Guia de Aprendizaje Intervalos de Confianza PDF

Curso METODOS ESTADISTICOS
Título de INTERVALOS DE CONFIANZA Unidad # 1

la unidad
Presentación de la Unidad
En esta unidad se busca entender el concepto de estimación como noción en la

construcción e interpretación de intervalos de confianza para estimar la media
poblacional, la proporción poblacional y la varianza poblacional.
Competencias relacionadas con la Unidad
Específicas:
General:
• Entender como hacer estimaciones de ciertas
características de una población.
Conceptualizar y • Construir e interpretar una estimación de intervalo de
manejar las confianza para la media.
propiedades de • Construir e interpretar una estimación de intervalo de
Intervalos de confianza para la proporción
Confianza • Construir e interpretar una estimación de intervalo de
confianza para la varianza.
• Determinar el tamaño de muestra necesario para construir
un intervalo de confianza para la media y la proporción.
Título de la actividad Elaborando Taller Intervalos de Confianza
Tipo de actividad Individual Actividad # 1
Profesores: Jesus Cardenas, Julio Correa, Edgar Palacios

DEFINICIONES PRELIMINARES
Estadísticas y parámetros.
Cuando describimos las poblaciones y las muestras usamos medidas como la media
aritmética, la proporción, la mediana, la moda, la varianza, la desviación estándar y
otras. Si estas medidas describen las poblaciones las llamamos Parámetros y
cuando describen las muestran se llaman Estadísticos.
Un parámetro es una característica numérica (no aleatorio) de la distribución de la

población de tal manera que describe, parcialmente, la función de probabilidad de la
característica de interés. Es decir es un valor desconocido, por la dificultad práctica
de observar todos los elementos de la población, rara vez se puede determinar
exactamente su valor, este el motivo por el que tratamos de estimar el valor de los
parámetros desconocidos a través de muestras.
Un estadístico es cualquier función de las variables aleatorias que se observaron en

la muestra de manera que esta función no contiene cantidades desconocidas.
Si tomamos diferentes muestras de la misma población y calculamos los diferentes

estadísticos de cada una, esos valores van a diferir de muestra a muestra. Por lo
tanto, un estadístico no es un valor fijo, sino que presenta las siguientes
características: Puede tener varios resultados posibles. No se puede predecir de
antemano su valor. Estas son las condiciones que definen a una variable aleatoria.
Un estadístico, entonces, es una variable aleatoria, entonces es posible determinar
su distribución de probabilidades y evaluar sus propiedades.

Cuando nos referimos a los parámetros los indicamos con letras del alfabeto griego,
así para la media de una población escribimos 𝝁 y para la desviación estándar de
la población escribimos 𝝈.
Para los estadísticos de las muestras usamos letras de nuestro alfabeto, así para la
media de una muestra escribimos 𝒙 y para la desviación estándar de la muestra
escribimos S.
Ejemplo 1.
Cuando decimos que la duración media de los bombillos de una referencia que
fabrica una empresa es de 1000 horas, nos estamos refiriendo a la media de la
población y escribimos 𝜇 = 1000. Pero si calculamos la duración media de una
muestra de 64 bombillos y obtenemos 1100 horas, nos estamos refiriendo a la
muestra y la media de esta muestra la escribimos como 𝑥! = 1100. Pero también
podemos hallar la media de otra muestra de 100 bombillos y obtener 950 horas y la
media la designamos por 𝑥! = 950.
Concluimos que la media muestral de cada una de las muestras es una variable
aleatoria y la media poblacional es una constante.
Ejemplo 2.
Si un candidato asegura que el 80% de los votantes lo favorecen con su voto, nos
estamos refiriendo a la población y la proporción la designamos por 𝜋 = 0.80 . Pero
si tomamos 400 votantes y nos indica que 300 votarían por este candidato nos
referimos a la muestra y la proporción de la muestra es 𝑝! = 0.75. También
podemos encontrar la proporción de otra muestra de 800 votantes donde 700
indicaron que votarían por el candidato y la proporción de la muestra es 𝑝! = 0.875.
Concluimos que la proporción muestral es aleatoria y la proporción poblacional es

constante.

Estimaciones de intervalo.
El propósito de tomar muestras es para conocer más acerca de una población. La

inferencia estadística se relaciona con la toma de decisiones o la elaboración de
predicciones respecto a los parámetros que son las medidas que caracterizan a una
población.
Los métodos para hacer inferencia estadística acerca de los parámetros de la

población son: Estimación, pruebas de hipótesis.
La estimación: estima o predice el valor del parámetro
La prueba de hipótesis: tomar una decisión respecto al valor de un parámetro

basado en alguna idea preconcebida acerca del cual podría ser su valor.
Para calcular una estimación de un parámetro usamos información de una muestra

usando los estimadores que son reglas el cual indica como calcular una estimación.
Los estimadores los usamos de dos maneras diferentes
Estimación puntual: se calcula un solo valor para estimar el parámetro de la

población. La regla que describe este calculo se llama estimador puntual, y el
numero resultante se conoce como estimación puntual.
Estimación por intervalo: con base de los datos de la muestra, se calculan dos
números para formar un intervalo dentro del cual se espera que esté el parámetro.
La regla que describe este cálculo se llama estimador de intervalo y el par de
números resultantes se conoce como estimación de intervalo o intervalo de
confianza.
Un estimador de intervalo es una regla para calcular dos números que crean un
intervalo con una probabilidad de que este seguro que contiene el parámetro de

interés. Esta probabilidad se conoce con el nombre de coeficiente de confianza o
nivel de confianza y se denota por (1 − 𝛼) .
Intervalo de confianza para la media poblacional conocida su desviación

estándar
Uno de los usos más comunes de los intervalos de confianza es estimar la media
poblacional.
Ejemplo: Un fabricante puede querer estimar la producción mensual promedio de su

planta. Un biólogo quiere estimar el peso promedio de los ratones de su laboratorio.
El dueño de una tienda de comidas rápidas quiere estimar el gasto promedio de sus
clientes.
Hay muchas circunstancias que se encuentran en los negocios con el objeto de

conocer una estimación de la media poblacional.
La media muestral 𝑥 es el mejor estimador puntual para la media poblacional 𝜇,

puesto que su distribución muestral es aproximadamente normal, se usa para
construir un intervalo de confianza.
Debemos buscar dos números 𝑎 < 𝜇 < 𝑏 con probabilidad 1 − 𝛼. Es decir 𝑃 𝑎 < 𝜇 <
𝑏 =1−𝛼
!!!
Para ello usamos el estadístico 𝑧= !
!
!!!
Que es equivalente a escribir 𝑃 −𝑧!/! < ! < 𝑧!/! = 1 − 𝛼
!
Donde −𝑧!/! y 𝑧!/! son los valores estandarizados de a y b respectivamente (ver

grafico)

𝜎 𝜎
−𝑧!/! ∗ < 𝑥 − 𝜇 < 𝑧! ∗
𝑛 ! 𝑛
𝜎 𝜎
−𝑥 − 𝑧! ∗ < −𝜇 < −𝑥 + 𝑧! ∗
! 𝑛 ! 𝑛
𝜎 𝜎
𝑥 + 𝑧!/! ∗ > 𝜇 > 𝑥 − 𝑧! ∗
𝑛 ! 𝑛
! !
Así que 𝑃 𝑥 − 𝑧! ∗ !
< 𝜇 < 𝑥 + 𝑧! ∗ !
=1−𝛼
! !
El intervalo de confianza para estimar la media poblacional con la desviación

estándar conocida es
𝜎 𝜎
𝑥 − 𝑧! ∗ < 𝜇 < 𝑥 + 𝑧! ∗
! 𝑛 ! 𝑛
Donde es el valor correspondiente a un área acumulada de (1 − 𝛼 2) de la

𝑧!
!
distribución normal estandarizada, es decir es una probabilidad de la cola superior

de 𝛼 2 .
Ejemplo:
El gerente de control de calidad de una fábrica de bombillas necesita estimar la vida

media de un embarque de bombillos, sabe que la desviación estándar de este
embarque es de 100 horas. Para ello toma una muestra de 64 bombillas
encontrando que la vida media de estas bombillas es de 350 horas. A un nivel de
confianza del 95% ¿Cuál es la estimación por intervalo de confianza para la vida
media de las bombillas?
! !
Empleando 𝑥 − 𝑧!/! ∗ !
< 𝜇 < 𝑥 + 𝑧!/! ∗ !
que podemos escribir
!
𝑥 ± 𝑧! ∗ !
!

100
350 ± 1.96 ∗
64
350 ± 24.5
325.5 < 𝜇 < 375.5
Los resultados de este intervalo lo podemos interpretar de dos maneras. La primera

establece que el gerente de control de calidad tiene un 95% de confianza de que la
vida media de todos los bombillos del embarque está entre 325.5 y 374.5 horas.
La segunda interpretación indica que si tomáramos todas las posibles muestras de

tamaño 100 del embarque y construyéramos todos los intervalos de confianza, el
95% de estos intervalos de confianza contendrá la media poblacional desconocida.
El intervalo de confianza puede ser obtenido en R mediante las instrucciones

mostradas en el recuadro,
Script R
> #Definición de la variable

> #X: Duración de los bombillos en un embarque.
> #Datos
> n<-64 #Tamaño muestra
> d<- 100 #Desviación estándar de la población
> m<-350 #Media muestral
> conf<-0.95 #Nivel de confianza
> alfa<-1-conf;alfa
[1] 0.05
> #Punto critico en la distribución Normal
> z<-qnorm(1-alfa/2);z #punto critico
[1] 1.959964
> li<-m-z*d/sqrt(n) #límite inferior intervalo
> ls<-m+z*d/sqrt(n) #límite superior intervalo
> c(li,ls) #Intervalo de confianza
[1] 325.5005 374.4995

Intervalo de confianza para la media poblacional desconocida su desviación
estándar
Cuando realizamos un experimento para evaluar un proceso en el cual no

conocemos la desviación estándar de la población, no podemos aplicar la
distribución normal para construir un intervalo de confianza.
Distribución t de student
Dada una muestra aleatoria de n observaciones, de media 𝑥 y desviación estándar

muestral S, extraída de una población que sigue una distribución normal con media
𝜇, la variable aleatoria t sigue una distribución t de student con (n – 1) grados de
libertad y viene dada por
𝑥−𝜇
𝑡=
𝑠 𝑛
¿Qué son los grados de libertad?
Los grados de libertad significa el número de valores que podemos escoger

libremente. Por ejemplo suponga que se tiene tres valores de muestra, a, b, y c,
que tienen una media de 12.
!!!!!
Es decir que !
= 12, para encontrar los valores de a, b y c, es que pueden tomar
cualesquiera tres valores cuya suma sea 36, ya que 36 dividido entre tres es 12.
Suponga que a tiene un valor de 8, b un valor de 15. A hora c ya no es libre de

tomar cualquier valor, sino que debe tomar el valor 13. Ya que si
!!!"!!
!
= 12
!"!!
entonces !
= 12
de modo que 23 + 𝑐 = 36
por tanto 𝑐 = 13

Esto nos indica que cuando existen n elementos de una muestra y solo conocemos
la media de la muestra, entonces somos libres de especificar solo (n-1) elementos,
pues el otro elemento está determinado porque la suma de los n elementos es n
veces la media de la muestra. En el lenguaje estadístico decimos que tenemos (n-1)
grados de libertad. En nuestro ejemplo decimos que tenemos dos grados de
libertad.
La forma de la distribución t de Student es bastante parecida a la de la distribución

normal estándar. Ambas distribuciones tienen una media de cero y las funciones de
densidad de las dos son simétricas en torno a su media
La distribución t de Student es más variable que la distribución normal estándar es

decir tiene más área en las colas y es más achatada en el centro. Esto se debe a
que el estadístico t inte/2rviene dos variables aleatorias, la media muestral y la
desviación estándar muestral, mientras que en la distribución normal estándar solo
interviene la media muestral.
La forma de la distribución t depende del tamaño de la muestra n. Cuando n

aumenta la variabilidad de t disminuye porque la estimación s de 𝜎 se basa cada
vez en más información. Cuando n es inmensamente grande la distribución t de
student y la distribución normal estándar son idénticas. (Ver grafica)
Para encontrar la distribución muestral de la 𝑥 procedemos de la siguiente manera

usamos la distribución t de student que se caracteriza por las siguientes
propiedades

!
𝑃 𝑡! > 𝑡!, ! ! = !
, 𝑑𝑜𝑛𝑑𝑒 𝑡! 𝑒𝑠 𝑢𝑛𝑎 𝑣𝑎𝑟𝑖𝑎𝑏𝑒 𝑎𝑙𝑒𝑎𝑡𝑜𝑟𝑖𝑎 𝑡 𝑑𝑒 𝑆𝑡𝑢𝑑𝑒𝑛𝑡 𝑐𝑜𝑛 𝑣 𝑔𝑟𝑎𝑑𝑜𝑠 𝑑𝑒 𝑙𝑖𝑏𝑒𝑟𝑡𝑎𝑑
Uso de la tabla de distribución t
Consideremos el siguiente problema, supongamos que tenemos que hallar un

número tal que una variable aleatoria que sigue una distribución t de Student con
20 grados de libertad está por encima con una probabilidad de 0.025 es decir,
𝑃 𝑡!" > 𝑡!", !.!"# = 0.025
Consultando la tabla t de Student directamente, que 𝑡!",!.!"# = 2.086.
Intervalos de confianza basados en la distribución t de Student.
Supongamos que tenemos una muestra aleatoria de n valores obtenida de una

población normal de media 𝜇 y desviación estándar desconocida. Si la media y la
desviación estándar de la muestra son respectivamente, 𝑥 y 𝑠, entonces el intervalo
de confianza de 1 − 𝛼 100% de la media poblacional, cuando la desviación estándar
es desconocida es,

𝑠 𝑠
𝑥 − 𝑡!!!,!/! ∗ < 𝜇 < 𝑥 + 𝑡!!!,!/! ∗
𝑛 𝑛
Ejemplo:
El decano de la facultad de administración de empresas de una universidad quiere

estimar los salarios anuales promedio de los docentes de su facultad. Toma una
muestra aleatoria de 25 docentes obteniendo una media de 42740 dólares y una
desviación estándar de 4780 dólares. El decano nos pide determinar el intervalo de
confianza de la media poblacional al 95%. Suponiendo que la población de los
salarios anuales de todos los profesores de la facultad tiene una distribución normal.
Para resolver este problema se requiere del uso de la distribución t de Student,

porque se desconoce la desviación estándar de la población.
Como primer paso es usar la desviación estándar de la muestra para estimar la

desviación estándar de la población. En seguida buscamos en la tabla t de Student
el valor de t con 24 grados de libertad y área de cola superior 2.5% que da como
valor 2.064.
Ahora construimos el intervalo de confianza que es
4780 4780
42740 − (2.064) < 𝜇 < 42740 + (2.064) ∗
25 25
42740 − 1973.184 < 𝜇 < 42740 + 1973.184
40766.82 < 𝜇 < 44713.18
El decano de la facultad de administración de empresas puede tener un 95% de

seguridad de que el salario promedio anual de todos los profesores de su facultad se
encuentre entre 40766.82 y 44713.18 dólares.

mostradas en el recuadro,
Script R

> #X: Salarios anuales de los docentes de la facultad de Administración.
> #Datos
> s<- 4780 #Desviación estándar muestral.
> m<-42740 #Media muestral
> alfa<-1-conf;alfa
[1] 0.05
> #Punto critico en la distribución t-student.
> t<-qt(alfa/2,n-1,lower.tail=F);t #punto critico
[1] 2.063899
> li<-m-t*s/sqrt(n) #limite inferior intervalo
> ls<-m+t*s/sqrt(n) #limite superior intervalo
[1] 40766.91 44713.09
Intervalo de confianza para la proporción de una población.
La estimación por intervalo también se puede construir para variables cualitativas

estimando la proporción de éxitos en la población con base solo en los datos de una
muestra. Por ejemplo se utiliza las muestras para estimar la proporción del género
en una población de estudiantes de una universidad. El gobierno estima mediante
muestreo la proporción de personas que están empleadas de la fuerza laboral del
país.
Teóricamente la distribución Binomial es la distribución que se aplica para la

construcción de intervalos de confianza para estimar una proporción de una
población.

En el estudio de las distribuciones de probabilidad la distribución Binomial puede ser
aproximada por una distribución Normal apropiada, si el tamaño de muestra es lo
suficientemente grande.
Es decir si 𝑛𝑃 > 5 y 𝑛 1 − 𝑃 > 5, la distribución de las proporciones muéstrales será

normal con media la proporción poblacional y error estándar de la proporción
𝜎! = 𝑃 1 − 𝑃 𝑛 . como el error estándar contiene a P, el parámetro que se desea
estimar. Usamos, la proporción muestral 𝑝 para estimar la proporción de la
población.
El intervalo de confianza es entonces
𝑝 1−𝑝 𝑝 1−𝑝
𝑝 − 𝑍! ≤ 𝑃 ≤ 𝑝 + 𝑍!
! 𝑛 ! 𝑛
Ejemplo
El gerente de una sucursal bancaria en una ciudad quiere determinar la proporción

de sus cuentahabientes a los cuales se les paga el sueldo por semana. Se selecciona
una muestra aleatoria de 100 cuentahabientes, en la cual 40 indican que se les
paga por semana. Establezca una estimación por intervalo con 95% de confianza de
la proporción real de los cuentahabientes a quienes se les paga por semana.
Estimación puntual de la proporción poblacional es 𝑝 = 40 100 = 0.4

Con un 95% de confianza, 𝑧 = 1.96.
0.4 − 1.96 0.4 ∗ 0.6 100 ≤ 𝑃 ≤ 0.4 + 1.96 0.4 ∗ 0.6 100
0.4 − 0.09602 ≤ 𝑃 ≤ 0.4 + 0.09602
0.304 ≤ 𝑃 ≤ 0.496

Por tanto el gerente de la sucursal bancaria puede tener un 95% de seguridad que
entre un 30.4% y 49.6% de todos los cuentahabientes se les paga su salario por
semana.

mostradas en el recuadro
Script R

> #X: Numero de cuentahabientes que se les paga el salario por semana.
> #Datos
> x<- 40 #Valor observada de x.
> p<-x/n;p #proporción muestral
[1] 0.4
> alfa<-1-conf;alfa
[1] 0.05
> #Punto critico en la distribución normal.
> z<-qnorm(alfa/2,lower.tail=F);z #punto critico
[1] 1.959964
> li<-p-z*sqrt(p*(1-p)/n) #límite inferior intervalo
> ls<-p+z*sqrt(p*(1-p)/n) #límite superior intervalo
[1] 0.3039818 0.4960182
Intervalo de confianza para la Varianza poblacional
Para estimar la variabilidad se mide mediante la varianza y la estadística empleada

para elaborar este proceso inferencial usamos la varianza muestral (o desviación
estándar). Para este proceso usamos la distribución Chi cuadrado.
Distribución Chi Cuadrado
Algunas propiedades de esta distribución son:
• Una variable con distribución chi cuadrado no toma valores negativos.

• Por cada grado de libertad se obtiene una distribución distinta (curva
distinta).
• Los grados de libertad es el único parámetro de la distribución.
• A mayor número de grados de libertad la curva se va haciendo más simétrica.
• La grafica de una distribución chi cuadrado es de tipo de curvas sesgadas a la
derecha.
Distribución muestral para la varianza
Si 𝑆 ! es la varianza de una muestra aleatoria de tamaño 𝑛 que se toma de una

población normal que tiene varianza 𝜎 ! , entonces el estadístico
!
!
𝑛 − 1 𝑆! 𝑥! − 𝑥 !
𝜒 = =
𝜎! 𝜎!
!!!
Tiene una distribución Chi Cuadrado con 𝑣 = 𝑛 − 1 grados de libertad.
Los valores de la variable aleatoria 𝜒 ! se calculan de cada muestra mediante la

forma
𝑛 − 1 𝑆!
𝜒! =
𝜎!
La cual sirve para obtener una estimación por intervalo para la varianza poblacional.

La notación 𝜒!! representa el valor de la distribución Chi Cuadrado que proporciona
un área o probabilidad 𝛼 a la derecha del valor 𝜒!! . Podemos observar la figura
siguiente la región del área sombreada.
El cálculo de estas probabilidades las podemos hacer usando una tabla de chi
cuadrado o en R usando la función 𝑝𝑐ℎ𝑖𝑠𝑞() y para determinar los percentiles se usa
𝑞𝑐ℎ𝑖𝑠𝑞()
Intervalo de confianza para la varianza poblacional
Si 𝑆 ! es la varianza de una muestra aleatoria de tamaño n de una población normal,

un intervalo de confianza del 100 1 − 𝛼 % para 𝜎 ! es
𝑛 − 1 𝑆! !
𝑛 − 1 𝑆!
! < 𝜎 < !
𝜒!/! 𝜒!!!/!
! !
Donde 𝜒!/! y 𝜒!!!/! son valores de la Chi Cuadrado con 𝑣 = 𝑛 − 1 grados de libertad,
que dejan áreas de 𝛼/2 y 1 − 𝛼/2, respectivamente, a la derecha.

Un intervalo de confianza del 100 1 − 𝛼 % para 𝜎 se obtiene tomando la raíz

cuadrada de cada extremo del intervalo para 𝜎 ! .
Ejemplo
Se registran las siguientes mediciones del tiempo de secado en horas, de cierta

marca de pintura vinílica:
3.4 2.5 4.8 2.9 3.6

2.8 3.3 5.6 3.7 2.8
4.4 4.0 5.2 3.0 4.8
Suponga que la mediciones representan una muestra aleatoria de una población

normal y con base en esto calcule el intervalo del el intervalo de confianza del 95%
para la varianza del tiempo de secado de la siguiente prueba de pintura
Primero calculamos la varianza muestral

! !
! !!!𝑥! − 𝑥
𝑆 = = 0.94267
𝑛−1
Para construir el intervalo de confianza del 95% tomamos 𝛼 = 0.05 y 14 grados de

! !
libertad, encontramos 𝜒!.!"# = 26.119 y 𝜒!.!"# = 5.629.
Por lo tanto, el intervalo de confianza del 95% para la varianza poblacional es
14 ∗ 0.94267 14 ∗ 094267
< 𝜎! <
26.119 5.629
0.5053 < 𝜎 ! < 2.345

mostradas en el recuadro

Script R

> #T: Tiempo de secado de la pintura vinílico.
> #Datos
> T<-c(3.4,2.5,4.8,2.9,3.6,2.8,3.3,5.6,3.7,2.8,4.4,4.0,5.2,3.0,4.8);T
[1] 3.4 2.5 4.8 2.9 3.6 2.8 3.3 5.6 3.7 2.8 4.4 4.0 5.2 3.0 4.8
> n<-length(T);n #Tamaño muestra
[1] 15
> v<-var(T);v #Varianza muestral.
[1] 0.9426667
> alfa<-1-conf;alfa
[1] 0.05
> #Punto critico en la distribución Chi cuadrado.
> x1<-qchisq(alfa/2,n-1, lower.tail=F);x1 #punto crítico derecho
[1] 26.11895
> x2<-qchisq(1-alfa/2,n-1, lower.tail=F);x2 #punto crítico izquierdo
[1] 5.628726
> li<-(n-1)*v/x1 #límite inferior intervalo
> ls<-(n-1)*v/x2 #límite superior intervalo
[1] 0.5052781 2.3446395
Bibliografia
• Devore Jay l. PROBABILIDAD Y ESTADISTICA para ingeniería y ciencias.

Octava edición . Cengage Learnig 2010
• Triola Mario F. ESTADISTICA. Decimoprimera Edición. Pearson Educación
2013.
• Canavos George C. PROBABILIDAD Y ESTADISTICA, Aplicaciones y Métodos.
Primera edición en español, Mc Graw Hill 1987.
• Levin Richard I. y Rubín David S. ESTADISTICA para ADMINISTRADORES.
Sexta edición, Prentice Hall.
• Anderson David R. Sweeney Dennis J. Williams Thomas A. ESTADISTICA PARA
ADMINISTRACION Y ECONOMIA. Décima edición, Cengage Learnig.

Guia de Aprendizaje Intervalos de Confianza PDF

Cargado por

Copyright:

Formatos disponibles

Guia de Aprendizaje Intervalos de Confianza PDF

Cargado por

Información del documento

Descripción original:

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

Guia de Aprendizaje Intervalos de Confianza PDF

Cargado por

Copyright:

Formatos disponibles

Curso METODOS ESTADISTICOS

Título de INTERVALOS DE CONFIANZA Unidad # 1

En esta unidad se busca entender el concepto de estimación como noción en la

Competencias relacionadas con la Unidad

Título de la actividad Elaborando Taller Intervalos de Confianza

Tipo de actividad Individual Actividad # 1

Profesores: Jesus Cardenas, Julio Correa, Edgar Palacios

Un parámetro es una característica numérica (no aleatorio) de la distribución de la

Un estadístico es cualquier función de las variables aleatorias que se observaron en

Si tomamos diferentes muestras de la misma población y calculamos los diferentes

Profesores: Jesus Cardenas, Julio Correa, Edgar Palacios

Concluimos que la proporción muestral es aleatoria y la proporción poblacional es

Profesores: Jesus Cardenas, Julio Correa, Edgar Palacios

El propósito de tomar muestras es para conocer más acerca de una población. La

Los métodos para hacer inferencia estadística acerca de los parámetros de la

La estimación: estima o predice el valor del parámetro

La prueba de hipótesis: tomar una decisión respecto al valor de un parámetro

Para calcular una estimación de un parámetro usamos información de una muestra

Los estimadores los usamos de dos maneras diferentes

Estimación puntual: se calcula un solo valor para estimar el parámetro de la

Profesores: Jesus Cardenas, Julio Correa, Edgar Palacios

Intervalo de confianza para la media poblacional conocida su desviación

Ejemplo: Un fabricante puede querer estimar la producción mensual promedio de su

Hay muchas circunstancias que se encuentran en los negocios con el objeto de

La media muestral 𝑥 es el mejor estimador puntual para la media poblacional 𝜇,

Donde −𝑧!/! y 𝑧!/! son los valores estandarizados de a y b respectivamente (ver

Profesores: Jesus Cardenas, Julio Correa, Edgar Palacios

El intervalo de confianza para estimar la media poblacional con la desviación

Donde es el valor correspondiente a un área acumulada de (1 − 𝛼 2) de la

distribución normal estandarizada, es decir es una probabilidad de la cola superior

El gerente de control de calidad de una fábrica de bombillas necesita estimar la vida

Profesores: Jesus Cardenas, Julio Correa, Edgar Palacios

325.5 < 𝜇 < 375.5

Los resultados de este intervalo lo podemos interpretar de dos maneras. La primera

La segunda interpretación indica que si tomáramos todas las posibles muestras de

El intervalo de confianza puede ser obtenido en R mediante las instrucciones

> #Definición de la variable

Profesores: Jesus Cardenas, Julio Correa, Edgar Palacios

Cuando realizamos un experimento para evaluar un proceso en el cual no

Dada una muestra aleatoria de n observaciones, de media 𝑥 y desviación estándar

¿Qué son los grados de libertad?

Los grados de libertad significa el número de valores que podemos escoger

Suponga que a tiene un valor de 8, b un valor de 15. A hora c ya no es libre de

Profesores: Jesus Cardenas, Julio Correa, Edgar Palacios

La forma de la distribución t de Student es bastante parecida a la de la distribución

La distribución t de Student es más variable que la distribución normal estándar es

La forma de la distribución t depende del tamaño de la muestra n. Cuando n

Para encontrar la distribución muestral de la 𝑥 procedemos de la siguiente manera

Profesores: Jesus Cardenas, Julio Correa, Edgar Palacios

Uso de la tabla de distribución t

Consideremos el siguiente problema, supongamos que tenemos que hallar un

Consultando la tabla t de Student directamente, que 𝑡!",!.!"# = 2.086.

Intervalos de confianza basados en la distribución t de Student.

Supongamos que tenemos una muestra aleatoria de n valores obtenida de una

Profesores: Jesus Cardenas, Julio Correa, Edgar Palacios

El decano de la facultad de administración de empresas de una universidad quiere

Para resolver este problema se requiere del uso de la distribución t de Student,

Como primer paso es usar la desviación estándar de la muestra para estimar la