V UNIDAD TEMÁTICA: ESTIMACIÓN

PUNTUAL Y POR INTERVALOS DE

CONFIANZA
2.0 Estimación de Valores poblacionales.
Inferencia Estadística es el proceso de hacer
uso de los resultados de experiencias
muestrales para obtener conclusiones sobre
las características de una población.
Nuestro estudio se centrará en la estimación
de los verdaderos valores poblacionales de
los parámetros de interés
interés.
Es necesario destacar que existen dos
métodos
ét d principales
i i l d de estimación
ti ió estimación
ti ió
puntual y por intervalos de confianza.
En estimación puntual se tiene una muestra
estadística que es usada para estimar el
verdadero valor del parámetro poblacional. El
caso de la media muestral que corresponde a
la estimación puntual de la media poblacional
y la varianza muestral que corresponde al
estimador puntual de la varianza poblacional.
A pesar que estos estimadores poseen
características deseables como
insesgamiento y eficiencia, es preciso contar
con estimación más exacta motivo por el cuál
se han desarrollado las técnicas de
estimación por intervalos de confianza.
2.1 Distribuciones Muestrales y Estimación
por Intervalos de Confianza
Confianza.

Al tomar todas las muestras y calcular los

valores
l d
de llos parámetros
á t muestrales
t l
estimados para cada una de ellas, la
distribución de estos resultados recibe el
nombre de distribución muestral.

2.1.1
2 11E Estimación
ti ió por IIntervalos
t l d de C
Confianza
fi
para la Media poblacional:

La Distribución Muestral de la Media considera

que si se toman muestras provenientes de una
Distribución Normal
Normal, la media tendrá una
distribución Normal.
 n
 xi  N   
2
x,
x
x  i 1  
n  n

(x   )
Z= = (x   ) n  N(0,1)

2

n
a) Para  con  conocido.
conocido

Z = (x   ) n  N(0,1)
N(0 1)

   
I.C. = x  Z1   2 ; x  Z1   2 
 n n 
Si la muestra supera al 5%
S % de la población, se
utilizará el Factor de Corrección para
Población Finita:
Nn
Fcpf =
N 1
Este factor se multiplica por la desviación
estándar de manera de poder obtener una
estimación aún más exacta del parámetro en
cuestión. Para el caso de trabajar con la
media se tendrá:

 Nn
n N 1
b) Para  con  desconocido.

Si no conocemos el valor de la varianza

poblacional entonces la distribución muestral
poblacional,
de la media se distribuye como sigue:
n
 xi
x  i 1  t(n – 1)
n
Entonces:

(x   ) n
T=  t(n - 1)
s
 (n - 1) s (n - 1) s 
I.C. = x - t1 - /2 ; x  t1 - /2 
 n n
La distribución t es similar a la Normal, posee
forma de campana y es simétrica; las colas de la
d. t poseen mayor área y el centro un área
menor que la Normal; a medida que aumentan
los grados de libertad la dd. t se aproxima
gradualmente a la Normal hasta que ambas son
prácticamente idénticas; esto ya que a medida
que aumenta t ell ttamaño
ñ de
d lla muestrat s se
convierte en un mejor estimador de .

Grados de libertad se relaciona con que para

calcular s se necesita obtener en primer lugar el
valor de x por lo que se dice que sólo n – 1 de
los valores están “libres”; conociendo n –1 de los
valores se ppuede obtener el dato restante yya
que se tienen condiciones preestablecidas para
aquel.
Si no es posible suponer una distribución
Normal para la media o no sea muy
razonable por la conformación, se deberá
aplicar el Teorema del Límite Central que
señala:

“A medida que el tamaño de la muestra se

vuelve lo suficientemente grande
grande, se puede
aproximar mediante la distribución Normal la
distribución muestral de la media. Esto se
cumple en forma independiente de la
distribución de los valores individuales en la
población”.
bl ió ”
Un ttamaño
U ñ dde muestra
t ““suficientemente
fi i t t
grande” será considerado, como regla
general al menos 30; para tamaños de
general,
muestra aun más pequeños será posible
aplicar
p el Teorema del Límite Central si,, p
por
ejemplo, se conoce algún antecedente de la
muestra, como el hecho que sea simétrica.

Utilizaremos siempre la distribución Normal

para la construcción de Intervalos de
Confianza para la media poblacional cuando s
sea desconocido, siempre que n > 30.
c) Para (1 - 2) con 1 y 2 conocidos.

(x1  x2)  (1  2)

Z=  N(0,1)
N(0 1)
 
2 2
1 2

n1 n2
 
2

2

2

2
2
C = (x1 - x2) - Z1 -  2
II.C.
1
 ; (x1 - x2)  Z1 -  2
2 1
 
 n1 n2 n1 n2 
 Para (1 - 2) con 1 y 2 desconocidos.
d) P d id

(x1  x2)  (1   2)

T=  t(n1 + n2 - 2)
2 1 1
Sc   
 n 1 n2 
 2 1 1 2 1 1  
(x1 - x2) - t1 - /2 Sc    ; (x1 - x2)  t1 - /2 Sc    
(n1+n2 - 2) (n1+n2 - 2)
IC=
I.C.=
  n1 n2   n1 n2  

Donde:

1  1) S1  (n2  1) S2
2 2
2
(n
Sc =
n1  n2  2
e) Para (1 - 2) muestras pareadas con d
conocido.

Z = ( d  d) n  N(0,1)
d
 d d 
I.C. =  d - Z1 - /2 ; d  Z1 - /2 
 n n

Donde:

di = x1i - x21
n di
d= 
i 1 n
f) Para (1 - 2) muestras pareadas con d

desconocido.

T = ( d  d) n  t(n - 1)
sd

 (n - 1) sd (n - 1) sd 
I.C. =  d - t1 - /2 ; d  t1 - /2 
 n n
2.1.2 Intervalos para Proporciones
poblacionales:

Proporción es cantidad de éxitos dividido por

ell ttamañoñ d
de lla muestra.
t
n
 xi
pˆ  i 1
n
Donde:
 1 si es éxito
xi  
0 si es fracaso
X  B(n;p)

E(X) = x = np
V(X) = 2 = npq
Por tanto:
 X
Epˆ   p̂  E  = p
n
 X
V pˆ   p̂  V   = pq
2

n n
Según lo establecido por la aproximación
Normal de la distribución Binomial, tenemos:

ˆp  X  N  n, pq 
n  
 n 
Donde:
pˆ  p
Z=
pq
 N(0 1)
N(0,1)
n
a) Para p.
pˆ  p
Z = pq  N(0,1)
n
 ˆ qˆ
p ˆ qˆ 
p
I.C. = pˆ - Z1 - /2 ;pˆ  Z1 - /2 
 n n 
Donde:

q = 1 - p.
b) Para (p1 - p2).
)

(pˆ 1  pˆ 2)  (p1  p2)

Z= p1q1 p2q2  N(0,1)

n1 n2

 ˆ ˆ pˆ 1qˆ 1 pˆ 2qˆ 2 ˆ ˆ pˆ 1qˆ 1 pˆ 2qˆ 2 

IC
I.C. = (p1 - p2) - Z1 - /2 n1  n2 ; (p1 - p2)  Z1 - /2 n1  n2 
 
2.1.3 Intervalos para Varianzas
poblacionales:

La distribución muestral de la varianza está

dada por:
n (xi  x)2
s 
2
1 n 1
i 1

corresponde a la varianza de una muestra

aleatoria de tamaño n de una población
distribuida normalmente con media  y
varianza 2 entonces:
(n  1) s2
X 
2
 X2(n - 1)

2

tiene una distribución que se conoce como

Chi-cuadrado.
a)) Para
P  2.
n(x  x)2

i
X2 =  X2(n - 1)
i 1  2

 (n  1) 2 (n  1)
2

I.C. =  2 s s
; 2 
 X1 - /2 (n  1) X/2 (n  1) 

1
2

b) Para 2 .
2
La distribución muestral de una razón de
varianzas se distribuye F de Fisher.
 2 2
Dadas s y s a partir de muestras aleatorias
1 2

i d
independientes
di t d de ttamañoñ n1 y n2 sacadas
d d de
poblaciones distribuidas normalmente con
varianzas 1 y  2 , tenemos:
2 2

s12
F= 12  F(n1 - 1;n2 - 1)
2
s 2
22
 2
s1
2
s1 
 2
s2 s
2

I.C. = F1  /2(n2  1;n1  1) ; F/2(n2  1;n1  1) 
2

 
 
donde:
1
F/2(n2  1;n1  1) 
F1  /2(n1  1;n2  1)