UNIVERSIDAD CATATOLICA DE CUENCA

Facultad de Ingeniería, Industria Y Construcción

Nombre:
Edison Jonathan Guanuche Largo

Docente:
Ing. Giovani Santiago Pulla

Curso:
Cuarto ciclo

Materia:
Procesos Estadísticos

Carrera:
Ingeniería Eléctrica

Año Lectivo

2021 - 2021
 PROBLEMAS DE ESTIMACIÓN DE UNA Y DOS MUESTRAS
I. INTRODUCCIÓN
En clases anteriores se han abordado los diferentes temas sobre el muestreo de la media y la
varianza, así como las representaciones de datos en varias formas, todo esto con el fin de permitir
a los estadísticos extraer conclusiones acerca de los parámetros de la población a partir de los
experimentos. En el presente trabajo desarrollado hablaremos sobre la inferencia estadística,
abordando una de sus dos áreas principales que es la estimación de los parámetros de la población
para problemas que tengas una y dos muestras.
II. DESARROLLO
Inferencia Estadística
La inferencia estadística consiste en métodos que se realizan para realizar generalizaciones acerca
de una población, en el presente trabajo se tratará unas de sus áreas principales que es la
estimación de los parámetros de la población, se lo desarrollara específicamente para problemas
que tengas una y dos muestras.
La teoría de la inferencia estadística consiste en aquellos métodos por los que se realizan
inferencias o generalizaciones acerca de una población. La inferencia estadística se puede dividir
en dos áreas principales: estimación y prueba de hipótesis.
Estimador
Un estimador es un estadístico usado para estimar un parámetro desconocido de la población.
Estimador insesgado

Se dice que un estadístico () es un estimador insesgado del parámetro θ si

E ()  
Si consideramos todos los posibles estimadores insesgados de algún parámetro θ, el de menor
varianza se llama estimador más eficaz de θ.

En la figura 1 ilustramos las distribuciones muestrales de 3 estimadores diferentes 1, 2 y3 ,

todos para θ. Resulta claro que sólo Θ̂1y Θ̂2 son insesgados, pues sus distribuciones están
centradas en θ. El estimador Θ̂1 tiene una varianza menor que Θ̂2 y, por lo tanto, es más
eficaz

Fig. 1. Distribuciones muestrales de estimadores diferentes de θ.

Estimación de la Media Una Muestra
Si la muestra se selecciona de una población normal o, a falta de esta, si n es suficientemente
grande, se puede establecer un intervalo de confianza para μ al considerar la distribució muestral
de X.
La estimación de la media de la población (μ), se hace por medio del teorema del límite central.
De acuerdo a este teorema se puede establecer la distribución muestral de X, que está distribuida
de forma aproximadamente normal con  x   y desviación estándar  x   / n . Al escribir
zα/2 para el valor z el cual se tiene un área de α/2 a la derecha, se puede ver que

Figura. 2.

Al multiplicar cada término en la desigualdad por  / n después restar x y multiplicar

por -1, se obtiene:

Se selecciona una muestra aleatoria de tamaño n de una población cuya varianza σ2 se conoce y
se calcula la media de la muestra para obtener un intervalo de confianza de (1 – α) 100%.
Intervalo de Confianza de μ con σ conocida.-
Si x es la media de una muestra aleatoria de tamaño n de una población con varianza σ2,
conocida, un intervalo de confianza de (1 – α) 100% para μ está dado por

Donde zα/2 es el valor z que deja un área de α/2 a la derecha.

Para muestras pequeñas que se seleccionan de poblaciones no normales, no se puede esperar
que el grado de confianza sea preciso.
Para muestras de tamaño n ≥ 30, sin importar la forma de la mayor parte de las poblaciones, la
teoría de muestreo garantiza buenos resultados.
Si μ es realmente el valor central del intervalo, entonces x estima μ sin error. La mayor parte de
las veces, x no será exactamente igual a μ y la estimación puntual es errónea.
Teorema 1: Si se utiliza 𝑥̅ como una estimación de μ, podemos tener una confianza de (1 − α)
100% de que el error no excederá z /2 / n.
Teorema 2: Si 𝑥̅ se usa como estimación de μ, podemos tener (1 − α)100% de confianza de que
el error no excederá una cantidad específica e cuando el tamaño de la muestra sea

Límites de confianza unilaterales en 𝜇; 𝜎 conocida Si 𝑋̅ es la media de una muestra aleatoria

de tamaño n a partir de una población con varianza 𝜎2, los límites de confianza unilaterales de
(1 − α) 100% para μ están dados por

Límite unilateral superior 𝑥̅ + 𝑧𝛼 𝜎⁄√𝑛

Límite unilateral inferior 𝑥̅ − 𝑧𝛼 𝜎⁄√𝑛

El caso de 𝜎 desconocida
Con frecuencia intentamos estimar la media de una población cuando se desconoce la varianza,
para ello si tenemos una muestra aleatoria a partir de una distribución normal, entonces la

Aquí S es la desviación estándar de la muestra. En esta situación en que se desconoce σ se

puede utilizar T para construir un intervalo de confianza de μ. El procedimiento es el mismo que
cuando se conoce σ excepto en que σ se reemplaza con S y la distribución normal estándar se
reemplaza con la distribución t. Con referencia a la figura 3.

Intervalo de confianza de μ; con σ desconocida:

Si 𝑥̅ y s son la media y la desviación estándar de una muestra aleatoria de una población con
varianza 𝜎2 desconocida, un intervalo de confianza de (1 − α) 100% para μ es.

Donde 𝑡𝛼/2 es el valor t con v=n-1 grados de libertad que deja un área de α/2 a la derecha.

Límites de confianza de 𝜇 para σ desconocida

Donde “e.e.” es el error estándar estimado 𝑠⁄√𝑛

Intervalos de predicción para una observación futura: σ conocida
Para una distribución normal de mediciones con media desconocida μ y varianza conocida 𝜎2,
un intervalo de predicción de (1 − α) 100% de una observación futura 𝑥𝑜 es

donde 𝑧𝛼⁄2 es el valor z que deja un área de α/2 a la derecha

Intervalos de predicción para una observación futura: σ desconocida
Para una distribución normal de mediciones con media desconocida μ y varianza desconocida
𝜎2, un intervalo de predicción de (1 − α) 100% de una observación futura 𝑥𝑜 es

donde 𝑡𝛼⁄2 es el valor t con v=n-1 grados de libertad, que deja un área de α/2 a la derecha
Error Estándar de una Estimación Puntual

La desviación estándar de x se conoce en la estimación como error estándar de x . De manera

simple, el error estándar de un estimador es su desviación estándar. En el caso donde σ se
desconoce y el muestreo es sobre una distribución normal, s reemplaza a σ y se incluye el error
estándar estimado. El punto importante a considerar es que el ancho del intervalo de confianza de
μ depende de la calidad del estimador puntual a través de su error estándar.
Límites de tolerancia
Para una distribución normal de mediciones con media μ y desviación estándar σ, ambas
desconocidas, los límites de tolerancia están dados por 𝑥̅ ± 𝑘𝑠, donde k se determina de manera
que se pueda asegurar con una confianza de (1 − γ)100% que los límites dados contienen al menos
la proporción 1− α de las mediciones.

Diferencia entre Límites de Confianza, Límites de Predicción y Límites de Tolerancia

 El intervalo de confianza sobre la media es útil cuando el analista de datos esté interesado en
la media de la población.
 La media de la población se necesita estimar y el intervalo de confianza produce los límites
apropiados.
 El intervalo de tolerancia está mucho más atento a dónde cae la mayoría de las observaciones
individuales.
 El intervalo de predicción se aplica cuando es importante determinar un límite para un solo
valor.
 Ni la media ni la ubicación de la mayoría de la población son la cuestión clave, sólo se
requiere la ubicación de una sola nueva observación.
Una sola muestra: estimación de una proporción
Un estimador puntual de la proporción p en un experimento binomial está dado por el estadístico
𝑃̂=𝑋𝑛⁄, donde 𝑋 representa el número de éxitos en n pruebas. Por lo tanto, la proporción de la
muestra 𝑝̂=𝑥𝑛⁄ se utilizará como el estimador puntual del parámetro p. Si no se espera que la
proporción p desconocida esté demasiado cerca de cero o de 1, podemos establecer un intervalo
de confianza para p al considerar la distribución muestral de 𝑃̂. Si 𝑝̂ es la proporción de éxitos en
una muestra aleatoria de tamaño n, y 𝑞̂ = 1-𝑝̂, un intervalo de confianza aproximado de (1 −
α)100% para el parámetro binomial p esté dado por:
donde 𝑧𝛼2⁄ es el valor z que deja un área de α/2 a la derecha.
Teorema 3: Si 𝑝̂ se utiliza como una estimación de p, podemos tener una confianza de (1 − α)
100% de que el error no excederá 𝑧𝛼2⁄√𝑝̂𝑞̂𝑛⁄
Teorema 4: Si 𝑝̂ se utiliza como una estimación de p, podemos tener una confianza de (1 − α)
100% de que el error será menor que una cantidad específica e cuando el tamaño de la muestra
sea aproximadamente

Teorema 5: Si 𝑝̂ se utiliza como una estimación de p, podemos tener una confianza de al menos
(1 − α) 100% de que el error no excederá una cantidad específica e cuando el tamaño de la muestra
sea

Estimación de la Diferencia entre Medias Dos Muestras

 Si se tiene dos poblaciones normales o, a falta de esta, si n1 y n2 son suficientemente grandes,
se puede establecer un intervalo de confianza para μ1 – μ2 al considerar la distribución
muestral de X 1- X 2.
 La estimación de la diferencia de dos medias de dos poblaciones μ1 – μ2, se hace por medio
del teorema del límite central.
 Se selecciona dos muestras aleatorias de tamaño n1 y n2 de dos poblaciones cuyas varianzas
σ12 y σ22 se conocen y se calcula la diferencia de las medias de las muestras para obtener un
intervalo de confianza de (1 – α) 100%.
 Intervalo de Confianza de μ1 – μ2 con σ1 y σ2 conocidas. Si x1 y x2 son las medias de
muestras aleatorias independientes de tamaño n1 y n2 de poblaciones con varianzas conocidas
σ12 y σ22, respectivamente, un intervalo de confianza de (1 – α) 100% para μ1 – μ2
 Para muestras pequeñas que se seleccionan de poblaciones no normales, no se puede esperar
que el grado de confianza sea preciso.
 Para muestras de tamaño n ≥ 30, sin importar la forma de la mayor parte de las poblaciones,
la teoría de muestreo garantiza buenos resultados.
 Intervalo de Confianza de μ1 – μ2 con σ1 y σ2 iguales pero desconocidas. Si x1 y x2 son las
medias de muestras aleatorias independientes de tamaño n1 y n2, de poblaciones
aproximadamente normales con varianzas iguales pero desconocidas, un intervalo de
confianza de (1 – α) 100% para μ1 – μ2.
 En el caso de una diferencia entre dos medias, la interpretación se puede extender a una
comparación de dos medias:
 Si el intervalo de confianza de la diferencia μ1 – μ2 es positivo, se infiere que la μ1 > μ2 con
poco grado de error.
 Si el intervalo de confianza de la diferencia μ2 – μ1 es positivo, se infiere que la μ1 < μ2 con
poco grado de error.
 Si el intervalo de confianza de la diferencia μ2 – μ1 puede permitir que μ2 – μ1 sea igual a 0,
se infiere que las medias de las poblaciones pueden ser μ1 = μ2 con poco grado de error.

Error Estándar de una Estimación Puntual

La desviación estándar de x1  x2 se conoce en la estimación como error estándar de x1  x2 .

De manera simple, el error estándar de un estimador es su desviación estándar. En el caso donde
σ1 y σ2 se desconocen y el muestreo es sobre una distribución normal, s1 y s2 reemplaza a σ1 y
σ2 y se incluye el error estándar estimado.
El punto importante a considerar es que el ancho del intervalo de confianza de μ1 y μ2 depende
de la calidad del estimador puntual a través de su error estándar.
Estimación de la Varianza Una Muestra

 Si se extrae una muestra de tamaño n de una población normal con varianza σ2, y se calcula
la varianza muestral s2 se obtiene un valor de la estadística S2.
 Esta varianza muestral calculada se usará como estimación puntual de σ2, por ello la
estadística S2 se llama estimador de σ2.
 Se puede establecer una estimación por intervalos de σ2 mediante el uso de la estadística

 La estadística X2 tiene una distribución chi-cuadrada con v = n – 1 grados de libertad

cuando las muestras se eligen de una población normal.

donde son valores de la distribución chi cuadrada con n − 1 grados de libertad, que dejan áreas
de 1 − α/2 y α/2, respectivamente, a la derecha. Al sustituir para X2, escribimos

Al dividir cada término de la desigualdad entre (n − 1) 𝑆2 y, después, invertir cada término (lo
que cambia el sentido de las desigualdades), obtenemos

Para nuestra muestra aleatoria particular de tamaño n, se calcula la varianza muestral 𝑠2 y se

obtiene el siguiente intervalo de confianza de (1 − α)100% para 𝜎2.

donde 𝑋𝛼2⁄2 y 𝑋1−𝛼2⁄2 son valores 𝑋2 con v = n − 1 grados de libertad, que dejan áreas de α/2
y 1 − α/2, respectivamente, a la derecha.
Intervalo de confianza para σ2. Si s2 es la varianza de una muestra aleatoria de tamaño n de
una población normal, un intervalo de confianza (1 – α) 100% para σ2
Intervalo de confianza para σ. Un intervalo de confianza (1 – α) 100% para σ se obtiene al
tomar la raíz cuadrada de cada extremo del intervalo de confianza para σ2.
Estimación de la Razón de Dos Varianzas Dos Muestras

 Una estimación puntual de la razón de dos varianzas poblacionales σ21/σ22 está dada por la
razón s21/s22 de las varianzas muéstrales.
 Esta varianza muestral calculada se usará como estimación puntual de σ2 /σ2, por ello la
estadística S2 /S2 se llama estimador de σ2 /σ2.
 En el caso de la razón de dos desviaciones estándar, la interpretación se puede extender a
una comparación de dos desviaciones estándar:
 Si el intervalo de confianza de la razón σ1/σ2 permite la posibilidad de que σ1/σ2 sea igual
a 1, se infiere que σ1 = σ2 con poco grado de error.
 Si el intervalo de confianza de la razón σ1/σ2 no permite la posibilidad de que σ1/σ2 sea
igual a 1, se infiere que σ1 ≠ σ2 con poco grado de error.

Ejemplo
En una muestra aleatoria de n = 500 familias que tienen televisores en la ciudad de Hamilton,
Canadá, se encuentra que x = 340 están suscritas a HBO. Encuentre un intervalo de confianza
de 95% para la proporción real de familias en esta ciudad que están suscritas a HBO.

III. CONCLUSIONES
 La primera fase de la estadística se trata de coleccionar, ordenar y presentar los datos o hechos
numéricos. La segunda parte de la estadística se encarga de analizar, sintetizar (hacer
inferencias y realizar interpretación) y finalmente publicar los datos que han sido presentados
en forma de grafica y/o de manera tabular. Es precisamente en la sección del análisis
estadístico en donde el investigador debe modificar los datos, es decir hacer estimaciones de
los datos brutos. Para hacer estimaciones, uno debe estar bien familiarizado con los criterios
estadísticos que se debe reunir y considerar en el proceso de la estimación, ya que las
estimaciones sesgadas nos conducen a las inferencias y decisiones erróneas. Es precisamente
con este objetivo que se avoco a realizar la presente investigación.
 La amplitud de un intervalo de confianza está determinada por el nivel de confianza
establecido, la variabilidad de los datos y el tamaño de la muestra.
 Un intervalo de confianza aporta más información que un estimador puntual cuando se
quiere hacer inferencias sobre parámetros poblacionales.
IV. REFERENCIAS BIBLIOGRAFICAS
[1] Jay L. Devore, Probabilidad y estadistica para ingeneria y ciencias. 2008.
[2] Walpole, Ronald; Myers, Raymond, Probabilidad y estadística para ingeniería y ciencias, 9na
ed., Ed. Pearson, México, 2012