1

ESTADÍSTICA
INFERENCIAL

Etapa 2: profundización
2

Tabla de contenido
Introducción ................................................................................................................................3

Pregunta orientadora ..................................................................................................................3

1. Muestreo y distribuciones de muestreo ................................................................................4

1.1. Tipos de muestreo estadístico ....................................................................... 4

1.1.2. Muestreo probabilístico .................................................................................... 4

1.1.3. Muestreo no probabilístico ................................................................................ 4

1.1.4. Tamaño de la muestra ...................................................................................... 4

1.1.5. Teorema del límite central ................................................................................. 7

1.1.6. Distribución muestral de la media ...................................................................... 9

1.1.7. Distribución muestral de la proporción..............................................................10

1.1.8. Distribución muestral de diferencias de medias ................................................11

1.1.9. Distribución muestral de diferencia de proporciones .......................................12

1.2. Estimación e intervalos de confianza .................................................................................14

1.2.1. Generalidades y propiedades de los estimadores.........................................14

1.2.2. Estimación puntual .......................................................................................15

1.2.3. Estimación por Intervalos de confianza para la media ..................................15

1.2.4. Estimación por intervalos de confianza para las proporciones ......................16

1.2.5. Estimación por intervalos de confianza para las diferencias de medias. .......17

1.2.6. Estimación por intervalos de confianza para la diferencia de proporciones...18

Glossary....................................................................................................................................20
3

Introducción

Hacer estudios estadísticos sobre grupos poblacionales es de suma transcendencia para

casi todas las áreas y ramas del conocimiento. Esto permite comprender con mayor
profundidad las razones de los fenómenos de interés y de sus posibles respuestas.

Sin embargo, estudiar un grupo poblacional en general, ya sea de personas o cosas, puede
ser un trabajo muy tedioso y casi imposible de costear. Aunque este es el trabajo de la
estadística descriptiva, es muy poco probable, por ejemplo, conocer una población tan grande
como la estatura de todos los habitantes de la ciudad de Ibagué.

Por este motivo, la estadística inferencial estudiar sólo una pequeña parte de grupos
enormes. Esto se conoce como muestra y tiene que ser representativa de toda la población.
Así, se ahorran gastos y tiempo, además de poder concluir sobre esta muestra, confiando en
que no esté muy lejos de la realidad.

En este sentido, para poder aplicarse correctamente este tipo de estadística, deben
conocerse sus partes, como lo son el muestreo y las distribuciones de muestreo, que abarcan
el tamaño de la muestra, el teorema del límite central, la distribución muestral de la media, etc.
También hay que conocer la estimación de intervalos de confianza, que permite desarrollar la
estimación puntual, las diferencias de medias, la media, las proporciones, entre otras.

Pregunta orientadora

La clave para realizar un correcto estudio estadístico inferencial es aplicar adecuadamente

cada una de sus herramientas. En este orden de ideas, ¿cuáles son las herramientas que
permiten un acertado análisis estadístico inferencial?
4

1. Muestreo y distribuciones de muestreo

1.1. Tipos de muestreo estadístico

Existen dos tipos de muestreo estadístico: el “probabilístico”, que es cuando cada elemento
de la población tiene la misma probabilidad de ser seleccionado para la muestra y el "no
probabilístico", que es cuando las probabilidades de que se seleccione cada elemento de la
población no son las mismas y se obtienen de forma subjetiva.

1.1.2. Muestreo probabilístico

• Aleatorio simple: se utiliza en las rifas y se da cuando se le asigna un número a cada

elemento poblacional y se genera otro al azar. El elemento que obtenga el último
número va a la muestra.
• Aleatorio sistemático: Al saberse el número total de la población y el tamaño de la
muestra, se genera un número al azar con un intervalo. Los elementos que tengan los
números del intervalo van a la muestra. Generalmente es usado en control de calidad.
• Estratificado: la población está dividida en estratos y en cada estrato hay características
diferentes. Para sacar la muestra, se toman elementos de cada estrato.
• Conglomerado: En este método, la población está dividida en conglomerados. Cada uno
tiene todas las características de la población. Uno de ellos puede ser la muestra.

1.1.3. Muestreo no probabilístico

• Bola de nieve (Snowball): se usa para estudios de poblaciones desconocidas,

minoritarias o de poco acceso y contacto.
• A juicio de experto: El investigador es quien selecciona las unidades que serán muestra,
tomando como base sus conocimientos y juicios.

1.1.4. Tamaño de la muestra

Es el número total de elementos que son extraídos de la población. Hay que tener en cuenta
que la muestra es más pequeña que la población.
5

“Se selecciona haciendo una estimación del parámetro con las características específicas”
(nivel de confianza y error de estimación) (Bustos, 2016). El tamaño de la muestra es denotado
como “n”.

Para poder hallar el tamaño de la muestra, es necesario tener presente los datos que se
ofrecen. Dependiendo de ellos, se relaciona con el tipo de ecuación a desarrollar, en especial si
se tiene la desviación estándar y la población o no.

• Cuando se tiene la desviación estándar y no la población, se aplica la siguiente

formula:

Ecuación 1. Fórmula con desviación estándar

𝑧2𝜎2
𝑛=
𝑑2

Ejemplo:
Un analista de producción está tratando de ajustar una máquina llenadora de néctar para que
este tenga el promedio a llenar esté dentro de cierto rango. Sabemos que la cantidad de néctar
proyectada por la llenadora la cual corresponde una distribución normal con una desviación
estándar de 0,12 decilitros.
Además, con un nivel de significancia del 95%, la estimación promedio no debe exceder los
0,12 decilitros. ¿Qué tamaño debe elegir el analista de producción para la muestra? ¿Cuántas
mediciones se deben realizar para que la muestra coincida con su plan?

Datos:
S=𝜎= 0.12 (desviación estándar)
E=d=0.02 (error)
𝛼= 95% (nivel de confianza)
Z=1.960

Ecuación 2. Ejemplo procedimiento para hallar el tamaño de muestra

6

𝑧 2 𝜎 2 (1.960)2 (0.12)2
𝑛= 𝑑2
= (0.02)2
= 138,29 → 139

Se deben hacer 139 mediciones.

• Cuando se conoce la desviación estándar y también la población, se ejecuta la

siguiente ecuación:

Ecuación 3. Fórmula con desviación estándar y población

𝑁𝑍 2 σ2
𝑛=
(𝑁 − 1)𝑑2 + 𝑧 2 σ2

Ejemplo: Un asesor comercial es el encargado de la planeación de la producción de cerdo en la

zona noroccidental del Tolima. El asesor debe estimar un total de 10000 corrales de cerdos. Se
conoce que el número de cerdos por corral cuenta con un error estimado de 4 y un nivel de
significancia del 90%. Si se sabe que σ2 =1000, ¿cuántos corrales de cerdos debe visitar el
asesor comercial para satisfacer estos requerimientos?

Datos:
𝜎2=1000 (desviación estándar)
E=d=4 (error)
N.C= 90% (nivel de confianza)
Z=1.645
N=10.000 (población)

Ecuación 4. Ejemplo procedimiento para hallar el tamaño de la muestra

𝑁𝑍2 σ2 (10000)(1.645)2 (1000)

𝑛 = (𝑁−1)𝑑2 +𝑧2 σ2 =(10000−1)(4)2 +(1.645)2 (1000) = 166.3 = 166

Se deben visitar 166 establos

7

1.1.5. Teorema del límite central

Este teorema establece que, incluso, si una distribución de la que se extraen muestras no es
normal, la media de las muestras extraídas al azar de esta población se distribuirá
normalmente. La función del teorema del límite central se denota con la siguiente ecuación

Ecuación 5. Fórmula general del teorema del límite central

Recuperado de: Bustos, J. (2016). Estadística inferencial. Sello editorial.

Donde:
X= Media muestral
µ= Media poblacional
𝜎=Desviación estándar poblacional
n= Tamaño de la muestra

Cabe resaltar que, dependiendo de los datos que se tengan para desarrollar el teorema del
límite central, se procede a elegir entre dos ecuaciones: una que tenga desviación estándar sin
población y otra que tenga la desviación estándar y la población.

• Cuando se tiene solo la desviación estándar, se aplica la ecuación vista con

anterioridad.

Ejemplo: Se conoce que el contenido de creatina de la marca Max Power tiene distribución
normal con un promedio de 25 gramos y desviación estándar de 4 gramos. Si el encargado de
analizar la producción de creatina toma una muestra aleatoria de 25 paquetes de creatina,
¿cuál es la probabilidad de que la media sea mayor o igual a 26 gramos?

Datos:
8

𝜇 =25 gramos
𝜎= gramos
𝑛= 25

Ecuación 6. Ejemplo procedimiento

√25(26 − 25)
𝑍= = 1.25
4

10 1 2
P( ≥ 26)= P (Z≥ 1.25)=0.1056*100=10.56%= 100
= 10 = 20

La probabilidad de que la media sea ≥ a 26 gramos es de 10.56%.

• Cuando se tiene la desviación estándar y la población, se aplica la siguiente ecuación:

Ecuación 7. Fórmula con desviación estándar y población

(X − µ)
𝑍=
𝜎 √N − n
( )
√n N − 1

Ejemplo: 500 bultos de arroz tienen un peso medio de 5.02 arrobas y una desviación de 0.30
arrobas. El encargado de calidad del molino tomó una muestra al azar de 100 bultos de arroz.
¿Cuál es la probabilidad para que este grupo tenga un peso mayor a las 5,1 arrobas?

Ecuación 8. Ejemplo procedimiento

(5.10 − 5.02) 0.08
𝑍= = = 2.98
0.30 √500 − 100 0.0268
( )
√100 500 − 1

0
P ( > 5.10) = P (Z > 2.98) =0.0014*100=0.14%=100 = 0

La probabilidad de que los bultos de arroz elegidos en esta muestra tengan un promedio de
5.10 arrobas es del 0.14%, es decir, ninguno cumple la condición.
9

1.1.6. Distribución muestral de la media

Para entenderla, se debe partir de que, si se seleccionan todas las posibles muestras
aleatorias de una población, se puede concluir que al evaluar cada una de estas medias
aleatorias como valor que alteran una variable, se puede estudiar su distribución. Partiendo de
esto se procede al cálculo de las medias µ, para hallar la probabilidad.

Ecuación 9. Fórmula de distribución muestral de la media

𝑋−µ
𝑍=
𝜎
Donde:
X= Media muestral
µ= Media poblacional
𝜎=Desviación estándar poblacional
n= Tamaño de la muestra

Ejemplo: El promedio de las baterías de la marca Led Ligfht sigue una distribución normal N
(1500,160). Si se escoge una batería al azar, ¿cuál es la probabilidad de que la batería esté
funcionando por más de 1524 horas?

Datos:
X= bombillas
N (µ, 𝜎) = N (1500,160)
P(X>1524)

1524 − 1500
𝑍= = 0.15
160

Al tener 𝑧 = 0.15, podemos obtener de la tabla para la distribución normal el valor de 0.55. Y se
procede a hacer una resta 1-0.55=0.45*100=45%. La probabilidad es del 45%.
10

1.1.7. Distribución muestral de la proporción

La distribución muestral de la proporción está ligada fuertemente a distribución binomial y

corresponde a la distribución de un promedio (media) de los éxitos. La ecuación de la
distribución muestral se expresa de la siguiente forma: P=x/n en donde “x” corresponde a la
cantidad de éxitos u observaciones de interés y n al tamaño de la muestra.

Ejemplo: Un analista de calidad posee 12 artículos, de los cuales 4 tienen defectos. El analista
selecciona 5 aleatoriamente del lote descrito, sin reemplazo. Cuando se obtiene la distribución
de la muestra de proporciones para el número de piezas defectuosas, resulta lo siguiente:

Ecuación 9. Ejemplo de procedimiento para las piezas defectuosas

4 1
𝑃= = = 33%
12 3

Por lo que se puede deducir que, del lote de piezas, un 33% están defectuosas.

La cantidad muestra de tamaño 5 que se puede obtener de la población es de 12 elementos, es

decir 12𝐶5 = 792. Su procedimiento se evidencia en la tabla 1.

Tabla 1. Ejemplo procedimiento para la extracción de los artículos

Artículos en buen Artículos defectuosos Proporción de Distintas formas de

estado artículos defectuoso obtener la muestra
1 4 4/5=0.8 (8𝐶1 )(4𝐶4 ) = 8
2 3 3/5=0.6 (8𝐶2 )(4𝐶3 ) = 112
3 2 2/5=0.4 (8𝐶3 )(4𝐶2 ) = 336
4 1 1/5=0.2 (8𝐶4 )(4𝐶1 ) = 280
5 0 0/5=0 (8𝐶5 )(4𝐶0 ) = 56
TOTAL 792
11

Perez, E. (s. f.). Distribucion muestral de proporciones. slideshare. Recuperado 10 de septiembre de

2021, de https://es.slideshare.net/eraperez/distribucion-muestral-de-proporciones

1.1.8. Distribución muestral de diferencias de medias

Esta distribución se emplea cuando se tienen dos poblaciones distintas con distribución
normal, en donde la primera población cuenta con una media µ1 y desviación estándar 𝜎1 , y la
segunda población, con media µ2 y desviación estándar 𝜎2 . Asimismo, las muestras aleatorias
de poblaciones son de tamaño “𝑛1 " y “𝑛2 " respectivamente. Se calcula la media muestral para
cada muestra y la diferencia entre ellas. La colección de la diferencia de todas esas medias se
conoce como Distribución muestral de diferencias de medias -

Figura 1. Ejemplo de la colección de la distribución muestral de diferencia de medias

Robles, J. (s. f.). Curso: Estadística I. http://www.itchihuahua.edu.mx/. Recuperado 10 de septiembre de

2021, de http://www.itchihuahua.edu.mx/academic/industrial/estadistica1/cap01c.html

Ecuación 10. Fórmula de distribución muestral de diferencias de medias

12

𝜎2 𝜎 2
𝑋̅1 − 𝑋̅2 = 𝑁(µ1 − µ2 ; √𝑛1 + 𝑛2 )
1 2

Ejemplo: El jefe de una entidad bancaria en Ibagué afirma que las edades de las personas que
adquieren préstamos comprenden una distribución normal con un promedio de 41 años y una
desviación estándar de 5 años. Por otra parte, el jefe de la sede de Cali encontró que aquellos
de sus clientes que también toman préstamos tienen edades que comprenden una distribución
normal con una media de 39 años y una desviación estándar de 3 años. Con el fin de comparar
las dos sedes de la entidad bancaria, se seleccionan muestras aleatorias de 40 clientes de
cada una. Según lo descrito, ¿cuál es la diferencia de las dos medias muestrales?

Ecuación 11. Ejemplo de procedimiento

52 32
𝑋̅1 − 𝑋̅2 = 𝑁(41 − 39; √ + ) = (2 ; 0,92)
40 40

1.1.9. Distribución muestral de diferencia de proporciones

Este tipo de distribución se realiza de dos poblaciones binomiales y con dos proporciones
muéstrales. La distribución muestral de diferencia de proporciones es aproximadamente para
una muestra grande y de tamaño normal (𝑛1 𝑝1 ≥ 5, 𝑛1 𝑞1 ≥ 5, 𝑛2 𝑝2 ≥ 5, 𝑛2 𝑞2 ≥ 5 ). Entonces
p1 y p2 tienen distribuciones muéstrales que se aproximan a una distribución normal. Por tanto,
su diferencia p1-p2 también tiene una distribución muestral aproximadamente normal.
(Chihuahua, s.f), siendo estas poblaciones de datos cualitativos.

Figura 2. Ejemplo de la distribución muestral de diferencia de proporciones

13

Robles, J. (s. f.). Curso: Estadística I. http://www.itchihuahua.edu.mx/. Recuperado 10 de septiembre de

2021, de http://www.itchihuahua.edu.mx/academic/industrial/estadistica1/cap01c.html

Ecuación 12. Fórmula de distribución muestral de diferencia de proporciones

(𝑝1− 𝑝2 ) − (𝑃1− 𝑃2 )
𝑍=
𝑃1 𝑞1 𝑃2 𝑞2
√
𝑛1 + 𝑛2

Ejemplo: Los ciudadanos de la ciudad de Dublín tienen opiniones encontradas sobre la

aplicación de la eutanasia en pacientes terminales. A partir de las entrevistas, se conoce que el
12% de los hombres mayores no están a favor de la eutanasia. Por otra parte, el 10% de las
mujeres mayores están a favor de la eutanasia. Se desea cuestionar las muestras aleatorias de
100 hombres mayores y de 100 mujeres mayores acerca de su opinión de la eutanasia. Para
tal fin, determine la probabilidad de que el porcentaje de hombres mayores que apoyan la
eutanasia sea por lo menos 3% mayor al de las mujeres.

Datos:
14

𝑃ℎ = 0.12
𝑃𝑤 = 0.10
𝑛ℎ = 100
𝑛𝑚 = 100
𝑝(𝑃ℎ − 𝑃𝑤 ≥ 0,03) =?

Ecuación 13. Ejemplo de procedimiento

0.025 − (0.12− 0.10)

𝑍= = 0.11
√(0.12)(0.88) + (0.10)(0.90)
100 100

Al pasar el 0.11 a los datos de la distribución normal, se obtiene que al menos el 3% de los
hombres a favor de la eutanasia es mayor que el de las mujeres mayores, ya que es de 0,4562.

1.2. Estimación e intervalos de confianza

1.2.1. Generalidades y propiedades de los estimadores

Un estimador es una función de la muestra usada para poder estimar un parámetro

desconocido de la población.

• Propiedades: se denomina el “sesgo”, como la diferencia entre la esperanza o valor

esperado del estimador y el verdadero valor del parámetro a estimar. También tienden
los estimadores a la “eficiencia”, que se da cuando la varianza de un estimador es
menor que la del segundo. Asimismo, está la “consistencia”, que se obtiene a medida
que el tamaño de la muestra crece. Su valor del estimador tiende a ser el valor del
parámetro. Por otro lado, está la “suficiencia”, que se da cuando el estimador resume
toda la información relevante contenida en la muestra, de tal forma que ningún otro
estimador puede proporcionar más información. Por último, está la “invariancia”, que
se da cuando el estimador de la función del parámetro coincide con la función del
estimador del parámetro.
15

1.2.2. Estimación puntual

Es cuando se utiliza un único valor para estimar un parámetro, haciendo uso de un punto en
concreto de la muestra para estimar el valor deseado. Algunos estimadores puntuales son la
media muestral y la proporción muestral.

1.2.3. Estimación por Intervalos de confianza para la media

Permite calcular los valores que existen alrededor de una media muestral. Si se desconoce
la media poblacional de la variable a estudiar, se debe tomar una muestra y realizar la
obtención del intervalo (𝐿1, 𝐿2); de forma que se pueda obtener una probabilidad superior (1 −
𝛼) % a aquella en que la media poblacional permanezca en este intervalo. Por lo general, el
nivel de significancia se fija en 95%, 99% o 90%, con una probabilidad 0.05, 0.01 y 0.1.

Ejemplo: Un centro de estadísticas, tiene entendido que entre más riqueza tenga un territorio,
más altos son sus habitantes. Por tal razón, la central de estadística va a estimar la altura
promedio de los hombres con más de 20 años de Hong Kong con un nivel de significancia de
95%. Asumiendo que la desviación estándar de las alturas de los hombres en Hong Kong es de
1,03. Se obtuvo una muestra de 15 hombres aleatoriamente con las siguientes alturas en (cm):
167, 167, 168, 168, 168, 169, 171, 172, 173, 175, 175, 175, 177, 182, 195. Con los datos
obtenidos, se debe realizar el intervalo de confianza. Para esto, se debe calcular la media de la
muestra obtenida X y los valores de los cuantiles z α 2, en la distribución normal. En el modelo
normal, el cuantil de orden 0.975 se indica mediante el cuantil de orden 0.025 se indica con z
0,975 = −1,96. Alternativamente se puede cambiar el signo al cuantil de orden 0.975, que es lo
realizado cuando la distribución es simétrica.

Tabla 2. Ejemplo de estimación de intervalos de confianza para la media

Tallas Freq. Tallas por freq.
167 2 334
168 3 504
169 1 169
171 1 171
172 1 172
16

173 1 173
175 1 525
177 1 177
182 1 182
195 1 195
Total 15 2602
Elaboración propia (2021).

Remplazando los datos en la fórmula de intervalos se obtiene:

(173,47 − 1,96 ∗ 1,03, 173,47 + 1,96 ∗ 1,03)(171,45, 175,49)

Teniendo una confianza del 95 % de que la altura media, µ, en Singapur está comprendida
entre 171.45 y 175.49 en cuanto a la estatura.

1.2.4. Estimación por intervalos de confianza para las proporciones

El intervalo de confianza para la proporción de la población se centraliza en la proporción

𝛼
muestral, en donde , corresponde a una confianza de 1 − 𝛼 de la distribución normal
2

𝑃(1−𝑝)
tipificada y √ 𝑛
corresponde al error de la proporción.

Ecuación 14. Fórmula para estimar intervalos de confianza para las proporciones

𝑃(1 − 𝑝)
𝑃 ± 𝑧𝛼/2 √
𝑛

Ejemplo: En una universidad se realiza una muestra de 50 alumnos, los cuales son sometidos a
una evaluación de conocimientos. De esto, sólo 40 lo aprobaron. ¿Cuál es el intervalo estimado
de la proporción de la población para un nivel de significancia del 95%?

Datos:
40
P= 50
= 0.8
17

Ecuación 15. Ejemplo de procedimiento

0.8(1 − 0.8)
0.8 ± 1.96√ = [0.69; 0.91]
50

1.2.5. Estimación por intervalos de confianza para las diferencias de medias.

Para la construcción del intervalo de confianza se debe tener dos grupos poblacionales con
sus respectivas medias. Así se podrá comparar sus diferencias y determinar si son iguales o si
hay una más grande que la otra.

Ecuación 16. Fórmula para estimar intervalos de confianza para las diferencias de medias

1 1 1 1
(𝑥 𝑥2 − 𝑡𝑎,𝑣 𝑆𝑝 √ +
̅̅̅1 − ̅̅̅) < 𝜇1 − 𝜇2 < (𝑥 𝑥2 + 𝑡𝑎,𝑣 𝑆𝑝 √ +
̅̅̅1 − ̅̅̅)
2 𝑛1 𝑛2 2 𝑛1 𝑛2

Ejemplo: Un ingeniero químico desea aplicar dos experimentos, en donde se aplicará

escaldado por medio calor en brócoli con el objetivo de reducir el tiempo de escaldado. El
experimento 1 (E1) es a base de agua, y el segundo experimento (E2) es a base de vapor. El
tiempo de escaldado en minutos sería la variable a tener en cuenta en el experimento. Se
obtuvieron los siguientes datos: E1: 76, 85, 74, 78, 82, 75 82. E2; 57, 67, 55, 64, 61, 63, 63.
Construir un IC del 90% para µ-µ. Asuma que las muestras son seleccionadas de poblaciones
normales y con varianzas desconocidas iguales.

Ecuación 17. Ejemplo de procedimiento

1 1 1 1
(78.86 − 61.43) − 1.782 ∗ 4.17√ + < µ1 − µ2 < (78.86 − 61.43) + 1.782 ∗ 4.17√ +
7 7 7 7

13.46 < µ1 − µ2 < 21.40

18

1.2.6. Estimación por intervalos de confianza para la diferencia de proporciones.

Los límites para el intervalo de una diferencia de proporciones que corresponden a 2

muestras independientes con la misma característica en las dos poblaciones en donde p1 es la
proporción de la primera población y p2 es la proporción de la segunda población, y el intervalo
de confianza para la diferencia de proporciones se describe median la siguiente ecuación a
continuación.

Ecuación 18. Fórmula para estimar intervalos de confianza para la diferencia de proporciones

𝑝1 (1 − 𝑝1 ) 𝑝2 (1 − 𝑝2 )
𝑝1 − 𝑝2 ± 𝑧𝛼/2 √ +
𝑛1 𝑛2

Donde el símbolo 𝑧𝛼/2 es el valor crítico de la probabilidad (𝑍 > 𝑧𝛼/2 ) = 𝛼/2 y corresponde
a un intervalo de confianza de 1 − 𝛼 %.

Ejemplo: Se desea analizar la efectividad en el cambio de fabricación de determinadas piezas.

Para ello se toman dos muestras: una antes y una después del cambio. Se debe realizar un
intervalo de confianza del 90% para considerar si el cambio fue efectivo o no. Los resultados se
presentan en la siguiente tabla:

Tabla 3. Ejemplo de estimación de intervalos de confianza para la diferencia de proporciones

Antes Después
# piezas defectuosas 75 80
# piezas analizadas 1500 2000
Elaboración propia (2021).

Datos:
75
Antes= = 0.05 = 5%
1500
80
Después=2000 = 0.04 = 4%

Ecuación 19. Ejemplo de procedimiento

19

0.05(1 − 0.05) 0.04(1 − 0.04)

(0.05 − 004) ± 1.645√ +
1500 2000

−0.0017 < 𝑝1 − 𝑝2 < 0.0217

Recursos complementarios

Estadística útil. (2018). Intervalo de confianza para la diferencia de medias

Recurso video 1
Recurso video 2
Recurso lectura 1
Recurso lectura 2
poblacionales con varianzas iguales. [Archivo de video]. Recuperado de:
https://www.youtube.com/watch?v=aMOINMuUXVc
KhanAcademyEspañol. (2020). Distribución muestral de la diferencia de
proporciones. Ejemplo de probabilidad. [Archivo de video]. Recuperado
de: https://www.youtube.com/watch?v=ploM4tRKtN0
Bencardino, C. M. (2012). Estadística y muestreo. Colombia: Ecoe
ediciones.
Bustos, J. (2016). Estadística inferencial. Sello editorial.

Referencias

1 Bencardino, C. M. (2012). Estadística y muestreo. Colombia: Ecoe ediciones.

2 Bustos, J. (2016). Estadística inferencial. Sello editorial.
Instituto tecnológico de chihuahua. (s.f). Distribución muestral de diferencia de medias.
3 Obtenido de
http://www.itchihuahua.edu.mx/academic/industrial/estadistica1/cap01c.html
Pérez, E. (2009). Distribución muestral de proporciones. Recuperado de
4
https://es.slideshare.net/eraperez/distribucion-muestral-de-proporciones
Catania, A. (2018). Cálculo de intervalos de confianza. Recuperado de
5
https://rpubs.com/acatania/396921
20

Glosario
• Interval: Range or distance established between two points, where there is a minimum
number and a maximum number.
• Estimator: It is a statistic that requires certain conditions to be able to calculate
parameters of a population.
• Proportion: Number of observations with a particular characteristic among the
reference population
• Random: phenomenon that when repeated several times gives different results
• Distribution: function that assigns to each event defined on the variable the probability
that said event occurs.