INSTITUTO TECNOLOGICO DE TIJUANA

PROYECTO FINAL DE PROBABILIDAD Y ESTADÍSTICA

INGENIERÍA CIVIL
“INFERENCIA ESTADÍSTICA”

DRA. CASTILLO LOPEZ, MARISELA

MORENO DELGADO RUTH LILIANA

Tijuana, Baja California, 03 Diciembre 2013

INTRODUCCIÓN

Dado un parámetro de interés, tal como la media µ o la proporción de

p de una población, el objetivo de la estimación puntual es utilizar una
muestra para calcular un número que representa en cierto sentido
una buena suposición del valor verdadero del parámetro, el número
resultante se llama estimación puntual. En este trabajo se
presentarán algunos conceptos generales de estimación puntual y se
describirán e ilustran dos métodos importantes de obtener
estimaciones puntuales, el método de momentos y el método de
máxima probabilidad.
´´Estadística Inferencial´´

La estadística inferencial: es una parte de la estadística que

comprende los métodos y procedimientos para deducir propiedades
de una población estadística, a partir de una pequeña parte de la
misma. La estadística inferencial comprende como aspectos

• La toma de muestras o muestreo.

• La estimación de parámetros o variables estadísticas.

• El contraste de hipótesis.

• El diseño experimental.

• La inferencia bayesiana.

• Los métodos no paramétricos

Un problema de inferencia estadística suele iniciarse con una fijación

de objetivos o algunas preguntas del tipo:

¿Cuál será la media de esta población respecto a tal característica?

¿Se parecen estas dos poblaciones?

En el planteamiento se definen con precisión la población, la

característica a estudiar, las

Elaboración de un Modelo.

Se establece un modelo teórico de comportamiento de la variable de

estudio. En ocasiones no es posible diseñar el modelo hasta realizar un
estudio previo. Los posibles modelos son distribuciones

Se usa alguna técnica de muestreo o un diseño experimental para

obtener información de una pequeña parte de la población.

En el tratamiento de los datos se eliminan posibles errores, se depura

la muestra,se tabulan los datos y se calculan los valores que serán
necesarios en pasos posteriores, como la media y la Estimación de los
parámetros.

Con determinadas técnicas se realiza una predicción sobre cuáles

podrían ser los parámetros de la población.

Contraste de hipótesis.

Los contrastes de hipótesis son técnicas que permiten simplificar el

modelo matemático bajo análisis. Frecuentemente el contraste de
hipótesis recurre al uso de estadísticos muéstrales.

En conclusión se critica el modelo y se hace un balance. Las

conclusiones obtenidas en este punto pueden servir para tomar
decisiones o hacer predicciones.

1.1 Estimaciones de intervalo e intervalos de confianza.

La probabilidad que asociamos con una estimación de intervalo se

conoce como ´´nivel de confianza´´. Esta probabilidad indica qué tanta
confianza tenemos de que la estimación de intervalo incluya al
parámetro de población. Una probabilidad más alta indica más
confianza.

El intervalo de confianza es el alcance de la estimación que estamos

haciendo. Expresaremos el intervalo de confianza en términos de errores
estándar, más que con valores numéricos. Los límites de confianza son
los límites superior e inferior del intervalo de confianza

Podría pensarse que deberíamos utilizar un nivel alto de confianza en

todos los problemas sobre estimaciones. En la práctica, sin embargo,
altos niveles de confianza producen intervalos de confianza grandes, y
éstos no son precisos, dan estimaciones bastante imprecisas.

Un ´´intervalo de confianza´´ es un par de números entre los cuales se

estima que estará cierto valor desconocido con una determinada
probabilidad de acierto. Formalmente, estos números determinan un
intervalo, que se calcula a partir de datos de una muestra, y el valor
desconocido es un ´´parámetro poblacional´´. La probabilidad de éxito
en la estimación se representa con 1 - α y se denomina ´´nivel de
confianza´´.En estas circunstancias, α es el llamado nivel de
significación, esto es, una medida de las posibilidades de fallar en la estimación
mediante tal intervalo.

El nivel de confianza y la amplitud del intervalo varían conjuntamente,

de forma que un intervalo más amplio tendrá más posibilidades de
acierto (mayor nivel de confianza), mientras que para un intervalo más
pequeño, que ofrece una estimación más precisa, aumentan sus
posibilidades de error.
´´2. ESTIMACIÓN DE UNA PROPORCIÓN [1]´´.

Imaginemos que hemos tomado una muestra aleatoria de 500 personas,

y que les preguntamos si creen que el Presidente del Gobierno debe
dimitir, obteniendo el SÍ un 70%. Supongamos que nos planteamos un
intervalo de confianza del 90% para poder estimar el porcentaje p de toda
la población que diría SÍ.

Según todo lo dicho, las proporciones del SÍ en las muestras, se

distribuirán según:

Como quiera que no conocemos la verdadera proporción p, no podemos

conocer la desviación típica de la distribución muestral

Por lo que utilizaremos como sustituto para p, la proporción muestral

p'=0,7, que causará poco cambio en los resultados finales. En
consecuencia, las proporciones muéstrales, siguen la distribución N
(p,0,02).

Llevando a cabo los mismos pasos que en el caso de la estimación de

medias, vemos que un 90% de las proporciones muéstrales que se
obtengan estarán a como máximo 1,65 desviaciones típicas de p; es decir:
Estimación de proporción poblacional

En esta parte de la estadística se pretende conocer la cantidad de datos

que pertenecen a una población, en otras palabras lo que se busca es
saber que tantos datos están asociados a un grupo determinado. Hay
muchos ejemplos posibles, la proporción de estudiantes que hay en la
carrera de ingeniería civil, la proporción de que los jóvenes estudiantes
tengan una laptop, la proporción de que los alumnos tengan
automóvil…etc., en estos casos podemos tener dos resultados posibles si y
no para saber si pertenecen o no a esta población.

Supongamos que hemos analizado la muestra ya nombrada de media

Km., y que sabemos que la desv. típica de la población es de =0,4 km., y
que nos planteamos estimar la media de todo el instituto, con un nivel de
confianza del 95% .El proceso para realizar la estimación es el siguiente:
Sabemos por el T.C.L. que las medias muéstrales se distribuyen según.

En consecuencia, si suponemos que p' es una de tales proporciones ( y

será acertado suponerlo en un 90% de los casos ), la verdadera proporción
quedará siempre en el intervalo (p'-0'033 , p'+0'033)=(0'667,0'733).

Esto lo podemos expresar como: ´´Con un nivel de confianza del 90%, la

proporción de españoles que creen que el Presidente del Gobierno debe
dimitir es de un 70%, con un error máximo de ± 3,3 %´´

.En poblaciones dicotómicas con una proporción pi de éxitos el estimador

puntual del parámetro pi es la proporción muestral de éxitos ´´p´´, que
coincide con la media de la muestra cuando se codifica con (1) la
característica que se considera como éxito y (0) la que se considera no
éxito. A partir de un tamaño muestral moderadamente grande el
estadístico p tiene una distribución aproximadamente normal. El
intervalo de confianza para la proporción poblacional está centrado en la
proporción muestral; siendo sus límites superior e inferior:

Donde za/2 es el valor crítico correspondiente al grado de confianza 1-a

de la distribución

normal tipificada y es el error típico de la proporción.

Para obtener el intervalo de confianza y contrastar hipótesis sobre la
proporción una alternativa consiste en tratar a la proporción pi como la
media poblacional de una variable dicotómica codificada como se ha
descrito anteriormente (éxito=1, no éxito=0) y la secuencia es:

-Para el intervalo de confianza:

Analizar

Estadísticos Descriptivos

Explorar

-Para contrastar la hipótesis nula

Analizar

Comparar medias

Prueba T para una muestra

Utilizando este criterio los resultados numéricos no coinciden

exactamente con los que se obtendrían aplicando la expresión del error
típico de la proporción; no obstante discrepancia es despreciable si el
número de observaciones es suficientemente grande.

´´3. Determinación del tamaño de la muestra´´.

Siempre que tomamos una muestra, perdemos algo de información útil
con respecto a la población. El error de muestre se puede controlar si
seleccionamos una muestra cuyo tamaño sea el adecuado. En general,
cuanta más precisión se quiera, más grande será el tamaño de la
muestra

Para calcular el tamaño de muestra, podemos utilizar la fórmula del

error estándar de la media:

σ x = σ /√ n

Si no conocemos la desviación estándar de la población, podemos utilizar

el alcance de la población para obtener una estimación burda pero
manejable de la desviación estándar. Sabemos que másomenos tres
desviaciones estándar incluyen 99,7% del área total bajo la curva normal,
esto es, más tres desviaciones estándar y menos tres desviaciones
estándar de la media incluyen casi toda el área de la distribución.

Un estimador es una variable aleatoria, y por lo tanto es posible asociarle

probabilidades, lo que resulta de suma utilidad como herramienta
auxiliar para la toma de decisiones bajo condiciones de incertidumbre.

Una estimación, en cambio, es un valor particular del estimador,

calculado en base a una muestra dada. Por tanto, constituye un valor fijo
(no aleatorio) que caracteriza a esa muestra en particular, pero que se
usa para inferir el valor de un parámetro desconocido.

Entre un estimador puntual y uno por intervalos, es preferible usar este

último porque tiene asociado una probabilidad que contempla el error
que se puede cometer en la aproximación.

incertidumbre.
Una estimación, en cambio, es un valor particular del estimador,
calculado en base a una muestra dada. Por tanto, constituye un valor fijo
(no aleatorio) que caracteriza a esa muestra en particular, pero que se
usa para inferir el valor de un parámetro desconocido.

Entre un estimador puntual y uno por intervalos, es preferible usar este

último porque tiene asociado una probabilidad que contempla el error
que se puede cometer en la aproximación.

Conceptos.

• Estimación: valor específico de un estimador, calculado en base a una

muestra dada.

• Estimación de intervalo: intervalo de valores utilizado para estimar un

parámetro de población desconocido.

• Estimación de parámetros: Aproximación del valor de parámetros

poblacionales

desconocidos mediante el empleo de estadísticos muéstrales.

• Estimación puntual: un solo número que se utiliza para estimar un

parámetro de población desconocido.

• Estimador: estadística de muestra utilizada para estimar un parámetro

de población.

Conceptualmente es una variable aleatoria.

• Estimador coherente: estimador que produce valores que se acercan

más al parámetro de la población conforme aumenta el tamaño de la
muestra.

• Estimador eficiente: estimador con un menor error estándar que algún

otro estimador del parámetro de la población, esto es, cuanto más
pequeño sea el error estándar de un estimador, más eficiente será ese
estimador.

• Estimador imparcial: estimador de un parámetro de población que, en

promedio, asume valores por encima del parámetro de la población con
la misma frecuencia, y al mismo grado, con que tiende a tomarlos por
debajo del parámetro de la población.

• Estimador suficiente: estimador que utiliza toda la información

disponible en los datos correspondientes a un parámetro.

• Intervalo de confianza: intervalo de valores que tiene designada una

probabilidad de que incluya el valor real del parámetro de la población.

• Límites de confianza: límites inferior y superior de un intervalo de

confianza.

• Nivel de confianza: probabilidad que los estadísticos asocian con una

estimación de intervalo de un parámetro de población, ésta indica qué
tan seguros están de que la estimación de intervalo incluirá el parámetro
de la población. Probabilidad, designada de antemano, de que un
intervalo de confianza incluya al valor del parámetro desconocido.

• Propiedades de un buen estimador: características deseables de un

estimador, para lograr la mejor aproximación posible de un parámetro
poblacional.

´´El tamaño de la muestra´´ es el número de sujetos que componen la

muestra extraída de una población, necesarios para que los datos
obtenidos sean representativos de la población.

Los objetivos de determinar el tamaño de la muestra son:

1. Estimar un parámetro determinado con el nivel de confianza deseado.

2. Detectar una determinada diferencia, si realmente existe, entre los

grupos de estudio con un mínimo de garantía.

3. Reducir costes o aumentar la rapidez del estudio.

El tamaño de una muestra es el número de individuos que contiene.

Una fórmula muy extendida que orienta sobre el cálculo del tamaño de la
muestra para datos globales es la siguiente:

N: es el tamaño de la población o universo (número total de posibles

encuestados).

K: es una constante que depende del nivel de confianza que asignemos. El

nivel de confianza indica la probabilidad de que los resultados de nuestra
investigación sean ciertos.

Un 95,5 % de confianza es lo mismo que decir que nos podemos

equivocar con una probabilidad del 4,5%.

´´4. PRUEBAS DE HIPÓTESIS´´.

Una hipótesis es una afirmación acerca de algo. En estadística, puede ser

una suposición acerca del valor de un parámetro desconocido.

Pasos en la prueba de hipótesis:

1. suponer una hipótesis acerca de una población.

2. Formular una hipótesis alternativa, ósea una contra-hipótesis.

3. Definir un criterio de decisión para rechazar o no la hipótesis nula.

4. Recabar datos de la muestra.

5. Calcular una estadística de muestra.

6. Utilizar la estadística de muestra para evaluar la hipótesis.

La prueba de hipótesis comienza con una suposición, llamada hipótesis,

que hacemos con respecto a un parámetro de población. Después
recolectamos datos de muestra, producimos estadísticas de muestra y
usamos esta información para decidir qué tan probable es que sea
correcto nuestro parámetro de población acerca del cual hicimos la
hipótesis.

Debemos establecer el valor supuesto del parámetro de población antes

de comenzar a tomar la muestra. La suposición que deseamos probar se
conoce como hipótesis nula, y se simboliza H0. Siempre que rechazamos
la hipótesis, la conclusión que sí aceptamos se llama hipótesis
alternativa y se simboliza H1.

El propósito de la prueba de hipótesis no es cuestionar el valor calculado

de la estadística de muestra, sino hacer un juicio respecto a la diferencia
entre esa estadística de muestra y un parámetro de población
hipotetizado. El siguiente paso después de establecer la hipótesis nula
alternativa consiste en decidir qué criterio utilizar para decidir si aceptar
o rechazar la hipótesis nula.
 Si suponemos que la hipótesis es correcta, entonces el nivel de
significancia indicará el porcentaje de medias de muestra que está fuera
de ciertos límites.

Siempre que afirmemos que aceptamos la hipótesis nula, en realidad lo

que queremos decir es que no hay suficiente evidencia estadística para
rechazarla. El empleo del término aceptar, en lugar de rechazar, se ha
vuelto de uso común. Significa simplemente que cuando los datos de la
muestra ´´n´´ hacen que rechacemos una hipótesis nula, nos
comportamos como si fuera cierta.

4.1 Selección del nivel de significancia.

Nuestra elección del estándar mínimo para una probabilidad aceptable, o

el nivel de significancia, es también el riesgo que asumimos al rechazar
una hipótesis nula cuando es cierta. Mientras más alto sea el nivel de
significancia que utilizamos para probar una hipótesis, mayor será la
probabilidad de rechazar una hipótesis nula cuando es cierta.}

4.2 Errores tipo I y tipo II.

El rechazo de una hipótesis nula cuando es cierta se denomina error de

tipo I, y su probabilidad se simboliza como α . El hecho de aceptar una
hipótesis nula cuando es falsa se denomina error de tipo II, y su
probabilidad se simboliza como β . La probabilidad de cometer un tipo de
error puede reducirse sólo si deseamos incrementar la probabilidad de
cometer el otro tipo de error. Con el propósito de obtener una β baja,
tendremos que tolerar una α alta. Los responsables de la toma de
decisiones deciden el nivel de significancia adecuado, al examinar los
costos o desventajas vinculadas con ambos tipos de errores.

4.3 Medición de la potencia de una prueba de hipótesis.

Idealmente, tanto α como β (las probabilidades de los errores tipo I y II

deben ser pequeñas. Una vez que decidimos el nivel de significancia, no
hay nada que podamos hacer con respecto a α . Cuando la hipótesis nula
es falsa, µ (la media de la población cierta) no es igual a la media
hipotetizada.

Puesto que rechazar una hipótesis nula cuando es falsa es exactamente

lo que debe hacer una buena prueba, un valor alto de 1 - β significa que
la prueba está trabajando bastante bien (está rechazando la hipótesis
nula cuando es falsa. Puesto que 1 - β es la medida de qué tan bien
trabaja la prueba, se la conoce como la potencia de la prueba. Si
representamos gráficamente los valores

1 - β por cada valor de µ para el que la hipótesis alternativa es cierta, la

curva resultante se conoce como curva de potencia.

´´5. PRUEBAS UNILATERALES Y BILATERALES´´.

Los intervalos de confianza a veces se denominan intervalos de confianza

bilaterales porque producen un límite de confianza superior y uno
inferior para el parámetro de interés. Sin embargo, en ocasiones al
experimentador solo le interesa uno de esos límites; es decir, solo
necesita un número superior o uno inferior para el parámetro de interés.

En este caso se construye un límite de confianza unilateral, como: u, p,

u1-u2 o bien, p1-Cuando la distribución muestral de un estimador
puntual es aproximadamente normal, se usa el argumento para mostrar
que los limites de confianza unilaterales, construidos mediante las
ecuaciones cuando el tamaño de la muestra es grande, contendrá el valor
verdadero del parámetro de interés (1-a) 100% de las veces en un
muestreo repetido.

´´6. PRUEBA DE HIPOTESIS PARA DIFERENCIA DE MEDIAS´´.

Puesto que deseamos estudiar dos poblaciones, la distribución de

muestreo que nos interesa es la distribución de muestreo de la diferencia
entre medias muéstrales.

Conceptos básicos de las distribuciones de población, distribuciones de

muestreo de la media y distribuciones de muestreo de diferencias entre
medias muéstrales.

Ambas tienen medias y desviaciones estándar, respectivamente, debajo

de cada población se muestra distribución de muestreo de la media para
esa población... Las dos distribuciones teóricas de muestreo de la media
están integradas todas las muestras posibles de determinado tamaño que
pueden extraerse de la correspondiente distribución de la población 2, si
después restamos las dos medias muéstrales, obtenemos la diferencia

entre medias muéstrales. Esta diferencia será positiva si X1 es mayor que

X2 y negativa si X3 es mayor que X1. Al construir esta distribución de
todas las diferencias posibles de muestreo de X1 – X2, terminamos
teniendo la distribución de muestreo entre las medias muéstrales.

6.1 DISTRIBUCIÓN DE LA DIFERENCIA ENTRE DOS MEDIAS

Sean X1 y X2 dos variables aleatorias con valores esperados m1 y m2 y

varianzas y, respectivamente. Por ejemplo, X1 puede ser la duración de
una batería para carro de una marca, y X2 la duración de una batería de
otra marca diferente. Si los medias m1 y m2 son desconocidas, podríamos
estar interesados en conocer si ambas baterías tienen la misma duración
media. En forma similar, si las varianzas son desconocidas, podríamos

estar interesados en saber si son iguales o no. Para realizar estas

inferencias, se pueden someter a pruebas idénticas diferentes baterías,
controlando los factores externos, de tal forma que las diferencias se
deban exclusivamente a la clase de marca probada Inicialmente
estaremos interesados en verificar si ambas distribuciones tienen la
misma media poblacional, es decir si m1 = m2 ó equivalentemente m1 -
m2 = 0.

Suponga que es una muestra aleatoria de tamaño n1 tomada de una

población con media m1 y varianza, es otra muestra aleatoria de tamaño
n2 tomada de una población con media m2 y varianza. Si deseamos
realizar alguna inferencia sobre m1 - m2, nos podemos basar en la
distribución de la diferencia de las medias muéstrales. Por el TCL
sabemos que tanto como se distribuyen normalmente con los siguientes
parámetros: , Para conocer la distribución muestral de las diferencias
entre las medias se debe saber si las varianzas poblacionales son
conocidas o desconocidas, y en caso de que sean desconocidas, se debe
saber si son iguales o diferentes. Cada uno de estos tres casos se analizará
por separado.

A) Distribución de la diferencia entre dos medias cuando las varianzas

son conocidas. Si las varianzas son conocidas, tanto como se distribuyen
normalmente. Por lo tanto la distribución de la diferencia entre las
medias muéstrales es normal con el valor esperado y la varianza dados
anteriormente, es decir, De acuerdo con lo anterior la siguiente variable
aleatoria tiene una distribución normal estándar:

Por lo tanto, con base en la expresión anterior se pueden realizar

inferencias con respecto a la diferencia de medias poblacionales, bajo el
supuesto de que las varianzas sean conocidas. Si además, son iguales, la
expresión anterior se puede expresar como:

B) Distribución de la diferencia entre dos medias cuando las varianzas

son desconocidas pero iguales Cuando las varianzas son desconocidas, se
debe realizar previamente una prueba estadística para verificar si éstas
son iguales o diferentes. Para realizar esta prueba debemos hacer uso de
la distribución F para verificar si la relación de varianzas es igual a uno o
diferente de uno.

Para cada una de las dos muestras se definen sus respectivas varianzas
como: Además tienen distribuciones chií cuadrado con n1–1 y n2–1
grados de libertad respectivamente. Por lo tanto su suma también sigue
otra distribución chií cuadrado con n1+n2–2 grados de libertad.

Es decir:

Ahora bien, si Z es una variable normal (0,1) y ´´Y´´ tiene una

distribución chií cuadrado con n grados de libertad, entonces la variable
tiene una distribución t con n grados de libertad. Para nuestro caso la
variable Z corresponde a la distribución de la diferencia de las dos
medias, con varianzas conocidas, y la variable chií cuadrado corresponde
a la variable ´´Y´´ acabada de definir. Por lo tanto, donde es un
estimador ponderado

de la varianza poblacional s, obtenida ponderando las varianzas

poblacionales por sus respectivos grados de libertad.

C) Distribución de la diferencia entre dos medias cuando las varianzas

son desconocidas y diferentes.

Cuando las varianzas son diferentes se puede demostrar que la siguiente

variable aleatoria T sigue una distribución t con n grados de libertad,
donde: Y, es el número de grados de libertad n.

´´7. Pruebas de hipótesis para diferencias de proporciones´´.

La situación más frecuente es suponer que existen diferencias entre las

proporciones de dos poblaciones, para ello suelen enunciarse las
hipótesis de forma similar al caso de las medias:

Ho: p1 = p2 Þ p1 - p2 = 0

H1: p1 ¹ p2

Puede la hipótesis alternativa enunciarse unilateralmente.

El estadígrafo de prueba para el caso de muestras independientes: Siendo

a1 y a2, el número de sujetos con la característica objeto de estudio en las
muestras 1 y 2 respectivamente, es decir, en vez de calcular la varianza
para cada muestra, se calcula una p conjunta para ambas muestras bajo
el supuesto que no hay diferencias entre ambas proporciones y así se
obtiene la varianza conjunta. Recuerda que q = 1-p.

Es frecuente, investigar las preferencias de la población por una

determinada opción A, frente a otra opción B.

Por ejemplo: ¿qué proporción de posibles votantes optan por un

candidato A frente a otro B?

Otras veces interesa saber, qué proporción de individuos de una

población, presentan una característica A, frente a los que no la
presentan. En cualquier caso, como normalmente no podemos estudiar a
todos los individuos de una población, tenemos que tomar una muestra.

Estudiamos la proporción de individuos que presentan la característica,

objeto de estudio, en la muestra que hemos tomado, así tenemos la
proporción de la muestra, que representaremos por P (mayúscula) , pues,
no coinciden la proporción de la población, p y la proporción de la
muestra P .

Sea la muestra que hemos tomado, de n individuos, si al individuo que

presenta la característica objeto de estudio, le asignamos el valor 1 y al
que no la presenta le asignamos el valor 0, tenemos el parámetro de la
muestra Sj , que representa el número j de individuos de la muestra, que
presentan la propiedad objeto de estudio.

La proporción de la muestra, P, es: p=sj/n

Si tomamos aleatoriamente muestras de tamaño n, el parámetro Sj de
las muestras sigue una distribución binomial b(n, p), donde p es la
proporción de la población.

Y podemos definir la variable xj

xj=sj-np/raiz cuadrada de npq

Que también sigue una distribución binomial y que bajo ciertas

condiciones, se puede aproximar por una distribución normal estándar.
Como:

Y xj se ajusta a una distribución normal estándar, la proporción de las

muestras de tamaño n, P sigue una distribución normal, de media p
(proporción de la población) y desviación típica:

Raiz cuadrada de pq/n

Así pues, el valor más esperado (la media) de las proporciones de las
muestras, P, es la proporción de la población p y además cuando
aumenta el tamaño de las muestras, P se aproxima a p.

Sabemos cómo se distribuyen las proporciones muéstrales, sólo

desconocemos la proporción de la población. Si supiéramos la proporción
de la población, podríamos calcular un intervalo, alrededor de la media
de las proporciones de las muestras (proporción de la población) , tal que
con una probabilidad dada, las proporciones de las muestras estuvieran
dentro de ese intervalo.

Por ejemplo, supongamos que queremos que la probabilidad de que la

proporción de una muestra esté dentro de un intervalo a calcular, sea de
0,95; sólo tenemos que tipificar P y mediante la tabla de la distribución
normal estándar, calcular tα para α = 1-0,95=0,05.
Como no conocemos la proporción de la población, p, la sustituimos por
la proporción de la muestra, P, con lo cual el intervalo será diferente para
cada muestra, pero, con probabilidad 1-α, la proporción de la población,
estará dentro del intervalo así calculado y tendremos una estimación de
la proporción de la población por un intervalo.
conclusión
Como conclusión del presente trabajo sobre la estadistica inferencial
entre otras ,,Prácticamente es importante mencionar que lo que
nosotros vimos en este trabajo es de suma importancia para nuestra
carrera ya que aquí nos damos cuenta lo que realmente lo necesario para
cada uno de los temas , la parte básica de nuestro trabajo no es la teoría
sino que todo lo aprendido lo llevemos a cabo en aplicaciones en lo largo
de nuestra carrera y vida profesional, todo esta muy bien definido y
explicado en mi trabajo anterior.
Bibliografía

● Walpole, Ronald; Probabilidad y Estadística para Ingenieros;

Pearson; 6ª Ed; México 1999.
● Montgomery, Douglas C; Probabilidad y estadistica aplicadas a la
ingeniería; Limusa; 2ª Ed; México 2008.
● Freund, John E. Miller, Irwin y Miller Marylees; Probabilidad y
estadística para ingenieros; Prentice-Hall; 4a Ed; México 1992.

● 1Conde Casas Aurelio, “Estimación por intervalos y puntual”,

Ministerio de Educación, Cultura y Deporte y Ciencia. Año 2007

● 2Universidad Nacional de Colombia, Carrera 30 No 45-03 - Edificio

477, Bogotá D.C. – Colombia,
http://www.virtual.unal.edu.co/cursos/odontologia/2002890/leccione
s/estimacion/estimacion.htm

● 3http://www.estadisticafacil.com/Main/DeterminacionTamanoDeM
uestra

● 4http://ejemplosde.com.mx/ejemplos-de-hipotesis-estadistica

● http://www.mitecnologico.com/Main/DistribucionMuestralDiferenc
iaMedias