ESTIMACION POR INTERVALOS

Métodos Cuantitativos 2018- Ing. Gonzalo

Flores Muñoz
La tarea fundamental de la estadística inferencial, es
hacer inferencias acerca de la población a partir de una
muestra extraída de la misma.

De este modo se ve que al hacer estadística inferencial

debemos enfrentarnos con dos problemas:
Elección de la muestra (muestreo) y Extrapolación de
las conclusiones obtenidas sobre la muestra, al resto
de la población (inferencia).

Métodos Cuantitativos 2016- Ing. Gonzalo

Flores Muñoz
Las ventajas de estudiar una población a partir de sus muestras son
principalmente:
• Costo reducido: Si los datos que buscamos los podemos obtener a partir
de una pequeña parte del total de la población, los gastos de recogida y
tratamiento de los datos serán menores. Por ejemplo, cuando se realizan
encuestas previas a una elección, es más barato preguntar a 4,000
personas su intención de voto, que a 6,000,000;
• Mayor rapidez: Estamos acostumbrados a ver cómo con los resultados del
escrutinio de las primeras mesas electorales, se obtiene una aproximación
bastante buena del resultado final de unas elecciones, muchas horas antes
de que el recuento final de votos haya finalizado;
• Más posibilidades: Para hacer cierto tipo de estudios, por ejemplo el de
duración de cierto tipo de ampolletas, no es posible en la práctica
destruirlas todas para conocer su vida media, ya que no quedaría nada
que vender. Es mejor destruir sólo una pequeña parte de ellas y sacar
conclusiones sobre las demás.
Métodos Cuantitativos 2016- Ing. Gonzalo
Flores Muñoz
• El tipo de muestreo más importante es el
muestreo aleatorio, en el que todos los
elementos de la población tienen la misma
probabilidad de ser extraídos; aunque
dependiendo del problema y con el objetivo
de reducir los costos o aumentar la precisión,
otros tipos de muestreo pueden ser
considerados como: muestreo sistemático,
muestreo estratificado y muestreo por
conglomerados, entre otros

Métodos Cuantitativos 2016- Ing. Gonzalo

Flores Muñoz
• Se denomina estimador de un parámetro ,a cualquier
v.a. que se exprese en función de la muestra aleatoria y
que tenga por objetivo aproximar el valor de ,

• Las características que son deseables para esta nueva v.a.

(que usaremos para estimar el parámetro desconocido)
son:
– Consistencia
– Insesgamiento
– Eficiencia
– Suficiencia

Métodos Cuantitativos 2016- Ing. Gonzalo

Flores Muñoz
• Existen, no obstante, multitud de circunstancias en las que el interés
de un estudio no estriba tanto en obtener una estimación puntual
para un parámetro, como determinar un posible “rango” de valores
o “intervalo.” en los que pueda precisarse, con una determinada
probabilidad, que el verdadero valor del parámetro se encuentra
dentro de esos límites.

• En inferencia estadística uno de los instrumentos más comunes son

los intervalos de confianza para estimar el valor de un parámetro de
la población.

• Un intervalo de confianza del C% para un parámetro , es un intervalo

de valores calculado a partir de los datos de la muestra utilizando
un método que tiene un probabilidad C de que dicho intervalo
contenga el verdadero valor del parámetro.

Métodos Cuantitativos 2016- Ing. Gonzalo

Flores Muñoz
• El desarrollo teórico de cómo llega a constituirse un
intervalo, realizado en el caso más intuitivo y sencillo,
así como los intervalos de confianza para los
parámetros más usuales: medias y varianzas para una y
dos poblaciones, se dejan para revisión del estudiante
(ver apuntes en plataforma)

• Supuestos básicos son que la variable en estudio es

una variable aleatoria que sigue una distribución
cualquiera, no obstante la media muestral de la
población, sigue una distribución Normal

• (Ver tabla de apoyo con fórmulas para Intervalos de Confianza y Pruebas de

Hipótesis, en plataforma Moodle)

Métodos Cuantitativos 2016- Ing. Gonzalo

Flores Muñoz
 Estimación de Parámetros

Parámetros poblacionales y Estadísticos Muestrales

Parámetros:
Media (m)
Varianza(s2)
Datos
(Población de Interés) Desv. Est. (s)
Etc.

Inferencias

Muestr Estadísticos:
eo
Promedio ( X )
Muestras Varianza muestral(S2)
Desv. Est. muestral(S)
Etc.
Métodos Cuantitativos 2016- Ing. Gonzalo
Flores Muñoz
 Estimación de Parámetros
Ejemplo: Estimación de la media de una población

Parámetro que se pretende estimar : La media de la población ( µ ) que en

general no se conoce, no se puede conocer, o se conoce sólo un valor teórico:

Estimador: La media muestral ( X ) que se calcula a partir de una muestra de

N datos como sigue:
____
1
X  (x1  x 2  ...  x N )
N

El estimador (en el ejemplo la media muestral) puede tomar diferentes

valores (aleatorios) dependiendo de la muestra (aleatoria) considerada, es
decir, el estimador es una variable aleatoria

Es natural preguntarse : ¿Cuál será la distribución de probabilidad del

estimador? De hecho ¿cuáles serán sus parámetros? ¿tendrán que ver con los
de la población?
Métodos Cuantitativos 2016- Ing. Gonzalo
Flores Muñoz
 Estimación de Parámetros
Ejemplo: Lanzamiento de un dado
Población de interés : El conjunto de datos obtenidos al lanzar un dado legal
en diversas ocasiones
Parámetro de interés : La media (µ) de la población
____
1
Estimador: La media muestral ( X ) X  N (x 1  x 2  ...  x N )

Experimento aleatorio : Lanzar un dado

Variable aleatoria X= número obtenido en la cara superior
Espacio muestral = {1, 2 , 3, 4, 5 , 6}
Distribución de la variable aleatoria X: Uniforme
Media teórica: µ=3.5

Métodos Cuantitativos 2016- Ing. Gonzalo

Flores Muñoz
 Estimación de Parámetros
Ejemplo: Lanzamiento de un dado
Distribución de la variable aleatoria (X) del experimento
Función de Probabilidad: f(x) = P(X=x)

x 1 2 3 4 5 6
f(x) 1/6 1/6 1/6 1/6 1/6 1/6
Función de Probabilidad
0.2

0.15
f(x)

0.1

m
0.05

0
1 2 3 4 5 6
x
Métodos Cuantitativos 2016- Ing. Gonzalo
Flores Muñoz
 Estimación de Intervalos
En la explicación previa, un estimador produce un valor ^q que
pretende aproximar a un parámetro q. A este enfoque se le llama
estimación puntual

En el enfoque de estimación de intervalos, para un parámetro q

no se estima un valor, sino un intervalo de la forma l  q  u,
donde los valores extremos l, u dependen del valor numérico del
^
estadístico q para una muestra en particular y de la distribución
de muestreo.

Es decir, l,u dependen de la muestra, por lo tanto son valores de variables

aleatorias L, U

Métodos Cuantitativos 2016- Ing. Gonzalo

Flores Muñoz
 Estimación de Intervalos

Partiendo de la distribución de muestreo para ^Q , es posible

determinar valores de L,U tales que se cumpla lo siguiente:

P(L  q  U) =1 – a
Donde 0 < a < 1

Es decir, se puede garantizar con una probabilidad de 1-a que la muestra

elegida contendrá el valor verdadero de q

Al intervalo resultante l  q  u se le conoce como el intervalo de confianza

del 100(1– a) % para el parámetro desconocido q

Métodos Cuantitativos 2016- Ing. Gonzalo

Flores Muñoz
 Estimación de Intervalos
Ejemplo: Construcción repetida de un intervalo de confianza
para la media m:
m

Si los intervalos de confianza mostrados son del 95% significa que si se construye un
gran número de ellos, el 95% de ellos contendrá a la media
Métodos Cuantitativos 2016- Ing. Gonzalo
Flores Muñoz
 Estimación de Intervalos
En la práctica se obtiene solamente una muestra y se calcula con ella
un intervalo de confianza dicho intervalo contiene o no contiene a m,
no es razonable asignar una probabilidad a este evento.

La proposición adecuada es que el intervalo contiene a m “con una confianza”

del 95%

La longitud del intervalo de confianza (u-l) es una medida de la calidad de la

información obtenida en la muestra.

¿Qué significado tiene un intervalo grande?

¿És deseable que sea grande o que sea pequeño?
¿Qué relación tiene con el valor de 1-a?

Métodos Cuantitativos 2016- Ing. Gonzalo

Flores Muñoz
 Estimación de Intervalos

Intervalo para la Media (Varianza conocida)

Situación: Se tiene una población con media desconocida m, pero se supone

conocida la varianza s2.

Se toma una muestra aleatoria (X1,X2,...,XN). Con esta muestra se calcula el

estadístico X el cual es un estimador puntual insesgado para la media m
desconocida. Se puede obtener un intervalo de confianza del 100(1-a) % para
m si consideramos los siguientes hechos acerca de la distribución de X :

Métodos Cuantitativos 2016- Ing. Gonzalo

Flores Muñoz
 Intervalo para la media
Intervalo para la Media (Varianza conocida)

1. Si la población es Normal, la distribución de X es Normal

2. Si la población no es Normal, el Teorema del límite central nos garantiza

una distribución de X aproximadamente normal cuando N 

3. La media de X es m (es insesgado)

4. La varianza de X es s2/N

Teorema del Límite Central:

Afirma que la media muestral tiene una distribución Normal aunque la
población original no la tenga, siempre y cuando la muestra sea muy grande
(de manera práctica N>30)

Métodos Cuantitativos 2016- Ing. Gonzalo

Flores Muñoz
 Intervalo para la media
Intervalo para la Media (Varianza conocida)
De acuerdo a lo anterior, podemos suponer que la variable
___

Z X μ
Tiene una distribución N(0,1) σ/ N

a/2 a/2

-za/2 za/2 Z

de la figura: P{-za/2  Z  za/2 }=1-a.

Con lo cual el intervalo de confianza del 100(1-a)% para la media es
__ __

xz α/2 σ/ N μ xz α/2 σ/ N

Métodos Cuantitativos 2016- Ing. Gonzalo
Flores Muñoz
 Intervalo para la media
Intervalo para la Media (Varianza conocida)

Ejemplo: Los siguientes son datos de conductividad térmica de cierto tipo de

hierro (en BTU/hr-ft-°F):
41.60 41.48 42.34 41.95 41.86
42.18 41.72 42.26 41.81 42.04
Una estimación puntual para la media, es X = 41.924. Hallar un intervalo de
confianza del 95 % y uno del 99% para la media.
Se supone que la población tiene una distribución Normal con s=0.3
__ __

Usamos la expresión x  z σ/ N  μ  x  z σ/ N para encontrar el

α/2 α/2

intervalo de confianza para la media: Usando Statgraphics para calcular za/2 =

1.96
l = 41.924 - 1.96(0.3)/10 = 41.738, u = 41.924+1.96(0.3)/10 = 42.110
Entonces el intervalo de confianza del 95% es
41.738  m  42.11
Y la longitud de este intervalo es 3.92s/ N
Métodos Cuantitativos 2016- Ing. Gonzalo
Flores Muñoz
 Intervalo para la media

Intervalo para la Media (Varianza desconocida)

Si no se conoce la varianza s2 de la población, una posibilidad es

utilizar la varianza muestral S2 en las ecuaciones obtenidas para
estimar intervalos en el caso de varianza conocida.

En este caso la distribución de la media tiene una distribución t-student, con lo cual el
intervalo de confianza del 100(1-a)% para la media es
__ __

xt α/2, gl S/ N μ xt 1- α/2, gl S/ N

Métodos Cuantitativos 2016- Ing. Gonzalo

Flores Muñoz