UNNOBA

ESTADÍSTICA

Prof. Ma. Eugenia Gallardo

 ESTADÍSTICA UNNOBA

Unidad 6
Estimación
 ESTADÍSTICA UNNOBA

Tipos de estimación
Podemos hacer dos tipos de estimaciones concernientes
a parámetros o características de una población: una
estimación puntual y una estimación por intervalo.

Estimación puntual Estimación por intervalo

es un solo número que se utiliza es un rango de valores que se

para estimar un parámetro de la utiliza para estimar un parámetro
población desconocido. de la población desconocido.
 ESTADÍSTICA UNNOBA

Estimadores puntuales
Cualquier estadístico de la muestra que se utilice para esti-
mar un parámetro poblacional se conoce como estimador.
Cuando se discuten los métodos y conceptos generales de in-
ferencia, es conveniente disponer de un símbolo genérico pa-
ra el parámetro de interés. Se utilizará la letra griega 𝜃 para
este propósito.
El objetivo de la estimación puntual es seleccionar un solo
número, con base en los datos muestrales, que represente un
valor sensible de 𝜃.
Una estimación puntual de un parámetro θ es un número único
que puede ser considerado como un valor sensible de θ .
El estadístico seleccionado se llama estimador puntual de θ.
 ESTADÍSTICA UNNOBA

Estimadores puntuales
Ejemplos:
 La media de la muestra 𝑥 puede ser un estimador de
la media de la población μ.
 La varianza muestral s2 puede ser un estimador de
la varianza poblacional 𝜎 2 .
 La proporción de la muestra se puede utilizar como
un estimador de la proporción de la población.
Se suele anotar 𝜇 = 𝑥 el indica que se trata de un
valor estimado, en este caso con la media muestral.
 ESTADÍSTICA UNNOBA

Estimadores puntuales
Estadístico de la
Parámetro de
Población en la que muestra que se
la población Estimación
se está interesado utilizará como
a estimar
estimador
Promedio de Promedio de ausencias 6% de
ausencias por por enfermedad en los ausencias
Empleados de una
enfermedad últimos tres meses por
fábrica
anual enfermedad
𝜇 𝑋 𝜇=𝑋
Proporción en una
Proporción
muestra de 50
que están
Adolescentes en una adolescentes que están 𝑝 =74%
estudiando
comunidad dada estudiando
37
𝑝
50
 ESTADÍSTICA UNNOBA

Propiedades de los estimadores

En cada situación seguramente habrá más de un estima-
dor posible. Para elegir en “mejor” se deben tener en
cuenta las siguientes propiedades:

 Insesgamiento

 Eficiencia

 Consistencia

 Suficiencia
 ESTADÍSTICA UNNOBA

Estimadores insesgados
Se dice que un estimador puntual 𝜃 es un estimador
insesgado de 𝜃 si
E(𝜃)=θ para todo valor posible de 𝜃.

Si esto no ocurre entones 𝜃 es un estimador sesgado

y el sesgo se define como:

Sesgo de 𝜃 = 𝐸 𝜃 −𝜃.
 ESTADÍSTICA UNNOBA

Estimadores insesgados
Ejemplo 6.1
Cuando X es una variable aleatoria binomial con pará-
metros n y p, la proporción muestral 𝑝 = X/n es un
estimador insesgado de p.
Demostración

  X
E p  E
n
 1
 
 n
E  X  
1
n
np  p
 ESTADÍSTICA UNNOBA

Estimadores insesgados
Ejemplo 6.2
Sea 𝑥1 , 𝑥2 , … , 𝑥𝑛 una muestra aleatoria simple de una
distribución normal con media μ y varianza 𝝈𝟐
n

x i
1. La media de una muestra, x  , es un estimador
i 1

n
insesgado de μ .
  x  x
n 2
i
2. La varianza muestral s 2  i 1
es un estimador
n 1
insesgado de 𝝈𝟐
 ESTADÍSTICA UNNOBA

Estimadores insesgados
Ejemplo 6.2

Demostración

 n 
  xi  1  n  1 n
 
1. E. X  E  i 1
 n  n  i 1  n i 1
1 n
n i 1
1
  E   xi    E  xi      n  
n
 
 
 ESTADÍSTICA UNNOBA

Estimadores insesgados
Ejemplo 6.2
  n
 
2

Demostración  n   xi  
xi2   i 1   y recordan-
1 
2. Escribimos s2  
n  1  i 1 n 
 
 

do que para cualquier variable aleatoria.

Var  X   E  X 2    E  X    E  X 2   Var  X    E  X  
2 2
 ESTADÍSTICA UNNOBA

Estimadores insesgados
Ejemplo 6.2
Demostración
2.    n
 
2



 n   xi   
   
2

E s   E   
 E  xi   E   xi  
n n
1   1 1
2
  xi 
2 i 1
 
2

 n  1  i 1 n
  n  1  i 1 n  i 1  
   

   
 
2
1  n
1  n
 1  n

 V  X    E  X    V   xi    E   xi   
2

n  1  i 1 n  i 1  n   i 1   
 

1  2 1 2 1 2 2
 
n 1 
n  n  2

n
n 
n
n   
1
 n 1
 n  1  2    2
 ESTADÍSTICA UNNOBA

Estimador sesgado – Sesgo

Ejemplo 6.3
En el caso de la varianza, si en lugar de dividir por n-1
hubiéramos divido por n,

  x  x
n 2
i
este estimador es
 E  s    n  1  2
1
s 
2 i 1 2

n n sesgado.

Sesgo de s  E  s
 n  1 2
2 2
  
2

n
  2

n 2   2  n 2  2
=   notar que el sesgo tiende a
n n
cero cuando n  
 ESTADÍSTICA UNNOBA

Estimadores eficientes
Otra propiedad deseable de un buen estimador es que
sea eficiente.
La eficiencia se refiere al tamaño de la varianza del esta-
dístico.
Si comparamos dos estadísticos de una muestra del mis-
mo tamaño y tratamos de decidir cuál de ellas es un esti-
mador más eficiente escogeríamos el estadístico que tu-
viera el menor varianza.
La eficiencia de un estimador insesgado es la razón
entre la mínima varianza posible de alcanzar y la varian-
za del estimador.
 ESTADÍSTICA UNNOBA

Estimadores eficientes
Entonces, entre todos los estimadores insesgados se elige
el de menor varianza. A éstos se los conoce como:
estimadores insesgados de varianza mínima de θ.
 ESTADÍSTICA UNNOBA

Estimadores consistentes
Un estadístico es un estimador consistente de un pará-
metro de población θ si al aumentar el tamaño de la mues-
tra, se tiene casi la certeza de que el valor del estadístico
𝜃 se aproxima bastante al valor del parámetro poblacional.
Esto es:
lim 𝑃 𝜃 − 𝜃 > 𝜀 = 0
𝑛→∞

Si un estimador es consistente, se vuelve más confiable al

tener tamaños de muestra más grandes
 ESTADÍSTICA UNNOBA

Estimadores consistentes
Condición suficiente pero no necesaria para consistencia
lim 𝑠𝑒𝑠𝑔𝑜 𝜃 = 0 𝑦 lim 𝑉𝑎𝑟 𝜃 = 0
𝑛→∞ 𝑛→∞

Si un estimador es consistente, se vuelve más confiable al

tener tamaños de muestra más grandes.

En el caso del ejemplo 6.3

  x  x
n 2
i
s2  i 1
 es consistente
n
 ESTADÍSTICA UNNOBA

Estimadores suficientes
Un estimador es suficiente si utiliza toda la informa-
ción acerca de θ que está contenida en la muestra.

Definición:
Dada X1,X2, ...,Xn , una muestra aleatoria de una distri-
bución f(x;θ), entonces T(X1,X2,...,Xn ), sin ser función
de θ es un estadístico suficiente para θ, si la distri-
bución condicional de las Xi dado el valor de T, no
depende de θ .
 ESTADÍSTICA UNNOBA

Estimadores suficientes

Se tienen n intentos de Bernoulli donde, p es la pro-

babilidad de éxito y T = número de éxitos en los 𝒏
intentos.
𝑻
Una vez que conocemos T ⇒ 𝒑 = no es posible
,
𝒏
obtener más información acerca de p, la otra informa-
ción disponible es el orden en que se dan los éxitos y
fracasos, pero esto no ayuda a decir algo más sobre 𝒑.
 ESTADÍSTICA UNNOBA

Error estándar de un estimador

El error estándar de un estimador 𝜃 es su desviación
estándar 𝜎𝜃 = V 𝜃 . Si el error estándar implica
parámetros desconocidos cuyos valores pueden ser
estimados, la sustitución de estas estimaciones en 𝜎𝜃 da
el error estándar estimado (desviación estándar
estimada) del estimador. El error estándar estimado
puede ser denotado o por 𝜎𝜃 (el ^ sobre recalca que 𝜎𝜃
está siendo estimada) o por 𝑠𝜃
 ESTADÍSTICA UNNOBA

Error estándar de un estimador

Ejemplo 6.4
𝑋
El error estándar de 𝑝 = en el ejemplo 6.1 es:
𝑛

𝑉 𝑋 𝑛. 𝑝. 1 − 𝑝 𝑝. 1 − 𝑝
𝜎𝑝 = 𝑉 𝑋 𝑛 = 2
= 2
=
𝑛 𝑛 𝑛
𝑋
Como p es desconocido se sustituye por 𝑝 = , entonces
𝑛

𝑝. 1 − 𝑝
𝜎𝑝 =
𝑛
 ESTADÍSTICA UNNOBA

Métodos de estimación puntual

 El método de momentos
La idea básica de este método es poder igualar ciertas
características muestrales, tales como la media, a los valores
esperados de la población correspondiente. Luego resolviendo
estas ecuaciones con valores de parámetros conocidos se
obtienen los estimadores
 Estimación de máxima verosimilitud
La mayoría de los estadísticos recomiendan este méto-
do, por lo menos cuando el tamaño de muestra es grande, pues-
to que los estimadores resultantes tienen ciertas propiedades
de eficiencia deseables. La idea es calcular el valor del paráme-
tro para el cual la probabilidad de obtener esa muestra es la
mas alta.
 ESTADÍSTICA UNNOBA

Estimación por intervalos

Una estimación puntual, por el hecho de ser un solo nú-
mero no proporciona información sobre la precisión y
confiabilidad de la estimación
Una estimación por intervalo describe un rango de va-
lores dentro del cual es posible que esté un parámetro
de la población y con un nivel de confianza (grado de
confiabilidad del intervalo)
Mientras más alto es el nivel de confianza, más fuerte es
la creencia de que el valor del parámetro que se está es-
timando queda dentro del intervalo
 ESTADÍSTICA UNNOBA

Estimación por intervalos

El ancho del intervalo da información sobre la precisión
de una estimación de intervalo.
Si el nivel de confianza es alto y el intervalo resultante es
bastante angosto, el conocimiento del valor del paráme-
tro es razonablemente preciso.
Un muy amplio intervalo de confianza, sin embargo,
transmite el mensaje de que existe gran cantidad de in-
certidumbre sobre el valor de lo que se está estimando
 ESTADÍSTICA UNNOBA

Intervalo de confianza para μ

Caso 1.
Se supone que las observaciones muestrales reales x1,
x2, . . . , xn son el resultado de una muestra aleatoria X1, .
. . , Xn tomada de una distribución normal con valor
medio μ y desviación estándar σ conocida
Como se trata de n observaciones independientes la
distribución de la media muestral es:
𝜎2
𝑋~𝑁 𝜇,
𝑛
 ESTADÍSTICA UNNOBA

Intervalo de confianza para μ

Caso 1.
𝑥−𝜇
Estandarizando 𝑍 = 𝜎 ~𝑁 0,1
𝑛

Se quiere construir un intervalo tal que:

𝑥−𝜇
𝑃 𝑎<𝜎 < 𝑏 = 0,95
𝑛
 ESTADÍSTICA UNNOBA

Intervalo de confianza para μ

Caso 1.
Buscando en la tabla, 𝑎 = −1,96 y 𝑏 = 1,96 , entonces:
𝑥−𝜇
𝑃 −1.96 < 𝜎 < 1,96 = 0,95
𝑛
Trabajando algebraicamente

𝜎 𝜎
𝑃 𝑥 − 1,96 < 𝜇 < 𝑥 + 1,96 = 0,95
𝑛 𝑛

Notar que los extremos del intervalo son variables alea-

torias centradas en la media de la muestra
 ESTADÍSTICA UNNOBA

Intervalos de confianza
Interpretación:
Decir que un evento A tiene una probabilidad de 0,95 es de-
cir que si el experimento en el cual se definió A se realiza una
y otra vez, a la larga A ocurrirá el 95% del tiempo.
Esto se traslada a la interpretación del intervalo de confianza.
Como en el ejemplo anterior, si se obtiene una muestra y se
calcula un intervalo de confianza del 95% para μ , luego se
obtienen una segunda muestra, una tercera y así sucesiva-
mente y se repite el cálculo para cada una de ellas.
Entonces el 95% de los intervalos calculados contendrá al
verdadero valor de μ
 ESTADÍSTICA UNNOBA

Intervalos de confianza
Interpretación:
 ESTADÍSTICA UNNOBA

Intervalo de confianza para μ

Caso 1.
Otros niveles de confianza

𝑃 −𝑧𝛼 < 𝑧 < 1 − 𝑧𝛼 =1−𝛼

2 2

Un intervalo de confianza del 100(1 − 𝛼)% para la media μ

de una población cuando se conoce el valor de σ viene
dado por:
𝜎 𝜎
𝑥 −𝑧𝛼 ; 𝑥 + 𝑧𝛼
2 𝑛 2 𝑛
 ESTADÍSTICA UNNOBA

Nivel de confianza, precisión y

tamaño de muestra
En ancho de intervalo es 𝐰 = 𝑙𝑠𝑢𝑝 − 𝑙𝑖𝑛𝑓 de modo que:
𝜎
𝒘 = 2𝑧𝛼 (1)
2 𝑛

De donde se observa que para un n fijo a mayor precisión

(mayor nivel de confianza) mayor longitud del intervalo.
Para un nivel de confianza fijo, podemos “achicar” la lon-
gitud del intervalo aumentando el tamaño de la muestra (n).
Entonces para garantizar un ancho de intervalo w con un
determinado nivel de confianza, despejamos n de (1)
𝜎 2
𝑛 = 2𝑧𝛼
2𝑤
 ESTADÍSTICA UNNOBA

Intervalo de confianza para μ

Caso 1.

Ejemplo 6.5
Para una población con una varianza conocida de 185, una mues-
tra de 64 individuos lleva a 217 como estimación de la media.
a) Encuentre el error estándar de la media.
b) Establezca una estimación de intervalo que incluya la media
de la población el 68.26% del tiempo.
c) Calcule la longitud del intervalo calculado en b)
d)Calcule un intervalo de confianza para la media del 95% y
calcule su longitud.
e) Cuál sería el tamaño de la muestra necesario para que la lon-
gitud sea la misma que en c) con el mismo nivel de confianza que
en d)
 ESTADÍSTICA UNNOBA

Intervalo de confianza para μ

Caso 1.

Ejemplo 6.5
Para una población con una varianza conocida de 185, una mues-
tra de 64 individuos lleva a 217 como estimación de la media.
a) Encuentre el error estándar de la media.

2 
 
X  V X 
n

n
 X
185
64
 1,7
 ESTADÍSTICA UNNOBA

Intervalo de confianza para μ

Ejemplo 6.5
b) Establezca una estimación de intervalo que incluya la media
de la población el 68.26% del tiempo.

El viene dado por:

   
 x  z 2 ; x  z 
 n 2 n
Buscamos el z
2

1    0.6826
 z  z0 ,1587  1
2
 ESTADÍSTICA UNNOBA

Intervalo de confianza para μ

Ejemplo 6.5
b) Establezca una estimación de intervalo que incluya la media
de la población el 68.26% del tiempo.

   
 x  z 2 ; x  z 
 n 2 n

  217  1 .1,7; 217  1 .1,7    215,3; 218,7 

 ESTADÍSTICA UNNOBA

Intervalo de confianza para μ

Ejemplo 6.5
c) Calcule la longitud del intervalo calculado en b)

    
 x  z 2 ; x  z   w  2 z  3,4
 n 2 n 2 n
d)Calcule un intervalo de confianza para la media del 95% y
calcule su longitud.

1    0.0 ,95  z  z0 ,025  1,96

2

 217  1,96.1,7 ; 217  1,96. 1,7    213,668 ; 220,332

w  220,332  213,668  6,664
 ESTADÍSTICA UNNOBA

Intervalo de confianza para μ

Ejemplo 6.5
e) Cuál sería el tamaño de la muestra necesario para que la lon-
gitud sea la misma que en c) con el mismo nivel de confianza que
en d)

 
2

w  2 . z  n  2 . z 
2 n  2 w

si w  3,4 y z  1,96
2
2
 185 
n  2 . 1,96   245,91  n  246
 3,4 
 ESTADÍSTICA UNNOBA

Intervalo de confianza para μ

Caso 2.
Se supone que las observaciones muestrales reales x1, x2,
. . . , xn son el resultado de una muestra aleatoria X1, . . . ,
Xn tomada de una distribución con valor medio μ y
desviación estándar σ.
Siempre que n sea grande el TLC nos dice que la distribu-
ción de la media muestral es aproximadamente:
𝜎2
𝑋~𝑁 𝜇,
𝑛
Es decir para un n suficientemente grande el intervalo de
confianza dado anteriormente permanece válido
 ESTADÍSTICA UNNOBA

Intervalo de confianza para μ

Caso 3.
Sean las observaciones muestrales reales x1, x2, . . . , xn el re-
sultado de una muestra aleatoria X1, . . . , Xn tomada de una
distribución con valor medio μ y desviación estándar σ
desconocida.
Siempre que n sea grande el TLC nos dice que la distribu-
ción de la media muestral es aproximadamente:
𝜎2
𝑋~𝑁 𝜇,
𝑛
Pero en este caso desconocemos desviación estándar σ .
La siguiente proposición nos permite reemplazar σ con s
(desviación estándar muestra) para n suficientemente
grande
 ESTADÍSTICA UNNOBA

Intervalo de confianza para μ

Caso 3.
Proposición:
Si n es suficientemente grande, la variable estandarizada
𝑥−𝜇
𝑍=
𝑠 𝑛
Tiene aproximadamente una distribución normal estándar.
Esto implica que
𝑠 𝑠
𝑥 −𝑧𝛼 ; 𝑥 + 𝑧𝛼
2 𝑛 2 𝑛

Es un intervalo de confianza de muestra grande para μ con un nivel

de confianza aproximadamente igual a 100(1 − 𝛼)%. Esta fórmula es
válida sin importar la forma de la distribución de la población
En general n>40 será suficiente.
 ESTADÍSTICA UNNOBA

La distribución t
Cuandon es pequeño no es probable que s se aproxime a
σ.
El resultado en el cual están basadas las inferencias in-
troduce una nueva familia de distribuciones de proba-
bilidad llamada familia de distribuciones t (student)
Una distribución t está regida por sólo un parámetro,
llamado número de grados de libertad de la distribu-
ción, abreviado como gl.
Este parámetro se denota con la letra griega 𝝂.
 ESTADÍSTICA UNNOBA

Propiedades de la distribución t
 ESTADÍSTICA UNNOBA

Propiedades de la distribución t
 ESTADÍSTICA UNNOBA

Propiedades de la distribución t
Notación

t , , valor crítico de t , es el número sobre el eje de medición

que deja debajo de la curva t con  grados de libertad una super-
ficie 
 ESTADÍSTICA UNNOBA

Intervalo de confianza para μ

Caso 4.
Si las observaciones provienen de una muestra aleatoria to-
mada de una distribución normal con valor medio μ y des-
viación estándarσ desconocida
Si n es pequeño, entonces:
𝒙−𝝁
𝑻=
𝒔 𝒏
tiene una distribución de probabilidad t con n-1 grados de li-
bertad.
El intervalo de confianza del 100(1 − 𝛼)% para 𝝁 es:
𝒔 𝒔
𝒙 − 𝒕𝜶 𝟐,𝒏−𝟏 ; 𝒙 + 𝒕𝜶 𝟐,𝒏−𝟏 ;
𝒏 𝒏
 ESTADÍSTICA UNNOBA

Ejemplo 6.6
Como parte del proceso de asignar el presupuesto del año
siguiente, el administrador de la planta generadora de ener-
gía eléctrica debe estimar la cantidad de carbón que reque-
rirá para este año.
Basados en una muestra aleatoria de 10 semanas de ope-
ración de la planta seleccionadas de los últimos cinco años
que produjo un consumo medio de 11.400 toneladas se-
manales, con una desviación estándar de la muestra de 700
toneladas por semana y suponiendo que la distribución es
aproximadamente normal. Estimar un intervalo para el
consumo medio de carbón, cuando se quiere estar 95%
seguro de que el consumo medio se encuentre dentro de
dicho intervalo.
 ESTADÍSTICA UNNOBA

Ejemplo 6.5
b) Establezca una estimación de intervalo que incluya la media
de la población el 68.26% del tiempo.

x  11400 ton s  700 ton

n  10 1    0 ,95
Buscamos el t ;n 1  t0 ,025;9  2,262
2

El intervalo viene dado por:

 s s 
 x  t ;n 1 ; x  t ;n 1 
 2 n 2 n
 700 700 
 114 0 0  2 ,262 ; 1140 0  2 ,262 
 10 10 
10899,28; 11900,71
 ESTADÍSTICA UNNOBA

Intervalo de confianza para una

proporción
Caso 5.
Sea p la proporción de “éxitos” en una población, donde
éxito identifica a un individuo u objeto que tiene una pro-
piedad específica. Se toma una muestra de n individuos y
sea la v.a. X = número de éxitos en la muestra.
Si n es pequeño comparado con el tamaño de la población,
entonces 𝑿~𝐵𝑖 𝑛, 𝑝 y 𝐸 𝑋 = 𝑛. 𝑝 y 𝑉 𝑋 = 𝑛. 𝑝 1 − 𝑝
También se estableció que si tanto np≥10 como
𝑛(1 − 𝑝) ≥ 10, X tiene aproximadamente una distribu-
ción normal.
 ESTADÍSTICA UNNOBA

Intervalo de confianza para una

proporción
Caso 5.
Si n es grande el reemplazo en la varianza de 𝑝 por p
implica un error desestimable, por lo tanto si estandari-
zamos
𝑝−𝑝
𝑍= ~𝑁 0; 1
𝑝. 1 − 𝑝
𝑛

𝑝−𝑝
𝑃 −𝑧𝛼 2 < < 𝑧𝛼 2 ≈ 1−𝛼
𝑝. 1 − 𝑝
𝑛
 ESTADÍSTICA UNNOBA

Intervalo de confianza para una

proporción
Caso 5.

Trabajando con la inecuación y desechando términos

insignificantes si n es grande se obtiene el siguiente
intervalo de confianza para 𝒑 con un nivel de confian-
za del (1 − 𝛼)%

𝑝 1−𝑝 𝑝 1−𝑝
𝑝 − 𝑧𝛼 2 ; 𝑝 + 𝑧𝛼 2
𝑛 𝑛
 ESTADÍSTICA UNNOBA

Ejemplo 6.7
Un psicólogo social reconocido, entrevistó a 150 ejecu-
tivos de alto nivel y encontró que 42% de ellos no podía
sumar fracciones correctamente.
a) Estime el error estándar de la proporción.
b) Construya un intervalo de confianza del 99% para la
proporción verdadera de ejecutivos de alto nivel que no
puede sumar fracciones correctamente.
Solución:
 ESTADÍSTICA UNNOBA

Intervalos de confianza unilaterales

En todos los casos vistos hasta ahora es posible que el
investigador sólo desee un límite de confianza superior o
un límite de confianza inferior para el parámetro desco-
nocido. Por ejemplo si se trata de una distribución
normal:
 ESTADÍSTICA UNNOBA

Intervalos de confianza unilaterales

En esos casos los intervalos de confianza unilaterales para
un nivel de confianza 1 − 𝛼 se obtienen reemplazando
𝒛𝜶 𝟐 por 𝒛𝜶 ó 𝒕𝜶 𝟐,𝒏−𝟏 por 𝒕𝜶;𝒏−𝟏 según sea el caso. Por
ejemplo
Un límite de confianza superior de una muestra grande
para 𝝁 es:

Un límite de confianza inferior de una muestra grande

para 𝝁 es:
 ESTADÍSTICA UNNOBA

Ejemplo 6.8
Se seleccionó una muestra aleatoria de 539 familias de
una ciudad del medio oeste estadounidense y se deter-
minó que 133 de éstas poseían por lo menos un arma de
fuego. Utilizando un nivel de confianza de 95%, calcule e
interprete un límite de confianza inferior para la propor-
ción de todas las familias en esta ciudad que poseen por
lo menos un arma de fuego.
Solución: 133
𝑝= = 0,247
539
0,247. (1 − 0,247)
𝜇 > 0,247 − 1,64.
539
𝜇 >0,216
 ESTADÍSTICA UNNOBA

Intervalos de confianza para la

varianza de una población normal
Teorema
 ESTADÍSTICA UNNOBA

La función Ji cuadrada
La distribución ji cuadrada es una distribución de pro-
babilidad continua con un solo parámetro , llamado
𝝂 número de grados de libertad, con posibles valores de
1, 2, 3, . . .

A medida que 𝝂 aumenta la función se hace cada vez

más simétrica.
 ESTADÍSTICA UNNOBA

La función Ji cuadrada
Notación.
 ESTADÍSTICA UNNOBA

La función Ji cuadrada
 ESTADÍSTICA UNNOBA

Intervalos de confianza para la

varianza de una población normal
Como consecuencia del teorema anterior se desprende que:

Por lo que un intervalo con un nivel de confianza del (1 − 𝛼)%

para la varianza viene dado por:

Para un intervalo de confianza para el desvío estándar, basta con

sacarle la raíz cuadrada a los extremos del intervalo anterior
 ESTADÍSTICA UNNOBA

Ejemplo 6.9
Se hicieron las siguientes observaciones de tenacidad a
la fractura de una placa base de acero maraging con
18% de níquel (en k/pulg pulg, dadas en orden cre-
ciente):

Calcule un intervalo de confianza de 99% para la des-

viación estándar de la distribución de la tenacidad a la
fractura. ¿Es válido este intervalo cualquiera que sea la
naturaleza de la distribución? Explique.
 ESTADÍSTICA UNNOBA

Ejemplo 6.9
22
1 2
𝑠= 𝑥𝑖 − 77,33 = 5,037
21
𝑖=1
2 2
𝜒0,005;21 =41,40 y 𝜒0,995;21 =8,033

21. 5,0372 21. 5,0372

; = 3, 63; 8,09
41,40 8,33

Esto sólo es válido si la distribución del la pobla-

ción es normal.