Instituto tecnológico de Mérida

Departamento de ingeniería industrial

Tema#2: Estimaciones

Instructor: Luis Eduardo Basto Aguilar

Integrantes:
Segura Raz Herndricx Ivan
Riestra Martinez Tomas Manuel Alfonso
Barnet koh Carlos Alberto
Matos Solis Joel Antonio
Perera Sabido Luis Fernando

Grupo:3I1

Fecha :16/04/2021
Índice
Introducción.......................................................................................................................................3
Estimaciones......................................................................................................................................4
2.1. Introducción a las estimaciones..............................................................................................4
2.2. Características de un estimador..............................................................................................4
2.3. Estimación Puntual.................................................................................................................5
2.4. Estimación por intervalo de confianza....................................................................................6
2.4.1. Intervalos de confianza para la media..............................................................................6
2.4.2. Intervalos de confianza para la diferencia de medias.......................................................9
2.4.3. Intervalos de confianza para la proporción......................................................................9
2.4.4. Intervalos de confianza para la varianza........................................................................11
2.4.5. Intervalos de confianza para la relación de varianzas....................................................12
2.5. Determinación del tamaño de la muestra..............................................................................13
Conclusión.......................................................................................................................................16
Fuentes bibliográficas......................................................................................................................17
 Introducción

En este trabajo hablaremos de la estadística inferencial ya que tiene una gran variedad de elementos
que nos sirven para elegir de forma correcta los diferentes problemas que se nos pueden presentar en
el ámbito laboral. También podemos realizar un análisis de mercado mucho más correcto y lograr
que el marketing sea aún más efectivo, nos ayuda para poder conocer una característica o un
comportamiento de una población, ya sea de un sector o una muestra de ella, pero partiendo de
información que previamente ya conocíamos, en otras palabras, buscamos más conocimiento de
otro ya dado.

En esta unidad veremos las estimaciones que corresponde a la segunda unidad de la estadística
inferencial, aquí podremos encontrar desde características de un estimador hasta determinar tamaño
de una muestra, con esto nosotros podemos obtener un beneficio importante en la interpretación de
los resultados que nos den, ya que los números no son simples números, lo números hablan, ya que
la estadística nos da parámetros, indicadores que nos ayudan a tomar las mejores decisiones, por lo
que hay que tener un conocimiento matemático super bueno, en fin esto es lo que nos
aventuraremos en este trabajo.
 Estimaciones
2.1. Introducción a las estimaciones
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 esta. Los estadísticos
varían mucho dentro de sus distribuciones muestrales, y mientras menor sea el error estándar de un
estadístico, más cercanos serán unos de otros sus valores.
Existen d os 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. (Martinez, 2017)

2.2. Características de un estimador

1) Sesgo. Se dice que un estimador es insesgado si la Media de la distribución del estimador es igual
al parámetro.
Estimadores insesgados son la Media muestral (estimador de la Media de la población) y la
Varianza (estimador de la Varianza de la población):

Ejemplo:
En una población de 500 puntuaciones cuya Media (m) es igual a 5.09 han hecho un muestreo
aleatorio (número de muestras= 10000, tamaño de las muestras= 100) y hallan que la Media de las
Medias muestrales es igual a 5.09, (la media poblacional y la media de las medias muestrales
coinciden). En cambio, la Mediana de la población es igual a 5 y la Media de las Medianas es igual
a 5.1 esto es, hay diferencia ya que la Mediana es un estimador sesgado. La Varianza es un
estimador sesgado

2) Consistencia. Un estimador es consistente si aproxima el valor del parámetro cuanto mayor es

n (tamaño de la muestra).
Algunos estimadores consistentes son:
Ejemplo:
En una población de 500 puntuaciones cuya Media (m) es igual a 4.9 han hecho tres muestreos
aleatorios (número de muestras= 100) con los siguientes resultados:

Vemos que el muestreo en que n=100 la Media de las Medias muestrales toma el mismo valor que
la Media de la población.
3) Eficiencia. Diremos que un estimador es más eficiente que otro si la Varianza de la distribución
muestral del estimador es menor a la del otro estimador. Cuanto menor es la eficiencia, menor es la
confianza de que el estadístico obtenido en la muestra aproxime al parámetro poblacional.
Ejemplo:
La Varianza de la distribución muestral de la Media en un muestreo aleatorio (número de muestras:
1000, n=25) ha resultado igual a 0.4. La Varianza de la distribución de Medianas ha resultado, en el
mismo muestreo, igual a 1.12, (este resultado muestra que la Media es un estimador más eficiente
que la Mediana). (Martinez, Estadistica inferencial unidad 2: estimaciones, 2017)

2.3. Estimación Puntual

Una estimación es puntual cuando se usa un solo valor extraído de la muestra para estimar el
parámetro desconocido de la población. Al valor usado se le llama estimador.

Un estimador puntual de un parámetro θ es un valor que puede ser considerado representativo de θ y

se indicará θ̂ . Se obtiene a partir de alguna función de la muestra.

 La media de la población se puede estimar puntualmente mediante la media de la muestra:

 La proporción de la población se puede estimar puntualmente mediante la proporción de

la muestra:

 La desviación típica de la población se puede estimar puntualmente mediante la

desviación típica de la muestra, aunque hay mejores estimadores:
Ejemplo:
Los científicos deben ser capaces de detectar pequeñas cantidades de contaminantes en el ambiente.
Como una comprobación de las capacidades actuales, se hicieron las siguientes mediciones sobre
especímenes de prueba marcados con una concentración conocida de 1.25 µg/l de plomo. Esto es,
las lecturas deberían promediar 1.25 si no hay antecedentes de plomo en las muestras.
2.4 2.9 2.7 2.6 2.9 2.0 2.8 2.2 2.4 2.4 2.0 2.5
a) Elabore un diagrama de puntos;
b) Calcule el estimador puntual 𝑋̅ y estime su desviación estándar. Esta última cantidad se conoce
como error estándar estimado de 𝑋̅.

b) Se calcula
1
𝑋̅ = ∑𝑋
𝑖
𝑛
2.4 + 2.9 + 2.7 + 2.6 + 2.9 + 2.0 + 2.8 + 2.2 + 2.4 + 2.4 + 2.0 + 2.5 29.8
𝑋̅ = 12 = 12 = 2.483
1
𝑆2 = (∑𝑋2 − (∑𝑋 )2/𝑛)
𝑥 𝑖 𝑖
𝑛−1
(2.42 + 2.92 + 2.72 + 2.62 + 2.92 + 22 + 2.82 + 2.22 + 2.42 + 2.42 + 22 + 2.52) − (12)(2.483)2
𝑆𝑥2 =
12 − 1
2
75.08 − 29.8 /12
𝑆𝑥2 = = 0.09788
11
Ahora bien, en teorema se explica que, ya que 𝑋̅ tiene una desviación estándar σ/√𝑛, el error
estimado es S/√𝑛 = √0.09788/12 = 0.090.

Por lo tanto, parece haber ya sea un sesgo debido al procedimiento del laboratorio, o algo de plomo
ya en las muestras antes de ser marcadas. Las 12 mediciones están sobre la concentración conocida,
1.25 µg/l.

2.4. Estimación por intervalo de confianza

2.4.1. Intervalos de confianza para la media
Con varianza conocida:

Si partimos de una población que sigue una distribución Z ~ N(0,1) bastará con encontrar el punto
crítico zα/2 para tener un intervalo que contenga la media poblacional con probabilidad c.
 P(-zα/2 < Z < zα/2) = 1-α

Si en el caso general tomamos:

bastará con hacer unas sencillas operaciones para llegar a que el intervalo de confianza para la
media μ de una población normal con desviación típica conocida σ es:

Despejando:

Tomando en cuenta que 1-α es el intervalo de confianza.

Ejemplo:
Se ha obtenido una muestra de 25 alumnos de una Facultad para estimar la calificación media de los
expedientes de los alumnos en la Facultad. Se sabe por otros cursos que la desviación típica de las
puntuaciones en dicha Facultad es de 2.01 puntos. La media de la muestra fue de 4.9. Intervalo de
confianza al 90 %.

α/2= 0.05 Zα/2= 1.64 σ2= 4.0401 σ= 2.01 n= 25 𝑋̅= 4.9

2.01 2.01
𝑃 (4.9 − (1.64) ( ) ≤ 𝜇 ≤ 4.9 + (1.64) ( )) = 0.90
√25 √25

𝑃(4.9 − (0.66) ≤ 𝜇 ≤ 4.9 + (0.66)) = 0.90

𝑃(4.24 ≤ 𝜇 ≤ 5.56) = 0.90

 Tenemos una confianza del 90 por ciento de que la calificación media esta entre 4.24 y 5.56
Con varianza desconocida:

P(-tα/2, n-1 ≤ t ≤ tα/2, n-1) = 1-α

Cuando se desconoce la desviación típica poblacional se usa como estimador la

desviación típica de la muestra:

𝑋̅ − 𝜇
𝑡=
𝑆/√𝑛

con lo que el intervalo de confianza para la media μ de una población con desviación
típica desconocida es, sustituyendo y despejando:

𝑃 (−𝑡α⁄2,𝑛−1 𝑋̅ − 𝜇
≤ 𝑆 ≤ 𝑡α⁄2,𝑛−1) = 1 − α
⁄
√𝑛

𝑃 (𝑋̅−𝑡α⁄ 𝑆⁄ ≤ 𝜇 ≤ 𝑋̅ + 𝑡α⁄ 𝑛−1 𝑆⁄ ) = 1 − α

,𝑛−1
2 √𝑛 2, √𝑛

Ejemplo:
Un artículo en el Journal of Testing and Evaluation (Vol. 10, Núm. 4, 1982, p. 133) presenta las
siguientes 20 mediciones del tiempo residual de flama (en segundos) en muestras tratadas de ropa
de dormir para niños:
9.85, 9.93, 9.15, 9.11, 9.61 9.81, 9.67, 9.94, 9.85, 9.15 9.83, 9.92, 9.14, 9.99, 9.88 9.95,
9.95, 9.93, 9.92, 9.89
Deseamos encontrar un intervalo de confianza del 95 por ciento respecto al tiempo residual de
flama media.

α/2= 0.025 𝑡𝛼⁄ = 2.093 S = 0.0954 n= 20 𝑋̅ = 9.8475

2,19
( ()
0.0954 0.0954
( )
𝑃 9.8475 − 2.093 ( ) ≤ 𝜇 ≤ 9.8475 + √20 2.093 ) ( )
√20 =
0.95
𝑃(9.8475 − (0.0446) ≤ 𝜇 ≤ 9.8475 + (0.0446)) = 0.95

𝑃(9.8029 ≤ 𝜇 ≤ 9.8921) = 0.95

Tenemos una confianza del 95 por ciento de que el tiempo residual de flama media esta entre
9.8025 y 9.8921 segundos.

2.4.2. Intervalos de confianza para la diferencia de medias

Como línea de referencia para un estudio acerca de los efectos de cambiar el precio para la
electricidad durante las horas pico, se obtuvo el uso de julio durante horas pico para n1
= 45 hogares con acondicionador de aire y n2 = 55 hogares sin él.1 El uso en pico durante julio
(kWh) se resume como

Obtenga un intervalo de confianza del 95% para δ = μ1 − μ2.

Para un intervalo de confianza del 95%, α = 0.05 y z0.025 = 1.96. Se proporcionan
n1 = 45, n2 = 55, x = 204.4, s2 1
= 13,825.3, y = 130.0 y s2
2 = 8,632.0. Entonces, los límites del intervalo de confianza son

de modo que el intervalo de confianza del 95% es (32.17, 116.63). La media del uso en pico para
hogares con acondicionador de aire es mayor que para los hogares sin él, de 32.17 a
116.63 kWh por mes.
El intervalo de confianza no solo revela que las dos medias poblacionales son estadísticamente
diferentes, porque el intervalo de confianza no contiene el 0, también cuantifica la cantidad de
diferencia.

2.4.3. Intervalos de confianza para la proporción

El estimador puntual de la proporción poblacional, en sí, por lo general es la proporción
muestral Xn, es decir, la proporción del tiempo en que el evento realmente ocurre.
Si los n ensayos satisfacen las suposiciones subyacentes a la distribución binomial que se menciona
en la página 85, se sabe que la media y la desviación estándar del número de éxitos están dadas por
np y √np (1 − p). Si se dividen ambas cantidades entre n, se encuentra que la media y la desviación
estándar de la proporción de éxitos (a saber, de la proporción muestral) están dadas por:

El primero de los resultados indica que la proporción muestral es un estimador insesgado del
parámetro binomial p, es decir, de la verdadera proporción que se intenta estimar sobre la base de
una muestra.
Para construir un intervalo de confianza para p, que tenga aproximadamente el grado de confianza
(1 − α)100%, primero determine, para un conjunto dado de valores de p, las cantidades x0 y x1
correspondientes, donde x0 es el entero más grande para el cual las probabilidades binomiales b(k;
n, p) = P[X = k] satisfacen

Para enfatizar el punto de que x0 y x1 dependen del valor de p, dichas cantidades se escribirán
como x0(p) y x1(p). Por lo tanto, puede afirmarse con una probabilidad de aproximadamente 1 − α,
y al menos 1 − α, que se satisfará la desigualdad x0 (p) < x < x1
(p) aquí x es un valor de una variable aleatoria y p es una constante fija. Para cambiar
desigualdades como esta, en intervalos de confianza para p, se utiliza un método gráfico sencillo,
que se ilustra mediante el siguiente ejemplo: suponga que se quieren encontrar intervalos de
confianza de aproximadamente 95% para p para muestras de tamaño n = 20. Con la tabla 1, que
viene al final del libro, primero determine x0 y x1 para valores seleccionados de p, tales que x0 sea
el entero más grande para el cual B ( x0; 20, p ) ≤
0.025 mientras x1 es el entero más pequeño para el cual 1 − B ( x1 − 1; 20, p ) ≤ 0.025.

Por consiguiente, al hacer p igual a 0.1, 0.2,..., y 0.9, se obtienen los valores que se muestran en la
siguiente tabla

Al graficar los puntos y al dibujar curvas suaves, ahora se “despeja” p. Para cualquier valor dado de
x, es posible obtener límites de confianza de aproximadamente 95% para p al ir horizontalmente a
las dos curvas y marcar los valores de p correspondientes. Por ende, para x = 4, se obtiene el
intervalo de confianza de aproximadamente 95%
0.06 < p < 0.45
Cuando n es grande, se construyen intervalos de confianza aproximados para el parámetro binomial
p al usar la aproximación normal a la distribución binomial. En concordancia, se afirma con
probabilidad 1 − α que satisface la desigualdad:

2.4.4. Intervalos de confianza para la varianza

Para estimar un intervalo de confianza para la varianza, nos ayudaremos de la siguiente
propiedad de la distribución :

Consideremos dos cuantiles de esta distribución que nos dejen una probabilidad en la ``zona

central'' de la distribución

Entonces un intervalo de confianza al nivel para la varianza de una distribución

gaussiana (cuyos parámetros desconocemos) lo obtenemos teniendo en cuenta que existe una
probabilidad de que:

Por tanto el intervalo que buscamos es

 2.4.5. Intervalos de confianza para la relación de varianzas
Si queremos comparar, en vez de las medias, las desviaciones típicas (para ver si una
2
σ
población tiene mayor variabilidad que otra), utilizaremos el cociente de varianzas . Una
2
σ21
estimación puntual de este cociente es el que se obtiene dividiendo las cuasi-varianzas muestrales, y el
intervalo de confianza para el cociente de las varianzas es:

tiene distribución en el muestreo Fn−1,m−1

será

y por tanto
es un intervalo de confianza para de nivel de confianza 1 − α.

Ejemplo:
Recuérdese que se están comparando los dos catalizadores para medir su eficacia en la reducción
de los tiempos de inmersión para tarjetas de circuito impreso. n1 = 12 baños se efectuaron con el
catalizador 1 y n2 = 15 baños se realizaron con el catalizador 2, resultando S1 = .85 minutos y s2 =
.98 minutos. Determinaremos un intervalo de confianza2 2
de 90 por ciento respecto al cociente de varianza 𝜎 /𝜎 . De acuerdo con el teorema
1 2
encontramos que:
Al emplear el hecho de que 𝐹.95,14,11 = 1/𝐹.05,11,14 = 1/2.58 = .39. Puesto que este intervalo de
confianza incluye la unidad, podríamos no requerir que las desviaciones estándar de los tiempos de
inmersión para los dos catalizadores sean diferentes en el nivel de confianza del 90 por ciento.

2.5. Determinación del tamaño de la muestra

Para calcular el tamaño de la muestra suele utilizarse la siguiente fórmula:

Donde:
n = el tamaño de la muestra. N
= tamaño de la población.

Desviación estándar de la población que, generalmente cuando no se tiene su valor, suele

utilizarse un valor constante de 0,5.
Z = Valor obtenido mediante niveles de confianza. Es un valor constante que, si no se tiene su valor,
se lo toma en relación al 95% de confianza que equivale a 1,96 (como más usual) o en relación al
99% de confianza equivale 2,58, valor que queda a criterio del investigador.
e = Límite aceptable de error muestral que, generalmente cuando no se tiene su valor, suele
utilizarse un valor que varía entre el 1% (0,01) y 9% (0,09), valor que queda a criterio del
encuestador.
La fórmula del tamaño de la muestra se obtiene de la fórmula para calcular la estimación del
intervalo de confianza para la media, la cual es:

De donde el error es:

De esta fórmula del error de la estimación del intervalo de confianza para la media se despeja la n,
para lo cual se sigue el siguiente proceso:
Elevando al cuadrado a ambos miembros de la fórmula se obtiene:
Multiplicando fracciones:

Eliminando denominadores:

Eliminando paréntesis:

Transponiendo n a la izquierda:

Factor común de n:

Despejando n:

Ordenando se obtiene la fórmula para calcular el tamaño de la muestra:

Ejemplo:
Calcular el tamaño de la muestra de una población de 500 elementos con un nivel de confianza del
95%.
Solución:

Realizando el gráfico que representa el 95% de confianza se obtiene:

Se tiene N=500, para el 95% de confianza Z = 1,96, y como no se tiene los demás
valores se tomará y e = 0,05.
Reemplazando valores de la fórmula se tiene:
 Conclusión

Lo que esta esta unidad nos dice es que, necesitamos los conocimientos de la unidad uno ya que
hablamos de las distribuciones muestrales como, por ejemplo, la ji cuadrada, la x, la t y f. Por esto,
necesitamos saber todos estos temas ya que en esta unidad tuvimos que emplear algebra para poder
emplear los “Intervalos de confianza” y pudimos entender que estos son principalmente útiles en
para definir y tener una seguridad a la hora de tomar decisiones.

Al tomar las sesión de clases todos los días surgen unas preguntas que se aclaran repasando el tema
o viendo videos en diversas plataformas, lo importante es que realmente entendamos, así que está
bien buscar información externa, como equipo también nos apoyamos mutuamente porque si uno
tiene dudas hay que apoyarlo porque somos un grupo de aprendizaje colaborativo, teniendo
discusiones llegamos a un consenso y aportamos ideas, de tal manera que vemos la importancia de
cada una de los temas por lo que al momento de hacer la investigación de la unidad reforzamos
todas nuestras ideas para un mejor aprendizaje.

También en equipo se relaciona la importancia de todas las materias a lo que haremos en el futuro, y
con los ejemplos vistos en clase más los investigados nos hacemos una idea de la utilidad de cada
uno de los intervalos de confianza que podemos obtener y como usarlos.

Sabemos que el próximo tema estará relacionado, así como este está relacionado con el anterior y
para esto hicimos el trabajo de investigación, para mantener la memoria fresca acerca de los temas y
para en un futuro si se nos llega a olvidar algo de los temas tener este respaldo para poder estudiar
de nuevo y recordar que hay muchas otras formas de recordar y repasar el tema y con ello ser mejor
persona y también mejor profesionista.
 Fuentes bibliográficas
Martinez, I. (2017). Estadistica inferencial unidad 2: estimaciones. Obtenido de StuDocu:
https://www.studocu.com/es-mx/document/instituto-tecnologico-y-de-estudios-
superiores-de-occidente/analitica/apuntes/estadistica-inferencial-unidad-2-
estimaciones/3164546/view
MARIO ORLANDO SUÁREZ IBUJES, M.

Cálculo del tamaño de la muestra - Monografias.com

En el texto: (Mario Orlando Suárez Ibujes, 2020)
Bibliografía: Mario Orlando Suárez Ibujes, M. (2020). Cálculo del tamaño de la muestra -
Monografias.com. Retrieved 6 October 2020, from
https://www.monografias.com/trabajos87/calculo-del-tamano-muestra/calculo-del-tamano-
muestra.shtml

Montgomery
En el texto: (2020)
Bibliografía: (2020). Retrieved 6 October 2020, from https://www.ugr.es/~mvargas/Infe1.pdf

Objetoseducacionais2.mec.gov.br. 2020. Intervalo De Confianza Para La Media. [online]

Available at:
<http://objetoseducacionais2.mec.gov.br/bitstream/handle/mec/14450/int_media.htm> [Accessed 7
October 2020].

Recursostic.educacion.es. 2020. Estimación Puntual Y Estimación Por Intervalos. [online]

Available at:
<http://recursostic.educacion.es/descartes/web/materiales_didacticos/estimacion_por
_intervalos/estimacion.htm> [Accessed 4 October 2020].

Ugr.es. 2020. Problemas. Intervalos De Confianza Y Contrastes De Hipótesis. [online]

Available at: <https://www.ugr.es/~mvargas/PTema4.pdf> [Accessed 7 October 2020].