Intervalos

ESTADÍSTICA INFERENCIAL
Estimación por intervalos
Ignacio Osuna Vergara
25 de octubre de 2023
ignacio.ozuna@upb.edu.co ESTADÍSTICA INFERENCIAL 1 / 103

Tabla de contenido
1 Introducción
2 Estimación Puntual
3 Estimación Por Intervalos
Intervalo de confianza para una población
Intervalo de confianza para la media µ, (σ conocida)
Intervalo de confianza para la media µ, (σ desconocida)
Intervalo de confianza para la proporción π
Intervalo de confianza para la varianza σ 2
Intervalo de confianza para dos poblaciones
Intervalo de confianza para µ1 − µ2 , (σ1 , σ2 conocidas)
Intervalo de confianza para µ1 − µ2 , (σ1 , σ2 desconocidas)
Intervalo de confianza para muestras pareadas
Intervalo de confianza para π1 − π2
Intervalo de confianza para σ12 /σ22
4 Ejercicios
5 Bibliografı́a
Introducción
Tabla de Contenido
1 Introducción
4 Ejercicios
5 Bibliografı́a
Introducción
Introducción
Estimación puntual y por intervalo

Las distribuciones de probabilidad que tienen una variable que repre-
senta cierta caracterı́stica de una población se definen completamente
cuando se conocen sus parámetros, pero cuando éstos no se conocen,
será necesario estimarlos con base en los datos muestrales para hacer
inferencias sobre la población. Por ejemplo, los parámetros de una dis-
tribución normal son la media,µ, y la desviación estándar, σ, que en
caso de desconocerse será necesario estimarlos a partir de los datos en
la muestra.

Estimación Puntual
Tabla de Contenido
1 Introducción
4 Ejercicios
5 Bibliografı́a
Estimación puntual
Un estimador puntual de un parámetro desconocido es un estadı́sti-

co que genera un valor numérico simple, que se utiliza para hacer
una estimación del valor del parámetro desconocido; por ejemplo, tres
parámetros sobre los que con frecuencia se desea hacer inferencia son:

Un estimador puntual de un parámetro desconocido es un estadı́sti-

co que genera un valor numérico simple, que se utiliza para hacer
una estimación del valor del parámetro desconocido; por ejemplo, tres
parámetros sobre los que con frecuencia se desea hacer inferencia son:
Parámetros po- Estimadores

Nombre
blacionales puntuales
La media del proceso µ X
La varianza del proceso σ2 S2
La desviación estándar del proceso σ S
La proporción de artı́culos que tienen cierta caracterı́stica π P = X/n

Relación entre población y muestra

Estimación Por Intervalos
Una forma operativa de saber qué tan precisa es la estimación consiste en

calcular un intervalo de confianza que indique un rango “donde puede estar
el parámetro” con cierto nivel de seguridad o confianza.

Una forma operativa de saber qué tan precisa es la estimación consiste en

calcular un intervalo de confianza que indique un rango “donde puede estar
el parámetro” con cierto nivel de seguridad o confianza.
Definición (Intervalo de confianza)
Sea θ un parámetro de interés de una población. Una estimación del paráme-
tro θ a partir de una muestra, puede tener la forma
Li ≤ θ ≤ Ls
A este se le llama intervalo de confianza del 100 (1 − α) % para θ. A las

cantidades Li y Ls se les llama lı́mites de confianza inferior y superior
respectivamente, y a la cantidad 1−α, se le llama coeficiente de confianza

Estimación por intervalo

Los lı́mites inferior y superior de un intervalo del 100 (1 − α) % de
confianza para el parámetro θ, son tales que
P (Li ≤ θ ≤ Ls ) = 1 − α

Estimación por intervalo

Los lı́mites inferior y superior de un intervalo del 100 (1 − α) % de
confianza para el parámetro θ, son tales que
P (Li ≤ θ ≤ Ls ) = 1 − α
Interpretación
Suponga que se obtuvieran 100 muestras aleatorias independientes de
la misma población, cada una de tamaño n y para cada muestra se
calculará el intervalo de confianza del 95 % para θ, entonces, esto indica
que 95 de los 100 intervalos incluirán el verdadero valor de θ.

Estimación Por Intervalos Intervalo de confianza para una población
Tabla de Contenido
1 Introducción
4 Ejercicios
5 Bibliografı́a
Intervalo de confianza para µ

σ conocida
Definición
Sea X1 , X2 , . . . , Xn una muestra aleatoria de tamaño n, de una población con
distribución normal con varianza σ 2 (conocida), y X la media de la muestra. El
intervalo del 100 (1 − α) % de confianza para la media poblacional µ, esta dado
por
σ σ
X − Z(1− α2 ) √ ≤ µ ≤ X + Z(1− α2 ) √
n n
donde Z(1−α/2) , es el valor de la

distribución normal estándar, que
deja a su izquierda un área igual
a 1 − α2 .


σ conocida
Ejemplo
Cien latas de 16 onzas de salta de tomate Jake’s Mom’s tienen un
promedio de 15,2 onzas. La desviación estándar poblacional en peso
es de 0,96 onzas. ¿A un nivel de confianza de 93 %, las latas parecen
estar llenas con un promedio de 16 onzas?


σ conocida
Construcción del intervalo de confianza

Datos del problema
n = 100, σ = 0,96, x = 15,2 y α = 0,07
Para α = 0,07, el valor del cuantil de la distribución normal es
Z(1− α2 ) = Z(1−0,07/2) = Z(0,965) = 1,8119
En Excel se calcula como

=DISTR.NORM.ESTAND.INV(1 − 0, 07/2)


σ conocida
Intervalo de confianza del 93 % para µ

σ σ
X − Z(1− α2 ) √ ≤ µ ≤ X + Z(1− α2 ) √
n n
0,96 0,96
15,2 − 1,8119 √ ≤ µ ≤ 15,2 + 1,8119 √
100 100
15,0261 ≤ µ ≤ 15,3739
De acuerdo con el intervalo de confianza, el llenado promedio de las
latas es menor a 16 onzas, debido a que el intervalo de confianza para
media, tiene ambos lı́mites menores a 16.

Cálculo en R
Código (previa instalación de la librerı́a PASWR)
PASWR::zsum.test(mean.x=15.2 , sigma.x=0.96 , n.x=100 ,

alternative="two.sided",conf.level=0.93)
Salida
One-sample z-Test
data: Summarized x
z = 158.33, p-value < 2.2e-16
alternative hypothesis: true mean is not equal to 0
93 percent confidence interval:
15.02606 15.37394
sample estimates:
mean of x
15.2

Tabla de Contenido
1 Introducción
4 Ejercicios
5 Bibliografı́a

σ desconocida
Caso 1) n ≥ 30
Definición
Sea X1 , X2 , . . . , Xn una muestra aleatoria de tamaño n ≥ 30, de una
población con distribución normal con varianza σ 2 (desconocida), y X la
media de la muestra. El intervalo del 100 (1 − α) % de confianza para la
media poblacional µ, esta dado por
S S
X − Z(1− α2 ) √ ≤ µ ≤ X + Z(1− α2 ) √
n n


σ desconocida
Ejemplo
Para evaluar el contenido de nicotina (mg), en cierto tipo de cigarros
elaborados en un proceso, Se toma una muestra aleatoria de 40 ciga-
rrillos y se obtiene que x = 18,1 mg y s = 1,7.
Estime con una confianza del 95 %, ¿cuál es la cantidad de nicotina
promedio por cigarro?


σ desconocida

n = 40, s = 1,7, x = 18,1 y α = 0,05
Para α = 0,05, el valor del cuantil de la distribución normal es
Z(1− α2 ) = Z(1−0,05/2) = Z(0,975) = 1,96



σ desconocida

S S
X − Z(1− α2 ) √ ≤ µ ≤ X + Z(1− α2 ) √
n n
1,7 1,7
18,1 − 1,96 √ ≤ µ ≤ 18,1 + 1,96 √
40 40
17,57 ≤ µ ≤ 18,63

Cálculo en R
PASWR::zsum.test(mean.x=18.1 , sigma.x=1.7 , n.x=40 ,

Salida
One-sample z-Test
data: Summarized x
z = 67.338, p-value < 2.2e-16
17.57317 18.62683
sample estimates:
mean of x
18.1


σ desconocida
Caso 2) n < 30
Definición
Sea X1 , X2 , . . . , Xn una muestra aleatoria de tamaño n < 30, de una
población con distribución normal con varianza σ 2 (desconocida), y X la
media de la muestra. El intervalo del 100 (1 − α) % de confianza para la
media poblacional µ, esta dado por
S S
X − t(1− α ;n−1) √ ≤ µ ≤ X + t(1− α ;n−1) √
2 n 2 n
donde t(1− α ;n−1) , es el valor de la distribución t − studen con n − 1 grados

2
de libertad, que deja a su izquierda un área igual a 1 − α2 .


σ desconocida
Ejemplo
Se desea evaluar la resistencia mı́nima que tiene un envase de plástico
en posición vertical. Para ello, es necesario garantizar que sea de al
menos 20 kg. Para evaluar esto se han obtenido los siguientes datos
mediante pruebas destructivas:
26,8 29,5 28,4 26,3 28,1 28,7 27,0 25,5 26,9
Estime, con una confianza de 95 %, ¿cuál es la resistencia promedio
de los envases?


σ desconocida

n = 9, s = 1,2816, x = 27,4667 y α = 0,05
Para α = 0,05, el valor del cuantil de la distribución t con 8
grados de libertad es
t(1− α ;n−1) = t(1−0,05/2;8) = t(0,975;8) = 2,306

2

=DISTR.T.INV(0,05;8)


σ desconocida

S S
X − t(1− α ;n−1) √ ≤ µ ≤ X + t(1− α ;n−1) √
2 n 2 n
1,2816 1,2816
27,4667 − 2,306 √ ≤ µ ≤ 27,4667 + 2,306 √
9 9
26,4816 ≤ µ ≤ 28,4518

Cálculo en R
Código
resistencia <- c(26.8,29.5,28.4,26.3,28.1,28.7,27.0,25.5,26.9)

t.test(resistencia , alternative = "two.sided" , conf.level = 0.95)
Salida
One Sample t-test
data: resistencia
t = 64.295, df = 8, p-value = 3.809e-12
26.48154 28.45179
sample estimates:
mean of x
27.46667

Cálculo en R
Otra forma si los datos están resumidos.
PASWR::tsum.test(mean.x = 27.4667 , s.x = 1.2816 , n.x = 9 ,

alternative="two.sided" , conf.level=0.95)
Salida
One-sample t-Test
data: Summarized x
t = 64.295, df = 8, p-value = 3.809e-12
26.48158 28.45182
sample estimates:
mean of x
27.4667
Tabla de Contenido
1 Introducción
4 Ejercicios
5 Bibliografı́a
Intervalo de confianza para π
Definición
Se extrae una muestra de n elementos de una población, donde X
de ellos tiene la caracterı́stica de interés, entonces X es una variable
aleatoria Binomial con probabilidad de éxito π. La proporción muestral
esta dada por P = X/n. Entonces, un intervalo del 100 (1 − α) % de
confianza para la proporción poblacional π, esta dado por
r r
P (1 − P ) P (1 − P )
P − Z(1− α2 ) ≤ π ≤ P + Z(1− α2 )
n n

Ejemplo
En una auditoria se seleccionan de manera aleatoria 200 facturas de
las compras realizadas durante el año, y se encuentra que 10 de ellas
tienen algún tipo de anomalı́a.
Estime con una confianza de 95 % el porcentaje de facturas con ano-
malı́as en todas las compras del año.


X := Número de facturas con anomalı́as.
n = 200, x = 10, p = nx = 20010
= 0,05 y α = 0,05
Para α = 0,05, el valor del cuantil de la distribución Z es
Z(1− α2 ) = Z(1−0,05/2) = Z(0,975) = 1,96

Intervalo de confianza del 95 % para π

r r
P (1 − P ) P (1 − P )
P − Z(1− α2 ) ≤ π ≤ P + Z(1− α2 )
n n
r r
0,05 (0,95) 0,05 (0,95)
0,05 − 1,96 ≤ π ≤ 0,05 + 1,96
200 200
0,05 − 0,0302 ≤ π ≤ 0,05 + 0,0302
0,0198 ≤ π ≤ 0,0802

Cálculo en R
Código
n = 200 ; x = 10 ; P = x/n ; alfa=0.05
Z = qnorm(1-alfa/2)
li = P-Z*sqrt(P*(1-P)/n)
ls = P+Z*sqrt(P*(1-P)/n)
li ; ls
Salida
[1] 0.01979493
[1] 0.08020507

Tabla de Contenido
1 Introducción
4 Ejercicios
5 Bibliografı́a
Intervalo de confianza para σ 2
Definición
Sea X1 , X2 , . . . , Xn una muestra aleatoria de tamaño n, de una población
con distribución normal con media y varianza desconocidos y S 2 la varianza
muestral. Entonces, el estadı́stico (n − 1) S 2 /σ 2 sigue la distribución chi −
cuadrado con n − 1 grados de libertad. De aquı́ se llega a que el intervalo
del 100 (1 − α) % de confianza para la varianza poblacional σ 2 , esta dado
por:
(n − 1) S 2 2 (n − 1) S 2
≤ σ ≤
χ21− α ;n−1 χ2 α ;n−1
( 2 ) (2 )
donde χ21− α ;n−1 y χ2 α ;n−1 , son respectivamente los cuantiles 1 − α2 y α
2
( 2 ) (2 )
de la distribución chi-cuadrado con n − 1 grados de libertad.

Distribución Chi − cuadrado
Definición
Sean Z1 , Z2 , . . . , Zk una sucesión de variables aleatorias independientes con dis-
tribución normal estándar. Entonces la variable aleatoria
X = Z12 + Z22 + · · · + Zk2
tiene función de densidad dada por

1 k x
fX (x) = k
x 2 −1 e− 2 , x > 0
2 2 Γ (k/2)
y se dice que X distribución chi-cuadrado con k grados de libertad. Se escribe
X ∼ χ2k


Ejemplo
En el proceso de fabricación de discos para computadoras, una de las varia-
bles crı́ticas es el rendimiento de formato. Se toma una muestra aleatoria
de n = 10 discos de la producción del turno de la mañana. Se formatean y
se reporta el rendimiento de cada disco. Los datos obtenidos son:
96,11 91,06 93,38 88,52 89,57 92,63 85,20 91,41 89,79 92,62.
Con base en estos datos interesa estimar puntualmente y por intervalo la

varianza para la población de discos de dicho turno. Por experiencia se
considera que la variabilidad del proceso es estable cuando σ = 2,5.
¿Está el proceso bajo control?


X := Rendimiento de los discos.
n = 10, s2 = 8,9467 y α = 0,05
Para α = 0,05, los puntos crı́ticos de la distribución
chi − cuadrado con 9 grados de libertad son:
χ2(1− α ;n−1) = χ2(1−0,05/2;9) = χ2(0,975;9) = 19,0228

2
χ2( α ;n−1) = χ2(0,05/2;9) = χ2(0,025;9) = 2,7004

2
En Excel se calcula como (Excel entrega cola superior)

=PRUEBA.CHI.INV(0,05/2;9)
=PRUEBA.CHI.INV(1-0,05/2;9)


Intervalo de confianza del 95 % para σ 2
(n − 1) S 2 2 (n − 1) S 2
≤σ ≤ 2
χ21− α ;n−1 χ α ;n−1
( 2 ) (2 )
(9) (8,9467) (9) (8,9467)

≤ σ2 ≤
19,0228 2,7004
4,2328 ≤ σ 2 ≤ 29,8181
Respondiendo a la pregunta, la variabilidad del proceso es estable cuan-
do σ = 2,5, es decir, σ 2 = 6,25. Como, el intervalo contiene a 6,25,
se puede decir con un 95 % de confianza que el proceso está estable.

Cálculo en R
Código
rendimiento <- c(96.11,91.06,93.38,88.52,89.57,92.63,85.20,

91.41,89.79,92.62)
n= length(rendimiento) ; s = sd(rendimiento) ; alfa = 0.05
li = (n-1)*(s^2)/qchisq(1-alfa/2,n-1)
ls = (n-1)*(s^2)/qchisq(alfa/2,n-1)
li ; ls
Salida
[1] 4.232848
[1] 29.8181

Resumen de formulas para intervalos de

confianza
Parámetro Lı́mite inferior Lı́mite superior

µ σ σ
σ conocida X − Z(1− α2 ) √ X + Z(1− α2 ) √
n n
µ S S
σ desconocida X − t(1− α ;n−1) √ X + t(1− α ;n−1) √
2
r n 2
r n
P (1 − P ) P (1 − P )
π P − Z(1− α2 ) P + Z(1− α2 )
n n
(n − 1) S 2 (n − 1) S 2
σ2
χ21− α ;n−1 χ2 α ;n−1
( 2 ) (2 )

Estimación Por Intervalos Intervalo de confianza para dos poblaciones
Tabla de Contenido
1 Introducción
4 Ejercicios
5 Bibliografı́a
Intervalo de confianza para µ1 − µ2

σ1 , σ2 conocidas
Definición
Si X 1 y X 2 son las medias de dos muestras aleatorias independientes de
tamaños n1 y n2 de dos poblaciones normales con varianzas conocidas
σ12 y σ22 respectivamente, entonces, un intervalo del 100 (1 − α) % de
confianza para µ1 − µ2 , esta dado por:
s s
σ12 σ2 σ12 σ2
+ 2 ≤ µ1 − µ2 ≤ X 1 − X 2 + Z(1− α2 ) + 2

X 1 − X 2 − Z(1− α2 )
n1 n2 n1 n2


σ1 , σ2 desconocidas, (muestras grandes)
Definición
Si σ12 y σ22 no se conocen, pero los tamaños de muestra son grandes,
en su lugar, se usan S12 y S22 . Ası́, el intervalo del 100 (1 − α) % de
confianza para µ1 − µ2 , esta dado por:
s s
S12 S2 S12 S2
+ 2 ≤ µ1 − µ2 ≤ X 1 − X 2 + Z(1− α2 ) + 2

X 1 − X 2 − Z(1− α2 )
n1 n2 n1 n2


σ1 , σ2 conocidas
Ejemplo
Dos diferentes formulaciones de un combustible oxigenado para motores
se prueban para estudiar su ı́ndice de octano en carretera. La varianza del
ı́ndice de octano en carretera para la formulación 1 es σ12 = 1,5 y para la
formulación 2 es σ22 = 1,2. Se prueban dos muestras aleatorias de tamaños
n1 = 15 y n2 = 20, y las medias delı́ndice de octano en carretera observadas
son x1 = 89,6 y x2 = 92,5. Suponga una distribución normal.
a) Construya un intervalo de confianza del 95 % para la diferencia de

medias del ı́ndice de octano en carretera.
b) ¿Qué formulación produce mayor ı́ndice?


σ1 , σ2 conocidas

Formulación 1 n1 = 15 x1 = 89,6 σ12 = 1,5
Formulación 2 n2 = 20 x2 = 92,5 σ22 = 1,2
Para α = 0,05, el valor critico de la distribución Z es
Z(1− α2 ) = Z(1−0,05/2) = Z(0,975) = 1,96



σ1 , σ2 conocidas
Intervalo del 95 % para µ1 − µ2

s s
σ12 σ22 σ12 σ2
+ 2

X 1 − X 2 − Z(1− α2 ) + ≤ µ1 − µ2 ≤ X 1 − X 2 + Z(1− α2 )
n1 n2 n1 n2
r r
1,5 1,2 1,5 1,2
(89,6 − 92,5) − 1,96 + ≤ µ1 − µ2 ≤ (89,6 − 92,5) + 1,96 +
15 20 15 20
−2,9 − 1,96 (0,4) ≤ µ1 − µ2 ≤ −2,9 + 1,96 (0,4)
−2,9 − 0,784 ≤ µ1 − µ2 ≤ −2,9 + 0,784
−3,684 ≤ µ1 − µ2 ≤ −2,116
De este resultado se concluye que la formulación 1 produce menos ı́ndice de oc-
tanaje debido a que intervalo de confianza del 95 % para la diferencia de medias
está en el eje negativo.

Cálculo en R
PASWR::zsum.test(mean.x=89.6 , sigma.x=sqrt(1.5) , n.x=15 ,

mean.y=92.5 , sigma.y=sqrt(1.2) , n.y=20 ,
Salida
Two-sample z-Test
data: Summarized x and y

z = -7.25, p-value = 4.168e-13
alternative hypothesis: true difference in means is not equal to 0
-3.683986 -2.116014
sample estimates:
mean of x mean of y
89.6 92.5
Tabla de Contenido
1 Introducción
4 Ejercicios
5 Bibliografı́a

σ1 , σ2 desconocidas, σ1 = σ2
Definición
El intervalo del 100 (1 − α) % de confianza para µ1 − µ2 , esta dado por:
s s
1 1 1 1
X 1 − X 2 − t(1− α ;m) Sp + ≤ µ1 − µ2 ≤ X 1 − X 2 + t(1− α ;m) Sp +
2 n1 n2 2 n1 n2
α
con m = n1 + n2 − 2, donde t(1− α ;m) , es el cuantil 1 − 2 de la distribución t
2
con m grados de libertad.
r
(n1 − 1) S12 + (n2 − 1) S22
Sp =
m


Ejemplo
Se investiga en diámetro de las varillas de acero fabricadas en dos
máquinas de extrusión diferentes. Se seleccionan dos muestras alea-
torias de tamaños n1 = 15 y n2 = 17, y las medias muestrales y
varianzas muestrales son x1 = 8,73, s21 = 0,35, x2 = 8,68 y s22 = 0,40
respectivamente. Suponga que σ12 = σ22 y que los datos se extraen de
una distribución normal.
¿Hay evidencia en favor de la afirmación de que las dos máquinas
producen varillas con medias del diámetro diferentes?
Use α = 0,05 para construir un intervalo de confianza y llegar a esta
conclusión.


Máquina 1 n1 = 15 x1 = 8,73 s21 = 0,35
Máquina 2 n2 = 17 x2 = 8,68 s22 = 0,40
m = n1 + n2 − 2 = 15 + 17 − 2 = 30
Para α = 0,05, el valor critico de la distribución t con 30 grados
de libertad es
t(1− α ;m) = t(1−0,05/2;30) = t(0,975;30) = 2,0423

2



s r
(n1 − 1) S12 + (n2 − 1) S22 (14) 0,35 + (16) 0,40
Sp = = = 0,6137
m 30
s r
1 1 1 1
li = X 1 − X 2 −t(1− α ;m) Sp + = (8,73 − 8,68)−2,0423 (0,6137) + = −0,3940
2 n1 n2 15 17
s r
1 1 1 1
ls = X 1 − X 2 +t(1− α ;m) Sp + = (8,73 − 8,68)+2,0423 (0,6137) + = 0,4940
2 n1 n2 15 17
−0,3940 ≤ µ1 − µ2 ≤ 0,4940
De acuerdo con el resultado, se concluye que las dos máquinas producen

varillas con medias del diámetro iguales, debido a que intervalo de confianza
del 95 % contiene a cero.

Cálculo en R
PASWR::tsum.test( mean.x=8.73 , s.x=sqrt(0.35) , n.x=15 ,
mean.y=8.68 , s.y=sqrt(0.40) , n.y=17 ,
var.equal=TRUE , alternative="two.sided",
conf.level=0.95)
Salida
Standard Two-Sample t-Test

t = 0.22998, df = 30, p-value = 0.8197
-0.3940145 0.4940145
sample estimates:
mean of x mean of y
8.73 8.68
Ejemplo
En un estudio que se lleva a cabo en Virginia Tech sobre el desarrollo de micorri-
za, una relación simbiótica entre las raı́ces de árboles y un hongo, en la cual se
transfieren minerales del hongo a los árboles y azúcares de los árboles a los hon-
gos, se cultivaron en un invernadero 20 robles rojos que fueron expuestos al hongo
Pisolithus tinctorus. Todos los árboles se plantaron en el mismo tipo de suelo y
recibieron la misma cantidad de luz solar y agua. La mitad no recibió nitrógeno en
el momento de plantarlos y sirvió como control, y la otra mitad recibió 368 ppm de
nitrógeno en forma de NaNO3. Después de 140 dı́as se registraron los siguientes
pesos de los tallos, en gramos:
Sin nitrógeno 0.32 0.53 0.28 0.37 0.47 0.43 0.36 0.42 0.38 0.43
Con nitrógeno 0.26 0.43 0.47 0.49 0.52 0.75 0.79 0.86 0.62 0.46
Construya un intervalo de confianza del 95 % para la diferencia entre los pesos

medios de los tallos que no recibieron nitrógeno y los que recibieron 368 ppm
de nitrógeno. Suponga que las poblaciones están distribuidas normalmente y que
tienen varianzas iguales.

Cálculo en R
Código
Sin.N <- c(0.32,0.53,0.28,0.37,0.47,0.43,0.36,0.42,0.38,0.43)
Con.N <- c(0.26,0.43,0.47,0.49,0.52,0.75,0.79,0.86,0.62,0.46)
t.test(x = Sin.N , y = Con.N , alternative = "two.sided" ,

var.equal = TRUE , conf.level = 0.95)
Salida
Two Sample t-test
data: Sin.N and Con.N

t = -2.6191, df = 18, p-value = 0.01739
-0.29915788 -0.03284212
sample estimates:
mean of x mean of y
0.399 0.565

σ1 , σ2 desconocidas, σ1 ̸= σ2
Definición
El intervalo del 100 (1 − α) % de confianza para µ1 − µ2 , esta dado por:
s s
S12 S2 S12 S2
+ 2 ≤ µ1 − µ2 ≤ X 1 − X 2 + t(1− α ;v) + 2

X 1 − X 2 − t(1− α ;v)
2 n1 n2 2 n1 n2
donde t(1− α ;v) , es el valor critico de la distribución t con v grados de libertad,

2
que deja por encima de la cola superior, un área igual a α/2.
!2
S12 S22
+
n1 n2
v= 2 2
S12 /n1 S22 /n2
+
n1 − 1 n2 − 1


Ejemplo
Para ejemplo anterior, suponga ahora que σ1 ̸= σ2
Datos
Máquina 1 n1 = 15 x1 = 8,73 s21 = 0,35
Máquina 2 n2 = 17 x2 = 8,68 s22 = 0,40
Grados de libertad
!2 !2
S12 S22 0,35 0,40
+ +
n1 n2 15 17
v= 2 2 = 2 2 = 29,88 ≈ 30
S12 /n1 S22 /n2 (0,35/15) (0,40/17)
+ +
n1 − 1 n2 − 1 14 16


Valor critico Para α = 0,05, el valor critico de la distribución t

con 30 grados de libertad es
t(1− α ;v) = t(1−0,05/2;30) = t(0,975;30) = 2,0423

2



Intervalo de confianza del 95 %

s s
S12 S2 S12 S2
+ 2 ≤ µ1 − µ2 ≤ X 1 − X 2 + t(1− α ;v) + 2

X 1 − X 2 − t(1− α ;v)
2 n1 n2 2 n1 n2
r r
0,35 0,40 0,35 0,40
(8,73 − 8,68) − 2,0423 + ≤ µ1 − µ2 ≤ (8,73 − 8,68) + 2,0423 +
15 17 15 17
0,005 − 0,4421 ≤ µ1 − µ2 ≤ 0,005 + 0,4421
−0,3921 ≤ µ1 − µ2 ≤ 0,4921

Cálculo en R
PASWR::tsum.test( mean.x=8.73 , s.x=sqrt(0.35) , n.x=15 ,
mean.y=8.68 , s.y=sqrt(0.40) , n.y=17 ,
var.equal=FALSE , alternative="two.sided",
conf.level=0.95)
Salida
Welch Modified Two-Sample t-Test

t = 0.23097, df = 29.883, p-value = 0.8189
-0.3921799 0.4921799
sample estimates:
mean of x mean of y
8.73 8.68
Tabla de Contenido
1 Introducción
4 Ejercicios
5 Bibliografı́a
Intervalo de confianza para muestras

pareadas
Definición
Sean (X11 , X21 ) , (X12 , X22 ) , . . . , (X1n , X2n ), n parejas de variables aleatorias X1
y X2 que tienen medias µ1 y µ2 respectivamente.
Sea D = X1 − X2 , entonces Dj es la diferencia de la j − ésima pareja, y suponga
que D tiene distribución normal con media µD y desviación estándar σD
Si D y SD son la media y la desviación estandar muestrales de la diferencia de
n pares aleatorios de mediciones que tienen una distribución normal, entonces un
intervalo del 100 (1 − α) % de confianza para la media de las diferencias µD , esta
dado por:
SD SD
D − t(1− α ;n−1) √ ≤ µD ≤ D + t(1− α ;n−1) √
2 n 2 n


pareadas
Ejemplo
El administrador de una flota de automóviles está probando dos marcas
de llantas radiales. Instala una llanta de cada marca al azar en las dos
ruedas traseras de ocho automóviles y los usa hasta que las llantas
se desgastan. Los datos se presentan a continuación en (kilómetros).
Encuentre un intervalo de confianza del 99 % para la diferencia de la
vida media. ¿Qué marca preferirı́a usted, con base en este cálculo?
Automóvil 1 2 3 4 5 6 7 8
Marca 1 36925 45300 36240 32100 37210 48360 38200 33500
Marca 2 34318 42280 35500 31950 38015 47800 37810 33215


pareadas

X1 = Recorrido de las llantas de la marca 1
X2 = Recorrido de las llantas de la marca 2
Automóvil 1 2 3 4 5 6 7 8
Marca 1 36925 45300 36240 32100 37210 48360 38200 33500
Marca 2 34318 42280 35500 31950 38015 47800 37810 33215
Diferencia 2607 3020 740 150 -805 560 390 285
Para las diferencias D = X1 − X2 se tiene
d = 868,375, sD = 1290,033, n = 8

pareadas
Para α = 0,01, el valor del cuantil de la distribución t con 7 grados de libertad es
t(1− α ;n−1) = t(1−0,01/2;7) = t(0,995;7) = 3,4995

2


pareadas
t(1− α ;n−1) = t(1−0,01/2;7) = t(0,995;7) = 3,4995

2
Por lo tanto, el intervalo de confianza da

SD SD
D − t(1− α ;n−1) √ ≤ µD ≤ D + t(1− α ;n−1) √
2 n 2 n
1290,033 1290,033
868,375 − 3,4995 √ ≤ µD ≤ 868,375 + 3,4995 √
8 8
−727,7239 ≤ µD ≤ 2464,474


pareadas
t(1− α ;n−1) = t(1−0,01/2;7) = t(0,995;7) = 3,4995

2
Por lo tanto, el intervalo de confianza da

SD SD
D − t(1− α ;n−1) √ ≤ µD ≤ D + t(1− α ;n−1) √
2 n 2 n
1290,033 1290,033
868,375 − 3,4995 √ ≤ µD ≤ 868,375 + 3,4995 √
8 8
−727,7239 ≤ µD ≤ 2464,474
Con este resultado, cualquier marca es preferible, debido a que los promedios de
desgaste son iguales para ambas marcas, ya que el intervalo contiene a cero

Cálculo en R
Código
Marca1 <- c(36925,45300,36240,32100,37210,48360,38200,33500)
Marca2 <- c(34318,42280,35500,31950,38015,47800,37810,33215)
t.test(x = Marca1 , y = Marca2 , paired = TRUE ,

Salida
Paired t-test
data: Marca1 and Marca2

t = 1.9039, df = 7, p-value = 0.09863
-727.7239 2464.4739
sample estimates:
mean of the differences
868.375
Tabla de Contenido
1 Introducción
4 Ejercicios
5 Bibliografı́a
Definición
Si P1 y P2 son las proporciones muestrales de las observaciones en dos
muestras aleatorias independientes de tamaños n1 y n2 que pertenecen a la
clase de interés, entonces un intervalo del 100 (1 − α) % de confianza para
las diferencia de las verdaderas proporciones π1 − π2 , esta dado por:
(P1 − P2 ) − Z(1− α2 ) (σP ) ≤ π1 − π2 ≤ (P1 − P2 ) + Z(1− α2 ) (σP )

con s
P1 (1 − P1 ) P2 (1 − P2 )
σP = +
n1 n2

Ejemplo
Como parte de un proyecto, un especialista de mercadeo encuestó en
un centro comercial local a 100 hombres y 100 mujeres respecto a sus
hábitos en las compras. 79 de los hombres dijeron que habı́an usado
una tarjeta de crédito para hacer compras superiores a US$10 en el
último mes, mientras que 84 mujeres admitieron hacer ese mismo tipo
de pago. Obtenga un intervalo de confianza al 95 % para la deferencia
en las proporciones de hombres y mujeres.

Del ejercicio
X1 = # hombres que usan tarjera de crédito
X2 = # mujeres que usan tarjera de crédito
Estimadores
79
x1 = 79 y n1 = 100 −→ p1 = 100
= 0,79
84
x2 = 84 y n2 = 100 −→ p2 = 100
= 0,84
s r
P1 (1 − P1 ) P2 (1 − P2 ) 0,79 (0,21) 0,84 (0,16)
σP = + = + = 0,0548
n1 n2 100 100

Para α = 0,05, el valor critico de la distribución Z es
Z(1− α2 ) = Z(1−0,05/2) = Z(0,975) = 1,96
El intervalo de confianza da
(P1 − P2 ) − Z(1− α2 ) (σP ) ≤ π1 − π2 ≤ (P1 − P2 ) + Z(1− α2 ) (σP )
(0,79 − 0,84)−1,96 (0,0548) ≤ π1 −π2 ≤ (0,79 − 0,84)+1,96 (0,0548)

−0,1574 ≤ π1 − π2 ≤ 0,0574

Cálculo en R
Código
n1 = 100 ; x1 = 79 ; p1 = x1/n1
n2 = 100 ; x2 = 84 ; p2 = x2/n2
alfa = 0.05
Z = qnorm(1-alfa/2)
li = (p1-p2)-Z*sqrt( p1*(1-p1)/n1 + p2*(1-p2)/n2 )

ls = (p1-p2)+Z*sqrt( p1*(1-p1)/n1 + p2*(1-p2)/n2 )
li ; ls
Salida
[1] -0.1574053
[1] 0.05740531

Tabla de Contenido
1 Introducción
4 Ejercicios
5 Bibliografı́a
Intervalo de confianza para σ12/σ22

Definición
Sean S12 y S22 son las varianzas muestrales aleatorias de tamaños n1 y n2 ,
respectivamente, de dos poblaciones normales independientes con σ12 y σ22
desconocidos, entonces, el intervalo del 100 (1 − α) % de confianza para el
cociente σ12 /σ22 , esta dado por:
S12 σ2 S2
2 f( α ;n2 −1;n1 −1) ≤ 12 ≤ 12 f(1− α ;n2 −1;n1 −1)
S2 2 σ2 S2 2
donde f( α ;n2 −1;n1 −1) y f(1− α ;n2 −1;n1 −1) , son los puntos crı́ticos de la dis-
2 2
tribución F de f hisher con n2 − 1 grados de libertad en el numerador y
n1 − 1 grados de libertad en el denominador.
Nota: Se puede calcular (cambiando de lugar los grados de libertad)
f( α ;n2 −1;n1 −1) = 1/f(1− α ;n1 −1;n2 −1)
2 2

Distribución F hiser
Definición
Sean W y Y variables aleatorias chi − cuadrado independientes con u y v grados
de libertad, respectivamente. Entonces la variable aleatoria
W/u
X=
Y /v
Tiene función de probabilidad
u+v
u u/2 (u/2)+1
Γ 2 v x
fX (x) = (u+v)/2 , x>0
u
Γ 2 1 + x uv
v

Γ 2
y se dice que X sigue una distribución F de F isher con u grados de libertad en

el numerador y v grados de libertad en el denominador. Se escribe
X ∼ F(u,v) o también X ∼ Fvu


Ejemplo
Una compañı́a de transporte de carga desea escoger la mejor ruta para
llevar la mercancı́a de un depósito a otro. La mayor preocupación es el
tiempo de viaje. En el estudio se seleccionaron al azar cinco choferes
de un grupo de 10 y se asignaron a la ruta A; los cinco restantes se
asignaron a la ruta B. Los datos obtenidos fueron:
Ruta Tiempo de viaje
A 18 24 30 21 32
B 22 29 34 25 35
Calcule el intervalo de confianza del 98 % para determinar si la varia-

bilidad del tiempo de viaje es la misma en ambas rutas.


Para los datos del ejercicio se tiene
A n1 = 5 S1 = 5,9161
B n2 = 5 S2 = 5,6125
Para α = 0,02, los puntos crı́ticos de la distribución F con 4 grados de

libertad en el numerador y 4 grados de libertad en el denominador son:
F( α ;n2 −1;n1 −1) = F(0,02/2;4;4) = F(0,01;4;4) = 0,0626

2
F(1− α ;n2 −1;n1 −1) = F(1−0,02/2;4;4) = F(0,99;4;4) = 15,9770

2
En Excel se calcula como (Excel entrega cola superior)
=DISTR.F.INV(1-0,02/2;4;4)
=DISTR.F.INV(0,02/2;4;4)



El intervalo de confianza da
S12 σ12 S12

f α ≤ ≤ f α
S22 ( 2 ;n2 −1;n1 −1) σ22 S22 (1− 2 ;n2 −1;n1 −1)
5,91612 σ12 5,91612
0,0626 ≤ 2 ≤ 15,9770
5,61252 σ2 5,61252
σ12
0,0695 ≤ ≤ 17,7522
σ22
De acuerdo con este resultado, se concluye que la variabilidad del tiem-
po de viaje es la misma en ambas rutas, debido a que el intervalo de
confianza contiene a 1.

Cálculo en R
Código
Ruta.A <- c(18, 24, 30, 21, 32)
Ruta.B <- c(22, 29, 34, 25, 35)
var.test(x = Ruta.A , y = Ruta.B , alternative = "two.sided" ,

conf.level = 0.98)
Salida
F test to compare two variances
data: Ruta.A and Ruta.B

F = 1.1111, num df = 4, denom df = 4, p-value = 0.9211
alternative hypothesis: true ratio of variances is not equal to 1
0.06954431 17.75224984
sample estimates:
ratio of variances
1.111111
Cálculo en R
Otra forma si los datos están resumidos.

Código
n1 = 5 ; s1 = 5.9161
n2 = 5 ; s2 = 5.6125 ; alfa=0.02
li = ((s1^2)/(s2^2))*qf(alfa/2,n2-1,n1-1)
ls = ((s1^2)/(s2^2))*qf(1-alfa/2,n2-1,n1-1)
li ; ls
Salida
[1] 0.06954444
[1] 17.75228

Ejercicios
Ejercicios
1) Una empresa de material eléctrico fabrica bombillas que tienen una duración
distribuida de forma aproximadamente normal, con una desviación estándar
de 40 horas. Si una muestra de 30 bombillas tiene una duración promedio
de 780 horas, calcule un intervalo de confianza del 96 % para la media de la
población de todas las bombillas producidas por esta empresa.
2) Muchos pacientes con problemas del corazón tienen un marcapasos para
controlar su ritmo cardiaco. El marcapasos tiene montado un módulo conector
de plástico en la parte superior. Suponga una desviación estándar de 0,0015
pulgadas y una distribución aproximadamente normal, y con base en esto
calcule un intervalo de confianza del 95 % para la media de la profundidad
de todos los módulos conectores fabricados por cierta empresa. Una muestra
aleatoria de 75 módulos tiene una profundidad promedio de 0,310 pulgadas.

Ejercicios
3) Las estaturas de una muestra aleatoria de 50 estudiantes universitarios tienen

una media de 174,5 centı́metros y una desviación estándar de 6,9 centı́metros.
a) Construya un intervalo de confianza del 98 % para la estatura media de

todos los estudiantes universitarios.
b) ¿Qué podemos afirmar con una confianza del 98 % acerca del posible
tamaño de nuestro error, si estimamos que la estatura media de todos
los estudiantes universitarios es de 174,5 centı́metros?
4) Una muestra aleatoria de 100 propietarios de automóviles del estado de Vir-
ginia revela que éstos conducen su automóvil, en promedio, 23500 kilómetros
por año, con una desviación estándar de 3900 kilómetros. Suponga que la
distribución de las mediciones es aproximadamente normal.
a) Construya un intervalo de confianza del 99 % para el número promedio
de kilómetros que un propietario de un automóvil conduce anualmente
en Virginia.
b) ¿Qué podemos afirmar con un 99 % de confianza acerca del posible
tamaño del error, si estimamos que los propietarios de automóviles de
Virginia conducen un promedio de 23500 kilómetros por año?
Ejercicios
Ejercicios
5) Según estudios realizados por el doctor W.H. Bowen, del Instituto Nacional
de Salud, y por el doctor J. Yudben, profesor de nutrición y dietética de la
Universidad de Londres, el consumo regular de cereales preendulzados con-
tribuye al deterioro de los dientes, a las enfermedades cardiacas y a otras
enfermedades degenerativas. En una muestra aleatoria de 20 porciones sen-
cillas similares del cereal Alpha-Bits, el contenido promedio de azúcar era de
11,3 gramos con una desviación estándar de 2,45 gramos. Suponga que el
contenido de azúcar está distribuido normalmente y con base en esto cons-
truya un intervalo de confianza de 95 % para el contenido medio de azúcar
de porciones sencillas de Alpha-Bits.
6) Las integrantes de una muestra aleatoria de 12 graduadas de cierta escuela
para secretarias teclearon un promedio de 79,3 palabras por minuto, con una
desviación estándar de 7,8 palabras por minuto. Suponga una distribución
normal para el número de palabras que teclean por minuto y con base en
esto calcule un intervalo de confianza del 95 % para el número promedio de
palabras que teclean todas las graduadas de esta escuela.

Ejercicios
Ejercicios
7) Una máquina produce piezas metálicas de forma cilı́ndrica. Se toma una
muestra de las piezas y los diámetros en centimetros son
1,01 0,97 1,03 1,04 0,99 0,98 0,99 1,01 1,03

Calcule un intervalo de confianza del 99 % para la media del diámetro de
las piezas que se manufacturan con esta máquina. Suponga una distribución
aproximadamente normal.
8) Se registran las siguientes mediciones del tiempo de secado, en horas, de
cierta marca de pintura vinı́lica:
2,8 3,3 5,6 3,7 2,8

4,4 4,0 5,2 3,0 4,8
3,4 2,5 4,8 2,9 3,6
Suponga que las mediciones representan una muestra aleatoria de una po-
blación normal y con base en esto calcule el intervalo de confianza del 95 %
para el tiempo de secado de todas las pinturas de la marca.
Ejercicios
Ejercicios
9) En una muestra aleatoria de 1000 viviendas en cierta ciudad se encuentra que

228 utilizan petróleo como combustible para la calefacción. Calcule intervalos
de confianza del 99 % para la proporción de viviendas en esta ciudad que
utilizan petróleo con el fin mencionado.
10) Calcule un intervalos de confianza del 95 % para la proporción de artı́culos
defectuosos que resultan de un proceso cuando se encuentra que una muestra
de tamaño 100 produce 8 defectuosos.
11) Se selecciona una muestra aleatoria de 200 votantes en una ciudad y se en-
cuentra que 114 apoyan un juicio de anexión. Calcule el intervalo de confianza
del 96 % para la parte de la población votante que está a favor del juicio.

Ejercicios
Ejercicios
12) Un fabricante de reproductores de MP3 utiliza un conjunto de pruebas

exhaustivas para evaluar el funcionamiento eléctrico de su producto. Todos
los reproductores de MP3 deben pasar todas las pruebas antes de ser puestos
a la venta. De una muestra aleatoria de 500 reproductores, 15 no pasan una
o más de las pruebas. Calcule un intervalo de confianza del 90 % para la
proporción de los reproductores de MP3 de la población que pasan todas las
pruebas.
13) Un fabricante de baterı́as para automóvil afirma que sus baterı́as durarán, en
promedio, 3 años con una desviación estándar de 1 año. Suponga que 5 de
estas baterı́as tienen duraciones de 1.9, 2.4, 3.0, 3.5 y 4.2 años y con base en
esto construya un intervalo de confianza del 95 % para σ 2 , después decida si
la afirmación del fabricante de que σ = 1 es válida. Suponga que la población
de duraciones de las baterı́as se distribuye de forma aproximadamente normal.

Ejercicios
Ejercicios
14) Una muestra aleatoria de 20 estudiantes obtuvo una media de x = 72 y una

varianza de s2 = 16 en un examen universitario de colocación en matemáti-
cas. Suponga que las calificaciones se distribuyen normalmente y con base
en esto construya un intervalo de confianza del 98 % para σ 2 .
15) Construya un intervalo de confianza del 95 % para σ 2 en el ejercicio 5 de
estas diapositivas.
16) Construya un intervalo de confianza del 99 % para σ 2 en el ejercicio 7 de
estas diapositivas.

Ejercicios
Ejercicios
17) Una muestra aleatoria de tamaño n1 = 25, tomada de una población normal
con una desviación estándar σ1 = 5, tiene una media x1 = 80. Una segunda
muestra aleatoria de tamaño n2 = 36, que se toma de una población normal
diferente con una desviación estándar σ2 = 3, tiene una media x2 = 75.
Calcule un intervalo de confianza del 94 % para µ1 − µ2
18) Se comparan las resistencias de dos clases de hilo. Se prueban 50 piezas de
cada clase de hilo en condiciones similares. La marca A tiene una resistencia
a la tensión promedio de 78,3 kilogramos, con una desviación estándar de
5,6 kilogramos; en tanto que la marca B tiene una resistencia a la tensión
promedio de 87,2 kilogramos con una desviación estándar de 6,3 kilogramos.
Construya un intervalo de confianza del 95 % para la diferencia de las medias
de la población.

Ejercicios
19) Se realiza un estudio para determinar si cierto tratamiento tiene algún efecto
sobre la cantidad de metal que se elimina en una operación de encurtido.
Una muestra aleatoria de 100 piezas se sumerge en un baño por 24 horas
sin el tratamiento, lo que produce un promedio de 12,2 milı́metros de metal
eliminados y una desviación estándar muestral de 1,1 milı́metros. Una segun-
da muestra de 200 piezas se somete al tratamiento, seguido de 24 horas de
inmersión en el baño, lo que da como resultado una eliminación promedio
de 9,1 milı́metros de metal, con una desviación estándar muestral de 0,9
milı́metros. Calcule un estimado del intervalo de confianza del 98 % para la
diferencia entre las medias de las poblaciones. ¿El tratamiento parece reducir
la cantidad media del metal eliminado?
20) Los estudiantes pueden elegir entre un curso de fı́sica de tres semestres-
hora sin laboratorio y un curso de cuatro semestres-hora con laboratorio.
El examen final escrito es el mismo para ambos cursos. Si 12 estudiantes
del curso con laboratorio obtienen una calificación promedio de 84, con una
desviación estándar de 4, y 18 estudiantes del grupo sin laboratorio obtienen
una calificación promedio de 77, con una desviación estándar de 6, calcule
un intervalo de confianza del 99 % para la diferencia entre las calificaciones
promedio para ambos cursos. Suponga que las poblaciones se distribuyen de
forma aproximadamente normal y que tienen varianzas iguales.
Ejercicios
21) En un proceso quı́mico por lotes se comparan los efectos de dos catalizadores
sobre la potencia de la reacción del proceso. Se prepara una muestra de
12 lotes utilizando el catalizador 1 y una muestra de 10 lotes utilizando el
catalizador 2. Los 12 lotes para los que se utilizó el catalizador 1 en la reacción
dieron un rendi miento promedio de 85 con una desviación estándar muestral
de 4; en tanto que para la segunda muestra, la de 10 lotes, el promedio
fue de 81, con una desviación estándar muestral de 5. Calcule un intervalo
de confianza del 90 % para la diferencia entre las medias de la población,
suponiendo que las poblaciones se distribuyen de forma aproximadamente
normal y que tienen varianzas iguales.
22) Los siguientes datos representan el tiempo de duración de pelı́culas producidas
por dos empresas cinematográficas.
Empresa Tiempo (minutos)
I 103 94 110 87 98
II 97 82 123 92 175 118
Calcule un intervalo de confianza del 90 % para la diferencia entre la duración

promedio de las pelı́culas que producen las dos empresas. Suponga que las
diferencias en la duración se distribuyen de forma aproximadamente normal
y que tienen varianzas distintas.
Ejercicios
Ejercicios
23) Una empresa de taxis trata de decidir si comprará neumáticos de la marca A

o de la marca B para su flotilla de taxis. Para estimar la diferencia entre las
dos marcas realiza un experimento utilizando 12 neumáticos de cada marca,
los cuales utiliza hasta que se desgastan. Los resultados son:
Marca A : x1 = 36300 km
s1 = 5000 km
Marca B : x2 = 38100 km
s2 = 6100 km
Calcule un intervalo de confianza del 95 % para µA − µB , suponiendo que las

poblaciones se distribuyen de forma aproximadamente normal. Puede suponer
que las varianzas no son iguales.

Ejercicios
Ejercicios
24) Con referencia al ejercicio anterior, calcule un intervalo de confianza del 99 %

para µ1 − µ2 si se asignan al azar neumáticos de las dos marcas a las ruedas
traseras izquierda y derecha de 8 taxis y se registran las siguientes distancias,
en kilómetros:
Taxi Marca A Marca B
1 34400 36700
2 45500 46800
3 36700 37700
4 32000 31100
5 48400 47800
6 32800 36400
7 38100 38900
8 30100 31500
Suponga que las diferencias de las distancias se distribuyen de forma aproxi-

madamente normal.

Ejercicios
Ejercicios
25) La revista Fortune (marzo de 1997) publicó la rentabilidad total de los inver-
sionistas durante los 10 años anteriores a 1996 y también la de 431 empresas
en ese mismo año. A continuación se lista la rentabilidad total para 10 de las
empresas. Calcule un intervalo de confianza del 95 % para el cambio prome-
dio en el porcentaje de rentabilidad de los inversionistas.
Rentabilidad total
para los inversionistas
Empresa 1986-96 1996
Coca-Cola 29,8 % 43,3 %
Mirage Resorts 27,9 % 25,4 %
Merck 22,1 % 24,0 %
Microsoft 44,5 % 88,3 %
Johnson & Johnson 22,2 % 18,1 %
Intel 43,8 % 131,2 %
Pfizer 21,7 % 34,0 %
Pro cter & Gamble 21,9 % 32,1 %
Berkshire Hathaway 28,3 % 6,2 %
S&P 500 11,8 % 20,3 %

Ejercicios
Ejercicios
26) El gobierno otorgó fondos para los departamentos de agricultura de 9 univer-

sidades para probar las capacidades de cosecha de dos nuevas variedades de
trigo. Cada variedad se siembra en parcelas con la misma área en cada uni-
versidad, y las cosechas, en kilogramos por parcela, se registran como sigue.
Universidad
Variedad 1 2 3 4 5 6 7 8 9
1 38 23 35 41 44 29 37 31 38
2 45 25 31 38 50 33 36 40 43
Calcule un intervalo de confianza del 95 % para la diferencia media entre

las cosechas de las dos variedades, suponiendo que las diferencias entre las
cosechas se distribuyen de forma aproximadamente normal. Explique por qué
es necesario el pareado en este problema.

Ejercicios
Ejercicios
27) A cierto genetista le interesa determinar la proporción de hombres y mujeres

de la población que padecen cierto trastorno sanguı́neo menor. En una mues-
tra aleatoria de 1000 hombres encuentra que 250 lo padecen; mientras que
de 1000 mujeres examinadas, 275 parecen padecerlo. Calcule un intervalo
de confianza del 95 % para la diferencia entre la proporción de hombres y
mujeres que padecen el trastorno sanguı́neo.
28) Se encuestan 10 escuelas de ingenierı́a de Estados Unidos. La muestra contie-
ne a 250 ingenieros eléctricos, de los cuales 80 son mujeres; y 175 ingenieros
quı́micos, de los cuales 40 son mujeres. Calcule un intervalo de confianza del
90 % para la diferencia entre la proporción de mujeres en estos dos campos
de la ingenierı́a. ¿Hay una diferencia significativa entre las dos proporciones?

Ejercicios
Ejercicios
29) En el estudio Germination and Emergence of Broccoli, realizado por el De-

partamento de horticultura del Virginia Tech, un investigador encontró que
a 5°C, de 20 semillas de brócoli germinaron 10; en tanto que a 15°C, de 20
semillas germinaron 15. Calcule un intervalo de confianza del 95 % para la
diferencia en la proporción de semillas que germinaron a las dos temperaturas
y decida si esta diferencia es signifi cativa.
30) Una encuesta de 1000 estudiantes reveló que 274 eligen al equipo profesional
de beisbol A como su equipo favorito. En 1991 se realizó una encuesta similar
con 760 estudiantes y 240 de ellos también eligieron a ese equipo como su
favorito. Calcule un intervalo de confianza del 95 % para la diferencia entre
la proporción de estudiantes que favorecen al equipo A en las dos encuestas.
¿Hay una diferencia significativa?

Ejercicios
Ejercicios
31) Un experimento publicado en Popular Science comparó el ahorro de combus-
tible para dos tipos de camiones compactos que funcionan con diesel y están
equipados de forma similar. Suponga que se utilizaron 12 camiones Volkswa-
gen y 10 Toyota en pruebas con una velocidad constante de 90 kilómetros
por hora. Si los 12 camiones Volkswagen promedian 16 kilómetros por litro
con una desviación estándar de 1,0 kilómetros por litro, y los 10 Toyota pro-
median 11 kilómetros por litro con una desviación estándar de 0,8 kilómetros
por litro, construya un intervalo de confianza del 98 % para σ1 /σ2 , donde
σ1 y σ2 son, respectivamente, las desviaciones estándar para las distancias
recorridas por litro de combustible de los camiones compactos Volkswagen y
Toyota.
32) Construya un intervalo de confianza del 90 % para σ12 /σ22 en el ejercicio 22
de estas diapositivas. ¿deberı́amos suponer que σ12 = σ22 cuando construimos
nuestro intervalo de confianza para µI − µII ?
33) Construya un intervalo de confianza del 90 % para σ12 /σ22 en el ejercicio 23
de estas diapositivas. ¿Se justifica que supongamos que σ12 ̸= σ22 cuando
construimos nuestro intervalo de confianza para µA − µB ?
Bibliografı́a
Bibliografı́a
1 Webster, A. (2000). Estadı́stica aplicada a los negocios y la

economı́a. Bradley University.
2 MONTGOMERY, Douglas C.; RUNGER, George C.; MEDAL,
Edmundo G. Urbina. Probabilidad y estadı́stica aplicadas a la
ingenierı́a. McGraw Hill, 1996.
3 RONALD E. WALPOLE, R. (Novena edición, 2012).
Probabilidad y estadı́stica para ingenierı́a y ciencias. PEARSON
EDUCACIÓN, México.

Intervalos

Cargado por

Información del documento

Descripción original:

Derechos de autor

Formatos disponibles

Compartir este documento

Compartir o incrustar documentos

Opciones para compartir

¿Le pareció útil este documento?

¿Este contenido es inapropiado?

Copyright:

Formatos disponibles

Intervalos

Cargado por

Copyright:

Formatos disponibles

ESTADÍSTICA INFERENCIAL

Estimación por intervalos

Ignacio Osuna Vergara

ignacio.ozuna@upb.edu.co ESTADÍSTICA INFERENCIAL 1 / 103

Estimación puntual y por intervalo

ignacio.ozuna@upb.edu.co ESTADÍSTICA INFERENCIAL 4 / 103

Un estimador puntual de un parámetro desconocido es un estadı́sti-

ignacio.ozuna@upb.edu.co ESTADÍSTICA INFERENCIAL 6 / 103

Un estimador puntual de un parámetro desconocido es un estadı́sti-

Parámetros po- Estimadores

ignacio.ozuna@upb.edu.co ESTADÍSTICA INFERENCIAL 6 / 103

Relación entre población y muestra

ignacio.ozuna@upb.edu.co ESTADÍSTICA INFERENCIAL 7 / 103

Estimación por intervalos

Una forma operativa de saber qué tan precisa es la estimación consiste en

ignacio.ozuna@upb.edu.co ESTADÍSTICA INFERENCIAL 8 / 103

Estimación por intervalos

Una forma operativa de saber qué tan precisa es la estimación consiste en

A este se le llama intervalo de confianza del 100 (1 − α) % para θ. A las

ignacio.ozuna@upb.edu.co ESTADÍSTICA INFERENCIAL 8 / 103

Estimación por intervalos

Estimación por intervalo

ignacio.ozuna@upb.edu.co ESTADÍSTICA INFERENCIAL 9 / 103

Estimación por intervalos

Estimación por intervalo

ignacio.ozuna@upb.edu.co ESTADÍSTICA INFERENCIAL 9 / 103

Intervalo de confianza para µ

donde Z(1−α/2) , es el valor de la

ignacio.ozuna@upb.edu.co ESTADÍSTICA INFERENCIAL 11 / 103

Intervalo de confianza para µ

ignacio.ozuna@upb.edu.co ESTADÍSTICA INFERENCIAL 12 / 103

Intervalo de confianza para µ

Construcción del intervalo de confianza

Z(1− α2 ) = Z(1−0,07/2) = Z(0,965) = 1,8119

En Excel se calcula como

ignacio.ozuna@upb.edu.co ESTADÍSTICA INFERENCIAL 13 / 103

Intervalo de confianza para µ

Intervalo de confianza del 93 % para µ

ignacio.ozuna@upb.edu.co ESTADÍSTICA INFERENCIAL 14 / 103

PASWR::zsum.test(mean.x=15.2 , sigma.x=0.96 , n.x=100 ,

ignacio.ozuna@upb.edu.co ESTADÍSTICA INFERENCIAL 15 / 103

Intervalo de confianza para µ

ignacio.ozuna@upb.edu.co ESTADÍSTICA INFERENCIAL 17 / 103

Intervalo de confianza para µ

ignacio.ozuna@upb.edu.co ESTADÍSTICA INFERENCIAL 18 / 103

Intervalo de confianza para µ

Construcción del intervalo de confianza

Z(1− α2 ) = Z(1−0,05/2) = Z(0,975) = 1,96

En Excel se calcula como

ignacio.ozuna@upb.edu.co ESTADÍSTICA INFERENCIAL 19 / 103

Intervalo de confianza para µ

Intervalo de confianza del 95 % para µ

ignacio.ozuna@upb.edu.co ESTADÍSTICA INFERENCIAL 20 / 103

PASWR::zsum.test(mean.x=18.1 , sigma.x=1.7 , n.x=40 ,

ignacio.ozuna@upb.edu.co ESTADÍSTICA INFERENCIAL 21 / 103

Intervalo de confianza para µ

donde t(1− α ;n−1) , es el valor de la distribución t − studen con n − 1 grados

ignacio.ozuna@upb.edu.co ESTADÍSTICA INFERENCIAL 22 / 103

Intervalo de confianza para µ

ignacio.ozuna@upb.edu.co ESTADÍSTICA INFERENCIAL 23 / 103

Intervalo de confianza para µ

Construcción del intervalo de confianza

t(1− α ;n−1) = t(1−0,05/2;8) = t(0,975;8) = 2,306