Documenti di Didattica
Documenti di Professioni
Documenti di Cultura
Intervalos de confianza
P (L ≤ θ ≤ U ) = 1 − α
Donde 0 < α < 1. Por tanto, se tiene una probabilidad de 1 − α de seleccionar una muestra
que produzca un intervalo que contiene el valor verdadero de θ, y el intervalo resultante es:
l≤θ≤u
Definición
Si x es la media muestral de una muestra aleatoria de tamaño n de una población con varianza
conocida σ 2 , un intervalo de confianza para µ del 100(1 − α) % esta dado por:
σ σ
x − z α2 √ ≤ µ ≤ x + z α2 √
n n
2
entrada de 550 W , se obtienen las 10 mediciones siguientes de conductividad térmica
(en Btu/hr − f t − ◦ F ):
41.60, 41.48, 42.34, 41.95, 41.86, 42.18, 41.72, 42.26, 41.81, 42.04
Se sabe que la desviación estándar de la conductividad térmica a 100 ◦ F y 550 W es
σ = 0.30 Btu/hr − f t − ◦ F . Suponga que la conductividad térmica está distribuida de
manera normal.
a) Encontrar un intervalo de confianza del 95% para la conductividad térmica promedio
de este material.
Sol
a) Si se supone que la conductividad térmica está distribuida de manera normal, se puede
decir que se cumplen las condiciones del teorema de límite central.
Cuando nos plantean un intervalo del 95%, se tiene que 0.95 = 1 − α, entonces α = 0.05.
Como α = 0.05 entonces z α2 = z0.025 , y por medio de la tabla de distribución normal acumulada
tenemos que z0.025 = 1.96.
σ σ
x − z α2 √ ≤ µ ≤ x + z α2 √
n n
0.30 0.30
41.924 − (1.96) × √ ≤ µ ≤ 41.924 + (1.96) × √
10 10
41.738 ≤ µ ≤ 42.110
3
##
## One-sample z-Test
##
## data: Summarized x
## z = 441.92, p-value < 2.2e-16
## alternative hypothesis: true mean is not equal to 0
## 95 percent confidence interval:
## 41.73806 42.10994
## sample estimates:
## mean of x
## 41.924
##
## One-sample z-Test
##
## data: Summarized x
## z = 441.92, p-value = 1
## alternative hypothesis: true mean is less than 0
## 95 percent confidence interval:
## -Inf 42.08004
## sample estimates:
## mean of x
## 41.924
4
##
## One-sample z-Test
##
## data: Summarized x
## z = 441.92, p-value < 2.2e-16
## alternative hypothesis: true mean is greater than 0
## 95 percent confidence interval:
## 41.76796 Inf
## sample estimates:
## mean of x
## 41.924
• Un fabricante produce anillos para los pistones de un motor de automóvil. Se sabe que
el diámetro del anillo está distribuido aproximadamente de manera normal, y que tiene
una desviación estándar σ = 0.001 mm. Una muestra aleatoria de 15 anillos tiene un
diámetro promedio de x = 74.036 mm.
a) Construya un intervalo de confianza bilateral del 99% para el diámetro promedio del
anillo.
Sol
a) Como 1 − α = 0.99, entonces α = 0.01.
σ σ
x − z α2 √ ≤ µ ≤ x + z α2 √
n n
0.001 0.001
74.036 − z 0.01 × √ ≤ µ ≤ 74.036 + z 0.01 × √
2
15 2
15
0.001 0.001
74.036 − z0.005 × √ ≤ µ ≤ 74.036 + z0.005 × √
15 15
0.001 0.001
74.036 − 2.58 × √ ≤ µ ≤ 74.036 + 2.58 × √
15 15
74.0353 ≤ µ ≤ 74.0367
# zsum.test(media,sigma,n,confianza)
zsum.test(mean.x = 74.036, sigma.x = 0.001, n.x = 15, conf.level = 0.99)
5
##
## One-sample z-Test
##
## data: Summarized x
## z = 286740, p-value < 2.2e-16
## alternative hypothesis: true mean is not equal to 0
## 99 percent confidence interval:
## 74.03533 74.03667
## sample estimates:
## mean of x
## 74.036
Si x se utiliza como estimación de µ, entonces puede tenerse una confianza del 100(1 − α) %
de que el error |x − µ| no sera mayor que una cantidad especificada E cuando el tamaño de
la muestra sea:
!2
z α2 σ
n=
E
!2
z α2 σ
n=
E
!2
(1.96) × 0.10
n= = 15.37 ∼
= 16
0.05
6
σ
µ ≤ u = x + zα √
n
σ
x − zα √ = l ≤ µ
n
Ejemplo: Suponga que en el ejemplo del fabricante de anillos se nos pide además calcular
un límite inferior de confianza del 95% para el diámetro promedio del anillo.
Sol
Como 1 − α = 0.95, entonces α = 0.05.
σ
x − zα √ = l ≤ µ
n
0.001
74.036 − z0.05 × √ =l≤µ
15
0.001
74.036 − 1.65 × √ =l≤µ
15
74.0356 = l ≤ µ
# zsum.test(media,sigma,n,confianza,alternativa)
zsum.test(mean.x= 74.036,sigma.x= 0.001,n.x = 15,conf.level= 0.99,
alternative = "greater")
##
## One-sample z-Test
##
## data: Summarized x
## z = 286740, p-value < 2.2e-16
## alternative hypothesis: true mean is greater than 0
## 99 percent confidence interval:
## 74.0354 Inf
## sample estimates:
## mean of x
## 74.036
7
Intervalo de confianza para la diferencia de dos medias, varianzas
conocidas
Definición
Si x1 y x2 son las medias de dos muestras aleatorias independientes de tamaños n1 y n2
tomadas de poblaciones que tienen varianzas conocidas σ12 y σ22 , respectivamente, entonces
un intervalo de confianza del 100(1 − α) % para µ1 − µ2 es:
s s
σ12 σ22 σ12 σ22
(x1 − x2 ) − z α2 + ≤ µ1 − µ2 ≤ (x1 − x2 ) + z α2 +
n1 n2 n1 n2
Ejemplos:
• 7-3 Libro guía: Se llevan a cabo pruebas de resistencia a la tensión sobre dos diferentes
clases de largueros de aluminio utilizados en la fabricación de alas de aeroplanos
comerciales. De la experiencia pasada con el proceso de fabricación de largueros y del
procedimiento de prueba, se supone que las desviaciones estándar de las resistencias a
la tensión son conocidas. Los datos obtenidos se muestran en la siguiente tabla:
Si µ1 − µ2 denotan los promedios verdaderos de las resistencias a la tensión para las dos
clases de largueros.
Encuentre un intervalo de confianza para la diferencia de las medias µ1 − µ2 .
Sol
s s
σ12 σ22 σ12 σ22
(x1 − x2 ) − z α2 + ≤ µ1 − µ2 ≤ (x1 − x2 ) + z α2 +
n1 n2 n1 n2
s s
(1.0)2 (1.5)2 (1.0)2 (1.5)2
(87.6 − 74.5) − 1.645 × + ≤ µ1 − µ2 ≤ (87.6 − 74.5) + 1.645 × +
10 12 10 12
12.22 ≤ µ1 − µ2 ≤ 13.98
8
Es decir que el intervalo de confianza del 90% para la diferencia en la resistencia a la tensión
promedio es:
##
## Two-sample z-Test
##
## data: Summarized x and y
## z = 24.432, p-value < 2.2e-16
## alternative hypothesis: true difference in means is not equal to 0
## 90 percent confidence interval:
## 12.21805 13.98195
## sample estimates:
## mean of x mean of y
## 87.6 74.5
9
Ejercicios propuestos
s s
x − t α2 ,n−1 √ ≤ µ ≤ x + t α2 ,n−1 √
n n
10
Intervalos de confianza unilaterales
s
x − tα,n−1 √ ≤ µ
n
s
µ ≤ x + tα,n−1 √
n
Ejemplos
• 7-4 Libro guía: Un artículo publicado en el Journal of Testing and Evaluation (Vol. 10,
No.4, 1982, pág. 133) presenta las siguientes 20 mediciones del tiempo de combustión
residual (en segundos) de especímenes tratados de ropa de dormir para niños:
9.85, 9.93, 9.75, 9.77, 9.67, 9.87, 9.67, 9.94, 9.85, 9.75, 9.83, 9.92, 9.74, 9.99, 9.88, 9.95, 9.95, 9.93, 9.92, 9.89
Se desea encontrar un intervalo de confianza del 95% para el tiempo de combustión residual
promedio. Supóngase que el tiempo de combustión residual sigue una distribución normal.
Sol
Primero debemos hallar la media y la desviación estándar muestral, que en este caso son:
x = 9.8525
s = 0.0965
s s
x − t α2 ,n−1 √ ≤ µ ≤ x + t α2 ,n−1 √
n n
0.0965 0.0965
9.8525 − t 0.05 ,20−1 √ ≤ µ ≤ 9.8525 + t 0.05 ,20−1 √
2
20 2
20
Pero t 0.05 ,19 = t0.025,19 y por medio de la tabla t Student tenemos que t0.025,19 = 2.093.
2
0.0965 0.0965
9.8525 − 2.093 × √ ≤ µ ≤ 9.8525 + 2.093 × √
20 20
11
9.8073 ≤ µ ≤ 9.8977
Podemos decir que se tiene la confianza del 95% de que el tiempo de combustión residual
promedio se encuentra entre 9.8073 y 9.8977 segundos.
El cálculo respectivo en R sería:
library(PASWR) # Se carga la librería necesaria.
##
## One Sample t-test
##
## data: datos
## t = 456.8, df = 19, p-value < 2.2e-16
## alternative hypothesis: true mean is not equal to 0
## 95 percent confidence interval:
## 9.807357 9.897643
## sample estimates:
## mean of x
## 9.8525
• Un ingeniero civil hace pruebas con la resistencia a la compresión del concreto. Para
ello examina 12 especímenes y obtiene los siguientes datos:
2216, 2237, 2249, 2204, 2225, 2301, 2281, 2263, 2318, 2255, 2275, 2295
a) Construya un intervalo de confianza bilateral del 95% para la resistencia promedio.
b) Construya un intervalo de confianza inferior del 95% para la resistencia promedio.
Sol
a) La media y desviación estándar de la muestra son:
x = 2259.91
s = 35.57
s s
x − t α2 ,n−1 √ ≤ µ ≤ x + t α2 ,n−1 √
n n
12
35.57 35.57
2259.91 − t 0.05 ,12−1 √ ≤ µ ≤ 2259.91 + t 0.05 ,12−1 √
2
12 2
12
35.57 35.57
2259.91 − t0.025,11 √ ≤ µ ≤ 2259.91 + t0.025,11 √
12 12
35.57 35.57
2259.91 − 2.201 × √ ≤ µ ≤ 2259.91 + 2.201 × √
12 12
Entonces el intervalo de confianza bilateral del 95% para la resistencia promedio es:
2237.31 ≤ µ ≤ 2282.51
datos<-c(2216,2237,2249,2204,2225,2301,2281,2263,2318,2255,2275,2295)
t.test(datos,conf.level = 0.95)
##
## One Sample t-test
##
## data: datos
## t = 220.09, df = 11, p-value < 2.2e-16
## alternative hypothesis: true mean is not equal to 0
## 95 percent confidence interval:
## 2237.317 2282.516
## sample estimates:
## mean of x
## 2259.917
s
x − tα,n−1 √ ≤ µ
n
35.57
2259.91 − t0.05,11 √ ≤µ
12
13
35.57
2259.91 − 1.796 × √ ≤µ
12
2241.47 ≤ µ
datos<-c(2216,2237,2249,2204,2225,2301,2281,2263,2318,2255,2275,2295)
t.test(datos,conf.level = 0.95,alternative = "greater")
##
## One Sample t-test
##
## data: datos
## t = 220.09, df = 11, p-value < 2.2e-16
## alternative hypothesis: true mean is greater than 0
## 95 percent confidence interval:
## 2241.477 Inf
## sample estimates:
## mean of x
## 2259.917
Si x1 , x2 , s21 y s22 son las medias y las varianzas de dos muestras aleatorias de tamaños n1 y
n2 , respectivamente, tomadas de dos poblaciones normales e independientes con varianzas
desconocidas pero iguales, entonces un intervalo de confianza del 100(1 − α) % para la
diferencia entre medias µ1 − µ2 es:
14
1 1 1 1
s s
(x1 − x2 ) − t( α2 ,n1 +n2 −2) Sp + ≤ µ1 − µ2 ≤ (x1 − x2 ) + t( α2 ,n1 +n2 −2) Sp +
n1 n2 n1 n2
Donde:
v" #
u
u (n1 − 1)s21 + (n2 − 1)s22
u
u
Sp =
t
(n1 + n2 − 2)
Ejemplos
• 7-5 Libro guía: Un artículo publicado por Hazardous Waste and Hazardous Materials
(Vol. 6, 1989) dio a conocer los resultados de un análisis del peso de calcio en cemento
estándar y en cemento contaminado con plomo. Los niveles bajos de calcio indican
que el mecanismo de hidratación del cemento queda bloqueado y esto permite que el
agua ataque varias partes de una estructura de cemento. Al tomar 10 muestras de
cemento estándar, se encontró que el peso promedio del calcio es x1 = 90.0, con una
desviación estándar muestral s1 = 5.0; los resultados obtenidos con 15 muestras de
cemento contaminado con plomo fueron x2 = 87.0 y s2 = 4.0.
Suponga que el porcentaje de peso de calcio está distribuido de manera normal.
Encuentre un intervalo de confianza del 95% para la diferencia de las medias µ1 − µ2 de dos
tipos de cemento. Por otro lado suponga que las dos poblaciones normales tienen la misma
desviación estándar.
Sol
Primero hallamos es estimador combinado de la desviación estándar común:
1 1 1 1
s s
(x1 − x2 ) − t( α2 ,n1 +n2 −2) Sp + ≤ µ1 − µ2 ≤ (x1 − x2 ) + t( α2 ,n1 +n2 −2) Sp +
n1 n2 n1 n2
s s
1 1 1 1
(90.0−87.0)−t( 0.05 ,10+15−2) ×4.4× + ≤ µ1 −µ2 ≤ (90.0−87.0)+t( 0.05 ,10+15−2) ×4.4× +
2 10 15 2 10 15
s s
1 1 1 1
(3.0) − t0.025,23 × 4.4 × + ≤ µ1 − µ2 ≤ (3.0) + t0.025,23 × 4.4 × +
10 15 10 15
Por medio de la tabal t Student tenemos que t0.025,23 = 2.069
s s
1 1 1 1
(3.0) − 2.069 × 4.4 × + ≤ µ1 − µ2 ≤ (3.0) + 2.069 × 4.4 × +
10 15 10 15
−0.72 ≤ µ1 − µ2 ≤ 6.72
Como vemos el intervalo de confianza del 95% incluye al cero; lo que quiere decir que para
este nivel del confianza no podemos concluir que exista una diferencia entre las medias. Dicho
de otra forma no hay evidencia de que la contaminación del cemento por plomo tenga efecto
sobre el peso promedio del calcio.
16
(14) × 0.35 + (17) × 0.40
Sp2 =
31
Sp2 = 0.377
√
Entonces Sp = 0.377 = 0.614
Luego procedemos a calcular el intervalo solicitado.
1 1 1 1
s s
(x1 − x2 ) − t( α2 ,n1 +n2 −2) Sp + ≤ µ1 − µ2 ≤ (x1 − x2 ) + t( α2 ,n1 +n2 −2) Sp +
n1 n2 n1 n2
s s
1 1 1 1
(8.73−8.68)−t0.025,31 ×0.614× + ≤ µ1 −µ2 ≤ (8.73−8.68)+t0.025,31 ×0.614× +
15 18 15 18
s s
1 1 1 1
(8.73−8.68)−2.039×0.614× + ≤ µ1 −µ2 ≤ (8.73−8.68)+2.039×0.614× +
15 18 15 18
−0.388 ≤ µ1 − µ2 ≤ 0.488
Como el intervalo contiene al cero no podemos concluir que con un nivel de confianza del
95% exista una diferencia entre las medias.
1 1
s
(x1 − x2 ) − t(α,n1 +n2 −2) Sp + ≤ µ1 − µ2
n1 n2
Y el intervalo de confianza superior del 100(1 − α) % para µ1 − µ2 con varianzas desconocidas
pero iguales es:
1 1
s
µ1 − µ2 ≤ (x1 − x2 ) + t(α,n1 +n2 −2) Sp +
n1 n2
17
Intervalo de confianza para la diferencia entre medias de dos distribuciones nor-
males, varianzas desconocidas y desiguales
En muchas situaciones no es razonable suponer que σ12 = σ22 . Aun cuando no pueda garantizare
esa hipótesis, puede hallarse un intervalo de confianza del 100(1 − α) % para µ1 − µ2 .
Definición
Si x1 , x2 , s21 y s22 son las medias y las varianzas de dos muestras aleatorias de tamaños n1 y
n2 , respectivamente, tomadas de dos poblaciones normales e independientes con varianzas
desconocidas y desiguales, entonces un intervalo de confianza aproximada del 100(1−α) %
para la diferencia entre medias µ1 − µ2 es:
s s
s21 s2 s21 s2
(x1 − x2 ) − t( α2 ,v) + 2 ≤ µ1 − µ2 ≤ (x1 − x2 ) + t α2 ,v + 2
n1 n2 n1 n2
Donde: !2
S12 S22
n1
+ n2
v= !2 !2 −2
S2 S2
1 2
n1 n2
n1 +1
+ n2 +1
18
Intervalo de confianza para µ1 − µ2 para observaciones pareadas
Hasta el momento para obtener un intervalo de confianza para la diferencia entre medias,
se toman dos muestras aleatorias independientes de las poblaciones de interés. Esto es, se
toma una muestra de n1 observaciones de la primera población, y una muestra aleatoria
completamente independiente de n2 observaciones de la segunda población.
Pero en muchas situaciones será necesario recopilar los datos en forma de pares, es decir cada
unidad experimental está formada por dos observaciones.
Definición
Si d y sd son la media y la desviación estándar muestrales de la diferencia de n pares aleatorios
de mediciones normalmente distribuidas, entonces un intervalo de confianza del 100(1 − α) %
para la diferencia entre medias µD = µ1 − µ2 es:
sd sd
d − t( α2 ,n−1) √ ≤ µd ≤ d + t( α2 ,n−1) √
n n
19
Encuentre un intervalo bilateral de confianza del 90%.
Sol
d = 1.21
sd = 12.68
Luego tenemos:
sd sd
d − t( α2 ,n−1) √ ≤ µd ≤ d + t( α2 ,n−1) √
n n
12.68 12.68
1.21 − t(0.05,13) √ ≤ µd ≤ 1.21 + t(0.05,13) √
14 14
Por medio de la tabla t Student tenemos que t0.05,13 = 1.771
12.68 12.68
1.21 − 1.771 × √ ≤ µd ≤ 1.21 + 1.771 × √
14 14
−4.79 ≤ µd ≤ 7.21
Nótese que el intervalo de confianza para µD incluye al cero. Esto implica que, con un nivel de
confianza del 90%, los datos no apoyan la afirmación de que los automóviles tienen diferentes
tiempos promedio de estacionamiento µ1 y µ2 . Esto es, el valor µD = µ1 − µ2 = 0 no es
inconsistente con los datos observados.
El cálculo para observaciones pareadas lo podemos realizar en R de la siguiente forma:
library(PASWR) # Se carga la librería necesaria.
20
##
## Paired t-test
##
## data: automovil1 and automovil2
## t = 0.35818, df = 13, p-value = 0.726
## alternative hypothesis: true difference in means is not equal to 0
## 90 percent confidence interval:
## -4.789516 7.218087
## sample estimates:
## mean of the differences
## 1.214286
Tiempo 1 Tiempo 2
Programador Leguaje de diseño 1 Leguaje de diseño 1
1 17 18
2 16 14
3 21 19
4 14 11
5 18 23
6 24 21
7 16 10
8 14 13
9 21 19
10 23 24
11 13 15
12 18 20
Encuentre un intervalo de confianza del 95% para la diferencia en los tiempos de codificación
promedio. ¿Existe algo que indique una preferencia por alguno de los lenguajes
Sol
Primero se debe hallar d y sd que son la media y la deviación estándar de la diferencia de los
tiempos de codificación de la funcion.
21
d = 0.667
sd = 2.94
Luego tenemos:
sd sd
d − t( α2 ,n−1) √ ≤ µd ≤ d + t( α2 ,n−1) √
n n
Y como nos piden un intervalo de confianza del 95% entonces 0.95 = 1 − α, y α = 0.05.
2.964 2.964
0.667 − t( 0.05 ,12−1) √ ≤ µd ≤ 0.667 + t( 0.05 ,12−1) √
2
12 2
12
Por otro lado por medio de la tabla t Student tenemos que t0,025,11 = 2.201, entonces:
2.964 2.964
0.667 − 2.201 × √ ≤ µd ≤ 0.667 + 2.201 × √
12 12
−1.217 ≤ µd ≤ 2.551
Como el intervalo contiene al cero, podemos decir que no existe nada que me indique una
preferencia hacia alguno de los lenguajes con ese nivel de confianza.
El código R para el anterior ejercicio sería:
library(PASWR) # Se carga la librería necesaria.
tLenguaje1<-c(17, 16, 21, 14, 18, 24, 16, 14, 21, 23, 13, 18)
tLenguaje2<-c(18, 14, 19, 11, 23, 21, 10, 13, 19, 24, 15, 20)
##
## Paired t-test
##
## data: tLenguaje1 and tLenguaje2
## t = 0.77904, df = 11, p-value = 0.4524
## alternative hypothesis: true difference in means is not equal to 0
## 95 percent confidence interval:
## -1.216846 2.550179
## sample estimates:
## mean of the differences
## 0.6666667
22
Intervalo de confianza para la varianza de una distribución normal
Donde χ2(α ,n−1) y son los puntos críticos superior e inferior que corresponden al
χ2(1−α ,n−1)
2 2
porcentaje α2 de la distribución ji-cuadrado con n − 1 grados de libertad, respectivamente.
(n − 1)s2
≤ σ2
χ2(α,n−1)
(n − 1)s2
σ2 ≤
χ2(1−α,n−1)
Ejemplos
• 7-7 libro guía: Un fabricante de detergente liquido está interesado en la uniformidad de
la maquina utilizada para llenar las botellas. De manera específica, es deseable que la
desviación estándar σ del proceso de llenado sea menor que 0.5 onzas de líquido; de
otro modo, de otro modo existe un porcentaje mayor del deseable de botellas con un
con un contenido menor de detergente. Supóngase que la distribución del volumen de
llenado es aproximadamente normal. Al tomar una muestra aleatoria de 20 botellas, se
obtiene una varianza muestral s2 = 0.0153 (onzas de fluido)ˆ2.
El intervalo superior de confianza del 95% lo podemos obtener de la siguiente forma:
(n − 1)s2
σ2 ≤
χ2(1−α,n−1)
(19) × 0.0153
σ2 ≤
χ2(0.95,12)
Por medio de la tabla ji-cuadrada tenemos que χ20.95,12 = 10.12.
(19) × 0.0153
σ2 ≤
10.12
23
σ 2 ≤ 0.0287
√
Luego obtenemos la desviación estándar, σ = σ 2 .
σ = 0.17
Por consiguiente, con un nivel de confianza del 95%, los datos no apoyan la afirmación de
que la desviación estándar del proceso es menor que 0.15 onzas de líquido.
• En un proceso químico se fabrica cierto polímetro. Normalmente, se hacen mediciones de
viscosidad después de cada corrida, y la experiencia acumulada indica que la variabilidad
en el proceso es muy estable, con σ = 20. Las siguientes son 15 mediciones de viscosidad
por corrida:
724, 718, 776, 760, 745, 759, 795, 756, 742, 740, 761, 749, 739, 747, 742
Construya lo siguiente:
a) Un intervalo de confianza bilateral del 95% para σ 2 .
b) Un intervalo de confianza inferior del 95% para σ 2 .
c) Un intervalo de confianza superior del 95% para σ 2 .
Sol
a) Primero debemos hallar la varianza muestral.
s2 = 365.88
Luego:
(n − 1)s2 2 (n − 1)s2
≤ σ ≤
χ2(α ,n−1) χ2(1−α ,n−1)
2 2
24
(n − 1)s2
≤ σ2
χ2(α,n−1)
(14) × 365.88
2
≤ σ2
χ(0.05,14)
(14) × 365.88
≤ σ2
23.68
216.3 ≤ σ 2
c) El intervalo de confianza superior del 95% para σ 2 es:
(n − 1)s2
σ2 ≤
χ2(1−α,n−1)
(14) × 365.88
σ2 ≤
χ2(0.95,14)
(14) × 365.88
σ2 ≤
6.57
σ 2 ≤ 779.6
Si s21 y s22 son las varianzas muestrales de dos muestras aleatorias de tamaños n1 y n2 ,
respectivamente, tomadas de dos poblaciones normales e independientes con varianzas σ12 y
σ2
σ22 desconocidas, entonces un intervalo de confianza del 100(1 − α) % para el cociente σ12 es:
2
Donde f(1− α2 ,n2 −1,n1 −1) y f( α2 ,n2 −1,n1 −1) son los puntos críticos superior e inferior que corre-
sponden al porcentaje α2 de la distribución F con n2 − 1 y n1 − 1 grados de libertad en el
numerador y en el denominador, respectivamente.
25
Intervalos de confianza unilaterales
σ12
El límite inferior de confianza del 100(1 − α) % para el cociente de las varianzas σ22
es:
s21 σ12
f (1−α,n −1,n −1) ≤
s22 2 1
σ22
σ12
Y un intervalo superior de confianza del 100(1 − α) % para el cociente de σ22
es:
σ12 s21
≤ 2 f(α,n2 −1,n1 −1)
σ22 s2
Ejemplo: 7-8 Libro guía: Una compañía fabrica propulsores para uso en motores de turbina.
Una de las operaciones consiste en esmerilar el terminado de una superficie particular con una
aleación de titanio. Pueden emplearse dos procesos de esmerilado, y ambos pueden producir
partes que tienen la misma rugosidad superficial promedio. Al ingeniero de manufactura le
gustaría seleccionar el proceso que tenga la menor variabilidad en la rugosidad de la superficie.
Para ello toma una muestra de n1 = 12 partes del primer proceso, la cual tiene una desviación
estándar muestral s1 = 5.1 micro pulgadas, y una muestra aleatoria de n2 = 15 partes del
segundo proceso, la cual tiene una desviación estándar muestral s2 = 4.7 micro pulgadas. Se
σ2
desea encontrar un intervalo de confianza del 90% para el cociente de las dos varianzas σ12 .
2
Sol
1
f1− α2 ,n2 −1,n1 −1 =
f α2 ,n1 −1,n2 −1
1
f(0.95,14,11) =
f0.05,11,14
Usando la tabla F tenemos f0.05,11,14 = 2.58.
1
f(0.95,14,11) = = 0.39
2.58
Por otro lado sando la tabla F tenemos que f0.05,14,11 = 2.74
26
(5.1)2 σ12 (5.1)2
× 0.39 ≤ ≤ × 2.74
(4.7)2 σ22 (4.7)2
σ12
0.46 ≤ ≤ 3.23
σ22
Definición
Si pb es la proporción de observaciones de una muestra aleatoria de tamaño n que pertenece a
una clase de interés, entonces un intervalo de confianza aproximado del 100(1 − α) % para la
proporción p de la población a la que pertenece esta clase es:
s s
b − p)
p(1 b − p)
p(1
≤ p ≤ pb + z α2
b b
pb − z α2
n n
Donde z α2 es el punto crítico que corresponde al porcentaje α
2
de la distribución normal
estándar.
Puesto que Pb es el estimador puntual de p, puede definirse el error de estimar p por Pb como
E = |p − Pb |. En situaciones donde puede seleccionarse el tamaño de la muestra, puede
escogerse a n de modo que exista una confianza del 100(1 − α) % de que el error es menor
que algún valor especificado E.
!
z α2
n= p(1 − p)
b
E
Ejemplo: 7-9 Libro guía: En una muestra aleatoria de 85 soportes para el cigüeñal de un
motor de automóvil, 10 tiene un terminado que es más rugoso de lo que las especificaciones
permiten. Por consiguiente, una estimación puntual de la proporción de soportes en la
población que exceden la especificación de rugosidad es:
x 10
pb = = = 0.12
n 85
Se pide calcular un intervalo de confianza del 95%.
27
Sol
s s
b − p)
p(1 b − p)
p(1
≤ p ≤ pb + z α2
b b
pb − z α2
n n
s s
0.12 × (1 − 0.12) 0.12 × (1 − 0.12)
0.12 − z0.025 × ≤ p ≤ 0.12 + z0.025 ×
85 85
0.05 ≤ p ≤ 0.19
##
## 1-sample proportions test without continuity correction
##
## data: 10 out of 85, null probability 0.5
## X-squared = 49.706, df = 1, p-value = 1.786e-12
## alternative hypothesis: true p is not equal to 0.5
## 95 percent confidence interval:
## 0.06517358 0.20318603
## sample estimates:
## p
## 0.1176471
28
Intervalos de confianza unilaterales
Definición
Si pb1 y pb2 son proporcione muestrales de una observación de dos muestras aleatorias inde-
pendientes de tamaños n1 y n2 que pertenecen a una clase de interés, entonces un intervalo
de confianza aproximado del 100(1 − α) % para la diferencia de las proporciones verdaderas
p1 − p2 es:
s s
pb1 (1 − pb1 ) pb1 (1 − pb2 ) pb1 (1 − pb1 ) pb2 (1 − pb2 )
pb1 − pb2 − z α2 + ≤ p1 − p2 ≤ pb1 − pb2 + z α2 +
n1 n2 n1 n2
29
defectuosos es esta segunda muestra es 8. Por consiguiente, puesto que n1 = 85, pb1 = 0.12,
n2 = 85 y pb = 85
8
= 0.09. Se solicita construir un intervalo de confianza aproximado del 95%
para la diferencia en la proporción de los soportes defectuosos producidos por ambos proceso.
Sol
s s
pb1 (1 − pb1 ) pb2 (1 − pb2 ) pb1 (1 − pb1 ) pb2 (1 − pb2 )
pb1 − pb2 − z α2 + ≤ p1 − p2 ≤ pb1 − pb2 + z α2 +
n1 n2 n1 n2
s s
0.12(0.88) 0.09(0.91) 0.12(0.88) 0.09(0.91)
0.12−0.09−z α2 + ≤ p1 −p2 ≤ 0.12−0.09+z α2 +
85 85 85 85
s s
0.12(0.88) 0.09(0.91) 0.12(0.88) 0.09(0.91)
0.12−0.09−1.96× + ≤ p1 −p2 ≤ 0.12−0.09+1.96 +
85 85 85 85
−0.06 ≤ p1 − p2 ≤ 0.12
Este intervalo contiene al cero, por tanto podemos decir que es poco probable que los cambios
hechos en el proceso de acabado de la superficie de acabado hayan reducido el número de
soportes defectuosos.
El código en R seria:
library(PASWR) # Se carga la librería necesaria.
##
## 2-sample test for equality of proportions without continuity
## correction
##
## data: c(10, 8) out of c(85, 85)
## X-squared = 0.24854, df = 1, p-value = 0.6181
## alternative hypothesis: two.sided
## 95 percent confidence interval:
## -0.06890742 0.11596624
## sample estimates:
## prop 1 prop 2
## 0.11764706 0.09411765
30