Plan de clases:

• Motivación.
• Competencias
Inicio
• Conocimientos previos.

• Intervalo de confianza para la media (µ):

• Cuando la varianza es conocida ( σ2 )
Construcción • Cuando las varianza es desconocida ( σ2 )
• Intervalo de confianza para la proporción ( π )

• Retroalimentación.
Cierre • Autoevaluación
CASO PRACTICO
Una fabrica de pilas recargables esta probando con piezas de aleaciones
de metal que garanticen mas tiempo de vida en las pilas y para ser
producido en lotes. Para esto se realizaron 200 pruebas de las cuales 8
mostraron defectos en su fabricación.
Si se sabe que cada lote que se produce consta de10,000 piezas,
¿cuántas piezas de aleaciones se espera que tengan defectos de
fabricación?
 Competencias
Probability Plot of x
Normal - 95% CI
Al termino de la sesión, el estudiante
99
Mean 9.25
estará en capacidad de:
Diferenciar entre la estimación puntual
StDev 1.913
95 N 12
AD 0.449
90

80
70
P-Value 0.228
y la estimación por intervalos.
Construir e interpretar intervalos de
Percent

60
50
40
30
20
confianza para la media cuando la
10 varianza es conocida y desconocida con
5

1
la finalidad de toma de decisiones.
2 4 6 8
x
10 12 14 16
 Construir e interpretar intervalos de
confianza para la proporción con la
finalidad de toma de decisiones.
Calcular el tamaño de muestra
necesario para estimar la media o la
proporción.
Conceptos previos
Población: Es el conjunto de todos los elementos que tienen una o más
características en común.
Muestra: Es un subconjunto de elementos que han sido extraídos de una
población.
Unidad de muestreo: Es el elemento o elementos que se encuentran disponibles
para su selección en alguna de las etapas de muestreo.
Parámetro: Es una medida que resume la información de una característica de
toda la población.
Estadístico (Estimación): Es una medida que resume la información de una
característica proveniente de una muestra.
 Inferencia Estadística
La Inferencia Estadística comprende métodos y procedimientos
que tienen por objetivo generalizar los resultados de la muestra a
toda la población. Esta generalización es de tipo inductivo y esta
basado en las probabilidades.

La inferencia Estadística abarca entre otros:

• Intervalos de Confianza.
• Pruebas de Hipótesis.
• Análisis de Regresión.
 PARAMETRO ESTADIGRAFO

Total
Media
Proporción
Varianza
Diferencia de medias
Diferencias de proporciones
Cociente de varianzas

Población Muestra
¿Cómo se lleva a cabo un estudio estadístico?
 Estimación de parámetros
Estimación Puntual. Es un valor calculado a partir de la muestra para estimar el
parámetro poblacional desconocido.

Estimación por Intervalos. Consiste en la determinación de un intervalo, que

contendrá el parámetro con una confianza de 1 - α. Esta confianza es la probabilidad
de que el intervalo contenga al parámetro.

Para obtener una estimación de intervalos se requiere:

• Una muestra aleatoria
• Definir el nivel de confianza, los más utilizados son: 90%, 95%, 98%, etc.
• Conocer la distribución muestral del estadístico
 Intervalo de confianza para μ
Supuestos
- La variable sigue una distribución normal
- La muestra tomada es aleatoria.

El Error estándar de la media

Es una medida de dispersión del estimador con respecto a su media, se denota con 𝑆𝐸𝑋 y esta
dada por:
 
 n  conocido

Error estándar media  SE x  
 S
 n  desconocid o

 Intervalo de confianza bilateral para μ con
𝟐
,

varianza σ conocida.
Un Intervalo de confianza bilateral de ( 1   ) x 100% para  esta dado por:

 
x  z0    x  z0
n n
donde :
z0  z1 / 2
Ejemplo
Se cuenta con información de la temperatura de pasteurización de 40 muestras de
Yogurt que dieron una media de 67.5𝑐 𝑜 . De estudios previos realizados por la empresa
se sabe que la desviación estándar de la temperatura de pasteurización es de 0.8𝑐 𝑜 .
a.- ¿Con 95% de confianza cuál es el margen de error?
 0.8
E  Z1 / 2   1.96   0.248
n 40
b.- ¿Cuál es el I.C. de 95% para estimar la media (μ)
 0.8
I .C.(  )  x  Z1 / 2   67.5  1.96   67.25;67.75
n 40

Con un 95% de confianza, el intervalo contiene la temperatura media poblacional de pasteurización del
Yogurt.
Intervalo de confianza bilateral para μ con varianza
𝟐
σ desconocida y muestra pequeña (n<30).
Un intervalo de confianza de ( 1   )x100% para  esta dado por:

s s
x  t / 2,n 1    x  t / 2,n 1
n n
donde :
t0  t / 2,n 1
 Ejemplo
Se cuenta con información del contenido de lubricante de autos embotellado por una
máquina en una muestra de 22 botellas, de las cuales se calculo que la media fue de
3.98 litros, con una desviación estándar de 0.09 litros.
a.- ¿Cuál es el error estándar de la media?
S 0.09
SE    0.019
n 22
b.- ¿Cuál es el I.C. de 99% para estimar la media (μ)
t1-α/2; n-1 = t0.995;21 = 2.831
 3.926 ; 4.034
S 0.09
I .C.(  )  x  t n 1;1 / 2   3.98  2.831
n 22
Interpretación:
Con un 99% de confianza, el intervalo contiene el contenido promedio de lubricante.
Intervalo de confianza bilateral para μ con varianza σ𝟐
desconocida y muestra grande (n>30).

Un Intervalo de confianza de ( 1  )x100% para  esta dado por:

s s
x  z0    x  z0
n n
donde :
z0  z1 / 2
 Ejemplo
Se tomo una muestra de 72 tiempos de embalaje en un proceso de empacado de piezas de computadoras,
de la muestra se calculo que la media de los tiempos es de 9.5 min, con una desviación estándar de
1.1min.
a.- ¿Con 95% de confianza cuál es el margen de error?
s 1.1
E  Z1 / 2 *  1.96 *  0.254
n 72
b.- ¿Cuál es el I.C. de 95% para estimar la media (μ)
s 1.1
I .C.(  )  x  Z1 / 2 *  9.5  1.96 *  9.246;9.754
n 72
Interpretación:
Con un 95% de confianza, el intervalo contiene el tiempo promedio de embalaje en el proceso de empacado de
piezas de computadoras.
 RESUMEN
CASO Intervalo de confianza para μ Distribución


1.- σ conocido x  Z1 / 2  Normal: Z
n

s
2.-σ desconocido x  tn1;1 / 2 
n t - Student
n ≤ 30

3.- σ desconocido Normal: Z

s
n > 30 x  Z1 / 2 
n
 Intervalo de confianza de una proporción (π)

Un Intervalo de confianza aproximado del 100(1- α)%

para la proporción poblacional  está dado por:

p  (1  p)
p  Z 1 / 2 
n

Nota:
Si n x p y n x (1-p) son mayores o iguales a cinco, la distribución
binomial se aproxima a la distribución normal.
Ejemplo:
Una fabrica de pilas recargables esta probando con piezas de
aleaciones de metal que garanticen mas tiempo de vida en las
pilas y para ser producido en lotes. Para esto se realizaron 200
pruebas de las cuales 8 mostraron defectos en su fabricación.
a) Realice la estimación correspondiente con un 98% de
confianza.
b) Si se sabe que cada lote que se produce consta de10,000
piezas, ¿cuántas piezas de aleaciones se espera que tengan
defectos de fabricación?
 Datos:
n = 200; 8
x= 8 piezas de aleación con p  0.04
200
defectos de fabricación luego:

El error estándar de la p(1  p) 0.04(1  0.04)

E   0.0139
proporción esta dado por: n 200

a) Realice la estimación correspondiente con un 98% de confianza.

p  (1  p)
IC ( )  p  Z 1 / 2 
n

IC ( )  0.0115; 0.0685
b) Si se sabe que cada lote que se produce consta de 10,000 piezas,
¿cuántas piezas de aleaciones se espera que tengan defectos de
fabricación?
N=10000 tamaño de la población en el lote.

p  (1  p)
IC ( A)  N  p  Z 1 / 2 
n

IC ( A)  10000 0.0077; 0.0723

IC ( A)  77;723

Por lo que, se espera que entre 77 y 723 piezas de aleaciones

presenten defectos de fabricación con un 98% de confianza.
 Tamaño de muestra

Una vez que se ha definido el problema a investigar, formulados los

objetivos y delimitadas las variables se hace necesario determinar la
muestra para llevar a cabo el estudio o investigación.

Se tiene tres expresiones técnicas sobre los tamaños muestrales,

estos son:
 tamaño esperado de muestra,
 tamaño planeado de muestra y
 el tamaño efectivo.
El tamaño esperado resume solamente consideraciones
estadísticas de acuerdo con las exigencias sobre precisión y
confiabilidad.
El tamaño planeado incluye la provisión necesaria para la No
Respuesta lo que es de especial importancia cuando no se
admiten sustituciones que siempre afectan al diseño muestral.
Finalmente el tamaño efectivo se refiere al número de entrevistas
o cuestionarios que se han aceptado como válidos y que
corresponden a la muestra.
 Para estimar μ Para estimar π
• Variable cuantitativa • Variable Cualitativa

Z12 / 2 .  2 Z12 / 2  (1   )
n 2
n 2
E E
Cuando no se conoce σ, Cuando no se conoce π,
• Se puede utilizar s. utilizar: π =0.5
• Se puede considerar:
KS = R, donde:
K puede tomar el valor de 2 o 4
y R viene a ser la diferencia entre
el mayor y menor observado.
 Ejemplo :

El ingeniero de producción de una fabrica de polos tiene 5 plantas

de producción a su cargo, desea estimar la producción promedio de
todas las plantas en un día determinado, para lo cual está dispuesto
a tolerar un error de a lo más 120 polos y desea estar un 90%
seguro sobre sus resultados.
Además se tiene como información que la desviación estándar
diaria en la producción total es de 350 polos y que tiene
distribución normal. ¿Qué tamaño de muestra debe usar el
ingeniero de producción?
Datos:

E = 120
γ = 0.90 α =0.10 Z1- α/2 =Z0.95 = 1.64
σ = 350

Z12 / 2   2 1.642  3502

n 2
 2
 22.88  23
E 120
 Ejemplo 8: EJEMPLO DE ELEMENTOS DE PRODUCCION

Para evaluar la buena ejecución de obras de construcción en la

ciudad, el encargado del área de ejecución de obras municipales
consideró una muestra piloto de 120 obras, de las cuales 69
tuvieron dificultades de seguridad en la ejecución. Determine el
tamaño de muestra necesario para estimar la proporción real de
obras de construcción en la ciudad que presentan dificultades de
seguridad en su ejecución, si se desea un 95% de confianza y se
está dispuesto a tolerar un 4% de error.
 69
de la muestra piloto se estima: p  0.575
120

E = 0.04

γ = 0.95 α =0.0250 Z1- α/2 =Z0.975 = 1.96

1.96  0.575  (1  0.575)

2
n 2
 586.7443  587
0.04
 SÍNTESIS
 Estimación de parámetros • Intervalo de confianza de μ con varianza
poblacional desconocida y muestras
pequeñas (n>30)
• Estimación puntual
• Estimación por intervalos
 Intervalo de confianza de una
proporción (π)
 Intervalo de confianza para μ
 Tamaño de la muestra
• Intervalo de confianza para μ con
varianza poblacional conocida.

• Intervalo de confianza de μ con

varianza poblacional desconocida y
muestras pequeñas (n≤30)
 METACOGNICIÓN
¿Qué aspectos te han parecido interesantes?

¿Qué contenido consideras más importantes del tema trabajado?

¿Qué competencias del tema podrías aplicar en tu vida diaria?

 PARA REFORZAR LO APRENDIDO
• Resolver los problemas propuestos de la Guía de Trabajo
 REFERENCIA BIBLIOGRÁFICAS
1. Anderson, D. (2012) Estadística para Negocios y Economía. México:
CENGAGE Learning

2. Chue, J. (2012) Estadística Aplicada. Lima: Universidad de Lima

3. Lind, D. (2012) Estadística Aplicada a los Negocios y la Economía.

México: Mc Graw Hill