Captulo 7

Inferencia estadstica: estimacin de

parmetros.

7.1. Introduccin
En este tema estudiaremos como aproximar distintos parmetros poblacionales a partir de una m.a.s. formada
por observaciones independientes de una poblacin, en los que sigue cuando digamos m.a.s. entenderemos que
es una muestra aleatoria formada por observaciones independientes.
Normalmente el parmetro (por ejemplo , . . . ) tendr distribucin conocida o la aproximaremos por el
T.L.C.

7.2. Estimadores
Definicin 115 Estadstico: Sean X1 , . . . , Xn n v.a. iid que forman una m.a.s. de una poblacin. Un esta-
dstico es una funcin de una de una muestra.
Podemos decir que un estadstico una variable aleatoria que es funcin de la muestra.

Definicin 116 Estimador puntual: Un estimador puntual de un parmetro es un estadstico que da como
resultado un nico valor del que se espera que se aproxime a .
Una realizacin del estimador T (x1 , . . . , xn ) = en una muestra se llama estimacin puntual de parmetro.

Ejemplo 117 Dada una m.a.s. X1 , . . . , Xn y una realizacin de la misma x1 , . . . , xn los principales estimadores
de los parmetros poblacionales que hemos visto son:

Parmetro
Poblacional Estimador()
Estimacin()
Pn Pn
Xi xi
X X = Pi=1
n x= i=1
Pnn
n
(Xi X)2 (xi x)2
X SX = P i=1n1 sP
X =
i=1
n1
n n
Xi xi
p pX = 1n n
1

Ejemplo 118 Consideremos una m.a.s. X1 , X2 , X3 , X4 , X5 del lanzamiento de un dado (n = 5).

Una realizacin de esta muestra es x1 = 2, x2 = 3, x3 = 3, x4 = 5, x5 = 6.
Sabemos que, si el dado es perfecto, = 3.5; el estadstico de esta muestra es
X1 + X2 + X3 + X4 + X5
X=
5
y una estimacin es
x1 + x2 + x3 + x4 + x5 2+3+3+5+6 19
x= = = = 3.8
5 5 5

78
Borrador RAM EST. SIS. 15-03-2004 79

Si queremos estimar la proporcin de veces que sale 3 es p3 = 16

el estadstico es
frec. de 3 en la muestra
p3 =
5
2
y una realizacin ser 5 .

7.2.1. Estimadores insesgados

Vamos a ver en esta seccin algunas propiedades de los estimadores. La ms inmediata es pedirles que a
medida que se aumente el tamao muestral se aproximen ms al verdadero valor del parmetro.

Definicin 119 Estimador insesgado Sea un estimador de un parmetro poblacional . Diremos que es
= .
insesgado si E()
Es este caso la estimacin puntual se dice que es insesgada.

Ejemplo 120 En el ejemplo anterior para cualquier muestra de tamao n, X1 , . . . , Xn , tenemos que E(X) =
X por lo tanto X es un estimador insesgado de X .

Proposicin 121 Dada una m.a.s. La media, varianza y proporcin muestrales son estimadores insesgados de
sus correspondientes parmetros poblacionales.

Definicin 122 Sesgo: Sea un estimador puntual de un parmetro poblacional , llamaremos sesgo de a:

= E()
Sesgo()

Observacin Evidentemente un estimador es insesgado si y slo si tiene sesgo cero.

Una propiedad buena para un estimador es la carencia de sesgo. Pero podra suceder que tuviera una gran
variabilidad, entonces aunque su valor central sea el verdadero valor del parmetro que se estima una realizacin
del estadstico podra estar lejos del verdadero valor del parmetro. Parece pues interesante emplear aquellos
estimadores que tengan varianza ms pequea.

Definicin 123 Eficiencia: Sean 1 y 2 dos estimadores de un parmetro poblacional obtenidos de la misma
muestra.

a) Diremos que 1 es ms eficiente que 2 si V ar(1 ) < V ar(2 )

b) Definimos la eficiencia relativa de 2 respecto de 1 como

V ar(2 )
Ef f.rel = V ar(1 )

de forma que si Ef f.rel < 1 entonces 1 es ms eficiente que 2

Ejemplo 124 Sea x1 , . . . , xn la realizacin ordenada de menor a mayor de una muestra de tamao n. Se define
la mediana(muestral como
x n+1 si n es impar
Me = 2
x n +x n +1
2
2
2
si n es par
Como vimos en problemas la mediana es tambin un valor de tendencia central, pero es un buen estimador
de ?
2
Se puede demostrar que si la poblacin tiene distribucin normal con media y varianza X entonces
2 1.57 2
E(M e) = y V ar(M e) = 2 nX n X
entonces Ef f.rel = VVar(M e)
ar(x) = 1.57
Luego si la muestra es de una poblacin normal X es ms eficiente (un 57 % ms de varianza) que la
Mediana.

Definicin 125 Estimador ms eficiente:

Diremos que un estimador insesgado del parmetro es el estimador ms eficiente si no existe ningn otro
estimador insesgado que tenga menor varianza que l (tambin se le denomina estimador insesgado de varianza
mnima).
Borrador RAM EST. SIS. 15-03-2004 80

1
Ejemplo 126

Si la poblacin es normal la media muestral es el estimador insesgado ms eficiente de la media poblacional.

Si la poblacin es normal la varianza muestral es el estimador insesgado ms eficiente de la varianza
poblacional.
Si la poblacin es binomial la proporcin muestral es el estimador insesgado ms eficiente de la proporcin
poblacional.

7.3. Mtodos para calcular estimadores

Existen diversos mtodos para el clculo de estimadores:

Mtodo de los momentos. Momento central de orden r

Pn
(Xi X)r
mr = i=1 n
El de menor error cuadrtico medio
E(( )2 )
Convergencia en probabilidad
P (|n | < ) 1
Estimadores mximo verosmiles.

En esta seccin veremos slo este ltimo mtodo.

Estimadores mximo verosmiles.

Definicin 127 Funcin de verosimilitud
Sea X una v.a. tal que su distribucin (densidad o funcin de probabilidad) depende de un parmetro des-
conocido (En el caso discreto PX (x; ) y en el continuo fX (x; )). Sea X1 , . . . Xn una m.a.s. de X ( es decir
son n v.a. iid como X) y sean x1 , x2 , . . . , xn una realizacin de la muestra. Entonces la funcin de verosimilitud
de la muestra es:

a) En el caso discreto L() = PX (x1 ; ) PX (xn ; )

b) En el caso continuo L() = fX (x1 ; ) fX (xn ; )

Definicin 128 Dada una funcin de verosimilitud L() de una muestra, sea = g(x1 , . . . , xn ) el punto donde
= max L(). Entonces
se alcanza en mximo de L() para la realizacin de la muestra x1 , . . . , xn , es decir L()

definimos el estimador de mxima verosimilitud de como el valor:

= g(X1 , . . . , Xn )

En ocasiones es conveniente trabajar con el logaritmo de la funcin de verosimilitud ya que el mximo de
log(L()) y L() es el mismo y suele ser ms fcil de maximizar.

Ejemplo 129 Sea X1 , . . . Xn una muestra con observaciones independientes, de una poblacin Bernouilli, por
ejemplo se pregunta a 100 personas si votarn al partido P.X. en las prximas elecciones y se anota un 1 si
lo votan y cero en cualquier otro caso. Sea = T (X1 , . . . , Xn ) un estimador cualquiera. Sea p la proporcin
poblacional de personas que votarn a P.X. Entonces

P (Xi = 1) = p y P (Xi = 0) = 1 p = q,
o lo que es lo mismo
1 Ms concretamente estos estimadores son del tipo UMVUE del acrnimo ingls Uniformly Minimum Variance Unbiased

Estimator": Estimadores insesgados uniformemente de mnima varianza".

Borrador RAM EST. SIS. 15-03-2004 81

P (X = xi ) = pxi q 1xi si xi = 0, 1
Como las observaciones son independientes. la funcin de verosimilitud es:

L(p) = PX1 ,...,Xn (x1 , . . . , xn ) = P (X1 = x1 , . . . , Xn = xn ) = P (X1 = x1 ) P (Xn = xn ) =

Pn Pn Pn Pn
px1 q 1x1 pxn q 1xn = p i=1 xi q i=1 (1xi ) = p i=1 xi q n i=1 xi
entonces el valor de p que hace mxima esta probabilidad es el ms verosmil o el de mxima verosimilitud
de esta muestra.
El problema se reduce a estudiar qu valor de p maximiza
Pn Pn Pn Pn
p i=1 xi q n i=1 xi = p i=1 xi (1 p)n i=1 xi
Tomando logaritmos
 Pn Pn  Xn n
X
log p i=1 xi (1 p)n i=1 xi = xi log p + (n xi ) log(1 p)
i=1 i=1

Derivando respecto de p
n n
X 1 X 1
( xi ) (n xi ) =0
i=1
p i=1
1p
Despejando
n
X n
X
(1 p) xi p(n xi ) = 0
i=1 i=1

por lo tanto Pn
i=1 xi
p=
n
luego el estimador mximo verosmil de p es la proporcin muestral, que es el que maximiza la funcin de
verosimilitud L(p).
De modo similar se puede definir los estimadores mximo verosmiles cuando el nmero de parmetros no
conocidos de la distribucin son ms de uno.

7.4. Estimacin por intervalos

Una estimacin por intervalos de un parmetro poblacional es una regla para determinar un rango o un
intervalo donde, con cierta probabilidad, se encuentre el verdadero valor del parmetro. La estimacin corres-
pondiente se llama estimacin por intervalo. Ms formalmente:

% para el
Definicin 130 Sea un parmetro, el intervalo (A, B) es un intervalo de confianza del (1 )100
parmetro si
P (A < < B) = 1 .
El valor 1 recibe el nombre de nivel de confianza, es la "cola"de probabilidad sobrante que normalmente
se reparte por igual (/2) a cada lado del intervalo. Es muy frecuente que el nivel de confianza se d en tanto
por ciento.

En lo que sigue daremos distintas maneras de calcular o aproximar intervalos de confianza para distintos
parmetros.
Borrador RAM EST. SIS. 15-03-2004 82

7.4.1. Intervalo de confianza para la media de una poblacin normal: varianza

poblacional conocida
Sea X1 , . . . , Xn una m.a.s. de una v.a. X con distribucin normal y V ar(X) = 2 conocida.
Encontremos un intervalo de confianza al nivel de confianza del 90 % para la media poblacional .
Sabemos por el tema anterior que bajo estas condiciones la variable Z = X sigue una distribucin normal
n
estndar pues es una trasformacin lineal de una combinacin lineal de variables normales e independientes..

Ejemplo 131 Comencemos calculando un intervalo centrado en 0 para esta Z que tenga probabilidad 0.975.

0.975 = P ( < Z < ) = FZ () FZ () = 2FZ () 1

Entonces
1.975
FZ () = = 0.9875
2
mirando en las tablas de la distribucin normal estndar, entonces FZ (2.24) = 0.9875 y por lo tanto = 2.24
Luego P (2.24 < Z < 2.24) = 0.975
En resumen, hemos obtenido lo siguiente

X
0.975 = P (2.24 < < 2.24) =

n

P (X 2.24 < < X + 2.24 )
n n
Hemos encontrado un intervalo de confianza para , y adems la probabilidad de que se encuentre en el
intervalo
 
X 2.24 n , X + 2.24 n
es 0.975; luego es un intervalo de confianza con nivel de confianza 97.5 %

Ejemplo 132 Supongamos que tenemos una muestra con n = 16 de una v.a. normal de forma que x = 20, y
la desviacin tpica poblacional es conocida = 4. Entonces un intervalo de confianza al 97.5 % para ser:
 
(2.24)4 (2.24)4
20 , 20 +
16 16
La probabilidad con que el verdadero valor del parmetro se encuentra en el intervalo (17.76, 22.24) es
0.975, o lo que es lo mismo:
P (17.76 < < 22.24) = 0.975
Interpretacin: En el 97.5 % de la muestras de tamao 16 el verdadero valor del parmetro se encontrar
dentro del intervalo correspondiente.
En general si tenemos una m.a.s. X1 , . . . , Xn de una poblacin normal (representado por la v.a. X) con
distribucin normal de media y varianza conocida 2 el intervalo de confianza para al nivel de confianza
(1 ) 100 % ser:

X
1 = P (z/2 < Z < z1/2 ) = P (z/2 < < z1/2 ) =

n

P (z/2 < X < z1/2 ) = P (X + z/2 < < X + z1/2 )
n n n n
Borrador RAM EST. SIS. 15-03-2004 83

Resumen: Intervalo de confianza para : 2 conocida.

Condiciones:

a) Poblacin Normal con media y varianza 2 conocida

b) Muestra aleatoria de tamao n

Entonces el intervalo de confianza del 100(1 ) % para es:

 

X + z 2 , X + z1 2
n n
donde z 2 es el cuantil 2 , es decir P (Z z 2 ) = 2 , cuando Z tiene distribucin normal estndar, mientras
que z1 2 es el cuantil 1 2 , es decir P (Z z1 2 ) = 1 2 , cuando Z tiene distribucin normal estndar.
Notemos que z 2 = z1 2

Ejemplo 133 Para discutir la conveniencia de aumentar sus instalaciones una empresa desea estimar la de-
manda que espera recibir. Para ello, selecciona al azar a diez de sus clientes, observando el nmero de unidades
demandadas en el ltimo ao por stos se distribuye de la forma siguiente:
Nm. Unidades Nm. Clientes Unidades Clientes
1.000 1 1.000
1.002 2 2.004
1.004 1 1.004
1.006 2 2.012
1.008 1 1.008
1.010 2 2.020
1.012 1 1.012
Total 10 10.06

Supongamos que la demanda sigue una distribucin normal con varianza poblacional conocida 2 = 16 y que
se espera que en el futuro siga comportndose como en el periodo anterior, calcular un intervalo de confianza
al 90 % para la media de la demanda futura.
Solucin: Tenemos las siguientes condiciones:

Poblacin de demandas normal varianza 2 = 16 conocida

Muestra aleatoria de tamao n = 10

Podemos entonces aplicar la formula anterior para 1 = 0.9, de donde = 0.1, entonces 2 = 0.05 y
1 2 = 0.95
Calculemos la media aritmtica de las observaciones
10.06
x= = 1.006,
10
entonces el intervalo es
 
4 4
1.006 + z0.05 , 1.006 + z10.05 .
10 10
Mirando en las tablas de la normal P (Z 1.65) = 0.9505 0.95 entonces z0.95 = 1.65, y z0.05 = 1.65
sustituyendo tenemos que
z1 2 n = 1.65 10
4
= 0.66 z 2 n = 1.65 10
4
= 0.66
por lo que el intervalo de confianza del 90 % para la media de la demanda es :

(1.006 0.66, 1.006 + 0.66) = (0.346, 1.666)

Lo que quiere decir que en el 90 % de la ocasiones en que tomemos una muestra de tamao 10 la demanda
media est comprendida entre 0.346 y 1.666
Borrador RAM EST. SIS. 15-03-2004 84

Amplitud del intervalo de confianza

Como de todos es conocido la amplitud (longitud) de un intervalo es la diferencia entre sus extremos superior
e inferior. En el caso anterior
 la amplitud
 A ser
A = X + z1 2 n X + z 2 n = z1 2 n + z1 2 n = 2z1 2 n
El error mximo, al nivel (1 ), que cometemos al estimar por X ser la mitad de la amplitud del
intervalo de confianza z1 2 n
Si queremos calcular el tamao n de la muestra para asegurarnos que el intervalo de confianza para al
nivel (1 ) tiene amplitud prefijada A (o un error A2 ) se puede despejar as:
2


n = 2z1 2 A
Observaciones:

El intervalo est centrado en X.

Para n y 1 fijos si la varianza poblacional aumenta entonces A aumenta.
Para una varianza poblacional conocida y 1 fijos si n aumenta entonces A disminuye.
Para una varianza poblacional conocida y n fijos si 1 aumenta entonces A aumenta.

7.4.2. Intervalo de confianza para la media poblacional: tamaos muestrales gran-

des
Condiciones:

Poblacin con media y varianza 2 conocida o si no se estima por S 2

Muestra aleatoria de tamao n grande (criterio n 30)

Entonces el intervalo de confianza del 100(1 ) % para es:

 
S S
X z2 ,X + z2

n n
En caso de que sea conocida pondremos en lugar de S

Ejemplo 134 Se tom una muestra de 147 expertos en investigacin de mercados y se les pidi que calificasen
en una escala de 1 (totalmente en desacuerdo) a 10 (totalmente de acuerdo) la siguiente afirmacin: A veces
utilizo tcnicas de investigacin que garantizan la obtencin de los resultados que mi cliente o jefe desea. La
calificacin media de la muestra fue 6.06 y la desviacin tpica muestral fue 1.43. Se pide calcular un intervalo
de confianza al 90 % para la media de las puntuaciones.
Solucin: El enunciado no nos asegura que la poblacin sea normal pero como el tamao de la poblacin
es grande podemos aplicar el resultado anterior.
Tenemos n = 147, S = 1.43, 1 = 0.1 entonces 2 = 0.05 y por lo tanto z10.05 1.65
El
 intervalo para la media poblacional
 de las puntuaciones al nivel de confianza del 90 % es
1.43 1.43
6.06 1.65 147 , 6.06 + 1.65 147 =

(5.8654, 6.2546)

Distribucin t de Student
Si queremos calcular un intervalo de confianza para en una poblacin normal con varianza poblacional
desconocida necesitamos una nueva distribucin: la t de Student.
Dada una muestra de n observaciones con media muestral X y desviacin tpica muestral SX procedente de
una poblacin normal con media la variable aleatoria:

X
t= X
S

n

sigue una distribucin t de Student con n 1 grados de libertad.

Borrador RAM EST. SIS. 15-03-2004 85

Proposicin 135 La distribucin t de Student es similar a la normal si el nmero de grados de libertad es

grande. Su funcin de densidad es simtrica respecto al origen como la de la normal estndar. Es decir si t es
una v.a. que sigue la distribucin t de Student con g.l. entonces:

P (t t) = 1 P (t t)
Notacin: Sea t una v.a. que sigue una distribucin t de Student con g.l. Denotaremos por t, al valor
para el que se verifica que:

P (t t, ) = .
Luego t, es el cuantil de una t de Student con g.l. y t, = t,1 .

7.4.3. Intervalo de confianza para la media de una poblacin normal: varianza

poblacional desconocida
Condiciones:
Muestra aleatoria de n observaciones independientes
Poblacin normal varianza desconocida
Entonces si X y SX son respectivamente la media y la desviacin tpica muestrales un intervalo de confianza al
nivel (1 )100 % para la media de la poblacin es:
!
SX SX
X + tn1, 2 , X + tn1,1 2
n n
Siendo tn1, 2 y tn1, 2 los cuantiles de una v.a. tn1 con distribucin t de Student con n-1 g.l., respectiva-
mente.
Ejercicio Demostrar que la probabilidad con que se encuentra en el intervalo anterior es 1

Ejemplo 136 Un fabricante de cartuchos de tinta para impresoras afirma en su publicidad que sus cartuchos
imprimirn un promedio de 500 pginas*; donde el asterisco remite a una nota a pie de pgina donde afir-
ma que: Datos tcnicos: Muestra mensual de tamao n = 25 poblacin supuesta normal nivel de
confianza del 90 %.
Una organizacin de consumidores desea comprobar estas afirmaciones y toma tambin una muestra al azar
de tamao n = 25 obteniendo como media x = 518 pginas y una desviacin estndar SX = 40. Comprobar que
con esta muestra la media poblacional que afirma el fabricante cae dentro del intervalo de confianza del 90 %
Solucin: El problema se reduce a calcular, bajo las condiciones que afirma el fabricante el intervalo de
confianza para con = 0.1.
Mirando en las tablas de la t de Student para n 1 = 24 g.l. tenemos que tn1 , 1 2 = t24,10.05 = 1.711
El intervalo para la media al 90 % es
 
40 40
518 1.711 , 518 + 1.711 = (504.312, 531.688) .
25 25
Es este caso la afirmacin del fabricante queda contradicha por la muestra pues 500 cae fuera del intervalo.
En cualquier caso se equivoca a favor del consumidor.

7.4.4. Intervalos de confianza para una proporcin

El procedimiento es similar al caso de las medias. Comencemos con un ejemplo.

Ejemplo 137 En una muestra aleatoria de 500 familias que poseen televisores en una ciudad se encontr que
340 se haban suscrito al canal TEVE. Encontrar un intervalo de confianza del 95 % para la proporcin actual
de familias de esta ciudad que estn suscritas a TEVE.
Borrador RAM EST. SIS. 15-03-2004 86

Tenemos una poblacin binomial donde los xitos son las familias que tienen contrato con TEVE. Sea X el
nmero de familias contratadas con TEVE entre una muestra aleatoria de tamao n. Entonces X sigue una dis-
tribucin binomial con n repeticiones y probabilidad de xito p (proporcin poblacional de familias contratadas
ppX p
a TEVE). Si llamamos pX = X n a la proporcin muestral, sabemos que Z = p(1p)
sigue aproximadamente
n
una distribucin normal estndar.
Pero como es evidente no conocemos p as que no tenemos ms remedio que aproximar el denominador
r r
p(1 p) pX (1 pX )

n n
p
Si la muestra es grande Z = p ppX(1 p

seguir siendo aproximadamente normal estndar.
X X)
n

Intervalos de confianza para la proporcin poblacional:(muestras grandes)

Condiciones:
Una muestra aleatoria de tamao n grande.
Poblacin Bernouilli con proporcin de xitos p (desconocida)
Bajo estas condiciones y si pX es la proporcin de xitos en la muestra, un intervalo de confianza al nivel
(1 )100 % es
r r !
pX (1 pX ) pX (1 pX )
pX z 2 , pX + z1 2
n n
Criterio: los intervalos de confianza anteriores son fiables si n 40.
Observaciones

El intervalo de confianza anterior est centrado en la proporcin muestral.

Cuando n crece se reduce la amplitud del intervalo de confianza.
q
La amplitud del intervalo de confianza es A = z1 2 pX (1
n
pX )

De la frmula anterior no podemos determinar el tamao de la muestral sin conocer pX as que nos
podremos en el caso peor:
El mximo de
q
pX (1pX )
n
se alcanza en pX = 0.5 y en este caso
q
0.5(10.5)
n por lo tanto en el peor de los casos2
2
0.25z1
n= A2
2
.

7.4.5. Intervalo de confianza para la varianza de una poblacin normal

Recordemos que si tenemos una poblacin normal con varianza 2 y una muestra aleatoria de tamao n de
esta poblacin con varianza muestral SX
2
entonces el estadstico
2
(n 1)SX
2n1 =
2
sigue una distribucin 2 con n 1 g.l.
Notacin Si 2 es una v.a. que tiene distribucin 2 con g.l. denotaremos por 2, al valor que verifica:
2 Por esto en las especificaciones o detalles tcnicos de las encuestas se suele leer, por ejemplo: Universo poblacin Balear mayor

de 18 aos. Encuesta telefnica, seleccin aleatoria, de tamao mil, error en las proporciones 3 % con una confianza del 95 %
supuesto que p = q = 12
Borrador RAM EST. SIS. 15-03-2004 87

P (2 2, ) =
es decir el cuantil 2 de una v.a. con distribucin 2 . Estos valores estn tabulados para distintos g.l. en la
tabla de la distribucin 2 .

Ejemplo 138 Sea 210 una v.a. que tiene distribucin 2 con 10 g.l. Entonces 210,0.995 = 25.19 y 210,0.005 =
2.16, es decir

P (210 25.19) = 0.995 y P (210 2.16) = 0.005

Adems tendremos que

P (2.16 210 25.19) = P (210 25.19) P (210 2.16) = (1 0.005) (1 0.995) = 0.995 0.005 = 0.99

En general dado entre 0 y 1 tendremos que

1 = P (2, 2 2 2,1 2 )

Si tenemos una muestra de tamao n de una poblacin normal con desviacin tpica muestral SX
2
, dado un
(n1)S2
nivel de confianza 1 tendremos que 2n1 = 2
X
y entonces:

1 = P (2n1, 2 2n1 2n1,1 2 ) =

2
(n 1)SX (n 1)SX
2
(n 1)SX2
P (2n1, 2 2
) = P(
n1,1 2 2
)
2 2n1,1 2n1,
2 2

Luego, bajo estas condiciones, un intervalo de confianza para la varianza poblacional del (1 )100 % es
!
(n 1)SX2
(n 1)SX2
, .
2n1,1 2n1,
2 2

Intervalo de confianza para la varianza de una poblacin normal

Condiciones
Poblacin normal
2
Muestra aleatoria de tamao n con varianza muestral SX

Entonces un intervalo de confianza del (1 )100 % es

!
(n 1)SX
2
(n 1)SX2
,
2n1,1 2n1,
2 2

Donde 2n1, es el valor que verifica

2

P (2n1 < 2n1, 2 ) =
2
y
2n1,1 2
es el valor tal que

P (2n1 2n1,1 2 ) = 1
2
donde 2n1 es una v.a. que sigue una distribucin 2 con n 1 g.l.
Observacin El intervalo de confianza para 2 no est centrado en SX
2
.
Borrador RAM EST. SIS. 15-03-2004 88

Ejemplo 139 Una cadena de hoteles tiene una Lnea 900 para recibir reservas telefnicas. Un ndice de la
calidad del servicio es el tiempo de espera, el tiempo que transcurre desde que el telfono suena por primera
vez hasta que el operador responde. El estndar de la cadena es que el tiempo promedio de espera no debe
ser superior a 30 segundos adems se supone que la distribucin del tiempo de espera ser aproximadamente
normal. La cadena tiene inspectores que visitan los distintos hoteles y verifican todos los aspectos del servicio.
Estas personas realizan cada semana 30 llamadas para hacer reservas y anotan, entre otros indicadores el tiempo
de espera en cad una de ellas. En una semana los tiempos de espera en segundos son:
12, 13, 13, 14, 14, 14, 15, 15, 16, 17, 17, 18, 18, 19, 19, 25, 25, 26, 27, 30, 33, 34, 35, 40, 40, 51, 51, 58,
59, 83
Calcular un intervalo de confianza para la varianza y la desviacin poblacionales al nivel 95 %.
Solucin: Sea X el tiempo de espera. Haciendo los clculos tenemos que (redondeando al segundo decimal):
X = 28.37 y sX = 17.37
Como 1 = 0.95 tenemos que 2 = 0.025, entonces mirando en las tablas de la 2 (y redondeando tambin
al segundo decimal)
2
2n1, 2 = 229,0.975 = 45.72 y n1 , 1 = 229,0.025 = 16.05.
2
Por lo tanto un intervalo de confianza del 95 % para 2 es

(30 1)(17.37)2 (30 1)(17.37)2

 
, = (191.38, 545.16)
45.72 16.05
Es decir P (191.28 2 545.16) = 0.95 y operando tenemos que

P ( 191.28 545.16) = 0.95,
luego un intervalo de confianza del 95 % para es

(13.83, 23.35) .