FACULTAD DE INGENIERÍA
CICLO : III
GRUPO : B
AYACUCHO – PERÚ
2019
DEDICATORIA
ÍNDICE ........................................................................................................................................... 3
NTRODUCCIÓN .............................................................................................................................. 4
LA PROBABILIDAD, NIVEL DE CONFIANZA ..................................................................................... 5
Estimación del intervalo de confianza para la media ................................................................. 6
Ejemplo ilustrativo ..................................................................................................................... 6
ESTIMACIÓN POR INTERVALOS DE CONFIANZA ............................................................................ 8
Definición de intervalo de confianza ............................................................................................. 8
MÉTODOS DE CONSTRUCCIÓN DE INTERVALOS DE CONFIANZA ................................................... 9
Intervalo de confianza para la media con conocida. ........................................................... 9
Intervalo de confianza para la media con desconocida. ................................................... 10
Intervalo de confianza para la varianza con media desconocida ............................................. 11
ESTIMACIÓN DEL TAMAÑO MUESTRAL. ...................................................................................... 12
PROPORCIÓN POBLACIONAL ....................................................................................................... 13
EJERCICIOS INTERVALO DE CONFIANZA....................................................................................... 14
CONCLUSION ............................................................................................................................... 16
BIBLIOGRAFIA.............................................................................................................................. 17
NTRODUCCIÓN
La estadística inferencial aporta las técnicas necesarias para extraer conclusiones sobre el
valor poblacional de un determinado parámetro a partir de la evaluación de una muestra.
Las conclusiones derivadas de este proceso inferencial siempre estarán sujetas a error como
consecuencia de la variabilidad aleatoria unida al propio procedimiento de selección
muestral. Por ello, resulta necesario disponer no sólo de una estimación puntual, sino
también de un intervalo de confianza, que facilite un rango de valores verosímiles para el
parámetro poblacional, así como de una prueba de significación estadística, que permita
determinar el grado de compatibilidad de los datos muestrales con una hipótesis
predeterminada. Como vimos en el tema 1, el error que se comete al utilizar una muestra
que se extrae a partir de una población se llama error de muestreo y es un error aleatorio,
siempre que la muestra se haya extraído al azar. El error aleatorio es impredecible y no
puede ser eliminado, pero sí reducido mediante diseños más eficientes (que proporcionen
mayor información sin necesitar observar a más sujetos) o aumentando el tamaño de la
muestra estudiada.
LA PROBABILIDAD, NIVEL DE CONFIANZA
Un intervalo de confianza nos va a permitir calcular dos valores alrededor de una media
muestral (uno superior y otro inferior). Estos valores van a acotar un rango dentro del cual,
con una determinada probabilidad, se va a localizar el parámetro poblacional.
Conocer el verdadero poblacional, por lo general, suele ser algo muy complicado.
Pensemos en una población de 4 millones de personas. ¿Podríamos saber el gasto medio en
consumo por hogar de esa población? En principio sí. Simplemente tendríamos que hacer
una encuesta entre todos los hogares y calcular la media. Sin embargo, seguir ese proceso
sería tremendamente laborioso y complicaría bastante el estudio.
Ante situaciones así, se hace más factible seleccionar una muestra estadística. Por ejemplo,
500 personas. Y sobre dicha muestra, calcular la media. Aunque seguiríamos sin saber el
verdadero valor poblacional, podríamos suponer que este se va a situar cerca del valor
muestral. A esa media le sumamos el margen de error y tenemos un valor del intervalo de
confianza. Por otro lado, le restamos a la media ese margen de error y tendremos otro valor.
Entre esos dos valores estará la media poblacional.
Estimación del intervalo de confianza para la media
Donde:
Se llama valor crítico al valor de Z necesario para construir un intervalo de confianza para
la distribución. El 95% de confianza corresponde a un valor ( de 0,05. El valor crítico Z
correspondiente al área acumulativa de 0,975 es 1,96 porque hay 0,025 en la cola superior
de la distribución y el área acumulativa menor a Z = 1,96 es 0,975.
Ejemplo ilustrativo
Solución:
Con lectura en la tabla de la distribución normal para un área de 0,025 se obtiene Z = -1,96.
Por simetría se encuentra el otro valor Z = 1,96
Para ello se toma una muestra aleatoria simple de tamaño 100, por ejemplo, y utilizamos la
media muestral como el mejor estimador de la media poblacional que sabemos que se
distribuye
MÉTODOS DE CONSTRUCCIÓN DE INTERVALOS DE CONFIANZA
Hay varios métodos pero únicamente se va a exigir el denominado “método del pivote”.
2.- Se busca una función h(ˆ) del estimador cuya distribución sea conocida y no dependa
del parámetro .
X −
2.- Nos fijamos en la función h( X ) = N (0,1) que no depende del
n
parámetro
X −
3.- Se construye el intervalo P(− z 2 z1− 2 ) = 1 −
n
El peso de los cocos producidos por los arboles de una granja se distribuye de forma
normal, con media desconocida pero con = 13 g. Se toma una muestra de ellos y se
obtiene que los pesos son: 700, 700, 680, 680, 690, 710, 670 y 700 gramos. Hallar un
intervalo de confianza para la media con un nivel del 95%.
De una población normal N(,6) se selecciona una muestra aleatoria cuya media es 25.
Obtener un intervalo de confianza para la media poblacional en los siguientes casos.
1 n
❖ Se elige el mejor estimador de que es X = Xi
n i=1
X −
❖ Nos fijamos en la función h( X ) = Tn−1 que no depende del parámetro
Sc
n
.
X −
❖ Se construye el intervalo P (−t 2 t1− 2 ) = 1 −
Sc
n
❖ Se despeja el parámetro y queda:
(X −X)
n
2
i
1.- Se elige el mejor estimador de 2 que es ˆ 2 = Sc2 = i =1
n −1
(n − 1) Sc2
2.- Nos fijamos en la función h(ˆ 2 ) = 2 n−1 que no depende del
2
parámetro
(n − 1) Sc2
3.- Se construye el intervalo P(1 2 ) = 1 − y se acepta que
2
(n − 1) Sc2 (n − 1) Sc2
4.- Se despeja el parámetro 2 y queda: P( 2 ) = 1 − con
n2−1;1 − / 2 n2−1; / 2
(n − 1) Sc2 (n − 1) Sc2
lo que el intervalo de confianza es 2 , que es el que aparece en el
n −1;1 − / 2 n2−1; / 2
libro de tablas.
Ejemplo:
Utilizar los datos del ejercicio anterior para obtener un intervalo de confianza para la
varianza con un nivel del 95%.
Análogamente se procede en todos los demás casos que aparecen en el libro de tablas
cuando la población se distribuye según una distribución normal.
ESTIMACIÓN DEL TAMAÑO MUESTRAL.
Muchas veces interesa elegir, junto con el nivel de confianza, un intervalo de confianza de
una determinada longitud y determinar cuál debería ser el tamaño muestral adecuado.
Ejemplo
2
La longitud L = X + z 2 − ( X − z 2 ) = 2 z 2 luego n = 4 z 2 2
n n n L2
La longitud de los tornillos fabricados por una determinada máquina se distribuye según
una distribución normal con desviación típica = 2 mm. Con el fin de obtener un
intervalo del 99% de confianza para la longitud media de los tornillos producidos durante
un día determinado se toma una muestra aleatoria de 10 tornillos cuya longitud media
resultó ser de 96 mm. Calcular el correspondiente intervalo con estos datos y determinar el
tamaño de la muestra para construir un intervalo al 99% de confianza para la longitud de
los tornillos pero que tenga una amplitud de 2 mm.
PROPORCIÓN POBLACIONAL
https://economipedia.com/definiciones/intervalo-de-confianza.html
• (1956). Statistical Methods and Scientific Inference. Oliver and Boyd, Edinburgh
(p. 32).
• Freund, J. E. (1962). Mathematical Statistics. Prentice Hall, Englewood Cliffs, NJ
(pp. 227-228).
• Hacking, I. (1965) Logic of Statistical Inference. Cambridge University Press,
Cambridge.
• Keeping, E. S. (1962). Introduction to Statistical Inference. D. Van Nostrand,
Princeton, NJ.
• Kiefer, J. (1977). Journal of the American Statistical Association, 72, 789-827.
• Neyman, J. (1937). Philosophical Transactions of the Royal Society of London
A, 236, 333-380.
• Robinson, G. K. (1975). Biometrika, 62, 151-161.
• Zar, J. H. (1984). Biostatistical Analysis. Prentice Hall International, New Jersey.
pp. 43-45.