UNIVERSIDAD MAYOR DE SAN ANDRES

FACULTAD DE INGENIERÍA
INGENIERÍA INDUSTRIAL

CAPITULO 5
ESTIMACIÓN POR INTERVALOS
DE CONFIANZA
Ing. Roberto E. Soza Diaz
5.1. Introducción
𝜃

𝜃෠

Ing. Roberto Soza D.

 5.1. Introducción
El estimador puntual 𝜃෠ = 𝑡 𝑋1 , 𝑋2 , 𝑋3 , … , 𝑋𝑛 presenta
un error de estimación debido a las fluctuaciones
aleatorias.

La precisión de un estimador insesgado se mide por el

error estándar del estimador: 𝜎𝜃෡ = 𝑉 𝜃෠ .

Ing. Roberto Soza D.

 5.1. Introducción
La estimación por intervalos de confianza consiste en
construir un intervalo cuyos limites incluyan al parámetro
que se esta estimando, con cierto grado de confianza 𝛾 .

𝑃 𝑞1 ≤ 𝜃 ≤ 𝑞2 = 𝛾

Donde:
𝑞1 = 𝑡1 𝑋1 , 𝑋2 , 𝑋3 , … , 𝑋𝑛 es el limite inferior del intervalo
𝑞2 = 𝑡2 𝑋1 , 𝑋2 , 𝑋3 , … , 𝑋𝑛 es el limite superior del intervalo
𝛾 = 1 − 𝛼 es el nivel de confianza, definido por el investigador;
utilizándose principalmente 𝛾 = 0,90, 𝛾 = 0,95 (universal), 𝛾 =
0,975 y 𝛾 = 0,99.
Ing. Roberto Soza D.
 5.1. Introducción
𝑃 𝑞1 ≤ 𝜃 ≤ 𝑞2 = 𝛾

Un método muy útil para encontrar intervalos de confianza se

llama método del pivote. Éste consiste en determinar una
cantidad que actúe como pivote y que posea las dos
características siguientes:
1. Que sea una función de las medidas muestrales y el
parámetro desconocido , donde  sea la única cantidad
desconocida.
2. Que su distribución de probabilidad no dependa del
parámetro .
3. q1 y q2 deben ser seleccionados de modo que la longitud del
intervalo de confianza (q2 – q1) sea mínimo
Ing. Roberto Soza D.
 5.2. Intervalos de confianza
2.1. Intervalo de confianza para la media ()
2.2. Intervalo de confianza para la proporción (p)
2.3. Intervalo de confianza para la varianza (𝜎 2 )
2.4. Intervalo de confianza para la relación de
varianzas (𝜎12 Τ𝜎22 )
2.5. Intervalo de confianza para la diferencia de
medias (1-2)
2.6. Intervalo de confianza para la diferencia de
proporciones (p1-p2)

𝑃 𝜃෠𝐼 ≤ 𝜃 ≤ 𝜃෠𝑆 = 𝛾 = 1 − 𝛼
𝜃𝐼 ; 𝜃𝑆 Ing. Roberto Soza D.
5.2.1. IC para la media ()

Ing. Roberto Soza D.

 5.2.1. IC para la media ()

Si se conoce el tamaño de la población “N”

Ing. Roberto Soza D.

 5.2.1. IC para la media ()
Ejemplo 1. En un país, el departamento de
transporte informo los Km que viajan diariamente los
residentes de áreas metropolitanas en automóvil.
Suponga que con una muestra aleatoria de 15
residentes de una ciudad se obtuvieron los siguientes
datos de Km diarios en automóvil:
20 20 28 16 11 17 23 16 22 18 10 22 29 19 32
a) Calcule un IC del 95%, para la cantidad promedio
de Km diarios de la población de residentes en la
ciudad.
b) Suponga que deseamos estimar los Km recorridos
diariamente por la población, con precisión de  2
Km con 95% de confianza.
Ing. Roberto Soza D.
 5.2.1. IC para la media ()
Informe de resumen de km
Prueba de normalidad de Anderson-Darling
A-cuadrado 0,26
Valor p 0,653
Media 20,200
Desv.Est. 6,167
Varianza 38,029
Asimetría 0,280958
Curtosis -0,128726
N 15
Mínimo 10,000
1er cuartil 16,000
Mediana 20,000
3er cuartil 23,000
Máximo 32,000
Intervalo de confianza de 95% para la media

10 15 20 25 30
16,785 23,615
Intervalo de confianza de 95% para la mediana
16,374 22,626
Intervalo de confianza de 95% para la desviación estándar
4,515 9,726

Intervalos de confianza de 95%

Media

Mediana

16 18 20 22 24

Ing. Roberto Soza D.

5.2.1. IC para la media ()

Ing. Roberto Soza D.

 3.8 Determinación del Tamaño de
Muestra
 Media
Si: Población Infinita Población Finita Observaciones
Z 2  2 Z 2 N  2
n  2 22 Si se conoce la
2 = ok n 2

E2 Z    N E 2 Varianza Poblacional
2

Si NO se conoce la
Z 2 S 2 Z 2 N S 2 Varianza Poblacional,
2 = ? n 2 n 2
y el PRIMER
2 Z  S  N E 2
2 2
RESULTADO es:
E 2
n  30
Si NO se conoce la
2
 t n 1  N S 2
2
 t n1  S2 Varianza Poblacional,
2 =?   
2  y el PRIMER
y n  2 2
 n
n 1
2
 t  S 2  N E 2 RESULTADO es:
n < 30 E n < 30
 2 
 Se debe iterar con:
g.l. = n – 1
Ing. Roberto Soza D.
 5.2.1. IC para la media ()
Ejemplo 2. Es frecuente que los químicos orgánicos
purifiquen compuestos orgánicos por medio de un
método conocido como cristalización fraccional. Un
experimentador desea preparar y purificar 4,85 g de
anilina. Diez especímenes de 4,85 gramos de anilina se
prepararon y purificaron para producir acetanilida. Se
obtuvieron los siguientes resultados en seco:
3,85; 3,88; 3,90; 3,62; 3,72; 3,80; 3,85; 3,36; 4,01; 3,82
a) Construya un IC del 95% para el número medio de
gramos de acetanilida que se puede recuperar de
4,85 gramos de anilina, asumiendo que esta variable
se distribuye normalmente.

Ing. Roberto Soza D.

 5.2.1. IC para la media ()
b) Calcule el IC para el rendimiento de la acetanilida
recuperada de 4,85 g de anilina.
c) Recalcule los límites del inciso a), considerando que
la variable no sigue una distribución normal.

Ing. Roberto Soza D.

 5.2.1. IC para la media ()

Caso particular:

I.C. Unilateral Inferior de la media 𝜇𝐼 ; +∞

𝑃 𝑋ത − 𝑍𝛼 𝜎𝑋ത ≤ 𝜇 = 1 − 𝛼

I.C. Unilateral Superior de la media −∞; 𝜇𝑆

𝑃 𝜇 ≤ 𝑋ത + 𝑍𝛼 𝜎𝑋ത = 1 − 𝛼

Ing. Roberto Soza D.

5.2.2. IC para la proporción (p)

Si y solo si: 𝑛 ∙ 𝑝Ƹ > 5; 𝑛 1 − 𝑝Ƹ > 5

Si se conoce el tamaño de la población “N”:

Ing. Roberto Soza D.

5.2.2. IC para la proporción (p)

Ing. Roberto Soza D.

 3.8 Determinación del Tamaño de
Muestra
 Proporción
Si: Población Infinita Población Finita Observaciones
Z 2 p1 p  Z 2 N  p1 p  Ya sea la
p = ok n 2 2 n 2 2
Proporción
E Z   p1 p  N 1E 2
2 Real o Estimada
2
Z Z 2 N
p=? n 2 Escenario pesimista:
 p = 1/2 n 2
2 Z   4 N 1E
2 2
“n” máximo
4E 2

Ing. Roberto Soza D.

5.2.2. IC para la proporción (p)
Ejemplo 3. Una muestra de 1.000 piezas de un lote
de producción fue inspeccionada, y el número de
defectos por cada pieza fue registrado en la siguiente
tabla:

Determine los límites de confianza para la proporción

de piezas defectuosas en la población, con coeficiente
de confianza del 98%.

Ing. Roberto Soza D.

 5.2.3. IC para la varianza (𝜎 2 )

𝐼𝐶 𝜎 2 :
𝑛 − 1 𝑆2 𝑛 − 1 𝑆 2
𝑃 2 ≤ 𝜎2 ≤ 2 =1−𝛼
𝜒 𝑛−1 , 𝛼ൗ 𝜒 𝑛−1 , 1−𝛼ൗ
2 2

𝐼𝐶 𝜎 :
𝑛 − 1 𝑆2 𝑛 − 1 𝑆2
𝑃 2 ≤𝜎≤ =1−𝛼
𝜒 𝑛−1 , 𝛼ൗ 𝜒 2𝑛−1 , 1−𝛼ൗ
2 2

Recordar que:

Ing. Roberto Soza D.

 5.2.3. IC para la varianza (𝜎 2 )
Ejemplo 4. Los focos industriales deberían tener una vida media útil
aceptable para usuarios potenciales y una variación relativamente
pequeña en su duración. Si algunos focos fallan demasiado pronto en su
vida útil, los usuarios se molestan y es probable que los cambien por focos
producidos por un fabricante diferente. Variaciones grandes por arriba de
la media reducen las ventas de reemplazo; en general, la variación en la
vida útil de los focos altera los programas de cambio establecidos por los
usuarios. Una m.a. de 20 focos producidos por un fabricante particular
produjo los siguientes valores de vida útil (en horas):
2.100 2.302 1.951 2.067 2.415 1.883 2.101 2.146 2.278 2.019
1.924 2.183 2.077 2.392 2.286 2.501 1.946 2.161 2.253 1.827
a) Establezca un límite de confianza superior de 99% para la varianza
de las duraciones de vida útil para los focos producidos por este
fabricante.
b) ¿La verdadera desviación estándar poblacional es menor que 150
horas? ¿Por qué sí o por qué no?
Ing. Roberto Soza D.
 5.2.4. IC para la relación de
varianzas (𝜎12 /𝜎22 )
𝐼𝐶 𝜎12 /𝜎22 :
1 𝑆12 𝜎12 1 𝑆12
𝑃 𝑛 −1; 𝑛2 −1 2 ≤ 2 ≤ 𝑛 −1; 𝑛 −1 2 =1−𝛼
𝐹𝛼ൗ 1 𝑆2 𝜎2 𝐹 𝛼 1 2 𝑆2
2 1− ൗ 2

Propiedad importante:
𝑛 −1; 𝑛 −1 1
𝐹1−1𝛼ൗ 2 = 𝑛 −1; 𝑛1 −1
2 𝐹𝛼ൗ 2
2

Ing. Roberto Soza D.

 5.2.4. IC para la relación de
varianzas (𝜎12 /𝜎22 )
Homocedasticidad???
𝜎12 =𝜎22 → 𝜎12 /𝜎22 = 1
Si se verifica:

donde:

Ing. Roberto Soza D.

 5.2.5. IC para la diferencia de
medias (𝜇1 − 𝜇2 )

donde:
Ing. Roberto Soza D.
 5.2.5. IC para la diferencia de
medias (𝜇1 − 𝜇2 )
Si se conoce el tamaño de las poblaciones “N1,N2”
(poblaciones finitas):

Ing. Roberto Soza D.

 5.2.5. IC para la diferencia de
medias (𝜇1 − 𝜇2 )
Ejemplo 5.

Ing. Roberto Soza D.

 5.2.5. IC para la diferencia de
medias (𝜇𝑋 − 𝜇𝑌 )
Caso particular: DATOS PAREADOS
Cuando la muestra está formada por pares
(relacionados entre sí):
(X1; Y1); (X2; Y2); (X3; Y3); . . . (Xn; Yn)
Sea: Di = Xi – Yi Se obtiene: 𝜇𝐷 = 𝜇𝑋 − 𝜇𝑌

Donde: y

Ing. Roberto Soza D.

 5.2.5. IC para la diferencia de
medias (𝜇𝑋 − 𝜇𝑌 )
Ejemplo 6. Para determinar la efectividad de una
nueva dieta, un investigador recogió los siguientes
datos sobre el peso de 15 adultos antes y después del
experimento.

Suponiendo que la característica en estudio tiene

distribución normal, ¿se puede afirmar con un 95% de
confianza, que la nueva dieta aumenta el peso?

Ing. Roberto Soza D.

 5.2.6. IC para la diferencia de
proporciones (𝑝1 − 𝑝2 )

Si y solo si: y

Si se conoce el tamaño de las poblaciones “N1,N2”

(poblaciones finitas):

Ing. Roberto Soza D.

 5.2.6. IC para la diferencia de
proporciones (𝑝1 − 𝑝2 )
Ejemplo 7. A los señores Arce y Borja se les ha
encomendado la tarea de verificar la validez de los
certificados de ventas. Se toma una muestra de 120 y
se entregan 60 a cada examinador. Al final de la
semana Arce ha examinado 40, encontrando 10 falsos.
Borja ha examinado 50 y ha encontrado 15 falsos.
Debido a la diferencia entre estos porcentajes, el
gerente solicitó un intervalo de confianza del 95% para
la diferencia verdadera. ¿Este intervalo de confianza
justifica la creencia del gerente de que Arce y Borja
emplean métodos diferentes?

Ing. Roberto Soza D.

5.2.7. Caso general de IC.
Desigualdad de Chevychev

Ing. Roberto Soza D.

 5.3. Aplicaciones
Tolerancias de diseño

Ing. Roberto Soza D.

 5.3. Aplicaciones
Control de procesos

Ing. Roberto Soza D.

Consultas? Comentarios?

GRACIAS!!!