Beruflich Dokumente
Kultur Dokumente
Inferencia estadstica
Estimadores puntuales
Captulos 7 y 8 (8.1-8.6)
Captulo 8
Inferencia Estadstica: palabras clave (i)
X
= E[X] de X valores observados de
X
1
, X
2
, . . . , X
n
X
1
, X
2
, . . . , X
n
F x
1
, x
2
, . . . , x
n
X F Muestra Muestra observada
Estimador de
X
(variable aleatoria) Estimacion de
X
(un n umero)
X
= E[X]
X x
Valor esperado de X Media muestral Media muestral
Estimadores puntuales: introducci on
X =
X
x
Prop. pobl. p
X
prop. muestral p
X
p
x
Var. pobl.
2
X
var. muestral
P
i
X
2
i
n(
X)
2
n
2
X
2
x
Var. pobl.
2
X
quasi var. muestral
P
i
X
2
i
n(
X)
2
n1
=
n
n1
2
X
s
2
X
s
2
x
. . . . . . . . . . . .
En general,
X
. . .
x
Estimadores puntuales: propiedades (i)
Que caractersticas querramos que tuviese un estimador?
X
] = E[
X
]
X
Poblacion Estimador Estimador insesgado
parametro T(X
n
) Sesgo Insesgado? de mnima varianza?
Media pobl.
X
X E[
X]
X
= 0 S S, si X normal
Prop. pobl. p
X
p
X
E[ p
X
] p
X
= 0 S S
Var. pobl.
2
X
2
X
E[
2
X
]
2
X
= 0 No No
Var. pobl.
2
X
s
2
X
E[s
2
X
]
2
X
= 0 S S, si X normal
En general,
X
X
E[
X
]
X
A menudo Rara vez
Estimadores puntuales: propiedades (ii)
X,1
y
X,2
para
un parametro
X
se dene como
Eciencia relativa(
X,1
,
X,2
) =
Var[
X,1
]
Var[
X,2
]
Nota:
X
] = E[(
X
X
)
2
] = Var[
X
] + (Sesgo[
X
])
2
Nota:
Metodo de momentos
Estimacion puntual: ejemplo
Ejemplo: 7.1 (Newbold) Las ratios precio-benecio para una muestra
aleatoria de diez acciones negociadas en la bolsa de NY en un da
concreto fueron
10 16 5 10 12 8 4 6 5 4
Emplee un procedimiento de estimacion insesgado para obtener
estimaciones puntuales para los siguientes parametros de la poblacion:
media, varianza, proporcion de valores que exceden 8.5.
x =
80
10
= 8
s
2
x
=
782 10(8)
2
10 1
= 15,78
p
x
=
1 + 1 + 0 + 1 + 1 + 0 + 0 + 0 + 0 + 0
10
= 0,4
Estimacion puntual: ejemplo
Ejemplo: Sea
X
=
2
n(n+1)
(X
1
+ 2X
2
+. . . + nX
n
) un estimador de la media de
la poblaci on basado en una MAS X
n
. Compare este estimador con la media
muestral,
X.
Sabemos que
X es un estimador insesgado de
X
, con varianza
2
X
n
.
X
tambien es insesgado:
E[
X
] = E
"
2
n(n + 1)
(X
1
+ 2X
2
+ . . . + nX
n
)
#
=
2
n(n + 1)
(E[X
1
] + 2E[X
2
] + . . . + nE[X
n
])
=
id
2
n(n + 1)
(
X
+ 2
X
+ . . . + n
X
)
=
2
X
n(n + 1)
n(n+1)/2
z }| {
(1 + 2 + . . . + n) =
X
Sesgo[
X
] = 0
Y su varianza/ECM es:
V[
X
] = V
"
2
n(n + 1)
(X
1
+ 2X
2
+ . . . + nX
n
)
#
=
indep.
2
n(n + 1)
!
2
(V[X
1
] + 2
2
V[X
2
] + . . . + n
2
V[X
n
])
=
id
4
n
2
(n + 1)
2
2
X
n(n+1)(2n+1)/6
z }| {
(1
2
+ 2
2
+ . . . + n
2
)
=
2(2n + 1)
3n(n + 1)
2
X
ECM[
X
] = V[
X
] + 0
2
=
2(2n + 1)
3n(n + 1)
2
X
Eciencia relativa(
X,
X
) =
2
X
/n
2(2n+1)
3n(n+1)
2
X
=
3(n + 1)
2(2n + 1)
Puede verse que para n 2 este cociente es menor que 1, y por tanto
X es un
estimador mas eciente para
X
.
De estimaciones puntuales a estimaci on por intervalos de
conanza
etc
Estas limitaciones pueden tratarse mediante el uso de estimaciones por
intervalos de conanza, esto es, un metodo que proporciona un intervalo
de valores al que es probable que pertenezca el valor del parametro.
Estimadores por intervalos de conanza e intervalos de
conanza
Sea X
n
= (X
1
, X
2
, . . . , X
n
) una MAS de una poblacion X con funcion de
distribucion F
X
que depende de un parametro desconocido .
Un estimador por intervalos de conanza de con un nivel de conanza
(1 ) = 100(1 ) % es un intervalo (T
1
(X
n
), T
2
(X
n
)) que satisface
P ( (T
1
(X
n
), T
2
(X
n
)) = 1
Interpretacion: tenemos una probabilidad (1 ) de que el parametro
desconocido de la poblacion pertenecera a (T
1
(X
n
), T
2
(X
n
)).
Un intervalo de conanza para con un nivel de conanza 1 es el
valor observado del estimador por intervalos de conanza,
(T
1
(x
n
), T
2
(x
n
))
Interpretacion: podemos tener una conanza de (1 ) de que el valor
del parametro desconocido de la poblacion estara en (T
1
(x
n
), T
2
(x
n
)).
Niveles de conanza habituales
0.01 0.05 0.10
100(1 ) % 99 % 95 % 90 %
Obteniendo un estimador por intervalos de conanza:
procedimiento
1. Se busca una cantidad (aleatoria) relacionada con el parametro
desconocido y con la muestra X
n
, C(X
n
, ), cuya distribucion sea
conocida y no dependa del valor del parametro - esta cantidad se
conoce como la cantidad pivotal o el pivote para
2. Se pueden usar los cuantiles 1 /2 y /2 de esa distribucion, y la
denicion del estimador por intervalos de conanza, para plantear la
ecuacion
P(
doble desigualdad
1 /2 cuantil<C(X
n
, )</2 cuantil) = 1 .
3. Para obtener los extremos del estimador por intervalo de conanza,
T
1
(X
n
) y T
2
(X
n
), se resuelve la doble desigualdad en .
4. El intervalo de conanza al 100(1 ) % para es (T
1
(x
n
), T
2
(x
n
)).
Intervalo de conanza para la media de la poblacion,
poblacion normal con varianza conocida
1. Sea X
n
una MAS de tama no n obtenida de X. Bajo los supuestos:
2
X
es conocida (muy poco realista)
2. La cantidad pivotal para
X
es:
X
X
/
n
N(0, 1)
Nota: la desviacion tpica de
X,
X
/
n, (o de cualquier otro
estadstico) se conoce como su error estandar
Intervalo de conanza para la media de la poblacion,
poblacion normal con varianza conocida
3. Si z
1/2
y z
/2
son los cuantiles
superiores (1 /2) y (/2) de
la distribucion N(0, 1), tenemos
P(z
1/2
< Z < z
/2
) = 1
Densidad normal estandar
Si Z N(0, 1) entonces
E[Z] = 0, V[Z] = 1
1
2
G G
z
1
2
= z
2
z
2
4. Se tiene que P(
z
/2
z
1/2
<
Z
X
X
X
/
n
< z
/2
) = 1
Intervalo de conanza para la media de la poblacion,
poblacion normal con varianza conocida
5. Resolvemos la doble desigualdad para
X
:
z
/2
<
X
X
X
/
n
< z
/2
z
/2
n
<
X
X
< z
/2
n
z
/2
n
X <
X
<
X + z
/2
n
z
/2
n
+
X >
X
>
X z
/2
n
para obtener el estimador por intervalos de conanza
(
T
1
(X
n
)
z }| {
X z
/2
n
,
T
2
(X
n
)
z }| {
X + z
/2
n
)
6. El intervalo de conanza es:
IC
1
(
X
) =
x z
/2
n
, x z
/2
x z
/2
x z
/2
X
= 12
n = 25 x = 198
1 = 0,95 /2 = 0,025
z
/2
= z
0,025
= 1,96
IC
0,95
(
X
) =
198 1,96
12
25
= (198 4,7)
= (193,3, 202,7)
Interpretaci on: Podemos tener una
conanza del 95 % de que
X
esta en (193,3, 202,7)
Interpretaci on frecuentista del IC: nivel de conanza
En este ejemplo simulado se han generado 150 muestras de tama no n = 50, de
una distribuci on X N(
X
= 5,
2
X
= 1
2
) y se construyeron 150 IC
1
(
X
)
con = 0,1 y otros 150 intervalos con = 0,01.
X
esta en aprox. 150(0,9) = 135 interv.
(pero no en 150(0,1) = 15)
(1 ) = 0,9, n = 50
6.0 5.5 5.0 4.5 4.0
0
5
0
1
0
0
1
5
0
Intervalo de confianza
I
n
d
i
c
e
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
X
esta en aprox. 150(0,99) = 148,5 interv.
(pero no en 150(0,01) = 1,5)
(1 ) = 0,99, n = 50
6.0 5.5 5.0 4.5 4.0
0
5
0
1
0
0
1
5
0
Intervalo de confianza
I
n
d
i
c
e
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
La longitud del intervalo, L = x +
z
/2
x
z
/2
= 2
z
/2
n
, aumenta
al aumentar el nivel de conanza (a igualdad de otros valores). Por que?
Interpretaci on frecuentista del IC: tama no muestral
Construimos ahora 150 muestras de tama no n = 50 y otras 150 de tama no
n = 200, de una distribuci on X N(
X
= 5,
2
X
= 1
2
) .
X
en aprox. 150(0,9) = 135 interv.
(pero no en 150(0,1) = 15)
(1 ) = 0,9, n = 50
6.0 5.5 5.0 4.5 4.0
0
5
0
1
0
0
1
5
0
Intervalo de confianza
I
n
d
i
c
e
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
X
en aprox. 150(0,9) = 135 interv.
(pero no en 150(0,1) = 15)
(1 ) = 0,9, n = 200
6.0 5.5 5.0 4.5 4.0
0
5
0
1
0
0
1
5
0
Intervalo de confianza
I
n
d
i
c
e
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
La longitud de los intervalos decrece cuando el tama no muestral aumenta
(suponiendo que los demas valores no cambien). Por que?
Pregunta: Cual es el efecto del valor de sobre la longitud?
Ejemplo: estimacion del tama no muestral
Ejemplo: 8.14 (Newbold) La longitud de las barras de acero fabricadas en un
proceso industrial siguen una distribuci on normal con desviaci on tpica 1.8 mm.
El encargado del proceso desea obtener un intervalo de conanza al 99 % para
dicha longitud, con un tama no menor o igual a 0.5 mm a cada lado de la media
muestral. Que tama no muestral sera necesario para tener esta propiedad?
Poblaci on:
X = longitud de la barra (en mm)
X N(
X
,
2
X
= 1,8
2
)
'
MAS: n =?
IC
0,99
(
X
):
longitud
z }| {
2
z
/2
n
2(0,5) = 1
Area=
0.005
G
z
0.005
= 2.575
Objetivo: n tal que longitud IC 1
2
z
/2
n
1
n 2z
/2
n 2
2
z
2
/2
2
n (2
2
)(2,575
2
)(1,8
2
)
= 85,93
Para satisfacer la petici on del
encargado se necesitara una
muestra de tama no al menos
igual a 86 observaciones.
Intervalo de conanza para la media de la poblacion en
muestras grandes
1. Sea X
n
una MAS de tama no n de X. Bajo las hipotesis:
X
y
2
X
X
X
X
/
n
approx.
N(0, 1)
Intervalo de conanza para la media de la poblacion en
muestras grandes
3. Por tanto, si z
1/2
y z
/2
son
los cuantiles superiores (1 /2)
y (/2) de N(0, 1), tenemos
P(z
1/2
< Z < z
/2
) = 1
Densidad normal estandar
2
G G
z
1
2
= z
2
z
2
4. Imponemos la condicion P(
z
/2
z
1/2
<
Z
X
X
X
/
n
< z
/2
) = 1
Intervalo de conanza para la media de la poblacion en
muestras grandes
5. Resolvemos la doble desigualdad para
X
:
z
/2
<
X
X
X
/
n
< z
/2
para obtener el estimador por intervalos de conanza
(
T
1
(X
n
)
X z
/2
X
n
,
T
2
(X
n
)
X +z
/2
X
n
)
6. El intervalo de conanza es:
IC
1
(
X
) = ( x z
/2
x
n
, x +z
/2
x
n
)
Intervalo de conanza para la proporci on en la poblacion
en muestras grandes
Aplicaci on de ICs para la media en muestras grandes
Sea X
n
, n 30, una MAS de una distr. Bernoulli con parametro p
X
(
X
= E[X] = p
X
y
X
=
p
X
(1 p
X
)). La proporci on muestral p
X
es
un caso especial de media muestral con observaciones cero-uno, p
X
=
X.
Por tanto, del TCL,
p
X
p
X
p(1 p)/n
X
/
approx.
N(0, 1)
n
| {z }
X
/
approx.
N(0, 1)
En muestras grandes, el intervalo de conanza para p
X
es:
IC
1
(p
X
) =
p
x
z
/2
p
x
(1 p
x
)
n
, p
x
+z
/2
p
x
(1 p
x
)
n
p
x
z
/2
r
p
x
(1 p
x
)
n
!
p
x
= 0,241 n = 344
1 = 0,9 /2 = 0,05
z
/2
= z
0,05
= 1,645
IC
0,9
(p
X
) =
0
@
0,241 1,645
s
0,241(1 0,241)
344
1
A
= (0,241 0,038)
= (0,203, 0,279)
Interpretaci on: Podemos tener una conanza
del 90 % de que la proporcion de ejecutivos
que permiten tomar sus propias decisiones a
sus empleados, p
X
, esta en (0,203, 0,279)
Intervalo de conanza para la media de la poblacion:
poblacion normal con varianza desconocida
1. Sea X
n
una MAS de tama no n de X. Bajo las hipotesis:
2
X
es desconocida (muy realista)
2. La cantidad pivotal para
X
es
X
X
s
X
/
n
t
n1
Intervalo de conanza para la media de la poblacion:
poblacion normal con varianza desconocida
3. Si t
n1;1/2
y t
n1;/2
son los cuantiles
superiores (1 /2) y (/2) de una
distribuci on t de Student con n 1 grados
de libertad (gl), tenemos
P(t
n1;1/2
<
t
n1
z}|{
T < t
n1;/2
) = 1
Densidad t de Student
Recuerda: si T t
n
, E[T] = 0, V[T] =
n
n2
1
2
G G
t
n1 ; 1
2
= t
n1 ;
2
t
n1 ;
2
4. Imponemos la condicion
P(
t
n1;/2
t
n1;1/2
<
T t
n1
X
X
s
X
/
n
< t
n1;/2
) = 1
Intervalo de conanza para la media de la poblacion:
poblacion normal con varianza desconocida
5. Resolvemos la doble desigualdad para
X
:
t
n1;/2
<
X
X
s
X
/
n
< t
n1;/2
y obtenemos el estimador por intervalos de conanza
(
T
1
(X
n
)
X t
n1;/2
s
X
n
,
T
2
(X
n
)
X +t
n1;/2
s
X
n
)
6. El intervalo de conanza es:
IC
1
() = ( x t
n1;/2
s
x
n
, x t
n1;/2
s
x
n
)
Ejemplo: calcular un intervalo de conanza para
X
Ejemplo: 8.4 (Newbold) Se ha medido el consumo de combustible en una
muestra aleatoria de seis coches del mismo modelo, obteniendo en mpg: 18.6,
18.4, 19.2, 20.8, 19.4, 20.5. Calcule un intervalo de conanza al 90 % para el
consumo medio, suponiendo que la poblaci on sigue una distribuci on normal.
Poblaci on: X = mpg de un coche
de este modeloX N(
X
,
2
X
)
2
X
desconocida
'
MAS: n = 6 peque na
Muestra: x =
116,9
6
= 19,4833
s
2
x
=
2282,41 6(19,4833)
2
6 1
= 0,96
Area=
0.05
G
t
5 ; 0.05
= 2.015
Objetivo: IC
0,9
(
X
) =
x t
n1;/2
s
x
s
x
=
p
0,96 = 0,98
n = 6 x = 19,48
1 = 0,9 /2 = 0,05
t
n1;/2
= t
5;0,05
= 2,015
IC
0,9
(
X
) =
19,48 2,105
0,98
= (19,48 0,81)
= (18,67, 20,29)
Interpretaci on: Tenemos una
conanza del 90 % de que el
consumo promedio de este modelo,
X
, estara entre 18.67 y 20.29 mpg
Ejemplo: calcular un intervalo de conanza para
X
Ejemplo: 8.4 (cont.) en Excel: Ir al men u: Datos, submen u: Analisis de
Datos, escoger la funcion: Estadstica Descriptiva.
Columna A datos en amarillo (media muestral, semilongitud t
n1;/2
s
x
n
,
extremo inferior (celda: D3-D16), extremo superior (celda: D3+D16)).
Datos
Media muestral
Semilongitud IC
Distribuciones t de Student y
2
(chi-cuadrado)
Sabemos que T t
n
si T =
Z
2
n
/n
, donde Z N(0, 1) y
2
n
sigue una
distribuci on chi-cuadrado con gl = n, y ambas son independientes.
Tambien,
2
n
es la distribuci on de la suma de los cuadrados de n variables
aleatorias N(0, 1) independientes.
2
X
=
P
n
i =1
(X
i
X)
2
2
X
=
n
X
i =1
X
i
X
2
2
n1
Por que n 1 y no n?
Si conociesemos el valor de
X
, el
n umero de grados de libertad sera
n, porque tendramos n variables
aleatorias iid
X
i
X
Si tenemos que estimar
X
mediante
X
(si se conocen los valores de
n 1 de ellas, se puede deducir
facilmente el valor de la restante)
Decimos que empleamos un grado de libertad en el calculo de
X
Distribuciones t de Student y
2
(chi-cuadrado)
Densidades de t y N(0, 1)
4 2 0 2 4
0
.
0
0
.
1
0
.
2
0
.
3
0
.
4
N(0,1)
gl=10
gl=5
gl=3
Densidades de
2
0 10 20 30 40
0
.
0
0
0
.
0
5
0
.
1
0
0
.
1
5
gl=20
gl=15
gl=10
gl=5
Intervalo de conanza para la varianza de la poblacion,
poblacion normal
1. Sea X
n
una MAS de tama no n de X. Bajo las hipotesis:
2
X
2
n1
Intervalo de conanza para la varianza de la poblacion,
poblacion normal
3. Por tanto, si
2
n1;1/2
y
2
n1;/2
son
los cuantiles superiores (1 /2) y
(/2) de una distribuci on chi-cuadrado
con n 1 grados de libertad, tenemos
P(
2
n1;1/2
<
2
n1
<
2
n1;/2
) = 1
Densidad chi-cuadrado
Recuerda: E[
2
n
] = n, V[
2
n
] = 2n
1
2
G G
n1 ; 1
2
2
n1 ;
2
2
4. Imponemos la condici on P(
2
n1;1/2
<
2
n1
z }| {
(n 1)s
2
X
2
<
2
n1;/2
) = 1
Intervalo de conanza para la varianza de la poblacion,
poblacion normal
5. Resolvemos la doble desigualdad para
2
X
:
2
n1;1/2
<
(n1)s
2
X
2
X
<
2
n1;/2
1
2
n1;1/2
>
2
X
(n1)s
2
X
>
1
2
n1;/2
(n 1)s
2
X
2
n1;1/2
>
2
X
>
(n 1)s
2
X
2
n1;/2
y obtenemos el estimador por intervalos de conanza
(n 1)s
2
X
2
n1;/2
,
(n 1)s
2
X
2
n1;1/2
(n 1)s
2
x
2
n1;/2
,
(n 1)s
2
x
2
n1;1/2
14 ; 0.95
2
=6.57
14 ; 0.05
2
=23.68
Objetivo: IC
0,9
(
2
X
) =
0
@
(n1)s
2
x
2
n1;/2
,
(n1)s
2
x
2
n1;1/2
1
A
s
2
x
= 0,8
2
= 0,64 n = 15
1 = 0,9 /2 = 0,05
2
n1;1/2
=
2
14;0,95
= 6,57
2
n1;/2
=
2
14;0,05
= 23,68
IC
0,9
(
2
X
) =
14(0,64)
23,68
,
14(0,64)
6,57
= (0,378, 1,364)
IC
0,9
(
X
) = (
p
0,378,
p
1,364)
= (0,61, 1,17)
Para obtener IC(
X
) aplicamos
a los
extremos de IC(
2
X
)
F ormulas para intervalos de conanza
Resumen para una poblacion
Sea X
n
una muestra aleatoria simple de una poblaci on X con media
X
y
varianza
2
X
Parametro Hipotesis Cantidad pivotal (1 ) Intervalo Conf.
Datos normales
Varianza conocida
X
X
X
/
n
N(0, 1)
X
x z
/2
n
, x + z
/2
Media
Datos no normales
Muestra grande
X
X
X
/
n
approx.
N(0, 1)
X
x z
/2
x
n
, x + z
/2
x
Datos Bernoulli
Muestra grande
p
X
p
X
q
p
X
(1 p
X
)/n
approx.
N(0, 1) p
X
p
x
z
/2
r
p
x
(1 p
x
)
n
#
Datos normales
Varianza descono-
cida
X
X
s
X
/
n
t
n1
X
x t
n1,/2
s
x
n
, x + t
n1,/2
s
x
Varianza
Datos normales
(n1)s
2
X
2
X
2
n1
2
X
0
@
(n1)s
2
x
2
n1;/2
,
(n1)s
2
x
2
n1;1/2
1
A
Desv. tpica
Datos normales
(n1)s
2
X
2
X
2
n1
X
0
@
v
u
u
t
(n1)s
2
x
2
n1;/2
,
v
u
u
t
(n1)s
2
x
2
n1;1/2
1
A
Intervalos de conanza para la media de la poblacion:
Que usar cuando?
X distribucion con media
X
y desviacion tpica
X
X normal
conocida
basada en z
(exacta)
desconocida
basada en t
(exacta)
X normal
n peque na
metodos mas
alla de Est II
n grande
basada en z
(aprox. TCL)