Estadı́stica Inferencial

Johnny Cuadro M

Facultad de Ciencias Básicas

Universidad Simón Bolivar

5 de marzo de 2022

Johnny Cuadro M Estadı́stica Inferencial 5 de marzo de 2022 1 / 33

Contenido

1 Inferencia Estadı́stica

2 Estimación Puntual

3 Estimación Por Intervalos de Confianza

Johnny Cuadro M Estadı́stica Inferencial 5 de marzo de 2022 2 / 33

 Inferencia Estadı́stica

Inferencia Estadı́stica

La Estadı́stica Inferencial, proporciona las técnicas para formular

proposiciones acerca de la población, incluyendo una medida para
determinar el riesgo de la afirmación.
La Inferencia Estadı́stica, es una afirmación que se hace acerca de la
población en base a la información contenida en una muestra
aleatoria de esta población.
Debido a la naturaleza aleatoria de los datos obtenidos en la muestra,
existe un riesgo en la certeza de la afirmación propuesta, y es
necesario cuantificar el valor de ese riesgo.
Un Estimador es una variable aleatoria cuyas propiedades permiten
estimar el valor del parámetro poblacional de interés. La muestra
aleatoria propociona únicamente un valor de esta variable y se
denomina estimación puntual.

Johnny Cuadro M Estadı́stica Inferencial 5 de marzo de 2022 3 / 33

 Inferencia Estadı́stica

Observación: Para estimar al parámetro poblacional, es posible definir

más de un estimador, por ejemplo, para estimar la media poblacional
µ, puede elegirse la mediana muestral X̃ o la media muestral X̄ . Cada
una tiene sus propias caracterı́sticas, por lo tanto, es necesario
establecer criterios para elegirlo. Por ejemplo:
Si θ : Parámetro poblacional de interér, (Valor desconocido) por
ejemplo µ.
Θ : Estimador,(es una variable aleatoria) por ejemplo X̄ .
θ̂ : Estamación puntual de Θ,( Un valor del estimador) por ejemplo x̄.

Johnny Cuadro M Estadı́stica Inferencial 5 de marzo de 2022 4 / 33

 Inferencia Estadı́stica

Métodos de Inferencia Estadı́stica

Sean:
θ : Parámetro poblacional de interér,(Valor desconocido).
Θ : Estimador,(es una variable aleatoria).
θ̂ : Estamación puntual de Θ,( Un valor del estimador)
Estimación Puntual:
Este método trata de determinar la distancia o error máximo entre la
estimación puntual θ̂ y el valor del parámetro θ que se desea estimar,
con un nivel de certeza especificado.

|θ̂ − θ|

Johnny Cuadro M Estadı́stica Inferencial 5 de marzo de 2022 5 / 33

 Inferencia Estadı́stica

Métodos de Inferencia Estadı́stica

Sean:
θ : Parámetro poblacional de interér,(Valor desconocido).
Θ : Estimador,(es una variable aleatoria).
θ̂ : Estamación puntual de Θ,( Un valor del estimador)
Estimación Puntual:
Este método trata de determinar la distancia o error máximo entre la
estimación puntual θ̂ y el valor del parámetro θ que se desea estimar,
con un nivel de certeza especificado.

|θ̂ − θ|

Estimación por Intervalo:

Con el valor θ̂ del estimador Θ se construye un intervalo que contenga
el valor del parámetro θ, con algún nivel de confianza o certeza
especifico.
Li ≤ θ ≤ Ls.
En donde Li y Ls son los lı́mites inferior y superior del intervalo.
Johnny Cuadro M Estadı́stica Inferencial 5 de marzo de 2022 5 / 33
 Inferencia Estadı́stica

Prueba de Hipótesis: Este método consiste en formular una afirmación

(hipótesis) del parámetro θ asignándole un valor supuesto (θ0 ) y con
el valor θ̂ del estimador Θ se realiza una prueba para aceptar o
rechazar la afirmación propuesta con algún nivel de certeza
especificado.
Hip : θ = θ0

Johnny Cuadro M Estadı́stica Inferencial 5 de marzo de 2022 6 / 33

 Inferencia Estadı́stica

Propiedades de Los Estimadores

Sean:
θ :Parámetro poblacional que se desea estimar.
Θ :Estimador.
Definición.(Estimador Insesgado).
Se dice que un estimador Θ es un estimador insesgado del parámetro
θ, si
E (Θ) = θ
es decir, un estimador es insesgado si la media o valor esperado
coincide con el parámetro que se quiere estimar.
Ejemplo: Pruebe que la media muestral X̄ es un estimador insesgado
del parámetro µ media poblacional.

Johnny Cuadro M Estadı́stica Inferencial 5 de marzo de 2022 7 / 33

 Inferencia Estadı́stica

Definición.(Estimador más Eficiente).

Se dice que un estimador Θ1 es más eficiente que otro estimador Θ2
si, ambos son estimadores insesgados y además

V (Θ1 ) < V (Θ2 ),

Es decir un estimador es más eficiente si tiene menor varianza.

Definición(Estimador Consistente).
Se dice que un estimador Θ es un estimador consistente de un
parámetro θ, si Θ es un estimador insesgado de θ y

lı́m V (Θ) = 0.
n→∞

Ejemplo: Pruebe que la media muestral X̄ , es un estimador

consistente del parámetro µ.

Johnny Cuadro M Estadı́stica Inferencial 5 de marzo de 2022 8 / 33

 Inferencia Estadı́stica

Definición(Sesgo de un Estimador)
El sesgo de un estimador está dado por

E (Θ) − θ

Nota: El sesgo de un estimador insesgado es cero pues, E (Θ) = θ

Johnny Cuadro M Estadı́stica Inferencial 5 de marzo de 2022 9 / 33

 Inferencia Estadı́stica

Definición(Sesgo de un Estimador)
El sesgo de un estimador está dado por

E (Θ) − θ

Nota: El sesgo de un estimador insesgado es cero pues, E (Θ) = θ

Ejemplo: Se tiene una población de tamaño N = 6, definida por:
{1, 2, 3, 3, 4, 5}.
1 Hallar la media poblacional µ
2 Hallar la varianza de la población σ 2 .
3 Hallar todas las muestras de tamaño n = 3.
4 Hallar la distribución de la media muestral.
5 Hallar la distribución de la mediana muestral.
6 Pruebe si la media muestral es un estimador insesgado.
7 pruebe si la mediana muestral es un estimador insesgado.
8 Pruebe si la media muestral es un estimador más eficiente que la
mediana muestral.

Johnny Cuadro M Estadı́stica Inferencial 5 de marzo de 2022 9 / 33

 Estimación Puntual

Estimación Puntual

Los números que aparecen en las distribuciones de probabilidad de las

variables aleatorias tales como : p en la distribución binomial, λ en la
distribucción de Poisson, µ y σ en la distribución normal etc, se
llaman paramétros o caracterı́sticas de la población.
La estimación de un parámetro puede adoptar la forma de un sólo
punto, es decir la estimación de un sólo valor del parámetro de
interés; o de un intervalo es decir la estimación de un rango de valores
dentro del cual se espera el valor el valor del parámetro. La primera se
llama estimación puntual y la segunda estimación por intervalo. Entre
los principales métodos de estimación puntual se tiene:Método de
máxima verosimilitud, Método de los Momentos, Método de los
mı́nimos cuadrados ordinarios

Johnny Cuadro M Estadı́stica Inferencial 5 de marzo de 2022 10 / 33

 Estimación Puntual

Método de Máxima Verosimilitud: El método consiste en seleccionar

como estimador máximo puntual del parámetro θ, al estimador θ̂ que
maximiza la probabilidad de obtener la muestra realmente observada.
Dicha probabilidad está representada por la función de probabilidad
conjunta de la muestra y recibe la denominación de función de
verosimilitud.
Procedimiento:
Sean X1 , X2 , ..., Xn una m.a de una v.a X , con función de
probabilidad f (x; θ) que depende del parámetro θ, y sean x1 , x2 , ...xn ,
los valores observados. Para hallar el estimador máximo verosı́mil del
parámetro desconocido θ se procede de la siguiente manera:

Johnny Cuadro M Estadı́stica Inferencial 5 de marzo de 2022 11 / 33

 Estimación Puntual

Hallar la función de verosimilitud, que representa la probabilidad de

obtener la muestra observada y se define ası́:
n
Y
V (θ) = f (x1 , x2 , .., xn ; θ) = f (x1 ; θ)f (x2 ; θ)...f (xn ; θ) = f (xi ; θ)
i=1

Dado que este método consiste en tomar como estimación el valor θ̂

que hace máxima la función de verosimilitud V (θ), entonces si θ̂ hace
máxima a V (θ), también hace máxima a su logaritmo ln V (θ). Para
convertir el producto en suma.
n
X
L = ln V (θ) = ln f (xi ; θ).
i=1

Johnny Cuadro M Estadı́stica Inferencial 5 de marzo de 2022 12 / 33

 Estimación Puntual

Se toma derivadas parciales de la función L con respecto a θ, se

iguala a cero, y se obtiene θ̂. Es decir:
n
∂L X ∂ ln f (xi ; θ)
= = 0.
∂θ ∂θ
i=1

Si, la función de probabilidad tiene varios parámetros desconocidos,

θ1 , θ2 , ..., θn , entonces en lugar de una ecuación, tendremos k
∂L ∂L ∂L
ecuaciones, ∂θ 1
= 0, ∂θ 2
= 0,...., ∂θ n
= 0. A partir de las cuales se
obtiene las estimaciones para estos parámetros.

Johnny Cuadro M Estadı́stica Inferencial 5 de marzo de 2022 13 / 33

 Estimación Puntual

Ejemplo: 1 Obtener el estimador de máxima verosimilitud de la

probabilidad de éxito para una variable aleatoria X de Bernoulli.

Johnny Cuadro M Estadı́stica Inferencial 5 de marzo de 2022 14 / 33

 Estimación Puntual

Ejemplo: 1 Obtener el estimador de máxima verosimilitud de la

probabilidad de éxito para una variable aleatoria X de Bernoulli.
Respuesta: p̂ = x̄

Johnny Cuadro M Estadı́stica Inferencial 5 de marzo de 2022 14 / 33

 Estimación Puntual

Ejemplo: 1 Obtener el estimador de máxima verosimilitud de la

probabilidad de éxito para una variable aleatoria X de Bernoulli.
Respuesta: p̂ = x̄
Ejemplo 2. Suponga que el número diario de ventas de un producto
nuevo que efectúa determinada empresa, es una v.a de Poisson con
parámetro λ. Dado que en 20 dı́as la venta total de producto fue de
30. Cuál es estimador de máxima verosimilitud de λ.

Johnny Cuadro M Estadı́stica Inferencial 5 de marzo de 2022 14 / 33

 Estimación Puntual

Ejemplo: 1 Obtener el estimador de máxima verosimilitud de la

probabilidad de éxito para una variable aleatoria X de Bernoulli.
Respuesta: p̂ = x̄
Ejemplo 2. Suponga que el número diario de ventas de un producto
nuevo que efectúa determinada empresa, es una v.a de Poisson con
parámetro λ. Dado que en 20 dı́as la venta total de producto fue de
30. Cuál es estimador de máxima verosimilitud de λ.
Respuesta:λ̂ = x̄.

Johnny Cuadro M Estadı́stica Inferencial 5 de marzo de 2022 14 / 33

 Estimación Puntual

Ejemplo: 1 Obtener el estimador de máxima verosimilitud de la

probabilidad de éxito para una variable aleatoria X de Bernoulli.
Respuesta: p̂ = x̄
Ejemplo 2. Suponga que el número diario de ventas de un producto
nuevo que efectúa determinada empresa, es una v.a de Poisson con
parámetro λ. Dado que en 20 dı́as la venta total de producto fue de
30. Cuál es estimador de máxima verosimilitud de λ.
Respuesta:λ̂ = x̄.
Ejemplo. 3 Suponga que se compra una docena de cierto fruto, se
pesa cada fruto y se encuentra
12
X 12
X
xi = 180, xi2 = 2799
i=1 i=1
En libras.
Calcular los estimados de máxima verosimilitud de µ y σ 2 , suponiendo
que las 12 frutas compradas son m.a y sus pesos están distribuı́dos
normalmente.

Johnny Cuadro M Estadı́stica Inferencial 5 de marzo de 2022 14 / 33

 Estimación Puntual

Ejemplo: 1 Obtener el estimador de máxima verosimilitud de la

probabilidad de éxito para una variable aleatoria X de Bernoulli.
Respuesta: p̂ = x̄
Ejemplo 2. Suponga que el número diario de ventas de un producto
nuevo que efectúa determinada empresa, es una v.a de Poisson con
parámetro λ. Dado que en 20 dı́as la venta total de producto fue de
30. Cuál es estimador de máxima verosimilitud de λ.
Respuesta:λ̂ = x̄.
Ejemplo. 3 Suponga que se compra una docena de cierto fruto, se
pesa cada fruto y se encuentra
12
X 12
X
xi = 180, xi2 = 2799
i=1 i=1
En libras.
Calcular los estimados de máxima verosimilitud de µ y σ 2 , suponiendo
que las 12 frutas compradas son m.a y sus pesos están distribuı́dos
normalmente.
Respuesta: µ̂ = x̄, y σ̂ 2 = n−1 2
n S .
Johnny Cuadro M Estadı́stica Inferencial 5 de marzo de 2022 14 / 33
 Estimación Puntual

Ejercicio Una muestra aleatoria de tamaño n tiene distribución

Lognormal con parámetros (µ; σ 2 ).
Hallar el estimador máximo verosı́mil de los parámetros µ y σ 2 .
Sı́ el ingreso familiar anual en miles de pesos tiene aproximadamente
distribución Lognormal. Hallar una estimación de µ con los ingresos de
20 familias escogidas al azar, dados por:
10, 18, 50, 61, 40, 16, 8, 9, 12, 11, 15, 19, 10, 21, 25, 27, 14, 25, 32, 30

Johnny Cuadro M Estadı́stica Inferencial 5 de marzo de 2022 15 / 33

 Estimación Puntual

Método de los Momentos: La idea básica de este método consiste en

igualar los momentos muestrales con los correspondientes momentos
poblacionales. Recordemos la siguiente definición.

Johnny Cuadro M Estadı́stica Inferencial 5 de marzo de 2022 16 / 33

 Estimación Puntual

Método de los Momentos: La idea básica de este método consiste en

igualar los momentos muestrales con los correspondientes momentos
poblacionales. Recordemos la siguiente definición.
Definición.
Sea X una v.a con función de probabilidad puntual p(x) en el caso
discreto o función de densidad f (x) en caso continuo. Se denomina
momento de orden k o momento poblacional de orden k al E (X k ), es
decir:
X
E (X k ) = x k p(x)
x

en el caso discreto.
Z ∞
k
E (X ) = x k f (x)dx
−∞
en el caso continuo.

Johnny Cuadro M Estadı́stica Inferencial 5 de marzo de 2022 16 / 33

 Estimación Puntual

Dada una muestra aleatoria X1 , x2 , .., Xn , el momento muestral de

orden k al rededor del origen viene dado por
Pn
Xk
Mk = i=1 i
n

Johnny Cuadro M Estadı́stica Inferencial 5 de marzo de 2022 17 / 33

 Estimación Puntual

Dada una muestra aleatoria X1 , x2 , .., Xn , el momento muestral de

orden k al rededor del origen viene dado por
Pn
Xk
Mk = i=1 i
n

Definición
Sean X1 , x2 , .., Xn una m.a de una distribución con función de
probabilidad o función de densidad que depende de m parámetros
θ1 , θ2 , ..θm . Los estimadores de momentos de θ1 , θ2 , ..θm son los
valores θˆ1 , θˆ2 , ..., θˆm , que se obtienen igualando m momentos
poblacionales con los correspondientes momentos muestrales.
En general, se obtienen resolviendo el siguiente sistema de ecuaciones.
Pn
k Xk
E (X ) = Mk = i=1 i
n

Johnny Cuadro M Estadı́stica Inferencial 5 de marzo de 2022 17 / 33

 Estimación Puntual

Ejemplo 1: Sea X1 , x2 , .., Xn una m.a de una población con

distribución de Poisson con parámetro λ. Estimar λ por el método de
los momentos.

Johnny Cuadro M Estadı́stica Inferencial 5 de marzo de 2022 18 / 33

 Estimación Puntual

Ejemplo 1: Sea X1 , x2 , .., Xn una m.a de una población con

distribución de Poisson con parámetro λ. Estimar λ por el método de
los momentos.
La distribución de Poisson tiene solamente un parámetro, en
consecuencia se tendrá sólo una ecuación.

Johnny Cuadro M Estadı́stica Inferencial 5 de marzo de 2022 18 / 33

 Estimación Puntual

Ejemplo 1: Sea X1 , x2 , .., Xn una m.a de una población con

distribución de Poisson con parámetro λ. Estimar λ por el método de
los momentos.
La distribución de Poisson tiene solamente un parámetro, en
consecuencia se tendrá sólo una ecuación.
El primer momento poblacional es

E (X ) = λ

Johnny Cuadro M Estadı́stica Inferencial 5 de marzo de 2022 18 / 33

 Estimación Puntual

Ejemplo 1: Sea X1 , x2 , .., Xn una m.a de una población con

distribución de Poisson con parámetro λ. Estimar λ por el método de
los momentos.
La distribución de Poisson tiene solamente un parámetro, en
consecuencia se tendrá sólo una ecuación.
El primer momento poblacional es

E (X ) = λ

El primer momento muestral

n
1X
M1 = Xi = X̄
n
i=1

Johnny Cuadro M Estadı́stica Inferencial 5 de marzo de 2022 18 / 33

 Estimación Puntual

Ejemplo 1: Sea X1 , x2 , .., Xn una m.a de una población con

distribución de Poisson con parámetro λ. Estimar λ por el método de
los momentos.
La distribución de Poisson tiene solamente un parámetro, en
consecuencia se tendrá sólo una ecuación.
El primer momento poblacional es

E (X ) = λ

El primer momento muestral

n
1X
M1 = Xi = X̄
n
i=1

En consecuencia se tiene que:

λ = X̄

Esto es λ̂ = X̄ .
Johnny Cuadro M Estadı́stica Inferencial 5 de marzo de 2022 18 / 33
 Estimación Puntual

Ejemplo 2: Suponga que X es una v.a distribuida normalmente con

media µ y varianza σ 2 desconocidos. Encuentre los estimadores para
µ y σ 2 por el método de los momentos.

Johnny Cuadro M Estadı́stica Inferencial 5 de marzo de 2022 19 / 33

 Estimación Puntual

Ejemplo 2: Suponga que X es una v.a distribuida normalmente con

media µ y varianza σ 2 desconocidos. Encuentre los estimadores para
µ y σ 2 por el método de los momentos.
La distribución normal tiene dos parámetros µ y σ 2 Por lo tanto
habrá dos ecuaciones.

Johnny Cuadro M Estadı́stica Inferencial 5 de marzo de 2022 19 / 33

 Estimación Puntual

Ejemplo 2: Suponga que X es una v.a distribuida normalmente con

media µ y varianza σ 2 desconocidos. Encuentre los estimadores para
µ y σ 2 por el método de los momentos.
La distribución normal tiene dos parámetros µ y σ 2 Por lo tanto
habrá dos ecuaciones.
E (X ) = µ
E (X 2 ) = σ 2 + µ2

Johnny Cuadro M Estadı́stica Inferencial 5 de marzo de 2022 19 / 33

 Estimación Puntual

Ejemplo 2: Suponga que X es una v.a distribuida normalmente con

media µ y varianza σ 2 desconocidos. Encuentre los estimadores para
µ y σ 2 por el método de los momentos.
La distribución normal tiene dos parámetros µ y σ 2 Por lo tanto
habrá dos ecuaciones.
E (X ) = µ
E (X 2 ) = σ 2 + µ2

Sea X1 , x2 , .., Xn una m.a de X . Los dos primeros momentos

muestrales vienen dado por

Johnny Cuadro M Estadı́stica Inferencial 5 de marzo de 2022 19 / 33

 Estimación Puntual

Ejemplo 2: Suponga que X es una v.a distribuida normalmente con

media µ y varianza σ 2 desconocidos. Encuentre los estimadores para
µ y σ 2 por el método de los momentos.
La distribución normal tiene dos parámetros µ y σ 2 Por lo tanto
habrá dos ecuaciones.
E (X ) = µ
E (X 2 ) = σ 2 + µ2

Sea X1 , x2 , .., Xn una m.a de X . Los dos primeros momentos

muestrales vienen dado por
n
1X
M1 = Xi
n
i=1

n
1X 2
M2 = Xi
n
i=1

Johnny Cuadro M Estadı́stica Inferencial 5 de marzo de 2022 19 / 33

 Estimación Puntual

De las ecuaciones de los pasos (1) y (2) se obtiene el sistema

n
1X
E (X ) = µ = Xi = X̄
n
i=1

y
n
1X 2
σ 2 + µ2 = Xi
n
i=1

Esto es:

Johnny Cuadro M Estadı́stica Inferencial 5 de marzo de 2022 20 / 33

 Estimación Puntual

De las ecuaciones de los pasos (1) y (2) se obtiene el sistema

n
1X
E (X ) = µ = Xi = X̄
n
i=1

y
n
1X 2
σ 2 + µ2 = Xi
n
i=1

Esto es:

n
1X 2
σ2 = Xi − µ2
n
i=1

Por lo tanto
n−1 2
σ2 = S
n

Johnny Cuadro M Estadı́stica Inferencial 5 de marzo de 2022 20 / 33

 Estimación Por Intervalos de Confianza

Estimación Por Intervalos de Confianza

El objetivo de la estimación por intervalos de confianza es usar una

muestra para obtener un rango de posibles valores para el parámetro y
sean los que mejor lo representen.

Johnny Cuadro M Estadı́stica Inferencial 5 de marzo de 2022 21 / 33

 Estimación Por Intervalos de Confianza

Estimación Por Intervalos de Confianza

El objetivo de la estimación por intervalos de confianza es usar una

muestra para obtener un rango de posibles valores para el parámetro y
sean los que mejor lo representen.
Definición.
El procedimiento de determinar un intervalo [a, b] que comprenda una
parámetro poblacional θ con cierta probabilidad 1 − α, se llama estimación
por intervalos. En general, para cualquier parámetro θ y su estimador θ̂, el
intervalo de confianza será:

1 − α = P(a ≤ θ ≤ b)

Johnny Cuadro M Estadı́stica Inferencial 5 de marzo de 2022 21 / 33

 Estimación Por Intervalos de Confianza

a: Lı́mite Inferior del Intervalo de Confianza.

b: Lı́mite Superior del Intervalo de Confianza.
1 − α: Nivel de Confianza (Probabilidad de que parámetro este
comprendido en el intervalo) Cuyo valor se toma 0,90, 0,95, 0,99.

Johnny Cuadro M Estadı́stica Inferencial 5 de marzo de 2022 22 / 33

 Estimación Por Intervalos de Confianza

a: Lı́mite Inferior del Intervalo de Confianza.

b: Lı́mite Superior del Intervalo de Confianza.
1 − α: Nivel de Confianza (Probabilidad de que parámetro este
comprendido en el intervalo) Cuyo valor se toma 0,90, 0,95, 0,99.
Ejemplo:
Si 1 − α = 0,95, se dice que se tiene un intervalo de confianza del
95 % y que la probabilidad de que el intervalo contenga el verdadero
valor del parámetro es del 95 %. Es decir, que si para muestras
distintas y bajo el mismo procedimiento se construye el intervalo
repetidamente, 95 de cada 100 de estos intervalos, contendrá el
parámetro y 5 de ellos no.
Se puede pensar que 1 significa certeza, seguridad y α significado de
riesgo. La seguridad menos el riesgo, es decir 1 − α da, por lo tanto,
el coeficiente de nuestras afirmaciones.

Johnny Cuadro M Estadı́stica Inferencial 5 de marzo de 2022 22 / 33

 Estimación Por Intervalos de Confianza

En Resumen:
Los pasos a seguir para construir intervalos de confianza para un
parámetro, son:
Fijar el nivel de confianza 1 − α que se desea en la estimación.
Extraer la muestra y calcular el (o los ) estadı́sticos necesarios.
Determinar la distribución muestral( Normal estándar Z, t, Chi
cuadrado, F, etc) que tiene el estadı́stico empleado, el mismo que
debe ser una función del estimador y el parámetro, es decir f (θ̂, θ).
Conocida la distribución del estadı́stico y el nivel de confianza, se
establece la relación
1 − α = P[k1 ≤ f (θ̂, θ) ≤ k2 ].
Donde k1 y k2 son los valores obtenidos de acuerdo a la distribución
muestral.
Dentro de la probabilidad se trabaja las desigualdades de modo tal
que al centro quede el parámetro θ y en los extremos los lı́mites
inferior y superior de confianza buscados, dependiendo del estimador y
de los valores k1 y k2 .
Johnny Cuadro M Estadı́stica Inferencial 5 de marzo de 2022 23 / 33
 Estimación Por Intervalos de Confianza

Trabajaremos primero un caso general con muestras grandes n ≥ 30.

Los intervalos de confianza que trabajaremos son: Para Media µ, la
proporción P, la diferencia de medias µX − µY , la diferencia de las
proporciones P1 − P2, los totales conocida la media y proporción, ya
que sus estimadores tienen distribución normal y la determinación de
los intervalos de confianza para cada uno de ellos es similar.

Johnny Cuadro M Estadı́stica Inferencial 5 de marzo de 2022 24 / 33

 Estimación Por Intervalos de Confianza

Para todos estos intervalos, dado un nivel de confianza 1 − α es posible

hallar:
1 − α = P[−Z0 ≤ Z ≤ Z0 ]
Donde los valores Z0 son simétricos de modo tal que centralizan la
probabilidad 1 − α y se determinan como

Z0 = Z1− α2

Cuyos valores son ubicados en la tabla de la distribución normal estándar.

Ası́ por ejemplo
1 − α 1 − α2 Z0 = Z1− α2
0,90 0,95 Z0 = Z0,95 = 1,645
0,95 0,975 Z0 = Z0,975 = 1,96
0,99 0,995 Z0 = Z0,995 = 2,575

Johnny Cuadro M Estadı́stica Inferencial 5 de marzo de 2022 25 / 33

 Estimación Por Intervalos de Confianza

θ̂−θ
Al reemplazar la v.a Z = σθ̂ , se tiene el intervalo de confianza para
el parámetro θ.
1 − α = P[θ̂ − Z1− α2 σθ̂ ≤ θ ≤ θ̂ + Z1− α2 σθ̂ ]
El parámetro θ ∈ [θ̂ − Z0 σθ̂ , θ̂ + Z0 σθ̂ ] con el 100(1 − α) % de
confianza.
Donde el error de estimación es

E = ±Z0 σθ̂

Johnny Cuadro M Estadı́stica Inferencial 5 de marzo de 2022 26 / 33

 Estimación Por Intervalos de Confianza

Intervalos de Confianza para la Media y Tamaño De la Muestra

Sea X1 , X2 , ..., Xn un muestra aleatoria de tamaño n de una población
distribuida con media µ desconocida y varianza σ 2 conocida.
Se conoce que el estimador de la media poblacional µ es la media muestral
X̄ y que para n suficientemente grande (n ≥ 30) por el Teorema Central
del Lı́mite:
σ2
X̄ → N(µ, )
n
Y
X̄ − µ
Z = σ → N(0, 1)
√
n

Entonces, para un nivel de confianza del 1 − α se tiene que el intervalo de

confianza para la media µ, viene dado por
σ σ
µ ∈ [X̄ − Z1− α2 √ , X̄ + Z1− α2 √ ]
n n

Con el 100(1 − α) % de confianza.

Johnny Cuadro M Estadı́stica Inferencial 5 de marzo de 2022 27 / 33
 Estimación Por Intervalos de Confianza

Si las muestras se toman sin reposición de una población finita de tamaño

N debe emplearse el factor de correción por finitud y el intervalo será:
r r
σ N −n σ N −n
µ ∈ [X̄ − Z1− α2 √ , X̄ + Z1− α2 √ ]
n N − 1 n N −1
Con el 100(1 − α) % de confianza
Donde el error de estimación para media es:
σ
±Z1− α2 √
n

Y
r
σ N −n
±Z1− α2 √
n N −1

Johnny Cuadro M Estadı́stica Inferencial 5 de marzo de 2022 28 / 33

 Estimación Por Intervalos de Confianza

Ejemplo 1.
Construir un intervalo del 95 % de confianza para la media de la
población, a partir de una muestra de tamaño 64 extraı́da de una
población con σ = 10 y media muestral x̄ = 48,5

Johnny Cuadro M Estadı́stica Inferencial 5 de marzo de 2022 29 / 33

 Estimación Por Intervalos de Confianza

Ejemplo 1.
Construir un intervalo del 95 % de confianza para la media de la
población, a partir de una muestra de tamaño 64 extraı́da de una
población con σ = 10 y media muestral x̄ = 48,5
Respuesta:
[46 · 05, 50 · 95], es el intervalo del 95 % de confianza para µ.

Johnny Cuadro M Estadı́stica Inferencial 5 de marzo de 2022 29 / 33

 Estimación Por Intervalos de Confianza

Ejemplo 1.
Construir un intervalo del 95 % de confianza para la media de la
población, a partir de una muestra de tamaño 64 extraı́da de una
población con σ = 10 y media muestral x̄ = 48,5
Respuesta:
[46 · 05, 50 · 95], es el intervalo del 95 % de confianza para µ.
Ejemplo 2.
Una multinacional, hace un estudio de mercado, para determinar la
venta promedio de un nuevo producto, durante un mes en sus tiendas
de ventas. Los resultados para una muestra de 36 tiendas de ventas
indicaron ventas promedio de 1000 dólares con una desviación
estándar de 120 dólares. Hallar un intervalo de confianza del 95 %
para le verdadera venta promedio µ en la cadena de tiendas.
Interprete el resultado.

Johnny Cuadro M Estadı́stica Inferencial 5 de marzo de 2022 29 / 33

 Estimación Por Intervalos de Confianza

Ejemplo 1.
Construir un intervalo del 95 % de confianza para la media de la
población, a partir de una muestra de tamaño 64 extraı́da de una
población con σ = 10 y media muestral x̄ = 48,5
Respuesta:
[46 · 05, 50 · 95], es el intervalo del 95 % de confianza para µ.
Ejemplo 2.
Una multinacional, hace un estudio de mercado, para determinar la
venta promedio de un nuevo producto, durante un mes en sus tiendas
de ventas. Los resultados para una muestra de 36 tiendas de ventas
indicaron ventas promedio de 1000 dólares con una desviación
estándar de 120 dólares. Hallar un intervalo de confianza del 95 %
para le verdadera venta promedio µ en la cadena de tiendas.
Interprete el resultado.
Respuesta:
I.C µ ∈ [960,80, 1039,20] con el 95 % de confianza.

Johnny Cuadro M Estadı́stica Inferencial 5 de marzo de 2022 29 / 33

 Estimación Por Intervalos de Confianza

Interpretación:
La verdadera venta media mensual del producto, en la cadena de
tiendas, se encuentra entre 960.80 Dólares y 1039.20 Dólares.

Johnny Cuadro M Estadı́stica Inferencial 5 de marzo de 2022 30 / 33

 Estimación Por Intervalos de Confianza

Interpretación:
La verdadera venta media mensual del producto, en la cadena de
tiendas, se encuentra entre 960.80 Dólares y 1039.20 Dólares.
Ejemplo 3.
De un embarque de 2200 carros se tomaron al azar 81 carros para su
prueba de diagnóstico. El diagnóstico demuestra que el promedio de
3.2 horas se presenta un daño en los carros con una desviación
estándar de 0.9 horas. Construya un intervalo de confianza del 95 %
para el promedio de hora para los carros del embarque.

Johnny Cuadro M Estadı́stica Inferencial 5 de marzo de 2022 30 / 33

 Estimación Por Intervalos de Confianza

Interpretación:
La verdadera venta media mensual del producto, en la cadena de
tiendas, se encuentra entre 960.80 Dólares y 1039.20 Dólares.
Ejemplo 3.
De un embarque de 2200 carros se tomaron al azar 81 carros para su
prueba de diagnóstico. El diagnóstico demuestra que el promedio de
3.2 horas se presenta un daño en los carros con una desviación
estándar de 0.9 horas. Construya un intervalo de confianza del 95 %
para el promedio de hora para los carros del embarque.
Respuesta:
El intervlo del 95 % de confianza para el promedio de carros del
embarque de carros es [3,008, 3,396].

Johnny Cuadro M Estadı́stica Inferencial 5 de marzo de 2022 30 / 33

 Estimación Por Intervalos de Confianza

Ejemplo 4.
Se desea estimar el peso total de una carga de 10000 frutas. Para esto se
selecciona una muestra aleatoria de 41 frutas, la cual da una media de 200
gramos y una desviación estándar de 25 gramos. Hallar un intervalo de
confianza del 95 % para:
El verdadero peso promedio µ.
Qué tamaño de muestra debe tomarse, si se desea que x̄ difiera de µ
en menos de 13 gramos con el 99 % de confianza.

Johnny Cuadro M Estadı́stica Inferencial 5 de marzo de 2022 31 / 33

 Estimación Por Intervalos de Confianza

Ejemplo 4.
Se desea estimar el peso total de una carga de 10000 frutas. Para esto se
selecciona una muestra aleatoria de 41 frutas, la cual da una media de 200
gramos y una desviación estándar de 25 gramos. Hallar un intervalo de
confianza del 95 % para:
El verdadero peso promedio µ.
Qué tamaño de muestra debe tomarse, si se desea que x̄ difiera de µ
en menos de 13 gramos con el 99 % de confianza.
Respuesta:
µ ∈ [192,36, 207,64] con el 95 % de confianza.

Johnny Cuadro M Estadı́stica Inferencial 5 de marzo de 2022 31 / 33

 Estimación Por Intervalos de Confianza

Ejemplo 4.
Se desea estimar el peso total de una carga de 10000 frutas. Para esto se
selecciona una muestra aleatoria de 41 frutas, la cual da una media de 200
gramos y una desviación estándar de 25 gramos. Hallar un intervalo de
confianza del 95 % para:
El verdadero peso promedio µ.
Qué tamaño de muestra debe tomarse, si se desea que x̄ difiera de µ
en menos de 13 gramos con el 99 % de confianza.
Respuesta:
µ ∈ [192,36, 207,64] con el 95 % de confianza.
Para estimar el peso medio de las frutas con 99 % de confianza y un
error máximo de 13 gramos se requieren de 25 frutas.

Johnny Cuadro M Estadı́stica Inferencial 5 de marzo de 2022 31 / 33

 Estimación Por Intervalos de Confianza

Ejercicios
Se quiere vender un nuevo tipo de producto para mujeres como
prueba de mercadeo en un mes en las tiendas de una cadena de
almacenes. Los resultados de una m.a de 36 tiendas indicaron ventas
promedios de 1200 Dólares, con desviación estándar de 180 Dólares.
Si la cadena de almacenes tiene 200 tiendas, estimar un intervalo de
confianza del 99 % de las ventas totales de este nuevo producto en la
cadena de tiendas.
Un ingeniero de una planta de purificación de agua mide el contenido
de cloro diariamente en 100 muestras diferentes. Sobre un periodo de

años ha establecido que la desviación tṕica (error es’andar) de la
población es de 1.2 miligramos de cloro por litro. Las últras muestras
promediaron 4.8 miligramos por litro. Hallar un intervalo de confianza
al 95 % para media poblacional.

Johnny Cuadro M Estadı́stica Inferencial 5 de marzo de 2022 32 / 33

 Estimación Por Intervalos de Confianza

Una muestra aleatoria de 144 observaciones arroja una media

muestral x̄ = 160 y una varianza S 2 = 100.
Determinar un intervalo de confianza del 95 % para media poblacional.
Determinar un intervalo de confianza del 90 % para µ.
Si el investigador quiere tener un 95 % de seguridad que su estimación
se encuentre a a una distancia de 1.2 en más o menos de la verdadera
media poblacional, Cuántas observaciones adicionales deberá efectuar
para corroborarlo ?.

Johnny Cuadro M Estadı́stica Inferencial 5 de marzo de 2022 33 / 33