1

INSTITUTO TECNOLGICO DE CAMPECHE

INGENIERA EN ADMINISTRACIN

UNIDAD 4

Muestreos y estimaciones
Nombre del trabajo
Conceptos
TRABAJO NMERO 1
ALUMNA: Centurin Moo Rosmeli del Rosario
MATERIA: estadstica 1
GRUPO: MD-3

9-noviembre-2015

INDICE
Competencia especfica a desarrollar:................................................................................... 3
Los 2 problemas que atiende la Inferencia estadstica.........................................................3
Razones del muestreo....................................................................................................... 3
El muestreo aleatorio......................................................................................................... 4
Mtodos de muestreo........................................................................................................ 4
Objetivo del muestreo........................................................................................................ 7
Se puede esperar, que al analizar una muestra de una poblacin, un Estadstico pudiera ser
igual al Parmetro poblacional correspondiente?................................................................8
Teorema del Lmite Central................................................................................................. 9
Distribucin de muestreo................................................................................................. 10
Distribucin muestral para medias 2 conocida............................................................11
Distribucin muestral para proporciones..........................................................................15
Distribucin muestral para una varianza, la distribucin (ji cuadrada)............................18
La distribucin F de Fisher para 2 varianzas (var1/var2).................................................19
La Estimacin estadstica................................................................................................ 20
I. de C. para la media de una poblacin con varianza conocida. Cundo se
aplica? Cul es su modelo?..................................................................................... 23
Determinacin del tamao de la muestra para medias.......................................................24
I. de C. Para la media de una poblacin () varianza desconocida. Cundo
se aplica? Cul es el modelo?................................................................................. 25
I. de C. Para la proporcin, de una poblacin. Cundo se aplica? Cul es el
modelo?........................................................................................................................ 26
Determinacin del tamao de la muestra para proporciones..............................................27
I. de C. Para la varianza de una poblacin. Cundo se aplica? Cul es el
modelo?........................................................................................................................ 29
BIBLIOGRAFIA................................................................................................................ 21

Instituto Tecnolgico de Campeche

Unidad IV.- Muestreo y Estimaciones

Est1a

Competencia especfica a desarrollar:

- Aplicar los diferentes tipos de muestreo: aleatorio simple, sistematizado, estratificado y por
conglomerados.
- Identificar y aplicar las distribuciones muestrales de probabilidad: Normal, T-Student, Chicuadrada y F de Fisher.
- Conocer los aspectos fundamentales de la inferencia estadstica.
- Aplicar los modelos de la Estimacin estadstica en situaciones reales o simuladas.

- TEMAS DE INVESTIGACIN CONCEPTUAL Los 2 problemas que atiende la Inferencia estadstica

La estadstica inferencial toma como base las relaciones existentes entre las muestras y la
poblacin para inferir acerca de estas a partir de las muestras es decir, hace
generalizaciones a partir de las muestras.
La estadstica inferencial pretende resolver dos problemas fundamentales: la estimacin de
parmetros poblacionales a partir de estadgrafos mustrales conocidos, y la toma de
decisiones estadsticas acerca de hiptesis establecidas sobre la poblacin, tambin con
base al conocimiento se sus muestras.
El primer problema que se ocupa la estadstica inferencial, la estimacin, puede ser atraves
de un nmero simple, generalmente el estadgrafo correspondiente llamado estimacin
puntual, o por medio de dos valores numricos que define un intervalo, el cual contiene el
estmulo esperado con cierto grado de confiabilidad llamado intervalo de confianza.

Razones del muestreo

Las razones por la cuales se utiliza el muestreo y no toda la poblacin (censo) son varias; los
grandes progresos hechos en la teora del muestreo durante las ltimas dcadas, hacen
posibles medir las propiedades de cantidades masivas de datos con precisin calculada
sobre la base de muestra.
Adems del hecho que puedan obtenerse resultados fidedignos de procedimientos de
muestreos correctos, hay otras importantes razones para su amplia adopcin. Primero, las

poblaciones que se investigan pueden ser infinitas, y tales casos la muestra es el nico
procedimiento posible. Segundo, aun en el caso de poblaciones finitas, muy frecuentemente
el muestreo es el nico procedimiento prctico, pues una poblacin finita puede constar de
millares y millones de elementos y su enumeracin completa es prcticamente imposible.
En tercer lugar, la medicin de las propiedades de una poblacin a veces requiere de la
destruccin de sus elementos; por ejemplo si el productor desea averiguar si la resistencia a
la traccin de un
Lote de alambres de acero cumple con las normas especificadas, se ejerce presin sobre el
alambre hasta que se rompe. Un censo significara entonces la destruccin completa de
todos los alambres de acero, y no quedaran productos despus de concluida la prueba.
Por ltimo, aunque financiera, prctica y fsicamente sea posible observar toda la poblacin,
el muestreo puede ser an el procedimiento ms eficiente.
Los resultados obtenidos por el estudio de una muestra pueden ser iguales o an ms
precisos que los hallados de una cuenta completa del conjunto.

EL MUESTREO ALEATORIO
Muestreo aleatorio o probabilstico: es el que puede calcularse de antemano la
probabilidad de cada una de las muestras que sea posible seleccionar.
Muestreo aleatorio simple: Muestreo en el que todas las muestras tienen la misma
probabilidad de ser seleccionadas y en el que las unidades obtenidas a lo largo del
muestreo se devuelven a la poblacin.
La muestra aleatoria est formada por n variables aleatorias independientes e
idnticamente distribuidas a la variable aleatoria poblacional.

MTODOS DE MUESTREO
Los modelos de muestreo pueden agruparse convenientemente como Muestreo al azar y
muestreo no al azar. El primero se conoce tambin como, porque si el proceso de Muestreo
es al azar, pueden aplicrsele las leyes de la probabilidad. El muestreo es un proceso de
seleccin de muestras sin el uso del azar. En otras palabras, se escoge una muestra no al
azar sobre una base distinta de consideraciones de probabilidad, tal como el juicio de un
experto, conveniencia o algunos otros criterios. En consecuencia, la probabilidad de que

cada elemento individual sea extrado de la poblacin es desconocida y la fidelidad de sus

resultados
no

puede

ser

objeto

del

anlisis de

probabilidades, sino que debe depender del juicio personal del investigador.
Los distintos tipos de muestreo se pueden resumir en el siguiente cuadro:
- Muestreo aleatorio simple
Se puede describir este mtodo fundamental de seleccin de la muestra de la siguiente
manera. A partir de una poblacin de N unidades seleccinese una, dando igual probabilidad
a todas las unidades. La mejor forma de proceder es con la ayuda de una tabla de nmeros
aleatorios. Tome nota de la unidad seleccionada y regrsela a la poblacin. Si esta operacin
se realizan veces, obtenemos una muestra aleatoria simple de n unidades, seleccionadas
con reemplazo. Sin embargo, si se continua este procedimiento hasta que n unidades
diferentes so seleccionadas y se ignoran todas las repeticiones, se obtiene una muestra
aleatoria simple, seleccionada sin reemplazo. Este ltimo procedimiento es exactamente el
mismo que retener la unidad (o unidades) seleccionada, y seleccionar otra unidad adicional
con igual probabilidad entre las unidades restantes en la poblacin.
El muestreo aleatorio simple es ciertamente un procedimiento prctico si la poblacin no es
grande y si es relativamente fcil y barato encontrar las unidades de muestreo. Tambin
podra ser un procedimiento prctico para poblaciones grandes cuyos elementos estn
concentrados dentro de un rea pequea.

Si la poblacin es muy heterognea y las consideraciones de costo limitan el tamao de la

muestra, podra ser imposible obtener un estimador lo suficientemente preciso tomando una
muestra aleatoria simple de toda la poblacin. En la prctica las poblaciones con que se
trabaja son por lo general muy heterogneas, cualquier estimacin hecha con base en una
muestra aleatoria directa estar sometida a fluctuaciones muy grandes de muestreo. Pero,
supongamos que sea posible encontrar una forma de subdividir la poblacin de tal manera
que se reduzca considerablemente la variacin dentro de las subdivisiones, entonces podr
hacerse una mejor estimacin de la poblacin total. El proceso de estratificacin requiere que
la poblacin sea dividida en grupos o clases llamados estratos. Entonces, se toma una
muestra de cada estrato por mtodos simples al azar o aleatorios simples, y la muestra
resultante se llama Una muestra estratificada puede ser proporcional o desproporcionada .
En el muestreo estratificado proporcional, el nmero de unidades extradas de cada estrato
es proporcional al tamao de ste. Por ejemplo, si la poblacin es dividida en cuatro estratos,
siendo sus tamaos respectivos 10, 20, 30 y 40 por ciento de la poblacin y ha de extraerse
una muestra de tamao 500, la muestra proporcional deseada deber obtenerse de la
siguiente manera:

Muestreo

agrupado o aglomerado

El muestreo agrupado o por conglomerados es el procedimiento de dividir la poblacin en

grupos o regiones y extraer una muestra de ellos para representar la poblacin. Cuando los
grupos o regiones que son las unidades primarias, son extrados, podemos incluir en la
muestra todas las unidades elementales de las regiones escogidas o tomar una muestra de
unidades primarias ms pequeas o unidades elementales de las regiones escogidas.
Cuando se han observado todas las unidades
Elementales de las regiones, tenemos lo que se conoce como muestreo de una sola etapa.
Cuando se extrae una muestra de unidades elementales de las regiones, tenemos un tipo de
diseo llamado muestreo en dos etapas o submuestreo. En ambas etapas se escoge una

muestra simple al azar. Cuando el muestreo por agrupacin supone ms de dos etapas para
escoger la muestra final, se llama muestreo en mltiples etapas.
-

Muestreo sistemtico

Otro diseo al azar usado frecuentemente es el muestreo sistemtico; para obtener una
podemos numerar tambin las unidades de muestreo de la poblacin serial mente de 1 a N y
determinar primero lo que se conoce por intervalo de muestreo, Luego, se escoge al azar un
nmero del primer intervalo de muestreo. Si este nmero es, por ejemplo, a., con entonces la
muestra con tamao n tendra como sus miembros las unidades de muestreo cuyos nmeros
de serie corresponden a: a, a + k, a + 2k, a+3k.
Por ejemplo, supngase que deseamos tomar una muestra sistemtica de 200 de una
poblacin de 100,000 miembros. Determinamos primero el intervalo de muestreo, que es, k=
100,000/200 =500. Despus escogemos un nmero al azar de 001 a 500, Suponiendo que
este nmero es 253; entonces, comenzaramos con el miembro 253 de la poblacin
numerada y escogeramos cada 500 un nuevo miembro, el 753, el 1253
-

Muestreo doble o mltiple

El muestreo doble es el proceso por cual se observa primero una muestra pequea y se
toma una decisin sobre aceptar, rechazar o tomar una segunda muestra, As, por ejemplo,
en el muestreo doble podemos formular esta regla de decisin. Escoja una muestra al azar
de 40 unidades, si se encuentran 2 o menos unidades defectuosas, acepte el lote; si se
encuentran 4 o ms defectuosas, rechace el lote; si se encuentran 3 defectuosas, tome una
segunda muestra de 60 unidades, el total muestreado es ahora de 100.

OBJETIVO DEL MUESTREO

El objetivo principal de cualquier operacin de muestreo es colectar muestras representativas
del medio que se est investigando. Ms especficamente, el propsito del muestreo en un
sitio contaminado es adquirir informacin que ayude a determinar la presencia e identidad de
los contaminantes presentes y el grado en el que estos podran entrar en el ambiente
circundante (Ford et al. 1984). El muestreo de un suelo se disea y conduce para cumplir con
uno o varios de los siguientes objetivos (Barth et al. 1989):
. Determinar el riesgo a la salud humana y/o al ambiente debido a la contaminacin del suelo
por contaminantes especficos.
. Determinar la presencia y concentracin de contaminantes especficos, con respecto a
niveles de fondo (concentraciones naturales en el sitio).
. Determinar la concentracin de contaminantes y su distribucin espacial y temporal.
. Medir la eficiencia de acciones de control o de limpieza (remediacin).

. Obtener mediciones para validacin o uso de modelos de transporte y deposicin de

contaminantes en el suelo.
. Determinar el riesgo potencial a la fiora y fauna por contaminantes especficos.
. Identificar fuentes de contaminacin, mecanismos o rutas de transporte y receptores
potenciales.
.

Se puede esperar, que al analizar una muestra de una poblacin, un

Estadstico pudiera ser igual al Parmetro poblacional
correspondiente?
Si solo si indicamos que un estadstico se llama estimador insesgado de un parmetro
poblacional si la media o esperanza del estadstico sea igual al parmetro.
El valor del estadstico se llama estima insesgada del parmetro.

Teorema del Lmite Central

Al hacerse lo bastante grande el tamao de muestra (nmero de observaciones en cada
muestra), la distribucin de muestreo de la media puede aproximarse mediante la
distribucin normal, esto es cierto no importado, la forma de la distribucin de los
valores individuales de la poblacin.

El teorema del lmite central, entonces es la importancia decisiva al usar la inferencia

estadstica para sacar conclusiones respecto a una poblacin. Nos permite hacer
inferencia respecto a la media de poblacin sin tener que conocer la forma especfica de
la distribucin de poblacin.

10

DISTRIBUCIN DE MUESTREO
Es una lista de todos los valores posibles para un estadstico y la probabilidad relacionada
con cada valor ejemplo:

11

DISTRIBUCIN MUESTRAL PARA LA MEDIA CONOCIDA.

Con objeto de obtener una estimacin por intervalo para la media poblacional, se necesita
la desviacin estndar poblacional o la desviacin estndar muestral s para calcular el
margen de error. En la mayor parte de los casos, no se conoce y para calcular el
margen de error se emplea s. Sin embargo, en algunas ocasiones, se cuenta con una
gran cantidad de datos anteriores (histricos) que se pueden usar para calcular la
desviacin estndar poblacional antes de tomar la muestra. Tambin, en aplicaciones al
control de calidad, en las que se supone que el proceso se desarrolla correctamente en
control, se considera que se conoce la desviacin estndar. A tales casos se les conoce
como casos de conocida. En esta seccin se presenta un caso en el que es razonable
considerar que se conoce y se muestra cmo obtener una estimacin por intervalo.
Ejemplo:
Cada semana, la empresa Lloyds Department Store selecciona una muestra aleatoria
simple de 100 clientes con objeto de conseguir informacin acerca de la cantidad que
gastan en cada visita a la tienda. Si x representa la cantidad gastada en cada visita a la
tienda, la media muestral es una estimacin puntual de , la cantidad media gastada en
cada visita a la tienda por la poblacin formada por los clientes de Lloyds Department
Store. Lloyds ha estado realizando estos estudios semanales durante varios aos. Con
base en sus datos anteriores, Lloyds supone que el valor conocido de la desviacin
estndar poblacional es = $20. Los datos anteriores (histricos) indican tambin que la

12

poblacin tiene una distribucin normal. En la ltima semana, en su estudio de 100

clientes (n = 100), Lloyds obtuvo como media muestral = $82. La media muestral de la
cantidad gastada permite una estimacin puntual de la media poblacional de la cantidad
gastada en cada visita, . A continuacin se muestra cmo calcular un margen de error
para esta estimacin y cmo obtener una estimacin por intervalo para la media
poblacional.
Margen de error y estimacin por intervalo.
En el captulo 7 se mostr que la distribucin muestral de sirve para calcular la
probabilidad de que est dentro de una distancia dada de . En el ejemplo de Lloyds, los
datos histricos muestran que la poblacin constituida por las cantidades gastadas est
distribuida normalmente y que su desviacin estndar es = 20. De manera que, usando
lo aprendido en el captulo 7, se puede concluir que la distribucin muestral de
es una
distribucin normal con error estndar de
. En la figura 8.1 se
muestra esta distribucin muestral.*

Puesto que la distribucin muestral indica cmo estn distribuidos los valores de en torno
a la media poblacional , la distribucin muestral de proporciona informacin acerca de la
posible diferencia entre o y . En la tabla de probabilidad normal estndar se encuentra
que 95% de los valores de cualquier variable aleatoria distribuida normalmente aparecen
dentro de 1.96 desviaciones estndar de la media. Por tanto, si la distribucin muestral se
encuentra distribuida normalmente, 95% de los valores de deben estar dentro de 1.96 de
la media . En el ejemplo de Lloyds, se sabe que la distribucin muestral de est
distribuida normalmente y que el error estndar es = 2. Como 1.96 = 1.96(2) = 3.92, se
puede concluir que 95% de los valores de obtenidos usando muestras de n = 100 estarn
dentro de 3.92 de la media poblacional. Vase figura 8.2

13

DISTRIBUCIN MUESTRAL PARA MEDIAS, DESCONOCIDA, LA

DISTRIBUCIN T DE STUDENT
o Caractersticas
La distribucin t de student fue introducida por W. S, Gosset, quin hizo publicaciones bajo el
psednimo de "student" en 1908. La distribucin t es la distribucin de la variable aleatoria

Bajo la hiptesis de que v es un entero positivo llamado grados de libertad de la distribucin

t, X y Y son variables aleatorias independientes de las cuales X es normal con media 0 y
varianza 1, y Y tiene una distribucin Ji-cuadrada con v grados de libertad.

o El estadstico de prueba
La distribucin t tiene densidad

Su funcin de distribucin acumulada es

Para v = 1, esta distribucin no tiene valor medio y para v = 2, 3, , el valor medio de la

distribucin t es = 0.

14

Densidad de la distribucin t Para v = 1, esta distribucin no tiene valor medio y parav = 2,

3, , el valor medio de la distribucin t es = 0. Para v = 1 y 2, la distribucin t no tiene
varianza. Para v = 3, 4, , la varianza es

o Uso de la tabla
Margen de error en estimacin por intervalo En la seccin 8.1 se mostr que la estimacin
por intervalo de la media poblacional cuando es conocida es

Para calcular una estimacin por intervalo para en el caso en que no se conoce se usa la
desviacin estndar muestral s para estimar , y z/2 se sustituye por el valor ta/2 de la
distribucin t.

15

El margen de error est dado, entonces, por t/2 . Con este margen de error, la expresin
general para una estimacin por intervalo de la media poblacional cuando no se conoce
es la siguiente.

16

DISTRIBUCIN MUESTRAL PARA PROPORCIONES

Al tratar con una variable categrica en la que cada individuo o elemento de la
poblacin puede clasificarse como poseedor y no poseedor de una caracterstica
particular como masculino, femenino. Si se dispusiera de una sola muestra aleatoria de n
individuos, la media de muestra para cualquier variable categrica se encontrara
sumando todos los resultados de 1 y 0 y luego dividiendo entre n, por ejemplo si en la
muestra de 5 empleados, 3 estuvieran satisfechos con su trabajo y dos no lo estuvieran,
habran 3 unos y dos 0. Sumando los tres uno
o Aproximacin d/la dist. normal a la binomial
Sabemos que cuando n es muy grande los clculos de las probabilidades binomiales resultan
muy laboriosos debido a la obtencin de los coeficientes binomiales y a las potencias de p y
de q. Por ello en la seccin 5.3 vimos como aproximar estas probabilidades por medio de la
distribucin de Poisson cuando n es muy grande y p muy pequeo. Ahora veremos que la
distribucin normal resulta una buena aproximacin de las distribuciones binomiales cuando
n es grande y p no necesariamente pequeo.
Antes de conocer esta aproximacin estudiemos el comportamiento grfico de algunas
distribuciones binomiales para diferentes valores de n y p.
146
a) n = 8 , p = 0.5
b) n = 15 , p = 0.4
c) n = 15 , p = 0.8
d) n = 25 , p = 0.2

o El estadstico de prueba
n = 8, p = 0.5, de la tabla A-2, obtenemos las probabilidades:

17

n = 15, p = 0.4, usando la tabla A-2, obtenemos

f (0) = 0.0005 f(4) = 0.1268 f(8) = 0.1181 f(12) = 0.0016
f (1) = 0.0047 f(5) = 0.1859 f(9) = 0.0612 f(13) = 0.0003
f (2) = 0.0219 f(6) = 0.2066 f(10) = 0.0245 f(14) = 0.0000
f (3) = 0.0634 f(7) = 0.1771 f(11) = 0.0074 f(15) = 0.0000

En el clculo de esta estimacin por intervalo la distribucin muestral es importante. La

distribucin muestral de p se aproxima mediante una distribucin normal siempre que np 5
y n(1 _ p) 5. En la figura se muestra una aproximacin.

18

normal
a
la
muestral de p. La media de la distribucin muestral de p es la
error estndar de op es:

distribucin
proporcin poblacional p y el

Como la distribucin muestral de p es una distribucin normal, si en la estimacin por intervalo de

la proporcin poblacional se elige como margen de error z/2 pr , entonces 100(1 = )% de los
intervalos que se obtengan contendrn la verdadera proporcin poblacional. Pero para calcular el
margen de error no se puede usar pr , ya que no se conoce p; p es lo que se est tratando de
estimar. Lo que se hace, es que p se sustituye por p/ y de esta manera se calcula el margen de
error y la estimacin por intervalo de la proporcin poblacional queda dada por:

DISTRIBUCIN MUESTRAL PARA UNA VARIANZA, LA

DISTRIBUCIN
(JI CUADRADA)

19

o Caractersticas
Sean variables aleatorias normales independientes, cada una con media y varianza 1. La
suma de sus cuadrados se representa por (Ji-cuadrada).

o
A la distribucin correspondiente a esta suma se le llama distribucin Ji-cuadrada, cuya
densidad es:

Es un entero positivo y se le llama grados de libertad de la distribucin Ji-cuadrada, la

siguiente figura muestra las curvas para varios valores de v; para v > 2, las curvas tienen un
mximo en x = v - 2; esto se observa haciendo f')x) = 0.

La funcin de distribucin acumulada para la distribucin Ji cuadrada es

o Uso de la tabla

20

La distribucin F de Fisher para 2 varianzas (var1/var2)

o Caractersticas

Una variable con distribucin F es siempre positiva por lo tanto su campo de variacin es 0 "
F""

La distribucin de la variable es asimtrica, pero su asimetra disminuye cuando aumentan

los grados de libertad del numerador y denominador.

Hay una distribucin F por cada par de grados de libertad.

Parmetros: Grados de libertad asociados al numerador y denominador.*

o El estadstico de prueba
Distribucin de F.
Formula.

Dnde:
N1: N de datos de muestra 1.
N2: muestra de datos de la muestra 2.
S12: varianza muestral del grupo 1.
S22: varianza muestral del grupo 2.
12: varianza del grupo 1.

21

22: varianza del grupo 2.

o Uso de la tabla

LA ESTIMACIN ESTADSTICA
El primer problema del cual se ocupa la estadstica inferencia es la estimacin, puede ser
atraves de un nmero simple, generalmente el estadgrafo correspondiente llamado
estimacin puntual o por medio de dos valores numricos que definen un intervalo, el cual
contiene el parmetro estimado con cierto grado de confiabilidad llamado intervalo de
confianza.

o Tipos de estimadores
- Estimacin puntual: Son cuatro las caractersticas que debe tener un buen estimador
Puntual.

22

b) consistencia: Generalmente, un estimador no es idntico al parmetro que se estima,

debido a error de muestreo, que es la diferencia;
pero, si aumentamos el tamao de la
muestra suficientemente, la probabilidad de que esta diferencia sea mayor que un nmero
fijo tender a cero. Esto es:

Claramente,

son estimadores consistentes de y, as como lo

son de

d) suficiencia: Intuitivamente, decimos que un estimador es suficiente, si trasmite tanta

informacin de la muestra cmo es posible acerca del parmetro, de modo que no ser

23

proporcionada mayor informacin por cualquier otro estimador calculado de la misma

muestra; y si se obtiene el valor de un estadgrafo suficiente, los valores de muestra mismos
no proporcionan ms informacin sobre el parmetro. Por ejemplo, tanto la Media
Como
la Mediana (Md), como el Centro de Amplitud (C.A.) pueden tomar en ser usados como
estimadores de ; sin embargo, solo la media
cuenta cada valor o toda la informacin de
la muestra, mientras que el centro de amplitud solo toma en cuenta el primer y ltimo valor, y
la mediana es una medida de tendencia central de posicin. As pues, la media.
Es un estimador suficiente para .

- Estimacin por intervalo de confianza:

Dado un estimador puntual ( ) y el mtodo de generarlo, se puede saber si tiene o no
Las caractersticas deseables; pero al emplearlo en vez del parmetro
correspondiente, se requiere del tamao del error estndar del estimador, de manera que,
cuando se da una estimacin puntual tambin debe darse el error estndar
de
la
estimacin.
Si se requiere una expresin ms formal de la estimacin y su precisin, podemos obtener
una estimacin por intervalo que es una estimacin del parmetro por un intervalo llamado
intervalo de confianza cuyos extremos son funciones de las variables aleatorias observadas,
de manera que la probabilidad de que el parmetro se encuentre en el intervalo se expresa
en trminos de un nmero predeterminado llamado As, se define un intervalo de confianza
de manera general como:

Donde k es un valor crtico correspondiente al coeficiente o nivel de confianza es el nivel de

significancia o de significacin y representa la probabilidad de que el intervalo no incluya al
parmetro.
Donde k es un valor crtico correspondiente al coeficiente o nivel de confianza es
el nivel de significancia o de significacin y re presenta la probabilidad de que el intervalo no
incluya al parmetro.

o Interpretacin de y de
Es llamado coeficiente de confianza As, se define un intervalo de confianza de manera
general como:

24

I. de C. para la media de una poblacin con varianza

conocida. Cundo se aplica? Cul es su modelo?
Cuando hay error en la estimacin

Cul es su modelo?

DETERMINACIN DEL TAMAO DE LA MUESTRA PARA MEDIAS

Para la determinacin del tamao de muestra en la estimacin de la media poblacional.

Hacemos uso del hecho de que la mitad de la amplitud del intervalo es el error mximo de
estimacin.

Asumiendo muestreo aleatorio y distribucin de p aproximadamente normal, conduce a la

siguiente frmula, cuando el muestreo es con reemplazo.

Si el muestreo es si reemplazo

25

I. de C. Para la media de una poblacin () varianza desconocida.

Cundo se aplica? Cul es el modelo?
Pero parece extrao que conozcamos la varianza y no la media de la poblacin. En efecto,
generalmente si se desconoce, tambin se desconoce. Esto presenta un problema, ya que:
no puede ser usada sino se conoce

Como resultado del trabajo de W. S. Gosset, quien public en 1908 su trabajo bajo el
pseudnimo de student, hay una distribucin disponible para la estimacin y prueba de
hiptesis acerca de cuando es desconocida,(la distribucin t de student) o simplemente la
cuya expresin es:

26

Que tiene las siguientes propiedades:

i) Su media es

ii) Es simtrica respecto a

iii) En
grande.

general, su varianza es mayor que 1, pero se aproxima a 1 cuando n es

Algunos autores usan Z an sin conocer o, si el tamao de la muestra es mayor que 30,
puesto que

Es grande, entonces usan el estimador s en vez de Nosotros solo usaremos Z cuando a es

conocida o en el caso de que n > 200. Si n< 200 ser obligatorio buscar un procedimiento
alterno para hallar intervalos de confianza y probar hiptesis cuando a sea desconocida.
iv) La variable t toma valores de
v) La distribucin t es realmente una familia de distribuciones (curvas), ya que hay una
distribucin diferente para cada valor de v=n-1, el denominador de s2 .

27

I. de C. Para la proporcin, de una poblacin. Cundo se aplica?

Cul es el modelo?
Cundo se aplica?
Dada una variable aleatoria con distribucin Binomial B(n, p), el objetivo es la construccin
de un intervalo de confianza para el parmetro p, basada en una observacin de la variable
que ha dado como valor x. El mismo caso se aplica si estudiamos una Binomial B(1, p) y
consideramos el nmero de veces que ocurre el suceso que define la variable al repetir el
experimento n veces en condiciones de independencia.
Existen dos alternativas a la hora de construir un intervalo de confianza para p:

Considerar la aproximacin asinttica de la distribucin Binomial en la distribucin

Normal.

Utilizar un mtodo exacto.

Cul es el modelo?

28

DETERMINACIN DEL TAMAO DE LA MUESTRA PARA

PROPORCIONES
Ahora se considera cul debe ser el tamao de la muestra para obtener una estimacin de la
proporcin poblacional con una precisin determinada. La funcin que tiene el tamao de la
muestra en la determinacin de la estimacin por intervalo de p es semejante a la que tiene
en la estimacin de la media poblacional estudiada en la seccin 8.3. Ya en esta seccin se
dijo que el margen de error en la estimacin por intervalo de la proporcin poblacional es
z/2 p (1 p)/n . El margen de error se basa en el valor de z/2, en la proporcin muestral
p, y en el tamao de la muestra n.

La determinacin del tamao de la muestra es muy importante puesto que si tomamos una
muestra muy pequea no ser significativa y si la tomamos muy grande estamos
desperdiciando recursos.
Usaremos los intervalos de confianza para calcular tamaos de muestra; si vemos con
cuidado el intervalo de confianza para la media.

Y deseamos estrechar el intervalo, tenemos varias opciones:

i) Disminuir el nivel de confianza: 1 ii) Aumentar el tamao de la muestra, lo que disminuye el error
Estndar, puesto que es fija:
De estas dos opciones, la primera no es muy recomendable porque aumentamos a, el riesgo
de que no est en el intervalo.
Hay una consecuencia interesante que se desprende de la relacin entre el error mximo de
estimacin (diferencia entre el estimador y el parmetro) y el riesgo (a definido
anteriormente) que es la determinacin
Del tamao de la muestra. Observemos que la longitud o amplitud del intervalo:

29

Donde el error mximo de estimacin es

De donde podemos despejar n si conocemos el error mximo de estimacin E; el riesgo y la

varianza poblacional

La determinacin del tamao de muestra cuando se hace la estimacin de la proporcin

poblacional es esencialmente la misma que la descrita en la seccin 9.7.2 para la
determinacin del tamao de muestra en la estimacin de la media poblacional. Hacemos
uso del hecho de que la mitad de la amplitud del intervalo es el error mximo de estimacin.
Asumiendo muestreo aleatorio y distribucin de p aproximadamente te normal, conduce a la
siguiente frmula, cuando el muestreo es con reemplazo.

Si N es muy grande en comparacin con n ( Esto es, n/N < 0.05)

i. de c. para la varianza de una poblacin. cundo se aplica?

cul es el modelo?
Si tenemos una muestra de tamao n tomada de una poblacin normal, podemos obtener un
intervalo de confianza del nivel dado (90%, 95%, 99%, etc) para la varianza sabiendo que el
valor de chi cuadrada es para este caso:

30

El cual es una variable aleatoria que tiene una distribucin Chi cuadrada con n -1 grados de
libertad. Por lo tanto, podemos emplear esta definicin para estimar un intervalo de confianza
ya que lo que necesitamos es que

Donde x 2 es el valor de Chi cuadrada para los grados de libertad y nivel de

confianza (1 - ) especificado.
Entonces podemos despejar la varianza 2:

los valores de Chi cuadrada

Corresponden a lo que se muestra en la siguiente figura (notar que el valor mayor define el
lmite de la izquierda del intervalo y el menor el derecho, ya que estn dividiendo)

31

Bibliografia
Libro de probabilidad y estadistica para ciencias quimicos biologicas
Maria Marquez de Cantu
Editorial: Mc Graw Hill
Libro de estadistica basica en administracion
Mark L.Bereson, Davin L. Levine
editorial: PRENDICE HALL