Estadística para

Administradores

Capítulo 8

Estimación de Intervalos de Confianza

Act. Félix Franco - Lic. Daniel Fortuna - Lic. Diego Parrás Chap 8-1
 Estimación puntual y de intervalos

 Una estimación puntual es un solo número que se

utiliza para estimar un parámetro poblacional
desconocido.
La media de la muestra x es el
mejor estimador de la media
poblacional μ. n

X i
X i 1
n

La varianza de la muestra s2
es el mejor estimador de la
varianza poblacional 2.
n

 (X  X)
i
2

S2  i1
n -1
Chap 8-2
Estimación Puntual
 Estimación Puntual

Tres empresarios, con la intención de definir el

nivel de inventario, estiman la demanda mensual
de un determinado producto en un mismo
mercado. Luego de varios meses de observación,
y la correspondiente contrastación con la
demanda real, se obtienen las siguientes
distribuciones de frecuencias delas diferencias
 Estimación Puntual

Frecuencia
Relativa A B

-4 -3 -2 -1 0 1 2 3 4 5
 Estimación Puntual

• El empresario B es quien mejor ha

estimado las ventas, ya que no sólo la
diferencia está en torno al 0, sino que
también tiene poca variabilidad
• El empresario C, aunque también tiene
una diferencia próxima a 0, la
variabilidad es más grande
• El empresario A tiene poca variabilidad,
pero ha sobreestimado la demanda, ya
que la diferencia le da negativa
 Estimación Puntual

Claramente la estimador de un parámetro

debe tener 2 propiedades deseables:

• Una distribución de muestreo

concentrada alrededor del parámetro

• La varianza del estimador debe ser la

menor posible
Propiedades de los Estimadores

Estimador Insesgado:

Un estimador es insesgado si el valor

esperado del estimador es igual al
parámetro

θ: Parámetro
T: Estimador de θ

E(T) – θ = 0 E(T) = θ
Propiedades de los Estimadores
(insesgamiento)

Si la varianza muestral se calculara de la

siguiente forma
σ (𝑥 − 𝑥)
ҧ 2
𝑠2 =
𝑛
sería un estimador sesgado de la varianza
poblacional.

En cambio σ (𝑥 − 𝑥)
ҧ 2
𝑠2 =
𝑛−1
es un estimador insesgado de la varianza poblacional
Propiedades de los Estimadores
(consistencia)

Estimador Consistente:

Un estimador es consistente si la diferencia entre

el valor esperado del estimador y el parámetro
disminuye a medida que aumenta el tamaño de
la muestra
Propiedades de los Estimadores
(consistencia)

σ 2
(𝑥 − 𝑥)
ҧ
𝑠2 =
𝑛

Es un estimador sesgado de la varianza poblacional,

pero es consistente, porque a medida que aumenta
el tamaño de la muestra, tiende al estimador
insesgado
σ (𝑥 − 𝑥)
ҧ 2
𝑠2 =
𝑛−1
Propiedades de los Estimadores
(insesgamiento/consistencia)

No todos los estimadores

insesgados son consistentes,
y no todos los estimadores
consistentes son insesgados
 Propiedades de los Estimadores
(eficiencia)

x Me

¿Cómo elegir entre varios estimadores insesgados?

Propiedades de los Estimadores
(eficiencia)

Estimador Eficiente:

Es el estimador insesgado de menor varianza,

también llamado estimador insesgado de varianza
mínima

θ: Parámetro
T1: Estimador insesgado de θ
T2: Estimador insesgado de θ

T1 es más eficiente que T2, si Var(T1) < Var (T2)

 Propiedades de los Estimadores
(eficiencia relativa)

La eficiencia relativa de T1 respecto de T2 es el cociente

de sus varianzas
Var (T1)
Var (T2)

Ejemplo: La media y la mediana son estimadores

insesgados de la media poblacional, pero la eficiencia
relativa de la media respeto de la mediana es 1,57. Es
decir que la varianza de la mediana muestral es 57%
mayor que la de la media muestral.
Para que la mediana muestral tuviera una varianza tan
pequeña como la media muestral, tendría que basarse en
un 57% más de observaciones
 Estimación puntual y de intervalos

 Un intervalo de confianza provee información

adicional acerca de la variabilidad.
 Una estimación de intervalo describe un intervalo de
valores dentro del cual es posible que esté el
parámetro de la población.

Límite Límite
Inferior de Superior de
Estimación Puntual Confianza
Confianza
Rango, Recorrido ó
Ancho del intervalo de
confianza
Chap 8-16
 Estimación de Intervalos de
Confianza

 Un intervalo proporciona un rango de valores:

 Toma en cuenta la variación del estadístico de
muestra a muestra
 Basado en observaciones de 1 muestra
 Proporciona información acerca de los parámetros
poblacionales
 Se establece en términos de nivel de confianza o
seguridad
 Nunca es 100% seguro

Chap 8-17
 Proceso de estimación

La media
poblacional, μ, Media
Yo tengo un
es desconocida X = 50 95% de
confianza de
que μ está
comprendida
entre 40 y 60.

Muestra

Chap 8-18
 Nivel de Confianza

 Nivel de Confianza

 Confianza de que el intervalo

contenga al verdadero valor del
parámetro poblacional
desconocido.
 Se expresa como un porcentaje
(menor que el 100%)

Chap 8-19
 Nivel de Confianza, (1- )
(continua)

 Suponga un nivel de confianza nivel = 95%

 También se escribe (1 - ) = 0.95
 Una interpretación de los intervalos de confianza:
 Tomadas repetidas muestras de tamaño n, cabe
esperar que el (1-  ) de dichos intervalos
contengan el verdadero valor del parámetro
poblacional
 Un intervalo especificado, puede o no contener el
valor verdadero del parámetro poblacional

Chap 8-20
 Intervalos de Confianza

Intervalos
de confianza

Media Proporción Varianza

poblacional poblacional Poblacional

σ σ
conocida desconocida

Chap 8-21
 Fórmula General

 La fórmula general para la mayoría de

los intervalos de confianza es:

Estimación puntual ± (Valor crítico)*(Error estándar)

σ
XZ
n

Chap 8-22
 Intervalo de Confianza para μ
(σ conocida)
 Supuestos
 La desviación estándar poblacional, σ, es conocida
 La población está normalmente distribuida
 Si la población no es normal, se están utilizando
muestras grandes
 Estimación del intervalo de confianza
σ
XZ
n
donde X es la estimación puntual
Z es el punto crítico de la distribución normal para una probabilidad
de /2 en cada cola
σ/ n es el error estándar
Chap 8-23
 Determinar el valor crítico, Z

 Considerando un intervalo de confianza de

95% : 1   0.95
Z  1.96

α α
 0.025  0.025
2 2

unidades Z Z= -1.96 0 Z= 1.96

Límite de Estimación Límite de
X unidades: Confianza Confianza
Puntual
Inferior Superior
Chap 8-24
 Niveles Comunes de Confianza

 Los Niveles de confianza utilizados

habitualmente son: 90%, 95% y 99%
Coeficiente de
Niveles de Confianza valor Z
Confianza 1 
80% 0.80 1.28
90% 0.90 1.645
95% 0.95 1.96
98% 0.98 2.33
99% 0.99 2.58
99.8% 0.998 3.08
99.9% 0.999 3.27

Chap 8-25
 Intervalos y Nivel de Confianza
Distribución Muestral de la Media

/2 1  /2
x
Intervalos se μx  μ
extienden x1
desde (1-)*100%
x2
σ de las muestras
XZ contienen a μ;
n
σ ()*100% no la
XZ contienen
n
Intervalos de
Confianza Chap 8-26
 Ejemplo

 Una muestra de 11 circuitos provenientes

de una población normal grande tiene una
resistencia media de 2.20 ohms.
Conocemos de experiencias pasadas que
la desviación estándar poblacional es 0.35
ohms.

 Determinar un intervalo del 95%de

seguridad, para la verdadera media de la
resistencia poblacional.

Chap 8-27
 Ejemplo
(continua)
 Una muestra de 11 circuitos fue extraída de una
población normal grande que tiene una resistencia
media de 2.20 ohms. Conocemos por pruebas
pasadas que la desviación estándar poblacional es
0.35 ohms.
σ
 Solución: X Z
n
 2.20  1.96 (0.35/ 11)
 2.20  0.2068
1.9932    2.4068

Chap 8-28
 Interpretación

 Vemos que en un intervalo de confianza

con el 95% de seguridad, la media
verdadera de la resistencia media está
comprendida entre 1.9932 y 2.4068 ohms
 La media verdadera puede o no caer
dentro del intervalo al 95% de confianza

Chap 8-29
 Intervalos de Confianza

Intervalos
de confianza

Media Proporción Varianza

poblacional poblacional Poblacional

σ σ
conocida desconocida

Chap 8-30
 Intervalo de Confianza para μ
(σ desconocida)
 Si la desviación estándar poblacional, σ,
es desconocida, nosotros podemos
sustituir la desviación estándar por S.
 Esto introduce una incertidumbre
adicional, siendo S la variable que varía
de muestra a muestra.
 Usamos la distribución t de Student en
lugar de la normal.

Chap 8-31
 Intervalo de Confianza para μ
(σ desconocida )
(continua)

 Supuestos
 La desviación estándar es desconocida
 La población es normal
 n < 30
 Usamos la Distribución t de Student para estimar
el intervalo de confianza:

S
X  t n-1
n
(donde t es el valor crítico de la distribución t-Student, con “n -1” grados
de libertad y un área de α/2 en cada cola)

Chap 8-32
 Distribución t de Student

 La distribución t es una familia de curvas

 El valor t depende de los grados de
libertad (g de l) o df.
 Número de observaciones que son libres de variar en
una muestra donde la media ha sido calculada

g de l. = n - 1

Chap 8-33
 Grados de libertad (g de l)
Idea: Número de observaciones que pueden variar en
una muestra en la que la media ha sido calculada
Ejemplo: Supongamos que la media de cinco números es 8.0

Si la media de estos tres valores

Sea X1 = 7 es 8.0,
Sea X2 = 8
entonces X5 deberá ser 9
Sea X3 = 9
Sea X4 = 7 (X5 no es libre de tomar otro
Cuál es X5? valor)

Aquí, n = 5, los grados de libertad son = n – 1 = 5 – 1 = 4

(4 valores pueden ser números, pero el quinto no es
libre de variar)
Chap 8-34
 Ejemplo
Una muestra aleatoria de n = 25, tiene X = 50 y
S = 8. Construya un intervalo de confianza al 95%
para la μ

 g de l. = n – 1 = 24, t/2 , n1  t 0.025,24  2.0639

El intervalo de confianza es
S 8
X  t/2, n -1  50  (2.0639)
n 25

46.698 ≤ μ ≤ 53.302

Chap 8-35
 Distribución t de Student
Note que: t Z cuando n
se incrementa
Normal
estándar
(t con gl = ∞)
t (gl = 13)
Las distribuciones t están
distribuidas en forma de
campana simétrica t (gl = 5)

0 t
Chap 8-36
 t de Student: valores de la
distribución
En comparación con los valores de Z
Nivel de t t t z
Confianza (10 gl) (20 gl) (30 gl)

0.90 1.812 1.725 1.697 1.645

0.95 2.228 2.086 2.042 1.96

0.99 3.169 2.845 2.75 2.58

Entonces: cuando n > 30, podremos utilizar la

distribución normal y el estadístico z para calcular
el intervalo de confianza
 s
x z  X  z
n n
Chap 8-37
 Resumen Estimación de µ

Población finita y n/N > 0.05 Población infinita o n/N < 0.05

 
 conocida x z  
N-n x z 
n N -1 n
 desconocida y idem anterior idem anterior
n>30 (estimo  con s) (estimo  con s)

 desconocida y s
n < 30 xt
n

Chap 8-38
 Intervalos de Confianza

Intervalos
de confianza

Media Proporción Varianza

poblacional poblacional Poblacional

σ σ
conocida desconocida

Chap 8-39
 Intervalo de confianza para la
proporción poblacional, π

 Un intervalo que estima la proporción

poblacional (π) puede ser calculado con
un nivel de confianza utilizando la
proporción muestral (p).

Chap 8-40
 Intervalo de confianza, para la
proporción poblacional, π
(continua)

 Recordando la distribución muestral de la

proporción de la muestra, ésta es
aproximadamente normal si el tamaño de
muestra es grande, con desviación estándar:

 (1   )
σp 
n
 Podemos estimar con los datos de la muestra:

p(1  p)
n
Chap 8-41
 Intervalos de Confianza
 Los límites, superior e inferior, para la proporción
poblacional se calculan con la formula

p(1 p)
pZ
n
 donde
 Z es el valor de la normal estandarizada determinado por el nivel de
confianza elegido
 p es la proporción muestral
 n es el tamaño muestral

Chap 8-42
 Ejemplo

 Una muestra aleatoria de 100 personas

dividida en cuanto a la utilización de la
mano, derecha o izquierda, arrojó 25
zurdos
 Con un 95% de seguridad, construya el
intervalo de confianza para la verdadera
proporción de zurdos

Chap 8-43
 Ejemplo
(continua)
 Con un 95%. construya el intervalo
de confianza para la verdadera
proporción de zurdos .

p  Z p(1 p)/n
 25/100  1.96 0.25(0.75) /100

 0.25  1.96 (0.0433)

0.1651    0.3349
Chap 8-44
 Interpretación

 Obtenemos un intervalo al 95% de

confianza que, el porcentaje de zurdos de
la población se encuentra entre:
16.51% y 33.49%.

 Por lo tanto, el intervalo 0.1651 a 0.3349

puede o no contener a la verdadera
proporción, con un 95% de confianza en
una muestra de tamaño 100.

Chap 8-45
 Corrección por finitud

 CUIDADO! También para la proporción, hay

que tener en cuenta cuándo se coloca el FCF
para calcular el error estándar:

 N n
Para la Media Muestral X 
n N 1

p 1  p  N  n
Para la Proporción Muestral
p 
n N 1

Chap 8-46
Determinando el tamaño de la
muestra

Determinando el
tamaño de la muestra

Para la Para la
Media Proporción

Chap 8-47
 Error de muestreo
 El tamaño muestral requerido puede ser determinado
utilizando un deseado margen de error (e), con un
especificado nivel de confianza (1 - %)

 El margen de error es también llamado error de

muestreo
 Es una medida de imprecisión en la estimación del
parámetro poblacional
 Es el valor positivo o negativo de la estimación
puntual que conforma el intervalo de confianza

Chap 8-48
Determinando el tamaño muestral

Determinar el
tamaño muestral

Para la
media Error muestral
(margen de error)
σ σ
XZ eZ
n n

Chap 8-49
 Determinando el tamaño muestral
(continua)

Determinar el
tamaño muestral

Para la
Media

σ Z σ
2 2
eZ Ahora
resolvemos n 2
n para e
obtener n
Chap 8-50
 Determinando el tamaño muestral
(continua)

 Para determinar el tamaño de muestra

requerido para la media se debe conocer
 El deseado nivel de confianza (1 - %), del que
depende el valor de Z
 El error de muestreo aceptable, e
 La desviación estándar, σ

Chap 8-51
 Ejemplo de tamaño muestral
Si  = 45, ¿cuál es el tamaño de muestra
necesario para estimar la media poblacional con
un error de ± 5, a un 90% de confianza?

Z σ2 2
(1.645) (45) 2 2
n 2
 2
 219.19
e 5

Así, el tamaño muestral requerido es

n = 220, siempre se redondea para
arriba
Chap 8-52
 Si σ es desconocida

 Si desconocemos σ
 Seleccionamos una muestra piloto y
estimamos σ, utilizando la desviación
estándar muestral S

Chap 8-53
 Determinando el tamaño muestral
(continua)
Determinando el
tamaño muestral

Para la
proporción

π(1 π ) Ahora Z 2 π (1 π )

eZ resolvemos n 2
n para
e
obtener n
Chap 8-54
 Determinar un tamaño muestral
(continua)

 Para determinar el tamaño muestral para una

proporción se debe conocer:

 El nivel de confianza deseado (1 - %), el que

determina el valor critico de Z
 El nivel aceptable de error de muestreo, e
 La verdadera proporción de “éxito”, π
 π puede ser estimado con una muestra piloto o
conservadoramente usamos π = 0.5

Chap 8-55
 Tamaño muestral Ejemplo

Que tamaño debe tener una muestra necesaria para

estimar la proporción verdadera de la proporción de
defectuosos en una gran población con un error de ±3%,y
con 95% de confianza?
(Supongamos que una muestra piloto arrojó p = 0.12)

Chap 8-56
 Tamaño muestral Ejemplo
(continua)

Solución:
Para un nivel de confianza del 95% ,
usamos Z = 1.96
e = 0.03
p = 0.12, usamos estos datos para estimar π
Z π (1 π ) (1.96) (0.12)(1  0.12)
2 2
n 2
 2
 450.74
e (0.03)
Usamos n = 451

Chap 8-57
 Intervalos de Confianza

Intervalos
de confianza

Media Proporción Varianza

poblacional poblacional Poblacional

σ σ
conocida desconocida

Chap 8-58
 Intervalo de Confianza para σ2

 Supuestos
 S2 es la varianza muestral de una muestra aleatoria
de n observaciones
 La población está normalmente distribuida
 Si la población no es normal, se están utilizando
muestras grandes
 Estimación del intervalo de confianza

𝑛−1 ∗𝑆 2
2
𝜒𝑛−1

Chap 8-59
 Intervalo de Confianza para σ2

 Los valores de X2 dependerán de nivel de

confianza que se quiera al cual llamamos 1-α.
Si nos ubicamos en la gráfica se tiene:

Chap 8-60
 Intervalo de Confianza para σ2

 Ejemplo:
Los siguientes son los pesos, en decagramos, de
10 paquetes de semillas de pasto distribuidas por
cierta compañía: 46.4, 46.1, 45.8, 47.0, 46.1,
45.9, 45.8, 46.9, 45.2 y 46. Encuentre un intervalo
de confianza de 95% para la varianza de todos
los paquetes de semillas de pasto que distribuye
esta compañía, suponga una población normal.

Chap 8-61
 Ejemplo

 Solución:
 Primero se calcula la desviación estándar de la
muestra:

 al elevar este resultado al cuadrado se obtiene

la varianza de la muestra s2= 0.286.
Chap 8-62
 Ejemplo

 Para obtener un intervalo de confianza de 95%

se elige un α= 0.05. Después con el uso de la
tabla con 9 grados de libertad se obtienen los
valores de X2

Chap 8-63
 Ejemplo

 Se observa que la varianza corre en sentido

contrario, pero esto es sólo en la gráfica. La
interpretación quedaría similar a nuestros
temas anteriores referentes a estimación. Con
un nivel de confianza del 95% se sabe que la
varianza de la población de los pesos de los
paquetes de semillas de pasto esta entre 0.135
y 0.935 decagramos al cuadrado.

Chap 8-64
 Resumen del Capítulo

 Introducción al concepto de intervalo de confianza

 Discutimos la estimación puntual
 Desarrollamos la estimación de los intervalos de confianza
 Creamos intervalos de confianza para estimar la media (σ
conocida)
 Determinamos intervalos de confianza para estimar la
media siendo (σ desconocida)
 Creamos intervalos de confianza para estimar la proporción
 Determinamos el tamaño muestral tanto para la media
como para la proporción
 Determinamos intervalos de confianza para estimar la
varianza

Chap 8-65