Unive

rsidad
andin
Carrera profesional de Administracin

Actividad de investigacin Formativa

Asignatura: Estadstica I
Tema: Estimacin de Parmetros.
Nombre: Rodrigo Bueno Dueas
014200882B

Cusco Per
2016

ESTIMACIN DE PARAMETROS
INTRODUCCIN
El objetivo ms importante de la Estadstica es obtener una inferencia con
respecto a la poblacin basndose en la informacin contenida en una muestra.
Como las poblaciones se describen mediante medidas numricas denominadas
parmetros, el objetivo de la mayora de las invrestigaciones estadsticas es
deducir una inferencia con respecto a uno o ms parmetros de la poblacin.
Se han estudiado, hasta el momento, las nociones fundamentales de distribucin
de probabilidades; se est en condiciones, entonces, de tratar los mtodos de
inferencia estadstica, los cuales comprenden los procedimientos para estimar
parmetros de poblaciones y probar (contrastar) si una afirmacin provisional
sobre un parmetro poblacional se ve apoyada o desaprobada ante la evidencia
de la muestra.
Hablando en general, hay dos tipos de inferencia: la deductiva y la inductiva. Una
inferencia deductiva es un juicio o generalizacin que se basa en un
razonamiento o proceso dialctico a priori. Por ejemplo, se supone que dos
monedas estn perfectamente equilibradas y que entonces la probabilidad de
cada una de caer "cara" es = 0,5 (premisa). La media o nmero esperado de
"caras" en la jugada de las monedas deber ser 1 (conclusin). Si las premisas son
ciertas, las conclusiones no pueden ser falsas.
Una inferencia inductiva , por otra parte, es un juicio o generalizacin derivado
de observaciones empricas o experimentales; la conclusin sobre el nmero
promedio de "caras" con base en los resultados de una muestra de prueba. Si los
resultados de las pruebas son diferentes, la conclusin tambin ser diferente. No
se requiere una suposicin a priori sobre la naturaleza de las monedas. La
inferencia estadstica es primordialmente de naturaleza inductiva y llega a
generalizaciones respecto de las caractersticas de una poblacin al valerse de
observaciones empricas de la muestra.
Es muy probable que una estadstica muestral sea diferente del parmetro de la
poblacin y slo por coincidencia sera el uno exactamente igual al otro. La
diferencia entre el valor de una estadstica muestral y el correspondiente
parmetro de la poblacin se suele llamar error de estimacin. Slo se sabra
cul es el error si se conociera el parmetro poblacional, pero ste por lo general
se desconoce. La nica manera de tener alguna certeza al respecto es hacer
todas las observaciones posibles del total de la poblacin en la mayora de las
aplicaciones prcticas, lo cual, desde luego, es imposible o impracticable.
Y en efecto, la razn de ser de la inferencia estadstica es la falta de
conocimientos acerca de las caractersticas de la poblacin. Pero que tales
caractersticas se desconozcan no impide el que se acte.

Las inferencias estadsticas se hacen por posibilidades o probabilidades. De la

media de la muestra se hacen inferencias sobre la media de la poblacin. No se
sabe exactamente cul es la diferencia entre estas dos medias, ya que la ltima es
desconocida en la mayora de los casos. No obstante, si se sabe que es ms bien
poca la probabilidad de que esta diferencia sea mayor que, por ejemplo, tres a an
dos errores estndares.
Los problemas que se tratan en la inferencia estadstica se dividen generalmente
en dos clases: los problemas de estimacin y los de prueba de hiptesis. Como al
estimar un parmetro poblacional desconocido se suele hacer una afirmacin o
juicio este ltimo ofrece solamente una estimacin. Es un valor particular
obtenido de observaciones de la muestra. No hay que confundir este concepto con
el de estimador, que se refiere a la regla o mtodo de estimar un parmetro
poblacional. Por ejemplo, se dice que X es un estimador de m porque la media
muestral proporciona un mtodo para estimar la media de la poblacin. Un
estimador es por naturaleza una estadstica y como tal tiene una distribucin. El
procedimiento mediante el cual se llega a la obtencin y se analizan los
estimadores se llama estimacin estadstica, que a su vez se divide en
estimacin puntual y estimacin por intervalos.
ESTIMACION: GENERALIDADES
El uso principal de la inferencia estadstica en la investigacin emprica, es lograr
conocimiento de una gran clase de unidades estadsticas (seres humanos,
plantas, parcelas de tierra), de un nmero relativamente pequeo de los mismos
elementos.
Los mtodos de inferencia estadstica emplean el razonamiento inductivo,
razonamiento de lo particular a lo general y de lo observado a lo no observado.
Cualquier coleccin o agregacin grande de cosas que deseamos estudiar o de
las cuales deseamos hacer inferencias, se llama poblacin. El trmino poblacin
tiene ms significado cuando se lo junta con la definicin de muestra de una
poblacin: una muestra es una parte o subconjunto de una poblacin.
Una muestra de n elementos de la poblacin de N elementos, debera ser
seleccionada de forma tal que las caractersticas de la poblacin puedan ser
estimados con un margen de error conocido.
Los valores de varias medidas descriptivas calculadas para las poblaciones, se
llaman parmetros. Para las muestras, estas mismas medidas descriptivas se
llaman estadsticas.
Un parmetro describe una poblacin de la misma manera que una estadstica
describe a una muestra.

Es costumbre simbolizar las estadsticas con letras romanas y los parmetros con
letras griegas.

Estadstica

Media aritmtica

Parmetro

Variancia

s2

Desvo estndar

de R

Coeficiente
correlacin

Una estadstica calculada a partir de una muestra es un estimador del parmetro

en la poblacin. Una estimacin es alguna funcin de los resultados de una
muestra que produce un valor, llamado estimador.
El estimador da alguna informacin respecto al parmetro. Por ejemplo, la media
de la muestra, , es un estimador de la media m en la poblacin.
Las poblaciones pueden ser infinitas o finitas.
Para la mayora de los propsitos de investigacin, se supone que las poblaciones
son infinitas, no finitas, en tamao, las cuales son algo artificial o imaginario.
Una poblacin finita puede ser extremadamente grande. Es posible concebir un
proceso de conteo de los elementos de la poblacin, el cual puede ser computado;
luego la poblacin es tcnicamente finita. Afortunadamente no es necesario crear
problemas en cuanto a la distincin entre poblaciones infinitas y finitas.
El mtodo usado para seleccionar la muestra es muy importante al juzgar la
validez de la inferencia que se hace de la nuestra a la poblacin.
Para que una muestra sirva adecuadamente como base para obtener estimadores
de parmetros poblacionales, debe ser representativa de la poblacin.

El muestreo al azar de una poblacin producir muestras que "a la larga" son
representativas de la poblacin.
Si una muestra se extrae aleatoriamente, es representativa de la poblacin en
todos los aspectos, esto es, la estadstica diferir del parmetro solo por azar. La
habilidad para estimar el grado de error debido al azar (error de muestreo), es un
rasgo importante de una muestra al azar.
ESTIMACIN DE PARMETROS
La teora clsica de la Inferencia Estadstica trata de los mtodos por los cuales se
selecciona una muestra de una poblacin y, basndose en las pruebas de las
muestras, se trata de:
* Estimar el valor de un parmetro desconocido, por ejemplo q .
* Verificar si q es o no igual a cierto valor predeterminado, por ejemplo q 0.
El primero de estos dos procedimientos, de inferir de una muestra a una
poblacin, se llama estimacin de un parmetro; el segundo, prueba de una
hiptesis acerca de un parmetro.
Dentro del primer procedimiento, la estimacin de un parmetro puede tener por
resultado un solo punto (estimacin puntual), o un intervalo dentro del cual exista
cierta probabilidad de encontrarlo (estimacin por intervalos).
Un estimador puntual es un nico punto o valor, el cual se considera va a estimar
a un parmetro. La expresin E( ) = m sugiere que el nico valor de es un
estimador puntual insesgado o no viciado de m .
Un estimador por intervalo se construye sobre el concepto de un estimador
puntual, pero adems, proporciona algn grado de exactitud del estimador. Como
el trmino lo sugiere, un estimador por intervalo es un rango o banda dentro de la
cual el parmetro se supone va a caer.
PROPIEDADES DE UN BUEN ESTIMADOR
Para poder utilizar la informacin que se tenga de la mejor manera posible, se
necesita identificar las estadsticas que sean buenos estimadores, cuyas
propiedades son:
Insesgabilidad: , estimador de es una variable aleatoria y por lo tanto tiene una
distribucin de probabilidad con una cierta media y variancia. Se puede definir
estimador insesgado diciendo: Si se utiliza un estadstico muestral para estimar
el parmetro de la poblacin , se dice que es un estimador insesgado de , si
la esperanza matemtica de coincide con el parmetro que desea estimar.

En smbolos:

es insesgado

O sea que es de esperar que si se toman muchas muestras de igual tamao

partiendo de la misma distribucin y si de cada una se obtiene un valor , la
media de todos los valores de ha de estar muy cerca de .
Por ejemplo:
* La media muestral es un estimador insesgado de la media poblacional, o sea
que E( ) = m
* La variancia muestral, es un estimador insesgado de la variancia poblacional?
La respuesta depende de como se defina la variancia muestral.

Si

, entonces S es un estimador sesgado de s pues

Mas an,
de variancia muestral.

. Pero el sesgo se puede corregir alterando la definicin

En efecto, si
es la variancia muestral corregida, entonces (
y S es un estimador insesgado de s .
[Vuelve al ndice]
Eficiencia: si se utilizan dos estadsticos como estimadores del mismo parmetro,
entonces aquel cuya distribucin muestral tenga menor variancia, es un estimador
ms eficiente o ms eficaz que el otro. Es decir:

es eficiente

Luego, si tenemos dos estimadores y de un mismo parmetro

como sigue para hallar el ms eficiente entre ellos.

Se halla la razn
Si K > 1,

es ms eficiente que

y usaremos

Si K < 1,

es ms eficiente que

y usaremos

mnima.
, procedemos

Si K = 1, y son igualmente eficientes y se puede utilizar cualquiera de los dos

indistintamente.
Supongamos que una variable aleatoria X tiene una distribucin simtrica. Por lo
tanto la media aritmtica y la mediana son iguales. Si se toma una muestra de
esta distribucin, qu estadstico muestral, o , debera utilizarse para estimar
la media de la poblacin m ?
La respuesta depende de cul es el estimador ms eficaz. Ambos son insesgados,
pero la variancia de es menor que la de , es decir que
. Por lo tanto la
media muestral es un estimador ms eficaz que la mediana muestral.
Consistencia: Si es un estimador muestral calculado a partir de una muestra de
tamao n y si
es el parmetro de poblacin que se va a estimar, entonces es
un estimador consistente de si la probabilidad de que el valor absoluto de la
diferencia entre y su esperanza
iguale o supere a e (error admitido que
tiende a cero, o sea que es tan pequeo como se quiera), tienda a cero cuando el
nmero de elementos de la muestra tienda a infinito. En smbolos:
si n
O equivalentemente:

si n

Es decir, para que el estimador sea consistente, es necesario que la probabilidad

de que est a menos de cierta distancia "e" del parmetro q , tienda a 1 al tender
n a infinito.
Por ejemplo, se sabe que la media muestral y la variancia son estimadores
consistentes ya que tienden a acercarse a los correspondientes valores de la
poblacin a medida que aumenta el tamao de la muestra, pero un estadstico
muestral puede ser un estimador sin consistencia. Por ejemplo, si el valor de la
primera observacin o la media entre la primera y ltima observacin de una
muestra se utilizaran para estimar la esperanza de la poblacin, tal estimador no
sera consistente pues no tiende a acercarse ms y ms al valor de la poblacin
cuando se aumenta el tamao de la muestra.

Suficiencia: Un estimador suficiente del parmetro q es aquel que agota toda la

informacin pertinente sobre q que se puede disponer en la muestra. Por ejemplo,
si se toma una muestra de n = 30 valores con el fin de estimar m , pueden
utilizarse como estimadores la primera, la dcimo quinta o la ltima observacin, o
el promedio entre la primera y la quinta observacin. Pero estos estimadores no
son suficientes pues no contienen toda la informacin disponible de la muestra. La

media aritmtica
calculada con las 30 observaciones s lo es pues tiene en
cuenta todas las observaciones.
En definitiva, por ejemplo la media aritmtica muestral y la forma corregida de la
variancia muestral, son estadsticas que satisfacen los criterios o propiedades de
"buenos" estimadores.
ESTIMACIN POR INTERVALOS DE CONFIANZA
Lo dicho hasta ahora se refiere a una estimacin puntual, es decir, estimar un
parmetro a travs de un nico valor. Esta estimacin no es muy conveniente
pues con ella no se puede determinar el error de muestreo, ni la precisin de la
estimacin, ni la confianza que merece tal estimacin.
Existen otros mtodos para estimar parmetros poblacionales que son mucho ms
precisos. Por ejemplo:
* Mtodo de los mnimos cuadrados: se ver en Teora de la Regresin.
* Mtodo de los momentos: no se desarrollar.
* Mtodo de la mxima verosimilitud: que se basa en el principio de que
generalmente ocurre lo ms probable (no se desarrollar)
* Mtodo de estimacin por intervalos de confianza: que se desarrolla a
continuacin.
El procedimiento de determinar un intervalo (a, b) que comprenda un parmetro
de poblacin q con cierta probabilidad 1 - a , se llama estimacin por intervalos.
Se vern los casos paramtricos, es decir aquellos en los que se tiene
conocimiento del tipo de distribucin de la poblacin (Binomial, Poisson, Normal,
etc.)
En general, para cualquier parmetro q y su correspondiente estimador
intervalo de confianza ser:

Donde:
es el lmite inferior del intervalo de confianza.
es el lmite superior del intervalo de confianza.

1, el

k es una constante no negativa. Es el llamado multiplicador correspondiente a 1 a.

a es la probabilidad de que el intervalo no incluya al verdadero valor del
parmetro.
1 - a es el nivel de confianza, es una medida de la fiabilidad de la estimacin. Por
ejemplo, si se toma a = 10%, entonces 1 - a = 90% y se dice que se tiene un
intervalo de confianza del 90% y que la probabilidad de que el intervalo contenga
al verdadero valor del parmetro es del 90%. Es decir, que si repetidamente se
muestra y se construye tal intervalo una y otra vez, 90 de cada 100 de estos
intervalos, contendr al parmetro y 10 de ellos no.
Se puede pensar que 1 significa certeza, seguridad y a significa riesgo. La
seguridad menos el riesgo, es decir 1 - a da, por lo tanto, el coeficiente de
confianza de nuestras afirmaciones.
En el caso anterior, se tiene una confianza de que 90 de cada 100 intervalos que
se extraigan como muestra, contendrn el verdadero valor del parmetro. Pero
una vez determinado el intervalo, es decir, una vez calculados numricamente los
extremos, ya no debe hablarse en trminos de confiabilidad ni en trminos
probabilsticos, pues la situacin pasa a ser completamente determinstica. De tal
manera, asociado a un intervalo de confianza ya calculado, se tiene una
probabilidad 0 1 de que contenga al parmetro a estimar y no hay otra opcin,
ya que lo contiene o no lo contiene.
Resumiendo, los extremos del intervalo son variables aleatorias, mientras que el
parmetro a determinar es constante.
En general, los pasos a seguir para estimar un parmetro por el mtodo de los
intervalos de confianza, son:
* Fijar el coeficiente de confianza que se desea en la estimacin.
* Extraer la muestra y calcular el o los estadsticos necesarios.
* Determinar la distribucin en el muestreo que tiene el estadstico empleado.
INTERVALO DE CONFIANZA PARA LA MEDIA POBLACIONAL m
CASO 1) Con s conocido:
Sea

donde m es desconocido y s conocido.

Sea x1, x2, ... , xn una muestra aleatoria de la variable aleatoria X y sea
muestral.

la media

Se sabe que
central del lmite.

independientemente del valor de n, por el teorema

Luego, tipificando:

Se plantea:

entonces:

Observaciones:
- Si las muestras se toman sin reposicin de una poblacin finita de tamao N,
debe emplearse el factor de correccin por finitud y el intervalo ser:

- Si la poblacin es slo aproximadamente normal, la igualdad sigue siendo vlida

en forma aproximada.
Ejemplo 1: Un grupo de investigadores en Medicina desea estimar el cambio
medio de presin sangunea por paciente en un sanatorio. Se ha seleccionado una
muestra al azar de 30 pacientes y se hall que
puls/seg. Los investigadores
saben que la desviacin estndar de los cambios de presin sangunea para todos

los pacientes es s = 3 puls/seg segn estudios anteriores. Ellos desean estimar el

cambio medio de la presin sangunea por paciente con un intervalo del 95% de
confianza, suponiendo que la variable aleatoria "cambios de presin sangunea"
tiene asociada una distribucin normal de probabilidad.
Respuesta:
X = cambio en la presin sangunea por paciente del sanatorio (en pulsaciones por
segundo)
n = 30

s = 3 1 - a = 0.95

Por tabla:

Entonces:

Lmite inferior (LI) =

Lmite superior (LS) =

Por lo tanto resulta el Intervalo del 95% de confianza para la media:
ICM0,95 = (3,9 ; 6,1)
Luego, puede decirse que el cambio medio en la presin sangunea por paciente,
pertenece al intervalo (3,9 ; 6,1) pulsaciones, con un nivel de confianza del 95%.
Observacin: Ntese que se cae en un abuso de lenguaje pues se debera decir
que el intervalo (3,9 ; 6,1) pulsaciones pertenece a la sucesin que ofrece un nivel
de confianza del 95% para estimar el cambio medio de presin sangunea, pero se
simplifica la expresin para hacerla menos engorrosa o extensa.

En cuanto al tamao ptimo de muestra,

= e determina el error mximo
admitido de muestreo e indica la precisin de la estimacin. Lgicamente se
pretende que sea lo ms pequeo posible. Por otra parte, (1 - a ) es el coeficiente
de confianza y se pretende que sea lo ms grande posible. Pero

depende del

valor de a y al hacer mayor el coeficiente de confianza (1 - a ), el valor

ser
mayor y por lo tanto el error aumentar. Esto se puede regular aumentando el
tamao de la muestra con lo que el error disminuir.

Para el ejemplo 1,

con un nivel de confianza del 95%.

Si se desea elevar el nivel de confianza a 99%, pero sin aumentar el error e de

estimacin, el tamao de la muestra debera ser:

O sea que debe tomarse una muestra de aproximadamente 52 pacientes en lugar

de 30.
Por el contrario, si el investigador deseara un error de estimacin menor, por
ejemplo 1 puls/seg, manteniendo el nivel de confianza en 95%, el tamao de la
muestra requerido ser:

pacientes.

CASO 2) Con s desconocido

Para estimar s se debe utilizar el desvo estndar muestral corregido.

, ya que segn se ha visto, es un estimador insesgado del

correspondiente parmetro poblacional s . Reemplazando en la variable tipificada
por

resulta:

Por lo tanto:

= 1-a

Ejemplo 2: Una muestra de 15 aves tomadas al azar en un establecimiento con

5000 aves, (que elabora alimentos balanceados), permiti establecer un aumento
de peso promedio de 90 g por semana y por ave, y un desvo tpico de 10 g. Se
busca estimar el incremento de peso promedio para las 5000 aves del
establecimiento con un intervalo de confianza del 90%.
Respuesta:
X = aumento de peso por ave
n = 15

= 90 g S = 10 g ICM0,90?

Por tabla:
y el intervalo resulta:

Interpretando este resultado, se dice que el aumento de peso por ave por semana
en el establecimiento est entre 85,5 y 94,6 gramos, con un 90% de confianza.
INTERVALO DE CONFIANZA PARA LA DIFERENCIA DE MEDIAS
CASO 1: Poblaciones normales
conocidos.

con

Se fija el nivel de confianza (1 - a ), se extraen dos muestras independientes de X 1

y X2 de tamao n. Ya se ha visto que:

y el estadstico tipificado tiene la siguiente

distribucin:

Adems,

(1)

(2)

Reemplazando en (2), a Z por la expresin (1), se obtiene:

Donde:

Ejemplo 3: Al determinar la superficie en miles de hectreas de las explotaciones

agrcolo-ganaderas de cierta zona, una muestra de 40 explotaciones dio una
superficie media de 900 ha, con una desviacin tpica de 300 ha. En otra zona, al
muestrear tambin 40 explotaciones, la superficie media fue de 600 ha con una
desviacin tpica de 150 ha. Suponiendo que en ambas zonas la variable
"superficie en ha por explotacin" se distribuye normalmente, estimar por un
intervalo de confianza del 90%, la diferencia entre las superficies medias de las
explotaciones de ambas zonas.
Respuesta:
X1 = superficie de cada explotacin agrop. de la primera zona
X2 = superficie de cada explotacin agrop. de la segunda zona
,
Por tabla:

n = 40 ICDM0,90?
Luego:

= 300 87,24 = (212,76 ; 387,24) = (212,8 ; 387,2)

Interpretando este resultado, se dice que la diferencia entre las superficies medias
de las explotaciones agrcolo-ganaderas de ambas zonas, se encuentra entre
212,8 y 387,2 ha, con un 90% de confianza.
Observacin: En la frmula tambin puede utilizarse
considerarse
en lugar de

y en ese caso debe

[Vuelve al ndice]
CASO 2: Poblaciones normales
desconocidos

con

Se extraen dos muestras independientes (una de cada poblacin) de tamaos n1 y

n2 respectivamente, se fija (1 - a ), se calculan y
su diferencia.
a) Si s

y s

son desconocidos pero estadsticamente pueden considerares

iguales (s 1 = s 2), se estiman por

y se procede como en el caso
1. (Sa es la variancia amalgamada o mancomunada)
b) Si s 1 y s 2 son desconocidos pero estadsticamente no pueden considerarse
iguales (s 1 s 2),
Se fija (1 - ), se extraen dos muestras independientes, se calcula
distribucin en el muestreo del estadstico de prueba, ya tipificado, es:

y la

~ td
donde el nmero de grados de libertad de la distribucin t de Student viene dado
por la frmula:

De manera anloga al primer caso, se deduce que:

[Vuelve al ndice]
Ejemplo 4: Las variables aleatorias X 1 y X2 distribuidas normalmente, representan
las edades al morir de tuberculosis de los individuos en dos ciudades. Una
muestra de 10 individuos que murieron por tal enfermedad en la primera ciudad
dio una edad media de 48 aos y una desviacin tpica de 5 aos. En la segunda
ciudad, una muestra de 12 individuos dio una edad media de 41 aos y una
desviacin tpica de 3 aos. Se desea estimar por intervalos con un 95% de
confianza, la diferencia entre las edades medias de los muertos por tuberculosis
en ambas ciudades, sabiendo que investigaciones anteriores no permiten tomar
las desviaciones tpicas de ambas variables como iguales.
X1 = edad al morir de tuberculosis en la ciudad A.
X2 = edad al morir de tuberculosis en la ciudad B.

n1 = 10,

, S1 = 5

n2 = 12,

, S2 = 3, s 1 s 2 ICDM0,95?

Respuesta:(corresponde al item b) del caso 2)

Con estos datos, reemplazamos en la frmula para calcular los grados de libertad:

grados de libertad.
Luego, por tabla, t0,05; 15 = 2,1315 y finalmente el intervalo resulta:

ICDM0,95 =
= 7 3,843 = (3,157 ; 10,843) @ (3 ; 11)

Interpretando el resultado se puede decir que la diferencia entre las edades

medias de las personas que murieron de tuberculosis en ambas ciudades, se
encuentra entre 3 y 11 aos, con una confianza del 95%.
INTERVALO DE CONFIANZA PARA LA VARIANCIA POBLACIONAL
Suponemos: Poblacin normal X ~ N(m , s )
Se fija (1 - ) y el estadstico tipificado de prueba tiene una distribucin muestral:

(1) donde 2 es la variancia poblacional.

Adems:
Reemplazando (1) en (2) resulta:

Invirtiendo fracciones:

(2)

Multiplicando miembro a miembro por (n - 1) .S2 para despejar 2, se obtiene:

Invirtiendo la desigualdad:
Ejemplo 5: Un productor de fertilizantes, para controlar el buen embolsado de sus
productos, pesa 15 bolsas del mismo, obteniendo una desviacin tpica de 0,50
kg. Qu varianza puede inferirse con un 98% de confianza que tendr la
produccin total?
Respuesta:
X = peso de cada bolsa de fertilizante
n = 15 S = 0,50 kg. ICV0,98?

Por tabla:
Luego, el intervalo buscado es:

Se interpreta este resultado diciendo que existe un 98% de confianza de que la

variancia del peso por bolsa en toda la produccin de bolsas de fertilizantes de
ese productor est entre 0,12 y 0,75
Observaciones:

1) Del intervalo de confianza visto para la variancia, se deduce el correspondiente

para el desvo tpico:

Para el ejemplo 5:
2) Si n > 100 , los valores ya no se encuentran en la tabla de la distribucin Chi
cuadrado, y por lo tanto se la aproxima a una normal,
utilizando para aproximar percentiles en esta distribucin:

Y el intervalo buscado es:

REFERENCIAS BIBLIOGRAFICAS:
1.

Wackerly, Dennis D; Mendenhall, William; Scheaffer, Richard L.

(2002). 8. Estimacin. Estadstica matemtica con aplicaciones (6
edicin). Cengage Learning Editores. p. 364. ISBN 9706861947.

2.

Caldern C., Bernardo A. Mtodos de estimacin. Estadstica

Matemtica I. Universidad de Antioquia. Consultado el 21 de abril de 2009.

'Introduccin a la Estadstica Econmica y Empresarial. Teora y Prctica.'

de Fco. Javier Martn-Pliego Lpez, Editorial Thomson, 2007 (Madrid).

'Manual de Estadstica Empresarial con ejercicios resueltos' de Eva Ropero,

Mara Eleftheriou, Luana Gava y Eva Romero. Editorial Delta Publicaciones.
2008 (Madrid).