ESTIMACIÓN DE PARÁMETROS

El estudio de poblaciones estadísticas supone en general el conocimiento de la

función de probabilidad que gobierna el comportamiento aleatorio de la variable de
interés. En muchos casos sabemos o presumimos conocer la familia distribucional
de una población. Sabemos por ejemplo que la población es aproximadamente
normal; pero desconocemos la media y la varianza poblacionales. Sabemos que
la variable de interés es binomial pero desconocemos la probabilidad de éxito
poblacional o el número de pruebas de Bernoulli. Sabemos que se trata de un
proceso de Poisson pero desconocemos el número de eventos raros por
intervalos. Presumimos que la variable es exponencial pero desconocemos el
parámetro que precisa la distribución exponencial poblacional.
Lógicamente en todas estas situaciones la función de probabilidad de la variable
en estudio se concreta determinando los parámetros poblacionales
correspondientes y para lograrlo se utilizan los denominados métodos de
estimación de parámetros.
La estimación de uno o varios parámetros poblacionales desconocidos es posible
construyendo funciones de probabilidad de variables aleatorias muestrales, mas
conocidos como estimadores muestrales.
Dichos estimadores garantizaran un cálculo o una aproximación satisfactoria del
parámetro poblacional desconocido siempre que cumplan propiedades de:
insesgamiento o máxima simetría, varianza mínima o máxima concentración de
los datos alrededor del parámetro estimado y máxima probabilidad.

Estimación puntual

Cuando en una población con familia distribucional conocida f(x, θ) queremos

estimar el verdadero valor del parámetro poblacional θ utilizando como lente
para determinarlo al estimador muestral θ̂ ; procedemos a seleccionar una
muestra de tamaño n de dicha población, calculamos a partir de ella un valor θ y
afirmamos entonces que θ  θ  k es una estimación puntual de θ con un error,
por exceso o defecto, de valor k.
K depende en general de la variable aleatoria muestral θ̂ y de su desviación σ θ̂
. En los casos de muestras grandes, cuando los valores de la muestra
corresponden a variables aleatorias estadísticamente independientes (iid) y por lo
tanto se dan las condiciones del TLC, se tiene que:
ˆ α/2σ ˆ  Z α/2σ/ n, n  30
Maxk  θ θ

¿Pero como escoger el estimador θ̂ que mejor precisa el parámetro θ ?

Hay dos métodos generales: el método de momentos y el método de máxima
verosimilitud.

Método de máxima verosimilitud

El método de estimación de máxima verosimilitud permite, en el caso de un

parámetro o n vector de parámetros poblacionales desconocidos, determinar el
estimador o vector de estimadores que maximizan la función de probabilidad
conjunta de una muestra de n v.a. seleccionadas de la población en estudio.
Sea f(x, θ) la fdp de una población en la cual queremos determinar θ .
Sea x1,x2,….,xn una muestra de v.a. iid seleccionadas de dicha población, a la
función de probabilidad conjunta L( θ ) de las n v.a. de la muestra la llamaremos
funcion de verosimilitud muestral, es decir:
L ( θ )=L(x1,x2,….,xn; θ )
Pero como las v.a. son independientes tenemos: L( θ ) = f(x1, θ ) f(x2, θ )….f (xn, θ ).
Es decir:
L ( θ )=

 f(x , θ)
i 1
i
Estimador de máxima verosimilitud -EMV-

El EMV del parámetro θ es θ̂ siempre que L( θ̂ ) sea el valor de máxima

probabilidad de la función de verosimilitud L es decir:

θ̂ es el EMV de θ si y solo si L( θ̂ ) es máximo

n
En la expresión L( θ )=  f(x i , θ) la función de verosimilitud varia con el
i 1

parámetro θ y para el proceso de optimización se considera que las x i son

constantes luego de haber determinado la muestra aleatoria.

Observe que como la función logaritmo natural es siempre creciente el EMV de

L( θ ) también optimiza a Ln (L( θ )) y podemos definir:

n n
l( θ )=Ln (L( θ ))= Ln (  f(x i , θ) )=  ln f(x i , θ)
i 1 i1

n
f ( xi , θ)
y optimizar así: l θ     0 . Si θ  θ
ˆ maximiza a l( θ ) es claro que
i 1 f( xi , θ)
ˆ )  0 y l(θ̂) <0.
l(θ

Ejemplo: Considere una población Bernoulli, calcule el EMV para la probabilidad

de éxito poblacional p.

Sabemos que f(x,p)=px(1-p)1-x, x=0,1. De esta manera

n n
L (p)=  f(x i , p)  p i (1 p) i
x 1 x

i 1 i 1

L (p)= p  x (1 p)1 x

i i

Y empleando la funcion logaritmo natural se tiene que:

l(p)  lnL(p)  (  x i )ln(p)  (n   x i )ln(1 p)
 1
Observe que l(p)  0  p̂ 
n
 x i y l(pˆ )  0 .
n
Y ademas que 0   xi  n  0  p
ˆ  1.
i 1

Así si  xi  0 entonces L(p)=(1-p)n que es máximo en p = 0

Y si  xi  n entonces L(p)=pn que es máximo en p = 1

 xi
ˆ 
Por lo tanto p es el EMV para p Bernoulli
n

Ejemplo: Considere una población Poisson y calcule el EMV para la tasa

poblacional de sucesos raros λ
e λ λ x
Sabemos que f(x, λ)  para x = 0,1,2,…
x!
n
L( λ )=  f(xi, h)
1
 xi
n x e  nλ  λ
L  λ    e  λ λ i /x ! 
i  xi!
1

como  x i ! es constante
l λ   lnL λ    nλ  (  x )lnλ  lnc
i
 xi  xi
l λ   n  0 entonces ˆλ  es el EMV para λ Poisson
λ n
 xi
Observe que l ˆλ    2
 0 , ya que  xi  0 y λ  0 .
λ

Ejemplo: Considere una función Pareto y calcule EMV para β si la fda es

β
α
F x, α, β   1   con 0  α  x y 0β
x

con α conocido y β desconocido.

F
Primero f(x,β)= ya que F, la fda, es la función integral de f, la fdp.
x

f(x,β) = αβ β x-(β+1)
La función de verosimilitud es
n
 
n β
L β    f x , β   α  β x
i
(β1)
i
1 1
  β  1
nβ n  n 

L β   α β   x
 i
1 
Aplicando logaritmo natural,
n
l β   n  β  lnα  n  lnβ  (β  1)   lnx
i
1
n
l β   n  ln α     lnx  0 entonces
β i

1
n  x 
ˆ  n ln i
β  es el EMV para  de Pareto
 1  α 


Si α fuese desconocido se podría estimar como el mínimo muestral

α̂ =min (x1,x2,…,xn)

observe que lβ ˆ  2  0 .

ˆ   n   β

Ejercicios

Hallar el EMV para

a) λ si f(x,λ)=λ e-λx, x>0.
b) α si f(x,α)=(α+1)xα, 0<x<1
calcule α si
(x1=0.3, x2=0.5, x3=0.7, x4=0.62, x5=0.7,x6=0.3, x7=0.4, x8=0.55, x9=0.60,x10=0.65)
c) Si una población es lognormal, halle EMV para μ si conoce σ 2.
d) σ2 si conoce μ.
e) μ y σ2 son desconocidos.
Estimación Por Intervalos
 ˆ  θ pero queremos
Estamos en una población conocida y desconocemos E θ 
hallar un intervalo de valores que contenga a θ, además conocemos σ θˆ o
podemos estimarla con un error pequeño. Para ello seleccionaremos una muestra

aleatoria θ 
ˆ 1, θ
ˆ 2,θ
ˆ 3 ,...θ 
ˆ n . El Teorema Del Límite Central permite afirmar que

ˆ  E θ
θ ˆ
Z  n z,0,1
σˆ
θ

y podemos afirmar con un nivel α que P(-z /2 <Z< z /2 )=1-α

Equivalentemente,


P  - zα/2 
θ    z  =1-α
ˆ E θ
ˆ
σ α/2 
 ˆ
θ 

P(Eθ 
ˆ  θ  z σ )=1-α
ˆ
α/2 θ

Sustituyendo E ( θ̂ )= θ , P ˆ z
 θθ σˆ 
  1 α
 α 2 θ 

ˆ  θ afirmamos con confianza al 1 α , que la

Al efectuar la estimación puntual θ
diferencia absoluta entre el parámetro θ y el valor muestral  está acotada por
z σˆ
α 2 θ

θθ  z σˆ
α 2 θ

Denominado intervalo Z para θ, es decir,

 
P θθ θ

ˆ  z α 2 σ ˆ  1  α  θ Є  θ  z
α 
σˆ 
2θ
con confianza 1-α.

Intervalo para la proporción p en una población Binomial

Seleccionamos una muestra aleatoria conformada por (p 1, p2, p3,…,pn) donde las

x
ˆ 
pi son v.a iid que cumplen E(pi)=p. Es claro que si p ˆ   p y σ pˆ  np1  p 
, E p
n
, según el resultado previo de una población binomial se tendrá:
ˆ  E p
p ˆ
Z  n z,0,1 siempre que np y n(1-p)  10
σ pˆ

y que con un nivel de significación α

P(-z α 2  Z  z α 2 )  1 α

ˆ)
p  E(p
P(-z α 2   z α 2 )  1 α
σ pˆ

P( p - E(p)  z α 2σ P )  1  α

Como E p
ˆ   p afirmamos con probabilidad 1-α que
 
ˆ  p  z α 2σ pˆ  1 α
Pp

K  z α 2σp
ˆ es el error de estimación

p 1  p 
σ pˆ  es la desviación estándar de la distribución binomial
n
Al hacer la estimación puntual p̂ =π afirmamos con confianza 1- α que.
π 1  π 
p  π  zα 2
n
O sea
 π(1  π) 
P p
ˆ  p  z α 2 σ pˆ   1  α  p   π  z α 2  con confianza 1- α

 n 

Intervalo para la media μ en una población normal

Intervalos Z para la media μ

Sea (x1, x2, x3,…,xn) una muestra

aleatoria, o sea que las xi son i.i.d.,
esto es la fdp conjunta de la muestra
es

 
n
f(x1,x2,…,xn;μ)=  n xi , μ, σ
2

Así el EMV de μ es X y también

2
E( X )=μ y σ 2x  σ
n
Si en una muestra con n  30 preestablecemos un nivel de significación α
podemos afirmar con probabilidad 1-α que:
 σ 
P μ  X  z α 2   1 α
 n
Es decir que con probabilidad 1-α la diferencia absoluta máxima entre μ y x es,

σ
zα 2 o sea , si estimamos X  x afirmamos que
n

 σ   σ 
P μ  X  z α 2   1  α  μ   x  z α/2  con confianza 1- α .
 n  n
Si σ2 es desconocida se debe estimar mediante s 2 calculado en la muestra
particular así afirmamos que:

 s   s 
P   X  z α 2   1 α  μ   x  z α/2  con confianza al 1 α
 n  n

X μ
Aunque en Z= S n
se introduce variabilidad en el numerador con X y en el

denominador con S este efecto se contrarresta con n grande.

¿Que pasa si σ2 es desconocida y n<30?, que ahora si aumenta la variabilidad y
necesitamos una distribución acampanada con colas robustas que permitan
mayor variabilidad, o sea, una distribución T.

n
P(T>t  )=  E(T)=0 V(T)= n>2
,v
n2
X μ
Si la población es normal entonces T= S n
se distribuye según Gosset como

una t-student con n-1 grados de libertad. Observe que S se basa en el cálculo de
x1  x, x 2  x,..., x n  x de forma que en el cálculo de x i  x =0 sólo hay n-1

variables libremente determinadas. La n-ésima depende de ellas, a este número

se le denomina grados de libertad v =n-1.
Si de una población normal seleccionamos una muestra pequeña n<30 y
calculamos X  x y S=s preestableciendo un nivel de significación α podemos
construir un intervalo T bilateral de confianza 1-α con v=n-1 grados de libertad
para μ así:
  s
P X  μ  tα 2   1 α  μ  ( x  t α 2,n 1 s n) con confianza 1-α

 n1 n 

PROBLEMAS SELECCIONADOS
1. Ingenieros químicos de la Universidad de Murcia (España) realizaron una
serie de experimentos para determinar cuál es la membrana más efectiva
para usarse en un muestreador pasivo (Environmental science &
Technology, Vol.27, 1993). La efectividad de un muestreador pasivo se
midió en términos de la tasa de muestreo, registrada en centímetros
cúbicos por minuto. En un experimento se colocaron seis muestreadotes
pasivos con sus caras paralelas al flujo del aire, el cual tuvo una velocidad
de 90 centímetros por segundo. Después de seis horas se determinó la
tasa de muestreo de cada muetreador. Con base en los resultados, se
calculó un intervalo de confianza al 95% de (49.66, 51.48) para la tasa de
muestreo media.
a. ¿Cuál es el coeficiente de confianza para este intervalo?
b. Haga una interpretación teórica del coeficiente de confianza del inciso a.
c. Haga una interpretación práctica del intervalo de confianza.
d. ¿Qué supuestos son necesarios para que el intervalo produzca inferencias
válidas?

2. La relación teórica entre flujo de calor y gradiente de temperatura para

materiales homogéneos es bien conocida y se describe mediante una
ecuación de Fourier. Sin embargo la relación no se cumple para materiales
no homogéneos como cuerpos porosos o con capilares, sistemas celulares,
 suspensiones y pastas. Se efectuó un experimento para estimar el tiempo
de relajación térmica medio (definido como el tiempo necesario para
acumular la energía térmica que se requiera para una transferencia
propagadora de calor) de varios materiales no homogéneos (Journal of
Heat Transfer, agosto de 1990). Se determinó un intervalo de confianza al
95% de 20.0  6.4 segundos para el tiempo de relajación térmica medio
de la arena.
a. Haga una interpretación práctica del intervalo de confianza de 95 por
ciento.
b. Haga una interpretación teórica del intervalo de confianza de 95 por ciento.

3. Rocas inusuales en “Las Siete Islas” situadas en la parte baja del Río San
Lorenzo en Canadá han estado atrayendo a los geólogos a ésta área
durante más de un siglo. Hace poco se completó un importante
reconocimiento geológico de “Las Siete Islas” con el propósito de crear un
modelo tridimensional de gravedad del área (Canadian Journal of Earth
Sciences, Vol. 27, 1990). Una de las claves para elaborar un modelo
objetivo es obtener una estimación exacta de la densidad de las rocas. Con
base en muestras de diversas variedades de rocas, se obtuvo la siguiente
información sobre densidad de las rocas (en gramos por centímetro
cúbico):
Tipo de roca Tamaño de muestra Densidad media Desviación estándar
Gabbro tardío 36 3.04 0.13
Gabbro
148 2.83 0.11
masivo
Cumberlandit
135 3.05 0.31
a

a. Para cada tipo de roca, estime la densidad media con un intervalo de

confianza de 90 por ciento.
b. Interprete los intervalos del inciso a.
 4. En Environmental science & Technology (diciembre de 1985) se informó
una evaluación de la química y el reciclaje de metales traza en un lago
ácido de los Adirondack. Se tomaron 24 muestras de agua del Lago Darts,
Nueva Cork, y se analizaron para determinar la concentración de
particulados tanto de plomo como de aluminio.
a. Las mediciones de concentración de plomo tuvieron una media de
9.9nmol/l. Calcule un intervalo de confianza al 99% para la
verdadera concentración media de plomo en las muestras de agua
tomadas del Lago Darts.
b. Las mediciones de concentración de aluminio tuvieron una media de
6.7nmol/l y una desviación estándar de 10.8nmol/l. Calcule un
intervalo de confianza al 99% para la verdadera concentración media
de aluminio en las muestras de agua tomadas del Lago Darts.
c. ¿Qué supuestos son necesarios para que los intervalos de los
incisos a y b sean válidos?

5. Según un estudio, “la mayoría de las personas que mueren a causa del
fuego y el humo en edificios divididos en compartimentos resistentes a los
incendios –el tipo que se utiliza para hoteles, moteles, apartamentos e
instalaciones de salubridad- mueren al intentar evacuar” (Risk
Management, febrero de 1986). Los datos que siguen representan los
números de víctimas que intentaron evacuar, para una muestra de 14
incendios recientes en edificios resistentes al fuego, divididos en
compartimentos, informados en el estudio.
Murieron en intento de
Incendio
evacuación
Las Vegas Hilton (Las Vegas) 5
Inn on the Park (Toronto) 5
Westchase Hilton (Houston) 8
Holiday Inn (Cambridge, Ohio) 10
Conrad Hilton (Chicago) 4
Providence College (Providence) 8
Baptist Towers (Atlanta) 7
Howard Johnson (New Orleans) 5
Cornell University (Ithaca, New York) 9
Wesport Central Apartments (Kansa City, Missouri) 4
Orrington Hotel (Evanston, Illinois) 0
Hartford Hospital (Hartford, Connecticut) 16
Milford Plaza (New York) 0
MGM Grand (Las Vegas) 36
a. Exprese el supuesto, en términos del problema, que se requiere para
que una técnica de intervalo de confianza de muestra pequeña sea
válido.
b. Utilice la información de listado MINITAB que e representa aquí para
construir un intervalo de confianza de 98% para ekl verdadero
número medio de víctimas por incendio que mueren al tratar de
evacuar edificios resistentes al fuego divididos en compartimentos.
c. Interprete el intervalo construido en el inciso b.
N MEAN STDEV SE MEAN 98.0 PERCENT C.I.
numdied 14 8.36 8.94 2.39 (2.02, 14.69

6. El Journal of the American Association (21 de abril de 1993) informó de los

resultados de una encuesta de entrevistas sobre salud a nivel nacional en
EE.UU. diseñada para determinar la frecuencia del hábito de fumar entre
adultos de este país. Mas de 40.000 adultos respondieron a preguntas
como: “¿Ha fimado por lo menos 100 cigarrillos en su vida?” y “¿Fuma
cigarrillos ahora?” A los fumadores actuales (mas de 11.000 adultos en la
encuesta) también se les preguntó:”En PROMEDIO, ¿Cuántos cigarrillos
fuma al día?”, Los resultados arrojan una media de 20.0 cigarrillos por día
con un intervalo de confianza de 95% de (19.7, 20.3).
a. Interprete el intervalo de confianza de 95%.
b. Exprese cualquier supuesto sobre la población objetivo de
fumadores actuales de cigarrillos que deben satisfacerse para que
las inferencias derivadas del intervalo sean válidas.
 c. Un investigador de la industria tabacalera asegura que el número
medio de cigarrillos fumados al día por fumadores consuetudinarios
de cigarrillos es menor de 15. Comente esta aseveración.

7. Las avispas tropicales fundadoras de enjambres dependen, al igual que las

hormigas y las abejas, de obreras para la cría de su prole. Resulta
interesante que las obreras de esta especie de avispas son en su mayor
parte hembras, capaces de tener sus propios descendientes. En vez de
hacerlo, crían la prole de otros miembros de la nidada. Una posible
explicación de éste extraño comportamiento es la endogamia, lo que
incrementa el grado de parentesco entre las avispas y permite a las obreras
distinguir y ayudar a sus parientes más cercanas. A fin de probar esta
teoría, se capturaron 197 avispas fundadoras de enjambres en Venezuela,
se congelaron a -70ºC y luego se sometieron a una serie de pruebas
genéticas (Science, noviembre de 1988). Los datos sirvieron para generar
un coeficiente de endogamia, x para cada espécimen de avispa, con los
siguientes resultados: x  0.044 y s = 0.884
a. Construya un intervalo de confianza de 90% para el coeficiente de
endogamia medio de esta especie de avispa.
b. Un coeficiente de cero implica que la avispa no tiene tendencia a la
endogamia. Utilice el intervalo de confianza del inciso a para hacer
una inferencia acerca de la tendencia de esta especie de avispa a la
endogamia.

8. Los números de la tabla representan tiempo de CPU (en segundos) para la

resolución de 52 problemas matemáticos polinómicos 0-1 aleatorios
resueltos empleando un algoritmo híbrido. El listado SAS que se representa
más adelante proporciona un diagrama de ramas y hojas y estadísticas
descriptivas del conjunto de datos. Utilice esta información para estimar,
con 95% de confianza, el tiempo de resolución medio del algoritmo híbrido.
0.045 0.136 8.788 0.079 3.985 1.267 0.379 0.327
0.136 0.130 0.036 0.136 0.600 0.209 0.506 0.064
0.088 0.194 0.118 0.258 4.170 0.554 0.412 0.045
0.361 0.049 0.070 1.639 0.258 0.670 0.567
0.182 1.055 0.091 0.579 1.894 0.291 0.445
0.179 0.336 0.145 0.394 1.070 0.227 0.258
0.182 0.242 0.209 0.333 0.912 3.046 0.888
Stem Leaf
8 8 1
8
7
7
6
6
5
5
4
4 0 2 2
3 9 1
3 0 1
2
2
1 6 9 2
1 1 1 3 3
0 5 6 6 6 6 7 9 7
0 0 0 0 0 1 1 1 1 1 1 1 1 1 1 1 2 2 2 2 2 2 2 2 3 3 3 3 3 3 3 4 4 4 4 4 35

9. Un fabricante produce anillos para los pistones de un motor de automóvil.

Se sabe que el diámetro del anillo está distribuido aproximadamente de
manera normal, y que tiene una desviación estándar σ = 0.001mm. Una
muestra aleatoria de 15 anillos tiene un diámetro promedio de
x  74..036mm

a. Construya un intervalo de confianza bilateral del 99% para el

diámetro promedio del anillo
b. Construya un límite inferior de confianza del 95% para el diámetro
promedio del anillo
c. Supóngase que se desea una confianza del 95% en que el error en
la estimación de la duración promedio sea menor que 5 horas. ¿Qué
tamaño de muestra debe utilizarse?
 d. Supóngase que se desea que el ancho total del intervalo de
confianza bilateral sea de seis horas, con una confianza del 95%.
¿Qué tamaño de muestra debe emplearse para este fin?

10. Se sabe que la duración, en horas de un foco de 75 watts tiene una

distribución aproximadamente normal, con una desviación estándar de
σ=25 horas. Se toma una muestra aleatoria de 20 focos, la cual resulta
tener una duración promedio de x  1014 horas.

11. Un ingeniero civil analiza la resistencia a la compresión del concreto. La

resistencia está distribuida aproximadamente normal, con una varianza
σ2=1000(psi)2. Al tomar una muestra aleatoria de 12 especimenes, se tiene
que x  3250 psi.
a. Construya un intervalo de confianza bilateral del 95% para la
resistencia a la compresión promedio.
b. Construya un intervalo de confianza bilateral del 99% para la
resistencia a la compresión promedio. Compare el ancho de este
intervalo de confianza con el ancho encontrado en el inciso a.
c. Suponga que se desea estimar la resistencia a la compresión con un
error menor que 15 psi para un nivel de confianza del 99%. ¿Qué
tamaño de muestra debe emplearse para este fin?

12. Se utilizan dos máquinas para llenar botellas de plástico con detergente
para máquinas lavaplatos. Se sabe que las desviaciones estándar del
volumen de llenado son σ1=0.10 onzas de líquido y σ 2=0.15 onzas de
líquido para las dos máquinas, respectivamente. Se toman dos muestras
aleatorias, n1=12 botellas de la máquina 1 y n 2=10 botellas de la máquina 2.
Los volúmenes promedio de llenado son
x1  30.87 onzas de líquido y x 2  30.68 onzas de líquido.

a. Construya un intervalo de confianza bilateral del 90% para la

diferencia entre las medias del volumen de llenado
 b. Construya un intervalo de confianza bilateral del 95% para la
diferencia entre las medias del volumen de llenado. Compare el
ancho de este intervalo el ancho encontrado en el inciso a.
c. Construya un intervalo de confianza superior del 95% para la
diferencia entre las medias del volumen de llenado.

13. Se estudia la tasa de combustión de dos propelentes sólidos utilizados en

los sistemas de escape de emergencia de los aeroplanos. Se sabe que la
tasa de combustión de los dos propelentes tiene aproximadamente la
misma desviación estándar; esto es, σ1  σ 2  3cm/s. Se prueban dos
muestras aleatorias de n1=20 y n2=20 especimenes; las medias muestrales
de la tasa de combustión son x1  18cm/s y x 2  24cm/s .
a. Construya un intervalo de confianza bilateral del 99% para la
diferencia entre medias de la tasa de combustión.
b. ¿Qué tamaño de muestra debe utilizarse en cada población si se
desea que el error en la estimación de la diferencia entre las medias
de las tasas de combustión sea menor que 4cm/s con una confianza
del 99%?

14. Se prueban dos fórmulas diferentes de un combustible oxigenado para

motor en cuanto al octanaje. La varianza del octanaje para la fórmula 1 es

σ12  1.5 . Mientras que para la formula 2 es σ 22  1.2 . Se prueban dos

muestras aleatorias de tamaño n1=15 y n2=20. Los octanajes promedio
observados son x1  89.6 y x 2  92.5 .
a. Construya un intervalo de confianza bilateral del 95% para la
diferencia en el octanaje promedio.
b. ¿Qué tamaño de muestra debe utilizarse en cada población si se
desea tener una confianza del 95% de que el error al estimar la
diferencia entre las medias de octanaje sea menor que uno?
15. Considere el intervalo de confianza para μ con desviación estándar σ
conocida:
x  z1  / n    x  z1  / n

donde 1   2   . Sea α=0.05. Encuentre el intervalo para

1   2   2  0.025 . Ahora encuentre el intervalo para el caso donde

α1  0.01 y α2  0.04 . ¿Qué intervalo es mas pequeño? ¿Existe alguna

ventaja con respecto al intervalo de confianza “simétrico”?

16. En un proceso químico se fabrica cierto polímero. Normalmente, se hacen

mediciones de viscosidad después de cada corrida, y la experiencia
acumulada indica que la variabilidad en el proceso es muy estable, con
σ=20. Las siguientes son 15 mediciones de viscosidad por corrida: 724,
718, 776, 760, 745, 759, 795, 756, 742, 740, 761, 749, 739, 747, 742.
Encuentre un intervalo de confianza bilateral del 90% para la viscosidad
promedio del polímero.

17. Se piensa que la concentración del ingrediente activo de un detergente

líquido para ropa, es afectada por el tipo de catalizador utilizado en el
proceso de fabricación. Se sabe que la desviación estándar de la
concentración activa es de 3g/l, sin importar el tipo de catalizador utilizado.
Se realizan 10 observaciones con cada catalizador, y se obtienen los datos
siguientes:
Catalizador 1: 57.9, 66.2, 65.4, 65.4, 65.2, 62.6, 67.6, 63.7, 67.2, 71.0
Catalizador 2: 66.4, 71.7, 70.3, 69.3, 64.8, 69.6, 68.6, 69.4, 65.3, 65.3
a. Encuentre un intervalo de confianza del 95% para la diferencia entre las
medias de las concentraciones activas para los dos catalizadores.
b. ¿Existe alguna que indique que las concentraciones activas medias
dependen del catalizador utilizado?
VALORES CRÍTICOS DE LA DISTRIBUCIÓN t

α
٧ 0.1 0.05 0.025 0.01 0.005

1 3.078 6.314 12.706 31.821 63.657

2 1.886 2.920 4.303 6.965 9.925
3 1.638 2.353 3.182 4.541 5.841
4 1.533 2.132 2.776 3.747 4.604
5 1.476 2.015 2.571 3.365 4.032

6 1.440 1.943 2.447 3.143 3.707

7 1.415 1.895 2.365 2.998 3.499
8 1.397 1.860 2.306 2.896 3.355
9 1.383 1.833 2.262 2.821 3.250
10 1.372 1.812 2.228 2.764 3.169

11 1.363 1.796 2.201 2.718 3.106

12 1.356 1.782 2.179 2.681 3.055
13 1.350 1.771 2.160 2.650 3.012
14 1.345 1.761 2.145 2.624 2.977
15 1.341 1.753 2.131 2.602 2.947

16 1.337 1.746 2.120 2.583 2.921

17 1.333 1.740 2.110 2.567 2.898
18 1.330 1.734 2.101 2.552 2.878
19 1.328 1.729 2.093 2.539 2.861
20 1.325 1.725 2.086 2.528 2.845

21 1.323 1.721 2.080 2.518 2.831

22 1.321 1.717 2.074 2.508 2.819
23 1.319 1.714 2.069 2.500 2.807
24 1.318 1.711 2.064 2.492 2.797
25 1.316 1.708 2.060 2.485 2.787

26 1.315 1.706 2.056 2.479 2.779

27 1.314 1.703 2.052 2.473 2.771
28 1.313 1.701 2.048 2.467 2.763
29 1.311 1.699 2.045 2.462 2.756
inf. 1.282 1.645 1.960 2.326 2.576