Capítulo 9

Intervalos de Confianza

8.1 Muestra y Muestreo

En el análisis estadístico, no es muy común analizar las poblaciones, por el costo y

el tiempo que requeriría analizar los datos. Ante esta situación se suele utilizar

una muestra, que es una porción de la población. La muestra, en teoría, es más

manejable, menos costosa y requiere de menos tiempo para su análisis y

explotación.

( )
( ) ( )
( )

Figura 8.1

El muestro, es la técnica mediante la cual, se selecciona una muestra de una

población. Una opción válida para extraer muestras representativas de la

población, es el muestreo aleatorio simple.

8.1.1 Estadístico, Parámetro y Estimador.

Un parámetro, es una característica de la población, como pueden ser, la media ,

la varianza o el error estándar . Un estadístico, es una característica extraída

de una muestra. En este caso la media se simboliza por , la varianza y el

error estándar .
Un estimador puntual, es el valor numérico de un estadístico muestral que se usa

para estimar el valor de un parámetro poblacional. Un estimador insesgado, es un

estadístico muestral, cuyo valor esperado es igual al parámetro que esta

estimando. Con esta definición, establecemos el parámetro y el estadístico para la

media:

=
↓ ↓ (8.1.1)

El estadístico es un estimador puntual, y será insesgado si y solo si:

= (8.1.2)

La inferencia estadística, implica el uso de una muestra y sus correspondientes

estadísticos, para sacar conclusiones sobre la población y sus parámetros

correspondientes.

Ejemplo 8.1: Supongamos que tenemos los datos de 4 estudiantes de una

Universidad, cuyos ingresos son:

Estudiantes Ingresos
A 100$
B 200$
C 300$
D 400$

Tabla 8.1

Consideramos a estos 4 estudiantes como una población, para un análisis. En este

caso se dice que la población es de tamaño = 4. Si calculamos la media

poblacional de los ingresos de la población de 4, tenemos:

100 + 200 + 300 + 400

=
4

= 250
Este resultado significa que la media poblacional ( ) de los ingresos de los

alumnos de la Universidad es de 250$. Para simplificar las cosas, suponga que se

quiere extraer una muestra de tamaño = 2. Podemos utilizar el análisis

combinatorio para saber la cantidad de muestras que podemos extraer. Al utilizar

los datos de población y muestra, tenemos:

4!
=
2! (4 − 2)!

= 6

Este resultado indica que hay 6 posibles combinaciones de 2 elementos que se

pueden extraer de una población de 4. Las combinaciones y sus medias son:

Muestra Elementos Media

1 100, 200 150
2 100, 300 200
3 100, 400 250
4 200, 300 250
5 200, 400 300
6 300, 400 350

Tabla 8.2

Solo las muestras 3 y 4 son las mismas a la media poblacional.

8.2 Distribución Muestral de la Media

El valor de un estadístico, varía de una muestra a otra, debido a la variabilidad

en el muestreo aleatorio. A la diferencia entre el estadístico muestral y el

parámetro poblacional, se lo denomina error de muestreo. Es decir:

= ̂− (8.2.1)

Donde ̂ es un estadístico y es un parámetro. La distribución muestral de la

media, es una lista de los valores de las medias muéstrales acompañados por su

probabilidad.
Ejemplo 8.2: Continuando con el ejemplo anterior, calculamos la distribución

muestral de los ingresos medios de los alumnos de la Universidad:

Media N° Probabilidad
150 1 1/6
200 1 1/6
250 2 2/6
300 1 1/6
350 1 1/6

Tabla 8.3

Donde podemos ver que ∑ = =1

8.2.1 La Media de la Distribución de las Medias

Al igual que otras distribuciones, la distribución muestral de la media, tiene una

media, simbolizada por . El valor de se puede obtener como cualquier

media, sumando los valores de todas las medias de las muestras, y dividir entre la

cantidad de muestras, es decir:

+ + ⋯+
=
(8.2.2)
∑=
=

Donde ∑ = es la suma de todas las medias muéstrales y es la cantidad de

muestras. Al sacar repetidamente muestras aleatorias de una población, podemos

establecer la siguiente igualdad:

= (8.2.3)

Esto significa que la “gran media” o la media de la distribución muestral de la

media, es igual a la media poblacional. Esta igualdad o teorema de la estadística,

es bastante útil, ya que puede ahorrarnos el trabajo de calcular 8.2.2, que puede

ser bastante largo, si tenemos muchos datos.

Ejemplo 8.3: Al calcular la media de la distribución muestral de los ingresos de

los 4 alumnos, tenemos

150 + 200 + 250 + 250 + 300 + 350

=
6

= 250

Es decir que la “gran media” es de 250. Nótese que se cumple que = , la

media de las medias muéstrales, es igual a la media poblacional.

8.2.2 La Varianza de la Distribución de las Medias

La distribución muestral de la media, también tiene su varianza y correspondiente

error estándar. La varianza se calcula por:

∑= − (8.2.4)
=

Y el error estándar:

∑= − (8.2.5)
=

El valor de mide la tendencia de sufrir el error de muestreo al estimar .

Ejemplo 8.4: Anteriormente ya se obtuvo el valor de que es la media de la

distribución muestral de la media. Ahora calculamos y :

− −
150 -100 10000
200 -50 2500
250 0 0
250 0 0
300 50 2500
350 100 10000
= 25000
=

Tabla 8.4
El valor de la varianza es:

25000
=
6

= 4166.67

El error estándar de las medias muéstrales:

√
= 4166.67

= 64.549

La dispersión de las medias muéstrales , alrededor de la media poblacional es

de 64.55$.

Una cuestión a tener en cuenta es; a medida que el tamaño de la muestra

aumenta, la varianza y el error estándar, tienden a ir disminuyendo. Mientras más

grande es la muestra, más seguro estamos de calcular la media correcta.

8.2.4 Calculo de a partir de

Una forma de poder calcular el error estándar de las medias muéstrales , es

utilizar el error estándar poblacional ( ), de los datos. Si el error estándar

poblacional es conocido, entonces el error estándar de las medias muéstrales se

calcula por:

= √ (8.2.6)

O en el caso de que ≥ 0.05

− (8.2.7)
= √
−1

Ambas formulas requieren de que sea conocido. A la segunda ecuación, se le

agrega lo que se llama factor de corrección de población finita. Ambas formulas

son bastantes útiles.

Es de vital importancia identificar cual de las dos formulas es la adecuada. En el

caso de la segunda, la condición es que el tamaño de la muestra sea mayor o

igual al 5% de la población.

Ejemplo 8.6: Con los datos de los ingresos de los 4 alumnos, calculamos la

media poblacional, cuyo valor es = 250 y la desviación estándar de la población

de estudiantes1 es de = 111.8. Con estos valores, vamos a calcular el error

estándar de las medias muéstrales.

111.8 4−2
= √
2 4−1 2 ≥ 0.05(4)

= 64.55

Vemos que coincide con los valores del ejemplo anterior.

8.3 Calculo de Probabilidad para la Media Muestral

Una aplicación bastante común, es el cálculo de la probabilidad de que una media

muestral caiga en un rango de valores. Para este caso, volvemos a la formula de

pero con una ligera modificación:

− (8.2.8)
=

De esta forma se obtiene el valor de , posteriormente buscamos el área que

corresponde a este valor en la tabla de distribución normal estándar.

Ejemplo 8.7: Se tiene una población de 900 elementos, con una media de = 20

y una desviación estándar de = 12. Se extrae una muestra de 36 unidades.

Calcular la probabilidad de que la media tome un valor que este entre 18 y

24 unidades. Para fines más prácticos, primeramente ubicamos los valores de 18 y

24 en el siguiente grafico:

1
Recordar que consideramos a los 4 alumnos como una población, solo para fines demostrativos.
 .0024

( )
.0020
= 20
.0016

.0012

.0008

.0004

.0000
1,300 1,500 1,700 1,900 2,100 2,300 2,500 2,700
18 24

Figura 8.2

Ahora calculamos los valores :

18 − 20 24 − 20
= =
√12 √12
36 36

= −1 = 2

Lo que significa que

(18 < < 24) = 0.3413 + 0.4772

= 0.8185

La probabilidad de que la media de una muestra dada, tome valores de entre 18 y

24 es de 81.85%

8.3 El Teorema Central del Límite.

El teorema central del límite, establece que: “A medida que el tamaño de las

muestras se incrementa, es decir a medida que → ∞, la distribución muestral

de la media, se aproxima a la distribución normal, aun si la población original no

tiene distribución normal”. Esta aproximación es buena a partir de ≥ 30.

Si la población del cual se extrae una muestra tiene distribución normal, entonces

la distribución muestral de la media también será una distribución normal,

independientemente del tamaño de la muestra.

La media será igual a sin importar el tamaño de la muestra. Lo que se debe

tener en cuenta es que a medida que el tamaño de la muestra crece, el error

estándar de la media va siendo cada vez más pequeño. Esto se ve:

= 20

=5

Figura 8.3
Referencias:
 Estadística Aplicada a Administración y Economía. Leonard J. Kazmier.

McGraw-Hill. 2006

 Estadística para Administración y Economía. Paul Newbold, William L.

Carlson & Betty M. Thorne. Pearson. 2008

 Estadística Aplicada a los Negocios y la Economía. Allen L. Webster.

McGraw-Hill. 2000.

 Estadística Aplicada a los Negocios y la Economía. Douglas A. Lind,

William G. Marchal & Samuel A. Wathen. McGraw-Hill. 2009.

 Estadística para Administración y Economía. David R. Anderson, Dennis

J. Sweeney & Thomas A. Williams. Cengage Learning. 2008