PyE2 Unidad2 ML

Probabilidad y Estadística II
Teoría de Estimación
Material elaborado por:
Lic. Roberto Adriano Páez Giménez
Campus Universitario
San Lorenzo, Paraguay

Universidad Nacional de Asunción
Facultad de Ciencias Exactas y Naturales
Departamento de Educación a Distancia
Índice
1. Teoría de Estimación .................................................................................................. 3
1.1. Introducción ................................................................................................................. 3
2. Estimación Puntual ..................................................................................................... 3
2.1. Población...................................................................................................................... 3
2.2. Propiedades de los Estimadores Puntuales ................................................................. 6
3. Estimación por Intervalo ............................................................................................. 6
3.1. Estimación por intervalo de la media a partir de muestras grandes .......................... 7
3.2. Estimación por intervalo de la proporción a partir de muestras grandes................. 15
3.3. Estimación por intervalo para la diferencia de medias de dos poblaciones, a partir
de muestras grandes............................................................................................................. 17
3.4. Estimación por intervalo para la diferencia de proporciones de dos poblaciones, a
partir de muestras grandes................................................................................................... 20
3.5. Intervalo de confianza para la varianza (muestras grandes) ..................................... 23
Bibliografía...................................................................................................................... 25
2 www.virtual.facen.una.py
1. Teoría de Estimación
1.1. Introducción
Cuando queremos realizar una investigación cualquiera en una población determinada, de la
cual desconocemos sus parámetros, como la media de ingreso por vivienda de la zona
urbana, o la proporción de mujeres con empleo fijo, y la posibilidad de estudiar a toda la
población es muy costosa, requiere mucho tiempo, mucha mano de obra y muchos otros
inconvenientes, entonces tomar una muestra aleatoria de la población es un buen recurso.
De la muestra calculamos una media que será una medida aproximada del verdadero valor
de la media poblacional, así como podemos calcular también una medida aproximada de la
proporción de mujeres mencionada. Cada una de estas aproximaciones recibe el nombre de
Estimación.
La teoría de la inferencia estadística nos indica los procedimientos con los cuales podemos
trabajar con muestras y los datos así obtenidos generalizarlos a toda la población. En esta
temática, la teoría de la estimación nos proporciona fórmulas y propiedades para calcular
valores puntuales para el verdadero valor del parámetro, así como establecer intervalos de
valores posibles para estos parámetros.
2. Estimación Puntual
2.1. Población
Una estimación puntual de un parámetro poblacional desconocido (como puede ser la

media µ, la varianza σ2, la proporción P), es un número que se obtiene de la muestra y que
pretende estimar el verdadero valor de dichos parámetros.
Walpole, Myers, Ye (2007) señalan lo siguiente:
“. . . el valor x del estadístico X , que se calcula a partir de una muestra de tamaño n, es

^ x
una estimación puntual del parámetro poblacional µ. De manera similar p = es una
n
estimación puntual de la verdadera proporción P”
No debemos esperar que un estadístico realice una estimación exacta del parámetro
poblacional, sino que en realidad esperamos que sea un valor que no se aleje mucho.
Siempre estaremos por lo tanto trabajando con un margen de error, error que debemos
controlar y recordar siempre, a la hora de sacar conclusiones y tomar decisiones.
Ejemplo 2.1
La tabla 1 indica, entre otras cosas, el puntaje promedio en matemática de 20 alumnos de un

colegio, seleccionados aleatoriamente y que pertenecen a diferentes grados o cursos. Con
esta información indiquemos:
a) Una estimación puntual del puntaje medio en matemática de todo el colegio

b) Una estimación puntual de la desviación estándar del puntaje medio en matemática
de todo el colegio.
c) Una estimación puntual de la proporción de estudiantes que fuman. Utilice para ello
la información adicional de la tabla
Alumno Puntaje Fuma Alumno Puntaje Fuma

medio en medio en
matemática matemática
1. 4,2 Si 11. 3,1 Si
2. 3,1 No 12. 3,8 Si
3. 2,1 No 13. 3,6 Si
4. 5,0 No 14. 2,5 No
5. 2,3 No 15. 4,2 No
6. 2,4 Si 16. 5,0 No
7. 2,4 No 17. 4,4 No
8. 3,1 Si 18. 1,8 No
9. 4,0 Si 19. 2,1 No
10. 3,2 No 20. 2,6 Si
Tabla 1: datos de la muestra de 20 estudiantes del colegio
Solución
Para estimar la media de puntajes µ, usamos el estadístico X =

∑ i =1
xi
, extraemos de la
n
tabla los veinte puntajes y calculamos el promedio:
4,2 + 3,1 + 2,1 + ...... + 1,8 + 2,1 + 2,6 x = 3,245

x=
20
Observemos que el valor puntual 3,245 es la media de los puntajes en matemática de los
veinte alumnos tomados en la muestra, este valor sin embargo es una aproximación del
promedio µ de todo el colegio. Por lo tanto, es una estimación puntual del parámetro
poblacional.
Destaquemos que con esto no decimos que el promedio de todo el colegio es 3,245 , sino
que esperamos que ese valor desconocido no se aleje mucho de la media muestral.
El valor de la desviación estándar de los puntajes de toda la población, σ, lo vamos a estimar
∑ (X )
n 2
∧ −X
con el estadístico S = i =1 i
n −1
Con los datos de la tabla y con la media calculada en a), tenemos que
∧
s=
(4,2 − 3,245)2 + (3,1 − 3,245)2 + ...... + (2,1 − 3,245)2 + (2,6 − 3,245)2
20 − 1
∧
s = 0,98 , aproximadamente 1
Esperamos que la desviación estándar del puntaje medio de todos los alumnos del colegio
sea aproximadamente 1 punto.
Para estimar la proporción de estudiantes que fuman, de todo el colegio, utilizamos el

cantidad de estudiantes que fuman
estadístico p =
tamaño de la muestra
Contamos la cantidad de alumnos que fuman, información dada en la tabla 1 y calculamos el

valor de p
8
p= = 0,40
20
Este dato puntual nos indica que la proporción de alumnos fumadores de todo el colegio es
alrededor del 40%.
Medida de Resumen Parámetro Estadístico para la estimación puntual
Media o Promedio µ n
X =
∑ i =1
xi
n
σ2
∑ (x )
2
Varianza ∧2
n
−x
= i =1 i
S
n −1
∑ (x )
Desviación Estándar σ n 2
∧
i =1
−x
S=
i
n −1
Proporción P número de éxitos
p=
n
Tabla 2: Estimadores puntuales
2.2. Propiedades de los Estimadores Puntuales
Veamos dos propiedades importantes de los estimadores puntuales:
a) Insesgo: Cuando el valor esperado del estadístico muestral es igual al parámetro

poblacional, decimos que ese estadístico es un estimador insesgado del parámetro
poblacional. Esto nos indica que la media de todos los valores posibles del estadístico
debe ser igual al parámetro. Si los estimadores no cumplen con esta condición,
tenemos una gran probabilidad de equivocarnos a la hora de emitir una conclusión
(sobrestimaciones o subestimaciones de las medidas de resumen)
Algunos estimadores insesgados son:
• La proporción muestral “p” como estimador de la proporción poblacional “P”

• La media muestral X como estimador de la media poblacional µ
∧
• La varianza muestral S 2 como estimador de la varianza poblacional σ2
b) Eficiencia: Hablamos de eficiencia cuando tenemos dos o más estimadores

puntuales, siempre preferimos aquel que tenga menor desviación estándar porque
tiende a proporcionar estimaciones más cercanos al parámetro.
Por ejemplo, si tomamos muestras aleatorias de una población y calculamos la media
muestral y la mediana, y luego sus respectivas desviaciones estándar, veremos que la
desviación estándar de las medias muestrales es menor que la desviación estándar
de las medianas. Por lo tanto la media muestral es más eficiente que la mediana.
3. Estimación por Intervalo

En la estimación puntual atribuimos al parámetro un único valor obtenido con los datos
muestrales, y este valor difícilmente coincidirá con el verdadero valor del parámetro, por ello
optamos por la estimación por intervalo.
La estimación por intervalo consiste en atribuir al parámetro desconocido un rango de posibles

valores (información obtenida de la muestra), donde se espera esté contenido el verdadero
valor del parámetro.
Supongamos que estimamos el gasto promedio en pasajes y otros gastos en los que incurren
los estudiantes de la Universidad Nacional de Asunción para acudir a las clases de sus
respectivas carreras. Para ello, se tomó una muestra de 50 estudiantes y la estimación puntual
fue de Gs.1.420.000 .
Pero también imaginemos que existen estudiantes que podrían gastar más o menos que este
valor y para los cuales este valor puntual no es muy adecuado. Es ahí donde evidenciamos la
importancia de la estimación por intervalo, daremos un rango de valores donde podría

encontrarse el gasto mensual medio de todos los estudiantes.
Para construir el intervalo de confianza (IC), como primer paso, seleccionamos un nivel de
confianza (NC), que es la probabilidad de que el intervalo contenga al verdadero valor del
parámetro. Imaginemos que este NC es del 95%.
Teniendo en cuenta el NC, como segundo paso, calculamos el error estándar de la medición
muestral y a partir de allí el error de la estimación; supongamos que ese error, para nuestro
ejemplo es de Gs. 420.000 .
Finalmente, como tercer paso calculamos los límites del intervalo de confianza:
• Límite inferior (LI) = estimación puntual – error de la estimación
Gs.1.420.000 – Gs. 420.000 = Gs.1.000.000
• Límite superior (LS) = estimación puntual + error de la estimación
Gs.1.420.000 + Gs. 420.000 = Gs.1.840.000
Esto significa que con una confianza del 95%, la media del gasto de cada estudiante está
comprendida entre Gs.1.000.000 y Gs.1.840.000
Figura 1: IC para el gasto medio
Gráfica 1: Límites del IC para el gasto medio
Fuente: http://docentes.educacion.navarra.es/msadaall/geogebra/figuras/normal5b.html
3.1. Estimación por intervalo de la media a partir de muestras grandes
Para el cálculo de probabilidades en la distribución muestral de medias utilizamos la fórmula

x−µ
z= , si de esta fórmula despejamos el valor de µ, tenemos que:
σ
n
σ
µ = x ± z.
n
σ
x difiere de µ en z. , por ello concluimos que el error de la estimación (E) es:
n
σ
E = z.
n
σ
Y como el cociente se conoce como error estándar de la media (EE), tenemos que el error
n
máximo de la estimación es:
E = z.EE
De esta última fórmula notemos que para calcular debemos conocer el tamaño “n” de la
muestra, la desviación estándar σ de la población y el valor de z.
Para calcular el valor de z establecemos un nivel de confianza y con ese dato buscamos en la
Tabla de la distribución z el valor correspondiente.
∧
Si σ es desconocido, pero la muestra es grande (n>30), utilizaremos s en lugar de σ.
Ejemplo 3.1.1
Se desea estimar la edad promedio de los empleados de una empresa multinacional que cuenta
con miles de empleados. Para la realización de la investigación se tomó una muestra de 250
empleados y se encontró que la edad promedio es de 30 años con una desviación estándar de
5,2 años.
a) ¿Cuál es el error estándar de la media?

b) Estima un intervalo de confianza del 95% para la edad promedio de la población
Solución
El tamaño de la muestra es n = 250

∧
La estimación puntual de la media es x = 30 años y la desviación estándar es s = 5,2 años.
σ ∧
a) El error estándar de la media muestral es EE = , utilizaremos s como σ puesto que
n
n>30
5,2
EE = , de donde obtenemos que EE = 0,3289
250
b) Para estimar el intervalo de confianza necesitamos el valor de z que se corresponda con

el nivel de confianza
Gráfica 2: Límites del IC para la edad promedio
La región sombreada en la gráfica de la distribución normal indica el nivel de confianza del

intervalo que es de 95%=0,95.
Para determinar el valor de z debemos dividir entre dos este nivel de confianza y tendremos
que 0,95 ÷ 2 = 0,475.
Gráfica 3: Valor de Z para un área de 0 a z
Veamos una sección de la Tabla de la distribución Z, dentro de ellas buscamos el valor de

0,475 que es el área que deseamos
Tabla 3: Valor de z para 0,475
Fuente: Levin, R., “Estadística para administración y economía”
Por lo tanto, notamos que el valor de z = 1,96
Ahora podemos calcular el error máximo de la estimación:
E = z.EE = 1,96 . 0,3289
E = 0,6446
Y por lo tanto los límites del IC
LI = x − E LI = 30 − 0,6446 LI = 29,3554
LS = x + E LS = 30 + 0,6446 LS = 30,6446
Tenemos 95% de confianza de que la edad promedio de los empleados de la empresa esté
comprendida entre 29,3554 y 30,6446 años.
O lo que es lo mismo P(29,3354 < µ < 30,6446) = 0,95
Por lo tanto el intervalo de confianza para la media es igual a:
Ejemplo 3.1.2
El dueño de un restaurante recién inaugurado, ha tenido problemas para estimar la cantidad

de comida que debe de hacerse cada día. Por eso decidió determinar el número promedio
de clientes a quienes atienden cada noche, seleccionó una muestra de 49 noches, de las que
lleva abriendo, y obtuvo por resultado una media de 71. La desviación estándar de la
población ha sido establecida como 8,4.
a) ¿Cuál es el error estándar de la media?
b) Realiza una estimación por un intervalo que tenga una probabilidad de 90% de incluir a la
media de la población.
Solución
Tomamos los datos referentes al número medio de clientes atendidos y obtenemos los
siguientes resultados:
Tamaño de la muestra n = 49
Media de la muestra x = 71
Desviación estándar de la población σ = 8,4
El problema nos pide que encontremos una estimación de intervalo con un nivel de
confianza del 90%. El tamaño de la muestra es mayor que 30, calculamos el error estándar
σ
de la media con la ecuación E.E =
n
8,4
E .E = E.E = 1,2
49
Como un nivel de confianza del 90% incluirá 45% del área que se encuentra a ambos lados
de la media de la distribución muestral, podemos buscar en la Tabla de la Distribución Z el
valor correspondiente a 0,45.
Evidenciamos en la tabla que un área de 0,45 corresponde al promedio de los valores de

1,64 y 1,65 , por lo tanto el valor que utilizaremos para determinar los límites del intervalo es
1,64 + 1,65
z= = 1,645
2
Ahora podemos calcular el error máximo de la estimación:
E = z.EE = 1,645 . 1,2
E = 1,974
Y, por lo tanto, los límites del IC
LI = x − E LI = 71 − 1,974 LI = 69,026
LS = x + E LS = 71 + 1,974 LS = 72,974
Tenemos 90% de confianza de que la cantidad promedio de clientes atendidos por día está
comprendida entre 69 y 73, aproximadamente.
O lo que es lo mismo P(69 < µ < 73) = 0,90
Gráfica 4: Límites del IC del 90% para el promedio de clientes
Ejemplo 3.1.3
El departamento de servicio social de una dependencia gubernamental local está interesado

en estimar el ingreso medio anual de 700 familias que viven en una sección de 4 manzanas
de una comunidad. Para ello, se toma una muestra aleatoria de 50 familias y se encuentra
que la media es 1.118.000 guaraníes con una desviación estándar de 95.000 guaraníes.
Determina un intervalo de confianza del 99% para el ingreso medio anual.
Solución
De la muestra aleatoria obtuvimos los siguientes resultados:
Tamaño de la muestra n = 50
Media de la muestra x = 1.118.000

∧
Desviación estándar de la población s = 95.000
Tamaño de la población N = 700

∧
No conocemos la desviación estándar de la población y por tanto utilizaremos s = 95.000
como σ para nuestros cálculos.
σ N −n
Para estimar el error estándar utilizaremos la fórmula E.E = . , así:
n N −1
95.000 700 − 50
E .E = . E.E = 12.955,575
50 700 − 1
Luego consideramos el nivel de confianza del 99%, que incluirá 49,5% del área que se
encuentra a ambos lados de la media de la distribución de muestreo. Observamos la tabla
correspondiente a la distribución Z y buscamos el valor correspondiente a 0,495.
Notamos que para 0,4975 el valor de z corresponde al promedio de 2,57 y 2,58 , por lo
tanto el valor que utilizaremos para determinar los límites del intervalo es
2,57 + 2,58
z= = 2,575
2
El error máximo de la estimación es:
E = z.EE = 2,575 × 12.955,575
E = 33.361
Con ello calculamos los límites del IC
LI = x − E LI = 1.118.000 − 33.361 LI = 1.084.639
LS = x + E LS = 1.118.000 + 33.361 LS = 1.151.361
Para un nivel de confianza del 99%, el ingreso promedio anual está comprendido entre
1.084.639 y 1.151.361 guaraníes.
En general, decimos que:
3.2. Estimación por intervalo de la proporción a partir de muestras

grandes
Si el estadístico que deseamos estudiar es la proporción de éxitos en una muestra de tamaño

n sacada de una población binomial en la que p es la proporción de éxitos en la
mencionada muestra, entonces los límites de confianza para p vienen dados por:
Límite del Intervalo = proporción muestral ± error de estimación
Error de la estimación (E)
E = z.EE
Error estándar (EE)
p(1 − p)
• EE = , si el muestreo es de una población infinita o finita con reposición
n
p(1 − p) N − n
• EE = . , si el muestreo es de una población finita y sin reposición
n N −1
Ejemplo 3.2.1
Un sondeo de 99 votantes elegidos al azar en un distrito del departamento Central indica

que el 55% de ellos estaban a favor de un cierto candidato. Halla los límites de confianza
para un nivel del 95%.
Solución
Indicamos los datos del problema; n = 99 , p = 0,55
Calculamos el error estándar de la proporción
p(1 − p) 0,55.(1 − 0,55)

EE = EE = EE = 0,05
n 99
Seguidamente consideramos el nivel de confianza del 95%, que incluirá 47,5% del área que
se encuentra a ambos lados de la proporción media de la distribución de muestreo.
Observamos la tabla correspondiente a la distribución Z y buscamos el valor correspondiente
a 0,475. Ya hicimos este cálculo en el ejemplo 2 y vimos que z = 1,96 .
Luego hallamos el error máximo de la estimación:
E = z.EE = 1,96 × 0,05
E = 0,098
Finalmente calculamos los límites del IC
LI = p − E LI = 0,55 − 0,098 LI = 0,452
LS = p + E LS = 0,55 + 0,098 LS = 0,648
Para un nivel de confianza del 95%, la proporción de votantes a favor de un candidato está
comprendida entre 0,452 y 0,648, o lo que es lo mismo entre 45,2% y 64,8% .
En general:
Ejemplo 3.2.2
El gerente de créditos de un banco local investigó aleatoriamente 150 préstamos concedidos

por la entidad de las 3.000 realizadas en el último semestre, y determinó que el 60% estaba
en condiciones excelentes. Construya un intervalo de confianza del 90% para la proporción
de cuentas con calificación excelente.
Solución
Extraemos los datos del problema; N = 3.000 , n = 150 , p = 0,60
Con los datos hallamos el error estándar de la proporción
p(1 − p) N − n 0,60.(1 − 0,60) 3000 − 150

EE = . EE = .
n N −1 150 3000 − 1
EE = 0,039
Consideramos el nivel de confianza del 90%, que incluirá 45% del área que se encuentra a
ambos lados de la proporción media de la distribución de muestreo. Observamos la tabla
correspondiente a la distribución Z y buscamos el valor correspondiente a 0,45. Ya hicimos

este cálculo en el ejemplo 3) y vimos que z = 1,645 .
Hallamos el error máximo de la estimación:
E = z.EE = 1,645 × 0,039
E = 0,064
Y concluimos con los límites del IC
LI = p − E LI = 0,60 − 0,064 LI = 0,536
LS = p + E LS = 0,60 + 0,064 LS = 0,664
Para un nivel de confianza del 90%, la proporción de cuantas que tienen una excelente
calificación, está comprendida entre 0,536 y 0,664 , es decir entre 53,6% y 66,4% .
En general:
3.3. Estimación por intervalo para la diferencia de medias de dos

poblaciones, a partir de muestras grandes
Si el estadístico que deseamos estudiar es la diferencia de las medias X 1 − X 2 , de dos

poblaciones normales con varianzas conocidas σ 1 y σ 2 , podemos estimar un intervalo de
2 2
confianza para la verdadera diferencia de las medias poblacionales, µ1 − µ 2 .
Límite del Intervalo = diferencia de las medias muestrales ± error de estimación
E = z.EE
σ 12 σ 22
EE = + ,
n1 n2
Donde n1 es el tamaño de la muestra tomada de la población 1 y n2 es el tamaño la muestra

seleccionada de la población 2.
Ejemplo 3.3.1
Dos maquinarias A y B, usadas para el corte de piezas de cartón, tienen que ser comparadas
para comprobar la calidad de la producción. Se extrae una muestra de 50 elementos por la
maquinaria A y 45 para la maquinaria B. También, se sabe que la varianza de los cortes es de
9 cm para el grupo A y 16 para el grupo B. Sabiendo que las medias maestrales obtenidas
son respectivamente iguales a 140 cm y 120 cm, hallar un intervalo de confianza al 95% para
la diferencia de las medias de las dos poblaciones.
Solución
La primera población hace referencia a los datos de la máquina A y la segunda población a

los datos de la máquina B.
Extraemos los datos del problema; n1 = 50 , n2 = 45 , las medias muestrales son x1 = 140 cm ,
x 2 = 120 cm y las varianzas poblaciones σ 1 = 9 y σ 2 = 16 .
2 2
Con los datos hallamos el estadístico diferencia de medias y luego el error estándar del
mismo:
X 1 − X 2 = 140 − 120 = 20
σ 12 σ 22 9 16
EE = + EE = +
n1 n2 50 45
EE = 0,7318
Para el nivel de confianza del 95%, vimos que z = 1,96
E = z.EE = 1,96 × 0,7318
E = 1,4343
Los límites del IC son:
(
LI = X 1 − X 2 − E) LI = 20 − 1,4343 LI = 18,5657
LS = (X 1 − X )+ E
2 LS = 20 + 1,4343 LS = 21,4343
Para un nivel de confianza del 95%, la diferencia entre las medias de las mediciones hechas
por las máquinas A y B, está comprendida entre 18,5657 cm y 21,4343 cm .
Es decir 18,5657 < µ1 − µ 2 < 21,4343
En general:
Ejemplo 3.3.2
Una compañía de taxis está tratando de decidir la compra de neumáticos de las marcas 1 ó 2
para sus vehículos. Para estimar la diferencia de las dos marcas se realiza un experimento
empleando 40 neumáticos de cada marca. Los neumáticos se hacen correr hasta su desgaste
total. Los resultados son:
Marca 1 Marca 2
x1 = 38.600 km x 2 = 35.400 km
∧ ∧
s 1 = 500 km s 2 = 800 km
Estimar un intervalo del 90% para µ1 − µ 2
Solución
Indicamos los datos del problema:
Tamaño de las muestras: n1 = n2 = 40
Medias muestrales: x1 = 38.600 km y x 2 = 35.400 km
La diferencia de medias: X 1 − X 2 = 38.600 − 35.400 = 3.200

∧ ∧
Utilizaremos s 1 = 500 km y s 2 = 800 km como estimaciones de σ 1 y σ 2 respectivamente, ya
que los tamaños muestrales son mayores que 30.
Para el nivel de confianza de 90% recordemos que z = 1,645 .
El intervalo pedido es:
(X 1 )
− X 2 − z.
σ 12
n1
+
σ 22
n2
( )
< µ 1 − µ 2 < X 1 − X 2 + z.
σ 12
n1
+
σ 22
n2
500 2 800 2 500 2 800 2

3.200 − 1,645. + < µ1 − µ 2 < 3.200 + 1,645. +
40 40 40 40
2954,62 < µ1 − µ 2 < 3445,38
Gráfica 5: Límites del IC del 90% para la diferencia de medias
3.4. Estimación por intervalo para la diferencia de proporciones de dos

poblaciones, a partir de muestras grandes
Si el estadístico que deseamos estudiar es la diferencia de las proporciones p1 − p 2 , de dos

poblaciones normales, podemos estimar un intervalo de confianza para la verdadera
diferencia de las proporciones poblacionales, P1 − P2 .
Límite del Intervalo = diferencia de las proporciones muestrales ± error de estimación
E = z.EE
p1 .(1 − p1 ) p 2 .(1 − p 2 )
EE = + ,
n1 n2
Donde n1 es el tamaño de la muestra tomada de la población 1 y n2 es el tamaño la muestra

seleccionada de la población 2.
Ejemplo 3.4.1
Se comparan dos áreas de un país respecto a la proporción de adolescentes con caries. Una
de las regiones es netamente urbana y la otra es rural. En la muestra del área rural, 425 de
1.000 adolescentes tenían por lo menos una caries. En la muestra del área urbana, 376 de
1.000 jóvenes tenían por lo menos una caries. Construye un intervalo de confianza del 95%
para la diferencia de proporciones de adolescentes con caries de la zona rural y la zona
urbana.
Solución
La primera población hace referencia a los datos de la zona rural y la segunda población a los
datos de la zona urbana.
Extraemos los datos del problema; n1 = 1.000 , n2 = 1.000 , las proporciones muestrales de
425 376
adolescentes con caries son p1 = = 0,425 , p 2 = = 0,376
1.000 1.000
Con los datos hallamos el estadístico diferencia de proporciones y luego el error estándar
del mismo:
p1 − p 2 = 0,425 − 0,376 = 0,049
p1 .(1 − p1 ) p 2 .(1 − p 2 ) 0,425.(1 − 0,425) 0,376.(1 − 0,376)

EE = + EE = +
n1 n2 1.000 1.000
EE = 0,022
Para el nivel de confianza del 95%, vimos que z = 1,96
E = z.EE = 1,96 × 0,022
E = 0,043
Los límites del IC son:
LI = ( p1 − p 2 ) − E LI = 0,049 − 0.043 LI = 0,006
LS = ( p1 − p 2 ) + E LS = 0,049 + 0.043 LS = 0,092
Para un nivel de confianza del 95%, la diferencia entre las proporciones de adolescentes con
caries de la zona rural y urbana, está comprendida entre 0,006 y 0,092 , o lo que es
equivalente, entre 0,6% y 9,2%.
Es decir 0,006 < P1 − P2 < 0,092
En general:
Ejemplo 3.4.2
Se está considerando cambiar el procedimiento de manufactura de partes. Se toman

muestras del procedimiento actual así como del nuevo para determinar si este último resulta
mejor. Si 75 de 1.000 artículos del procedimiento actual presentaron defectos y lo mismo
sucedió con 80 de 2.500 partes del nuevo, determine un intervalo de confianza del 90% para
la verdadera diferencia de proporciones de partes defectuosas.
Solución
La primera población hace referencia a los datos del procedimiento actual y la población dos
al procedimiento nuevo.
Extraemos los datos del problema:
Tamaño de las muestras: n1 = 1.000, n2 = 2.500
75 80
Proporciones muestrales: p1 = = 0,075 y p 2 = = 0,032
1.000 2500
La diferencia de proporciones: p1 − p 2 = 0,075 − 0,032 = 0,043
Para el nivel de confianza de 90% recordemos que z = 1,645
p1 .(1 − p1 ) p 2 .(1 − p 2 ) p .(1 − p1 ) p 2 .(1 − p 2 )

( p1 − p 2 ) − z. + < P1 − P2 < ( p1 − p 2 ) + z. 1 +
n1 n2 n1 n2
0,075.(1 − 0 ,075) 0,032.(1 − 0,032) 0,075.(1 − 0,075) 0,032.(1 − 0,032)

0,043 − 1,645. + < P1 − P2 < 0,043 − 1,645. +
1.000 2,500 1.000 2,500
0,028 < P1 − P2 < 0,058
3.5. Intervalo de confianza para la varianza (muestras grandes)
Los límites de confianza para la varianza σ 2 de una población distribuida normalmente,

∧
estimada a partir de una muestra con varianza s 2 está dada por:
Ejemplo 3.5.1
La varianza en la resistencia a la ruptura encontrada en 100 cables producidos por una

empresa es de 32.400 kilogramos al cuadrado. Dar los límites de confianza para la
variabilidad en un nivel del 99%.
Solución
∧
El tamaño de la muestra es de n = 100 y de ella obtuvimos la varianza s 2 = 32.400 , para el
nivel de 99%, z = 2,575

∧ ∧
∧ ∧
s2 2 s
2
s −z .
2 2
<σ < s − z .
2 2
2n 2n
32.400 32.400
32.400 − 2,575 2. < σ 2 < 32.400 + 2,575 2.
2 × 100 2 × 100
31.326 < σ 2 < 33.474
Si deseamos obtener un intervalo de confianza para la desviación estándar de la población,

σ , tomamos raíz cuadrada en ambos miembros de la desigualdad anterior.
31.326 < σ 2 < 33.474
177 < σ < 183
Por lo tanto, para un nivel de confianza del 99%, desviación estándar de la resistencia media
a la ruptura de los cables fabricados está comprendida entre 177 y 183 kg.
Bibliografía
LEVIN, R.; RUBIN, R. 2010. Estadística para administración y economía. 7ª Edición. México.
Pearson Educación.
WALPOLE, R.; MYERS, R.; MYERS, S.; YE, K. 2007. Probabilidad y Estadística para ingeniería y
ciencias. 8ª Edición. México. Pearson Educación. 816 p.
DEVORE, J. 2008. Probabilidad y Estadística para Ingeniería y Ciencias. 7ª Edición. México.

Thomson Editores S.A. 715 p.
MIGALLÓN V. 2011. Distribución Normal con Geogebra (en línea). Consultado 8 agosto 2013.
Disponible en http://blogs.ua.es/violeta/2011/04/01/distribucion-normal-con-
geogebra/
SPIEGEL, M. 2000. Estadística. 2ª Edición. México. McGraw-Hill. 556 p.
SPIEGEL, M.; SCHILLER, J.; ALU, R. 2003. Probabilidad y Estadística. 2ª Edición. México.
McGraw-Hill. 416 p.

PyE2 Unidad2 ML

Cargado por

Copyright:

Formatos disponibles

PyE2 Unidad2 ML

Cargado por

Información del documento

Título 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

PyE2 Unidad2 ML

Cargado por

Copyright:

Formatos disponibles

Probabilidad y Estadística II

Material elaborado por:

Lic. Roberto Adriano Páez Giménez

San Lorenzo, Paraguay

Una estimación puntual de un parámetro poblacional desconocido (como puede ser la

Walpole, Myers, Ye (2007) señalan lo siguiente:

“. . . el valor x del estadístico X , que se calcula a partir de una muestra de tamaño n, es

La tabla 1 indica, entre otras cosas, el puntaje promedio en matemática de 20 alumnos de un

a) Una estimación puntual del puntaje medio en matemática de todo el colegio

Alumno Puntaje Fuma Alumno Puntaje Fuma

Para estimar la media de puntajes µ, usamos el estadístico X =

4,2 + 3,1 + 2,1 + ...... + 1,8 + 2,1 + 2,6 x = 3,245

El valor de la desviación estándar de los puntajes de toda la población, σ, lo vamos a estimar

Para estimar la proporción de estudiantes que fuman, de todo el colegio, utilizamos el

Contamos la cantidad de alumnos que fuman, información dada en la tabla 1 y calculamos el

Medida de Resumen Parámetro Estadístico para la estimación puntual

Tabla 2: Estimadores puntuales

2.2. Propiedades de los Estimadores Puntuales

Veamos dos propiedades importantes de los estimadores puntuales:

a) Insesgo: Cuando el valor esperado del estadístico muestral es igual al parámetro

Algunos estimadores insesgados son:

• La proporción muestral “p” como estimador de la proporción poblacional “P”

b) Eficiencia: Hablamos de eficiencia cuando tenemos dos o más estimadores

3. Estimación por Intervalo

La estimación por intervalo consiste en atribuir al parámetro desconocido un rango de posibles

importancia de la estimación por intervalo, daremos un rango de valores donde podría

• Límite inferior (LI) = estimación puntual – error de la estimación

Gs.1.420.000 – Gs. 420.000 = Gs.1.000.000

• Límite superior (LS) = estimación puntual + error de la estimación

Gs.1.420.000 + Gs. 420.000 = Gs.1.840.000

Figura 1: IC para el gasto medio

Gráfica 1: Límites del IC para el gasto medio

3.1. Estimación por intervalo de la media a partir de muestras grandes

Para el cálculo de probabilidades en la distribución muestral de medias utilizamos la fórmula

a) ¿Cuál es el error estándar de la media?

El tamaño de la muestra es n = 250

b) Para estimar el intervalo de confianza necesitamos el valor de z que se corresponda con

Gráfica 2: Límites del IC para la edad promedio

La región sombreada en la gráfica de la distribución normal indica el nivel de confianza del

Gráfica 3: Valor de Z para un área de 0 a z

Veamos una sección de la Tabla de la distribución Z, dentro de ellas buscamos el valor de

Tabla 3: Valor de z para 0,475

Fuente: Levin, R., “Estadística para administración y economía”

Por lo tanto, notamos que el valor de z = 1,96

Ahora podemos calcular el error máximo de la estimación:

E = z.EE = 1,96 . 0,3289

Y por lo tanto los límites del IC

O lo que es lo mismo P(29,3354 < µ < 30,6446) = 0,95

Por lo tanto el intervalo de confianza para la media es igual a:

El dueño de un restaurante recién inaugurado, ha tenido problemas para estimar la cantidad

a) ¿Cuál es el error estándar de la media?

Desviación estándar de la población σ = 8,4

Evidenciamos en la tabla que un área de 0,45 corresponde al promedio de los valores de

Ahora podemos calcular el error máximo de la estimación:

E = z.EE = 1,645 . 1,2

Tabla 4: Valor de z para 0,45

Fuente: Levin, R., “Estadística para administración y economía”

Y, por lo tanto, los límites del IC

O lo que es lo mismo P(69 < µ < 73) = 0,90