PROBABILIDAD Y ESTADISTICA

2023
• Estimación Puntual
• Estimación Por Intervalos
 E S T I M A C I O N P U N T UA L
 El objetivo de la estimación puntual es utilizar una muestra para
calcular un número que representa en cierto sentido una buena
suposición del valor verdadero del parámetro de interés 𝜽 (p.e. 𝜇, σ )

Características de la Población

 Definiciones
෡ Es una función real de los valores de la muestra aleatoria
 Estimador 𝜽:
que se usa para estimar el parámetro 𝜃. Es una V.A.
 Estimación: Es el valor numérico concreto que toma el estimador para
una muestra determinada
 E S T I M A C I O N P U N T UA L
 EJEMPLO
 Supongamos que queremos estimar el cociente intelectual medio de la población.
Un estimador podría ser:

𝑚𝑎𝑥 𝑥1 , 𝑥2 … 𝑥𝑛 + 𝑚𝑖𝑛 𝑥1 , 𝑥2 … 𝑥𝑛
𝜃෠ =
2
 Extraemos una muestra y obtenemos las siguientes puntuaciones
95, 103, 110, 98, 102, 93, 92, 112, 108, 97, 105, 111 , 82, 115, 97, 104, 98, 99

 La estimación correspondiente a esa muestra sería:

115 + 82
𝜃መ = = 98.5
2
 P R O P I E DA D E S D E LO S
ESTIMADORES
 Para un mismo parámetro 𝜃 podemos definir tantos estimadores como queramos.
 Existen criterios que nos permiten seleccionar los estimadores adecuados para una
situación dada.

 Propiedades
1. Sesgo
Se dice que un estimador es insesgado (o centrado) si la media o esperanza
matemática del estimador coincide con el verdadero valor del parámetro.
෡ =𝜽
𝑬𝜽
Se Llama Sesgo de un estimador a la diferencia entre su media y el verdadero
valor
෡ =𝑬𝜽
𝑺𝒆𝒔𝒈𝒐 𝜽 ෡ −𝜽
 P R O P I E DA D E S D E LO S
ESTIMADORES
 En la práctica es preferible un estimador cuya distribución est é centrada alrededor
del parámetro que se está estimando (sesgo = 0).

෡ 𝟏 = 𝒆𝒔 𝒖𝒏 𝒆𝒔𝒕𝒊𝒎𝒂𝒅𝒐𝒓 𝒊𝒏𝒔𝒆𝒔𝒈𝒂𝒅𝒐 𝒅𝒆 𝜽
𝜽 ෡ 𝟐 = 𝒆𝒔 𝒖𝒏 𝒆𝒔𝒕𝒊𝒎𝒂𝒅𝒐𝒓 𝒔𝒆𝒔𝒈𝒂𝒅𝒐 𝒅𝒆 𝜽
𝜽
 P R O P I E DA D E S D E LO S
ESTIMADORES
2. VARIANZA
Aunque la propiedad de ser insesgado es deseable, no es un criterio suficiente para
seleccionar un estimador, ya que pueden existir estimadores centrados con
distribuciones muy diferentes.

“Dados dos estimadores de un mismo parámetro 𝜽 ෡𝟏 y 𝜽 ෡ 𝟐 , diremos que 𝜽

෡ 𝟏 es más
෡ 𝟐 si teniendo ambos la misma media, 𝜽
eficiente que 𝜽 ෡ 𝟏 tiene una varianza menor que
෡𝟐 ”
𝜽

ESTIMADOR EFICIENTE: Insesgado y de mínima varianza

Algunos estimadores insesgados de mínima varianza: Media Muestral y varianza muestral

(distribución normal), proporción muestral (distribución binomial)
E J E M P LO
 E S T I M A C I O N P O R I N T E R VA LO S
En lugar de proporcionar una única estimación puntual del parámetro, la estimación
por intervalos proporciona un rango de valores dentro del cual se espera que se
encuentre el parámetro con cierto nivel de confianza
El cálculo de un intervalo de confianza depende principalmente de los siguientes factores:
•Tamaño de la muestra seleccionada:
Dependiendo de la cantidad de datos que se hayan utilizado para calcular el valor muestral, este se
acercará más o menos al verdadero parámetro poblacional.

•Nivel de confianza:
Nos va a informar en qué porcentaje de casos nuestra estimación acierta. Los niveles habituales son el
95% y el 99%.

•Lo estimado en la muestra (media, varianza, diferencia de medias…):

De esto va a depender el estadístico para el cálculo del intervalo.
 E S T I M A C I O N P O R I N T E R VA LO S
 Definición: Sea 𝑿 una V.A. que depende de un parámetro 𝜽 .
Sea 𝜶 ∈ (𝟎, 𝟏) . Un intervalo de confianza del 𝟏 − 𝜶 . 𝟏𝟎𝟎% para el
parámetro poblacional 𝜃 es un intervalo 𝒂, 𝒃 tal que:

𝑷 𝒂≤𝜽≤𝒃 =𝟏−𝜶
En general se utilizan intervalos de confianza del 90, 95 o 99%.
𝜶 𝑰𝑪%
0,1 90%
0,05 95%
0,01 99%

Hay muchos intervalos de confianza para los parámetros poblacionales.

 Intervalo de Confianza para la media poblacional con 𝐧 ≥ 𝟑𝟎 (o
si X es normal) y 𝛔 𝟐 conocida

 La media muestral 𝑿 ഥ está normalmente distribuida con valor esperado

𝝁 y desvío estándar 𝛔 Τ 𝐧. Si se estandariza:

ഥ−𝝁 ഥ−𝝁
𝑿
𝑿 𝑷 −𝒛𝜶Τ𝟐 ≤ ≤ 𝒛𝜶Τ𝟐 = 𝟏 − 𝜶
𝒁= 𝛔Τ 𝐧
𝛔Τ 𝐧
𝝈 𝝈
𝑷 −𝒛𝜶Τ𝟐 ഥ − 𝝁 ≤ 𝒛𝜶Τ𝟐
≤𝑿 =𝟏−𝜶
𝐴𝑟𝑒𝑎 = 𝛼Τ2 𝒏 𝒏

𝝈 𝝈
ഥ − 𝒛 𝜶Τ 𝟐
𝑷 𝑿 ഥ
≤ 𝝁 ≤ 𝑿 + 𝒛𝜶Τ𝟐 =𝟏−𝜶
𝒏 𝒏
 Intervalo de Confianza para la media poblacional con 𝐧 ≥ 𝟑𝟎 (o
si X es normal) y 𝛔 𝟐 conocida

 Por lo tanto, un intervalo de confianza del 𝟏 − 𝜶 . 𝟏𝟎𝟎% para 𝝁 es:

𝝈 𝝈
𝑰𝑪 𝟏−𝜶 .𝟏𝟎𝟎%
ഥ − 𝒛𝜶Τ𝟐
= 𝑿 ഥ
, 𝑿 + 𝒛𝜶Τ𝟐
𝒏 𝒏
𝝈
𝑬𝒓𝒓𝒐𝒓 𝒎𝒖𝒆𝒔𝒕𝒓𝒂𝒍 = 𝒛𝜶Τ𝟐
𝒏
 Ejemplo:
 Se quiere estimar la estatura promedio de una población que se supone tiene
una distribución normal con 𝜎 = 4 𝑐𝑚. Se toma una muestra de 144 personas y
se obtiene que el promedio muestral es de 168 cm.
a) Calcular un intervalo de confianza del 𝟗𝟖% para la altura promedio de la
población
 Intervalo de Confianza para la media poblacional con 𝐧 ≥ 𝟑𝟎 (o
si X es normal) y 𝛔 𝟐 conocida

a) Calcular un intervalo de confianza del 𝟗𝟖% para la altura promedio de la

población
𝑿 = 𝐴𝑙𝑡𝑢𝑟𝑎 𝑑𝑒 𝑢𝑛 𝑖𝑛𝑑𝑖𝑣𝑖𝑑𝑢𝑜 𝑿 = 𝑵 𝝁, 𝟒
ഥ = 𝟏𝟔𝟖,
𝒕𝒆𝒏𝒆𝒎𝒐𝒔 𝑿 𝒏 = 𝟏𝟒𝟒, 𝟏 − 𝜶 = 𝟎. 𝟗𝟖 𝒚 𝝈=𝟒
Con 𝜶 Τ𝟐 = 𝟎. 𝟎𝟏 de la tabla normal estándar (o app) encontramos 𝒛𝟎.𝟎𝟏 = 𝟐. 𝟑𝟐𝟑

𝟒 𝟒
𝑰𝑪𝟗𝟖% = 𝟏𝟔𝟖 − 𝟐. 𝟑𝟐𝟔𝟑 , 𝟏𝟔𝟖 + 𝟐. 𝟑𝟐𝟔𝟑
𝟏𝟒𝟒 𝟏𝟒𝟒

𝑰𝑪𝟗𝟖% = 𝟏𝟔𝟕. 𝟐𝟐 , 𝟏𝟔𝟖. 𝟕𝟖

 Intervalo de Confianza para la media poblacional con 𝒏 < 𝟑𝟎 y
𝝈 𝟐 desconocida

 Cuando n es pequeño, no es probable que S se aproxime a 𝜎.

 Esto implica que la distribución de probabilidad de ( 𝑥ത − 𝜇) Τ(𝑆 Τ 𝑛) se

disperse más que una distribución normal estándar.

 En estos casos, la variable aleatoria T, Tiene una distribución de probabilidad

llamada distribución t con n-1 grados de libertad
ഥ−𝝁
𝑿
𝑻=
𝑺Τ 𝒏
 Intervalo de Confianza para la media poblacional con 𝒏 < 𝟑𝟎 y
𝝈 𝟐 desconocida

Una muestra aleatoria de los archivos de una empresa que contiene información
detallada respecto a las entregas de las órdenes de compras, para cierta pieza, revela
que las mismas fueron completadas en 10, 12, 19, 14, 15, 18, 11 y 13 días. Suponiendo
que el tiempo de cumplimiento de la orden es una variable aleatoria normal con desvío
desconocido, obtenga un intervalo de confianza del 99% para el tiempo medio de
cumplimiento de la orden de compra de la pieza considerada.

𝑺 𝑺
ഥ − 𝒕𝜶Τ𝟐,𝒏−𝟏
𝑷 𝑿 ഥ
≤ 𝝁 ≤ 𝑿 + 𝒕𝜶Τ𝟐,𝒏−𝟏 =𝟏−𝜶
𝒏 𝒏
ഥ = 𝟏𝟒
𝑿 𝟏 − 𝛂 = 𝟎. 𝟗𝟗
𝑺 = 𝟑. 𝟐𝟏 𝛂 = 𝟎. 𝟎𝟏 𝒕𝜶Τ𝟐,𝒏−𝟏 = 𝒕𝟎.𝟎𝟎𝟓 ,𝟕𝒈𝒍 = 𝟑. 𝟒𝟗𝟗
𝒏=𝟖 𝜶 Τ𝟐 = 𝟎. 𝟎𝟎𝟓
𝒈𝒍 = 𝒏 − 𝟏 = 𝟕
Intervalo de Confianza para la media poblacional con 𝒏 < 𝟑𝟎 y
𝝈 𝟐 desconocida

𝟑. 𝟐𝟏 𝟑. 𝟐𝟏
𝑷 𝟏𝟒 − 𝟑. 𝟒𝟗𝟗 ≤ 𝝁 ≤ 𝟏𝟒 + 𝟑. 𝟒𝟗𝟗 = 𝟎. 𝟗𝟗
𝟖 𝟖

𝑷 𝟏𝟎. 𝟎𝟑 ≤ 𝝁 ≤ 𝟏𝟕. 𝟗𝟔 = 𝟎. 𝟗𝟗

𝑰𝑪𝟗𝟗% = 𝟏𝟎. 𝟎𝟑, 𝟏𝟕. 𝟗𝟔

 Intervalo de Confianza para la proporción

ෝ. 𝒒
𝒑 ෝ ෝ. 𝒒
𝒑 ෝ
ෝ − 𝒛𝜶Τ𝟐
𝑷 𝒑 ෝ + 𝒛𝜶Τ𝟐
≤ 𝒑 ≤ 𝒑 =𝟏−𝜶
𝒏 𝒏

 Donde 𝒑
ෝ = 𝑿/𝒏 es la fracción muestral de éxitos.
 Ejemplo:
Un estudio reportó que en 48 ensayos en un laboratorio particular, 16 dieron por
resultado la ignición de un tipo particular de sustrato por un cigarrillo encendido.
Sea p la proporción a largo plazo de tales ensayos que producirían ignición.
Construir un intervalo de confianza para p con un nivel de confianza de 95%
 Intervalo de Confianza para la proporción

Un estudio reportó que en 48 ensayos en un laboratorio particular, 16 dieron por

resultado la ignición de un tipo particular de sustrato por un cigarrillo encendido.
Sea p la proporción a largo plazo de tales ensayos que producirían ignición.
Construir un intervalo de confianza para p con un nivel de confianza de 95%
𝟏𝟔 𝟎. 𝟑𝟑𝟑 ∗ 𝟎. 𝟔𝟔𝟕 𝟎. 𝟑𝟑𝟑 ∗ 𝟎. 𝟔𝟔𝟕
ෝ=
𝒑 = 𝟎. 𝟑𝟑𝟑 𝑷 𝟎. 𝟑𝟑𝟑 − 𝟏. 𝟗𝟔 ≤ 𝒑 ≤ 𝟎. 𝟑𝟑𝟑 + 𝟏. 𝟗𝟔 = 𝟎. 𝟗𝟓
𝟒𝟖 𝟒𝟖 𝟒𝟖

ෝ =𝟏−𝒑
𝒒 ෝ = 𝟎. 𝟔𝟔𝟕 𝑷 𝟎. 𝟐𝟎𝟎 ≤ 𝒑 ≤ 𝟎. 𝟒𝟔𝟔 = 𝟎. 𝟗𝟓

𝟏 − 𝜶 = 𝟎. 𝟗𝟓
𝜶 = 𝟎. 𝟎𝟓
𝜶Τ𝟐 = 𝟎. 𝟎𝟐𝟓 𝒛𝟎.𝟎𝟐𝟓 = 𝟏. 𝟗𝟔
 Intervalo de Confianza para la varianza para una
población normal

 Dado un muestreo aleatorio de una distribución normal con parámetros 𝜇 y 𝜎 2

La variable aleatoria (𝑛 − 1)𝑆 2 Τ𝜎 2 tiene una distribución de probabilidad de chi
cuadrado 𝜒 2 con n-1 grados de libertad

(𝒏 − 𝟏)𝑺𝟐 (𝒏 − 𝟏)𝑺𝟐
𝑷 ≤ 𝝈𝟐 ≤ =𝟏−𝜶
𝝌𝟐𝜶Τ𝟐,𝒏−𝟏 𝝌𝟐𝟏−𝜶Τ𝟐,𝒏−𝟏
 Intervalo de Confianza para la varianza para una
población normal
Una muestra aleatoria de los archivos de una empresa que contiene información
detallada respecto a las entregas de las órdenes de compras, para cierta pieza, revela
que las mismas fueron completadas en 10, 12, 19, 14, 15, 18, 11 y 13 días. Suponiendo
que el tiempo de cumplimiento de la orden es una variable aleatoria normal con desvío
desconocido, obtenga un intervalo de confianza del 99% para la varianza de
cumplimiento de la orden de compra de la pieza considerada.
𝑺 = 𝟑. 𝟐𝟏 (𝒏 − 𝟏)𝑺𝟐 (𝒏 − 𝟏)𝑺𝟐
𝑷 ≤ 𝝈𝟐 ≤ =𝟏−𝜶
𝒏=𝟖 𝝌𝟐𝜶Τ𝟐,𝒏−𝟏 𝝌𝟐𝟏−𝜶Τ𝟐,𝒏−𝟏
𝜶 Τ𝟐 = 𝟎. 𝟎𝟎𝟓
(𝟖 − 𝟏)(𝟑. 𝟐𝟏)𝟐 𝟐
(𝟖 − 𝟏)(𝟑. 𝟐𝟏)𝟐
𝒈𝒍 = 𝒏 − 𝟏 = 𝟕 𝑷 𝟐
≤ 𝝈 ≤ 𝟐
= 𝟎. 𝟗𝟗
𝝌𝟎.𝟎𝟎𝟓,𝟕𝒈𝒍 𝝌𝟎.𝟗𝟗𝟓, 𝟕𝒈𝒍

(𝟖 − 𝟏)(𝟑. 𝟐𝟏)𝟐 (𝟖 − 𝟏)(𝟑. 𝟐𝟏) 𝟐

𝑰𝑪𝟗𝟗% = [𝟑. 𝟓𝟔, 𝟕𝟐. 𝟗𝟑] 𝑷 ≤ 𝝈𝟐 ≤ = 𝟎. 𝟗𝟗
𝟐𝟎. 𝟐𝟕𝟔 𝟎. 𝟗𝟖𝟗
 Intervalo de Confianza para la diferencia de medias

Para calcular el intervalo de confianza para la diferencia de dos medias se debe

saber si las varianzas poblacionales son conocidas o desconocidas, y en caso de que
sean desconocidas, se debe probar si son iguales o diferentes.

CASO 1 – VARIANZAS CONOCIDAS PERO DIFERENTES 𝝈𝟐𝟏 ≠ 𝝈𝟐𝟐

Sí 𝑋ത 1 𝑦 ഥ𝑋 2 son las medias de dos muestras aleatorias independientes de tamaño 𝑛1
y 𝑛2 tomadas de poblaciones de varianzas conocidas σ12 y σ22 respectivamente,
entonces el intervalo de confianza para 𝜇1 − 𝜇2 es:

𝝈𝟐𝟏 𝝈𝟐𝟐 𝝈𝟐𝟏 𝝈𝟐𝟐

𝑷 ഥ𝟏 − 𝒙
𝒙 ഥ 𝟐 − 𝒛 𝜶Τ 𝟐 + ഥ𝟏 − 𝒙
≤ 𝝁𝟏 − 𝝁𝟐 ≤ 𝒙 ഥ𝟐 + 𝒛𝜶Τ𝟐 + =𝟏−𝜶
𝒏𝟏 𝒏𝟐 𝒏𝟏 𝒏𝟐
 Intervalo de Confianza para la diferencia de medias

CASO 2 – POBLACIONES NORMALES CON VARIANZAS DESCONOCIDAS E IGUALES

PARA n<30

𝟏 𝟏 𝟏 𝟏
𝑷 ഥ𝟏 − 𝒙
𝒙 ഥ𝟐 − 𝒕𝜶Τ𝟐 . 𝑺𝒑 . + ഥ𝟏 − 𝒙
≤ 𝝁𝟏 − 𝝁𝟐 ≤ 𝒙 ഥ𝟐 + 𝒕𝜶Τ𝟐 . 𝑺𝒑 . + =𝟏−𝜶
𝒏𝟏 𝒏𝟐 𝒏𝟏 𝒏𝟐

𝒏𝟏 − 𝟏 . 𝑺𝟐𝟏 + 𝒏𝟐 − 𝟏 . 𝑺𝟐𝟐
𝑺𝒑 =
𝒏𝟏 + 𝒏𝟐 − 𝟐

El valor de 𝑡𝛼Τ2 se determina con (𝑛1 +𝑛2 − 1) grados de libertad