
El estimador de máxima verosimilitud es aquel θ que maximiza L
Supongamos por ejemplo que para estimar una proporción extraemos
una muestra de tamaño 10 · n y con
3 . 0 · p
; si el verdadero valor fuera
0
π π ·
la probabilidad de obtener tal resultado es:
( ) ( )
7
0
3
0 0
1
3
10
) | 3 . 0 Pr( π π π π −

,
_

¸
¸
· · · p
( ) ( )
7
0
3
0 0
1
3
10
) ( π π π −

,
_

¸
¸
· L
Buscamos el valor de
0
π
que maximiza L ese es el estimador máximo
verosímil
En el siguiente gráfico mostramos el valor de
0
( ) L π
para
0
0.1, 0.2, ,1 π · L

donde se aprecia que el máximo valor de
0
( ) L π
[la máxima probabilidad
0
Pr( 0.3| ) p π π · ·
]se obtiene para
0
0.3 π ·
esto es el valor que maximiza
la función L es
0
p π ·
significando que el estimador máximo verosímil de
π
es la proporción muestral
p
Autor: M Sci. Mat. Abel Barrantes Herrera
Página 32 de 50
Tema : Estimación Estadística
La función
1 2 1 2
( , , , , ) ( , ) ( , ) ( , )
n n
L X X X f X f X f X θ θ θ θ · L L
representa la
probabilidad
1 2
Pr( , , , )
n
X X X X X X · · · L
cuando X es discreta.
Si X es continua representa la función densidad de probabilidad
conjunta de
1 2
( , , , )
n
X X X L

Para obtener el estimador máximo verosímil resolvemos la ecuación de
verosimilitud
[ ]
1 2
( , , , , ) 0
n
Ln L X X X θ
θ

1 ·
¸ ]

L
cuando deseamos estimar 2 parámetros
1 2
, θ θ debemos resolver
[ ]
1 2 1 2
( , , , , , ) 0; 1, 2
n
i
Ln L X X X i θ θ
θ

1 · ·
¸ ]

L
y así sucesivamente.
Ejemplos
1. Supongamos que la vida promedio de un
componente es T y sigue una distribución exponencial con
( )
t
f t e
β
β

· Tomamos una muestra de n de ellos y obtenemos
1 2
, , ,
n
T T T L
. La función de verosimilitud es
1 2
( , , , , )
i
T
n
n
L T T T e
β
β β


· L
Tomando logaritmos
1 2
[ ( , , , , )] [ ]
i
T
n
n
Ln L T T T Ln e
β
β β


· L
1 2
[ ( , , , , )] ( )
n i
Ln L T T T nLn T β β β · − ∑ L
Derivando respecto de
β
e igualando a cero
ˆ
/ 0
1 1
ˆ
i
i
n T
T
n
β
β
− ∑ ·
· ∑
Autor: M Sci. Mat. Abel Barrantes Herrera
Página 33 de 50
Tema : Estimación Estadística
2. Supongamos que X es una variable aleatoria distribuida normalmente
con
2
1
2
1
( )
2
x
f x e
µ
σ
πσ
− 1

1
¸ ]
·
si tenemos una muestra
1 2
( , ,..., )
n
x x x
;
entonces;
2
1
2
2
1 2
1
( , ,..., , , )
2
i
n
x
n
L x x x e
µ
σ
µ σ
πσ
− 1

1
¸ ]

1
·
1
¸ ]
Tomando logaritmos:
2
2
1
( ) (2 )
2 2
i
n x
Ln L Ln
µ
πσ
σ

¸ _ 1
· − −

1
¸ , ¸ ]
Resolviendo
( ( )) ( ( ))
0; 0
Ln L Ln L
µ σ
∂ ∂
· ·
∂ ∂
se obtiene
1
ˆ
i
x
n
µ ·

y
2
1
ˆ ( )
i
x x
n
σ · −

Nótese que el estimador de máxima verosimilitud de la varianza no es
insesgado.
Autor: M Sci. Mat. Abel Barrantes Herrera
Página 34 de 50
Tema : Estimación Estadística
ESTIMACIÓN POR INTERVALOS.- INTERVALOS DE CONFIANZA
Dado un estimador puntual
ˆ
θ
y el método de calcularlo, podemos saber si este
cumple con los criterios de bondad de estimación anteriormente descritos, pero
esto no es suficiente si pretendemos usar
ˆ
θ
para sustituir θ, porque, siempre
habrá un error debido a fluctuaciones aleatorias, cuya magnitud es
desconocida, por esto, es conveniente tener una medida de la precisión del
estimado o un acotamiento del tamaño del error del estimador.
Siendo
ˆ
θ
una variable aleatoria, las características básicas de su distribución
son su valor esperado E(
ˆ
θ
) y su varianza Var(
ˆ
θ
). La desviación estándar ó
error estándar es ˆ
θ
σ
mide la dispersión de
ˆ
θ
. Cuando
ˆ
ϑ ˆ
θ
σ

es pequeña y
ˆ
θ

es insesgado un gran número de estimaciones se encontrará muy cerca del
verdadero valor del estimado, y cuando ˆ
θ
σ
sea grande y
ˆ
θ
insesgado, un
pequeño número de estimaciones se encontrará en las cercanías de θ . En
consecuencia la precisión de un estimador está dada por su error estándar o
ˆ
θ
σ
extendiéndose que cuanto mas pequeño sea ˆ
θ
σ
mas precisa será la
estimación. Es por esto que cuando estimamos un parámetro debemos
también, indicar el error estándar de la estimación.
Para darle una expresión más formal a lo anterior, hablamos de una estimación
por intervalos.
Estimación por Intervalo.- Es la estimación de un parámetro θ por un intervalo
calculado al azar, llamado intervalo de confianza, cuyos extremos L (inferior) y
U (superior) se calculan en función de las variables aleatorias observadas, de
manera tal que la probabilidad
Pr{ } 1 L U θ α < < < −
donde 1 - α es un número
predeterminado llamado coeficiente de confianza.
Cuando el intervalo es simétrico, esta probabilidad puede expresarse como:
ˆ
ˆ
Pr{| | } 1 k
θ
θ θ σ α − ≤ · −
Donde, k es una constante no negativa llamada multiplicador de confianza,
correspondiente al valor 1 - α
La desigualdad
ˆ
ˆ
| | k
θ
θ θ σ − ≤ puede escribirse como
ˆ ˆ
ˆ
k k
θ θ
σ θ θ σ − ≤ − ≤ ó

ˆ ˆ
ˆ ˆ
Pr{ } 1 k k
θ θ
θ σ θ θ σ α − ≤ ≤ + · −
que es la expresión general de un estimador de confianza simétrico de θ, tal
que:
1 α − expresa el Nivel de Confianza
Autor: M Sci. Mat. Abel Barrantes Herrera
Página 35 de 50
Tema : Estimación Estadística

ˆ
ˆ
k
θ
θ σ − = L, límite inferior de confianza

ˆ
ˆ
k
θ
θ σ + = U, límite superior de confianza
k se calcula de acuerdo a la distribución de
ˆ
θ

Nótese que el intervalo es calculado al azar porque sus límites superior e
inferior dependen del valor de
ˆ
θ
que es una variable aleatoria. Este intervalo
es simétrico independientemente de si la distribución de
ˆ
θ
es simétrica o no.
Los coeficientes de confianza mas comunes son 0.90, 0.95 y 0.99
Si analizamos varias muestras del mismo tamaño, para cada muestra se
obtendrá un intervalo de confianza distinto, y en promedio (1 - α)% de estos
intervalos contendrá al parámetro estimado θ.
El siguiente gráfico muestra como actúa la estimación por intervalos en el caso
de la media poblacional µ (en este caso igual a 0), viéndose como algunos
intervalos contienen este valor y otros no.

Probability Density Function
y =normal(x;0;1)
0,00
0,15
0,30
0,45
0,60
-3,50 -1,75 0,00 1,75 3,50
Probability Distribution Function
p =1-2*(1-inormal(0+abs(x-0);0;1))
0,0
0,2
0,4
0,6
0,8
1,0
-3,50 -1,75 0,00 1,75 3,50
µ
Autor: M Sci. Mat. Abel Barrantes Herrera
Página 36 de 50
Tema : Estimación Estadística
DISTRIBUCIÓN DE ESTIMADORES
Distribución dex
( )
1 2
1
n
x x x x
n
· + + + L
Donde cada x
i
es una variable aleatoria independiente, todas con la misma
distribución. En consecuencia
( )
( )
1 2
1 2
1
( )
1
( ) ( ) ( ) ( )
1
( ) ( )
1
( ) ( )
( )
n
n
E x E x x x
n
E x E x E x E x
n
E x
n
E x n
n
E x
µ µ µ
µ
µ
· + + +
· + + +
· + + +
·
·
L
L
L
( )
1 2
1
( ) [ ]
n
Var x Var x x x
n
· + + + L
Por la independencia, podemos escribir
( )
( )
1 2
2
2 2 2
2
2
2
2
1
( ) [ ( ) ( ) ( ) ]
1
( ) [ ]
1
( ) [ ]
( )
n
Var x Var x Var x Var x
n
Var x
n
Var x n
n
Var x
n
σ σ σ
σ
σ
· + + +
· + + +
·
·
L
L
De lo anterior concluimos:
i) Si la población es normal, entoncesx sigue una distribución normal
N(µ,σ/√n)
ii) Si la población no es normal, en virtud al Teorema del Límite Central,
la distribución dex tiende a una normal N(µ,σ/√n)
iii) En los dos casos anteriores es necesario conocer la desviación
estándar poblacional σ, caso que no siempre ocurre. El caso σ
desconocido es analizado más adelante.
Distribución de p (proporción) cuando π es la proporción muestral
( )
1 2
1
n
p x x x
n
· + + + L , donde x
i
= 0 ó 1
( )
1 2
1
( )
n
E p E x x x
n
· + + + L donde
1, , 0
i i
x o x · ·
Autor: M Sci. Mat. Abel Barrantes Herrera
Página 37 de 50
Tema : Estimación Estadística
( )
1 2
1
( ) ( ) ( ) ( )
n
E p E x E x E x
n
· + + + L
( )
1
( )
( )
E p
n
E p
π π π
π
· + + +
·
L
( )
( )
1 2
1 2
2
2
1
( ) [ ]
1
( ) ( ) ( ) ( )
1
( ) [ (1 )]
(1 )
( )
n
n
Var p Var x x x
n
Var p Var x Var x Var x
n
Var p n
n
Var p
n
π π
π π
· + + +
· + + +
· −

·
L
L


(1 )
p
n
π π
σ

·
En consecuencia para n suficientemente grandes (en la práctica si se cumple
que np ≥ 5), aplicando el Teorema del Límite Central decimos que la
distribución de p es normal N(p,σ
p
)
Para el caso cuando
X es el número de éxitos en una distribución normal, tenemos
( )
1 2 n
X x x x · + + + L
, donde x
i
= 0 ó 1
( )
1 2
( )
n
E X E x x x · + + + L
donde
1, , 0
i i
x o x · ·
( )
1 2
( ) ( ) ( ) ( )
n
E X E x E x E x · + + + L
( ) ( )
( )
E X
E X n
π π π
π
· + + +
·
L
( )
( )
1 2
1 2
( ) [ ]
( ) ( ) ( ) ( )
( ) [ (1 )]
n
n
Var X Var x x x
Var X Var x Var x Var x
Var X nπ π
· + + +
· + + +
· −
L
L
Distribución de S
2
Si las (x
i
-x) son variables
aleatorias normales de media µ y
desviación estándar σ, esto es si la población es normal N(µ,σ); entonces,
2
2
( 1) n S
Y
σ

· tiene una distribución χ
2
(n-1)
2 2 2 2
1 2
2 2 2 2
1 2
2 2 2 2
1
[( ) ( ) ( ) ]
1
( ) 1 ( ) ( )
[ ]
1
n
n
S x x x x x x
n
x x S x x x x
n σ σ σ σ
· − + − + + −

− − −
· + + +

L
L
Autor: M Sci. Mat. Abel Barrantes Herrera
Página 38 de 50
Tema : Estimación Estadística
Distribución dex cuando no conocemos σ
Si la población es normal N(µ,σ), entonces (x - µ )/(σ/√n) es una variable
aleatoria normal estandarizada.
Como
2
2
( 1) n S
Y
σ

· tiene una distribución χ
2
(n-1) y
( )
(0,1)
x
N
n
µ
σ

a
Entonces al dividir
( ) x
n
µ
σ

entre
1
Y S
n σ
·

, obtenemos
( ) x
S
n
µ −
, que sigue
una distribución t-student con n-1 grados de libertad.
Ejemplo
Sea una población normal con media µ = 50 y varianza desconocida.
a) Supongamos que una muestra de n = 9 tiene una varianza muestral
S
2
= 36 ¿Cuál es la probabilidad de que X > 54?; de queX<44?; de
que 45< X < 55?
b) ¿Cómo varían sus respuestas si n = 36?
Solución : _
a) Como
( ) x
S
n
µ −
sigue una distribución t-student con n-1 grados de libertad,
reemplazando, tenemos[54 – 50]/[6/3] = 2, Pr = 1 - 0.959742, entonces
Pr = 0.040258
Probability Density Function
y =student(x;8)
0,000
0,125
0,250
0,375
0,500
-3,50 -1,75 0,00 1,75 3,50
Probability Distribution Function
p =istudent(x;8)
0,0
0,2
0,4
0,6
0,8
1,0
-3,50 -1,75 0,00 1,75 3,50
Para determinar la probabilidad Pr(X < 44) calculamos
t = (44-50)/(6/3) = -3 y Pr(t<-3) = 0.00835
Autor: M Sci. Mat. Abel Barrantes Herrera
Página 39 de 50
Tema : Estimación Estadística
Probability Density Function
y =student(x;8)
0,000
0,125
0,250
0,375
0,500
-3,50 -1,75 0,00 1,75 3,50
Probability Distribution Function
p =istudent(x;8)
0,0
0,2
0,4
0,6
0,8
1,0
-3,50 -1,75 0,00 1,75 3,50
Para el caso 45< X < 55 tenemos –2.5 < t < 2.5, entonces del programa
ESTATISTICA leemos Pr(t < -1.5) = 0,018471
La probabilidad pedida es 1 – 2*0.018471 = 0.963058
Probability Density Function
y =student(x;8)
0,000
0,125
0,250
0,375
0,500
-3,50 -1,75 0,00 1,75 3,50
Probability Distribution Function
p =istudent(x;8)
0,0
0,2
0,4
0,6
0,8
1,0
-3,50 -1,75 0,00 1,75 3,50
b) En este caso como n = 36 podemos leer la tabla normal en lugar de la
tabla t-student.
Autor: M Sci. Mat. Abel Barrantes Herrera
Página 40 de 50
Tema : Estimación Estadística
INTERVALOS DE CONFIANZA PARA µ
Sabemos que la distribución x es normal o aproximadamente normal (por el
Teorema del límite central) con parámetros µ y σ/√n.
Una estimación de µ por intervalos está dada por
Pr{x - |z
α/2
|σ/√n ≤ µ ≤x + |z
α/2
|σ/√n} = 1 - α
x - |z
α/2
|σ/√n ≤ µ ≤x + |z
α/2
|σ/√n
z
α/2
es leído de la tabla normal, σ debe ser conocido.
El siguiente gráfico muestra como obtener z
α/2
de la distribución normal
estandarizada.
Function Plot (GRAPH11.STG 10v*10c)
normal(x ; 0 ; 1)
-0,05
0,05
0,15
0,25
0,35
0,45
-3,0 -1,5 0,0 1,5 3,0
Límite inferior de Confianza : x - |z
α/2
|σ/√n
Límite superior de Confianza : x + |z
α/2
|σ/√n
Caso cuando no conocemos σ
Sabemos que (x - µ )/(S/√n) sigue una distribución t-student con n-1 grados de
libertad entonces el intervalo de confianza queda como
Pr{x - |t
α/2
|S/√n ≤ µ ≤x + |t
α/2
|S/√n} = 1 - α
t
α/2
es leído de la tabla t-student con n-1 grados de libertad.
α/2 α/2
-z
α/2 z
α/2
Autor: M Sci. Mat. Abel Barrantes Herrera
Página 41 de 50
Tema : Estimación Estadística
Function Plot (GRAPH11.STG 10v*10c)
student(x ; 20)
-0,05
0,05
0,15
0,25
0,35
0,45
-3,0 -1,5 0,0 1,5 3,0
Intervalos de Confianza para π.
Como la distribución de π tiende a una normal el intervalo de confianza está
dado (para n grandes) por :
Pr{p -|z
α/2

p
≤ µ ≤ p + |z
α/2

p
} = 1 - α
p -|z
α/2

p
≤ µ ≤ p + |z
α/2

p
¸¸¸¸¸¸¸
Donde σ
p
es la desviación estándar de p y es igual a √π(1-π)/n
Como π es desconocido, (es el parámetro que deseamos estimar), lo
reemplazamos σ
p
porσ
p,
estimador de σ
p
y es igual a [p(1-p)/n]
1/2
con un factor
de corrección [(N-n)/(N-1)]
1/2
aplicado cuando el muestreo es sin reposición y N
finito.
Límites de confianza para σ
2

En este caso, para el cálculo del intervalo de confianza nos basamos en que
(n-1)S
2

2
sigue una distribución χ
2
con n-1 grados de libertad. Entonces:
χ
2
1-α/2,n-1
<(n-1)S
2

2
< χ
2
α/2,n-1
De donde obtenemos
(n – 1)S
2

2
α/2,n-1
< σ
2
< (n – 1)S
2

2
1-α/2,n-1


α/2 α/2
t
α/2 -t
α/2
Autor: M Sci. Mat. Abel Barrantes Herrera
Página 42 de 50
Tema : Estimación Estadística
Los χ
2
?
Son leídos de la tabla χ
2
(n-1)

Function Plot (GRAPH11.STG 10v*10c)
chi2(x ; 12)
-0,01
0,01
0,03
0,05
0,07
0,09
0,11
0,0 7,5 15,0 22,5 30,0
Problemas de estimación
1. La Cámara de Comercio de Miami Beach desea estimar el gasto medio
por turista y por visita a dicha ciudad. Para ese objeto ha escogido para
investigación una muestra al azar de 100 turistas hallandox = $800.
Ahora, supongamos que se sabe que la desviación estándar de los
gastos para todos los turistas es $120. Finalmente supongamos, que la
Cámara desea calcular un intervalo de confianza del 95%.
Respuesta :800t23.52
2. Una muestra al azar de 500 ha sido escogidas con reposición, para ver
cuales de ellas piensan reinvertir capital en los próximos 2 años, 80 de
ellas informan que ese es su deseo. ¿Cuál es el intervalo de confianza
del 99% para π? Respuesta: 0.16t0.042
3. Una máquina que produce rodajes de un determinado diámetro, es
parada periódicamente para chequear su exactitud. En este caso
particular no interesa el diámetro sino su variabilidad. Se toma una
muestra de 61 rodajes y se calculó S
2
= 9.4mm
 Construir un intervalo de confianza de 95% para σ
2

 Asumiendo que la máquina trabaja propiamente si la varianza es de
8mm Respuesta a)6.77 < σ2 < 13.93 b) Como χ calculado es 70.5,
α/2 α/2
χ
2
α/2,n-1 χ
2
1-α/2,n-1
Autor: M Sci. Mat. Abel Barrantes Herrera
Página 43 de 50
Tema : Estimación Estadística
y cae en el intervalo de confianza de 95% podemos decir que a este
nivel de confianza la máquina trabaja con propiedad.
4. Se hace un análisis químico de una sustancia para determinar el
porcentaje de hierro contenido en ella. Se efectúa 10 mediciones
obteniéndosex = 30% S = 0.8%. Si el contenido de hierro se distribuye
normalmente, hallar un intervalo de confianza del 90 y 95% para µ
Respuesta :
a) 30% -1.833114*0.8%/3 ≤ µ ≤ 30% + 1.833114*0.8%/3; [29.51%,30.49%]
b) 30% -2.262156*0.8%/3 ≤ µ ≤ 30% + 2.262156*0.8%/3; [29.41%,30.51%]
Autor: M Sci. Mat. Abel Barrantes Herrera
Página 44 de 50
Tema : Estimación Estadística
El problema del tamaño de la muestra
Caso de Medias
En el caso de medias el intervalo de confianza está dado por
x - |z
α/2
|σ/√n ≤ µ ≤x + |z
α/2
|σ/√n
Entonces, existe un error en la estimación de µ por intervalos. Este error puede
definirse como ε ≤ |x - µ |
El máximo valor de ε está dado por ε
max
=x - µ = |z
α/2
|σ/√n
Entonces ε
2
max
= |z
α/2
|
2
σ
2
/n
De donde
n = z
2
α/2
σ
2

2
max

Caso de proporciones
En el caso de proporciones el intervalo de confianza está dado por
p -|z
α/2

p
≤ µ ≤ p + |z
α/2

p
Haciendo un razonamiento similar al anterior, obtenemos ε
2
max
= |z
α/2
|
2
σ
2
p
n = z
2
α/2
σ
2
p

2
max
= (z
2
α/2
)π(1-π)/ε
2
max

Como se ha visto anteriormente, σ
2
p
es igual a π(1-π)/n siendo π desconocido,
pero la expresión y = π(1-π) tiene un máximo para π = ½ ,y = ¼
Entonces
n ≤ z
2
α/2
/(4ε
2
max
)
COMPARACIÓN DE MUESTRAS
Intervalos de Confianza para µ
1
- µ
2

Cuando se toman dos muestras al azar, independientes, de tamaños n
1
> 30 y
n
2
> 30, en virtud del Teorema del Límite Central, la distribución de la diferencia
de medias muestrales es aproximadamente normal, con
E[x
1
-x
2
] = µ
1
- µ
2
, Var[x
1
-x
2
] = σ
2
1
/n
1
+ σ
2
2
/n
2

Conocido el coeficiente de confianza el intervalo será
(x
1
-x
2
) - |z
α/2
|(σ
2
1
/n
1
+ σ
2
2
/n
2
)
1/2
< µ
1
- µ
2
< (x
1
-x
2
) + |z
α/2
|(σ
2
1
/n
1
+ σ
2
2
/n
2
)
1/2
Autor: M Sci. Mat. Abel Barrantes Herrera
Página 45 de 50
Tema : Estimación Estadística
σ
1
y σ
2
son conocidos.
Intervalos de Confianza para π
1
- π
2
Cuando se toman dos muestras al azar, independientes, de tamaños n
1
y n
2
suficientemente grandes, en virtud del Teorema del Límite Central, la
distribución de la diferencia de proporciones muestrales es aproximadamente
normal, con
E[p
1
- p
2
] = π
1
- π
2
; Var[p
1
–p
2
] = [π
1
(1-π
1
)/n
1
+ π
2
(1-π
2
)/n
2
]
Como π
1
y π
2
son desconocidos, usamos sus estimadores puntuales,
(p1–p2) - |z
α/2|[p1(1-p1)/n1 + p2(1-p2)/n2]
1/2
< π1 - π2 <(p1–p2) + |z
α/2|[p1(1-p1)/n1 + p2(1-p2)/n2]
1/2
Comparación de Varianzas
Sean 2 poblaciones normales, con varianzas σ
1
2
y σ
2
2
, y extraemos dos
muestras, de la primera una de tamaño n
1
y de la segunda una de tamaño n
2
;
como,
Y
1
= (n
1
-1)S
1
2

1
2
tiene una distribución χ
2
(n
1
-1)
Y
2
= (n
2
-1)S
2
2

2
2
tiene una distribución χ
2
(n
2
-1)
En consecuencia, dividiendo entre los grados de libertad y hallando el cociente:
[Y
1
/(n
1
-1)]/[ Y
2
/(n
2
-1)] = [S
1
2

1
2
]/[ S
2
2

2
2
], vemos que:
[S
1
2

1
2
]/[ S
2
2

2
2
] sigue una distribución F(n
1
-1,n
2
-1)
Autor: M Sci. Mat. Abel Barrantes Herrera
Página 46 de 50
Tema : Estimación Estadística
ESTADÍSTICA II – PROBLEMAS PROPUESTOS (1)
1. ¿Cuál es la probabilidad de obtener tres caras en cuatro lanzamientos
de una moneda correcta?
2. ¿Cuál es la probabilidad de extraer (con reemplazo) dos fichas rojas y
una amarilla de una urna que contiene un 20% de fichas rojas y 80% de
fichas amarillas?
3. ¿Cuál es la probabilidad de obtener tres ases al extraer cinco cartas de
una baraja si cada vez que se extrae una carta, esta se observa y se
devuelve a la baraja mezclando la baraja perfectamente antes de cada
extracción?
4. ¿Cuál es la probabilidad de obtener cuatro artículos defectuosos en
cuatro extracciones sucesivas de un lote del que se sabe que el 10% de
los artículos es defectuoso?
5. Si se sabe que el 60% de los televidentes de una población dada,
sintonizan un programa específico, ¿cuál es la probabilidad de que mas
de la mitad de las personas de una muestra de cinco vean este
programa?
6. Calcular las siguientes probabilidades binomiales
 Pr(k = 6; n = 15; p = 0.35) Pr(k >= 9; n = 18; p = 0.60)
 Pr(k >= 5; n = 12; p = 0.25) Pr(k < 6; n = 14; p = 0.70)
 Pr(k < 11; n = 20; p = 0.45) Pr(5<=k<=13; n = 20; p = 0.40)
 Pr(k =< 2; n = 16; p = 0.06) Pr(1 < k < 5; n = 20; p = 0.12)
 Pr(k = 18; n = 20; p = 0.95)
7. Calcular las probabilidades de Poisson
 Pr( X = 2; λ = 0.2) Pr(X = 5; λ = 5)
 Pr(X>=3; λ = 0.8) Pr(2< X <=6; λ = 2.4)
8. Se sabe que una máquina se descompone aleatoriamente, ocurriendo
una descompostura en promedio cada cinco días. ¿Cuántas partes
deben tenerse en existencia para asegurar que la probabilidad de que
en un día dado haya mas descomposturas que refacciones sea menor al
uno por ciento?
9. En promedio los barcos llegan a un puerto aleatoriamente, a razón de
uno cada dos días. ¿Cuál es la probabilidad de que lleguen dos o mas
barcos en un mismo día?
10. Una computadora se descompone a razón de 0.05 veces por hora de
operación, siendo necesario darle servicio de reparación. ¿Cuál es la
probabilidad de que no ocurran descomposturas en un turno de 8
horas?. ¿Cuál es la probabilidad de que no ocurran descomposturas en
una semana de trabajo de 40 horas?. Suponga que las descomposturas
ocurren con una distribución de Poisson.
Autor: M Sci. Mat. Abel Barrantes Herrera
Página 47 de 50
Tema : Estimación Estadística
11. La variable aleatoria X se distribuye normalmente con media 50 y
desviación estándar 20. Calcular las probabilidades de :
 X >= 75 25< X < 45
 X >= 55 35<= X <= 80
12. La pesca total de merluza frente a las costas de Paita ha sido en
promedio 100 millones de kilos anuales, con una desviación estándar de
5 millones de kilos para los últimos diez años. En ese mismo periodo, la
pesca de merluza frente a Chimbote tuvo una media anual de 10
millones de kilos con una desviación estándar de 2 millones de kilos. Si
el año pasado se tuvo en Paita una pesca excepcional de 108 millones
de kilos, ¿Cuántos kilos deberían pescarse en Chimbote para que esa
pesca tenga el mismo carácter de excepcional? Suponer que las
distribuciones son normales.
13. La calificación promedio de un examen presentado por numerosos
alumnos fue de 80 puntos con una desviación estándar de 6 puntos. Si
el profesor decide poner la calificación MB al 10% de los alumnos, Cuál
sería la puntuación mínima necesaria para obtener un MB si la
distribución de las puntuaciones es normal?
14. Una empresa comercial estima que el 3% de sus cuentas a crédito son
incobrables. Si en la actualidad tiene 200 cuentas a crédito ¿Cuál es la
probabilidad de que haya 8 ó más incobrables?
15. El gerente de ventas de una empresa estima que el 60% de los
consumidores prefiere su producto a los productos de la competencia. Si
ese supuesto es correcto, y se extrae una muestra aleatoria de 100
consumidores, ¿cuál es la probabilidad de obtener menos de 54
personas que prefieran el producto?
16. El número de errores tipográficos que aparecen en las páginas de un
periódico sigue una distribución de Poisson. Un experto ha calculado
que el promedio de errores es de 1.5errores/página. Ud. toma un
periódico y examina 3 páginas y no descubre ningún error. ¿Cuál es la
probabilidad de obtener ese resultado en el muestreo?
Autor: M Sci. Mat. Abel Barrantes Herrera
Página 48 de 50
Tema : Estimación Estadística
ESTADÍSTICA II – PROBLEMAS PROPUESTOS (2)
1. El gerente de una revista semanal hizo un estudio de las ventas
semanales durante un año. En ese periodo se tuvo una media de
556,000 ejemplares, con una desviación estándar de 8,000 ejemplares.
- En la semana siguiente, ¿Cuál es la probabilidad de vender
menos de 552,000 ejemplares?
- ¿Que cifra de ejemplares está seguro de vender con una
probabilidad de 99%?
2. Una máquina produce pines cuyo diámetro medio es de 0.300 pulgadas
con una desviación estándar de 0.040 pulgadas si es que está bien
calibrada.
- Si la máquina está bien calibrada cual es la probabilidad de el
valor medio de una muestra de 4 esté entre 0.29 y 0.304?
- ¿Como se modifica su respuesta si el tamaño de la muestra
aumenta de 4 a 16?
3. Se sabe que una población tiene una media de µ = 85 y una desviación
estándar de σ = 15
- Hallar la probabilidad de que la media de una muestra de tamaño
36 esté entre 83 a 87
- Hallar la probabilidad de que la media de una muestra de tamaño
81 esté entre 83 a 87
- ¿Qué tamaño debe tener la muestra para tener una seguridad del
95% de que la media caerá entre 83 y 87?
4. Un aserradero produce tablones de cedro con un espesor promedio de
4.0mm. La desviación estándar del proceso es de 0.2mm. Cada hora se
toma una muestra de 4 tablones y se mide su espesor, determinando
que el proceso es satisfactorio si el promedio está entre 3.7 y 4.3mm, en
otro caso, se para el proceso para calibrar las máquinas.
- Hallar la probabilidad de que se pare el proceso si el promedio
continua en 4.mm.
- ¿Cuál es la probabilidad de parar el proceso si el promedio
cambia a 4.2mm?; a 3.9mm?
5. En un fábrica con un gran grupo de operarios, se toma una muestra de
64 partes diarios de producción, para estimar la media de la población.
La muestra da un promedio de 136 con una desviación estándar de 24.
Calcular un intervalo de confianza de 98% para la producción media de
todos los operarios.
6. Se ha seleccionado una muestra aleatoria de 400 cuentas por cobrar
entre 2,000 cuentas deudoras. Se halló una media de $165.50 con una
desviación estándar de $26.00 Hallar un intervalo de confianza de 95%
para la media poblacional. Interprete el resultado.
7. ¿Qué tamaño de muestra será necesario para estimar el promedio de
vida de un nuevo tipo de lámpara con un margen de 24 horas si desea
tener un riesgo no mayor a de 1 en 20 de no estar en lo correcto?.
Experiencias anteriores indican que la desviación estándar es de 100hrs.
8. Una encuesta revela que el 10% de una muestra de 2,500 familias
planea comprar un televisor durante el próximo año. Establecer un
Autor: M Sci. Mat. Abel Barrantes Herrera
Página 49 de 50
Tema : Estimación Estadística
Intervalo de confianza de 99% para la población de 5 millones de
familias. Interprete esta predicción
9. Se desea realizar una encuesta para estimar la proporción de amas de
casa que prefiere un nuevo producto a uno tradicional. Se exige que el
error al estimar la proporción sea menor a 4 puntos porcentuales, con
una confianza de 95%. El departamento de ventas considera que el 20%
de las amas de casa podrían preferir el producto nuevo. Si cuesta $500
poner en marcha la encuesta y $5.00 cada entrevista, ¿Cuánto debería
costar toda la encuesta?
10. En un estudio del trabajo se observa a un operador de máquina en 100
momentos distintos. Se encuentra que realiza trabajo productivo en 80
de ellos.
- Hallar un intervalo de confianza para la proporción de tiempo
productivo del trabajador. Interpretar el resultado.
- ¿Cuantas observaciones se necesitan para estimar la verdadera
proporción con un margen de error de 5 puntos porcentuales a un
nivel de confianza de 99%?
- Si el trabajador ha sido productivo el 70% ¿cómo varía su
respuesta a la pregunta anterior?
11. El auditor de una tienda de departamentos tomó una muestra aleatoria
de 64 estados de cuenta de tarjeta de crédito, observando que la deuda
promedio es de $28.00 con una desviación estándar de $12.00 ¿cuántos
estados de cuenta debería muestrear si desea estimar la deuda
promedio con un margen de error de $1.00 y una confianza de 95%?
12. Se extrajo una muestra de 50 alumnos de Sistemas y 50 alumnos de
Contabilidad, tomándoles la misma prueba de conocimiento de inglés.
Los resultados fueron:
Sistemas Contabilidad
x 73.6 72.4
S 10.0 8.0 .
Hallar un intervalo de confianza del 90% para la diferencia de la real
puntuación media. Interprete el resultado.
13. 300 mujeres de una muestra al azar de 600 indican estar de acuerdo
con la fertilización in vitro, mientras que 100 hombres de una muestra de
400 indican lo mismo. Hallar intervalos de confianza de 90% y 95% para
la diferencia de proporciones, interpretando los resultados.
14. Una muestra de 25 alambres de acero de 1 pulgada de diámetro ha sido
extraída al azar de una remesa muy grande y ha sido ensayada en
laboratorio de resistencia de materiales. Se determinó una resistencia
media a la tracción de 1,500lbs. Con una desviación estándar de 20lbs.
Calcular intervalos de confianza de 90% y 95% para la media y varianza
poblacionales. Interpretar los resultados.
xx
Autor: M Sci. Mat. Abel Barrantes Herrera
Página 50 de 50
Tema : Estimación Estadística

You're Reading a Free Preview

Descarga
scribd
/*********** DO NOT ALTER ANYTHING BELOW THIS LINE ! ************/ var s_code=s.t();if(s_code)document.write(s_code)//-->