Página 1 de 20

Carrera:
LICENCIATURA EN MATEMÁTICAS

Materia:
Estadística I.

U2-A4: Teorema Central del Limite

Foro.
Grupo:
MT-MEST1-2001-B2-001

Alumno:Rolando Ortiz Herbas

Matrícula:
ES18210414044

Maestro:

Claudio Ramón Rodríguez Mondragón.

 Página 2 de 20

1.- Investiga:
a) Define la estimación puntual.

Un estimador 𝜃̂ 𝑑𝑒𝑙 𝑝𝑎𝑟𝑎𝑚𝑒𝑡𝑟𝑜 𝜃 , es un estadístico, una formula, obtenido como una función de la
muestra, es decir 𝜃̂ = 𝐹(𝑋1 , 𝑋2 , … , 𝑋𝑛 )
Dos métodos muy usados son:
i) Momentos
ii) Estimador de Máxima Verosimilitud

b) Define la estimación por intervalos

La estimación por intervalos como su nombre lo indica, se trata de un rango de valores. En este intervalo
de valores, con cierto nivel de probabilidad, se encuentra el parámetro poblacional. Como ya se vio en
la unidad uno de esta materia, el concepto de rango consta de dos valores, un valor máximo y un valor
mínimo. En estimación, se les conoce como límite superior y límite inferior respectivamente. Así se tiene
que dentro de estos valores (máximo-mínimo) se puede concluir que se encuentra el parámetro de
interés. (UNADM, 2020, Pag. 34)

c) Define la estimación por intervalos aleatorio.

Un intervalo se puede asemejar al concepto de rango (rango=valor máximo – valor mínimo). Estos
valores máximo y mínimo, en intervalos se les llaman límite superior y límite inferior. Ahora bien, se le
llama intervalo aleatorio, al intervalo que se construye y al menos uno de sus límites es una variable
aleatoria.
Gráficamente tenemos:

Dónde:

𝛼 = significancia o nivel de significancia o nivel de significación.

1−𝛼 = nivel de confianza. Es el área bajo la curva comprendida entre los límites superior e inferior.
 Página 3 de 20

L.inf = Límite inferior de confianza y L.sup = Límite superior de confianza. (UNADM, 2020, Pag.
35)

d) Define la estimación por intervalo de confianza.

Una estimación por intervalos consta de dos valores, un valor máximo y un valor mínimo y que en
estimación se les conoce como límite superior y límite inferior respectivamente. Cuando se trata de un
intervalo de confianza ese valor máximo se le llama límite superior de confianza y al valor mínimo se
le llama límite inferior de confianza.

e) Define el objetivo del Método Máxima Verisimilitud.

Si la función de densidad de una v.a. X suele estar relacionada al menos con un parámetro 𝜃 y
supongamos que tenemos un muestra aleatoria 𝑥1, 𝑥2, 𝑥3, … , 𝑥𝑛. El método de la máxima verosimilitud
selecciona en cierto sentido, de todos los valores posibles 𝜃, el que tenga mayor probabilidad de
haber producido esas observaciones. (Milton Susan, 2004,Pag. 231)

f) Por qué razón matemática, se le llama “Máxima” al Método Máxima Verisimilitud.

Es llamada así porque máximiza la función de verosimilitud. (Milton Susan, 2004,Pag. 232)

h) Escribe la expresión matemática de la función de Verosimilitud.

𝐿(𝜃) = ∏ 𝑓(𝑥𝑖 )
𝑖=1

i) Describe los pasos con ecuaciones matemáticas, para el Método de Máxima Verosimilitud,

1) Obtener una muestra aleatoria 𝒙𝟏, 𝒙𝟐, 𝒙𝟑, … , 𝒙𝒏 de una distribución de v.a. X con función de
densidad 𝑓 𝑦 𝑝𝑎𝑟𝑎𝑚𝑒𝑡𝑟𝑜 𝜃.
2) Definir una función 𝐿(𝜃) 𝑐𝑜𝑛:
𝑛

𝐿(𝜃) = ∏ 𝑓(𝑥𝑖 )
𝑖=1
Esta función se llama función de verisimilitud de la muestra.
3) Encontrar la expresión de 𝜃 que máximice la función de verisimilitud. Esto se puede hacer
directamente o al maximizar ln (𝐿(𝜃)).
4) Sustituir 𝜃 𝑝𝑜𝑟 𝜃̂ para obtener una expresión del estimador de máxima verisimilitud de 𝜃.
5) Encontrar el valor observado de dicho estimador para una muestra dada.
 Página 4 de 20

j) Define intervalo de confianza.

Una estimación por intervalos consta de dos valores, un valor máximo y un valor mínimo y que en
estimación se les conoce como límite superior y límite inferior respectivamente. Cuando se trata de un
intervalo de confianza ese valor máximo se le llama límite superior de confianza y al valor mínimo se le
llama límite inferior de confianza.
Los intervalos de confianza están asociados a cierto nivel de confianza, por ejemplo: un 90%, o
expresado en forma decimal un 0.90 de confianza.

Grafica:

k) Define nivel de confianza.

1−𝛼 = nivel de confianza. Es el área bajo la curva comprendida entre los límites superior e inferior.
(UNADM, 2020)

l) Define nivel de significación o nivel de significancia.

 Página 5 de 20

𝛼 = significancia o nivel de significancia o nivel de significación. (UNADM, 2020)

m) En los intervalos de confianza para la media poblacional, ¿cuáles son los errores?

Los errores son 2 uno negativo y otro positivo, dado por la expresión anterior. (UNADM, 2020)

n) En los intervalos de confianza para la media poblacional, ¿qué ocurre con los errores, si
aumenta el tamaño del estudio de la muestra?

Obviamente debe disminuir.

2.- Problemas y ejercicios.

Método de Máxima Verosimilitud.

1.- Sea 𝑓 una función de distribución de probabilidad de una variable aleatoria 𝑋, 𝜃 un

parámetro de esta función, obtener el estimador para 𝜃 llamado 𝜃 por el Método de Máxima
Verosimilitud.

𝒇(𝜽) = 𝜽𝒆−𝜽𝒙

a) Obtener la función de verosimilitud particular.

𝑳(𝜽) = ∏ 𝜽𝒆−𝜽𝒙𝒊
𝒊=𝟏

b) Calcula la estimación para 𝜃.

𝒏
𝒏
𝑳(𝜽) = ∏ 𝜽𝒆−𝜽𝒙𝒊 = 𝜽𝒆−𝜽𝒙𝟏 . 𝜽𝒆−𝜽𝒙𝟐 . 𝜽𝒆−𝜽𝒙𝟑 … 𝜽𝒆−𝜽𝒙𝒏 = 𝜽𝒏 𝒆− ∑𝒊=𝟏 𝜽𝒙𝒊
𝒊=𝟏

c) Calcula el estimador para 𝜃.

Aplicando logaritmo natural a la ecuación anterior tenemos:

𝒏 𝒏
𝒍𝒏(𝑳(𝜽)) = 𝒍𝒏(𝜽𝒏 𝒆− ∑𝒊=𝟏 𝜽𝒙𝒊 ) = 𝒍𝒏(𝜽𝒏 ) + 𝒍𝒏(𝒆− ∑𝒊=𝟏 𝜽𝒙𝒊 )
 Página 6 de 20

𝒍𝒏(𝑳(𝜽)) = 𝒏. 𝒍𝒏(𝜽) − (∑ 𝜽𝒙𝒊 ) . 𝒍𝒏(𝒆)

𝒊=𝟏

𝒍𝒏(𝑳(𝜽)) = 𝒏. 𝒍𝒏(𝜽) − (𝜽 ∑ 𝒙𝒊 )
𝒊=𝟏

Derivando ambos lados de la ecuación e igualando a cero para encontrar el máximo:

𝒏
𝒅 𝒍𝒏(𝑳(𝜽)) 𝒏
= − ∑ 𝒙𝒊 =𝟎
𝒅𝜽 𝜽
𝒊=𝟏

𝒏
𝒏
− ∑ 𝒙𝒊 = 𝟎
𝜽
𝒊=𝟏
𝒏 ̂
=𝜽
∑𝒏 𝒙
𝒊=𝟏 𝒊

𝟏 𝟏
̂=
𝜽 =
∑𝒏𝒊=𝟏 𝒙𝒊 ̅
𝒙
𝒏
Entonces el estimador es:
𝟏
̂=
𝜽
̅
𝒙

d) Comprueba que en verdad es un valor máximo para 𝜃̂.

Obtenemos la segunda derivada y si es menor que cero, entonces es un máximo.

𝒅𝟐 𝒍𝒏(𝑳(𝜽)) 𝒏
= −𝒏𝜽−𝟐 = −
𝒅𝜽𝟐 𝜽𝟐
𝟏
Evaluando esta ultima ecuación en
̅
𝒕𝒆𝒏𝒆𝒎𝒐𝒔
𝒙

𝒏
− 𝟐
̅)𝟐 < 𝟎 ∴ 𝒆𝒔 𝒆𝒍 𝒎á𝒙𝒊𝒎𝒐.
= −𝒏(𝒙
𝟏
̅
𝒙

2.- Sea 𝑥1,𝑥2,…,𝑥𝑛 una muestra aleatoria de distribución:

 Página 7 de 20

𝜃−1
𝑓(𝑥; 𝜃) = {𝜃𝑥 ∀𝑥 0 < 𝑥 < 1
0 𝑒𝑛 𝑜𝑡𝑟𝑜 𝑐𝑎𝑠𝑜

Por el Método de Máxima Verosimilitud calcular:

a) Obtener la función de verosimilitud particular.
b) Calcula la estimación para 𝜃.
c) Calcula el estimador para 𝜃.
d) Comprueba que en verdad es un valor máximo para 𝜃.
𝒏

𝑳(𝒙; 𝜽) = ∏ 𝜽𝒙𝒊 𝜽−𝟏 = 𝜽𝒙𝟏 𝜽−𝟏 . 𝜽𝒙𝟐 𝜽−𝟏 … 𝜽𝒙𝒏 𝜽−𝟏

𝒊=𝟏
𝐿(𝑥; 𝜃) = 𝜃 𝑛 (𝑥1 . 𝑥2 . … 𝑥𝑛 )𝜃−1

Aplicando logaritmo natural tenemos :

ln (𝐿(𝑥; 𝜃)) = ln (𝜃 𝑛 ) + ln ((𝑥1 . 𝑥2 . … 𝑥𝑛 )𝜃−1 )

ln(𝐿(𝑥; 𝜃)) = 𝑛 ln(𝜃) + (𝜃 − 1) ln (𝑥1 . 𝑥2 . … 𝑥𝑛 )

Derivando despecto a 𝜃

d (ln(𝐿(𝑥; 𝜃))) 𝑛
= + ln (𝑥1 . 𝑥2 . … 𝑥𝑛 )
𝑑𝜃 𝜃

Igualando a cero tenemos que:

𝑛
+ ln(𝑥1 . 𝑥2 . … 𝑥𝑛 ) = 0
𝜃
𝑛
= − ln(𝑥1 . 𝑥2 . … 𝑥𝑛 )
𝜃
Entonces:

𝒏
̂=
𝜽
− 𝐥𝐧(𝒙𝟏 . 𝒙𝟐 . … 𝒙𝒏 )

Calculando la segunda derivada:

𝐝𝟐 (𝐥𝐧(𝑳(𝒙; 𝜽))) 𝒏
𝟐
= −𝒏𝜽−𝟐 = − 𝟐
𝒅𝜽 𝜽

Evaluando en 𝜃̂

𝒏
− <𝟎 ∴ 𝒆𝒔 𝒆𝒍 𝒎𝒂𝒙𝒊𝒎𝒐 𝒅𝒆 𝒍𝒂 𝒇𝒖𝒏𝒄𝒊ó𝒏 𝑳
̂𝟐
𝜽
 Página 8 de 20

3.- Estimación de dos parámetros desconocidos:

Sea 𝑥1,𝑥2,…,𝑥𝑛 una muestra aleatoria de n elementos, de la Distribución Normal 𝑁(𝜇,𝜎2) en donde 𝜇 y
𝜎2 son parámetros desconocidos de la población, y ambos se desean estimar por el Método de
Máxima Verosimilitud, dado que
1 (𝑥−𝜇)2
2) −
𝑓(𝑥, 𝜇, 𝜎 = 𝑒 2𝜎2
√2𝜋𝜎 2

Obtener:
a) La función de Verosimilitud particular, para ambos parámetros.
b) Calcula la estimación para 𝜇.
c) Calcula el estimador para 𝜇.
d) Calcula la estimación para 𝜎2.
e) Calcula el estimador para 𝜎2.
f) Puedes proponer una metodología matemática para verificar si en verdad son estimaciones
máximas conjuntas de 𝜇 y 𝜎2. No es necesaria desarrollarla, solo establece los pasos a elaborar y las
decisiones a efectuar.

𝟏 (𝒙 −𝝁)𝟐 𝟏 (𝒙 −𝝁)𝟐 𝟏 (𝒙𝒏 −𝝁)𝟐

𝟐) − 𝟏 𝟐 − 𝟐 𝟐 −
𝑳(𝜽; 𝝁, 𝝈 = 𝒆 𝟐𝝈 . 𝒆 𝟐𝝈 … 𝒆 𝟐𝝈𝟐
√𝟐𝝅𝝈𝟐 √𝟐𝝅𝝈𝟐 √𝟐𝝅𝝈𝟐
𝑛 (𝑥𝑖 −𝜇)2
2)
1 − ∑𝑛
𝐿(𝜃; 𝜇, 𝜎 =( ) 𝑒 𝑖=1 2𝜎 2
√2𝜋𝜎 2
Aplicando logaritmo natural:
𝑛 (𝑥𝑖 −𝜇)2
1 − ∑𝑛
ln(𝐿(𝜃; 𝜇, 𝜎 2 )) = ln (( ) ) + ln ( 𝑒 𝑖=1 2𝜎 2 )
√2𝜋𝜎 2
𝒏
𝟐 ))
𝒏 𝟏
𝐥𝐧(𝑳(𝜽; 𝝁, 𝝈 = − 𝐥𝐧 (𝟐𝝅𝝈𝟐 ) − 𝟐 ∑ (𝒙𝒊 − 𝝁)𝟐
𝟐 𝟐𝝈
𝒊=𝟏

Calculando la derivada parcial respecto a 𝜇 𝑦 𝜎 2 e igualando a cero tenemos :

𝒏
𝝏 𝐥𝐧(𝑳(𝜽; 𝝁, 𝝈𝟐 ))
= ∑ (𝒙𝒊 − 𝝁) = 𝟎 𝒆𝒄𝒖𝒂𝒄𝒊ó𝒏 (𝟏)
𝝏𝝁
𝒊=𝟏

𝒏
𝝏 𝐥𝐧(𝑳(𝜽; 𝝁, 𝝈𝟐 ))
= −𝒏𝝈𝟐 + ∑ (𝒙𝒊 − 𝝁)𝟐 = 𝟎 𝒆𝒄𝒖𝒂𝒄𝒊ó𝒏 (𝟐)
𝝏 𝝈𝟐
𝒊=𝟏

De la ecuación (1) tenemos que 𝝁 ̂= 𝒙̅

Sustituyendo en la ecuación (2) tenemos que:
 Página 9 de 20

𝒏
𝟐
𝟏
̅)𝟐 = 𝒔𝟐
̂ = ∑(𝒙𝒊 − 𝒙
𝝈
𝒏
𝒊=𝟏
Para verificar que es un máximo desarrollamos la matriz hesiana:

𝝏𝟐 ln(𝐿(𝜃; 𝜇, 𝜎2 )) 𝑛
𝟐
=− 2 𝑒𝑐𝑢𝑎𝑐𝑖ó𝑛 (3)
𝝏𝝁 𝜎
𝑛
𝝏𝟐 ln(𝐿(𝜃; 𝜇, 𝜎2 )) 𝒏 1
2 =− 𝟐 𝟐
− 3 ∑(𝑥𝑖 − 𝜇)2 𝑒𝑐𝑢𝑎𝑐𝑖ó𝑛 (4)
𝝏(𝜎2 ) 𝟐(𝝈 ) 2
(𝜎 ) 𝑖=1

𝒏
𝝏𝟐 ln(𝐿(𝜃; 𝜇, 𝜎2 )) 𝝏𝟐 ln(𝐿(𝜃; 𝜇, 𝜎2 )) 𝟏
𝟐
= 𝟐
= − 𝟐 𝟐 ∑(𝒙𝒊 − 𝝁) 𝑒𝑐𝑢𝑎𝑐𝑖ó𝑛 (5)
𝝏𝝁𝝏𝝈 𝝏𝝈 𝝏𝝁 (𝝈 )
𝒊=𝟏

Entonces:
𝒏
𝒏 𝟏
− 𝟐 − 𝟐 ∑( 𝒊
𝒙 − 𝝁)
𝝈 (𝝈𝟐 ) 𝒊=𝟏
ℎ(𝜇, 𝜎 2 ) = 𝒏 𝑛
𝟏 𝒏 1
− 𝟐 ∑(𝒙𝒊 − 𝝁) − 𝟐 𝟐
− 2 3 ∑(𝑥𝑖 − 𝜇)2
( (𝝈𝟐 ) 𝟐(𝝈 ) (𝜎 ) )
𝒊=𝟏 𝑖=1

Evaluando en los estimadores tenemos que:

𝒏
𝟐)
− 𝟐 𝟎
̂, 𝝈
𝒉(𝝁 ̂ ̂
= ( 𝝈 )
𝟎 ̂ 𝟐 )𝟐
−𝒏(𝝈

De los cursos de calculo tenemos que : (Larson, Pag. 939)

 Página 10 de 20

(nota este es un extracto de: Larson, Pag. 939)

𝒏
Cálculamos d y tenemos que : 𝒅 = − 𝝈̂𝟐 ∗ −𝒏(𝝈̂ 𝟐 )𝟐 − 𝟎 > 𝟎 (𝒆𝒔 𝒎𝒂𝒚𝒐𝒓 𝒂 𝒄𝒆𝒓𝒐)
Y tambien tenemos que:

𝝏𝟐 ln(𝐿(𝜃; 𝜇, 𝜎2 )) 𝒏
= − <𝟎
𝝏𝝁𝟐 𝝈𝟐

∴ 𝒑𝒐𝒓 𝒍𝒐 𝒕𝒂𝒏𝒕𝒐, 𝒍𝒐𝒔 𝒆𝒔𝒕𝒊𝒎𝒂𝒅𝒐𝒓𝒆𝒔 𝒎𝒂𝒙𝒊𝒎𝒊𝒛𝒂𝒏 𝒍𝒂 𝒇𝒖𝒏𝒄𝒊𝒐𝒏 𝑳

Intervalo de confianza:

1.- En una distribución Normal 𝑁(0,1),𝑚𝑒𝑑𝑖𝑎=0 𝑦 𝑑𝑒𝑠𝑣𝑖𝑐𝑎𝑐𝑖𝑜𝑛 𝑒𝑠𝑡á𝑛𝑑𝑎𝑟=1 calcula y describe

géticamente el intervalo de confianza para:
a) 80%
Tenemos que :
1 − 𝛼 = 0.80 𝑒𝑛𝑡𝑜𝑛𝑐𝑒𝑠 𝛼 = 1 − 0.80 = 0.20

𝜶
= 𝟎. 𝟏𝟎
𝟐

80%

10%

El intervalo es entonces (-1.282 , 1.282)

 Página 11 de 20

b) 90%
1 − 𝛼 = 0.90 𝑒𝑛𝑡𝑜𝑛𝑐𝑒𝑠 𝛼 = 1 − 0.90 = 0.10

𝜶
= 𝟎. 𝟎𝟓
𝟐

El intervalo es entonces (-1.645 , 1.645)

c) 95%

1 − 𝛼 = 0.95 𝑒𝑛𝑡𝑜𝑛𝑐𝑒𝑠 𝛼 = 1 − 0.95 = 0.10

𝜶
= 𝟎. 𝟎𝟐𝟓
𝟐
 Página 12 de 20

El intervalo es entonces (-1.96 , 1.96)

d) 99%

1 − 𝛼 = 0.99 𝑒𝑛𝑡𝑜𝑛𝑐𝑒𝑠 𝛼 = 1 − 0.99 = 0.01

𝜶
= 𝟎. 𝟎𝟎𝟓
𝟐

El intervalo es entonces (-2.576 , 2.576)

2.- La distribución de los kilómetros recorridos de una marca de llantas europeas se ajusta a una
distribución Normal 𝑁(𝜇,𝜎)=𝑁(37000,2000). Calcula el intervalo de confianza para un nivel de
confianza de:
 Página 13 de 20

Tenemos que: 𝜇 = 37000 𝑦 𝜎 = 2000

𝑧𝑖 − 37000 𝑧𝑠 − 37000
𝑃( < 𝑧< ) = 0.80
2000 2000
a) 80%
𝑧𝑖 − 37000
= −1.282 𝑒𝑛𝑡𝑜𝑛𝑐𝑒𝑠 𝑧𝑖 = 2000 ∗ −1.282 + 37000 = 𝟑𝟒, 𝟒𝟑𝟔
2000

𝑧𝑠 − 37000
= 1.282 𝑒𝑛𝑡𝑜𝑛𝑐𝑒𝑠 𝑧𝑖 = 2000 ∗ 1.282 + 37000 = 𝟑𝟗, 𝟓𝟔𝟒
2000

El intervalo es entonces (34436 , 39436)

b) 90%
𝑧𝑖 − 37000 𝑧𝑠 − 37000
𝑃( < 𝑧< ) = 0.90
2000 2000

𝑧𝑖 − 37000
= −𝟏. 𝟔𝟒𝟓 𝑒𝑛𝑡𝑜𝑛𝑐𝑒𝑠 𝑧𝑖 = 2000 ∗ −𝟏. 𝟔𝟒𝟓 + 37000 = 𝟑𝟑, 𝟕𝟏𝟎
2000

𝑧𝑠 − 37000
= 𝟏. 𝟔𝟒𝟓 𝑒𝑛𝑡𝑜𝑛𝑐𝑒𝑠 𝑧𝑖 = 2000 ∗ 𝟏. 𝟔𝟒𝟓 + 37000 = 𝟒𝟎, 𝟐𝟗𝟎
2000
 Página 14 de 20

El intervalo es entonces (33710 , 40290)

c) 95%
𝑧𝑖 − 37000 𝑧𝑠 − 37000
𝑃( < 𝑧< ) = 0.95
2000 2000

𝑧𝑖 − 37000
= −𝟏. 𝟗𝟔 𝑒𝑛𝑡𝑜𝑛𝑐𝑒𝑠 𝑧𝑖 = 2000 ∗ −𝟏. 𝟗𝟔 + 37000 = 𝟑𝟑, 𝟎𝟖𝟎
2000

𝑧𝑠 − 37000
= 𝟏. 𝟗𝟔 𝑒𝑛𝑡𝑜𝑛𝑐𝑒𝑠 𝑧𝑖 = 2000 ∗ 𝟏. 𝟗𝟔 + 37000 = 𝟒𝟎, 𝟗𝟐𝟎
2000

El intervalo es entonces (33080 , 40920)

d) 99%
 Página 15 de 20

𝑧𝑖 − 37000 𝑧𝑠 − 37000
𝑃( < 𝑧< ) = 0.99
2000 2000

𝑧𝑖 − 37000
= −𝟐. 𝟓𝟕𝟔 𝑒𝑛𝑡𝑜𝑛𝑐𝑒𝑠 𝑧𝑖 = 2000 ∗ −𝟐. 𝟓𝟕𝟔 + 37000 = 𝟑𝟏, 𝟖𝟒𝟖
2000

𝑧𝑠 − 37000
= 𝟐. 𝟓𝟕𝟔 𝑒𝑛𝑡𝑜𝑛𝑐𝑒𝑠 𝑧𝑖 = 2000 ∗ 𝟐. 𝟓𝟕𝟔 + 37000 = 𝟒𝟐, 𝟏𝟓𝟐
2000

El intervalo es entonces (31848 , 42152)

3.- La distribución de las horas de carga óptima de la batería de conocida marca de celular se ajusta a
una distribución Normal 𝑁(𝜇,𝜎)=𝑁(16,1.3). Calcula el intervalo de confianza para un nivel de
confianza de:
Aquí tenemos : 𝝁 = 𝟏𝟔 𝒚 𝝈 = 𝟏. 𝟑

e) 80%
𝑧𝑖 − 16 𝑧𝑠 − 16
𝑃( < 𝑧< ) = 0.80
1.3 1.3
𝑧𝑖 − 16
= −1.282 𝑒𝑛𝑡𝑜𝑛𝑐𝑒𝑠 𝑧𝑖 = 1.3 ∗ −1.282 + 16 = 𝟏𝟒. 𝟑𝟑𝟑𝟒
1.3

𝑧𝑠 − 16
= 1.282 𝑒𝑛𝑡𝑜𝑛𝑐𝑒𝑠 𝑧𝑠 = 1.3 ∗ 1.282 + 16 = 𝟏𝟕. 𝟔𝟔𝟔𝟔
1.3
 Página 16 de 20

El intervalo es entonces (𝟏𝟒. 𝟑𝟑𝟑𝟒 , 𝟏𝟕. 𝟔𝟔𝟔𝟔)

f) 90%
𝑧𝑖 − 16 𝑧𝑠 − 16
𝑃( < 𝑧< ) = 0.90
1.3 1.3
𝑧𝑖 − 16
= −1.282 𝑒𝑛𝑡𝑜𝑛𝑐𝑒𝑠 𝑧𝑖 = 1.3 ∗ −1.645 + 16 = 𝟏𝟑. 𝟖𝟔𝟏𝟓
1.3

𝑧𝑠 − 16
= 1.282 𝑒𝑛𝑡𝑜𝑛𝑐𝑒𝑠 𝑧𝑠 = 1.3 ∗ 1.645 + 16 = 𝟏𝟖. 𝟏𝟑𝟖𝟓
1.3

El intervalo es entonces (13.8615 , 18.1385)

g) 95%
𝑧𝑖 − 16 𝑧𝑠 − 16
𝑃( < 𝑧< ) = 0.95
1.3 1.3
𝑧𝑖 − 16
= −1.282 𝑒𝑛𝑡𝑜𝑛𝑐𝑒𝑠 𝑧𝑖 = 1.3 ∗ −1.960 + 16 = 𝟏𝟑. 𝟒𝟓𝟐
1.3
 Página 17 de 20

𝑧𝑠 − 16
= 1.282 𝑒𝑛𝑡𝑜𝑛𝑐𝑒𝑠 𝑧𝑠 = 1.3 ∗ 1.960 + 16 = 𝟏𝟖. 𝟓𝟒𝟖
1.3

El intervalo es entonces (13.452 , 18.548)

h) 99%

𝑧𝑖 − 16 𝑧𝑠 − 16
𝑃( < 𝑧< ) = 0.99
1.3 1.3
𝑧𝑖 − 16
= −1.282 𝑒𝑛𝑡𝑜𝑛𝑐𝑒𝑠 𝑧𝑖 = 1.3 ∗ −2.576 + 16 = 𝟏𝟐. 𝟔𝟓𝟏𝟐
1.3

𝑧𝑠 − 16
= 1.282 𝑒𝑛𝑡𝑜𝑛𝑐𝑒𝑠 𝑧𝑠 = 1.3 ∗ 2.576 + 16 = 𝟏𝟗. 𝟑𝟒𝟖𝟖
1.3

El intervalo es entonces (12.6512 , 19.3488)

Intervalo de confianza para la media poblacional:

 Página 18 de 20

1.- Se desea obtener un intervalo de confianza, de la media poblacional, para las horas de usuario a
la semana, en la aplicación Tik Tok del alumno femenino de 16 años, del sistema Bachillerato Federal
del Estado de Chiapas.

Obtener el Intervalo de Confianza para la media poblacional al 95% de confianza 𝐼𝐶95% para una
muestra de 200 alumnas con media de 42 horas, y una desviación típica de 3.3 horas, del sistema
Bachilleratos Federal del Estado de Yucatán.

Tenemos que:

̅ = 𝟒𝟐 𝒉𝒓𝒔.
𝒙
𝒏 = 𝟐𝟎𝟎
𝝈 = 𝟑. 𝟑 𝒉𝒓𝒔.
𝜎 3.3 3.3
La desviación muestral es : = = = 0.2333
√𝑛 √200 14.1421

El intervalo esta definido como:

Para calcular 𝑍𝛼 usamos los valores calculados de los intervalos del ejercicio 1, o se usa la siguiente
2
tabla

𝒙𝟏 = 𝟒𝟐 − 𝟏. 𝟗𝟔𝟎 ∗ 𝟎. 𝟐𝟑𝟑𝟑 = 𝟒𝟏. 𝟓𝟒𝟐𝟕

𝒙𝟐 = 𝟒𝟐 + 𝟏. 𝟗𝟔𝟎 ∗ 𝟎. 𝟐𝟑𝟑𝟑 = 𝟒𝟐. 𝟒𝟓𝟕𝟐
 Página 19 de 20

El intervalo al 95% es entonces (41.5427 , 42.4572)

2.- Se desea obtener un intervalo de confianza, de la media poblacional, para la estatura del alumno
masculino egresado de Bachillerato.

Obtener el Intervalo de Confianza para la media poblacional al 90% de confianza 𝐼𝐶90% para una
muestra de 300 alumnos con media de 168cm, y una desviación típica de 10.5cm del sistema
Bachilleratos Federal del Estado de Yucatán.

Tenemos que:

̅ = 𝟏𝟔𝟖 𝒄𝒎.
𝒙
𝒏 = 𝟑𝟎𝟎
𝝈 = 𝟏𝟎. 𝟓 𝒄𝒎.
𝜎 10.5 10.5
La desviación muestral es : = = = 0.6062
√𝑛 √300 17.3205

El intervalo esta definido como:

𝒙𝟏 = 𝟏𝟔𝟖 − 𝟏. 𝟔𝟒𝟓 ∗ 𝟎. 𝟔𝟎𝟔𝟐 = 𝟏𝟔𝟕. 𝟎𝟎𝟐𝟖

𝒙𝟐 = 𝟏𝟔𝟖 + 𝟏. 𝟔𝟒𝟓 ∗ 𝟎. 𝟔𝟎𝟔𝟐 = 𝟏𝟔𝟖. 𝟗𝟗𝟕𝟏
 Página 20 de 20

El intervalo al 90% es entonces ( 167.0028 , 168.9971)

Bibliografía

Crespo, R. (2013). Formulas y apuntes de Estadística aplicada. Madrid España: Cisolog.

David, P. (2011). Medidas de Posición. Obtenido de Medidas de Posición:

http://estadisticapasoapaso.blogspot.com/2011/09/los-cuartiles.html

L., D. J. (2008). Probabilidad y Estadistica para Ingenieria y Ciencias. México D.F.: Cengage.

Larson, R. (s.f.). Calculo II en varias variables. Cdmx Mexico: CENGAGE.

Liliana, B. C. (2004). Probabilidad. Bogota: Universidad Nacional de Colombia.

Martínez, C. (2012). Estadística y muestreo. Bogota Colombia: Ecoe Ediciones.

Meyer, P. (1992). Probabilidad y Aplicaciones Estadísticas. Delaware U.S.A.: Fondo Educativo Interamericano.

Milton Susan, A. J. (2004). Probabilidad y Estadística con aplicaciones para ingeniería y ciencias computacionales.
Mexico: Mc Graw Hill.

Patricia Kuby, R. J. (2012). Estadística Elemental. Cdmx México: CENGAGE.

Triola, M. (2004). Estadística. D.F. México: Pearson Educación.

UNADM, M. (2020). Estadística I - Estadistica descriptiva. Cdmx: Unad.