Ey Pclase 10

ESTADISTICA
Y
PROBABILIDADES
Sesión 10
Ing. William Jaime León Velásquez

wjleonv@yahoo.com
ESTIMACION
CONTENIDO
• CONCEPTOS BASICOS
• INTERVALO DE CONFIANZA PARA
LA MEDIA POBLACIONAL
• INTERVALO DE CONFIANZA PARA
UNA PROPORCIÓN p
• TAMAÑO DE LA MUESTRA
ING. WILLIAM LEON V. 3

ESTIMACIÓN. Introducción
• Hasta ahora: conocidos los parámetros de la
población, se ha calculado la probabilidad de
que en una muestra se obtenga cierto resultado
(media o proporción)
• Lo más usual: conocidos los resultados de una

muestra, se quiere obtener algún conocimiento
sobre los parámetros de la población. Eso es la
ESTIMACIÓN.
13/06/2018 ING. WILLIAM LEON V. 4

ESTIMACIÓN. Conceptos básicos
• Parámetro: es un valor numérico que describe una

característica de la población.
• Estadístico: es un valor numérico que describe una

característica de la muestra.
• Estimador puntual: es el estadístico que se toma

en una muestra determinada y que se usa para
estimar un parámetro poblacional.

ESTIMACIÓN. Tipos
• A partir de los estadísticos que se obtiene en las muestras se espera
obtener una idea de los valores de los parámetros en la población.
• Se emplea los estadísticos para estimar los parámetros.
Existen DOS tipos de estimadores:

1) Estimador puntual. Se obtiene un punto, un
valor, como estimación del parámetro.
2) Estimador por intervalos. Se obtiene un
intervalo dentro del cual se estima (bajo
cierta probabilidad) el parámetro.

ESTIMADOR PUNTUAL DE PARÁMETROS
La estimación puntual consiste en atribuir un valor (la estimación) al

parámetro poblacional.
Un estimador puntual es un estadístico (media aritmética, varianza, etc.)
que se emplea para estimar parámetros (media poblacional, varianza
poblacional, etc.).
Ejemplo:
Cuando se obtiene una media aritmética a partir de una muestra, tal valor
puede ser empleado como un estimador para el valor de la media
poblacional.
(Algunos autores comparan los estimadores con los lanzamientos en una diana; el
círculo central sería el valor real del parámetro.)
PROPIEDADES DE LOS ESTIMADORES.
UNA COMPARACIÓN.
Cuatro tiradores han efectuado 10 disparos sobre una diana.

Si se traduce cada disparo en una estimación.
Efectuada por un determinado estimador, sobre una muestra,
Se puede interpretar las propiedades de los estimadores:
Estimador insesgado Estimador sesgado Estimador sesgado Estimador insesgado

y no eficiente y no eficiente y eficiente y eficiente
PROPIEDADES DE LOS ESTIMADORES
Existen CUATRO propiedades:

1. Ausencia de sesgo
2. Consistencia
3. Eficiencia
4. Suficiencia

PROPIEDADES DE LOS
ESTIMADORES
Estimador insesgado:
• Se dice que un estimador es insesgado si la Media de la distribución del estimador
es igual al parámetro.
• Estimadores insesgados son la Media muestral (estimador de la Media de la
población) y la Varianza (estimador de la Varianza de la población):

PROPIEDADES DE LOS
ESTIMADORES
Estimador insesgado:
• Ejemplo
• En una población de 500 puntuaciones cuya Media (m) es igual a 5.09 han
hecho un muestreo aleatorio (número de muestras= 10000, tamaño de las
muestras= 100) y hallan que la Media de las Medias muestrales es igual
a 5.09, (la media poblacional y la media de las medias muestrales coinciden).
• En cambio, la Mediana de la población es igual a 5 y la Media de las Medianas
es igual a 5.1 esto es, hay diferencia ya que la Mediana es un estimador
sesgado.

PROPIEDADES DE LOS
ESTIMADORES
Estimador consistente
• Un estimador es consistente si aproxima el valor del parámetro
cuanto mayor es n (tamaño de la muestra).
• Algunos estimadores consistentes son:

PROPIEDADES DE LOS
ESTIMADORES
Estimador consistente
Ejemplo:
• En una población de 500 puntuaciones cuya Media (m) es igual a 4.9 han hecho
tres muestreos aleatorios (número de muestras= 100) con los siguientes
resultados:
• vemos que el muestreo en que n=100 la Media de las Medias muestrales toma
el mismo valor que la Media de la población.
PROPIEDADES DE LOS
ESTIMADORES
Estimador eficiente:
• Se dice que un estimador es más eficiente que otro si la
Varianza de la distribución muestral del estimador es menor a la
del otro estimador.
• Cuanto menor es la eficiencia, menor es la confianza de que el
estadístico obtenido en la muestra aproxime al parámetro
poblacional.

PROPIEDADES DE LOS
ESTIMADORES
Estimador eficiente:
Ejemplo
• La Varianza de la distribución muestral de la Media en un
muestreo aleatorio (número de muestras: 1000, n=25) ha
resultado igual a 0.4.
• La Varianza de la distribución de Medianas ha resultado, en el
mismo muestreo, igual a 1.12, (este resultado muestra que la
Media es un estimador más eficiente que la Mediana).
.

ESTIMADORES PUNTUALES MÁS
PROBABLES
Para la media de una población μ, se toma la media de la muestra
𝑋
Para la varianza de la población σ2,

se toma s2·n / (n – 1), cuasi varianza muestral
Para una proporción de la población p, se toma la proporción de la

muestra 𝑝

ESTIMACIÓN PUNTUAL
• En la estimación puntual se obtiene un valor concreto como
estimación del parámetro poblacional;
• Pero ese método no permite tener una medida de la confianza
que puede depositarse en el resultado de dicha inferencia.
Para resolver ese problema se utiliza la estimación por intervalos

ESTIMACIÓN POR INTERVALOS
La estimación por intervalos consiste en:

• Obtener un intervalo (intervalo de confianza) tal que haya una
determinada probabilidad conocida (nivel de confianza) de que
contenga al verdadero valor del parámetro poblacional.
Si se refiere a la media μ, se trata de encontrar un intervalo (a , b) tal

que:
P ( a < μ < b) = 1 - α

ESTIMACIÓN POR INTERVALOS
Ejemplo
Si se pide que estime la media poblacional con un nivel
de confianza del 95%,
Se realizará, a partir de una muestra, y se encontrará un
intervalo (a , b) en el cual se pueda asegurar que está
contenida μ con una probabilidad de 0.95.
En tal caso, la probabilidad de que μ no pertenezca a
dicho intervalo será de 0.05; ése será por lo tanto el
riesgo asumido con esa estimación (nivel de
significación).

ESTIMACIÓN POR INTERVALOS. Definición
Intervalo de confianza:
• Es un intervalo (a , b) tal que hay
una determinada probabilidad
conocida de que contenga al
verdadero valor del parámetro
poblacional.

Nivel de confianza:
• Es la probabilidad de que el parámetro
poblacional pertenezca al intervalo de confianza.
• Generalmente se representa por 1 – α.
Es decir: P ( a < μ < b) = 1 - α

Nivel de significación o de riesgo:

• Es la probabilidad de que el parámetro poblacional no
pertenezca al intervalo de confianza; es decir, 1 – (1 –
α) = α.

Valor crítico:
• Es el valor de la abscisa que deja a su derecha
un área igual a α/2, siendo 1–α el coeficiente
de confianza.
• Se representa por z α/2 .

Margen de error:
• Es la diferencia entre el extremo superior y el
extremo inferior del intervalo de confianza: b – a.

Error máximo admisible:

• Es la semiamplitud del intervalo de
confianza; es decir, la mitad del margen
de error.
• Se denomina
E = (b – a) / 2

VALORES CRÍTICOS MÁS USUALES
Pr– z/2 < Z  z/2  = 1 – 
1- 0,8 0,9 0,95 0,99

 0,2  0,05 0,01
 0,1 0,05 0,025 0,005
z 1,28 1,64 1,96 2,58

INTERVALO DE CONFIANZA PARA
• Sea una población de partida N(m, s). Se pretende estimar m.
• Se toma una muestra aleatoria de tamaño n. Y se calcula la media muestral
x.
– 
La variable aleatoria X sigue una N(, )
n
–
X–
Por tanto se aproxima a una N(0, 1)

n
 – 
 X–
Entonces: Pr – z /2 <  z /2  = 1 – Y de aquí se obtiene
  
13/06/2018
 n 
• El intervalo de confianza para el parámetro μ de una población N(μ,σ)
al nivel de confianza 1-α viene dado por
𝜎
IC = 𝑥 ± 𝑧∝
2 𝑛
• Si σ es desconocida y n es grande (n≥ 30),el intervalo de confianza
viene dado por:
𝑠
IC = 𝑥 ± 𝑧∝
2 𝑛
• Donde 𝑆 2 es la cuasivarianza muestral

EJEMPLO 01
• En una población de tamaño 64 se estudia

una característica X medida sobre sus
individuos de la que se sabe que su media es
1012 y su desviación típica es 25.
• Hallar intervalos de confianza para el valor
medio de la característica X con coeficientes
de confianza del 90% y 95%.

EJEMPLO 01
SOLUCIÓN:
• Se tiene que calcular el intervalo de confianza para la media de una
población normal con varianza conocida.
• Se conoce que:
𝑥−𝜇
𝜎 → 𝑁(0,1)
𝑛
lo que nos lleva al intervalo de confianza para la media siguiente:
𝑥 ± 𝑍𝛼 2 𝜎 𝑛
EJEMPLO 01
• Para un coeficiente de confianza del 90% se tiene que:
𝛼
1 − 𝛼 = 0.9 ⇒ 𝛼 = 0.1 ⇒ = 0.05 ⇒ 𝑍𝛼 2 = 1.645
2
El intervalo de confianza será entonces:
25
1012 ± 1.645 = 1006.86 1017.14
1012
Se concluye que hay una probabilidad del 90% de que el valor medio de la
característica esté entre 1006,86 y 1017,14.

EJEMPLO 01
• Para un coeficiente de confianza del 95% se tiene que:

𝛼
1 − 𝛼 = 0.95 ⇒ 𝛼 = 0.05 ⇒ = 0.025 ⇒ 𝑍𝛼 2 = 1.96
2
• El intervalo de confianza será entonces:

25
1012 ± 1.96 = 1005.875 1018.125
1012
• Se concluye que hay una probabilidad del 95% de que el valor medio de la
característica esté entre 1005,875 y 1018,125.
Observe que al aumentar el coeficiente de confianza aumenta la amplitud del
intervalo de confianza.
EJEMPLO 02
• Se quiere obtener un intervalo de confianza para el valor de las ventas medias por
hora que se producen en un kiosco .
• Para ello se toma una muestra que consiste en elegir al azar las ventas que se
realiza durante 1000 horas distintas ;
• Los resultados de la muestra fueron : ventas

medias por hora 4000 soles, y una desviación
estándar de dicha muestra de 63.25 soles .
• Obtener dicho intervalo con un nivel de
confianza del 95.5 %.
EJEMPLO 02
• Se construye un intervalo para la media con las siguientes características :

• Tamaño muestral = n =1000 , muestreo aleatorio simple
• 𝑋 = 4000 y S=63.25
• Dado que para nivel de confianza del 95,5% las valores de α/2 = 0.045/2=
0.0225
• Z= 2
𝑠 63.25
IC = 𝑥 ± 𝑧∝ IC = 4000 ± 2
2 𝑛 1000
luego el intervalo será μ= [ 3996 , 4004 ]
con un nivel de confianza del 95.5%
INTERVALO DE CONFIANZA
PARA UNA PROPORCIÓN p
• Sea una población donde se pretende estimar una proporción p.
• Se toma una muestra aleatoria de tamaño n donde hay una proporción 𝑝.
• Entonces 𝑝 se distribuye en el muestreo según una
𝑃 (1 − 𝑃)
𝑁 𝑃,
𝑛
En consecuencia:
𝑝−𝑃
𝑃(1 − 𝑃)
𝑛
Se aproxima a una N(0,1) para n muy grande
𝑝−𝑃
Entonces: 𝑃𝑟 −𝑧𝛼 2 ≤ ≤ 𝑧𝛼 2 =1−𝛼
𝑃 1−𝑃
13/06/2018
𝑛
INTERVALO DE CONFIANZA
PARA UNA PROPORCIÓN p
Por lo tanto:
𝑃 1−𝑃 𝑃 1−𝑃
𝑃𝑟 𝑝 − 𝑍𝛼 2 ≤ 𝑝 ≤ 𝑝 + 𝑍𝛼 2 1−𝛼
𝑛 𝑛
Cuando P es desconocido se puede tomar 𝑝 como valor estimado próximo a P:
𝑝 1−𝑝 𝑝 1−𝑝
𝑃𝑟 𝑝 − 𝑍𝛼 2 ≤ 𝑝 ≤ 𝑝 + 𝑍𝛼 2 1−𝛼
𝑛 𝑛

UNA PROPORCIÓN p
Si n es muy grande, lo que equivale a verificar
np > 5 y n(1-p) >5
El intervalo de confianza para el parámetro P de una B(n , p)

Viene dado por:
p(1 − p)
IC = p ± zα 2
n
𝑥
Donde 𝑍𝛼 2 es el valor critico para el nivel de confianza de α y 𝑝 = 𝑛

UNA PROPORCIÓN p
• Una forma de aumentar la confianza es ampliando el tamaño del intervalo,
pero esto tiene el inconveniente de que aumenta el margen de error.
• Otra forma es aumentar el tamaño de la muestra, ya que el ancho del

intervalo depende de n.
¿Hasta dónde debe aumentar n para tener una confianza

predeterminada?

EJEMPLO 03
• Una firma comercial encuesta a 100 personas para
conocer sus opiniones sobre la elección de dos
productos alternativos A y B recientemente
fabricados.
• El resultado de la encuesta arroja que el producto A
lo han elegido 55 individuos y el producto B 45.
• Hallar un intervalo de confianza al 95% para la
proporción de individuos que eligen cada producto.

EJEMPLO 03
SOLUCIÓN:
• Es el caso del cálculo de intervalos de confianza para proporciones, porque el
problema es ajustable al caso en que 𝑝 = 𝑥 𝑛 es la proporción estimada del
número de veces que aparece un suceso de Bernoulli.
• Los encuestados eligen A o B (exclusivamente) de entre n repeticiones de un
experimento (x designa el número de veces que aparece el suceso, es decir el
número de veces que los encuestados eligen A o B).

EJEMPLO 03
• El intervalo de confianza para la proporción se basa en el siguiente estadístico:
𝑝−𝑃
→ 𝑁(0,1)
𝑃(1−𝑃)
𝑛
• lo que nos lleva al intervalo de confianza para p definido por:
𝑃 1−𝑃 𝑃 1−𝑃
𝑝 − 𝑍𝛼 2 ≤ 𝑝 ≤ 𝑝 + 𝑍𝛼 2
𝑛 𝑛

EJEMPLO 03
• En nuestro caso, para el producto A tenemos el intervalo:
55 0.45 0.55 55 0.45 0.55

− 1.96 ≤𝑝 ≤ + 1.96 = 0.45 0.65
100 100 100 𝑛
• Para el producto B tenemos el intervalo:
45 0.55 0.45 45 0.55 0.45

− 1.96 ≤𝑝 ≤ + 1.96 = 0.35 0.55
100 100 100 𝑛

EJEMPLO 03
• Como conclusión se puede decir que hay una probabilidad del 95%
entre 0,45 y 0,65 de que el producto elegido sea el A, y hay una
probabilidad entre 0,35 y 0,55 de que el producto elegido sea el B.
13/06/2018 43
ING. WILLIAM LEON V.
EJEMPLO 04
• Se desea determinar un intervalo de confianza con nivel de confianza del 99%
para la proporción de amas de casa que compran sólo una vez a la semana.
• Si se sabe que en una muestra aleatoria

simple de 400 amas de casa sólo 180
afirmaron comprar una vez a la semana
13/06/2018 44
EJEMPLO 04
• Se trata de un intervalo para la proporción de una característica
P = proporción de amas de casa que compran una sola vez en la semana.
• Se conoce que : el nivel de confianza es 0,99 , el tamaño muestral n=400 ,
• y la proporción muestral resultante
𝑝 = 180 400 = 0.45
𝑃 1−𝑃 𝑃 1−𝑃
𝑝 − 𝑍𝛼 2 ≤ 𝑝 ≤ 𝑝 + 𝑍𝛼 2
𝑛 𝑛
0.5 0.5 0.5 0.5

0.45 − 2.576 ≤ 𝑝 ≤ 0.45 + 2.576
400 400
Luego pε [ 0.3856 , 0.5144 ]
EJEMPLO 05
• En una empresa de 5000 trabajadores desea conocerse si ha variado mucho

la valoración positiva de la gestión de la dirección , que el año pasado se
concluyo fehacientemente que era del 80 % de los trabajadores .
• Para ello se realiza una muestra de

tamaño 200 resultando que la valoración
positiva era considerada por el 55% de
los trabajadores encuestados.
¿Podemos afirmar que la valoración ha
variado con probabilidad de
equivocarnos del 1%. ?

EJEMPLO 05
• El nivel de significación es la probabilidad de cometer un error al afirmar que el verdadero

valor no se encuentra en el intervalo cuando realmente lo está ,
• Se tiene que construir , por tanto el intervalo para un nivel de significación del 0,01 y
comprobar que en él se encuentra o no el valor de la proporción que se dio anteriormente.
Así el intervalo será:
𝑃 1−𝑃 𝑁−𝑛 𝑃 1−𝑃 𝑁−𝑛

𝑝 − 𝑍𝛼 2 ≤ 𝑝 ≤ 𝑝 + 𝑍𝛼 2
𝑛 𝑁−1 𝑛 𝑁−1

EJEMPLO 05
• Conocemos que alfa es 0,01 , luego los valores según tabla serán de −𝑧𝛼 2 =-2.576 y
𝑧𝛼 2 =2.576
• El tamaño de la población es N=5000 ,(es conveniente utilizar muestreo aleatorio) , el
tamaño muestral es n=200 ,
la proporción muestral es 𝑝 = 0.55 , y dado que se conoce "fehacientemente" que
p=0.8; es la que se debe usar ; asi
0.8 0.2 5000 − 200 0.8 0.2 5000 − 200

𝑃𝑟 0.55 − 2.576 ≤ 𝑝 ≤ 0.55 + 2.576 = 0.99
200 5000 − 1 200 5000 − 1
Resultado p Ɛ [0.47, 0.62] con un nivel de confianza del 99%

por lo que se afirma que la proporción ha cambiado pues el 0,8 (anterior)
no se encuentra en el intervalo , y, se afirma con probabilidad
de cometer un error del 1%
CÁLCULO DEL TAMAÑO DE LA MUESTRA PARA ESTIMAR UNA
MEDIA
• Se estableció antes que una forma de disminuir el error de estimación es
aumentar el tamaño de la muestra, si éste incluye el total de la población,
entonces |x - μ |sería igual a cero.
• Po lo tanto para un nivel de confianza fijo, será posible determinar un

tamaño de la muestra tal que el error de estimación sea tan pequeño como
se desea.
• Dado un nivel de confianza y un error fijo de estimación ε, se puede

escoger un tamaño de muestra n tal que P( |x – μ| <ε) = Nivel de confianza.

MEDIA
• Con el propósito de determinar n.
• El error máximo de estimación esta dado por:
𝑧𝜎
𝜀=
𝑛

MEDIA
• Si se eleva al cuadrado ambos lados de esta ecuación y se despeja n

de la ecuación resultante, obtenemos:
𝑧𝜎 2
𝑛=
𝜀
Como n debe de ser un número entero, se redondea hacia arriba

todos los resultados fraccionarios.

MEDIA
• En el caso de que se tenga una población finita y un muestreo sin reemplazo, el

error de estimación se convierte en:
𝑧𝜎 𝑁 − 𝑛
𝜀=
𝑛 𝑁−1
• De nuevo se eleva al cuadrado ambos lados y se despeja la n, obteniendo:
z 2 σ2 N
n= 2
ε N − 1 + z 2 σ2
MEDIA
Ejemplo 1:
Un biólogo quiere estimar el peso promedio de los

ciervos cazados en un determinado estado
• Un estudio anterior de diez ciervos cazados mostró que
la desviación estándar de sus pesos es de 12.2 libras.
• ¿Qué tan grande debe ser una muestra para que el
biólogo tenga el 95% de confianza de que el error de
estimación es a lo más de 4 libras?

MEDIA
• Solución:
σ= 12.2
𝜀=4
𝑧𝜎 2
𝑛=
𝑍0.95 = 1.96 𝜀
• Reemplazando
(1.96)(12.2) 2
𝑛= = 35.736
4
• En consecuencia, si el tamaño de la muestra es 36, se puede tener un 95% de
confianza en que μ difiere en menos de 4 libras de 𝑋 .

MEDIA
Ejemplo 2:
Una empresa eléctrica fabrica focos que tienen una duración

aproximadamente normal con una desviación estándar de 40 horas.
¿De qué tamaño se necesita una muestra si se desea tener 96% de
confianza que la media real esté dentro de 10 horas de la media real?
13/06/2018 55
MEDIA
σ= 40
𝜀=10
𝑧𝜎 2
𝑛=
𝑍0.96 = 2.053 𝜀
2.053 (40) 2
𝑛= =67.43
10
• Se necesita una muestra de 68 focos para estimar la media de la
población y tener un error máximo de 10 horas.

MEDIA
• ¿Qué pasaría si en lugar de tener un error de estimación de 10
horas sólo se requiere un error de 5 horas?
2.053 (40) 2
𝑛= =269.74
5
Observe como el tamaño de la muestra aumenta, pero esto
tiene como beneficio una estimación más exacta.

MEDIA
Ejemplo 3:
En base al ejercicio anterior que sucedería si se tiene una población de 300 focos, y
se desea saber de que tamaño debe de ser la muestra.
Solución:
Como se tiene una población finita y un
muestreo sin reemplazo es necesario utilizar la
formula con el factor de corrección sin
reemplazo.
z 2 σ2 N
n= 2
ε N − 1 + z 2 σ2
MEDIA
σ= 40 z 2 σ2 N
𝜀=10 n= 2
ε N − 1 + z 2 σ2
𝑍0.96 = 2.053
N=300
2.053 2 40 2 (300)
n= 2 2 2
= 55.21
(10) 300 − 1 + (2.053) (40)
• Si se tiene una población finita de 300 focos sólo se tiene que extraer de la
población una muestra sin reemplazo de 56 focos para poder estimar la duración
media de los focos restantes con un error máximo de 10 horas.

PROPORCIÓN
• Se desea saber que tan grande se requiere que sea una muestra para asegurar que el
error al estimar P sea menor que una cantidad específica
𝑝𝑞
𝜀=𝑧
𝑛
• Elevando al cuadrado la ecuación anterior se despeja n y nos queda:
z 2 pq
n= 2
ε
PROPORCIÓN
• La fórmula está algo engañosa, pues debemos utilizar p para determinar el
tamaño de la muestra, pero p se calcula a partir de la muestra.
• Existen ocasiones en las cuales se tiene una idea del comportamiento de la
proporción de la población y ese valor se puede sustituir en la fórmula, pero si no
se sabe nada referente a esa proporción entonces se tienen dos opciones:
• Tomar una muestra preliminar mayor o igual a 30 para proporcionar una
estimación de P. Después con el uso de la fórmula se podría determinar de forma
aproximada cuántas observaciones se necesitan para proporcionar el grado de
precisión que se desea.
• Tomar el valor de p como 0.5 ya que sustituyendo este en la fórmula se obtiene el
tamaño de muestra mayor posible.

PROPORCIÓN
• En el caso de que se tenga una población finita y un muestreo sin reemplazo, el error
de estimación se convierte en:
𝑝𝑞 𝑁−𝑛
𝜀=𝑧
𝑛 𝑁−1
• De nuevo se eleva al cuadrado ambos lados y se despeja la n, obteniendo:
z 2 pqN
n= 2
ε N − 1 + z 2 pq

PROPORCIÓN
Ejemplo 4:
• En una muestra aleatoria de 500 familias que tienen televisores en una gran
ciudad, se encuentra que 340 están suscritas a HBO.
• ¿Qué tan grande se requiere que sea una muestra si se quiere tener 95% de
confianza de que la estimación de P esté dentro de 0.02?:

PROPORCIÓN
• Solución:
• Se tratarán a las 500 familias como una muestra preliminar que
proporciona una estimación de p=340/500=0.68.
2 1.96 2 (0.68)(0.32)
z pq n= = 2090
n= 2 (0.02) 2
ε
• Por lo tanto si basamos nuestra estimación de P sobre una muestra
aleatoria de tamaño 2090, se puede tener una confianza de 95% de que
nuestra proporción muestral no diferirá de la proporción real por más de
0.02.

PROPORCIÓN
Ejemplo 5:
• Una legisladora estatal desea encuestar a los residentes de su distrito
para conocer qué proporción del electorado conoce la opinión de ella,
respecto al uso de fondos estatales para pagar abortos.
• ¿Qué tamaño de muestra se necesita si se requiere un confianza del
95% y un error máximo de estimación de 0.10?

PROPORCIÓN
• Solución:
• En este problema, se desconoce totalmente la proporción de residentes que
conoce la opinión de la legisladora, por lo que se utilizará un valor de 0.5 para p.
2
z pq 1.96 2 (0.50)(0.50)
n= 2 n= 2 = 96.04
ε (0.10)
• Se requiere un tamaño de muestra de 97 residentes para que con una confianza

del 95% la estimación tenga un error máximo de 0.10.

FIN
wjleonv@yahoo.com

Ey Pclase 10

Hochgeladen von

Dokumentinformationen

Originaltitel

Copyright

Verfügbare Formate

Dieses Dokument teilen

Dokument teilen oder einbetten

Freigabeoptionen

Stufen Sie dieses Dokument als nützlich ein?

Sind diese Inhalte unangemessen?

Copyright:

Verfügbare Formate

Ey Pclase 10

Hochgeladen von

Copyright:

Verfügbare Formate

ESTADISTICA

Ing. William Jaime León Velásquez

ING. WILLIAM LEON V. 3

• Lo más usual: conocidos los resultados de una

13/06/2018 ING. WILLIAM LEON V. 4

• Parámetro: es un valor numérico que describe una

• Estadístico: es un valor numérico que describe una

• Estimador puntual: es el estadístico que se toma

13/06/2018 ING. WILLIAM LEON V. 5

Existen DOS tipos de estimadores:

13/06/2018 ING. WILLIAM LEON V. 6

La estimación puntual consiste en atribuir un valor (la estimación) al

Cuatro tiradores han efectuado 10 disparos sobre una diana.

Estimador insesgado Estimador sesgado Estimador sesgado Estimador insesgado

Existen CUATRO propiedades:

13/06/2018 ING. WILLIAM LEON V. 9

13/06/2018 ING. WILLIAM LEON V. 10

13/06/2018 ING. WILLIAM LEON V. 11

13/06/2018 ING. WILLIAM LEON V. 12

13/06/2018 ING. WILLIAM LEON V. 14

13/06/2018 ING. WILLIAM LEON V. 15

Para la varianza de la población σ2,

Para una proporción de la población p, se toma la proporción de la

13/06/2018 ING. WILLIAM LEON V. 16

13/06/2018 ING. WILLIAM LEON V. 17

La estimación por intervalos consiste en:

Si se refiere a la media μ, se trata de encontrar un intervalo (a , b) tal

13/06/2018 ING. WILLIAM LEON V. 18

13/06/2018 ING. WILLIAM LEON V. 19

13/06/2018 ING. WILLIAM LEON V. 20

Es decir: P ( a < μ < b) = 1 - α

13/06/2018 ING. WILLIAM LEON V. 21

Nivel de significación o de riesgo:

13/06/2018 ING. WILLIAM LEON V. 22

13/06/2018 ING. WILLIAM LEON V. 23

13/06/2018 ING. WILLIAM LEON V. 24

Error máximo admisible:

13/06/2018 ING. WILLIAM LEON V. 25

Pr– z/2 < Z  z/2  = 1 – 

1- 0,8 0,9 0,95 0,99

13/06/2018 ING. WILLIAM LEON V. 26

13/06/2018 ING. WILLIAM LEON V. 28

• En una población de tamaño 64 se estudia

13/06/2018 ING. WILLIAM LEON V. 29

El intervalo de confianza será entonces:

13/06/2018 ING. WILLIAM LEON V. 31

• Para un coeficiente de confianza del 95% se tiene que:

• El intervalo de confianza será entonces:

• Los resultados de la muestra fueron : ventas

• Se construye un intervalo para la media con las siguientes características :

Cuando P es desconocido se puede tomar 𝑝 como valor estimado próximo a P:

13/06/2018 ING. WILLIAM LEON V. 36

El intervalo de confianza para el parámetro P de una B(n , p)

13/06/2018 ING. WILLIAM LEON V. 37

• Otra forma es aumentar el tamaño de la muestra, ya que el ancho del

¿Hasta dónde debe aumentar n para tener una confianza

13/06/2018 ING. WILLIAM LEON V. 38

13/06/2018 ING. WILLIAM LEON V. 39

13/06/2018 ING. WILLIAM LEON V. 40

• lo que nos lleva al intervalo de confianza para p definido por:

13/06/2018 ING. WILLIAM LEON V. 41

• En nuestro caso, para el producto A tenemos el intervalo:

55 0.45 0.55 55 0.45 0.55