Clases Unidad 2 Estimación Por Intervalos de Confianza

MATERIA: ESTADÍSTICA INDUSTRIAL.
CARRERA: INGENIERÍA INDUSTRIAL.

GRUPO: TERCER SEMESTRE.
DOCENTE: DRA. MARINA DE LA VEGA RODRÍGUEZ.
1
UNIDAD 2 ESTIMACIÓN POR INTERVALOS DE CONFIANZA
Inferencia estadística
La inferencia, específicamente la toma de decisiones y la predicción, tiene siglos de antigüedad y

desempeña un papel muy importante en la vida de casi todas las personas. Veamos a
continuación algunas aplicaciones:
• El gobierno necesita predecir las tasas de interés a corto y largo plazos.

• Un corredor financiero desea pronosticar el comportamiento del mercado de acciones.
• Un metalurgista desea determinar si un nuevo tipo de acero es más resistente a altas temperaturas
que el actual.
• Una consumidora desea estimar el precio de venta de su casa antes de ponerla en el mercado.
2.1 Estimación puntual
La inferencia estadística se ocupa de tomar decisiones o hacer predicciones acerca de parámetros, es decir,
las medidas numéricas descriptivas que caracterizan a una población.
Dado un parámetro de interés, tal como la media o la proporción p de una población, el objetivo de la
estimación puntual es utilizar una muestra para calcular un número que representa en cierto sentido una
buena suposición del valor verdadero del parámetro. El número resultante se llama estimación puntual.
• Los métodos para hacer inferencias acerca de parámetros poblacionales caen en una de dos categorías:
• Estimación: Estimar o predecir el valor del parámetro
• Prueba de hipótesis: Tomar una decisión acerca del valor de un parámetro, con base en alguna idea
preconcebida acerca de cuál podría ser su valor.
Un problema estadístico, que comprende planeación, análisis y formulación de inferencias, está incompleto
sin una medida de la bondad de la inferencia. Esto es, ¿qué tan preciso o confiable es el método
empleado? Si una corredora financiera predice que el precio de una acción será de 80 dólares el próximo
lunes, ¿estaría usted dispuesto a comprar o vender su acción sin saber qué tan confiable es la predicción?
¿La predicción estará a no más de 1, 2 o 10 dólares del precio real el próximo lunes? Los procedimientos
estadísticos son importantes porque dan dos tipos de información:
• Métodos para hacer la inferencia.

• Una medida numérica de la bondad o confiabilidad de la inferencia.
Tipos de estimadores
Para estimar el valor de un parámetro poblacional puede usar información de la muestra en la forma de un
estimador. Los estimadores se calculan usando información de las observaciones muestrales y, en
consecuencia, por definición son también estadísticas.
Definición. Un estimador es una regla, generalmente expresada como fórmula, que nos dice cómo calcular
una estimación basada en información de la muestra.
Una estimación puntual de un parámetro θ es un número único que puede ser considerado como un valor
sensible de θ. Se obtiene una estimación puntual seleccionando un estadístico apropiado y calculando su
valor con los datos muestrales dados. El estadístico seleccionado se llama estimador puntual de θ.
Los estimadores se usan en dos formas diferentes:

Estimación puntual: Con base en datos muestrales, se calcula un solo número para estimar el parámetro
poblacional. La regla o fórmula que describe este cálculo se denomina estimador puntual y el número
resultante recibe el nombre de estimación puntual.
Estimación de intervalo: Con base en datos muestrales, dos números se calculan para formar un intervalo
dentro del cual se espera esté el parámetro. La regla o fórmula que describe este cálculo se denomina
estimador de intervalo y el par de números resultantes se llama estimación de intervalo o intervalo de
confianza.
Ejemplo
Las distribuciones muestrales dan información que se puede usar para seleccionar el mejor estimador.
¿Qué características serían valiosas? Primero, la distribución muestral del estimador puntual debe estar
centrada sobre el valor verdadero del parámetro que se estimará. Esto es, el estimador no debe
subestimar o sobreestimar de manera constante al parámetro de interés. Un estimador como éste se dice
que es insesgado.
Definición Se dice que un estimador de un parámetro es insesgado si la media de su distribución es igual al

valor verdadero del parámetro. De otro modo, se dice que el estimado está sesgado.
Las distribuciones muestrales para un estimador insesgado y un estimador sesgado se presentan
en la figura 8.2.
La segunda característica deseable de un estimador es que la dispersión (medida por la varianza) de la
distribución muestral debe ser tan pequeña como sea posible. Esto asegura que, con una alta
probabilidad, una estimación individual quedará cerca del valor verdadero del parámetro.
En situaciones muestrales prácticas es posible saber que la distribución muestral de un estimador está
centrada alrededor del parámetro que se trate de estimar, pero todo lo que se tiene es la estimación
calculada de las n mediciones contenidas en la muestra. ¿A qué distancia del valor verdadero del parámetro
estará esta estimación? ¿Qué tan cercana está la bala del tirador de la diana o blanco? La distancia entre la
estimación y el valor verdadero del parámetro se denomina error de estimación.
Definición La distancia entre una estimación y el parámetro estimado recibe el nombre de error de
estimación.
Cualquier estimador puntual con una distribución normal, la regla empírica dice que
aproximadamente 95% de todas las estimaciones puntuales estarán a no más de dos (o más
exactamente, 1.96) desviaciones estándar de la media de esa distribución.
Para estimadores insesgados, esto implica que la diferencia entre el estimador puntual y el valor
verdadero del parámetro será menor que 1.96 desviaciones estándar o 1.96 errores estándar
(SE). Esta cantidad, llamada el 95% de margen de error (o simplemente “margen de error”), da
un límite superior práctico para el error de estimación (véase la figura 8.4).
Estimación puntual para el parámetro de una población.
• Estimador puntual: estadística calculada usando mediciones muestrales.

• 95% de margen de error: 1.96 × error estándar del estimador.
Un fabricante automotriz ha producido un nuevo tipo de defensa, la que se presume absorbe impactos con
menos daño que las defensas previas. El fabricante ha utilizado esta defensa en una secuencia de 25
choques controlados con un muro, cada uno a 10 mph, utilizando uno de sus modelos de carro compacto.
Sea X el número de choques que no provocaron daños visibles al automóvil. El parámetro que tiene que
ser estimado es p la proporción de todos los choques que no provocaron daños [alternativamente, p
P(ningún daño en un choque)]. Si se observa que X es x = 15, el estimador y estimación más razonables son
2.2. Estimación de intervalo
Un estimador de intervalo es una regla para calcular dos números, por ejemplo a y b, para crear
un intervalo del que usted esté bastante seguro que contiene el parámetro de interés. El
concepto de “bastante seguro” significa “con gran probabilidad”. Medimos esta probabilidad
usando el coeficiente de confianza, designado por 1 - α.
Definición. La probabilidad de que un intervalo de confianza contenga el parámetro estimado se

denomina coeficiente de confianza.
Por ejemplo, es frecuente que los experimentadores construyan intervalos de confianza de 95%,
lo cual significa que el coeficiente de confianza, o la probabilidad de que el intervalo contenga el
parámetro estimado, es .95. Puede aumentar o reducir la cantidad de certeza si se cambia el
coeficiente de confianza. Algunos valores que por lo general usan experimentadores son .90, .95,
.98 y .99.
Construcción de un intervalo de confianza
Cuando la distribución muestral de un estimador puntual es aproximadamente normal, se puede construir
un estimador de intervalo o intervalo de confianza mediante el siguiente razonamiento. Para mayor
sencillez, suponga que el coeficiente de confianza es .95 y consulte la figura 8.6.
• Sabemos que, de todos los valores posibles del estimador que podríamos seleccionar, 95% de
ellos estarán en el intervalo
Parámetro 1.96 SE
que se muestra en la figura 8.6.
• Como el valor del parámetro es desconocido, considere construir el intervalo
Estimador 1.96 SE
que tiene el mismo ancho que el primer intervalo, pero tiene un centro variable.
¿Con qué frecuencia funcionará este intervalo en forma correcta y encerrará el parámetro de
interés? Consulte la figura 8.7.
Los primeros dos intervalos funcionan correctamente, es decir, el parámetro (marcado con una línea gris
claro) está contenido dentro de ambos intervalos. El tercer intervalo no funciona, porque no encierra al
parámetro. Esto ocurrió porque el valor del estimador del centro del intervalo estaba demasiado lejos del
parámetro. Por fortuna, valores del estimador sólo caen a esa distancia 5% de las veces y ¡nuestro
procedimiento funciónará en forma correcta 95% del tiempo!
Si lo desea puede cambiar el coeficiente de confianza de (1 − α) .95 a otro nivel de confianza (1 − α). Para
lograr esto, es necesario cambiar el valor z 1.96, que localiza un área de .95 en el centro de la curva normal
estándar, a un valor de z que localice el área (1 − α) en el centro de la curva, como se muestra en la figura
8.8.
Como el área total bajo la curva es 1, el área restante en las dos colas es a y cada cola contiene un área a/2. El valor de z
que tiene “área de cola” a/2 a su derecha se denomina zα/2, y el área entre −zα/2 y zα/2 es el coeficiente de confianza (1
− α). Valores de zα/2, que por lo general son utilizados por experimentadores, le serán familiares cuando empiece
construir intervalos de confianza para diferentes situaciones prácticas.
INTERVALO DE CONFIANZA DE MUESTRA GRANDE (1 − α)100%
(Estimador puntual) ± ܼα/2 x (error estándar del estimador)
Donde ܼα/2 es el valor z con un área α/2 en la cola derecha de una distribución normal estándar.
Esta fórmula genera dos valores; el límite inferior de confianza (LCL) y el límite superior de
confianza (UCL).

Intervalo de confianza de muestra grande para una media poblacional μ
Es muy frecuente que problemas prácticos lleven a la estimación de μ, la media de una población de
mediciones cuantitativas. He aquí algunos ejemplos:
• El promedio de calificaciones de estudiantes universitarios en una universidad particular
• El promedio de resistencia de un nuevo tipo de acero
• El número promedio de fallecimientos por categoría de edad
• El promedio de demanda para un nuevo producto de cosmético
Cuando el tamaño muestral n es grande, la media muestral x es el mejor estimador puntual para la media
poblacional μ. Como su distribución muestral es aproximadamente normal, puede usarse para construir un
intervalo de confianza de acuerdo con el método general dado ya antes.
Ejemplo 1:
Un nutriólogo seleccionó una muestra aleatoria de n = 50 adultos hombres. Se encontró que el promedio
de ingesta diaria de productos lácteos fue de x̄ = 756 gramos por día, con una desviación estándar de s =
35 gramos por día. Use esta información muestral para construir un intervalo de confianza de 95% para la
ingesta diaria media de productos lácteos para hombres.
Solución Como el tamaño muestral de n = 50 es grande, la distribución de la media muestral x̄ está
distribuida normalmente en forma aproximada, con media μ y error estándar estimado por s/ √n. El
intervalo de confianza aproximado de 95% es
Un buen intervalo de confianza tiene dos características deseables:
• Es tan angosto como es posible. Cuanto más angosto sea el intervalo, más
exactamente se habrá localizado el parámetro estimado.
• Tiene un coeficiente de confianza grande, cercano a 1. Cuanto mayor sea el
coeficiente de confianza, es más probable que el intervalo contenga el
parámetro estimado.
Ejemplo 2:
Construya un intervalo de confianza de 99% para la ingesta diaria media de productos lácteos para los
hombres adultos del ejemplo anterior.
Solución Para cambiar el nivel de confianza a .99 se debe hallar el valor apropiado de la z normal estándar
que pone el área (1 - α) .99 en el centro de la curva. Este valor, con área de cola α /2 .005 a su derecha, se
encuentra de la tabla 8.2 como z 2.58. El intervalo de confianza de 99% es entonces
Valores estándar normales
para un intervalo de
confianza de 99%
Intervalo de confianza de muestra grande para una proporción poblacional p
Muchos experimentos de investigación o estudios muestrales tienen como objetivo la estimación de la

proporción de personas u objetos de un grupo grande, que posean cierta característica. Veamos algunos
ejemplos:
• La proporción de ventas que se puede esperar en un gran número de contactos con clientes
• La proporción de semillas que germinan
• La proporción de votantes “probables” que planean votar por un candidato político particular
Cada uno es un ejemplo práctico del experimento binomial y el parámetro a estimarse es la proporción
binomial p.
Intervalo de confianza de muestra grande para una proporción poblacional p
Cuando el tamaño muestral es grande, la proporción muestral,
2.3. Estimación de la diferencia entre dos medias poblacionales
Un problema de igual importancia que la estimación de una sola media poblacional m, para una
población cuantitativa, es la comparación de dos medias poblacionales. Usted puede hacer
comparaciones como éstas:
• Las calificaciones promedio del examen de admisión para la facultad de medicina (MCAT) para
estudiantes cuya especialización fuera bioquímica, y para aquellos cuya especialización fuera
biología.
• Las producciones promedio en una planta química que usa materias primas suministradas por
dos proveedores diferentes.
• El promedio de diámetros de tallos de plantas cultivadas con dos tipos diferentes de
nutrientes.
2.3. Estimación de la diferencia entre dos proporciones binomiales
Una simple extensión de la estimación de una proporción binomial p es la estimación de la
diferencia entre dos proporciones binomiales. Se pueden hacer comparaciones como éstas:
• La proporción de artículos defectuosos manufacturados en dos líneas de producción.

• La proporción de votantes mujeres y hombres que están a favor de una enmienda por la
igualdad de derechos.
• Los porcentajes de germinación de semillas no tratadas y semillas tratadas con un fungicida.
Ejemplo:
La propuesta de un bono para la construcción de una escuela será enviada a los votantes en la siguiente
elección municipal. Una parte importante del dinero derivado de esta emisión de bonos se empleará en
construir escuelas en una zona de rápido desarrollo de la ciudad y lo demás se usará para renovar y
actualizar los edificios escolares del resto de ésta. Para evaluar la viabilidad de la propuesta de un bono, a
una muestra aleatoria de n1 50 residentes de la zona de rápido desarrollo y n2 100 de las otras partes de
la ciudad, se les preguntó si piensan votar por la propuesta. Los resultados se tabulan en la tabla 8.6.
BIBLIOGRAFIA
Cohen, Jacob y Cohen, Patricia. (1975) Applied Multiple Regression and Correlation
for the Behavioral Sciences. Lawrence Erlbaum Ass. USA.
Saris , W y Stronkhorst, L. H. (1984 ). Causal Modelling in Nonexperimental Research.

Sociometric Research Foundation. The Netherlands.
Stevens, Stanley. (1946). On the Theory of Scales of Measurement. Science, New

Series, Vol. 103, No. 2684, pp. 677-680. American Association for the Advancement of
Science.
Stevens, Stanley. (1957). On the Psychological Law. Psychological Review 64, Pp.
153-181. American Psychological Association. USA.
Sarabia J.M, Trueba C, Remuzgo L, Jordá V, Prieto F. (2014). Problemas resueltos de

estadísticas para ciencias sociales. Ediciones Pirámide. Madrid España.

Clases Unidad 2 Estimación Por Intervalos de Confianza

Cargado por

Información del documento

Título original

Derechos de autor

Formatos disponibles

Compartir este documento

Compartir o incrustar documentos

Opciones para compartir

¿Le pareció útil este documento?

¿Este contenido es inapropiado?

Copyright:

Formatos disponibles

Clases Unidad 2 Estimación Por Intervalos de Confianza

Cargado por

Copyright:

Formatos disponibles

MATERIA: ESTADÍSTICA INDUSTRIAL.

CARRERA: INGENIERÍA INDUSTRIAL.

La inferencia, específicamente la toma de decisiones y la predicción, tiene siglos de antigüedad y

• El gobierno necesita predecir las tasas de interés a corto y largo plazos.

• Métodos para hacer la inferencia.

Los estimadores se usan en dos formas diferentes:

Definición Se dice que un estimador de un parámetro es insesgado si la media de su distribución es igual al

Estimación puntual para el parámetro de una población.

• Estimador puntual: estadística calculada usando mediciones muestrales.

Definición. La probabilidad de que un intervalo de confianza contenga el parámetro estimado se

2.2. Estimación de intervalo

2.2. Estimación de intervalo

Un buen intervalo de confianza tiene dos características deseables:

Muchos experimentos de investigación o estudios muestrales tienen como objetivo la estimación de la

• La proporción de artículos defectuosos manufacturados en dos líneas de producción.

Saris , W y Stronkhorst, L. H. (1984 ). Causal Modelling in Nonexperimental Research.

Stevens, Stanley. (1946). On the Theory of Scales of Measurement. Science, New

Sarabia J.M, Trueba C, Remuzgo L, Jordá V, Prieto F. (2014). Problemas resueltos de

También podría gustarte