You are on page 1of 18

InnOvaciOnes de NegOciOs 5(2): 299 -316, 2009

2009 UANL, Impreso en Mxico (ISSN 1665-9627)

Hacer estimaciones estadsticas


(Making statistical estimations)
Badii, M.H. & K. Cortez
UANL, San Nicols, N.L., Mxico, mhbadii@yahoo.com.mx
Keywords: Estimations, sampling, statistics
Abstract. The notion of statistical estimation both in terms of point and interval is described. The
criteria of a good estimator are noted. The procedures to calculate the intervals for the mean,
proportions and the difference among two means as well as the confidence intervals for the probable
errors in statistics are provided.
Palabras clave: Estadstica, estimacin, muestreo
Resumen. En la presente investigacin se describen la nocin de la estimacin estadstica, tanto de
tipo puntual con de forma de intervalo. Se presentan los criterios que debe reunir un estimador bueno.
Se notan con ejemplos, la forma de calcular la estimacin del intervalo para la media, la proporcin y
de la diferencia entre dos medias y los intervalos de confianza para los errores probables.

Introduccin
El material sobre teora de probabilidad constituye la base de la inferencia
estadstica, rama de la estadstica que tiene que ver con el uso de los conceptos
de la probabilidad para tratar con la toma de decisiones en condiciones de
incertidumbre. La inferencia estadstica est basada en la estimacin, y en la
prueba de hiptesis. Tanto en la estimacin como en la prueba de hiptesis, se
hace inferencias acerca de ciertas caractersticas de las poblaciones a partir de la
informacin contenida en las muestras (Badii & Castillo, 2007, 2009).
En este trabajo introducimos mtodos que nos permiten estimar con
precisin razonable la porcin de la poblacin y la media de la poblacin. Calcular
la porcin exacta o la media exacta sera una meta imposible de obtener, pero, a
pesar de ello, seremos capaces de hacer una estimacin, de hacer una
afirmacin con respecto al error que probablemente acompaar a tal estimacin,

Estimaciones Estadsticas

300

y de poner en marcha algunos controles para evitar lo ms que se puede de


dicho error. Como tomadores de decisiones, en ocasiones, nos veremos
forzados, a confiar en nuestros presentimientos. Sin embargo, en otras
situaciones, en las cuales se tenga disponible informacin y podamos aplicar los
conceptos de la estadstica, podemos desempeamos de mejor manera (Badii et
al., 2007a, 2007b).
Estimadores
Pueden dividirse los procedimientos de estimacin en dos tipos, estimacin
puntual y estimacin por intervalo. Supongamos que en un ecosistema de pinos se
estima la altura media de las plantas mediante un solo nmero, por ejemplo 8.75
metros, o podramos afirmar que la altura de los rboles vara en un intervalo de
6.45 a 10.15 metros. El primer tipo se llama estimacin puntual, ya que se puede
asociar al nico nmero que presenta la estimacin, un punto sobre una recta. El
segundo tipo se llama estimacin por intervalo, porque se tienen dos puntos que
definen un intervalo sobre una recta. Consideramos ambos mtodo de estimacin.
Un procedimiento de estimacin puntual utiliza la informacin de una
muestra para llegar a un solo nmero, o punto, que se estima el parmetro de
inters. La estimacin real se efecta mediante un estimador. Un estimador es una
regla que expresa cmo calcular la estimacin, basndose en la informacin de la
muestra y se enuncia, en general, mediante la media muestral.
Si la media de la distribucin de muestreo de un estadstico es igual que la
del correspondiente parmetro de la poblacin, el estadstico se llama un estimador
sin sesgo del parmetro (x = ) si no, se llama un estimador sesgado (x ). Los
correspondientes valores de tales estadsticos se llaman estimaciones sin sesgo y
sesgadas, respectivamente.
Por ejemplo, la media muestral:
n

x=

x
i =1

(1)

es un estimador puntual de la media poblacional y explica exactamente cmo puede


obtenerse el valor numrico de la estimacin, una vez conocido los valores
muestrales x1, x2, ...xn. Por otra parte, un estimador por intervalo, utiliza los datos de
una muestra para determinar dos puntos que pretenden abarcar el valor real del
parmetro estimado.

Badii, M.H. & K. Cortez

301

Si es un estimador de un parmetro y si la media de la distribucin


de es , es decir, si E( ) = , entonces se dice que es no sesgado. Las
distribuciones muestrales para un estimador no sesgado y un estimador sesgado, se
indican en las Figuras 1 a y b. Ntese que la distribucin muestral para el estimador
sesgado est desplazada hacia la derecha de la . Este estimador sesgado
sobreestimar probablemente .

a) Estimador no sesgado.

b) Estimador sesgado.

Figura 1. Distribucin de estimacin no sesgado y sesgado.

La segunda propiedad deseable de un estimador es que la extensin o


alcance (medida por la variancia) de la distribucin muestral del estimador, sea lo
ms pequea posible. Esto asegura que hay una probabilidad alta de que una
estimacin individual se encuentra cerca de la . Se indican las distribuciones
muestrales para dos estimadores, uno con una variancia pequea y otro con una
variancia mayor, en las Figuras 2 a y b, respectivamente. Si utiliza el trmino
varianza de un estimador, la media de las distribuciones muestrales de variancia se
calcula como:

s = [(n - 1) / n]

(2)

Donde, es la varianza de la poblacin y n es el tamao de la muestra. La varianza


de la muestra es una estimacin sesgada de la varianza de la poblacin. Usando la
varianza modificada, tenemos:
2

s =

n 2
s
n 1

Estimaciones Estadsticas

(3)

302

a) Estimador con varianza pequea.

b) Estimador con varianza mayor.

Figura 2. Comparacin de la variabilidad de estimadores.

Encontramos s = , de manera que s$ 2 es una estimacin sin sesgo de la


. Sin embargo, s$ es una estimacin sesgada de la .
Si las distribuciones de muestreo de dos estadsticos tienen la misma media
(o esperanza), el de menor varianza se llama un estimador eficiente de la media,
mientras que el otro se llama un estimador ineficiente. Los valores correspondientes
de los estadsticos se llaman estimacin eficiente o estimacin ineficiente,
respectivamente. Si consideramos todos los posibles estadsticos cuyas
distribuciones de muestreo tienen la misma media, aquel de varianza mnima se
llama el estimador de mxima eficiencia, o sea, el mejor estimador.
La bondad de un estimador por intervalo se analiza de manera muy similar a
la de un estimador puntual. Se seleccionan muestras del mismo tamao,
respectivamente, y se determina el intervalo de estimacin para cada proceso. Este
mtodo generar un gran nmero de intervalos, en vez de puntos. Una buena
estimacin por intervalo contendr, con xito, el valor real del parmetro para una
fraccin grande del tiempo. Tal fraccin se denomina coeficiente de confianza para
el estimador; el estimador mismo se llama, a menudo, intervalo de confianza.

Badii, M.H. & K. Cortez

303

Criterios de seleccin del estimador


Algunas estadsticas son mejores estimadores que otras. Afortunadamente,
podemos evaluar la calidad de una estadstica como estimador mediante el uso de
cuatro criterios:
1. Ausencia de sesgo. Se refiere al hecho de que una media de muestra es un
estimador no sesgado de una media de poblacin porque la media de la distribucin
de muestreo de las medias de muestras tomadas de la misma poblacin es igual a
la media de la poblacin misma. Podemos decir que una estadstica es un estimador
sin sesgo o imparcial si, en promedio, tiende a tomar valores que estn por encima
del parmetro de la poblacin que se est estimado con la misma frecuencia y la
misma extensin con la que tiende a asumir valores por debajo del parmetro de
poblacin que se est estimando.
2. Eficiencia. La eficiencia se refiere al tamao del error estndar de la estadstica.
Si comparamos dos estadsticas de una muestra del mismo tamao y tratamos de
decidir cul de ellas es un estimador ms eficiente, escogeramos la estadstica que
tuviera el menor error estndar o la menor desviacin estndar de la distribucin de
muestreo.
3. Consistencia. Una estadstica es un estimador coherente de un parmetro de
la poblacin si al aumentar el tamao de la muestra, se tiene casi la certeza de que
el valor de la estadstica se aproxima bastante al valor del parmetro de la
poblacin. Si un estimador es coherente, se vuelve ms confiable si tenemos
tamaos de muestra ms grandes.
4. Suficiencia. Un estimador es suficiente si utiliza una cantidad de la informacin
contenida en la muestra que ningn otro estimador podra extraer informacin
adicional de la muestra sobre el parmetro de la poblacin que se esta estimando.
Presentamos estos criterios con anticipacin para hacerlo consciente del
cuidado que los estadsticos deben tener a la hora de seleccionar un estimador. Una
estadstica de muestra dada no siempre es el mejor estimador de su parmetro de
poblacin correspondiente. Considere una poblacin distribuida de manera
simtrica, en la que los valores de la mediana y de la media coinciden. En este caso,
la media de la muestra sera un estimador sin sesgo de la mediana de la poblacin
debido a que asumira valores que en promedio seran iguales a mediana de la
poblacin. Tambin la media de la muestra sera un estimador consistente de la
mediana de la poblacin puesto que, conforme aumenta el tamao de la muestra, el

Estimaciones Estadsticas

304

valor de la media de la muestra tendr a acercarse bastante a la mediana de la


poblacin. Y la media de la muestra sera un estimador ms eficiente de la mediana
de la poblacin que la mediana de la muestra misma, ya que en muestras grandes,
la media de la muestra tiene una desviacin estndar menor que la de la mediana
de la muestra. Al mismo tiempo, la mediana de la muestra de una poblacin
distribuida simtricamente sera un estimador imparcial y consistente de la media de
la poblacin, pero no el ms eficiente estimador porque en muestras grandes su
error estndar es mayor que el de la media de la muestra.
Estimacin puntual
Como ya se mencion las medias muestrales, los totales muestrales y las
proporciones muestrales tienen distribuciones de muestreo, con propiedades
comunes. Las estadsticas mismas son estimadores no sesgadas de sus
equivalentes poblacionales, y sus distribuciones de muestreo son aproximadamente
normales cuando el tamao de muestras es grande. Este fenmeno no restringe
solamente a las estadsticas discutidas en este trabajo. Muchas otras estadsticas,
sobre todo las obtenidas a partir de sondeos de opiniones, tienen distribuciones
muestrales que no pueden definir claramente para tamaos de muestra pequeos,
pero poseen distribuciones muestrales que tienen forma de montculo, casi
aproximadamente normales, cuando el tamao de muestra es grande. Por tal razn,
el procedimiento para evaluar la bondad (es decir, la confiabilidad o exactitud) de
cualquier estos estimadores, es lo mismo para cualquier otro estimador. Por
ejemplo, supngase que se desea estimar un parmetro poblacional utilizando un
estimador, representado por el smbolo . Adems, supondremos que la
distribucin muestral de es aproximadamente normal, y que es un estimador
no sesgado de , y que se conoce la desviacin estndar del estimador, o que se
puede aproximarla, y se la presenta por el smbolo . Si se selecciona una
muestra aleatoria de n observaciones de la poblacin, y se utiliza para calcular
una estimacin de , qu tan exacta ser la estimacin?
La grfica de la distribucin muestral normal de , que se tiene en la Figura
3, nos ayudar a contestar esta pregunta. Supngase que la estimacin se
encuentra en el punto marcado por una flecha. Tal estimacin particular se ubica a
la derecha de , y por lo tanto, sobrestima en una cantidad ( - ). El valor
absoluto de esta desviacin, denotado por - , se llama error de estimacin.

Badii, M.H. & K. Cortez

305

Figura 3. Distribucin de muestreo de un estimador .


Ejemplo 1. En una comunidad vegetal, se determin la tasa de crecimiento anual de
una especie de cedro. Se seleccion una muestra aleatoria de n = 50 rboles, y se
registr la tasa de crecimiento para cada uno. La media y la desviacin estndar de
las 50 tasas eran: x = 9.1% y s = 0.24. Estime la media de la tasa de crecimiento
para la comunidad, y evale la exactitud de la estimacin.
Solucin: Para este ejemplo, el parmetro que se desea estimar, es una media
poblacional . El estimador puntual es la media muestral x , y la estimacin
puntual de es x = 9.1%. Ya que la media muestral satisface el estimador no
sesgado de la , y su distribucin de muestreo es aproximadamente normal, para
valores grandes del tamao de muestra n, la cota para el error de estimacin es.
Cota para el error de estimacin = 1.96 x =

1.96
n

1.96(0.24)
50

= 0.07

En resumen, la estimacin de la media de la tasa de crecimiento en la


comunidad, es 9.1%. Qu tan exacta es esta estimacin? No lo sabemos
realmente. Puede sobrestimar o puede subestimar la media de la tasa de
crecimiento. Lo que s se sabe es que, la probabilidad de que el error sea menor que
0.07%, ser aproximadamente 0.95 (Figura 4). As, la cota para el error de
estimacin, 0.07%, proporciona una medida de la exactitud para la estimacin
efectuada en esta comunidad.

Estimaciones Estadsticas

306

Figura 4. Cota para el error de estimacin del Ejemplo 1.


Estimaciones de intervalo
Una estimacin de intervalo describe un intervalo de valores dentro del cual
es posible que est un parmetro de poblacin. Consideramos el concepto de
intervalo de confianza, cmo se obtiene un tal intervalo para una media poblacional
a partir de una muestra aleatoria de n observaciones.
Se puede determinar un estimador por intervalo, utilizando cualquier
estimador puntual que sea no sesgado y que posea una distribucin muestral
aproximadamente normal. Para ver cmo puede determinarse un intervalo de
confianza para , examinemos la distribucin muestral de en la Figura 5.
Supngase que tuviramos que sacar una muestra aleatoria de n observaciones de
la poblacin y utilizar los datos de la muestra para calcular una estimacin de . Se
indica una estimacin puntual particular, indicada por una flecha en la Figura 5, que
se cae dentro de 1.96 de la . Puede observarse que el intervalo de (
1.96 ), incluye a la . La estimacin puntual , caer dentro de 1.96 de la
con una probabilidad igual a 0.95.
Sean y la media y la desviacin estndar (error estndar) de la
distribucin de muestreo de un estadstico. Entonces, si la distribucin de muestreo
es aproximadamente normal podemos esperar hallar un estadstico muestral real
que est en los intervalos s ,, s 2 , o s 3 alrededor del 68.27%,
95.45% y 99.73% del tiempo, respectivamente. Por esa razn, llamamos a esos
porcientos los intervalos de confianza. Los nmeros extremos de estos intervalos se

Badii, M.H. & K. Cortez

307

llaman entonces los lmites de confianza (68.27%, 95.45% y 99.73%) o lmites


fiduciales.

Figura 5. Un intervalo de confianza para la .


Anlogamente, 1.96ds y 2.58ds son los lmites de confianza 95%
y 99% para la . El porcentaje de confianza se suele llamar nivel de confianza. Los
nmeros (1.96, 2.58, etc.) en los lmites de confianza se llaman coeficientes de
confianza o valores crticos, y se denotan por Zc. De los niveles de confianza
podemos deducir los coeficientes de confianza y viceversa (Tabla 1).
Tabla 1. Clculo de valores de Zc (coeficiente de confianza) correspondiente a varios niveles
de confianza.
Nivel
de 99.73 99
98
96
95.45 95
90
80 68.27 50%
confianza
Zc
3.00 2.58 2.33 2.05 2.00 1.96 1.645 1.28 1.00 0.6745

En general, si queremos que el coeficiente de confianza sea igual a (1 - ),


se emplea el valor z igual a z / 2 , que limita un rea de /2 en el extremo superior

de la distribucin z (Figura 5). Se puede encontrar este valor tambin en la tabla de


la distribucin normal en cualquier libro estadstico. Entonces, un intervalo de
confianza de (1 - )100% para es

Estimaciones Estadsticas

308

I.C. = z/2
Ejemplo 2. Encuentre un intervalo de confianza de 90% para la media de la tasa de
crecimiento de rboles de cedro, en una comunidad vegetal.
Solucin: Ya hemos notado que el estimador puntual x de la media poblacional ,
tiene una distribucin de muestreo que satisface las propiedades requeridas. Por lo
tanto, un intervalo de confianza de 90% para la media de la tasa de crecimiento ,
es
I.C. = x z 0.05 x = x 1.645

Al sustituir x = 9.1% y n = 50, y utilizar s = 0.24% para aproximar la ,


obtendremos:
I.C. = 9.1 (1.645)

0.24
50

= 9.1 0.0558

As se ve que la media de la tasa de crecimiento se encuentra entre 9.0442% y


9.1558%. Podemos asegurar que este intervalo particular contiene a la ? No,
pero si hay expectativas de que as es. Si se utiliza el intervalo de confianza para
estimar la , la probabilidad de que un intervalo contenga la , es 0.90.
A parte de intervalos de confianza bilaterales, es posible determinar tambin
intervalos de confianza unilaterales para loa parmetros. Un intervalo de confianza
unilateral inferior para un parmetro estimar que es mayor que algn lmite
inferior de confianza (LIC). Un intervalo de confianza unilateral superior estimar que
es menor que algn limite superior de confianza (LSC). El valor z que hay que
utilizar para un intervalo de confianza unilateral de (1 - )100%, z, localiza en un
solo extremo de la distribucin normal, como se ve en la Figura 6. Se indican lmites
de confianza unilaterales inferior y superior para , en la Tabla 2.

Badii, M.H. & K. Cortez

309

Figura 6. Localizacin de z para un intervalo de confianza unilateral de (1 - )


100%.
Tabla 2. Lmite de confianza unilaterales para la .
Coeficiente de
LIC

z
confianza
0.90
0.10
1.28
1.28
0.95

0.05

1.645

1.645

0.99

0.01

2.33

2.33

LSC

+ 1.28
+ 1.645
+ 2.33

Ejemplo 3. El valor promedio de peso y la desviacin estndar de camarones


cultivados en 40 estanques, eran x =10.3 gramos y s = 0.31 gramos. Como
solamente interesa el lmite superior del peso, hallar un intervalo de confianza
unilateral superior de 95% para el peso medio de camarones.
Solucin: Puesto que el coeficiente de confianza es 0.95, = 0.05 y z0.05 = 1.645.
Por tanto, el intervalo de confianza unilateral de 95%, para es:

Estimaciones Estadsticas

310

I.C. = x z 0.05 x = x 1.645

Al sustituir x = 10.3, n = 40 y s = 0.31, para aproximar la , el intervalo de confianza


unilateral sera:
LSC = 10.3 + (1.645)

0.31
40

= 10.3806

La probabilidad de que el intervalo de confianza unilateral contenga a la , es 0.95.


Estimar el intervalo de la media
Si el estadstico tiene la media ( x ) de la muestra, entonces los lmites de
confianza para estimar la media de la poblacin vienen dados por x 1.96 X
( = 0.05). En trminos generales, los lmites de confianza para estimar la media de

la poblacin vienen dados por X zc X , donde zc se puede leer en las tablas


correspondientes en los libros estadsticos.
I.C. = x z / 2

(4)

Donde:
I.C. = intervalo de confianza.
z/2 = valor z que corresponde al rea /2 en el extremo superior de una distribucin
normal estndar z.
n = tamao muestral
= desviacin estndar de la poblacin muestreada
Si el muestreo es de una poblacin finita, el intervalo de confianza se calcula por.
I.C. = x z / 2
En lo que:
N = tamao de la poblacin conocido.
n = tamao de la muestra.

N n
N 1

Badii, M.H. & K. Cortez

(5)

311

Ejemplo 4. Un investigador de un laboratorio de alimentos para cachorros desea


estimar la vida media de alimento enlatada en condiciones normales. Se conoce que
la desviacin estndar de la vida de la poblacin es de seis meses. Suponga que
seleccionamos una sola muestra aleatoria de 100 latas con un valor promedio 21 de
meses de vida y una desviacin muestral de 6 meses. Si el investigador utiliza
10,000 latas al ao, cul es el intervalo de confianza cuando = 0.05?
Solucin: Calcularemos el error estndar de la media haciendo el uso de la
ecuacin 3.

x =

6
100

= 0.6

Con un nivel de 95% de confianza se encuentra la media de la distribucin de


muestreo
LSC = x + 1.96 x = 21 + 1.96(0.6) = 22.18 meses
y
LIC = x 1.96 x = 21 1.96(0.6) = 19.82 meses
De esta manera podemos informar que la vida media de alimento se encuentra entre
18.82 y 22.18 meses con 95% de confianza.
Ejemplo 5. El departamento de servicio social de una empresa est interesado en
estimar el ingreso media anual de 700 familias que viven en una rea metropolitana.
Se tom una muestra con las siguientes caractersticas.
n = 50 = tamao de muestra
x = $ 11,800 media de la muestra
s = $ 950 desviacin estndar de la muestra
En base a estos datos, calcular la desviacin estndar estimada de la poblacin.
Solucin: La desviacin estndar de la poblacin se calcula como:

= s =

(x x)

n 1

Estimaciones Estadsticas

312

Ahora podemos estimar el error estndar de la media para un tamao de poblacin


finita como:

x =

N n
N 1

Como estamos calculando el error estndar de la media mediante una estimacin de


la desviacin estndar de la poblacin, volvemos a escribir esta ecuacin de modo
que quede simbolizada correctamente:

x =

x
n

N n 950
700 50
=
x
= $129.57
N 1
700 1
50

El lmite de confianza de 90% se calcula como:


LSC = x + 1.64 x = 11,800 +1.64 ($129.57) = 12,012.50
y
LIC = x 1.64 x = $11,800 1.64 (129.57) = 11,587.50
El informe que podramos dar al departamento de servicio social sera: con una
confianza de 90% estimamos que el ingreso anual promedio de las 700 familias se
encuentra entre $11,587.50 y $12,012.50.
Estimar la diferencia entre dos medias
Un problema de igual importancia que la estimacin de las medias
poblacionales, es la comparacin de dos medias. Por ejemplo, quiz se necesite
estimar la diferencia entre dos ecosistemas o zonas ecolgicas de un pas, respecto
a la riqueza en biodiversidad.
Para cada uno de estos ejemplos se postulan dos poblaciones, la primera
2
con una media 1 y una variancia 1 , y la segunda con una media 2 y una

variancia 2 . Se toma una muestra aleatoria de n1 mediciones de la poblacin 1, y


n2 de la poblacin 2, y se supone que las muestras han sido seleccionadas
independientemente. Por ltimo, se calcula las estimaciones x1 , s12 , y x 2 , s 22 de los
parmetros poblacionales, a partir de los datos muestrales.
2

Badii, M.H. & K. Cortez

313

La diferencia ( x1 x2 ) entre las medias muestrales es un estimador


puntual no sesgado de la diferencia entre las medias poblacionales (1 - 2). Como
sabemos la distribucin muestral del estimador ( x1 x2 ) ser aproximadamente
normal para muestras grandes, con una media y una desviacin estndar dadas en
la siguiente forma:
E( x1 x 2 ) = 1 2

(x x ) =
1

12
n1

(6)

22

(7)

n2

La cota para el error del estimador puntual de (1 - 2) = 1.96

12

22

n1 n2
Se puede obtener un intervalo de confianza bilateral para (1 - 2), con 1 -
coeficiente de confianza, utilizando la siguiente frmula: Intervalos de confianza de
(1 - )100% para (1 - 2) en el caso de muestras grandes
I.C.= ( x1 x 2 ) z / 2

12
n1

22
n2

(8)

2
2
Se pueden utilizar las varianzas muestrales s1 y s 2 , cuando se desconocen estos
parmetros.
Estimar intervalo de la proporcin

Los estadsticos, a menudo, utilizan una muestra para estimar la porcin de


un evento en una poblacin. Las frmulas para la media y la desviacin estndar de
la distribucin binomial son:

= np

= npq
En las que:
n = nmero de ensayos o intentos
p = probabilidad de xito
q = 1 p = probabilidad de fracaso

Estimaciones Estadsticas

314

Para calcular la media de la distribucin de muestreo de la porcin de xito


dividimos np entre n y obtenemos solo el valor p. La media, que se encuentra al lado
izquierdo de la ecuacin se convierte en x , es decir, en la media de la distribucin
de muestreo de la proporcin de xitos:

p = p
De forma similar podemos modificar la frmula para la desviacin estndar
de la distribucin binomial, npq , que mide la desviacin estndar que existe en el
nmero de xitos. Para cambiar el nmero de xitos a la porcin de xitos,
pq / n . En trminos estadsticos, la
dividimos npq entre n y obtenemos
desviacin estndar para la porcin de xitos en una muestra se simboliza como:

p =

pq
n

Ejemplo 6. Considerando que solo 40% de maestros de una universidad prefieren la


planificacin de sus actividades, se seleccion una muestra aleatoria de tamao 75
de poblacin de maestros. Calcular el error estndar estimado de la porcin con una
precisin de 99%.
Solucin: El error estndar estimado de la porcin se calcula como:

p =

pq
=
n

(0.4)(0.6)
= 0.057
75

el lmite de confianza se determina como:


LSC = p + 2.58 p = 0.4 + 2.58 (0.057) = 0.547 = Lmite superior de confianza
y
LIC = p 2.58 x = (0.4) - 2.58 (0.057) = 0.253 = Lmite Inferior de confianza
Por tanto, estimamos, a partir de nuestra muestra de 75 empleados que, con 99%
de confianza, creemos que la porcin de la poblacin total de maestros que
planifican sus propias actividades est entre 0.253 y 0.547.
Badii, M.H. & K. Cortez

315

IC de la diferencia entre dos medias proporcionales


Si el estadstico es la proporcin de xitos en una muestra de tamao n
sacada de una poblacin binomial en la que p es la proporcin de xitos, entonces
los lmites de confianza para p se dan por p zc p, donde p es la proporcin de
xitos en la muestra de tamao n. Si el muestreo es de una poblacin infinita o finita
con reposicin, los intervalos de confianza son:
p zc

pq
= p zc
n

p(1 p )
n

(9)

Si el muestreo es de una poblacin finita de tamao np y sin reposicin, los


intervalos de confianza son:
p zc

pq n p n
n np 1

(10)

IC para desviaciones estndares y el error probable


Los lmites de confianza para la desviacin estndar de una poblacin
normalmente distribuida (), estimados a travs de una muestra con desviacin
estndar igual a la s, vienen dados por:
s z c s = s z c

2n

(11)

Los lmites de confianza 50% de los parmetros de poblacin


correspondientes a un estadstico S vienen dados por s 0.6745s. La cantidad
0.6745s se conoce como el error probable de la estimacin.

Estimaciones Estadsticas

316

Conclusiones
La primera fase de la estadstica se trata de coleccionar, ordenar y
presentar los datos o hechos numricos. La segunda parte de la estadstica se
encarga de analizar, sintetizar (hacer inferencias y realizar interpretacin) y
finalmente publicar los datos que han sido presentados en forma de grafica y/o de
manera tabular. Es precisamente en la seccin del anlisis estadstico en donde el
investigador debe modificar los datos, es decir hacer estimaciones de los datos
brutos. Para hacer estimaciones, uno debe estar bien familiarizado con los criterios
estadsticos que se debe reunir y considerar en el proceso de la estimacin, ya que
las estimaciones sesgadas nos conducen a las inferencias y decisiones errneas.
Es precisamente con este punto en la mente que se avoco a realizar la presente
investigacin.
Referencias
Badii, M.H. & J. Castillo. (eds.). 2007. Tcnicas Cuantitativas en la Investigacin. UANL,
Monterrey.
Badii, M.H. & J. Castillo. 2009. Muestreo Estadstico: Conceptos y Aplicaciones. UANL, Monterrey.
Badii, M.H., J. Castillo, A. Wong & J. Landeros. 2007a. Precisin de los ndices estadsticos:
tcnicas de jacknife & bootstrap. InnOvaciOnes de NegOciOs. 4(1): 63-78.
Badii, M.H., J. Castillo, J. Landeros & K. Cortez. 2007b. Papel de la estadstica en la investigacin
cientfica. InnOvaciOnes de NegOciOs. 4(1): 107-145.
Badii, M.H., J. Castillos, R. Foroughbakhch & K. Cortez. 2007c. Probability and scientific research.
Daena, 2(2): 358-369.
Fuino, Y. 1980. Aproxmate binomial confidence limits. Biomtrica 67: 677-681.
Ghosh, B.K. 1979. A comparison of some aproxmate confidence intervals for the bionamial
parameter. J. Amer. Statist. Assoc. 74: 894-900.
Pfanzagl, J. 1978. Estimation Confidence Intervals and regions. In kruskal and Tanur 259-267.
Sutton, J. B. 1990. Values of the index of determination at the 5% significance level. Statistician
39: 461-463.

Badii, M.H. & K. Cortez

You might also like