UNIDAD Nº4

(continuación)
Recordemos que
 Las variables aleatorias X1, X2, ..., Xn constituirán una muestra
aleatoria de tamaño n si a) las Xi son variables aleatorias
independientes y b) todas tienen la misma distribución de
probabilidad.
 Un parámetro es una caracterización numérica de la
distribución de la población (esperanza, varianza,…). Es un valor
fijo y desconocido, puesto que para conocerlo necesitaríamos
estudiar toda la población.
 Un estadístico es una función de las variables aleatorias que
constituyen la muestra y que no contiene ningún valor
desconocido. Es una caracterización numérica de la muestra
(media, varianza, …). Su valor no es fijo, sino que depende de la
muestra particular seleccionada. Es decir, un estadístico es una
variable aleatoria que, como tal, tiene una distribución de
probabilidad (con su media, su varianza, etc…), que se conoce
como distribución en el muestreo o distribución muestral.
 Analicemos el siguiente Caso

A través de sus registros históricos, una fábrica de hormigón ha

determinado que la resistencia del hormigón tipo H-1 es una
variable normalmente distribuida, con media 12 NM/m2 y desvío
1NM/m2.

Debido a que el porcentaje de ensayos que no cumplen con la

especificación mínima de resistencia (10,5 NM/m2) es elevado, la
empresa está experimentando varias alternativas tendientes a
aumentar la resistencia del material manteniendo su
homogeneidad.
La primera alternativa ensayada fue Resistencia Nuevo
utilizando una nueva marca de cemento Cemento (NM/m2)
que se comercializa en el mercado, que
tiene un costo un 10% mayor que las 13,6 11,6 11,8
marcas que emplea habitualmente la 12,7 11,3 13,2
firma. 13,7 11,8 12,9
Una muestra de 15 ensayos produjo los 11,9 11,1 11,7
siguientes valores:
12,2 12,4 12,9
¿Cumplen estas nuevas alternativas con los
requerimientos de la empresa?
La segunda alternativa explorada Resistencia Nueva
consistió en modificar las proporciones Pasta (NM/m2)
de los elementos que componen el 14 13,5 12,5
pastón, sin modificar sustancialmente
su costo. 12,3 12,4 10,8
Una muestra de 12 ensayos produjo los 12,7 13,2 11,4
siguientes resultados: 12 12,4 12,9
 ¿Qué estimadores tuvo en cuenta y calculó su valor?

¿Son los únicos estimadores que podrían utilizarse?

¿Por qué utilizó estos?

¿Qué propiedades tienen estos estimadores?

Desde el punto de vista probabilístico, ¿Qué son los

valores obtenidos de media y varianza muestral?
La muestra considerada anteriormente fue:

Resistencia Nuevo Cemento

(NM/m2)
13,6 11,6 11,8 La estimación obtenida para la
12,7 11,3 13,2 media poblacional es:

13,7 11,8 12,9 X  12, 35

11,9 11,1 11,7 Y el valor de la varianza
poblacional: 2
12,2 12,4 12,9  1
Suponiendo una media y una varianza poblacional igual a la de las
especificaciones, ubiquemos el valor obtenido como estimación
puntual de la media en la Distribución de la media muestral
correspondiente.
Intervalo de Confianza para la media poblacional.
(Población Normal, Varianza conocida)

Distribución de la Media Muestral

  2

X :~ N   ; 
Densidad

 n 

µ Media Muestral
Intervalo de Confianza para la media poblacional.
(Población Normal, Varianza conocida)

  2

X : N  ; 
~
 n 

µ
xo
Una estimación por intervalo de un parámetro
poblacional  es un intervalo de la forma L1 <  < L2,
donde L1 y L2 dependen del valor del estadístico $(v.a)
para una muestra particular y también de la
distribución muestral de $.

A partir de una muestra seleccionada, un intervalo de

confianza al nivel de confianza (1-) 100% con 0<<1
para el parámetro poblacional , es un intervalo
aleatorio tal que: P (L1 <  < L2) = 1 - 
El intervalo L1 <  < L2, que se calcula a partir de la
muestra seleccionada, se denomina intervalo de
confianza del (1 - ) 100%, la fracción (1- ) recibe el
nombre de coeficiente de confianza o grado de
confianza, y los puntos extremos L1 y L2, se llaman
respectivamente límites de confianza inferior y superior.

Como muestras distintas generalmente dan valores

distintos de $ y, por tanto, de L1 y L2, los extremos del
intervalo son valores de las variables aleatorias
correspondientes L1 y L2.
Intervalo de Confianza para la media poblacional.
(Población Normal, Varianza conocida)
X

X : N  , 
 2
: N(0,1)

 n  n

 
P L1  X  L 2  1  
Distribución de la Media Muestral

 
P z  2  Z  z  2  1  

Densidad
1 
  1 
 X  2
P z  2   z1 2   1    2
  
 
 n 
L
z /2 µ0 z /2Media Muestral
L
1 2

   
P  X  z 2    X  z 2   1 
 n n
Intervalo de Confianza para la media poblacional.
(Población Normal, Varianza conocida)

   
P  X  z 2    X  z 2   1 
 n n

Distribución de la Media Muestral


LIC  Xo  z  2
n   2

 X : N  ; 
~
Densidad

LSC  Xo  z  2  n 
n 1 


z  /2 ?
n
__ __
xi µ x s Media Muestral
Intervalo de Confianza para la media poblacional.
(Población Normal, Varianza conocida)

Distribución de la Media Muestral

  2

X : N  ; 
~
Densidad

 n 
1 

µ Media Muestral
_  _ 
xo  z /2 xo xo xo  z /2
n n
Intervalo de Confianza para la media poblacional.
(Población Normal, Varianza conocida)

  2

X : N  ; 
~
 n 
1- α

_ 
_ µ_ 
X  z /2 X
X  z  /2
n n
Si se realiza la construcción repetida de un intervalo de
confianza para la media
μ

Supongamos que los intervalos de confianza construidos son

del 95%, entonces si se construye un gran número de ellos, el
95% incluirá a la media poblacional.
En la práctica se obtiene solamente una muestra y se calcula con ella
un intervalo de confianza. Dicho intervalo contiene o no contiene a
μ, por ello no es razonable asignar una probabilidad a este evento.

La proposición adecuada es que el intervalo contiene (incluye) a μ

“con una confianza” del 95%.

NOTAR que en la construcción del intervalo de confianza podemos

controlar tres factores:

 El tamaño de la muestra n.
 El nivel de confianza.
 La longitud del intervalo L (Ls - Li).
¿Qué debemos recordar?:
• Los supuestos en los que se basa el procedimiento
realizado.

• ¿A qué se llama Confianza?

• ¿Cuál es el error de estimación?

POR LO TANTO:
LA ESTIMACIÓN POR INTERVALOS
ACOTA EL ERROR DE ESTIMACIÓN
E INFORMA SOBRE SU CONFIABILIDAD
Volvamos al Caso que se Intervalo de Confianza para la media
planteo al comienzo poblacional. Varianza conocida.

Resistencia Cemento
(NM/m2)
13,6 11,6 11,8 La estimación obtenida para la
media poblacional es:
12,7 11,3 13,2
13,7 11,8 12,9 X  12, 35
11,9 11,1 11,7 Y el valor de la varianza
12,2 12,4 12,9; poblacional: 2  1
12,8
¿Cuál es la distribución de X ?

Para este caso: X ~ N(μ; 1/16)

 Queremos hallar un Intervalo de Confianza del 95% para μ

 X 
P  1.96   1.96   0, 95
  n 
Llevándolo a un gráfico de densidad:

0.025
0.025

-1.96 1.96
Del interior del paréntesis de la expresión

 X 
P  1.96   1.96   0, 95
  n 
es posible despejar μ, entonces:

 
P  X  1.96     X  1.96    0, 95
 n n
  ;X  1.96  
De donde se tiene el intervalo  X  1 . 96 
 n n 
 
  11, 86;12, 84 
1 1
12, 35  1.96 ;12, 35  1.96
 16 16 

Decimos entonces que: el intervalo anterior incluye a la

media poblacional con un 95% de confianza
¿Qué significa la confianza cuando se construye un intervalo?

Cien intervalos del 95% para la media poblacional

Intervalos de confianza para la media

Cobertura: 95,00%
12,34

12,20

12,06
Media

11,92

11,78

11,64
0 17 33 50 67 83 100
Intervalos
¿Cuál es la cota para el error en este tipo de estimación?
   
P  X  1.96    X  1.96   0,95
 n n


1.96
n
Otro Ejemplo: Los datos siguientes representan los pesos en
gramos del contenido de 16 cajas de cereal que se
seleccionaron al azar de un proceso de llenado con el propósito
de verificar el peso promedio.
506 508 499 503 504 510 497 512 514 505 493 496
506 502 509 496
Si el peso de cada caja de cereal es una v. a. normal con una
desviación  = 5 gr., obtener el intervalo de confianza estimado
del 95% para la media de llenado de este proceso.

Solución:
Para el coeficiente de confianza de 95%, =0.05.
El valor de z0.025 se obtiene de la tabla normal y es de 1.96.
A partir de los datos muestrales, se obtiene que:
1 16
X 
16 i 1
x i  503 .75 gramos.
Entonces, el intervalo de confianza al 95% para la media del
proceso de llenado es:

 5
L1= x  z = 503.75 - 1.96 * = 501.3
2 n 16

 5
L2= x  z = 503.75 + 1.96 * = 506.2
2 n 16

Entonces IC95%( ) = (501,3 ;506,2)

¿Cómo interpretamos este resultado?

 Intervalo de Confianza para la media poblacional.
(Población Normal, Varianza desconocida)
Si no se conoce la varianza de la población de la cual se seleccionan
las muestras aleatorias, entones S2 proporciona una buena
estimación de 2.
(X-  )
¿Qué estadístico consideramos? t : t
¿Qué distribución tiene? S n 1
Planteamos: n
 
0,38

P  t   t  t   1 
 2 ,n 1 , n 1

0,29

Densidad
0,19

  1
(X-)
P   t  , n 1 < S < t  , n 1  = 1
   
0,10

 2 n 2 
t n 1,
0,00
-6,12 -3,06 0,00
t n 1,2
3,06 6,12

 
2

P  X  t  , n 1 S <  < X+t  , n 1 S = 1- 

  n   n 
 2 2 
 Intervalo de Confianza para la media poblacional.
(Población Normal, Varianza conocida)

Entonces,

 S S 
IC(1 )% ()  X  t  , n 1 ; X+t  , n 1 
   
 2 n 2 n

siendo

LIC  X  t  , n 1 S
2
  n

LSC  X+t  , n 1 S
2
  n
RESUMIENDO
INTERVALO DE CONFIANZA PARA LA MEDIA

¿La muestra proviene de No

Si
una Población Normal?
Si

¿Es grande n?
Usar TLC
n>30 aprox

Si ¿Se conoce el No
valor de σ2?
Usar S2 de la
Es n es suficientemente
muestra
grande
para estimar σ2

 S S
X  z / 2 X  t  / 2,(n 1) X  z / 2
n n n
 Intervalo de Confianza para la varianza poblacional.
(Población Normal)
¿Qué estadístico consideramos? ¿Qué distribución tiene?

(n  1)S 2 Función de densidad

Y :  n 1
2 0,15
Chi cuadrado(5): p(evento)=0,9500


2
0,12

1-α

Densidad
0,08

Planteamos:
0,04

 2 
P   Y 
2
  1  0,00

 1 ,n 1 ,  

n 1
0,00 5,20 10,41 15,61 20,81

  2 2  Variable
  2 (n 1)S2 
P   < < 
2
 =1-
 1 2 ,(n 1)

 
2
2
,(n 1)

 2  
2

 1 2 ,(n 1) 1  ,(n 1) 
P < 2< 2
2
= 1 
 (n  1)S  (n  1)S 
2

   
 (n  1)S2 (n  1) S
2

P 2 < 2 < 2  = 1 
   ,(n 1)  1  ,(n 1) 
 2 
 2

Intervalo de confianza para 2

 
 (n  1) S 2
(n  1) S 2

IC(1 )% ( )  2
2
; 2 
   ,(n 1)  1  ,(n 1) 
 2  2 