CARRERA: INGENIERIA MECANICA

MATERIA: PROBABILIDAD Y ESTADISTICA

AÑO 2016

6-2 Estimación puntual y por intervalos de confianza

Cuando se busca conocer el valor de un parámetro θ y no se cuenta con toda la

población sino con una muestra, lo razonable es definir un estadístico que dé
información sobre ese parámetro de interés. Ese estadístico toma el nombre de

estimador y se simboliza θ .

Un estadístico es cualquier función que se pueda definir a partir de las variables de la

muestra aleatoria. Si esa función da información sobre algún parámetro se denomina
estimador.

Por ejemplo, dada una muestra aleatoria simple de tamaño n = 3, se definen los
siguientes estadísticos:
f(X1, X2, X3) = X1 + 3X2 – 5X3
3
(Xi X )2
i 1
f(X1, X2, X3) =
2
Como se puede observar, el primer estadístico es función de las variables de la
muestra pero no da información sobre ningún parámetro; mientras que el segundo es
el estadístico variancia muestral, que se utiliza para dar información sobre la variancia
poblacional, es decir que es un estimador de la variancia poblacional.

Elegido el mejor estimador de un parámetro de interés y tomada la muestra se

calcula el valor observado de dicho estimador con los datos de la muestra ya
tomada. Ese valor puede considerarse una estimación puntual del parámetro.
Antes de tomar la muestra, el estimador es una variable aleatoria de la que se puede
obtener su distribución de probabilidades o distribución muestral (Sección 6-1)).
Después de tomar la muestra, el valor observado del estimador puede considerarse
una estimación puntual del parámetro de interés.
En la Tabla 9 se presentan los estimadores y las estimaciones puntuales para los
parámetros que se consideran en este curso.

1
 2
Tabla 9 Estimadores de los parámetros µ, σ y π, y estimaciones puntuales

Parámetro Antes de tomar la muestra Con la muestra ya tomada

Estimador Estimación puntual
μ μ̂ = X μ̂ = x

σ2 σ̂2 = Sn2-1 σ̂2 = sn-1

2

Π
π fr π fo

En la Sección 6-1 se vio que todo estimador (estadístico) es una variable aleatoria y
tiene una determinada distribución de probabilidades. Entonces, dar una estimación
puntual, es decir, dar al parámetro un único valor (el mismo valor obtenido para el
estadístico en la muestra) no suele ser satisfactorio, ya que no da idea de la precisión
de la estimación ni del riesgo de que la esta sea errónea.

Apoyados en la distribución muestral del estadístico, se reemplaza la estimación

puntual por un intervalo de posibles valores para el parámetro. En la Tabla 10 se
comparan las estimaciones puntual y por intervalo para algún parámetro de interés.

Tabla 10. Estimaciones puntual y por intervalo. Características

Estimación puntual Estimación por intervalo

Brinda un intervalo de valores posibles para
Brinda un único valor para el parámetro el parámetro
No incluye información sobre el posible error Tiene asociada una cota superior para el
de estimación error de estimación
No tiene asociada ninguna medida de Tiene asociado un nivel de confianza
confianza ni de riesgo. (1 – α) y un nivel de riesgo α

La estimación por intervalo se va a presentar con más detalle para el caso de la media
de una población normal, con la desviación estándar conocida. Para ese intervalo se
comentará su interpretación y se analizará la relación entre los distintos elementos que
lo componen. Estos conceptos son válidos también para el resto de los intervalos de
confianza que se presentan en este material

2
6-2-1 Estimación por intervalo para la media de una población normal (µ),
cuando σ es conocido

Se cuenta con una variable aleatoria X ~N(µ,σ), donde σ es conocido. Para estimar a
µ, se va a tomar una muestra de n elementos. El estimador más adecuado es la media

muestral μ X
Dado que X es una variable aleatoria con distribución normal y σ se conoce, X
también se distribuye normalmente, por ser combinación lineal de variables normales.

X ~ N(µ, σ) → X ~ N(µ, σ/√n )

El error de estimación se define como la diferencia entre el valor del estadístico y el

valor del parámetro ( X μ ).
Para el error de estimación se pretende buscar una cota superior, E, de tal manera
que con una probabilidad alta, por ejemplo 0,95, esta cota no sea superada. Se
plantea lo siguiente:
P( X μ E) 0, 95 → P(μ E X μ E) 0, 95 (1)

Trabajando con la variable estandarizada Z, la expresión anterior queda:

μ E μ X μ μ E μ
P( ) 0, 95 (2),
σ/ n σ/ n σ/ n

E
de donde puede despejarse que z0,975 1, 96 (3)
σ/ n

(z0,975 es el percentil de orden 0,975 de la distribución normal estándar)

La cota superior para el error de estimación, E, para una probabilidad del 95 % queda
E 1, 96x σ / n (4)

Reemplazando (4) en (1), queda

P(μ 1, 96σ / n X μ 1, 96σ / n ) 0, 95 (5)

Restando X y μ en cada término de la expresión (5), queda que

P( 1, 96σ / n X μ 1, 96σ / n X) 0, 95 (6)

Finalmente, multiplicando en (6) por el valor (-1) y cambiando el sentido de las

desigualdades, queda
P(X 1, 96σ / n μ X 1, 96σ / n ) 0, 95 (7)

3
En la última expresión (7), el promedio poblacional no se ha convertido en una
variable, sigue siendo una constante de la población. Lo aleatorio son los
extremos del intervalo, que dependen de la variable aleatoria media muestral. Es
posible que el intervalo cubra o no al parámetro
El intervalo obtenido es un intervalo aleatorio de probabilidad 0,95 para la media
poblacional, suponiendo conocido σ y representa a los infinitos intervalos que pueden
obtenerse a partir de infinitas muestras aleatorias del mismo tamaño n, extraidas de
una población N(µ,σ). El valor 0,95 puede interpretarse de la siguiente manera: si se
toma una gran cantidad de muestras, todas del mismo tamaño n, y para cada una se
construye un intervalo, aproximadamente el 95 % de los intervalos cubrirán al valor del
parámetro y el 5 % restante, no. En la Figura 8 se presenta un conjunto de intervalos
construidos para la media poblacional. Algunos cubren el verdadero valor y otros no.

Ahora bien, cuando ya se tomó la muestra, se reemplaza el valor de X por el

promedio observado en la muestra y se obtiene un intervalo numérico. Dado que no
se conoce el valor del parámetro, tampoco se sabe si el intervalo obtenido lo
cubre o no. Pero como ese intervalo es uno de los infinitos intervalos
construidos de tal manera que el 95 % de ellos cubre al parámetro, se dice que
dicho intervalo cubre al parámetro con una confianza del 95 %. El intervalo
calculado a partir de la muestra se denomina intervalo de confianza y tiene la siguiente
expresión:
I.C.95%, µ: ( X 1, 96σ / n μ X 1, 96σ / n ) (8)

Probabilidad vs. Confianza: (adaptado del libro “Estadística para ingenieros”, de W. Navidi)
El término probabilidad se refiere a eventos aleatorios que pueden dar diferentes
resultados de repetición a repetición. Una vez tomada la muestra, los extremos del
intervalo ya no son variables aleatorias sino números, y como tales, son fijos, al igual
que el valor del parámetro. Por lo tanto, el término probabilidad se utiliza para el
intervalo aleatorio y el término confianza, para el intervalo ya calculado con los datos
de la muestra.

4
 Fig.8. (tomada del libro “Introducción a la Estadística” de Wonnacott y Wonnacott)
Intervalos de confianza para el parámetro µ, construidos a partir de muestras del mismo tamaño.
Muestras diferentes dan valores diferentes de la media muestral, y, por lo tanto, intervalos diferentes. El
proceso es análogo a arrojar herraduras para acertar en el blanco:
Algunos intervalos cubren al parámetro y otros, no.
En las figuras, la media es conocida. En la realidad, NO se conoce; de modo que nunca se conoce con
seguridad si el intervalo obtenido lo cubre o no. Sólo se tiene confianza de que esto suceda.

Hasta aquí se trabajó con una probabilidad de 0,95 para el intervalo aleatorio, lo cual
significa un nivel de confianza del 95 % para el intervalo de confianza. El valor 1,96 es el
percentil 0,975 de la distribución normal estándar, es decir, el valor que acumula una
probabilidad de 0,975 en dicha distribución. Si se desea fijar otro valor para el nivel de
confianza, cambiará el valor del percentil. En general, se define un nivel de confianza (1 –
α) y la probabilidad restante, α, se divide en partes iguales a ambos lados de la distribución
muestral, como se observa en la Figura 9. El percentil correspondiente es el percentil (1 –
α/2). Por ejemplo, si se busca un nivel de confianza del 99 %, el percentil correspondiente
es Z0,995 = 2,575; mientras que si interesa una confianza del 98 %, el percentil

correspondiente es Z0,99 = 2,33.

5
 Pα/2 P1-α/2
Fig. 9. Percentiles utilizados en la construcción de los intervalos

La expresión general para la cota superior, E, cuando se estima µ y σ es

conocido, es la siguiente

E z(1 α / 2 )x σ/ n (4)

De (4) se observa que el máximo error de estimación (E), el nivel de confianza (1-
α) y el tamaño de la muestra (n), están estrechamente vinculados entre sí. Un
aumento o disminución en cualquiera de ellos afectará, sin dudas, a los
restantes. Esto se representa en la Figura 10.

- Si se mantiene fijo el nivel de confianza, y aumenta el tamaño de la muestra, E

disminuye. El intervalo se hace más preciso y brinda más información.

- Si se mantiene fijo el tamaño de la muestra y disminuye el nivel de confianza, E

también disminuye y el intervalo se hace más preciso; pero en este caso, a costa
de tener menor probabilidad de cubrir al valor del parámetro.

6
 Fig.10. (Tomada del libro “Estadística Elemental. Lo esencial” 11ª.ed., de R. Johnson y P. Kuby).
El máximo error de estimación (E), el nivel de confianza (1-α) y el tamaño de la muestra (n), están
estrechamente vinculados entre sí.
Un aumento o disminución en cualquiera de ellos afecta a los restantes.

La relación entre n, (1-α) y E fue descripta en los puntos anteriores para la

estimación de la media cuando la desviación estándar es conocida; pero es
válida, cualquiera sea el parámetro que se estime.

Ejemplo 6: El porcentaje de desperdicio producido en una operación de acabado

metálico es una variable aleatoria distribuida normalmente con σ = 0,3 %. Interesa
estimar el % de desperdicio promedio (μ). Para ello se observan los % de desperdicio
de una muestra aleatoria de tamaño n = 15 operaciones y se encuentra un desperdicio
promedio de 5,07 %.

Solución
Población física: ∞ operaciones de acabado metálico
Variable aleatoria: X: % de desperdicio
X ~ N(µ, σ = 0,3 %)
Parámetro de interés: µ: porcentaje de desperdicio promedio de las operaciones de acabado
metálico que realiza la empresa.

7
La media muestral observada es X = 5,07 % Ese valor se utiliza para estimar
puntualmente al parámetro. Pero la estimación puntual no da información sobre la
precisión de la estimación ni sobre el riesgo de obtener inferencias erróneas.
Conviene dar una estimación por intervalo de confianza que se apoya en la distribución
muestral del estadístico

X ~ N(µ, σ = 0,3%) → X ~ N(µ, σ/√n= 0,3%/√15 = 0,08%)

Se define un nivel de confianza, por ejemplo, del 95 %.
Entonces, (1-α) = 0,95 y Z(0,975) = 1,96

I.C. 95%, µ: (5, 07 1, 96x 0, 08 μ 5, 07 1, 96x 0, 08) → I.C. 95%, µ: (4,91 ; 5,23)
Este intervalo cubre al porcentaje de desperdicio promedio poblacional con una confianza del
95 %.

A partir del intervalo, también pueden responderse preguntas sobre el valor del
parámetro y tomar decisiones. Suponga, por ejemplo que si el % promedio de
desperdicio de la operación supera 5,3 %, se requiere hacer ajustes en el proceso
para que dicho desperdicio disminuya. Con un nivel de confianza del 95 %, los
posibles valores para µ son menores que 5,30. De ahí que pueda considerarse
(corriendo un riesgo del 5 %) que es razonable pensar que µ < 5,30 % y por lo tanto no
hace falta hacer ajustes en el proceso.

Como se vio en el Ejemplo 6, los intervalos de confianza pueden utilizarse con

dos objetivos:
- Para conocer un rango de valores posibles para el parámetro.
- Para responder alguna pregunta sobre algún valor del parámetro, o bien para
decidir si alguna hipótesis sobre el parámetro es razonable o no. En este caso
una de las hipótesis era que la media poblacional era mayor que 5,3 %. Existen
otros procedimientos para tomar una decisión sobre una hipótesis relativa a un
parámetro, a partir de información muestral; pero los intervalos resultan una
manera simple de hacerlo y resultan más informativos.

8
6-2-2 Estimación por intervalo para la media de una población normal (µ),
cuando σ es desconocido

En el caso que se quiera estimar µ y se desconozca el valor de σ, se utiliza la

distribución t-Student, en vez de la distribución normal. Esta distribución tiene “colas”
más pesadas que la normal y brinda estimaciones menos precisas (especialmente
para tamaños de muestra pequeños). Esto ocurre porque la incertidumbre es mayor:
no sólo no se conoce la media poblacional, tampoco se conoce la desviación estándar
y esto es lo que contempla la distribución t. Las expresiones de los Intervalos Aleatorio
y de Confianza son las siguientes:

I.A(1-α)%, µ: (X t S/ n
( n 1 ),( 1 α / 2 )
μ X tn ( 1 ),(1 α / 2 )
S / n) (9)

I.C. (1-α)%, µ: ( X t ( n 1 ),( 1 α / 2 )

s/ n μ X tn
( 1 ),( 1 α / 2 )
s / n) (10)

Observe que para encontrar los percentiles de la distribución t-Student se debe

considerar el tamaño de la muestra. Por ejemplo,
Nivel de Confianza: 95 %
Percentil = P0,975 = t(n-1), 0,975
n = 10 P0,975 = t9, 0,975 = 2,2622
n = 20 P0,975 = t19, 0,975 = 2,093

A medida que n aumenta, el valor del percentil de la distribución t se aproxima al valor

del percentil de la distribución normal estándar, de modo que si n es grande, es
indistinto utilizar cualquiera de ellos.

Ejemplo 7: En un proceso de producción de piezas metálicas, una variable de interés

es la longitud de las mismas. Por estudios anteriores, se puede considerar que esta
variable está normalmente distribuida, aunque se desconocen sus parámetros.
Para estimar la longitud promedio poblacional, se toma una muestra de 10 piezas y se
evalúa la longitud en cada una. Los resultados, en mm, son los siguientes: 13,7 - 12 -
13,1 - 14,1 - 13,1 - 14,1 - 14,4 - 12,2 - 11,9 - 11,8

Solución
Población física: ∞ piezas metálicas
Variable aleatoria: X: longitud (en mm) X ~ N(µ, σ)
Parámetro de interés: µ: longitud promedio de las infinitas piezas

9
X ~ N(µ, σ) , pero no se conoce la desviación estándar poblacional.

Se define un nivel de confianza del 99 %. Entonces, (1-α) = 0,99 y t(9, 0,995) = 3,2498. La media
muestral es X = 13,04 mm y el desvío estándar muestral es s = 1,009 mm

I.C. 99%, µ: (13, 04 3, 2498x 1, 009 / 10 μ 13, 04 3, 2498x1, 009 / 10 )

I.C. 99%, µ: (12,003 ; 14,077)

Este intervalo cubre al valor de la longitud promedio de las piezas con una confianza del 99 %

2
6-2-3 Estimación por intervalo para la variancia de una población normal (σ )
2
Esta estimación se basa en la distribución Х presentada brevemente en la primera
parte de este material. Si la normalidad es razonable, entonces, los intervalos aleatorio
y de confianza tienen las siguientes expresiones:

(n 1)S2 (n 1)S2
I.A.(1-α, σ2): ( ; )
χ 2 α/ 2 χ 21 α/ 2
(14)

(n 1)s2 (n 1)s2
I.C.(1-α, σ2): ( ; 2 )
χ 2 α/ 2 χ 1 α/ 2
(15)

2
Observación: para el caso del intervalo de la variancia, los valores de la distribución Х no son
los percentiles, sino los que tienen a su derecha la probabilidad indicada.

Si la población se origen no puede considerarse normalmente distribuida, el intervalo

para la variancia poblacional puede construirse con el Método de Bonett que es robusto
frente a la falta de normalidad (es decir, que no ve afectadas sus conclusiones por esto).
En este curso no se desarrolla este método; pero los intervalos correspondientes se
pueden obtener con Minitab.

Ejemplo 8: Reconsidere el ejemplo de las longitudes de las piezas metálicas.

Suponga que ahora interesa estimar a la variancia de la población de piezas.

Solución
Población física: ∞ piezas metálicas
Variable aleatoria: X: longitud (en mm) X ~ N(µ, σ)
2
Parámetro de interés: σ : variancia de las longitudes de las piezas.

10
X ~ N(µ, σ)
2
Se define un nivel de confianza del 99 %. Entonces, (1-α) = 0,99 y los valores de la tabla Х
2 2
son: Х (9, 0,995) = 1,7349 y Х (9, 0,005) = 23,5893
El desvío estándar muestral observado es s = 1,009 mm

2 2
I.C. 99%, σ2: ( 9x 1, 009 ; 9x1, 009 )
23, 5893 1, 7349
2
I.C. 99%, σ : (0,388 ; 5,281)

Este intervalo cubre al valor de la variancia de las longitudes con una confianza del 99 %

6-2-4 Estimación por intervalo para la proporción de éxitos (π)

Esta estimación se basa en la distribución muestral de la frecuencia relativa, vista en la
Sección 6-1. Si puede aplicarse la distribución normal (Ver Tabla 8), entonces, se
tienen las siguientes expresiones para el intervalo aleatorio y para el intervalo de
confianza:

fr (1 fr )
I.A.(1-α, π): fr z (1 α / 2 ) (16)
n

fo (1 fo )
I.C.(1-α, π): fo z (1 α / 2 ) (17)
n

Observe que en este caso el valor de π se reemplaza por el valor de la

frecuencia relativa ya que π no se conoce (justamente, es lo que se desea
estimar).

Si no se puede usar la distribución Normal como distribución aproximada, las

expresiones de los intervalos se deducen a partir de la distribución Binomial
(distribución exacta). En este curso no se presentan dichas expresiones; pero los
intervalos exactos se pueden obtener con Minitab.

Ejemplo 9: Una empresa garantiza los elementos que produce y reemplaza a sus
clientes los elementos que no cumplen las especificaciones. Históricamente sólo el 4
% de los elementos no cumplía las especificaciones; pero, en el último tiempo, los
reclamos de los compradores aumentaron y los ingenieros a cargo del proceso
sospechan que este porcentaje aumentó. Se seleccionó una muestra aleatoria de n =
150 elementos producidos y se observó que 9 no cumplían las especificaciones.

11
Solución:
Población física: ∞ elementos que produce la empresa
Variable aleatoria: X: 1 si el elemento no cumple las especificaciones
X: 0 si las cumple
X ~ Be(π)
Parámetro de interés: π: proporción de elementos que no cumplen las especificaciones

Se toma una muestra aleatoria simple de n = 150 elementos y se define el estimador

π fr (frecuencia relativa o proporción muestral de elementos que no cumplen las
especificaciones)
Dado que n = 150 y que nxfo ≥ 5 y n(1 - fo) ≥ 5, se puede utilizar la distribución normal para
construir el intervalo de confianza.

Se define un nivel de confianza del 90 %. Entonces, (1-α) = 0,90 y Z(0,95) = 1,65

fo: frecuencia relativa observada = 9/150 = 0,06

I.C.(90%, π): 0, 06 0, 06x 0, 94 →

1, 65 I.C.(90%, π): (0,03; 0,09)
150

Con una confianza del 90 % se puede decir que el intervalo obtenido cubre a la proporción
poblacional de elementos que no cumplen las especificaciones.

Dado el planteo del problema, interesa saber si dicha proporción es mayor que 0,04. Como en
el intervalo hay valores menores y mayores que 0,04 no se puede afirmar nada en relación a
un posible aumento de dicha proporción. Se debe reducir la amplitud del intervalo, aumentando
el tamaño muestral.

Cambiando el nivel de confianza se tienen los siguientes intervalos:

I.C.(90%, π): (0,03; 0,09) I.C.(95%, π): (0,022 0,098) I.C.(99%, π): (0,01; 0,11)

Se construyeron tres intervalos de confianza, para el mismo tamaño de muestra.

Observe cómo, al aumentar el nivel de confianza, aumenta la amplitud del
intervalo y este resulta menos preciso. Como contracara, la chance de que el
intervalo no cubra al valor del parámetro es menor para el último de los
intervalos.

Para pensar:
¿Puedo obtener un intervalo con un nivel de confianza muy alto y que a la vez
sea muy preciso?

Importante: el nivel de confianza debe fijarse de antemano, en relación al

contexto del problema y al riesgo de error que se admite correr. Fijado dicho
nivel y la precisión buscada, se puede determinar el tamaño de la muestra.

12
PROBLEMAS PROPUESTOS

6- En una empresa se sabe que el tiempo de almacenamiento de sus productos, antes

de ser envasados, incide en la humedad de los mismos. Para las galletitas de agua en
particular, el tiempo promedio de almacenamiento era de 12 horas y la dispersión, de 3
horas. Con el objeto de reducir el tiempo de almacenamiento para ese producto, se
implementaron algunos cambios en el proceso de envasado, los cuales se
considerarán exitosos si el tiempo promedio de almacenamiento se reduce como
mínimo en un 30 %.
Después de que las modificaciones se implementaron y el proceso de envasado se
estabilizó, se llevó a cabo un estudio para ver si esas modificaciones habían tenido o
no el efecto deseado. Para ello se tomó una muestra de 100 paquetes ya envasados,
se registró su tiempo de estacionamiento y se obtuvo un tiempo promedio de 7,8
horas, con una variancia de 9,2 (horas)2.
¿Qué conclusiones puede obtener respecto de las modificaciones realizadas en el
proceso de envasado de las galletitas de agua?

7- En un proceso de producción de piezas, históricamente el 5 % de las mismas no

tenía las dimensiones deseadas (es decir, eran menores que 80 unidades). En la
actualidad, y debido a una serie de problemas ocurridos en algunas etapas del
proceso, en la Gerencia se sospecha que este valor puede haber aumentado y
quieren tener idea del nuevo valor. Con ese objetivo se toma una muestra aleatoria
simple de 100 artículos y se obtiene el diagrama que se presenta a continuación:

Stem-and-Leaf Display:
N = 100
Leaf Unit = 1,0

2 7 66
4 7 99
9 8 00011
24 8 222222333333333
41 8 44444444455555555
(28) 8 6666666666666677777777777777
31 8 888888888899999999999
10 9 00000001
2 9 2
1 9 4

13
a) Analice la información y comente sus conclusiones

b) La implementación de acciones correctivas se llevará adelante sólo si el porcentaje

de piezas menores que 80 unidades es superior a 7%, debido a los costos que esto
produciría. ¿Qué recomendaría hacer Ud.? Justifique la respuesta.

c) ¿Considera que el tamaño de muestra fue apropiado? Justifique la respuesta.

8- Como parte de una investigación sobre las propiedades mecánicas de paneles de

madera de pino, se evaluó su elasticidad (en Mpa). Los productores de este tipo de
paneles pretenden que, en promedio, los mismos tengan una elasticidad superior a las
14000 unidades.

Las siguientes observaciones de elasticidad se obtuvieron un minuto después de

cargar una cierta configuración:

10490 - 16620 - 17300 - 15480 - 12970 - 17260 - 13400 - 13900 13260 - 14370 - 11700 -
15470 - 17840 - 14070 - 14760 - 13630

Con la información obtenida se construyó un diagrama de probabilidad normal que

apoya fuertemente la suposición de que la distribución de la elasticidad es
aproximadamente normal.

a) ¿Puede afirmar que se cumple lo pretendido por los productores de los paneles de
madera de pino? Justifique exhaustivamente su respuesta

b) ¿Cuánto vale el error de la estimación obtenida? ¿Con qué alternativas cuenta para
reducirlo?

c) Dé una estimación por intervalo para la variancia poblacional de la elasticidad de los

paneles. Interprete el coeficiente de confianza utilizado.

9- En una empresa se obtuvieron 10 observaciones de la resistencia al estallamiento

2
(en lb/pulg ) con soldaduras de cierre de toberas de prueba. Los valores obtenidos se
presentan a continuación:

7200 - 6100 - 7300 - 7300 - 8000 - 7400 - 7300 - 7300 - 8000 - 6700

14
Suponga que las 10 observaciones obtenidas se pueden considerar una muestra
aleatoria de una población con distribución normal y que se conoce que la desviación
estándar de la resistencia al estallamiento para ese tipo de soldaduras (σ) es 500
unidades.

a) Construya e interprete un intervalo de confianza del 95 % para la resistencia

promedio al estallamiento en ese tipo de soldaduras.

b) En base al intervalo obtenido, ¿puede concluir que dicha resistencia promedio es

2
superior a 6800 lb/pulg ? Justifique.
c) Informe qué pasaría con la precisión del intervalo obtenido si el tamaño de muestra
aumenta a 30 y el nivel de confianza se mantiene fijo.

10- En una industria automotriz, los ingenieros a cargo de uno de los procesos de
ensamblado están investigando el tiempo (en segundos) que demanda dicho proceso.
Si el tiempo promedio supera los 93 segundos, máximo valor admitido por la empresa,
se implementará un programa de capacitación para todos los operarios que trabajan
en el sector ensamblado. Para decidir si es necesario implementar el programa de
capacitación se toma una muestra aleatoria de 20 tiempos. Los resultados obtenidos
son los siguientes:

93 - 90 - 97 - 90 - 93 - 91 - 96 - 94 - 91 - 91 - 88 - 93 - 95 - 91 - 89 - 92 - 87- 88 - 90 - 86

a) Realice un análisis descriptivo de la información obtenida. Incluya algún gráfico para

evaluar si puede considerarse que el tiempo que demanda el proceso en estudio es
una variable normalmente distribuida.

b) Informe a la empresa sobre la necesidad (o no) de implementar el programa de

capacitación. Justifique claramente su recomendación.

c) El programa de capacitación es realmente muy costoso para la empresa. ¿Cómo

utilizaría esta información al realizar la estimación del parámetro de interés? Explique
claramente.

11- Un fabricante de autopartes utiliza un conjunto de pruebas para evaluar a sus

productos. Todas las autopartes deben pasar las pruebas antes de ser enviadas al
cliente. En una muestra aleatoria de 500 autopartes, 15 fallan en alguna de las
pruebas.

15
a) ¿Puede afirmar que la proporción de autopartes que fallan es superior a 0,025?
Justifique claramente su respuesta, utilizando un nivel de confianza del 90 %

b) ¿Qué ocurrirá con la precisión de la estimación obtenida en el punto anterior...

b-1) si se desea aumentar el nivel de confianza, manteniendo fijo el tamaño
muestral?
b-2) si se aumenta el tamaño de muestra, manteniendo fijo el nivel de confianza?

12- Una maderera minorista inspecciona los embarques que le llegan de sus
proveedores. Para los embarques de una madera de calidad selecta el supervisor
selecciona una muestra aleatoria de 144 hojas de un embarque que tiene decenas de
miles de hojas. En dicha muestra, 18 hojas no pueden venderse como de primera
calidad. Si el embarque tiene más del 15 % de hojas de segunda calidad, no es
rentable para la empresa minorista.

a) En base a los datos de la muestra, ¿qué puede concluir Ud. sobre la rentabilidad
del embarque? Justifique su respuesta.

b) Si se desea reducir el error de estimación obtenido en el punto anterior a 0,02,

¿cuántas hojas adicionales deben extraerse del embarque?

16