MATE EA: E TADẼ TECA ADMENE T ATEVA.

TETULO: UNEDAD 4. MUE T EO Y

E TEMACEONE .

EOUEPO:
BA BO A A EZPE TE E A DE JE Ũ .
CAMPO NAVA #AND A.
CA MONA GA CẼA GAB EELA.
COYOTE VELLABA JE Ũ EDUA DO.
LǑPEZ AND Ẽ VẼCTO KAGO.
PLATA DE LA O A DULCE AB EL.

P OFE#O : CA LO GUTEẼ EZ EYNAGA.

G UPO: 4CJJ.
UNIDAD 4. MUESTREO Y ESTIMACIONES

4.1 Definición de muestreo

Es un procedimiento empleado para obtener una o más muestras de una población. Por
ejemplo: religión y sexo de los estudiantes de educación del núcleo San Carlos de la
UNESR.

Muestra: Es la parte de la población a estudiar que sirve para representarla.

4.1.1 Tipos de muestreo aleatorio, sistematizado, estratificado y

conglomerados

Muestreo aleatorio simple

Para población finita: Una muestra seleccionada de tal manera que cada muestra posible de
tamaño n tiene la misma probabilidad de ser seleccionada.

Para población infinita: Una muestra seleccionada de tal manera que cada elemento
proviene de la misma población y los elementos sucesivos se seleccionan en forma
independiente.

EJEMPLO

Un muestreo aleatorio de todos los profesores de secundaria de California puede resultar en

la selección (altamente improbable, por cierto) de 20 profesoras de francés. De hecho,
nunca se puede tener la seguridad de que tal muestreo sea representativo o no de la
población y lo único que se puede afirmar es que, bajo todo aspecto, es aleatoriamente
representativo de ella.

Una característica mas importante del muestreo al azar es que puede determinarse el tipo
de “no representatividad” que, a la larga, cabe esperar de numerosos muestreos similares,
cosa que no es posible con otros tipos de selección.

Muestreo aleatorio simple estratificado

Método para seleccionar una muestra en el que primero se divide a la población en

estratos y a continuación se toma una muestra aleatoria simple de cada estrato.

EJEMPLO

Una base de formación de los estratos puede ser por departamentos, ubicación, edad, giro
industrial, etc., queda a discreción de quien diseña la muestra, sin embargo los mejores
resultados se obtienen cuando los elementos dentro de cada estrato son tan semejantes
como sea posible.
Después de formar los estratos se toma una muestra aleatoria simple de cada uno. Se
dispone de formulas para combinar los resultados para la muestra de estrato individual en
un estimado del parámetro poblacional de interés. El valor del muestreo aleatorio
estratificado depende de cuán homogéneos sean los elementos dentro de los estratos. Si
son similares, los estratos tendrán bajas varianzas. Si los estratos son homogéneos, el
procedimiento de muestreo aleatorio estratificado producirá resultados tan precisos como
el muestreo aleatorio simple, pero con menor tamaño total de muestra.

Muestreo sistemático

Método para elegir una muestra seleccionando al a los primeros k elementos y a

continuación cada k-ésimo elemento.

EJEMPLO

Si se desea una muestra de tamaño de 50 de una población con 5,000 elementos, podríamos
muestrear un elemento de cada 5,000/50 = 100 en la población. Una muestra sistemática
en este caso implica seleccionar al azar uno de los primeros 100 elementos de la lista de la
población. Se identifican los demás elementos de la muestra comenzando por el
primero obtenido al azar y a continuación
seleccionando cada 100□. elementos. En efecto, se identifica la muestra de 50
recorriendo la población en forma sistemática, e identificando cada 100□. elemento
después del primero que se selecciono al azar.

Muestreo por conglomerados

Método probabilístico de muestreo en el cual primero se divide la población en

conglomerados y después se selecciona uno o mas conglomerados para muestrearlos.
EJEMPLO

Cuando se realiza el muestreo de áreas, en los que los conglomerados son manzanas
urbanas, u otras áreas, bien definida. Por lo general, el muestreo de conglomerados requiere
un tamaño de muestra total mayor que el muestreo aleatorio simple o el muestreo aleatorio
estratificado. Sin embargo, puede originar ahorros porque cuando se manda a un
entrevistador a aplicar un cuestionario a un conglomerado muestreado (por ejemplo, una
manzana urbana), se puede obtener muchas observaciones muéstrales en un tiempo
relativamente corto. En consecuencia, se puede obtener un mayor tamaño de muestra con
un costo bastante menor por elemento, y por ende, probablemente un costo total menor.

4.2 Concepto de distribución de muestreo de la media

Una distribución muestral de medias o una distribución en el muestreo de la media se

define como el conjunto de todas las medias que se pueden calcular en todas las muestras
posibles que se pueden extraer, con o sin reemplazo, de una determinada población. Para
detectar las relaciones a que nos hemos referido, partiremos de un ejemplo con una
población pequeña.

4.2.1 Distribución muestral de la diferencia entre dos medias

Estadístico de la prueba de la diferencia entre dos medias con muestras grandes. Formula:

𝑥̅1 − 𝑥̅2
𝑧=
𝑆2 𝑆2
√ 1𝑛1+ 𝑛22
EJEMPLO 1:

En un estudio de una tienda de departamentos diseñado para probar el saldo promedio en

las cuentas de 30 días es el mismo en sus dos sucursales suburbanas, muestras tomadas al
azar arrojaron los siguientes resultados:
𝑛1 = 80, 𝑛2 = 100, 𝑥̅1 = $64.20, 𝑥̅2 = $71.41, 𝑆1 = $16.00,

𝑥̅1 − 𝑥̅2 𝑆2 = $22.13

𝑧=
𝑆12 𝑆22
√
𝑛1+ 𝑛2

64.20 − 71.40
𝑧= = −2.53
(168.000)2 (221.0103)2
√ +
Y como este valor es menor que -1.96, se deduce que la diferencia observada de
$7.21 entre los saldos promedio de las dos sucursales es significativa. El valor de z= -2.53
es de 0.0057.

Estadístico de la prueba de muestra pequeña.

Formula:

𝑡=
∑( 𝑥̅1 − 𝑥̅2
2 2 1 1
𝑥1 − 𝑥̅1) + ∑(𝑥2 − 𝑥̅2) ∙ ( + )
√
𝑛1 + 𝑛2 − 2 𝑛1 𝑛2

EJEMPLO 2:

Las siguientes son mediciones de la capacidad de producción (en millones de calorías por
tonelada) de muestras aleatorias ejemplares cada una de carbón proviene de dos minas:

Mina 1: 8380 8210 8360 7840 7910

Mina 2: 7540 7720 7750 8100 7690

Utilice un nivel de significación de 0.05 para probar si es importante la diferencia entre las
medias de estas dos muestras.
Las medias de las muestras son 𝑥̅1 = 8140 𝑦 𝑥̅2 = 7760 y para calcular “t” de
acuerdo a la formula anterior, primero se determina.
 ∑(𝑥1 − 𝑥̅1)2 = (8380 − 8140)2) + ⋯ + (7910 − 8140)2 = 253 800
Y
∑(𝑥2 − 𝑥̅2)2 = (7540 − 7760)2) + ⋯ + (7690 − 7760)2 = 170 600

Ahora bien, al sustituir estas sumas junto con 𝑛1 = 5, 𝑛2 = 5, 𝑥̅1 = 8140, 𝑥̅2 =
7760 en la fórmula de “t”, se obtiene:

8140 − 7760
𝑡= = 2.61
253 850+0 +5 −1720 600 15 15
√ ∙( + )

4.3 Teorema del límite central

Sea X1, X2,..., Xn una muestra aleatoria de una distribución con media 𝜇 y varianza
𝜎2 Entonces, si es suficientemente
𝑛 grande, tiene aproximadamente
𝑥 una distribución normal
con, 𝜇 𝜇 𝜎 ² 2
y T0 𝑥tiene
= también
𝑦 𝑥 = aproximadamente
𝜎 /n una distribución normal con
=2𝑛 * 𝜇 , 𝜎𝑇o = 𝑛 * 𝜎 . Cuanto mas grande sea el
2
𝜇𝑇o
valor de n, mejor será la aproximación.

El Teorema del Límite Central garantiza una distribución normal cuando n es

suficientemente grande.
Si n > 30, se puede usar el Teorema de Limite Central.
Si la distribución madre es normal, la distribución de la media muestral también es normal,
independientemente del tamaño.
𝑥 ≈ 𝑁(𝜇𝐾; 𝜎𝐾) Þx ≈ (𝜇𝐾; 𝜎𝐾)
Ejemplo 1:
Si se sabe que la dureza Rockwell de pernos de cierto tipo tiene un valor medio de 50 y
desviación estándar de 1,5.

a) Si la distribución es normal, ¿cuál es la probabilidad de que la dureza muestral media

para una muestra aleatoria de 9 pernos sea por lo menos 52?

b) ¿Cuál es la probabilidad (aproximada) de que la dureza muestral media para una

muestra aleatoria de 40 pernos sea al menos 52?
x = 50
σ = 1,5
x ≈ N(50; 1,5)
a)
n=9
x = 52
x ≈ N(50; 1,5.√9)
z =(𝑥 − 𝜇)/(𝜎/√𝑛)

La probabilidad de que la media muestral sea superior a 52 es: P(x ≥

52) =
𝑥̅ − 𝜇 52 − 50
𝑃( ≥ ) Þ P(Z ≥ 4) = 0
𝜎 1.5
√𝑛 √9

Con el valor de z obtenido de y tablas:

P(x1 ≤ x ≤ x2) =

𝑥̅ − 𝜇
𝑃(𝑧1 ≤ ≤ 𝑧2)Þ P(z1 ≤ z ≤ z2) = 𝜑(z)
𝜎
√𝑛

Tener en cuenta que los valores para: Ф

(z) = P (z ≤ z1)
b)
n = 40

Con el valor de z obtenido de tablas: P(x

≥ 52) =
𝑥̅ − 𝜇 52 − 50
𝑃( ≥ ) Þ P(Z ≥ 8,4327) = 0
𝜎 5
√ 𝑛 √40

EJEMPLO 2:

En una asignatura del colegio la probabilidad de que te saquen a la pizarra en cada

clase es del 10%. A lo largo del año tienes 100 clases de esa asignatura.
¿Cuál es la probabilidad de tener que salir a la pizarra más de 15 veces? Se vuelve a
aplicar el Teorema Central del Límite.
Salir a la pizarra es una variable independiente que sigue el modelo de distribución de
Bernoulli:
"Salir a la pizarra", le damos el valor 1 y tiene una probabilidad del 0,10 "No
salir a la pizarra", le damos el valor 0 y tiene una probabilidad del 0,9 La media
y la varianza de cada variable independiente es:

𝜇 = 0,10

𝜎2 = 0,10* 0,90 = 0,09

Por tanto, la suma de las 100 variables se distribuye según una normal cuya media y
varianza son:

Media: n * m = 100 * 0,10 = 10

Varianza: n * s2 = 100 * 0,09 = 9

Para calcular la probabilidad de salir a la pizarra más de 15 veces, calculamos el valor

equivalente de la variable normal tipificada:
15−10
𝑌= 3,0
= 1,67

Luego:

𝑃(X > 15) = 𝑃(𝑌 > 1,67) = 1 − 0,9525 = 0,0475

Es decir, la probabilidad de tener que salir más de 15 veces a la pizarra a lo largo del curso
es tan sólo del 4,75%.

4.4 Determinación del tamaño de la muestra de una población

El tamaño de la muestra para un diseño de encuesta basado en una muestra aleatoria simple,
puede calcularse mediante la siguiente fórmula:

𝑧2𝑝𝑞
𝑛=
Donde: 𝐵2
n= Tamaño de la muestra,
z= 1.96 para el 95% de confianza, 2.56 para el 99% p=
Frecuencia esperada del factor a estudiar
q= 1- p
B= Precisión o error admitido
El valor de n obtenido por esta fórmula indica el tamaño de la muestra para una población
infinita, a efectos prácticos se considera población infinita cuando la muestra supone menos
del 5% de la población total.
EJEMPLO 1:

Supongamos que se desea realizar una encuesta sobre la brucelosis ovina. Se estima una
prevalencia del 15% y se requiere un 5% de precisión sobre una población de 2.000.000 de
cabezas. El nivel de confianza se fija en el 95%.

Formula:

𝑧2𝑝𝑞
𝑛=
𝐵2

Datos:

Z= 1.96, p=0.15, q=0.85, B=0.05

1.962 ∙ 0.15 ∙ 0.85

𝑛=
0.052
. 489804
𝑛= = 196
.
0025
∴ 𝑛 = 196 𝑎𝑛i𝑚𝑎𝑙e𝑠 𝑠e𝑙e𝑐𝑐io𝑛𝑎𝑑o𝑠

EJEMPLO 2:

En un proyecto realizado en una determinada comunidad se ha calculado que cerca del 30%
(0,3) de los niños de la zona del proyecto padecen de malnutrición crónica. Este dato se
basa en estadísticas nacionales sobre malnutrición en las zonas rurales. Si el nivel de
confianza se fija en el 95%.

Formula:

𝑧2𝑝𝑞
𝑛=
𝐵2

Datos:
Z= 1.96, p=0.30, q=0.70, B=0.05

1.962 ∙ 0.30 ∙ 0.70

𝑛=
0.052
. 806736
𝑛= = 323
.
0025
∴ 𝑛 = 323 𝑛iño𝑠 𝑠e𝑙e𝑐𝑐io𝑛𝑎𝑑o𝑠
4.5 Intervalos de confianza para la media, con el uso de la distribución
Normal y la “t” student

Distribución normal

EJEMPLO 1:

Se encuentra que la concentración promedio de zinc que se saca del agua a partir de la
muestra de mediciones de zinc en 36 sitios diferentes es de 2.6 gramos por mililitro.
Encuentre el intervalo de confianza de 95% para la concentración media de zinc en el rio.
Suponga que la desviación estándar de la población es de 0.3

Datos:
𝑥 = 2.6
𝑛 = 36
Z = .90/2=.475=1.96
𝜎 = .3

Formula:
𝑧𝜎
𝜇= 𝑥±
√ (1.96)(. 3)
𝑛
𝜇 = 2.6 ± = 2.50 𝑦 2.70
√36

EJEMPLO 2:

Una empresa eléctrica fabrica focos que tienen una duración aproximadamente distribuida
de forma normal con una distribución estándar de 40 horas. Si una muestra de 30 focos
tiene una duración promedio de 780 horas, encuentre un intervalo de confianza de 96%
para la media de la población de todos los focos que produce esta empresa.

Datos:
𝑥 = 780
𝑛 = 30
Z = .96/2=.48=2.06
𝜎 = 40

FORMULA:
𝑧𝜎
𝜇= 𝑥±
√ (2.06)(40)
𝑛
“t” student.

EJEMPLO 1:

Un fabricante de llantas desea investigar la durabilidad de sus productos. Una muestra de 10

llantas para recorrer 50000 millas revelo una media muestral de
.32 pulgadas de cuerda restante con una desviación estándar de .09 pulgadas.
Constituya un intervalo de confianza de 95% para la media poblacional.
Datos:
𝑛 = 10
𝑥 = .32
𝑆 = .09
L = 95%

Formula: 𝑆
𝜇 = 𝑥 ± t 1−L/2 , n − 1
√𝑛 . 09
/
𝜇 = .32 ± 𝑡 1 − .95 2 , 10 − 1
. 09 √10
𝜇 = .32 ± 𝑡. 025,9
√10
.
𝜇 = .32 ± 𝑡2.262 09
√10
𝜇 = .32 ± .064
𝜇 = (. 256 , .384)

EJEMPLO 2:

El dueño de una tienda de abarrotes desea estimar la cantidad madia que gastan los
clientes que le consumen sus productos. Una muestra de 20 clientes revelo que gastan
$50, con una desviación estándar de 9.01. Determine un intervalo de 95% de confianza
para la media poblacional.
Datos:
𝑛 = 20
𝑥 = 50
𝑆 = 9.01
L = 95%

Formula: 𝑆
𝜇 = 𝑥 ± 𝑡 1−L/2 , 𝑛 − 1
/ √𝑛 9.01
𝜇 = 50 ± 𝑡 1 − .95 2 , 20 −
1 √20
9.01
𝜇 = 50 ± 𝑡. 025,19
√20
 9.01
𝜇 = 50 ± 𝑡2.093
√20
𝜇 = 50 ± 4.22
𝜇 = (45.78 , 54.22)

4.5.1 Determinación de la muestra con grado de confianza y estimación de 𝜇

Partiendo del primer ejemplo dado con la distribución “z” tenemos: Datos:
µ = 2.6
𝑛 = 36
Z = .90/2=.475=1.96
𝜎 = .3

Formula:
𝑧𝜎
𝐼𝐶 = 𝜇 ± √
𝑛(1.96)(. 3)
𝐼𝐶 = 2.6 ± = 2.50 𝑦 2.70
√36

Para nuestro segundo ejemplo tomaremos los datos del ejemplo N°2 “z”:

Datos:
µ = 780
𝑛 = 30
Z = .96/2=.48=2.06
𝜎 = 40

Formula:
𝑧𝜎
𝐼𝐶 = 𝜇 ±
√𝑛(2.06)(40)
𝐼𝐶 = 780 ± = 765 𝑦 795
√30

4.6 Intervalo de confianza para la diferencia entre dos medias 𝜇1 − 𝜇2 con

𝜎21𝑦 𝜎22 𝜎21 = 𝜎22 pero conocidas, con el uso de la distribución normal y la
“t” student

Si 𝑥̅1 y 𝑥̅2 son las medidas de muestras aleatorias independientes de tamaño 𝜇1 y

𝜇2 tomadas de poblaciones normales que tienen las medidas 𝜇1 y 𝜇2 y la varianza
𝜎𝑥̅2 y−𝜎𝑥̅2,1 entonces
21 2 es una variable aleatoria que tiene una distribución
normal con la media

𝜇𝑥̅1−𝑥̅2 = 𝜇1 − 𝜇2

Y la varianza.
𝜎2 − 𝜎12 𝜎 2
𝑥1 𝑥2 = 𝑛1 +𝑛2 2

Se deduce que

(𝑥̅1 − 𝑥̅2) − (𝜇1 − 𝜇2)

𝑧=
𝜎2 𝜎2
√ 𝑛11 +𝑛22

Tiene una distribución normal estándar. Sustituyendo esta expresión por z en:

𝑃 (−𝑧𝑎 < 𝑧 < 𝑧𝑎 ) = 1 − 𝑎

2 2

El método de pivotes nos lleva a

𝜎1 𝜎2
𝑃 𝜎
[(1 𝑥̅1 − 𝑥̅ 2 ) − 𝑧𝑎/2 ∙ √ 2 + 2 < 𝜇1 − 𝜇2 < (𝑥̅1 − 𝑥̅ 2 ) + 𝑧𝑎/2 ∙
√ 2 𝜎22
𝑛1 𝑛2 1 + 2 = 1 − 𝑎]
𝑛 𝑛

Y, por consiguiente, al siguiente intervalo de confianza de 𝜇1 − 𝜇2:

(Intervalo de confianza para 𝜇1 − 𝜇2, 𝜎1 𝑦 𝜎2 conocidas). Si 𝑥̅1 𝑦 𝑥̅2 son valores de las
medias de muestra aleatorias independientes de tamaño 𝑛1 𝑦 𝑛2 tomadas de poblaciones
normales con las varianzas conocidas 𝜎12 𝑦 𝜎22 , un intervalo de confianza del (1-a)
100% para 𝜇1 − 𝜇2 esta dado por
𝜎1 𝜎1 𝜎2
(𝑥̅1 − 𝑥̅2) − 𝑧𝑎/2 ∙ √ 2 𝜇 − 𝜇 < (𝑥̅ − 𝑥̅ + 𝑧 ∙ √ 2 + 2
𝜎 1 2
22
1 2 𝑎/2

1+ 2< 𝑛1 𝑛2
𝑛 𝑛
Así mismo, en virtud del teorema del límite central, este resultado puede usarse con
muestras aleatorias independientes de poblaciones no normales con las varianzas
conocidas 𝜎12 𝑦 𝜎22 , siempre que 𝑛1 𝑦 𝑛2 sean lo suficientemente grandes, esto es,
cuando 𝑛1 𝑦 𝑛2 ≥ 30
EJEMPLO 1:

Construya un intervalo de confianza del 94% de la diferencia real entre las duraciones en
promedio de dos tipos de focos eléctricos, dado que una muestra tomada al azar de 40
focos de un tipo duro en promedio 418 horas de uso continuo y 50 focos de otra clase
duraron en promedio 402 horas. Las desviaciones estándar de las poblaciones, según se
sabe, son 𝜎1 = 26 𝑦 𝜎2 = 22.

Solución

Para a=0.06, tenemos a partir de la tabla III que 𝑧.03 = 1.88. por lo tanto, el intervalo de
confianza del 94% de 𝜇1 − 𝜇2 e𝑠

26 22 26 22
(418 − 402) − 1.88( 2+ 2 < 𝜇1 − 𝜇2 < (418 − 402 + 1.88 ∙ √ 2+ 2
40 50 40 50
Que se reduce a

6.3 < 𝜇1 − 𝜇2 < 25.7

Por lo tanto, tenemos el 94% de confianza en que el intervalo de 6.3 a 25.7 contiene la
diferencia verdadera entre las duraciones en promedio de los dos tipos de focos eléctricos.
El hecho que ambos limites de confianza sean positivos sugiere que, en promedio, el
primes tipo de focos es superior al del segundo tipo.

EJEMPLO 2.

Construya un intervalo de confianza de 94% de la diferencia real entre las duraciones en

promedio de dos tipos de pilas, dado que una muestra tomada al azar de 50 focos de un tipo
duro en promedio 518 horas de uso continuo y 60 pilas de otra clase duraron en promedio
502. Las desviaciones estándar de las poblaciones, según se sabe 𝜎1 = 36 𝑦 𝜎2 = 32

Solución:

Para a = 0.06, tenemos a partir de la tabla z=1.88. Por lo tanto, el intervalo de

confianza del 94 % de 𝜇1 − 𝜇2 es:
36 32 36 32
(518 − 502) − 1.88 ∙ √ 2 + 2 < 𝜇1 − 𝜇2 < (518 − 502) + 1.88 ∙ √ 2 + 2
50 60 50 60

Que se reduce a
 Por lo tanto, tenemos el 94% de confianza en que el intervalo de 7.1 a 64.5 a contiene la
diferencia verdadera entre las duraciones en promedio de los dos tipos de pilas. El hecho de
que ambos límites de confianza sean positivos sugiere que, en promedio la primera pila es
superior al segundo tipo.

Con el fin de sustituir un intervalo de confianza del (1-a) 100% para 𝜇1 − 𝜇2 cuando se
desconoce 𝜎1 𝜎2 pero 1 𝑦 2 𝑛 𝑦 𝑛 ≥ 30, sustituimos 𝜎1 𝑦𝜎2 por los
valores de las desviaciones estándar de la muestra y 𝑠continuamos
𝑦 𝑠1 como antes. El
procedimiento de estimaciones de la diferencia entre dos medias, 2cuando se desconoce 𝜎 𝜎
y los tamaños de𝑦1la muestra son pequeños, no es directo a monos que las desviaciones
estándar desconocidas2 de las dos poblaciones normales sean iguales. Si 𝜎1 = 𝜎2, entonces.

(𝑥̅1 − 𝑥̅2) − (𝜇1 − 𝜇2)

𝑧= 𝜎 𝑛1 𝑛1
√1 +2

Es una variable aleatoria que tiene una distribución normal estándar y 𝜎2 puede obtenerse
ponderando las desviaciones cuadradas (o elevadas al cuadrado) de las medias de las dos
muestras.

(𝑛1 − 1)𝑠12 + (𝑛2 − 1)𝑠 2

𝑠 𝑛1 + 𝑛2 − 2
2
𝑝
Es en realidad un estimador insesgado de 𝜎2. Ahora bien, por los teoremas 8.10 y
8.8, las variables aleatorias independientes
(𝑛1 −1)𝑠 (𝑛1−1)𝑠2 tiene
1
2 y
distribuciones ji cuadradas con 𝑛1 − 1 𝑦 𝑛2 − 1
𝜎2 𝜎2
grados de libertad, y su sumas

(𝑛1 − 1)𝑠12 (𝑛2 − 1)𝑠 2 (𝑛1 + 𝑛2 − 29)𝑠𝑝2

𝜎𝑦2 = 𝜎2 + + 𝜎2

Tienen una distribución ji cuadrada con 𝑛 + 𝑛 − grados de libertad. Como se

puede demostrar que las variables aleatorias 2anteriores
1 2 “z” y “y” son independientes, se
deduce del teorema 8.11 que:
z
𝑡=
𝑦
√𝑛 + 𝑛 − 2
1 2

(𝑥̅1−𝑥̅2) − (𝜇1−𝜇2)
=
𝑠𝑝 𝑛 𝑛1
√ +
1 2
1
Tiene una distribución t con 𝑛 +𝑛 − grados de libertad. Al sustituir esta
expresión por t en: 21 2

𝑃 (−𝑡𝑎,𝑛 <𝑡 <𝑡 𝑎 )=1−

1+𝑛2−2
2 2 ,𝑛1+𝑛2−2

Y simplificándolo algebraicamente el resultado. Llegamos al siguiente intervalo de

confianza del (1-a) 100% para 𝜇1 − 𝜇2:

4.7 Una sola muestra: estimación de la proporción

La información de que suele disponerse al estimar una proporción es el número de veces, x,

que un evento considerado ocurre en n ensayos, ocasiones y observaciones. La intimación
𝑥
puntual misma suele ser la proporción muestral , es 𝑛
decir, la proporción de las veces que el evento ocurrió en realidad. Si los n ensayos
satisfacen las condiciones fundamentales de la distribución binomial citadas en la página
94, sabemos que la media y la desviación estándar del número de éxitos están dadas por np
y por √𝑛𝑝(1 − 𝑝). Si dividimos ambas cantidades entre n, encontraremos que la media y la
desviación estándar de la proporción de éxitos (es decir, de la proporción muestral)
están dadas por.
𝑛𝑝 √𝑛𝑝(1−𝑝) 𝑝(1−𝑝)
=𝑝 y = √
𝑛 𝑛 𝑛

El primero de estos resultados señala que la proporción muestral es un estimador insesgado

del parámetro binomial p, es decir, de la proporción real que deseamos estimar a partir de
una muestra.

Dado que los cálculos necesarios de complican, haremos una aproximación más al
𝑥
𝑛 p en √𝑛𝑝(1 − 𝑝). Esto produce
sustituir por

𝑥
𝑥 𝛼/2 (1 𝑛 𝑥 √𝑛 −
− − 𝑧 √𝑛 𝑥) < 𝑝 < + 𝑧𝛼/2 𝑥 (1
𝑛𝑥
)
𝑛 𝑛 𝑛 𝑛

Donde el nivel de confianza es de (1 - a) 100%.

Ejemplo 1:

Si x = 36 de n = 100 entrevistados están familiarizados con los incentivos en los impuestos

que se ofrecen por instalar ciertos dispositivos para ahorrar energía, constrúyase un
intervalo con un nivel de confianza del 95% para la correspondiente proporción real.

Solución:
 𝑥 36
Sustituyendo = = 0.36 𝑦 𝑧𝛼/2 = 1.96 en la fórmula anterior, se obtiene
𝑛 100

(0.36)(0.64) (0.36)(0.64)
0.36 − 196√ < p < 0.36 + 196√
100 100

O bien

0.266 < 𝑝 < 0.454

Tenemos el 95% de confianza de que p puede en el intervalo de 0.266 o 0.454. Nótese

que, de habernos valido de la tabla 9ª), habríamos obtenido

0.27 < 𝑝 < 0.46

𝑥
La magnitud de error cometido cuando usamos como una estimación de p está
𝑛
𝑥
dada por │ 𝑛− 𝑝│. Empleando nuevamente la distribución normal, podemos
asegurar con una probabilidad de 1 – a que la desigualdad.

𝑛 𝑛

𝑝(1−𝑝) 𝑥
Se cumplirá, es decir, que el error será lo mismo de 𝑧𝛼/2 √ . Con sustituido
𝑛 𝑛
por p, esto produce
𝑥 𝑥
(1− )
Error máximo de Estimación 𝐸 = 𝑍𝛼/2√𝑛
Ejemplo 2:
𝑛𝑛

En una encuesta en una gran ciudad, 136 de 400 personas respondieron afirmativamente a
la pregunta de si el servicio de transporte público es adecuado. Con una confianza del
99%,
𝑥 ¿qué se puede decir acerca del error máximo, si
139
= = 0.34 se emplea como una estimación de la correspondiente proporcional
𝑛 400
real?

Solución
𝑥 136
Sustituyendo = = 0.34 y 𝑧𝛼/2 = 2.575 en la fórmula anterior, se tiene que el
𝑛 400
error es a lo sumo
 (0.34)(0.66)
𝐸 = 2.575 √ 400 = 0.061

La fórmula anterior de R puede utilizarse también para determinar el tamaño muestral que
es necesario para alcanzar un grado deseado de precisión. Despejando n, obtenemos

𝑍𝛼/2
𝑛 = 𝑝(1 − 𝑝) [ ]2
𝐸

Pero esta fórmula no puede utilizarse como se estableció, a menos de que tengamos alguna
información acerca de la posible magnitud de p (con base en datos auxiliares; digamos,
una muestra previa). Si no se dispone de tal 1
información, podemos valernos del hecho de que 𝑝(1 − 𝑝) es a lo sumo ,
1 4
correspondiente a 𝑝 = ,
como puede mostrarse con métodos de cálculo
2
elemental. Por tanto, si
1 𝑍𝛼/2
𝑛= [ ]2
4 𝐸

Podemos asegurar con una probabilidad al menos de 1 − 𝛼 que el error al

𝑥
servirnos de
𝑛 como una estimación de p no excede a E; una vez obtenidos los
datos, podremos asegurar con una confianza al menos de 1 − 𝛼 que el error no sobrepasa E.

4.8 Tamaño de la muestra con una estimación de P y un grado de confianza

(1 − ∎)100 %

Donde 𝑧𝑎/2 es el valor z que corresponde a un área a/2 en el extremo derecho de una
z que se desconocen los valores de p y q, se estiman
distribución normal estándar . puesto
por medio de los mejores estimadores puntuales: .se considera 𝑝^
que𝑦 el tamaño de la
muestra es grande cuando es adecuada la aproximación normal a la distribución
𝑞^ binomial;
a saber, cuando 𝑛𝑝^ > 5 𝑦 𝑛𝑞^ > 5.

𝑝𝑞
𝑝^ ± 𝑧𝑎/2 √𝑛

EJEMPLO 1:

Una muestra aleatoria de 985 votantes “probables” – aquellos que votarían en las próximas
elecciones—fue encuestada un “fonatón o encuesta telefónica” dirigido por el partido
republicano. De los encuestados, 592 indicaron que piensan votar por el candidato
republicano en la próxima elección. Construya un intervalo de
confianza de 90% para , la𝑝proporción de votantes probables en la población, que piensa
votar por el candidato republicano. Con base en esta información,
¿concluirá que el candidato ganara la elección? Solución:
la estimación puntual para 𝑝es entonces
𝑥 592
𝑝^ = = = .601
𝑛 985

Y el error estándar es:

𝑛 985

El valor de 𝑧 para un intervalo de confianza de 90% es el valor que tiene el área a/2 =.05
en el extremo superior de la distribución de 𝑧 o 𝑏ie𝑛 𝑧.05 = 1.645 de la
tabla. El intervalo de confianza de 90% para p es entonces.

𝑝^ 𝑞^
𝑝^ ± 1.645 √
2
. 601 ± .026

O . 575 < 𝑝 < . . Usted estima que el porcentaje de votantes probables del candidato
republicano
627 está entre 57.5 y 62.7%. ¿El candidato ganara la elección? Si se supone que
necesita más de 50% de los votas para ganar, y puesto que los limites de confianza superior
e inferior excede este valor mínimo podría decir que tiene 90% de confianza de que ganara
el candidato.

EJEMPLO 2:

Una muestra aleatoria de 999 votantes “probables” aquellos que votarían en próximas
elecciones que se van a realizar en el Tecnológico de Estudios Superiores del Oriente del
Estado de México de la Licenciatura en Contaduría Pública con motivo del día del contador
para elegir a su nueva jefa de carrera fueron encuestadas durante dos días por el grupo
4C11. De los encuestados, 659 indicaron que piensan votar por la jefa de carrera actual en
las próximas elecciones. Construya un intervalo de confianza de 90% para p, la proporción
de votantes probables en la población, que piensa votar por la jefa de carrera actual. Con
base en esta información. ¿Concluirá que la jefa de carrera ganará la elección?

Solución: La estimación para p es:

659
𝑝^ =999 = .659 1-.659= .341
Y el error estándar es:

𝑛 999

El valor z para un intervalo de confianza de 90% es el valor que tiene el ares a/2=.05 en el
extremo superior de la distribución de z, o bien .05 𝑧 = 1.645 de la
tabla. El intervalo de confianza para p es entonces.

𝑝^ 𝑞^
𝑝^ ± 1.645 √
𝑛
1.645 ∙ .015 = .025
. 659 ± .025
. 659 + .025 = .684
. 659 − .025 = .
O
634. 634 < 𝑝 < .684. usted estima que el porcentaje de votantes probables del la jefa de
carrera está entre 63.4 y 68.4% la jefa de carrera actual será la ganadora.
BIBLIOGRAFIA

Estadística para administración y economía

David R. Anderson, Dennis J. Sweeney y Thomas A. Williams
Editorial International Thomson Learning
225-227 páginas

Método estadístico aplicado a las ciencias sociales Gene

V. Glas, Julián C. Stanley
Editorial Pretice Hall
Página 243

Estadísticas matemáticas con aplicaciones John

E. Freund, Ronald E. Walpole Editorial
Prendicehall Hispoamericana S.A 380-385
páginas

Técnicas de muestreo
William G. Cochran
Editorial continental S.A
Página 149

Probabilidades y aprobaciones y estadísticas Paul

L. Meyer
Editorial: Addison Wesley Iberoamericana
Página 316

Métodos estadísticos
Said Infante G.I Guillermo P. Zarate de Lara
Editorial Trillas
335-337 páginas

Probabilidad y estadísticas para ingenieros

Irwin R. Miller/ John E. Freund
Editorial Prentice-Hall Hispoamericana S.A
273-277 páginas

Introducción a la probabilidad y estadísticas

William Mendenhall, Robert J.Beaver, Barbara M. Beaver Editorial
Thomson
308-311 Páginas