ESTIMADORES

JOHN S. VARGAS H.
1. Introducci on
El teorema del lmite central proporciona informaci on acerca de la
distribuci on de la media muestral X. La distribuci on comprende la me-
dia poblacional . Entonces cualquier conclusi on referente a que se
obtenga de un promedio muestral observado dependen del conocimien-
to de esta distribuci on muestral. Esta unidad se inicia con un esbozo
formar del proposito de la inferencia estadstica. Posteriormente se con-
tin ua con la presentaci on del problema de la estimacion de paramet-
ros poblacionales.
2. Inferencia Estadstica
La teora de la inferencia estadstica consiste en aquellos metodos
con los cuales se pueden inferir o generalizar acerca de una poblacion
por medio de una muestra aleatoria. La tendencia hoy en da es distin-
guir entre el metodo clasico para estimar un parametro poblacional,
por medio del cual las inferencias se basan en la informaci on obtenida
de una muestra aleatoria seleccionada de la poblacion y el metodo
bayesiano, el cual utiliza un conocimiento subjetivo previo acerca de
la distribucion de probabilidad con los par ametros desconocidos, junto
con la informacion proporcionada por los datos muestrales. Nosotros
s olo trabajaremos con el metodo cl asico.
La inferencia estadstica puede dividirse en dos areas principales:
estimacion y prueba de hip otesis.

Estas se presentan por separado:
la teora y las aplicaciones de estimaci on en esta unidad y la prueba
de hip otesis en la siguiente unidad. Para distinguir claramente entre
ambas, considerese los siguientes ejemplos. Un candidato para un cargo
p ublico desea estimar la proporci on real de votantes que lo apoyan
mediante la obtencion de las opiniones de una muestra aleatoria de 100
votantes. La fraccion de ellos que lo apoye puede utilizarse como un
estimador de la proporcion real de la poblaci on total de votantes. Un
conocimiento de la distribuci on muestral permite establecer el grado de
precisi on de la estimaci on. Este problema pertenece, entonces, al area
de estimacion.
1
2 JOHN S. VARGAS H.
Ahora considerese el caso en el cual una ama de casa se interesa en
determinar si el detergente para pisos de la marca A es mas resistente
al desgaste que el de la marca B. Esta ama de casa podra suponer que
la marca A es mejor que la marca B y despues de realizar la prueba
apropiada, acepta o rechaza esta hip otesis. En este ejemplo no se in-
tenta estimar un par ametro, sino tomar una decisi on correcta respecto
a la hip otesis preestablecida. Una vez m as se depende de la teora del
muestreo para obtener alguna medida de precisi on para la decisi on que
se tome.
3. Metodos clasicos de estimacion
Una estimacion puntual de alg un parametro poblacional es un
valor unico

del estadstico

. Por ejemplo, el valor de x del estadstico
X, calculado a partir de una muestra de tama no n, es una estimacion
puntual del par ametro poblacional . El estadstico que se utiliza para
obtener una estimacion puntual recibe el nombre de estimador.
3.1. ESTIMADOR INSESGADO. No se espera que un estimador
obtenga sin error, del par ametro poblacional. Tampoco que X estime
el valor de con exactitud, sino que no se aleje mucho del valor real.
Para una muestra en particular es posible obtener una estimaci on m as
precisa de utilizando la mediana muestral

X como estimador. Con-
siderese, por ejemplo, una muestra que comprenda los valores 2, 5, 11
ESTIMADORES 3
de una poblacion cuya media es 4 pero supuestamente se le desconoce.
Se podra estimar que fuera x=6, utilizando la media muestral como
estimador, o x=5, utilizando la mediana muestral como tal. En este
caso el estimador

X produce una estimaci on mas cercana al parametro
real que la del estimador X. Por otra parte, si la muestra aleatoria
contiene los valores 2, 6, 7, entonces x = 5 y x = 6 de tal manera que
X es el mejor estimador. Sin conocer el valor real de , se deba decidir
de antemano si se emplear a X o

X como estimador.
Denicion 1. Se dice que un estadstico

es un estimador insesgado
del parametro si,

= E(

) = .
Ejemplo 1. Muestre que S
2
es un estimador insesgado del parametro

2
.
Soluci on
Escribamos

n
i=1
(X
i
X)
2
=

n
i=1
[(X
i
) (X )]
2
=

n
i=1
(X
i
)
2
2(X )

n
i=1
(X
i
) n(X )
2
=

n
i=1
(X
i
)
2
n(X )
2
.
Ahora bien
E(S
2
) = E
_

n
i=1
(X
i
X)
2
n1
_
=
1
n1
_
n
i=1
E(X
i
)
2
nE(X )
2

=
1
n1
_

n
i=1

2
X
i
n
2
X
_
.
Sin embargo

2
X
i
=
2
para i = 1, 2, ..., n y
2
X
=

2
n
Por lo tanto
E(S
2
) =
1
n 1
_
n
2
n

2
n
_
=
2
.
3.2. VARIANZA DE UN ESTIMADOR PUNTUAL.
Denicion 2. Si se considera todos los estimadores insesgados posi-
bles de alg un parametro , aquel con la varianza m as peque na recibe
el nombre de estimador mas eciente de .
3.3. ESTIMADORES DE M

AXIMA VEROSIMILITUD O
ESTIMACI

ON DE PROBABILIDAD M

AXIMA.
4 JOHN S. VARGAS H.
Denicion 3. Sea X
1
, X
2
, ..., X
n
v.a. independientes tomadas de una
distribuci on de probabilidad representada por f(X, ), donde es un
solo par ametro de la distribuci on, entonces la distribucion conjunta
o funcion de verosimilitud
L(X
1
, X
2
, ..., X
n
; ) = f(X
1
, X
2
, ..., X
n
; )
= f(X
1
, ) f(X
2
, ) ... f(X
n
, ).
Denicion 4. Dadas las observaciones x
1
, x
2
, ..., x
n
de una funci on de
probabilidad (caso continuo) o de una funci on de masa de probabili-
dad (caso discreto) f(x, ) el estimador de maxima verosimilitud o
deprobabilidad maxima

es el que maximiza la funci on de verosimil-
itud
L(x
1
, x
2
, ..., x
n
; ) = f(x
1
, ) f(x
2
, ) ... f(x
n
, ).
Ejemplo 2. Considere una muestra x
1
, x
2
, ..., x
n
de una distribuci on
normal N(, ). Encuentre los estimadores de m axima verosimilitud
para y
2
Solucion
La funcion de verosimilitud para la distribuci on normal es
L(x
1
, x
2
, ..., x
n
; ,
2
) =
1
(2)
n/2
(
2
)
n/2
exp
_

1
2
n

i=1
_
x
i

_
2
_
.
Tomando logaritmo nos da
lnL(x
1
, x
2
, ..., x
n
; ,
2
) =
n
2
ln2
n
2
ln
2

1
2
n

i=1
_
x
i

_
2
Derivando respecto a tenemos
lnL

=
n

i=1
x
i

.
Al igualar la derivada a cero, obtenemos
n

i=1
x
i
n = 0.
De esta manera el estimador de m axima verosimilitud esta dada por
=
n

i=1
x
i
n
= x.
Este resultados es satisfactorio pues x juega un papel muy importante
como estimador puntual de .
ESTIMADORES 5
Para el caso del estimador de
2
, el calculo an alogo da

2
=
n

i=1
(x
i
x)
2
n
.
Ejemplo 3. Suponga que se utilizan 15 ratas en un estudio biomedico
donde se inyecta a las ratas un medicamento contra el cancer dise nado
para aumentar su tasa de sobrevivencia. Los tiempos de sobrevivencia,
en meses, son 14, 17, 27, 18, 12, 8, 22, 13, 19 y 12. Suponga que se
aplica la distribuci on exponencial
Soluci on
Se sabe que la funcion de densidad de probabilidad para la variable
aleatoria exponencial x es
F(x, ) =
_
1

e
x/
, x > 0
0, en cualquier otro caso,
y por ello la funcion de verosimilitud de los datos (n = 10)
L(x
1
, x
2
, ..., x
10
; ) = 10ln
1

10

i=1
x
i
.
Derivando con respecto a tenemos
lnL

=
10

+
1

2
10

i=1
x
i
y as
lnL

= 0 implica que

=
10

i=1
x
i
10
=
14 + 17 + 27 + 18 + 12 + 8 + 22 + 13 + 19 + 12
10
= 16,2
Como resultado el estimador del par ametro es el promedio muestral x.
4. ESTIMACI

ON POR INTERVALO
Una estimacion por intervalo de un parametro poblacional es un
intervalo de la forma

L
< <

U
, donde

L
y

U
dependen del valor
del estadstico

para una muestra particular y tambien de la distribu-
ci on de muestreo de

.
Como muestra distintas por lo general daran valores diferentes de

y, por tanto valores diferentes de

L
y

U
, estos puntos extremos del
intervalo son valores de las v.a. correspondientes

L
y

U
. De la dis-
tribuci on muestral de

seremos capaces de determinar

L
y

U
de
6 JOHN S. VARGAS H.
modo que P(

L
< <

U
) sea igual a alg un valor fraccionar positivo
que queramos especicar. Si, por ejemplo, encontramos

L
y

U
tales
que
P(

L
< <

U
) = 1
Para 0 < < 1, tenemos entonces una probabilidad de 1 de
seleccionar v.a, que produzca un intervalo que contenga a . El intervalo

L
< <

U
, que se calcula a partir de la muestra seleccionada, se
llama entonces intervalo de conanza de (1 )100 % la fracci on
1 se llama coecientes de conanza o grado de conanza y
los extremos,

L
y

U
, se denominan lmites de conanza inferior y
superior respectivamente.
Una sola muestra: estimaci on de la media
Vamos a considerar la estimaci on por intervalo de . Si nuestra mues-
tra se selecciona a partir de una poblaci on normal o, a falta de esta, si
n es sucientemente grande, podemos establecer un intervalo de con-
anza para al considerar la distribucion muestral de X. De acuerdo
con el Teorema del Lmite Central, podemos esperar que la distribuci on
muestral de X este distribuida de forma aproximadamente normal con
media
X
= y desviacion estandar
X
= /

n. Al escribir z
/2
para
el valor z de por arriba del cual encontraremos un area de /2
P(z
/2<
Z < z
/2
) = 1
donde Z =
X
/

n
.
Por ello P(z
/2<
X
/

n
< z
/2
) = 1
ESTIMADORES 7
Al multiplicar cada termino en la desigualdad por /

n y despues
restar X de cada termino y multiplicando por 1 (para invertir el
sentido de la desigualdad), obtenemos
P(X z
/2

n
< < X + z
/2

n
) = 1
Se selecciona una muestra aleatoria de tama no n de una poblaci on de
varianza se conoce y se calcula la media x para obtener el siguiente
intervalo de conanza de (1 )100 %. Es importante que recurrimos
al teorema del lmite central.
Intervalo de conanza de ; con conocida
Si x es la media de una muestra aleatoria de tama no n de una poblaci on
con varianza , conocida, un intervalo de conanza de (1 )100 % para
esta dada por
x z
/2

n
< < x + z
/2

n
donde z
/2
es el valor de z que deja un area de /2 a la derecha.
Para muestras peque nas que se seleccionan de poblaciones no nor-
males, no podemos esperar que nuestro grado de conanza sea preciso.
Sin embargo, para muestras de tama no n 30, sin importar la for-
ma de la mayor parte de la poblaci on la teora de muestreo garantiza
buenos resultados.
Claramente, los valores de las v.a.

L
y

U
, son los lmites de con-
anza

L
= x z
/2

n
y

U
= x + z
/2

n
.
Ejemplo 4. Se encuentra que la concentracion promedio de zinc que
se saca del agua a partir de una muestra de medici on de zinc en 36
sitios diferentes en 2.6 gramos por mililitros. Encuentre los intervalos
de conanza de 95 % y 99 % para la concentracion de zinc en el rio.
Suponga que la desviaci on est andar de la poblacion es 0.3.
Soluci on
La estimaci on puntual de es x = 2,6. El valor z, que deje un area
de 0.025 a la derecha y por tanto un area de 0.975 a la izquierda, es
z
0,025
= 1,96. De aqu que el intervalo de 95 % es
2,6 (1,96)
_
0,3

36
_
< < 2,6 + (1,96)
_
0,3

36
_
que se reduce a 2,50 < < 2,70. Para encontrar un intervalo de con-
anza de 99 %, encontramos el valor de z que deja un area de 0.005
8 JOHN S. VARGAS H.
a la derecha y de 0.995 a la izquierda. Por tanto, z
0,005
= 2,575, y el
intervalo de conanza de 99 % es
2,6 (2,575)
_
0,3

36
_
< < 2,6 + (2,575)
_
0,3

36
_
o simplemente
2,47 < < 2,73
Vemos ahora que se requiere de un intervalo mas grande para estimar
con un grado m as alto de precision.
El intervalo de conanza de (1)100 % proporciona una estimacion
de la precisi on de nuestra estimaci on puntual. Si es realmente el valor
central del intervalo, entonces x estima sin ning un error. La mayor
parte de las veces, sin embargo, x no ser a exactamente igual a . La
magnitud de este error sera el valor absoluto de la diferencia entre x y
, y podemos tener (1 )100 % de conanza de que esta diferencia
no excedera z
/2
/

n.
Error
..
x
z
/2

n
x x+
z
/2

n
Teorema 1. Si se utiliza x como una estimacion de , podemos tener
una conanza de (1 )100 % de que el error no excedera de
z
/2

n
.
Teorema 2. Si x se usa como estimaci on de , podemos tener (1
)100 % de conanza de que el error no excedera una cantidad espec-
ca e cuando el tama no de la muestra es
n =
_
z
/2

e
_
.
Ejemplo 5. Que tan grande se requiere una muestra en el ejemplo
4 si queremos tener 95 % de conanza de que nuestra estimaci on de
diera por menos de 0.05?
Soluci on
La desviaci on est andar de la poblacion es = 0,3. Entonces por el
teorema 2
n =
_
(1,96)(0,3)
0,05
_
2
= 138,3
ESTIMADORES 9
Por tanto, podemos tener una conanza 95 % de que una muestra
aleatoria de tama no 139 proporcionar a una estimacion x que diere
por una cantidad menor que 0.05.
Con frecuencia queremos estimar la media de una poblacion cuando
se desconoce la varianza. Debemos recordar que si tenemos una muestra
aleatoria a partir de una distribucion normal, entonces la v.a.
T =
X
S/

n
tiene una distribucion t de estudent con n1 grados de libertad. Aqu S
es la desviaci on est andar de la muestra. En esta situacion en la cual se
desconoce se puede utilizar T para construir un intervalo de conanza
de . El procedimiento es el mismo que cuando se conoce excepto
que se reemplaza por S y la distribuci on normal estandar por la
distribuci on t. Con referencia a las siguiente gura podemos asegurar
que
/2
/2
0
t
t
/2 /2
1
t
/2
es el valor t co n1 grados de libertad, arriba del cual encontramos
un area de /2. Debido a la simetra, un area igual de /2 caer a a la
izquierda de t
/2
. Al sustituir por T, escribimos
P
_
t
/2
<
X
S/

n
< t
/2
_
= 1 .
Al multiplicar cada termino en la desigualdad por S/

n, y despues
restar X de cada termino y multiplicar por 1, obtenemos
P
_
X t
/2
S

n
< < X + t
/2
S

n
_
= 1 .
Para nuestra muestra aleatoria particular de tama no n, se calculan la
media x y la desviaci on estandar s y se obtiene el siguiente intervalo
de conanza de (1 )100 % para .
10 JOHN S. VARGAS H.
Intervalo de conanza para : con desconocida
Si x y s son la media y la desviacion est andar de una muestra aleatoria
de una poblacion normal con varianza , desconocida, un intervalo de
conanza de (1 )100 % para es
X t
/2
S

n
< < X + t
/2
S

n
donde t
/2
es el valor t con v = n 1 grados de libertad, que deja un
area de /2 a la derecha.
Ejemplo 6. El contenido de siete contenedores similares de acido
sulf urico son 9.8, 10.4, 10.2, 9.8, 10.0, 10.2, y 9.6 litros. Encuentre un
intervalo de conanza del 95 % para la media de todos los contenedores
si se supone una distribucion aproximadamente normal.
Soluci on
La media y la desviacion est andar para los datos dados son
x = 10,0 y s = 0,283
Con el uso de la tabla correspondiente, encontramos t
0,025
= 2,447 para
v = 6 grados de libertad. De aqu, el intervalo de conanza para es
10,0 (2,447)
_
0,283

7
_
< < 10,0 + (2,447)
_
0,283

7
_
que se reduce a 9,74 < < 10,26
Dos muestras: estimaci on de la diferencia entre dos medias
Si tenemos dos poblaciones con medias
1
y
2
y varianzas
1
y
2
,
respectivamente, un estimador puntual de la diferencia entre
1
y
2
est a dado por el estadstico X
1
X
2
. Por tanto, para obtener una esti-
maci on puntual de
1

2
, seleccionamos dos muestras aleatorias inde-
pendientes, una de cada poblacion, de tama no n
1
y n
2
, y calcul aramos
la diferencia x
1
y x
2
, de las medias muestrales. Claramente, debemos
considerar las distribuciones muestrales de X
1
X
2
.
De acuerdo con el teorema cita(teorema 10 de estadstica), podemos
esperar que la distribuci on muestral de X
1
X
2
este distribuida de for-
ma aproximadamente normal con media
X
1
X
2
=
1

2
y desviacion
est andar
X
1
X
2
=
_
(
2
1
/n
1
) + (
2
2
/n
2
). Por tanto, podemos asegurar
con una probabilidad de 1 que la variable normal est andar,
Z =
(X
1
X
2
) (
1

2
)
_
(
2
1
/n
2
) + (
2
2
/n
2
)
ESTIMADORES 11
caer a entre z
/2
y z
/2
. Una vez mas, con referencia a la gura de la
normal estandar, se describe:
P(z
/2
< Z < z
/2
) = 1 .
Al sustituir Z, se establece en forma equivalente que,
P(z
/2
<
(X
1
X
2
) (
1

2
)
_
(
2
1
/n
1
) + (
2
2
/n
2
)
< z
/2
) = 1
Lo cual conduce al siguiente intervalo de conanza de (1 )100 %
para
1

2
.
Intervalo de conanza para
1

2
; conociendo
2
1
y
2
2
Si x
1
y
x
2
son las medias de muestras aleatorias independientes de tama nos n
1
y n
2
de poblaciones con varianza conocidas
2
1
y
2
2
, respectivamente, un
intervalo de conanza de (1 )100 % es :
(x
1
x
2
) z
/2

2
1
n
1
+

2
2
n
2
<
1

2
< (x
1
x
2
) + z
/2

2
1
n
1
+

2
2
n
2
donde z
/2
es el valor de z que tiene un area de /2 a la derecha.
El grado de conanza es exacto cuando las muestras se seleccionan
de poblaciones normales. Para poblaciones que no son normales, el
teorema de limita central proporciona una buena aproximaci on para
muestras de tama no razonable
Ejemplo 7. Se aplica una prueba estandarizada de qumica a 50 ni na y
75 ni nos. Las ni nas obtienen una calicacion promedio de 76, y los ni nos
de 82. Encuentre un intervalo de conanza de 96 % para la diferencia

2
, donde
1
es la calicaci on promedio de todos los ni nos y
2
es
la calicacion promedio de todas las ni nas que pudieron realizar este
examen. Suponga que las desviaciones estandar de las poblaciones para
las ni nas y los ni nos son 6 y 8, respectivamente.
Soluci on La estimacion puntual de
1

2
es x
1
x
2
= 8276 = 6.
Utilizando = 0,04, se encuentra que z
0,02
= 2,05 de la tabla corre-
spondiente. De aqu que sustituyendo en la formula anterior, el intervalo
de conanza de 96 % es:
6 2,05
_
64
75
+
36
50
<
1

2
< 6 + 2,05
_
64
75
+
36
50
o simplemente,
3,43 <
1

2
< 8,57.
12 JOHN S. VARGAS H.
Este procedimiento para estimar la diferencia entre dos medias es
aplicable si se conocen
2
1
y
2
2
. Si la varianza no se conocen y la dis-
tribuciones involucradas son aproximadamente normales, la distribu-
ci on t debe considerarse como en el caso de una sola muestra. Si no
se esta dispuesto a suponer que es normal, muestras grandes (mayores
que 30), permitir an el uso de s
1
y s
2
en lugar de
2
1
y
2
2
, respectiva-
mente,en el entendido de que s
1

=
2
1
y s
2

=
2
2
. Una vez m as, por
supuesto, el intervalo de conanza es una aproximaci on.
Varianza desconocida
Considerese el caso en el cual se desconoce
2
1
y
2
2
. Se
2
1
=
2
2
=
2
,
se obtiene una variable normal est andar de la forma:
Z =
(X
1
X
2
) (
1

2
)
_

2
[(1/n
1
) + (1/n
2
)]
.
De acuerdo con un teorema 13 y corolario 4, las dos v.a. (n
1
1)S
2
1
/
2
y (n
2
1)S
2
2
/
2
tiene una distribucion ji cuadrada con n
1
1 y n
2
1
grados de libertad, respectivamente. Adem as, son variables ji cuadrada
independientes. En consecuencia, su suma:
V =
(n
1
1)S
2
1

2
+
(n
2
1)S
2
2

2
=
(n
1
1)S
2
1
+ (n
2
1)S
2
2

2
tiene una distribucion ji cuadrada con v = n
1
+n
2
2 grados de libertad.
Dado que puede demostrarse que las expresiones anteriores para Z
y V son independientes, se sigue del teorema 14 y corolario 5 que el
estadstico,
T =
(X
1
X
2
) (
1

2
)
_

2
[(1/n
1
) + (1/n
2
)]
_

(n
1
1)S
2
1
+ (n
2
1)S
2
2

2
(n
1
+ n
2
2)
tiene una distribucion t con v = n
1
+ n
2
2 grados de libertad.
Una estimaci on puntual de la variable com un desconocida
2
puede
obtenerse combinando las variables muestrales. Al representar el esti-
mador de ambas con S
2
p
se escribe:
S
2
p
=
(n
1
1)S
2
1
+ (n
2
1)S
2
2
n
1
+ n
2
2
.
Al sustituir S
2
p
en el estadstico T se obtiene la forma menos compleja:
T =
(X
1
X
2
) (
1

2
)
S
2
p
_
[(1/n
1
) + (1/n
2
)]
ESTIMADORES 13
Al utilizar el estadstico T, se obtiene:
P(t
/2
< T < t
/2
) = 1 ,
donde t
/2
es el valor de t con v = n
1
+n
2
2 grados de libertad, arriba
del cual se encuentra un area de /2. Al sustituir a T en la desigualdad
se escribe:
P(t
/2
<
(X
1
X
2
) (
1

2
)
S
2
p
_
[(1/n
1
) + (1/n
2
)]
< t
/2
) = 1 ,
Despues de realizar los calculos matematicos usuales, se calcula la difer-
encia de las medias muestrales x
1
x
2
y la varianza com un,
s
2
p
=
(n
1
1)s
2
1
+ (n
2
1)s
2
2
n
1
+ n
2
2
se obtiene el siguiente intervalo de conanza de (1 )100 % para

2
.
Intervalo de conanza para
1

2
;
2
1
=
2
2
pero desconocidas Si
x
1
y x
2
son las medias de muestras aleatorias independientes de tama nos
n
1
y n
2
, respectivamente, de poblaciones aproximadamente normales con
varianza iguales pero desconocidas, un intervalo de conanza de (1
)100 % para
1

2
es:
(x
1
x
2
) t
/2
s
p
_
1
n
1
+
1
n
2
<
1

2
< (x
1
+ x
2
) t
/2
s
p
_
1
n
1
+
1
n
2
donde s
p
es la estimaci on com un de la desviacion estandar poblacional y
t
/2
es el valor t con v = n
1
+ n
2
2 grados de libertad, con un area de
/2 a la derecha.
Ejemplo 8. En el artculo Macroinvertebrate Community Structure
as an Indicator of Acid Mine Pollutionpublicado en el Journal of En-
vironmetal Pollution Vol. 6. 1974), se informa sobre la investigaci on
realizada en Cane Creek, Alabama, para determinarla relacion entre
par ametros sioqumicos seleccionados y las diferentes mediciones en
la estructuras de la comunidad macroinvertebrados. Una faceta de la
investigacion fue la evaluaci on de la ecacia de un ndice numerica de
diversidad de especies para indicar la degradaci on de agua debida al
drenaje de una mina de acido. Desde el punto de vista conceptual, un
alto ndice de diversidad en las especies de macroinvertebrados debe
indicar un sistema de agua no contaminado, mientras que uno bajo,
debe indicar un sistema de agua contaminado.
14 JOHN S. VARGAS H.
Para este estudio, se seleccionaron dos estaciones independientes de
muestreos una localizada ro abajo del punto de descarga de la mina y
otra ro arriba. Para 12 muestras recogidas mensualmente en la estacion
ro abajo, el ndice de diversidad de especies tuvo un promedio un
valor promedio de x
1
= 3,11 y una desviaci on est andar s
1
= 0,771,
mientras que en 10 muestras recogidas mensualmente en la estacion
ro arriba, el valor de ndice promedio fue x
2
= 2,04 y una desviaci on
est andar s
2
= 0,448. Encuentre un intervalo de conanza del 90 %
para la diferencia entre las medias poblacionales de las dos estaciones,
asumiendo que las poblaciones estan distribuidas aproximadamente en
forma normal con varianzas iguales.
Soluci on Si
1
y
2
representan respectivamente, las medias pobla-
cionales, para el ndice de diversidad de especies en las estaciones ro
abajo y ro arriba. Se desea encontrar un intervalo de conanza del
90 % para
1

2
. La estimaci on puntual de
1

2
es x
1
x
2
=
3,11 2,04 = 1,07. El estimador com un, s
2
p
, de la varianza com un,
2
,
es:
s
2
p
=
(n
1
1)s
2
1
+ (n
2
1)s
2
2
n
1
+ n
2
2
=
(11)(0,771
2
) + (9)(0,448
2
)
12 + 10 2
= 0,417.
Al tomar la raz cuadrada, obtenemos s
p
= 0, 646. Con el uso de =
0,1, encontramos en la tabla correspondientes que t
0,05
= 1,725 para
v = n
1
+ n
2
2 = 20 grados de libertad. Por tanto, el intervalo de
conanza de 90 % para
1

2
es
1,07(1,725)(0,646)
_
1
12
+
1
10
<
1

2
< 1,07+(1,725)(0,646)
_
1
12
+
1
10
,
que se simplica a 0,593 <
1

2
< 1,547.
Varianzas distintas
Consideremos ahora el problema de encontrar una estimacion por
intervalo de
1

2
cuando no es probable que las varianza pobla-
cionales desconocidas sean iguales. El estadstico que que se utiliza en
estos casos es
T

=
(X
1
X
2
) (
1

2
)
_
(S
2
1
/n
1
) + (S
2
2
/n
2
)
,
que tiene aproximadamente una distribucion t con v g.l., donde
v =
(s
2
1
/n
1
+ s
2
2
/n
2
)
2
[(s
2
1
/n
1
)
2
/(n
1
1)] + [(s
2
2
/n
2
)
2
/(n
2
1)]
.
ESTIMADORES 15
Como v rara vez es un entero, redondeamos al n umero entero mas
cercano.
Con el uso del estadstico T

, escribimos
P(t
/2
< T

< t
/2
) 1 ,
donde t
/2
es el valor del estadstico t con v g.l., arriba del cual encon-
tramos un area de /2. Al sustituir para T

en la desigualdad, y seguir
los pasos exactos como antes, establecemos el resultado nal.
Intervalo de conanza para
1

2
;
2
1
=
2
2
y desconocidas Si x
1
y s
2
1
, y x
2
y s
2
1
, son las medias y varianza de muestras peque nas indepen-
dientes de tama no n
1
y n
2
, respectivamente, de distribucion aproximada-
mente normales con varianzas diferentes y desconocidas, un intervalo de
conanza aproximadamente de (1 )100 % para
1

2
esta dado por:
(x
1
x
2
) t
/2

s
2
1
n
1
+
s
2
2
n
2
<
1

2
< (x
1
x
2
) + t
/2

s
2
1
n
1
+
s
2
2
n
2
donde t
/2
es el valor t con.
v =
(s
2
1
/n
1
+ s
2
2
/n
2
)
2
[(s
2
1
/n
1
)
2
/(n
1
1)] + [(s
2
2
/n
2
)
2
/(n
2
1)]
g.l., con un area de /2 a la derecha.
Note que el valor v anterior incluye v.a., y por ello representa una
estimacion de los grados de libertad. En las aplicaciones esta estimaci on
no ser a un n umero entero y por ello el analista lo debe redondear al
siguiente entero.
Antes de ejemplicar el intervalo de conanza anterior, se debe se nalar
que todos los intervalos de conanza de
1

2
son de la misma for-
maci on general que para el caso de una sola media; es decir, puede
escribirse:
estimaci on puntual t
/2
s.e. (estimacion puntual)
o
estimaci on puntual z
/2
s.e. (estimacion puntual).
Por ejemplo, en el caso donde
1
=
2
= , el error est andar estimado
de x
1
x
2
es s
p
_
1/n
1
+ 1/n
2
. Para el caso en que
1
=
2
,
s.e.(x
1
x
2
) =

s
2
1
n
1
+
s
2
2
n
2
.
Ejemplo 9. En 1980, el Departamento de Zoologa en el Virginia
polytechnic Institute and State University dirigi o un estudio sobre la
16 JOHN S. VARGAS H.
Nutrient Retention and Macroinvertebrate Community Response to
Sewage Stress in Stream Ecosystempara estimar la diferencia de la
cantidad de ortof osforo qumico medido en dos estaciones diferentes en
el ro James. El ortof osforo se mide en miligramos por litro. Se sacaron
quince muestras de la estacion 1 y 12 de la estaci on 2. Las 15 primeras
tuvieron un contenido promedio de ortofosforo de 3.84 mg. por litro y
una desviaci on estandar de 3.07mg. por litro, mientras que en las 12
segundas, estos datos fueron de 1.49mg. por litro y 0.80mg. por litros,
respectivamente. Encuentre un intervalo de conanza del 95 % para la
diferencia en los contenidos promedios reales de ortofosforo en las dos
estaciones, asumiendo que las observaciones surgen de poblaciones nor-
males con varianzas distintas.
Solucion Para la estaci on 1 se tiene x
1
= 3,84, s
1
= 3,07 y n
1
= 15.
Para la estacion 2, x
2
= 1,49, s
2
= 0,80 y n
2
= 12. Se desea encontrar
un intervalo de conanza del 95 % para
1

2
. Dado que se supone que
las varianzas poblacionales son desiguales, s olo se puede encontrar un
intervalo de conanza aproximado del 95 % con base en la distribucion
t con v g.l., donde:
v =
(3,07
2
/15 + 0,80
2
/12)
2
[(3,07
2
/15)
2
/14] + [(0,80
2
/12)
2
/11]
= 16,3 16.
La estimacion puntual de
1

2
es x
1
x
2
= 3,84 1,49 = 2,35.
Al utilizar = 0,05, se encuentra en la tabla correspondiente que
t
0,025
= 2,120 para v = 16 g.l. Por lo tanto, el intervalo de conanza
del 95 % para
1

2
es:
2,35 2,120
_
3,07
2
15
+
0,80
2
12
<
1

2
< 2,35 +2,120
_
3,07
2
15
+
0,80
2
12
,
la cual se simplica a,
0,60 <
1

2
< 4,10.
De aqu que se tenga una conanza del 95 % de que el intervalo de 0.60
a 4.10 mg. por litro incluye la diferencia de los contenidos promedios
reales de ortof osforo para estos dos lugares.
Observaciones pareadas
En este apartado se considerar an los procedimientos de estimacion
para la diferencia de dos medias cuando las muestras no son indepen-
dientes y las varianzas de las dos poblaciones no son necesariamente
iguales. La situaci on considerada aqu se reere a un caso experimen-
tal muy especial, llamado de observaciones pareadas. A diferencia de
la situaci on descrita antes, las condiciones de las dos poblaciones no
ESTIMADORES 17
se asignan con forma aleatoria a unidades experimentales. Por el con-
trario, cada unidad homogenea recibe ambas condiciones poblacionales;
en consecuencia, cada unidad experimental tiene un par de observa-
ciones, una para cada poblacion. Por ejemplo, si se lleva a cabo una
prueba sobre una nueva dieta con 15 sujetos, el peso anterior y pos-
terior a ella da las dos muestras. Las dos poblaciones son .
a
ntes
2
de-
spues
2
la unidad experimentales el sujeto. Obviamente, las observa-
ciones pareadas tienen algo en com un. Para determinar si la dieta es
ecaz, se consideran las diferencias d
1
, d
2
, ..., d
n
en las observaciones
pareadas. Estas diferencias son los dos valores de una muestra aleato-
ria D
1
, D
2
, ..., D
n
de una poblacion de diferencia que se asumira esta
distribuida normalmente con media
D
=
1

2
y varianza
2
D
. Se esti-
ma
2
D
por s
2
d
, la varianza de las diferencias que constituyen la muestra.
El estimador puntual de
D
lo representa D.
Al seleccionar unidades experimentales relativamente homogeneas
(dentro de las unidades) y permitir que cada unidad experimente ambas
condiciones poblacionales, se reduce la eciencia de la varianza del
error experimental(en este caso
2
D
). El lector puede visualizar que el
par iesimo consiste en la medici on:
D
i
= X
1i
X
2i
.
Ya que dos observaciones se toman de la unidad experimental de la
muestra, no son independientes y de hecho,
V arD
i
= V ar(X
1i
X
2i
) =
2
1
+
2
2
2Cov(X
1i
X
2i
).
Un intervalo de conanza de (1)100 % para
D
puede establecerse
escribiendo:
P(t
/2
< T < t
/2
) = 1 ,
donde,
T =
D
D
S
d
/

n
y t
/2
, como antes, es el valor de la distribuci on t con n 1 g.l.
Es ya un procedimiento de rutina reemplazar T, por su denici on,
en la desigualdad anterior y llevar a cabo los pasos matematicos que
conduzcan al siguiente intervalo de conanza de (1 )100 % para

2
=
D
.
18 JOHN S. VARGAS H.
Intervalo de conanza para
1

2
=
D
para observaciones
pareadas Si d y s
d
son la media y desviaci on estandar de la diferen-
cias normalmente distribuidas de n pares aleatorios de mediciones, un
intervalo de conanza de (1 )100 % para
1

2
=
D
es:
d t
/2
S
d

n
<
D
< d + t
/2
S
d

n
donde t
/2
es el valor t con v = n1 g.l., con un area de /2 a la derecha.
Ejemplo 10. El articulo .
Es
sential Elements in Fresh and Canned
Tomatoes, publicado en el Journal of Food Science (Vol. 46, 1981), los
contenidos de elementos esenciales en jitomates frescos y enlatados se
determinaron mediante el metodo de espectrofotometra de absorci on
at omica. El contenido de cobre en jitomates frescos en comparacion
con el que los mismos jitomates registraron despues de ser enlatados se
muestra a continuaci on:
Par Jitomates fresco Jitomates enlatados d
i
1 0.066 0.085 0.019
2 0.079 0.088 0.009
3 0.069 0.091 0.022
4 0.076 0.096 0.020
5 0.071 0.093 0.022
6 0.087 0.095 0.008
7 0.071 0.079 0.008
8 0.073 0.078 0.005
9 0.067 0.065 -0.002
10 0.062 0.068 0.006
Encuentre un intervalo de conanza del 98 % para la diferencia real en
el contenido de cobre en jitomate fresco y enlatados suponiendo que la
distribuci on de las diferencias es normal.
Soluci on Se desea encontrar un intervalo de conanza del 98 % para

1

2
donde
1
y
2
representan los contenidos promedios de cobre
para jitomates enlatados y frescos, respectivamente. Dado que las ob-
servaciones estan pareadas,
1

2
=
D
. La estimaci on puntual de
D
est a dada por d = 0,0117. La desviaci on est andar, s
d
, de las diferencias
muestrales es:
s
d
=

n
i=1
d
2
i
(

n
i=1
d
i
)
2
n(n 1)
=

(10)(0,002003) (0,117)
2
(10)(9)
= 0,0084.
ESTIMADORES 19
Al utilizar = 0,02, se encuentra en la tabla correspondiente que
t
0,01
= 2,821 para v = n1 = 9 g.l. Por tanto, el intervalo de conanza
del 98 % es:
0,0117 (2,821)
_
0,0084

10
_
<
D
< 0,0117 + (2,821)
_
0,0084

10
_
o simplemente,
0,004 <
D
< 0,0192,
de lo cu al se concluye que no hay cantidades signicativamente m as
alta de cobre en jitomate enlatados que en jitomates frescos.
Una sola muestra: estimaci on de una proporcion
Un estimador puntual de la proporci on p en un experimento binomial
est a dada por el estadstico

P = X/n, donde X representa el n umero
de exitos en n pruebas. Por tanto, la proporcion de la muestra p = x/n
se utilizara como el estimador puntual del parametro p.
Si no se espera que la proporcion p desconocida este demasiando cer-
ca de cero 0 o de 1, podemos establecer un intervalo de conanza para
p al considerar la distribucion muestral de

P. Al designar un fracaso
en cada prueba binomial mediante el valor 0 y un exito con el valor 1,
el n umero de exitos, x, se puede interpretar como la suma de n valores
que consisten en s olo de ceros y unos, y p es s olo la media muestral
de estos n valores. De aqu, por el teorema del lmite central, para n
sucientemente grande,

P est a distribuida de forma aproximadamente
normal con media

p
= E(

P) = E
_
X
n
_
=
np
p
y varianza

2
p
=
2
X/n
=

2
x
n
2
=
npq
n
2
=
pq
n
.
Por tanto, podemos asegurar que
P(z
/2
< Z < z/2) = 1 ,
donde
Z =

P p
_
pq/n
y z
/2
es como antes. Al sustituir a Z y hacer procedimientos an alogo
a los anteriores obtenemos:
P
_

P z
/2
_
p q
n
< p <

P + z
/2
_
p q
n
_
= 1
20 JOHN S. VARGAS H.
Para nuestra muestra aleatoria particular de tama no n, se calcula la
proporci on muestral p = x/n y se obtiene el siguiente intervalo de
conanza de (1 )100 % aproximado para p.
Intervalo de conanza para p de una sola muestra grande
Si p es la proporci on de de exitos en una muestra aleatoria de tama no n
y p = 1 q, un intervalo de conanza aproximado de (1 )100 % para
el parametro p est a dado por
p z
/2
_
p q
n
< p < p + z
/2
_
p q
n
donde z
/2
es el valor z que deja un area de /2 a la derecha.
Cuando n es peque na la proporcion desconocida p se considera cer-
cana a 0 o a 1, el procedimiento del intervalo de conanza que se
establece aqu no es conable y, por tanto, no se debe utilizar. Para
estar seguro, se debe requerir que n q o n p sea mayor o igual a 5. El
metodo para encontrar un intervalo de conanza para el par ametro bi-
nomial p tambien se aplica cuando la distribucion binomial se utiliza
para aproximar la distribucion hipergeometrica; es decir, cuando n es
peque no en relaci on con N, como se ilustra en el siguiente ejemplo.
Ejemplo 11. En una muestra aleatoria de n = 5000 familia que tiene
televisores an la ciudad de Hamilton, Canad a, se encuentra que x = 340
est a suscrita a HBO. Encuentra un intervalo de conanza de 95 % para
proporci on real de familias en esta ciudad que est an suscrita a HBO.
Soluci on La estimaci on puntual de p es p = 340/500 = 0,68. Con
el uso de la tabla correspondiente, encontramos que z
0,025
= 1,96. Por
tanto, el intervalo de conanza de 95 % para p es
0,68 196
_
(0,68)(0,32)
500
< p < 0,68 + 196
_
(0,68)(0,32)
500
,
que se simplica a 0,64 < p < 0,72.
Teorema 3. Si p se utiliza como estimador de p, podemos tener una
conanza del (1 )100 % de que el error no excedera z
/2
_
p q/n.
Teorema 4. Si p se utiliza como estimador de p, podemos tener una
conanza del (1)100 % de que el error sera menor que una cantidad
especca e cuando el tama no de la muestra es aproximadamente
n =
z
/2
p q
e
2
.
Teorema 5. Si p se utiliza como estimador de p, podemos tener una
conanza del (1 )100 % de que el error no exceder a una cantidad
ESTIMADORES 21
especca e cuando el tama no de la muestra sea
n =
z
/2
4e
2
Dos muestras: Estimacion de la diferencia entre dos propor-
ciones
Se puede establecer un intervalo de conanza para p
1
p
2
al consid-
erar la distribucion muestral de

P
1

P
2
. De la seccion anterior tenemos
que

P
1
y

P
2
est an distribuidos cada uno de forma aproximadamente
normal, con media p
1
y p
2
y varianza p
1
q
1
/n
1
y p
2
q
2
/n
2
, respectiva-
mente. Al elegir muestras independientes de las dos poblaciones, las
variables

P
1
y

P
2
ser an independientes, y entonces parla propiedad re-
productiva de la distribucion normal que se estableci o en el teorema
12,concluimos que

P
1


P
2
esti
.
stribuida de forma aproximadamente
normal con media

P
1

P
2
= p
1
p
2
y varianza
2

P
1

P
2
=
p
1
q
1
n
1
+
p
2
q
2
n
2
.
Por tanto, podemos asegurar que
P(z
/2
< Z < z
/2
) = 1 ,
donde
Z =
(

P
1

P
2
) (p
1
p
2
)
_
(p
1
q
1
/n
1
) + (p
2
q
2
)
y z
/2
es como antes. Al sustituir z y llevar a cabo las manipulaciones
matem atica usuales, reemplazamos p
1
, p
2
, q
2
y q
2
bajo el signos radical
por su estimaciones p
1
= x
1
/n
1
, p
2
= x
2
/n
2
, q
1
= 1 p
1
, y q
2
= 1
p
2
, dado que n
1

p
1
, n
1
, n
1
q
1
, n
2
p
2
y n
2
q
2
, son todas mayores o iguales
a 5 y se obtiene el siguiente intervalo de conanza de (1 )100 %
aproximado para p
1
p
2
.
Intervalo de conanza para p
1
p
2
de dos muestra grande
Si p
1
y p
2
son las proporciones de exitos en muestras aleatorias de tama no
n
1
y n
2
, respectivamente, q
1
= 1 p
1
y q
2
= 1 p
2
, un intervalo de con-
anza aproximado de (1 )100 % para la diferencia de dos par ametros
binomiales p
1
p
2
, esta dado por
( p
1
p
2
) z
/2

p
1
q
1
n
1
+
p
2
q
2
n
2
< p
1
p
2
< ( p
1
p
2
) +z
/2

p
1
q
1
n
1
+
p
2
q
2
n
2
donde z
/2
es el valor z que deja un area de /2 a la derecha
Ejemplo 12. Se considera cierto cambio en el proceso de fabricaci on
de partes componentes. Se toma muestra de procedimiento existente
22 JOHN S. VARGAS H.
y nuevo para determinar si este tiene como resultado una mejora.
Si se encuentra que 75 de 1500 artculos de procedimiento actual son
defectuosos y 80 de 2000 artculos del procedimiento nuevo tambien lo
son, encuentre un intervalo de conanza de 90 % para la diferencia real
en la fracci on de defectuosos entre el proceso actual y el nuevo.
Soluci on Sean p
1
y p
2
las proporciones reales de defectuosos para los
procesos actual y el nuevo, respectivamente. De aqu, p
1
= 75/1500 =
0,05 y p
2
= 80/2000 = 0,04, y y la estimacion puntual de p
1
p
2
es es
p
1
p
2
= 0,05 0,04 = 0,01.
Con el uso de la tabla correspondiente, encontramos z
0,05
= 1,645. Por
tanto, al sustituir en esta f ormula obtenemos el intervalo de conanza
de 90 %:
0,01 1,645
_
(0,05)(0,95)
1500
+
(0,04)(0,96)
2000
< p
1
p
2
< 0,01 + 1,645
_
(0,05)(0,95)
1500
+
(0,04)(0,96)
2000
,
que se simplica a 0,0017 < p
1
p
2
< 0,0217. Como el intervalo
contiene el valor 0, no hay razon para creer que el nuevo procedimiento
producir a una disminuci on signicativa en la proporci on de artculos
defectuosos comparado con el metodo existente.
Una sola muestra: estimaci on de la varianza
Si se extrae una muestra de tama no n de una poblaci on normal
con varianza
2
y se calcula la varianza muestral s
2
obtenemos un
valor del estadstico S
2
. Esta varianza muestral calculada se usara como
estimaci on puntual de
2
. Por ello el estadstico S
2
se llama estimador
de
2
.
Se puede establecer una estimacion por intervalo de
2
mediante el
uso del estadstico
X
2
=
(n 1)S
2

2
.
De acuerdo con el teorema 15, el estadstico X
2
tiene una distribuci on
ji cuadrada con n1 gl. cuando las muestras se eligen de una poblacion
normal. Podemos escribir
P(
2
1/2
< X
2
<
2
/2
) = 1 ,
donde
2
1/2
y
2
/2
son valores de la distribuci on ji cuadrada con n1
gl., que dejan areas de 1 /2 y /2, respectivamente, a la derecha.
Al sustituir X
2
y hacer los procedimientos matem aticas respectivos nos
queda lo siguiente:
ESTIMADORES 23
P
_
(n 1)S
2

2
/2
<
2
<
(n 1)S
2

2
1/2
_
= 1 .
Para nuestra muestra aleatoria particular de tama no n, se calcula la
varianza muestral s
2
y se obtiene el siguiente intervalo de conanza de
(1 )100 % para
2
.
Intervalo de conanza para
2
Si s
2
. es la varianza de una muestra
aleatoria de tama no n de una poblacion normal, un intervalo de conanza
de (1 )100 % para
2
es:
(n 1)S
2

2
/2
<
2
<
(n 1)S
2

2
1/2
,
donde
2
1/2
y
2
/2
son valores de la distribuci on ji cuadrada con n 1
gl., que dejan areas de 1 /2 y /2, respectivamente, a la derecha.
Un intervalo de conanza de (1)100 % para se obtiene al tomar
la raz cuadrada de cada extremo del intervalo para
2
.
Ejemplo 13. Los siguientes son los pesos, en decagramos, de 10 pa-
quetes de semillas de pasto distribuidas por cierta compa na: 46.4, 46.1,
45.8, 47.0, 46.1, 45.9, 45.8, 46.9, 45.2 y 46.0. Encuentre un intervalo de
conanza de 95 % para la varianza de todos los paquetes de semillas de
pastos que distribuye esta compa na, suponga una poblaci on normal.
24 JOHN S. VARGAS H.
Solucion
s
2
=
n

n
i=1
x
2
i
+ (

n
i=1
x
i
)
2
n(n 1)
=
(10)(21273,12) (461,2)
2
(10)(9)
= 0,286.
Para obtener un intervalo de conanza de 95 %, elegimos = 0,05.
Despues, con el uso de la correspondiente tabla con v = 0 g.l., en-
contramos
2
0,025
= 19,023
2
0
,975 = 2,700. Por tanto, el intervalo de
conanza de 95 % para
2
es
(9)(0,286)
19,023
<
2
<
(9)(0,286)
2,700
o simplemente 0,135 <
2
< 0,953.
Dos muestras: estimaci on de la razon de dos varianzas
Una estimaci on puntual de la razon de dos varianzas poblacionales

2
1
/
2
2
est a dada por la raz on s
2
1/s
2
2
de las varianzas muestrales. De
aqu, el estadstico S
2
1
/S
2
2
se denomina estimador
2
1
/
2
2
.
Si
2
1
y
2
2
son las varianzas de poblaciones normales, podemos es-
tablecer una estimaci on por intervalo de
2
1
/
2
2
mediante el uso de es-
tadstico
F =

2
1
S
2
1

2
2
S
2
2
.
De acuerdo con un teorema visto en clase, la variable aleatoria F tiene
una distribucion F con v
1
= n
1
1 y v
1
= n
2
2 g.l. Por tanto, podemos
escribir (vease gura) donde
P[f
1/2
(v
1
, v
2
) < F < f
/2
(v
1
, v
2
)] = 1 ,
donde f
1/2
(v
1
, v
2
) y f
/2
(v
1
, v
2
) son los valores de la distribuci on F
con v
1
y v
2
g.l., que dejan un area de /2 y /2, respectivamente, a
la derecha. Al sustituir para F, escribimos
ESTIMADORES 25
P
_
f
1/2
(v
1
, v
2
) <

2
1
S
2
1

2
2
S
2
2
< f
/2
(v
1
, v
2
)
_
= 1 .
Para luego tener
P
_
S
2
1
S
2
2
1
f
/2
(v
1
, v
2
)
<

2
1

2
2
<
S
2
1
S
2
2
1
f
1/2
(v
1
, v
2
)
_
= 1 .
Y por un teorema visto en clase podemos reemplazar la cantidad f
1/2
(v
2
, v
1
)
por 1/f
/2
(v
1
, v
2
). Por la tanto,
P
_
S
2
1
S
2
2
1
f
/2
(v
1
, v
2
)
<

2
1

2
2
<
S
2
1
S
2
2
f
/2
(v
2
, v
1
)
_
= 1 .
Para cualquiera dos muestras aleatorias independientes de tama no
n
1
y n
2
que se selecciona de dos poblaciones normales, la raz on la
la varianzas muestrales s
2
1/s
2
2
, se calcula y se obtiene el siguiente
intervalo de conanza de (1 )100 % para
2
1
/
2
2
.
Intervalo de conanza para
2
1
/
2
2
Si s
2
1 y s
2
2
son las varianzas de
muestras independientes de tama no n
1
y n
2
, respectivamente, de pobla-
ciones normales, entonces un intervalo de conanza de (1)100 % para

2
1
/
2
2
es
s
2
1
s
2
2
1
f
/2
(v
1
, v
2
)
<

2
1

2
2
<
s
2
1
s
2
2
f
/2
(v
2
, v
1
)
donde f
/2
(v
1
, v
2
) es un valor f con v
1
= n
1
1 y v
2
= n
2
1 g.l. que
dejan un area de /2 a la derecha f
/2
(v
2
, v
1
) es un valor f similar con
v
2
= n
2
1 y v
1
= n
1
1 g.l.
26 JOHN S. VARGAS H.
Para obtener un intervalo de conanza de (1 )100 % para
2
1
/
2
2
tomamos la raz cuadrada de de cada extremo del intervalo para
2
1
/
2
2
.
Ejemplo 14. En le ejemplo 9 se construy o un intervalo para la difer-
encia en el contenido medio de ortofosforo, que se mide en miligramos
por litros, en dos estaciones del ro James mediante la suposici on de
que la varianza normales de la poblacion son diferente. Justique esta
suposicion mediante la construccion de un intervalo de conanza del
98 % para
2
1
/
2
2
y para
1
/
2
, donde
2
1
y
2
2
son las varianzas pobla-
cionales del contenido de ortof osforo en la estaci on 1 y en la estaci on
2, respectivamente.
Solucion
Del ejemplo 9, tenemos n
1
= 15, n
2
= 12, s
1
= 3,07, y s
2
= 0,80. Para
un intervalo de conanza de 98 %, = 0,02. Al interpolar en la tabla
correspondiente, encontramos f
0,01
(14, 11) 4,30 y f
0,01
(11, 14)
3,87. Por lo tanto, el intervalo de conanza de 98 % para
2
1
/
2
2
es
3,07
2
0,80
2
_
1
4,30
_
<
2
1
/
2
2
<
3,07
2
0,80
2
(3,87),
que se simplica a 1,425 <

2
1

2
2
< 56,991. Al calcular las races cuadradas
de los lmites de conanza, encontramos que un intervalo de conanza
de 98 % para
1
/
2
es
1,851 <

1

2
< 7,549
Como este intervalo no permite la posibilidad de que
1
/
2
sea igual a
1, es correcto suponer que
1
=
2
o que
2
1
=
2
2
en el ejemplo 9.
john vargas h@hotmail.com