1

PASO 3 - ACTIVIDAD SOBRE ESTIMACIÓN

Autores

Luis Alberto Ramírez Castellanos

Derly Katerine Ávila
Francy Milena Gómez Vargas
Yuni Rivas

GRUPO

551112_7

Tutor(a)
María Camila González
Inferencia estadística

UNIVERSIDAD NACIONAL ABIERTA Y A DISTANCIA UNAD

LICENCIATURA EN MATEMATICAS
ECEDU
Abril de 2020
 2

INTRODUCCIÓN

En este trabajo se desarrolla de manera grupal, los procesos de estimación de parámetros

involucrando los términos de variabilidad estadística, correspondiente en cada caso que permitan

su adecuada interpretación, para ello los integrantes del grupo consultan la definición,

propiedades, cuando o para qué se utilizan las palabras claves de la temática, y realizan los cinco

ejercicios propuestos en la guía de actividades con el paso a paso y concluyendo.

Para una adecuada consulta de los términos debemos tener claro, que el objetivo de la inferencia

estadística es estimar características y realiza predicciones acerca de los fenómenos aleatorios, en

la estimación de parámetros, se encuentran valores constantes aunque desconocidos.

“Un estimador es una regla, a menudo expresada como una fórmula, que indica cómo calcular el

valor de una estimación con base en las mediciones contenidas en una muestra.” (Wackerly,

Mendenhall, & Scheaffer, 2009, p. 391)

 3

ESTIMACIÓN

Definiciones, propiedades, cuando o para qué se utiliza las palabras mencionadas:

- Medidas descriptivas numéricas

Los fenómenos que se observan sometidos al azar no suelen ser constantes, por lo que

será necesario que junto a una medida que indique el valor alrededor del cual se agrupan los

datos, se disponga de una medida que haga referencia a la variabilidad que refleje dicha

fluctuación. En este sentido pueden examinarse varias características, siendo las más

comunes: la tendencia central de los datos, la dispersión o variación con respecto a este

centro, los datos que ocupan ciertas posiciones, la simetría de los datos y la forma en la que

los datos se agrupan.

- Parámetros y parámetro objetivo en el experimento

 4

Según información recopilada por Zap (2012): “Un parámetro estadístico es un número que se

obtiene a partir de los datos de una distribución estadística, sirven para sintetizar la información

dada por una tabla o por una gráfica., existen tres tipos: de centralización, de posición y de

dispersión”

Los parámetros estadísticos se clasifican según la información que resumen. Los dos tipos más

comunes de parámetros estadísticos son: de tendencia central y de dispersión. Otros tipo de

parámetros estadísticos son aquellos de forma y escala. Estos parámetros son más utilizados en

distribuciones como la Beta, Pareto o Weibull —por lo tanto, no las describiremos ya que nos

enfocamos principalmente en la distribución normal (Superprof, s.f.)

Medidas de tendencia central

Estos parámetros nos indican alrededor de qué valor (centro) se distribuyen los datos.

Algunas medidas de tendencia central son (al dar clic en el enlace podrás ver una descripción
detallada de cada parámetro):

Media aritmética:

La media es el valor promedio de la muestra. También se puede interpretar como el centro de

gravedad de los datos.
Mediana:

La mediana es el valor que separa la mitad superior de la muestra y la inferior. En otras palabras,
divide los datos en dos partes iguales.

Moda:

La moda es el valor que más se repite en una muestra. Es decir, es el valor más frecuente.
(Superprof, s.f.)

- Estimación, estimación puntual, estimación real y estimador del parámetro objetivo:

Según el Instituto Tecnológico de Chiuahua (s.f.) se tienen las siguientes definiciones:

 5

El objetivo principal de la estadística inferencial es la estimación, esto es que mediante el

estudio de una muestra de una población se quiere generalizar las conclusiones al total de

la misma. (…) Existen dos tipos de estimaciones para parámetros; puntuales y por

intervalo. Una estimación puntual es un único valor estadístico y se usa para estimar un

parámetro. El estadístico usado se denomina estimador. Una estimación por intervalo es

un rango, generalmente de ancho finito, que se espera que contenga el parámetro.

La estimación estadística es el proceso mediante el cual, a partir de la información de unos

parámetros de la muestra se busca hacer inferencia mediante el uso de un estimador para

la población.

“Un estimador es una regla, a menudo expresada como una fórmula, que indica cómo

calcular el valor de una estimación con base en las mediciones contenidas en una

muestra.” (Wackerly, Mendenhall, & Scheaffer, 2009, p. 391)

La estimación puntual consiste en tomar un solo punto o un solo número como resultado de

la estimación de un parámetro, por ejemplo, después de un análisis estadístico determinar

que la altura promedio de todas las estudiantes de la UNAD se estima en 1,63 metros.

La estimación real es aquella en la que se usa una formula estadística establecida como un

estimador del parámetro escogido, por ejemplo, se puede usar la fórmula de la desviación

muestral para estimar la desviación poblacional:

s=
√ ∑ (x i− x́ )2
i=1
n−1

“la estimación real se logra con el uso de un estimador del parámetro objetivo.”

(Wackerly, Mendenhall, & Scheaffer, 2009, p. 391)

 6

El estimador del parámetro objetivo, es una formula estadística que realiza una estimación

real en un parámetro especifico, así como en el ejemplo antes mencionado, el parámetro

objetivo es la desviación.

“al parámetro de interés le llamaremos parámetro objetivo en el experimento.”

(Wackerly, Mendenhall, & Scheaffer, 2009, p. 390)

- Media poblacional, varianza y desviación estándar

La Media poblacional

 Para poblaciones normales o aproximadamente normales el intervalo de confianza para la media

t ∝ ∗s
poblacional está centrado en la media muestral; siendo sus límites, superior e inferior, x´± 2

√n

donde t ∝  es el valor crítico correspondiente al grado de confianza 1−∝ de la distribución t de

2

Student con n−1 grados de libertad. En la práctica si n es moderadamente grande el valor crítico

t ∝ es igual a 1,64 para un intervalo del 90% de confianza, 1,96 para el 95%, o 2,58 para el 99%.
2

La varianza de un conjunto de valores es una medida de variación igual al cuadrado de la

desviación estándar.

- Varianza muestral: s2

- El cuadrado de la desviación estándar: s

- Varianza poblacional: σ 2

- El cuadrado de la desviación estándar poblacional: σ

 7

Desviación Estándar, Primero, debemos comprender con claridad que la desviación estándar

mide la variación entre los valores. Los valores cercanos producirán una desviación estándar

pequeña, mientras que los valores muy dispersos producirán una desviación estándar más grande.

Una herramienta rudimentaria pero sencilla para comprender la desviación estándar es la regla

práctica del intervalo, que se basa en el principio de que, para muchos conjuntos de datos, la

vasta mayoría (tanto como el 95%) de los valores muestrales se ubican dentro de dos

desviaciones estándar a partir de la media. (Estadistica, s.f., p.97)

- Estimación de intervalo y sesgo

- Estimación de intervalo: el estudio de estimación en la estimación de intervalos, intenta

establecer, a partir de un estadístico, una cierta región en donde, con un nivel de certeza

determinado, sea posible afirmar que se encuentra el parámetro.

- Sesgo: Se denomina sesgo de un estimador a la diferencia entre la esperanza (valor

esperado) del estimador y el verdadero valor del parámetro a estimar. Es deseable que un

estimador sea insesgado o centrado, esto es, que el sesgo sea nulo para que la esperanza

del estimador sea igual al valor del parámetro que se desea estimar.

o Un estimador θ^ es insesgado (centrado) cuando E ( θ^ ) =θ

o Un estimador θ ̂ es sesgado Sí E ( θ^ ) =θ+b ( θ^ ) → b ( θ^ )=E ( θ^ ) −θ^

o Un estimador θ^ es asintóticamente insesgado si su posible sesgo tiende a cero al

aumentar el tamaño muestral que se calcula: lim b ( θ^ ) =0 (De la Fuente, s.f.)

n→∞

- Error cuadrático medio de estimadores puntuales, estimador puntual de un

parámetro y estimador insesgado:

El estimador puntual de un parámetro es una fórmula que permite observar en una muestra

un parámetro, y se dice que un estimador puntual es insesgado si se cumple que el valor

 8

esperado de la distribución de las muestras de un parámetro es igual al parámetro, esto se

expresa con la ecuación:

E ( θ^ ) =θ

Donde θ es el parámetro, y θ^ es el estimador puntual.

Recuérdese que el valor esperado está definido por la siguiente formula:

m
E ( θ^ ) =∑ θ^ j P( θ^ j )
j=1

Donde P( θ^ j) es la probabilidad de ocurrencia de θ^ j.

A partir de la formula anterior se puede calcular el sesgo del estimador, esto es cuando

E ( θ^ ) ≠ θ ,el sesgo es su diferencia, y se calcula mediante la fórmula siguiente:

B ( θ^ )=E ( θ^ )−θ

Ahora según Wackerly, Mendenhall, & Scheaffer (2009), el Error cuadrático medio de

estimadores puntuales se define y calcula mediante la siguiente formula:

2
MSE ( θ^ )=E [ ( θ−θ)
^ ]
Que calcula el valor esperado del cuadrado de la diferencia del estimador y el valor del

parámetro estimado.

- Sesgo de un estimador puntual, error estándar del estimador

Sesgo de un estimador puntual: Se denomina sesgo de un estimador a la diferencia entre la

esperanza (o valor esperado) del estimador y el verdadero valor del parámetro a estimar. Es

deseable que un estimador sea insesgado o centrado, es decir, que su sesgo sea nulo por ser

su esperanza igual al parámetro que se desea estimar. (Wikipedia, s.f.)

 9

El error estándar es la desviación estándar de la distribución muestral de un estadístico

muestral.1 El término se refiere también a una estimación de la desviación estándar, derivada

de una muestra particular usada para computar la estimación. (Wikipedia, s.f.)

El error estándar de la media (llamado en inglés "standard error of the mean" (SEM))

cuantifica4 las oscilaciones de la media muestral (media obtenida en los datos) alrededor de

la media poblacional (verdadero valor de la media). El EEM o SEM se estima generalmente

dividiendo la desviación estándar de la población entre la raíz cuadrada del tamaño de la

S
muestra (suponiendo independencia estadística de los valores en la muestra): S E X́ =
√n

donde

s es la desviación estándar (es decir, la estimación basada en la muestra de la desviación

estándar de la población).

n es el tamaño (número de individuos de la muestra) (Wikipedia, s.f.)

Teoremas de esperanza:

Los teoremas de esperanza se refieren a las propiedades del valor esperado, recuérdese

que, como se mencionó anteriormente, la esperanza está definida por la fórmula:

E(x)=∑_(j=1)^m▒x_j P(x_j)

Y es un valiosos y preciso estadígrafo para la media:

 10

“Entonces, E(Y) es un promedio, y ……… es consistente con la definición de una

media” (Wackerly, Mendenhall, & Scheaffer, 2009, p. 92)

Ahora según Wackerly, Mendenhall, & Scheaffer (2009), los teoremas de esperanza son

los siguientes:

La esperanza de una constantes c, es la misma constante, es decir que E(c)=c.

La esperanza es un operador lineal, y cumple con las siguientes propiedades,

teniendo que a,b y c son constantes:

E(x+c)=E(x)+E(c)=E(x)+c

E(x+y)=E(x)+E(y)

E(cx)=cE(x)

E(xy)=E(x)E(y) Si las variables x y y son independientes.

E(ax+by)=aE(x)+bE(y)

Si E(Y)=μ es el valor esperado de la variable aleatoria discreta Y, entonces se

puede calcular su varianza V(Y) mediante la siguiente formula:

V(Y)=σ^2=E[〖(Y – μ)〗^2] = E(Y^2) – μ^2

Si la variable x esta entre dos números constantes a<x<b, también lo está su

media (esperanza): a<E(x) <b (Esperanza matemática, s.f)

Error de estimación y colas de la densidad de probabilidad

El error, es una unidad de medida que está en las mismas unidades de medida de la

variable.
 11

Error de la estimación: Es una medida de su precisión que se corresponde con la

amplitud del intervalo de confianza. Cuanta más precisión se desee en la estimación de

un parámetro, más estrecho deberá ser el intervalo de confianza y, por tanto, menor el

error, y más sujetos deberán incluirse en la muestra estudiada. Llamaremos a esta

precisión E, según la fórmula E = θ2 - θ1

Si la variación debida al error (representada por CME) es pequeña, significa que el error

de la estimación es bajo, y la variación se debe en gran parte al modelo como tal de

regresión (la recta), representado por CMR; por el contrario, si la estimación es pobre,

CME (variación debida al error) debe ser grande en comparación con CMR.

Límite probabilístico en el error de estimación

Es la diferencia del valor estimado y el valor verdadero de un parámetro.

Se debe trabajar con una población, una muestra: los n elementos observados; y una

distribución de probabilidad. La población se puede considerar que es una variable aleatoria

con distribución de Bernoulli de parámetro θ, donde θ es la probabilidad de producir un

elemento defectuoso, los n elementos son la repetición con independencia, de n variables

aleatorias de Bernoulli y lo que se pretende, la distribución de probabilidad de la muestra

n
n n−∑ x 1
θ ∑ x 1 ( 1−θ ) 1
es conocer el valor θ.
1

Intervalos de confianza y estimador de intervalo

 12

En estadística, se llama intervalo de confianza a un par o varios pares de números entre los

cuales se estima que estará cierto valor desconocido con un determinado nivel de confianza.

Formalmente, estos números determinan un intervalo, que se calcula a partir de datos de una

muestra, y el valor desconocido es un parámetro poblacional. El nivel de confianza

representa el porcentaje de intervalos que tomados de 100 muestras independientes distintas

contienen en realidad el valor desconocido. En estas circunstancias, α es el llamado error

aleatorio o nivel de significación, esto es, el número de intervalos sobre 100 que no contienen

el valor1.

El intervalo de confianza está determinado por dos valores dentro de los cuales afirmamos

que está el verdadero parámetro con cierta probabilidad. Son unos límites o margen de

variabilidad que damos al valor estimado, para poder afirmar, bajo un criterio de

probabilidad, que el verdadero valor no los rebasará. Es una expresión del tipo

[θ1 , θ 2]ó θ 1≤ θ ≤θ 2, donde θ es el parámetro a estimar. Este intervalo contiene al parámetro

estimado con una determinada certeza o nivel de confianza. Dada una familia de

distribuciones de probabilidad P={f (⃗x ∨θ)∨θ ∈θ } se llama región de confianza de grado

1−αbasada en una m.a.s. de tamaño n , a una región S( x 1 , … , x n ) del espacio paramétrico θ

tal que P { S ( x 1 , … , x n ) ∋ θ|θ } ≥ 1−α ∀ θ ∋ θ ; con ∈(0,1) y normalmente pequeño. Si θ es un

subconjunto de R y S( x 1 , … , x n ) =¿ θ́(x 1 , … , x n )) , se habla entonces de un intervalo de

confianza. Pudiendo ser uno de los extremos infinito.

En esta definición se admite tácitamente que cuando la distribución de s ( ⃗x ) sea continua se

puede alcanzar el valor 1−αy que en caso contrario la probabilidad del primer miembro es el

valor más próximo a 1−αpor exceso que sea posible, con el fin de no aumentar innecesariamente
 13

la probabilidad y por tanto el tamaño de la región de confianza.

LÍMITES DE CONFIANZA SUPERIOR E INFERIOR

Un límite de confianza es una técnica de estimación utilizada en inferencia estadística que

permite acotar un par o varios pares de valores, (uno superior y otro inferior) dentro de los cuales

se encontrará la estimación puntual buscada (con una determinada probabilidad).

Propiedades

 Tamaño de la muestra seleccionada: Dependiendo de la cantidad de datos que se hayan

utilizado para calcular el valor muestral, este se acercará más o menos al verdadero

parámetro poblacional.

 Nivel de confianza: Nos va a informar en qué porcentaje de casos nuestra estimación

acierta. Los niveles habituales son el 95% y el 99%.

 Margen de error de nuestra estimación: Este se denomina como alfa y nos informa de la

probabilidad que existe de que el valor poblacional esté fuera de nuestro intervalo.

 Lo estimado en la muestra (media, varianza, diferencia de medias…): De esto va a

depender el estadístico pivote para el cálculo del intervalo.

El límite de confianza se utiliza para dar una estimación puntual del parámetro poblacional, Nos

permite acotar entre dos valores en dónde se encontrará la media de la población.

 14

EL COEFICIENTE DE CONFIANZA 

Es la probabilidad de que el parámetro a estimar se encuentre en el intervalo de confianza. El

Coeficiente de confianza (p) se designa mediante 1 − α, y se suele tomar en tanto por ciento.

Los niveles de confianza más usuales son: 90%; 95% y 99%.

se utiliza para saber en qué porcentaje de casos nuestra estimación acierta con la realidad

INTERVALOS DE CONFIANZA EN UNA MUESTRA GRANDE

Bajo ciertas condiciones de regularidad, es posible construir intervalos de confianza

asintóticos de una manera bastante general.

Si suponemos que un parámetro θ tiene una estimación máximo verosímil θ*, la distribución

asintótica del estimador, bajo condiciones generales de regularidad, es Normal, de media el valor

verdadero del parámetro θ y varianza igual a la cota de Cramér-Rao σ2(θ*).

Bajo las suposiciones anteriores, es posible construir un intervalo de confianza asintótico y con

nivel de confianza (1 − α) · 100 % a partir de

 15

 donde los valores de zα/2 se calculan a partir de la distribución N (0, 1) de forma que P(|Z| > zα/2)

= α.

Es decir, se utiliza como estadístico pivote

MÉTODOS DE OBTENCIÓN DE CONFIANZA DE INTERVALOS

El método de construcción del intervalo de confianza se ha basado en que, para cada,

es una variable aleatoria cuya distribución no depende de θ , el parámetro

desconocido, y que en su expresión todo es conocido, salvo el parámetro θ. Esta variable

aleatoria, ha permitido trasladar un enunciado de probabilidad sobre la v.a. T = ,a

un enunciado en términos de confianza de que θ se encuentre entre dos extremos

Esta acción de pivotar la probabilidad admite una formulación

bastante general y es la que ha dado el nombre a la variable T ( x 1 , … , x n ; θ ) de variable pivotal.

Ejemplo

Dada una m.a.s. de tamaño n de una población uniforme(0 , θ), para determinar un intervalo de

grado de confianza1 -α para θ , se puede emplear el estadístico suficiente T =x(n) , cuya función

de distribución es

0 si t ≤ 0

{( )
f ( t /θ )= t
θ
n
si 0≤ t ≤ θ
1 si t ≥ θ
 16

Siguiendo el método Neyman, se deben encontrar dos funciones γ 1 ( θ , α ) y γ 2 (θ , α ) de manera que

P( γ ¿ ¿ 1 (θ , α ) ≤T ≤ γ 2 ( θ , α ) I θ)≥ 1−α , α ϵ [ 0,1 ] ¿

En este caso se puede conseguir la igualdad. Bastará hacer

Con a 1 ∈ [ 0 , α ] de donde

Gráficamente, véase la Figura 4.2.4, las funciones son rectas que pasan por el origen; si se

igualan

−1
n
θ(¿ T ( x 1 , … x n))= X (n )(1−( α−a 1)) ¿
 17

−1
n
θ(T (x 1 ,… x n ))= X (n ) a 1

−1 −1

(
En definitiva X (n ) ( 1−( α −a1 ) ) n
, X (n ) a 1 n
) en un intervalo para
θ de grado de confianza 1−a .

Es facil comprobar que al variar a1 ∈ ( 0. a ) el intervalo de amplitud

minima viene dado por a1=a , y por lo tanto , es

−1
IC 1−a ( θ )=( x ( n) , X (n ) a n )

Longitudes del intervalo

 Cuanto mayor es la desviación típica θ , mayor es la longitud del intervalo.

 Cuanto mayor es el tamaño de la muestra n, menor es la longitud del intervalo.

 Cuanto mayor es el nivel de confianza 1−α , mayor es la longitud del intervalo.

Intervalos de confianza en una muestra grande

Sí el tamaño muestral es suficientemente grande, se puede determinar z α para que

2

T n −θ
{
P −z a <
2
<z Iθ
σ n ( θ ) a2 } 1−a

α
con z α tal que Ф ( z α ) = 1 - donde Ф es la función de distribución de la v.a. N (0 , 1) . Si la
2 2 2

relación anterior puede invertirse, se podrá utilizar para determinar un intervalo de confianza

para θ. Nótese que si la ecuación de verosimilitud tiene una única raíz θ^n puede tomarse T n=θ^n la
 18

1 ^ .s.θ
sucesión consistente de raices y σ^n ( θ ) = que, sí es una función continua, como θn c → ,
√1
¿ (θ)

puede ser aproximada por σ^n ( θ ) .

Ejemplo

Para construir mediante muestras grandes, un intervalo de confianza 1 −αpara el parámetro θ de

una población de poisson ¿), con θ >0 la expresión

1
P {|X − y|<k √ θ Iθ } ≥ ,
k2

Permite obtener

1
P {|X −θ|< k √θ Iθ } ≥ 1− ,
k2

−1
Así si se hace 1 =1−α y se aproxima θ por x́ se obtiene el intervalo de confianza
k2

aproximado para θ

C 1−a ( θ ) ¿

Método del pivote:

Según Wackerly, Mendenhall, & Scheaffer (2009) el método del pivote es un método que

sirve para encontrar intervalos de confianza, determinando una cantidad que actué como

pivote y tenga las siguientes dos propiedades:

1. Que sea una función continua de las medidas muestrales y el parámetro desconocido.

2. Que su distribución de probabilidad sea conocida y no dependa del parámetro

desconocido.
 19

El método pivotal sirve en la inferencia estadística para probar o descartar hipótesis.

Un ejemplo es el siguiente (ejemplo compartido en el paso 1 de este curso):

A partir de la información del peso de los estudiantes de la UNAD, se tiene que la media

de la población es μ=70 kg , y de una muestra de n=100 estudiantes se obtiene que la

media muestra esx́=68 kg, y su desviación estándar es σ =5.5, y se desea probar la

hipótesis:

H 0= x́ ≠ μ

H 1=x́=μ

Con un nivel de significancia a=0,05=5 %, que en la distribución normal es

Z± a /2=± 1,96, ya que n>30.

Ahora se calcula la función pivotal (que representa el método del pivote):

^Z = x́−μ =−3,6363
σ /√n

Ahora se dice que se rechaza H 0 si |Z^|>|Z± a /2|, y como |−3,6363|>|±1,96|, entonces se

rechaza la hipótesis de que la media muestra es diferente a la media poblacional con un

nivel de significancia del 5%.

DESARROLLO DE LOS EJERCICIOS CON SUS RESPECTIVAS CONCLUSIONES

1. Se toma una muestra aleatoria de ocho casas en la ciudad de Londres, los precios de
venta de estas casas son (en miles de libras):
92 83 112 127 109 96 102 90
 20

a. Hallar la media, varianza y desviación típica.

b. Halle la proporción muestral de casas con nivel porcentual mayor a 107.

a. Hallar la media, varianza y desviación típica.

Media

X́ =
∑ fi
n
92+ 166+336+508+545+576+ 714+720
X́ =
8
X́ =101.37
varianza

2
S=
∑ X 2i. F i − X́ 2
N
92+332+1008+2032+2725+3456+ 4977+5760
S2 = −(101.37)2
811
20382
S2 = −10275.87
811

S2=10250.74

Desviación típica
 21

∑ X 2i . F i − X́ 2
S=
√ N
S= √ 10250.74
S=101.25

2. La Dirección General de Tráfico quiere conocer la velocidad a la que circulan los

automóviles en un tramo determinado de una carretera. Para una muestra de 7

automóviles, el radar señalo las siguientes velocidades en kilómetros por hora:

79 73 68 77 86 71 69

a. Calcule la media y la varianza

b. Suponiendo que la distribución es normal, hallar un intervalo de confianza del

95% para la velocidad media de los automóviles que circulan por dicho tramo

Solución

Datos

n=7

x́=¿ 74.7

s2=40.9

a. Calcule la media y la varianza

Media

x́=
∑x
n
 22

79+73+68+77+ 86+71+69 523

x́= = =74.7
7 7

Varianza

2 ∑ ( x−x )2
s=
n−1

(79−74.7)2+(73−74.7)2+(68−74.7)2 +(77−74.7)2 +(86−74.7)2 +(71−74.7)2 +(69−74.7)2

s2=
7−1

( 4.3)2+(−1.7)2 +(−6.7)2 +(2.3)2+(11.3)2 +(−3.7)2 +(−5.7)2

s2=
6

18.48+2.89+ 44.89+5.29+127.69+13.69+32.49 245.42

s2= = =40.9
6 6

b. Suponiendo que la distribución es normal, hallar un intervalo de confianza del 95% para la

velocidad media de los automóviles que circulan por dicho tramo.

Solución

Así se necesita hallar el intervalo (a , b) donde la probabilidad: P ( a ≤ Z ≤ b )=0,95

Considerando el nivel de significancia α =1−0,95=0,05.

Ahora se tiene que según la tabla de distribución normal:

Z α =Z ± 0,025=±1,96
±
2

Debemos hallar la desviación típica, se sabe que la varianza es 40.9

s2=40.9

s= √ 40.9=6.4
 23

Entonces tenemos

σ =6.4

n=7

x́=¿ 74.7

Ahora la función pivotal para una población con distribución normal es:

x́−μ 74,7−μ
Z= =
σ / √ n 6,4 / √ 7

74.7−μ
Z=
6.4/2.64

2,1−μ
(
Así que P (−1,96 ≤ Z ≤ 1,96 )=P −1,96 ≤
0,45/5 )
≤1,96 =0,95.

Se tiene que:

74,7−μ 6,4 6,4

(
P −1,96 ≤
6,4
) (
≤1,96 =P −1,96
2,64
≤ 74,7−μ ≤ 1,96
2,64 )
2,64

6,4 6,4
(
¿ P −1,96
2,64
−74,7 ≤−μ ≤ 1,96
2,64 )
−74,7 = 0,95

6,4 6,4
(
¿ P 1,96
2,64
+74,7 ≥ μ ≥−1,96
2,64 )
+74,7 =0,95

P ( 4.75+74,7 ≥ μ≥−4.75+74,7 )=0,95

P ( 79.45≥ μ ≥69.95 )=0,95

 24

El intervalo de confianza del 95% para la velocidad media de los automóviles que circulan

por dicho tramo es: ( 79.45 ≥ μ ≥ 69.95 )

3. En la secretaría de cierta universidad se ha comprobado que la nota media de los candidatos

para la admisión a la maestría a Matemáticas sigue una distribución normal con desviación típica

de 0,45. Se toma una muestra aleatoria de 25 solicitudes y se obtiene una media muestral de

calificaciones igual a 2,1

a. Calcule un intervalo de confianza del 95% para la media poblacional

b. Calcule un intervalo de confianza del 99% para la media poblacional

Solución:

a. Según el enunciado, se tienen los siguientes datos:

σ =0,45

n=25

x́=2,1

Así se necesita hallar el intervalo (a , b) donde la probabilidad: P ( a ≤ Z ≤ b )=0,95

Considerando el nivel de significancia α =1−0,95=0,05.

Ahora se tiene que según la tabla de distribución normal:

Z α =Z ± 0,025=±1,96
±
2

x́−μ 2,1−μ
Ahora la función pivotal para una población con distribución normal es: Z= = .
σ / √ n 0,45/5
 25

2,1−μ
(
Así que P (−1,96 ≤ Z ≤ 1,96 )=P −1,96 ≤
0,45/5 )
≤1,96 =0,95.

Y considerando lo siguiente:

“Si Y es cualquier variable aleatoria, c > 0 es una constante y P(a ≤ Y ≤b)=.7; entonces

ciertamente P(ca ≤ cY ≤ cb)=.7. Del mismo modo, para cualquier constante d,

P(a+ d ≤ Y +d ≤ b+d )=.7. Esto es, la probabilidad del evento (a ≤ Y ≤b) no resulta

afectada por un cambio de escala o una traslación de Y.” (Wackerly, Mendenhall, &

Scheaffer, 2009, p. 407)

Se tiene que:

2,1−μ 0,45 0,45 0,45 0,45

(
P −1,96 ≤
0,45/5 ) (
≤ 1,96 =P −1,96
5
≤ 2,1−μ ≤ 1,96
5 ) (
=P −1,96
5
−2,1 ≤−μ ≤1,96
5 ) (
−2,1 =P 1

Así el intervalo de confianza del 95% para la media poblacional es: ( 2,2764 ≥ μ ≥1,9236 )

b. Considerando el nivel de significancia α =1−0,99=0,01.

Ahora se tiene que según la tabla de distribución normal:

Z α =Z ± 0,005=±2,575
±
2

x́−μ 2,1−μ
Ahora la función pivotal para una población con distribución normal es: Z= = .
σ / √ n 0,45/5

Así que

2,1−μ 0,45 0,45 0,45

(
P (−2,575 ≤ Z ≤ 2,575 )=P −2,575≤
0,45/5 ) (
≤ 2,575 =P −2,575
5
≤ 2,1−μ ≤ 2,575
5 ) (
=P −2,575
5
−2
 26

Así el intervalo de confianza del 99% para la media poblacional es: ( 2,33175 ≥ μ ≥ 1,86824 )

4. Para analizar la eficacia de la aplicación de un tratamiento, se someten al mismo a

64 pacientes. Finalizado el período de aplicación se observó que remitió la enfermedad en

50 casos. Con un nivel de confianza del 92%, estime el porcentaje de efectividad del

tratamiento objeto de estudio.

Se utiliza para su solución la estimación de una proporción: Un estimador puntual de la

proporción está dado por p=x /n, donde x es el número de éxitos en n pruebas.

Datos:

n=64

x=50

Calculamos 1-α = 0,92

 p=x /n=50/64=0,78125=78,125 %

 q=1− p=1−0,78125=0,21875=21,875 %

 1−∝=0,92

 ∝=1−0,92=0,08

 z α (0,92)=1,75

 µ=np=(64)(0,78125)=50

 σ =√ npq=√ (64 ) ( 0,78125 )( 0,21875 )=3,30718

 27

Tenemos en cuenta, la Fórmula para Intervalo de confianza:

p(1− p)
p ± zα
√ n

50
Para la proporción muestral p= =0,78125 , elintervalo de confianza es :
64

0,78125 ( 1−0,78125 )
0,78125 ±1,75∗
√ 64
→ 0,78125± 0,09043

0,78125+0,09043=0,87168

0,78125−0,09043=0,69082

Tenemos: → ( 0,69082; 0,87168 )

R/: Se puede afirmar que el tratamiento será efectivo entre el 69,082% y el 87,168% de los

casos, con un margen de error del 8%, puesto que el nivel de confianza es del 92%.

5. En una muestra de 13 elementos, obtenidos aleatoriamente de una población normal

e infinita, sabemos que los límites del intervalo confidencial de estimación de la media

poblacional, con un nivel de riesgo del 5% son, respectivamente, 1,28 y 18,72.

a. Halle la media de la muestra

b. Halle la desviación típica insesgada de la muestra
Solución:
a. Para hallar la media de la muestra, se sabe que ocupa el valor medio del intervalo de
confianza, de esta manera:
18.72−1.28
x́= =8.72
2
b. Para hallar la desviación típica insesgada de la muestra, se tiene en cuenta que la muestra
es de tamaño pequeño, por lo tanto, el intervalo de confianza es:
 28

t ∝ ∗s ' t ∝ ∗s'
n−1 , n−1 ,
2 2
x́− , x́ + =(1,28; 18,72)
√n √n
Utilizamos la las Tablas de la t de Student para obtener el valor:
t ∝ =t 0,05 =2,178792
n−1 , 12 ,
2 2

Tomamos uno de los extremos del intervalo de confianza para obtener:

t ∝ ∗s'
n−1 ,
2 2,178792∗s '
x́ + =8,72+ =18,72
√n √ 13
2,178792∗s'
=10
√13
10 √ 13
s' = =16,548
2,178792
 29

Referencias bibliográficas

Abreu, J. (2012). Hipótesis, método & diseño de investigación (hypothesis, method & research
design). Daena: International Journal of Good Conscience, 7(2), 187-197. Recuperado de
http://www.spentamexico.org/v7-n2/7(2)187-197.pdf
Alvarado, J. (2008).Fundamento de inferencial estadística. Bogotá. Editorial Pontifica
Universitaria Javeriana. Recuperado de: https://books.google.com/books?
isbn=9587160940
Canavos, G., Meyer, P., Spiegel, M., & Mendenhall, S. (1988). Probabilidad y estadística.
Aplicaciones y métodos. Recuperado de https://gsosa61.files.wordpress.com/2008/03/10-
canavos-g-probabilidad-y-estadistica-aplicaciones-y-metodos.pdf
Esperanza matemática. (s.f.). En Wikipedia. Recuperado el 4 de marzo de 2020 de
https://es.wikipedia.org/wiki/Esperanza_matem%C3%A1tica
EStadistica (s.f.) Medidas de variación. Recuperado de
http://sgpwe.izt.uam.mx/files/users/uami/lrm/Estadistica/Extractos/Triola_medidas_dispe
rsion.pdf
Gómez, M. (2005). Inferencia estadística. Editorial Ediciones Díaz de Santos. Recuperado de
http://bibliotecavirtual.unad.edu.co:2077/lib/unadsp/detail.action?
docID=10156663&p00=inferencia+estadistica
Sáez, A. (2010). Métodos Estadísticos con R y R Commander, Universidad de Jaen,. Recuperado
de https://cran.r-project.org/doc/contrib/Saez-Castillo-RRCmdrv21.pdf
Sánchez, J. (2017). Introducción a la Inferencia. Recuperado de
http://hdl.handle.net/10596/10539
Superprof (s.f.) Parámetros estadísticos descriptivos Recuperado de
https://www.superprof.es/apuntes/escolar/matematicas/estadistica/descriptiva/parametros-
estadisticos.html
UB (s.f.) Media poblacional. Recuperado de http://www.ub.edu/aplica_infor/spss/cap4-2.htm
Wackerly, D., Mendenhall, W., & Scheaffer, R. (2009). Wackerly, D.D. and Mendenhall, W. and
Scheaffer, R.L. Estadística Matemática Con Aplicaciones, Séptima Edición, Cengage
Learning. Obtenido de https://docs.google.com/viewer?
 30

a=v&pid=sites&srcid=Y2llbmNpYXMudW5hbS5teHxtLWVzdGFkaXN0aWNhMXkyf
Gd4OjQyZDI5ZDE1ZjE2MjhhNzg
Wikipedia (s.f.) Estimador. Recuperado de https://es.wikipedia.org/wiki/Estimador#Sesgo
Wikipedia, Intervalo de confianza, recuperado de
https://es.wikipedia.org/wiki/Intervalo_de_confianza
Zap, M. (2012) Definición de parámetro estadístico. Recuperado de
https://es.scribd.com/doc/81214981/Definicion-de-parametro-estadistico