ESTIMACION DE PARAMETROS POR

INTERVALOS DE CONFIANZA

ESTADISTICA II MAG. LIC. RITA GUZMAN LOPEZ

ESTIMACION DE PARAMETROS POR INTERVALOS

DE CONFIANZA

En vez de estimar el parámetro θ a partir de un valor del 𝜃መ (estimación

puntual) ahora se trata de encontrar para una probabilidad prefijado (1-α)
(nivel de confianza) un intervalo [L1,L2] llamado intervalo de confianza, que
contiene el parámetro , en base a una m.a.s, la misma que esta definida
como:
P(L1 ≤ ɵ ≤ L2)=1-α

Estimador puntual Parámetro

L1 L2

El intervalo [L1,L2] es un intervalo aleatorio ya que sus extremos son variables

aleatorias.

ESTADISTICA II MAG. LIC. RITA GUZMAN LOPEZ

1
 Nivel de Confianza Gráficamente :
L1 L2
Podemos considerar el nivel de confianza (1-α) que
hemos prefijado para la expresión anterior como la
probabilidad que existe (antes de tomar la muestra) de
que el intervalo a construir a partir de la muestra
incluya el verdadero valor del parámetro a estimar.

Refleja “la confianza” en la “construcción del

intervalo” y de que este, tras concretar la muestra,
contendrá el verdadero valor del parámetro, de
ahí que en términos numéricos dicho nivel toma
niveles altos (0.90, 0.95, 0.99).

El complementario del “nivel de confianza”, es “α”, denominado nivel de significancia,

supone la probabilidad de cometer el error de concluir que el intervalo no contiene el
verdadero valor del parámetro cuando realmente si esta contenido.

De ahí dado que se trata de un error posible a cometer, su cuantificación en términos

de probabilidad sea muy pequeña (0.10, 0.05, 0.025).

ESTADISTICA II MAG. LIC. RITA GUZMAN LOPEZ

ESTADISTICA II MAG. LIC. RITA GUZMAN LOPEZ

2
ESTADISTICA II MAG. LIC. RITA GUZMAN LOPEZ

ESTADISTICA II MAG. LIC. RITA GUZMAN LOPEZ

3
 Por la simetría de la curva normal se tiene:
P ( − z 0  Z  z 0 ) = P ( Z  z 0 ) − P ( Z  − z 0 ) = P ( Z  z 0 ) − [1 − P ( Z  − z 0 )] = 2 P[ Z  z 0 ] − 1 = 1 − 

Es decir:

2 P[ Z  z0 ] = 1 + 1 − 
2 −
P[ Z  z0 ] =
2
2 − 
P[ Z  z0 ] = f ( z0 ) = = 1−
2 2

Usando tabla de la distribución normal, se encuentra el valor de

“z0”.

ESTADISTICA II MAG. LIC. RITA GUZMAN LOPEZ

ESTADISTICA II MAG. LIC. RITA GUZMAN LOPEZ

4
ESTADISTICA II MAG. LIC. RITA GUZMAN LOPEZ

ESTADISTICA II MAG. LIC. RITA GUZMAN LOPEZ

5
ESTADISTICA II MAG. LIC. RITA GUZMAN LOPEZ

ESTADISTICA II MAG. LIC. RITA GUZMAN LOPEZ

6
ESTADISTICA II MAG. LIC. RITA GUZMAN LOPEZ

ESTADISTICA II MAG. LIC. RITA GUZMAN LOPEZ

7
ESTADISTICA II MAG. LIC. RITA GUZMAN LOPEZ

ESTADISTICA II MAG. LIC. RITA GUZMAN LOPEZ

8
ESTADISTICA II MAG. LIC. RITA GUZMAN LOPEZ

ESTADISTICA II MAG. LIC. RITA GUZMAN LOPEZ

9
ESTADISTICA II MAG. LIC. RITA GUZMAN LOPEZ

ESTADISTICA II MAG. LIC. RITA GUZMAN LOPEZ

10
ESTADISTICA II MAG. LIC. RITA GUZMAN LOPEZ

ESTADISTICA II MAG. LIC. RITA GUZMAN LOPEZ

11
ESTADISTICA II MAG. LIC. RITA GUZMAN LOPEZ

ESTADISTICA II MAG. LIC. RITA GUZMAN LOPEZ

12
 Aplicación 1:

En un laboratorio 100 estudiantes de ingeniería miden

separadamente el calor específico del aluminio obteniéndose un
promedio de 0.2210 calorías y una de desviación estándar de 0.0240.

a) Construir un intervalo de confianza del 95% para media del calor

específico del aluminio.

b) ¿Qué puede decirse con una probabilidad de 0.95 acerca del

posible tamaño del error de estimación si la media muestral es usada
para estimar el verdadero calor específico del aluminio.

ESTADISTICA II MAG. LIC. RITA GUZMAN LOPEZ

ESTADISTICA II MAG. LIC. RITA GUZMAN LOPEZ

13
ESTADISTICA II MAG. LIC. RITA GUZMAN LOPEZ

Aplicación 2:
Un ingeniero mecánico cree haber perfeccionado un programa de
adiestramiento que puede reducir considerablemente el tiempo de
montaje de ciertos mecanismos empleados por los trabajadores. Para
comprobar esta creencia, escoge 10 trabajadores al azar y realiza
estudios de tiempo antes y después del adiestramiento, obteniendo
como resultado las siguientes reducciones de tiempo en minuto:

TABAJADOR 1 2 3 4 5 6 7 8 9 10
REDUCCION
DE TIEMPO 3 5 -1 0 7 4 8 3 -1 2

Halle un intervalo de confianza del 95% para la medida de la reducción

del tiempo de montaje, si la reducción del tiempo sigue una distribución
normal.

ESTADISTICA II MAG. LIC. RITA GUZMAN LOPEZ

14
Solución:
10
(1-α)=0.95
x i
30
x= i =1
= =3
n 10

=
(x − x) 2
88
s 2 i
= = 9.778
n −1 9
s = 3.127
Calculamos: t0 = t0.975;( 9) g .l = 2.262

t0 s ( 2.262)(3.127)
= = 2.237
n 10

L1 = 3 − 2.237 = 0.763
L2 = 3 + 2.237 = 5.237

Por lo tanto, el I.C. , al 95% , para μ es: [0.763;5.237]

ESTADISTICA II MAG. LIC. RITA GUZMAN LOPEZ

INTERVALO DE CONFIANZA PARA LA VARIANZA POBLACIONAL

I. Caso de población normal y muestra pequeña (n<30).
Sea X una v.a. distribuidas normalmente con media μ y varianza σ2
desconocido. Consideremos una m.a. X1,X2,…,Xn , de tamaño n de X.
Sea X media muestral y S2 la varianza muestral.

(n − 1) S 2
Sabemos que la v.a.   (2n −1) g .l entonces consideramos dos
 2

cuantiles de esta distribución que nos dejen una probabilidad (1-α) en la

zona central de la distribución, luego se puede encontrar L1 y L2 tal que:


P[  2  L1 ] =
2   P[ L   2  L ] = 1 − 

 1 2
P[  2  L2 ] = 
2
L1 L2

ESTADISTICA II MAG. LIC. RITA GUZMAN LOPEZ

15
 Entonces:
P[  2  2  2  ] = 1−
,( n −1) g .l . 1− ,( n −1) g .l .
2 2

(n − 1) s 2
P[  2   2  ] = 1−
2
,( n −1) g .l .  2
1− ,( n −1) g .l .
2

1 2 1
P[   ] = 1−
 2
( n − 1) s 2
 2

,( n −1) g .l . 1− ,( n −1) g .l .
2 2

1 2 1
P[   ] = 1−
 2
 ( n − 1) s 2
 2
1− ,( n −1) g .l . ,( n −1) g .l .
2 2

ESTADISTICA II MAG. LIC. RITA GUZMAN LOPEZ

Entonces:

( n − 1) s 2 ( n − 1) s 2
P[   2
] = 1−
2   2
1− ,( n −1) g .l . ,( n −1) g .l .
2 2

( n − 1) s 2 ( n − 1) s 2
Luego: L1 = L2 =
2  y  2
,( n −1) g .l .
1− ,( n −1) g .l . 2
2

El intervalo aleatorio [L1,L2] debe contener σ2 con (1-α)100% de

confianza.

ESTADISTICA II MAG. LIC. RITA GUZMAN LOPEZ

16
II. Caso de Población normal o no y muestra grande (n≥30).
Si n es grande : la distribución muestral de S se aproxima a la
normal N(σ;σ2/2n), entonces :

S −
Z =  N (0;1)

2n
Si n es grande : la distribución muestral de “S” se aproxima a
la normal N(σ;σ2/2n), entonces :

P[ − z0  Z  z0 ] = 1 − 

S −
P[ − z0   z0 ] = 1 −  Recordar: Z0=z(1-α/2)

2n

ESTADISTICA II MAG. LIC. RITA GUZMAN LOPEZ

2n S
P[ − z0  − 2n  z 0 ] = 1 − 


2n S
P[ 2n − z0   z 0 + 2n ] = 1 − 


1  1
P[   ] = 1−
2n − z 0 2n S z 0 + 2n

1  1
P[   ] = 1−
z 0 + 2n 2n S 2n − z 0

2n S 2n S
P[   ] = 1−
z0 + 2n 2n − z0

ESTADISTICA II MAG. LIC. RITA GUZMAN LOPEZ

17
 S S
P[   ] = 1−
z z0
1+ 0 1−
2n 2n

S2 S2
P[ 2
 2  2
] = 1−
 z   z 
1 + 0  1 − 0 
 2n   2n 

Entonces : S2 S2
L1 = y L2 = 2
 z 
2
 z 
1 + 0  1 − 0 
 2n   2n 

El intervalo aleatorio [L1,L1] contiene σ2 con (1-α)100% de

confianza.

ESTADISTICA II MAG. LIC. RITA GUZMAN LOPEZ

Aplicación:
Los siguientes números son las notas de 15 estudiantes del curso de
Estadística No Parametrica.

13, 08, 10, 12, 15,07, 16, 09, 14, 11, 08, 11, 17, 13, 11

Suponiendo que la población de notas esta normalmente distribuida,

construir el intervalo de confianza del 95% para σ2 y σ.

Solución:
Para un nivel de confianza (1-α)=0.95 α=0.05
Haciendo cálculos encontramos: S2=9.09524
Valores de tabla:

2  =  02.975,(14) g .l . = 26.1 y  2 =  02.025,(14) = 5.63

1− ,( n −1) g .l . ,( n −1) g .l .
2 2

ESTADISTICA II MAG. LIC. RITA GUZMAN LOPEZ

18
 Reemplazando en:
( n − 1) s 2 (14)(9.09524)
L1 = = = 4.879
 2
0.975,(14 ) g .l . 26.1

( n − 1) s 2 (14)(9.0952)
L2 = = = 22.617
 2
0.025,(14 ) g .l . 5.63

El intervalo aleatorio [4.879 ; 22.617] contiene σ2 con 95% de confianza.

En forma similar, el intervalo de confianza para σ:

( n − 1) s 2 (14)(9.09524)
L1 = = = 4.879 = 2.209
 02.975,(14) g .l . 26.1

( n − 1) s 2 (14)(9.0952)
L2 = = = 22.617 = 4.756
 02.025,(14) g .l . 5.63

El intervalo aleatorio [2.209 ; 4.756] contiene σ con 95% de confianza.

ESTADISTICA II MAG. LIC. RITA GUZMAN LOPEZ

INTERVALO DE CONFIANZA PARA UNA PROPORCION

POBLACIONAL
x
Un estimador puntual del parámetro de la proporción “P” esta dado por ˆ =
p
n
(proporción de éxitos en una muestra).

Entonces para el parámetros P desconocido podemos establecer un intervalo

de confianza: ( p1  P  p2 )
considerando la distribución muestral de p̂ , la cual es el mismo de la v.a. X, tal
que para una m.a. de tamaño suficientemente grande (n≥30), la variable
aleatoria pq
pˆ ~ N ( p; ) donde: q = (1 − p )
n
Considerando el estadístico:
ˆ−p
p
Z=  N (0,1)
ˆ qˆ
p
n
ESTADISTICA II MAG. LIC. RITA GUZMAN LOPEZ

19
Entonces elegido el nivel de confianza (1-α), determinamos el intervalo:

P[− z0  Z  z0 ) = 1 − 
 Z0 = Z
P[ Z  z0 ) = 1 − Valor de tabla 1−

2 2

Luego sustituyendo Z, tendremos:

ˆ −P
p
P[− z0   z0 ] = 1 − 
ˆq
p ˆ
n
Despejando el parámetro:

pˆ qˆ pˆ qˆ
P[ pˆ − z0  P  pˆ + z0 ] = 1−
n n
ó
pˆ (1 − pˆ ) pˆ (1 − pˆ )
P[ pˆ − z0  P  pˆ + z0 ] = 1−
n n
ESTADISTICA II MAG. LIC. RITA GUZMAN LOPEZ

Entonces intervalo de confianza del (1-α)100% para P, esta dado por :

pˆ (1 − pˆ ) pˆ (1 − pˆ )
[ pˆ − z0 ; pˆ + z0 ]
n n

Para un muestreo sin reemplazo de una población finita se debe usar el

( N − n)
factor de corrección: quedando determinado el intervalo:
( N − 1)

pˆ (1 − pˆ ) N − n pˆ (1 − pˆ ) N − n
[ pˆ − z0 ; pˆ + z0 ]
n N −1 n N −1

ESTADISTICA II MAG. LIC. RITA GUZMAN LOPEZ

20
 TAMAÑO DE MUESTRA PARA ESTIMAR UNA PROPORCION POBLACIONAL

Sabemos, que la estimación puntual tiene un error y el tamaño de dicho

error es pˆ − p , bajo un nivel de confianza se cumple:

pˆ (1 − pˆ )
pˆ − p  z0
n

Siendo “e” el error especificado para la estimación de “p”, tenemos:

ˆ (1 − p
p ˆ)
e = z0 despejando “n” tenemos:
n
z02 pˆ (1 − pˆ ) recordando: z0=z1-α/2
n=
e2
ESTADISTICA II MAG. LIC. RITA GUZMAN LOPEZ

Para el caso en el que no conozcamos los valores para la estimación de

“p”, se usará en la formula el valor máximo de “p” y “q”, p=q=1/2 para
cualquier grado de confianza.

Cuando la población es finita de tamaño N, se debe usar el factor de

corrección, siendo la nueva forma de cálculo de la muestra para una
cantidad especifica de error para la estimación de la proporción
poblacional:

ˆ (1 − p
zo2 p ˆ )N
n= 2
ˆ (1 − pˆ ) + e ( N − 1)
2
zo p

ESTADISTICA II MAG. LIC. RITA GUZMAN LOPEZ

21
 Ejemplo:
El Director de un Colegio Nacional desea calcular la
proporción de los 1,000 alumnos de último año que piensan
seguir estudios en la universidad. ¿Qué tamaño debe tener
la muestra que necesita tomar el director si su estimación
debe estar a 0.04 del valor verdadero, con 99% de
confianza?.
El año anterior, el 70% de los alumnos encuestados dijeron
que tenían planeado seguir estudios en la universidad.

ESTADISTICA II MAG. LIC. RITA GUZMAN LOPEZ

Solución:

Del enunciado (1-α)=0.99 y 1 − = 0.995
2
Z(1-α/2)=Z0.995 =2.58 y pˆ = 0.7

se trata de una población finita N=1000,

entonces el tamaño que debe tener la muestra es:

Z2  pˆ (1 − pˆ ) N
(1− ) ( 2.58) 2 (0.7)(0.3)(1000)
n= 2
=
Z 2  pˆ (1 − pˆ ) + e 2 ( N − 1) (2.58) 2 (0.7)(0.3) + (0.04) 2 (999)
1−
2

n = 465.7 Por lo tanto el Director del colegio deberá

tomar una muestra de tamaño n=466

ESTADISTICA II MAG. LIC. RITA GUZMAN LOPEZ

22