57.

SOLUCIONES

Problema propuesto [Link]

P (probabilidad de que se cumpla la condición (que no falle)) = 0.97

Q (probabilidad de que no se cumpla la condición (que falle)) = 0.03
n  10  10!
P (1) =  · p x ·q n − x =  ·0.971 ·0.0310 −1 = ·0.97·0.039 = 1,9093 −13
 
x  1 1!·(10 − 1)!

Problema propuesto [Link]

λx − λ
Aplicando la ecuación de Poisson: P (X = x ) = e
x!
Para X = 30:
P(X = 30) = (2030 • e-20) / 30! = 0,00834.

Problema propuesto [Link]

5.4.5 Problema PROPUESTO distribución Poisson

λx − λ
P(X = x ) = e
x!
Aplicamos la función de distribución de Poisson:
P(X=2) = (34 • e-3)/4! = 0,168

Problema propuesto [Link]

Buscamos en la tabla el valor de la variable tipificada cuya probabilidad

acumulada es el 0,95 (95%), por lo que por arriba estaría el 5% restante. Este
valor corresponde a t = 1,645. Ahora calculamos la variable normal X
equivalente a ese valor de la normal tipificada:
1,645 = (X -59)/6
X = 67,87
Tendrías que consumir más de 67,87 Kwh. bimestralmente para pertenecer al
5% de la población que más consume
Problema propuesto [Link]

Apartado A
En las tablas de la chi-cuadrado podemos encontrar Χ 02,90;5 que es la
intersección correspondiente a la fila n=5 con la columna α=0,90, en este caso:
Χ 02,90;5 = 1,61 . Realizamos el mismo proceso para el resto de puntos críticos:

Intersección n=26 con α=0,01
Χ 02, 01; 26 = 45,64

Intersección n=28 con α=0,025
Χ 02, 025;8 = 17,53

Para el último caso, no se encuentra directamente en la tabla por lo que

debemos interpolar:

Apartado B
En las tablas encontramos directamente: P ( Χ 82 ≥ 3,49) =0,90
Para calcular la siguiente probabilidad:
P ( Χ 82 ≤ 15,51) = 1 − P ( Χ 82 ≥ 15,51) = 1 − 0,05 = 0,95

Problema propuesto [Link]

Llamando S 2 a la varianza muestral tenemos que calcular P ( S 2 < 5,872) .

Recordando que con (n-1) grados de libertad, tendremos:
 10S 2 10·5,872   10S 2 
P( S 2 < 5,872) = P <  = P < 14,68  = 0,90
 4 4   4 

TEST 1

Pregunta 16
Si vamos a la tabla de t de Student y entramos con t0.95 y el grado de libertad
igual a 16, veremos que el valor obtenido es 1,75.
TEST 2

Pregunta 16
En este caso entrando con la misma t0,95; pero con el grado de libertad igual a
27, el resultado obtenido 1,70

TEST 3

Pregunta 16
En este caso, el resultado es 1,645. Debemos ir a la zona en donde pone
“infinito” ya que para este valor no está en la tabla.

TEST 4

58. BIBLIOGRAFÍA

[1]Probabilidad y estadística para ingenieros.

6º edición
Ronald E. Walpole, Raymond H. Myers, Sharon L. Myers, Prentice Hall

[2] Problemas de inferencia estadística. Muestro y control de calidad.

Javier López Ortega
Editorial Tebar Flores

[3] Problemas de Cálculo de Probabilidades y Estadística.

Vicente Novo Sanjurjo.
Cuadernos de la UNED

[4]Problemas de probabilidades y estadística, Volumen 1.

Editorial EUB
Carlos M
 59. TABLAS DE LAS DISTRIBUCIONES

[Link]
 GUÍA DE LA UNIDAD DIDÁCTICA 4

60. OBJETIVOS DE LA UNIDAD

Hoy en día, la Inferencia Estadística desarrollada a principios del siglo XX,

sigue dando respuesta suficiente para tratar de forma correcta multitud de
situaciones tanto en Ingeniería como en otras áreas. Al final de esta unidad
didáctica serás capaz de:

Tema 1

Distinguir entre métodos paramétricos y no paramétricos.

Comprender el concepto de distribución empírica.
Conocer la importancia del Teorema de Glivenko-Cantelli.

Tema 2

Entender el concepto de estimador, así como las propiedades deseables del

mismo.
Conocer la estimación puntual y los métodos para hallar estimadores
puntuales.
Conocer la estimación por intervalos de confianza, así como los límites de
tolerancia…

61. REQUISITOS Y DESTINATARIOS

Para que el alumno aproveche al máximo el contenido de esta unidad y no se

vea frenado en el aprendizaje de la misma es imprescindible que tenga
conocimientos de:

Matemática elemental

Estadística básica y probabilidad.

Esta unidad va dirigida a cualquier persona que desee aprender Inferencia

Estadística y ampliar sus conocimientos en este campo, pero especialmente
para:
 Estudiantes de Ingeniería Química

Estudiantes de otras ingenierías: Ingeniería Industrial, Ingenierías

Técnicas…

Ingenieros que deseen recordar o afianzar conceptos.

Estudiantes de cualquier ciencia experimental.

62. IMPORTANCIA DE LOS CONTENIDOS

La Inferencia Estadística es una de las herramientas básicas en las que se

apoyan todas las ciencias y las ingenierías. La inmensa mayoría de las
investigaciones no pueden concebirse sin este preciado comodín, ya que nos
permite sacar conclusiones de una población a partir del estudio de un grupo
reducido de la misma, por lo que facilita y agiliza las tareas de investigación,
¿qué sería de nosotros sin esta magnífica parte de la Estadística?

63. GUIA DE ESTUDIO

Para motivar al estudiante vamos a resolver problemas de ingeniería reales así

podrá ver la utilidad real de la inferencia en situaciones reales.
Después de las unidades didácticas anteriores, el lector ya ha adquirido los
conocimientos básicos para entender esta parte de la Estadística, por lo que en
caso de haberse saltado las unidades anteriores es preferible que el lector trate
de comprenderlas para que esta unidad no le resulte complicada.
En cuanto a la resolución de los problemas es importante que el alumno intenté
resolver el ejercicio varias veces antes mirar la solución, ya que de esta forma
reforzará su capacidad de razonar.
 64. TEMA I: introducción a la Inferencia

Podemos definir la Inferencia Estadística de la siguiente forma:

Llamamos Inferencia Estadística a la colección de métodos que nos

permiten extender a una población, los resultados obtenidos
para una muestra de la misma.

Si queremos que un método de Inferencia Estadística proporcione resultados

razonables debe cumplir las siguientes características:
Utilizar una muestra que sea representativa de la población, y cuyo
tamaño sea el adecuado.
Basarse en una técnica estadística acorde al problema, la cual depende
de la naturaleza del problema a resolver y, como no, de la naturaleza de la
población.
Las conclusiones que podemos obtener de la población pueden ser de dos
tipos:

Problemas de estimación

Si las variables de la población se rigen por un determinado

comportamiento los datos que recogemos en la muestra los emplearemos
para obtener valores aproximados de los parámetros de dicho modelo de
comportamiento.

Problemas de contraste de hipótesis

Si durante el desarrollo de la investigación hemos llegado a una hipótesis

sobre la población, el muestreo lo utilizaremos para comprobar si los
resultados corroboran nuestra hipótesis o no.

Los métodos de inferencia estadística permiten cuantificar, en cuanto a

probabilidad se refiere, el grado de certeza que podemos depositar en
nuestros resultados, ya que nuestras conclusiones no podrán ser seguras al
100% debido al pequeño tamaño de la muestra respecto al de la población.

Seguro que ya has caído en la cuenta de que, para hablar de probabilidad la

variable deberá ser aleatoria.
 65. INFERENCIA ESTADÍSTICA PARAMÉTRICA Y NO
PARAMÉTRICA

Supongamos que la finalidad de nuestra investigación es estudiar una

característica numérica de una población, para lo cual recurrimos a una
muestra aleatoria de la misma.
De entrada, no conocemos los valores que adoptará la variable para los
distintos datos de la muestra, pero lo que sí sabemos es que X es una variable
aleatoria y como tal lleva una función de distribución F asociada.

Pueden ocurrir dos casos distintos:

Inferencia paramétrica

Conocemos la función de distribución pero no sus parámetros. A simple

vista, nos damos cuenta que el principal problema de la inferencia
paramétrica es que no conocemos los parámetros de la distribución, para
estimarlos existen dos métodos: estimación puntual y estimación por
intervalo (estás técnicas las explicaremos en el tema 2 de esta
unidad didáctica).

Las técnicas paramétricas pueden utilizarse para decidir si una hipótesis

es acertada: tras tomar la muestra y realizar la estimación, como sabemos
cuál es la función de distribución que sigue la variable podemos calcular
probabilidades que nos permitan hacernos una idea sobre la verosimilitud
de la hipótesis.
Como los métodos paramétricos son más bien aproximaciones teóricas a la
realidad deben ser robustos:
Un procedimiento será robusto si es poco sensible a la distribución
elegida, es decir, el procedimiento funciona bien aunque la distribución
escogida sea incorrecta.

Inferencia no paramétrica

No sabemos cual es la función de distribución, a lo mejor podemos saber si

ésta es escalonada o continua. Se centran en llevar a cabo estimaciones
globales sin presuponer la distribución de la variable de interés.
 Sus ventajas son:
1. No requieren basarse en distribuciones.
2. En cuanto a computación, son más fáciles.
3. Incluso pueden aplicarse con los datos están dados en rangos.

Sus desventajas son:

1. Para grandes muestras, puede ser laboriosa.
2. Recurrir a procedimientos no paramétrico, cuando podríamos haber
empleado un procedimiento parámetrico conlleva una pérdida de
información.

66. DISTRIBUCIÓN EMPÍRICA

En muchas ocasiones, las distribuciones de una variable del modelo no

coinciden con ninguna de las distribuciones estudiadas y no podemos
representarla por ninguna expresión concreta. Este tipo de distribuciones se las
conoce como distribuciones empíricas.

67. TEOREMA DE GLIVENKO-CANTELLI

Veamos primero la definición matemática:

Para que lo entiendas este teorema significa que si tomamos una muestra lo
suficientemente grande nos puede proporcionar información prácticamente
exacta sobre la función de distribución de la población. Pero para que la
inferencia sea valida, como nos muestre este teorema deben cumplirse dos
condiciones:
 Muestra aleatoria.
Muestra suficientemente grande.

68. TEMA II: Estimación puntual y estimación por intervalos

68.1. Introducción
Supongamos que queremos estudiar la variable X de una población. Seguro
que estaremos interesados en conocer parámetros tales como su media, su
varianza…
¿Cómo se realiza la estimación de un parámetro? En primer lugar, debemos
obtener una muestra de n objetos de la población y medir en ellos la variable
que nos interesa, y a partir de los resultados que obtenemos, deberemos
calcular el valor de alguna función que nos dé un valor que se aproxime de
alguna forma al valor del parámetro deseado.
Esta función recibe el nombre de estimador, y caracteriza al parámetro. El
valor tomado por dicho estimador en cada caso recibe el nombre de
estimación. Tenemos que realizar tres observaciones importantes:

La estimación se realiza a través de un estimador.

El estimador es una variable aleatoria.
El valor estimado dependerá de la muestra escogida.

Pero, ¿cómo escogemos el mejor estimador? En el apartado siguiente nos

centraremos en este aspecto.

68.2. Propiedades deseables de un estimador puntual

Sesgo

Como ya hemos dicho el estimador puede adoptar diferentes valores. Una

forma de medir la proximidad entre el parámetro y el estimador en cuestión, es
mediante la distancia, conocida como sesgo, entre el valor del parámetro y el
valor medio del estimador. Si denotamos al parámetro por la letra θ , tenemos
que:
Sesgo(θˆ) = E[θˆ] − θ
Cuando el sesgo del estimador es nulo, diremos que el estimador es centrado o
también insesgado; en caso contrario, el estimador es sesgado.

En caso de existir varios estimadores escogeremos el de menor

sesgo, si el sesgo es positivo se esta sobreestimando el parámetro,
en caso de ser negativo, lo estaremos subestimando.

A continuación mostramos algunos estimadores centrados:

La media muestral es un estimador centrado de la media poblacional.

E[ X ] = µ
La varianza muestral es un estimador sesgado de la varianza poblacional

Observamos que la varianza muestral subestima la varianza poblacional,

aunque a más grande sea la muestra el sesgo disminuye.
n −1 2 1
Sesgo( s 2. ) = E[ s 2 ] − σ 2 = σ −σ 2 = − σ 2
n n

La cuasivarianza muestral sí es un estimador centrado de la varianza

poblacional.
E[ S 2 ] = σ 2
Por ello, como estimador de la varianza poblacional, en la práctica se
prefiere la cuasivarianza muestral.

Si X es una variable aleatoria de Bernoulli de parámetro p, la proporción

muestral de éxitos p̂ es un estimador insesgado de la proporción
poblacional p.
 Varianza del estimador

El sesgo no nos indica si la distribución tiene mucha dispersión en torno al

parámetro. Si disponemos de varios estimadores centrados del mismo
parámetro, será conveniente aquel que tenga la mayor dispersión.
Como la dispersión se mide con la varianza del estimador, el mejor estimador
centrado será el de mínima varianza.
La media muestral, la cuasivarianza muestral y la proporción muestral son
estimadores insesgados y de mínima varianza de sus parámetros respectivos.

Error cuadrático medio de un estimador

Es la medida conjunta del sesgo y la varianza de un estimador:

(
ECM [θˆ] = Sesgo θˆ ( ))
2
()
+ Var θˆ
Es especialmente cuando tenemos muchos estimadores del mismo parámetro
con sesgo y varianza bastantes diferentes. Por lo que puede ser mucho más
útil un estimador un poco sesgado y con una varianza muy pequeñita, que uno
centrado y con una varianza alta.

Consistencia de un estimador

Diremos que un estimador es consiste si se cumple:

lim P(θˆ − θ
n →∞
)
≤ ε = 1 → ∀ε > 0

Es decir, que a medida que aumenta el tamaño de la muestra lo más probable

es que el valor del estimador se parezca cada vez más al parámetro.
La media muestral, la cuasivarianza muestral y la proporción muestral son
estimadores consistentes de sus parámetros respectivos.

Eficiencia de un estimador

Se emplea para comparar estimadores. Si tenemos dos estimadores θˆ1 y θˆ2 de

un mismo parámetro θ , diremos que θˆ1 es más eficiente que θˆ2 si se cumple
que var( θˆ )<var( θˆ ). Diremos que un estimador es eficiente si es insesgado
1 2
y de mínima varianza.

Suficiencia

Diremos que un estimador es eficiente si por sí sólo basta para estimar el

parámetro.
58.2.1 Ejemplo propiedades del estimador

Ejemplo 58.2.1

El peso en kilos de ventiladores de tiro forzado por una empresa sigue una
distribución normal con DT igual a 2 y peso medio desconocido. Si sabe que el
peos medio de los ventiladores es mayor a 5 y se toman muestras aleatorias
simples de tamaño 4 para estimar α. ¿cuál de los dos estimadores siguientes
es mejor desde el punto de vista de la insesgadez?
Para saber cual es mejor calculamos sus esperanzas:
X1 + X 2 + X 3 * X1 + X 2
α1* = α2 =
4 2
Por lo que el estimador 1 es sesgado y su sesgo es –α/4.
 X + X2 + X3  1 3 1
E (α1*) = E  1  = [ E ( X 1 ) + E ( X 2 ) + E ( X 3 )] = α = α − α
 4  4 4 4
Hacemos lo mismo para el estimador 2:
 X + X2  1 2
E (α1*) = E  1  = [ E ( X 1 ) + E ( X 2 )] = α = α
 2  2 2
El estimador 2 es insesgado, por lo que es preferible este.

58.2.2 Métodos de obtención de estimadores puntuales

¿Cómo podemos obtener funciones cuyos valores se aproximarán al de un

parámetro desconocido? Mediante el método de los momentos y el método de
la verosimilitud:
Ejemplos, problemas resueltos y problemas propuestos

Ejemplo método de momentos [Link]

[4]Una variable aleatoria sigue una distribución de Rayleigh de parámetro >0,

donde x es una variable continua con valores x>0 y función densidad:
x  x2 
f ( x;θ ) = exp− 
θ  2θ 
Estimar el valor de a partir del método de los momentos.
Solución
Igualamos el primer momento muestral X al primer momento poblacional. El
valor de E[X] es:
∞ ∞ 2
x  x2  x  x2 
E[ X ] = ∫ x· ·exp − ·∂x = ∫ ·exp− ·∂x
0
θ  2θ  0
θ  2θ 
 ∞
∞
  x 2   x2 
Integrando por partes: u = x y du = dx
E[ X ] = − exp −   + ∫ exp − ·∂x
  2θ   0 0  2θ 

El primer sumando es cero. Para el segundo hacemos t = x / x

∞ 2
 t2  θπ 2X
E[ X ] = ∫ exp−  θ ·∂x = θˆ =
0  2 2 π

Problema resuelto método de momentos [Link]

[5]La tasa de respuesta C de las fibras de nervio auditivo de

gatos tiene una distribución de Poisson aproximada con
media desconocida λ . Suponga que se midió la rapidez de
las fibras del nervio auditivo (registrada como número de
picos por 200 milisegundos de ráfaga de ruido) en cada uno
de una muestra aleatoria de 19 gatos. Los datos son:
15.1 14.6 12.0 19.2 16.1 15.5 11.3 18.7 17.1 17.2
Calcule una estimación puntual de la rapidez de respuesta media utilizando el
método de momentos.
Solución
Tenemos que estimar un único parámetro: λ , por tanto, encontramos el
estimador de momentos igualando el primer momento de la población, E(C) al
primer momento de muestra y . Para la distribución de Poisson E(C)= λ
entonces el estimador de momento es: λ = y . Para este ejemplo:
15.1 + 14.6 + 12.0 + 19.2 + 16.1 + 15.5 + 11.3 + 18.7 + 17.1 + 17.2
y= = 15.68
10
Por lo que la rapidez de respuesta media de las fibras de nervio auditivo es de
15.68 picos por 200 milisegundos de ráfaga de ruido.

Ejemplo método de verosimilitud [Link]

[4]Obtener el estimador de máxima verosimilitud del parámetro p de una

población binomial B(n,p)
Solución
La función de verosimilitud es:
n  n   n  xk n − xk
L( x1 , x 2 ,..., x k ; p ) =  · p x1 ·q n − x1 · · p x2 ·q n − x2 ...· · p ·q =
 x1   x2   xk 
 n  n   n  ∑ xi kn− ∑ xi
= A· p ∑ i ·(1 − p ) ∑ i
kn − x
=  · ·....· · p ·q
x

 x1   x 2   x k 
En donde A no depende de p.
Si tomamos logaritmos:

log L = log A + ∑ xi ·log p + (kn − ∑ xi )·log(1 − p ) →

∂ log L
=
∑x i
−
kn − ∑ xi
=0
∂p p 1− p

∑x
∑ x ·(1 − p) = p·(kn − ∑ x ); ∑ x = knp; pˆ =
i
i i i
kn

Problema resuelto método de verosimilitud [Link]

[3]La duración sin fallos de un cierto componente eléctrico de un

televisor de plasma sigue una distribución exponencial con fundón
de densidad f ( x) = (1 / α )e − x / α para x>0. Se pide:
1. Obtener el estimador máximo verosímil de la duración media sin
fallos de dicho componente.
2. Si en una muestra aleatoria simple de 10 componentes las duraciones en
horas fueron 3520, 3500, 3750, 3640, 3670, 3580, 3690, 3700, 3710; obtener
una estimación máximo verosímil de la duración media sin fallos:
APARTADO1
Para una muestra aleatoria simple de tamaño n la función de verosimilitud será:
n

∑ xi
1 1 1 1 − i =1
L( x1 ,...xn ,α ) = f ( x1 ,α )· f ( x2 ,α )... f ( xn ,α ) = e −x1 / α · e − x2 / α ... e −xn / α = n e α
α α α a
Aplicamos logaritmos neperianos:
n
∑ xi
ln L( x1 ,...x n , α ) = ln(1) − n ln(α ) − i =1
α
Derivando respecto a α e igualando a 0 para obtener el máximo:
n n

∂ ln L( x1 , x 2 ...x n , α ) n ∑ xi ∑ xi
= − + i =1 2 = 0 → αˆ = i =1 = x
∂α α α n
Con lo que el estimador más verosímil es la media muestral, para comprobar
que es el estimador máximo podemos realizar la segunda derivada, en caso de
que dé negativo, el estimador es el de máxima verosimilitud:

APARTADO2
Para obtener la estimación máximo verosímil de la duración media sin fallos del
componente electrónico, a partir de la muestra dada, basta calcular la duración
media de dicha muestra:
3520 + 3500 + 3750 + 3640 + 3670 + 3580 + 3690 + 3700 + 3710 + 3685
x= = 3644,5horas
10
Problema propuesto sobre el Teorema de Verosimilitud [Link]

[3]Sea p el porcentaje de piezas defectuosas que produce una máquina. El

empelado que trabaja de turno de mañana con dicha máquina cree que p=0,15,
mientras que el que trabaja en el turno de tarde piensa que el porcentaje de
defectos producidas por la máquina es 0,08. Si en una muestra aleatoria simple
de 10 piezas ha parecido sólo una defectuosa, ¿Cuál de ambos tiene una
opinión más verosímil?
Solución: el de tarde.

Problema propuesto sobre Momentos [Link]

[3]En un determinado laboratorio comienzan cada jornada con una cierta

cantidad de agua destilada que llamamos X. Admitiendo que esta cantidad es
una variable aleatoria con distribución normal se pide obtener los mejores
estimadores de la cantidad media de agua destilada al comienzo de la jornada
laboral y de la varianza.
2
n n
 n 
∑ x i ∑ x i  ∑ xi 
Solución: x = i =1
y σˆ =
2 i =1
−  i =1 
n n  n 
 
 

69. DISTRBUCIÓN DE UN ESTADÍSTICO EN EL MUESTREO

Los estimadores de parámetros son variables aleatorias, y como tal han de

tener distribuciones de probabilidad asociadas conocidas como
distribuciones de muestreo. A continuación mostramos las distribuciones
muestrales de los estadísticos más relevantes, sin entrar en demostraciones.

69.1 Distribuciones muestrales asociadas a variables normales

69.1.A Distribución de la media muestral cuando se conoce la varianza

poblacional

 σ  X −µ
X ≈ N  µ ,  ⇒ ≈ N (0,1)
 n σ n

69.1.B distribución de la cuasi-varainza muestra

(n − 1) S 2 1 n r 2
σ2
≈ Chi n2−1 Donde: S2 = ∑ i )
n − 1 i =1
( X − X
69.1.C Distribución de la media muestral cuando NO se conoce la varianza
poblacional σ 2

X −µ
≈ t n −1
S/ n

69.1.D distribución del cociente de varianzas de poblaciones normales

S12 S 22 S12
= ≈ Fn1 −1, n2 −1
σ 12 σ 22 S 22

69.1.E distribución de la diferencia de medias muéstrales de poblaciones

normales

69.1.E.1 Varianzas conocidas

 σ 12 σ 22  ( X 1 − X 2 ) − (µ1 − µ 2 )
X 1 − X 2 ≈ N  µ1 − µ 2 , + ⇒ ≈ N (0,1)
 n n  σ 2
σ 2
 1 2  1
+ 2
n1 n2

69.1.E.2 Varianzas desconocidas e iguales

(X − X 2 ) − (µ1 − µ 2 )
≈ t n1 + n2 − 2
( n1 − 1) S12 + ( n2 − 1) S 22
Donde: S p =
1

1 1 n1 + n 2 − 2
Sp +
n1 n2

69.1.E.3 Varianzas desconocidas y distintas

2
 S12 S 22 
 + 
(X 1 − X 2 ) − (µ 1 − µ 2 )
≈ tn n=  n1 n2 
Donde: 2 2
S12 S 212  S12  1  S 22  1
+   +  
n1 n2  n1  n1 − 1  n2  n2 − 1

69.1.F distribución de la diferencia de medias muéstrales de poblaciones

normales emparejadas

D −δ
≈ t n −1 Donde: S D = ∑
n
(D i− D)
=∑
n2
(( X 1i − X 2i ) − (X 1 − X 2 )) 2

SD / n i =1 n −1 i =1 n −1
69.2 Distribuciones muestrales asociadas a variables NO normales

Si las variables que estudiamos no siguen una distribución normal, las

distribuciones que acabamos de ver no suelen ser válidas.
Pero según el Teorema Central del Límite, cuando obtenemos una variable
como suma de otras todas con la misma distribución y varianza finita, esta
variable seguirá una distribución normal.

69.2.A distribución de la media muestral cuando se conoce la varianza

poblacional σ 2

 σ  X −µ
Si n > 30 ⇒ X ≈ N  µ ,  ⇒ ≅ N (0,1)
 n σ n

69.2.B distribución de la media muestral cuando NO se conoce la varianza

poblacional σ 2

 S  X −µ
Si n > 60 ⇒ X ≈ N  µ ,  ⇒ ≅ N (0,1)
 n S n

69.2.C distribución de la media muestral cuando NO se conoce la varianza

poblacional σ 2

 p (1 − p ) 
pˆ ≅  p,
N
n


n →∞  

 pˆ (1 − pˆ ) 
Como en la práctica solemos desconocer p: pˆ ≅ N  p, 

 n 

70. ESTIMACIÓN POR INTERVALOS DE CONFIANZA

En el apartado anterior hemos visto cómo obtener un estimador puntual de u

parámetro.
Pero, ahora vamos a hacernos una interesante pregunta… ¿Cuánto se parece
el valor estimado al valor real del parámetro? ¿Podemos estimar un parámetro
con un grado de precisión preespecificado?
Para responder a estas cuestiones vamos a recurrir al concepto de intervalo
de confianza.

70.1 INTERVALO DE CONFIANZA

Llamamos intervalo de confianza a un intervalo de valores alrededor de un
parámetro muestral en los que, con un nivel de confianza determinado, se
encontrará el parámetro poblacional que deseamos estimar. Si α es el error
aleatorio que deseamos cometer, el intervalo de confianza será de 1- α .

El intervalo de confianza se denota por la siguiente expresión: [θ1 ( x),θ 2 ( x)]

donde el nivel de confianza se denota por 1 − α .

Gracias a la estimación por intervalo podremos afirmar con una seguridad del
que 100(1 − α )% vale como mínimo θ1 ( x) y como máximo θ 2 ( x) , esto nos da
una idea aproximada de la precisión conseguida en la estimación.

Debemos tener en cuenta una serie de cuestiones:

θ1 ( x )
y θ 2 ( x) son variables aleatorias que tomarán valores diversos
según le muestra que hayamos seleccionado.
Como de entrada, antes de tomar la muestra, no vamos a saber cuánto
valdrán θ1 ( x) y θ 2 ( x) tiene sentido hablar de la probabilidad de que
θ ∈ [θ1 ( X ),θ 2 ( X )] .
Una vez que tomemos la muestra, θ1 ( x) y θ 2 ( x) toman valores concretos y
o pertenece o no pertenece a este intervalo por lo que ya no tiene lógica
hablar de la probabilidad anterior.

70.2 MÉTODOS DE CONSTRUCCIÓN DE INTERVALOS DE CONFIANZA

Para construir los intervalos de confianza para un parámetro θ debemos
disponer de una función pivote T( θ ,X) donde X = { X 1 , X 2 .. X n } es la muestra
aleatoria, que depende de θ , pero cuya distribución de probabilidad sea
conocida y no dependa de θ . Así, podemos conocer siempre que podamos
calcular dos valores τ 1 (α ) y τ S (α )

De forma que: P (τ 1 (α ) ≤ T (θ , X ) ≤ τ S (α ) ) = 1 − α
Si además ocurre que la función T( θ ,X) es monótona en θ siempre podremos
obtener los valores de θ que resuelven las siguientes ecuaciones:
T( θ ,X)= τ 1 (α )
T( θ ,X)= τ S (α )
Donde las soluciones de estas ecuaciones θ1 ( X , α ) y θ s ( X , α ) cumplen:

P (θ1 ( X , α ) ≤ θ ≤ θ s ( X , α ) ) = 1 − α

¡¡ INTERVALO DE CONFIANZA BUSCADO!!

A continuación, expondremos la expresión de los intervalos de confianza para

los distintos casos sin entrar en demostraciones ni deducciones.

70.2.1 Para la media de una población normal

[Link].A. Desviación típica conocida:

 σ 
 X ± zα / 2 
 n

[Link].B. Desviación típica desconocida:

 S 
 X ± t n−1,α / 2 
 n

70.2.2 Para la varianza de una población normal

 n − 1) S 2 n − 1) S 2 
 , 2 
 Χ2 
 n −1,α / 2 Χ n −1,1−α / 2 

70.2.3 Para el cociente de varianzas de poblaciones normales:

σ 22  S 22 / S12 S 22 / S12 
∈ ,
σ 12  Fn −1, n −1,α / 2 Fn −1,n −1,1−α / 2 
2 1 2 1

70.2.4 Para la diferencia de medias poblacionales

[Link].A Muestras independientes: varianzas conocidas

 σ 12 σ 22 
 (X − X ) m z +
α /2
 1 2
n1 n2 


[Link].B Muestras independientes: varianzas desconocidas e iguales

 1 
 (X 1 − X 2 ) m t n + n −2,α / 2 s p
1
+ 
 1 2
n n 
 1 2 
[Link].C. Muestras independientes: varianzas desconocidas distintas

 s12 s 22 
 (X − X ) m t s +
n ,α / 2 p
 1 2
n n2 
 1

70.2.4. 21D. Muestras emparejadas

 s 
 (X 1 − X 2 ) m t n −1 ,α / 2 d 
 n

70.2.5 Para la media de poblaciones no normales

[Link].A. Varianza conocida

 σ 
n > 30 ⇒  X ± zα / 2 
 n

[Link].A. Varianzas desconocidas

 S 
n > 60 ⇒  X ± zα / 2 
 n

70.2.6. Para la proporción poblacional

 nE (n E + 1) F2 
 , 
 (n − n E + 1) F1 + n E (n − n E ) + (n E + 1) F2 

Donde nE es el número de éxitos en la muestra y:

F1 = F2( n −nE +1), 2 nE ,α / 2 F2 = F2 ( nE +1), 2( n− nE ),α / 2

70.2.7 Para la diferencia de proporciones en poblaciones independientes

  pˆ 1 (1 − pˆ 1 ) pˆ 2 (1 − pˆ 2 )  1  1 1  
 pˆ 1 − pˆ 2 ±  zα / 2 +  +  + 
  
  n1 n2  4  n1 n 2  
70.3. Ejemplos, problemas resueltos y problemas propuestos

70.3.1 Ejemplo resuelto intervalo de confianza (MEDIA)

Para medir el tiempo de una reacción química, un ingeniero estima que la

desviación típica (estándar) es de 2 segundos. ¿Qué tan grande debe ser una
muestra de mediciones para que el 95% de confianza en que el error de este
estimado no exceda de 0,01 segundos?
Solución
σ
Usamos la siguiente fórmula para resolver el ejercicio: x ± z c
N
σ
Sabemos que: z c = 0,01
N
Sabemos que para el nivel de confianza del 95% tenemos que el valor de zc
es 1,96. Por tanto, la expresión se no quedaría como sigue:
σ 0,05
x ± zc = 1,96 = 0,01 ⇒ N = 96,04
N N
N ≥ 97 ⇒ N = 97

70.3.2 Ejemplo resuelto intervalo de confianza (DESVIACIÓN)

Sea X ≈ N ( µ , σ ) se toma una muestra de tamaño 9 y se obtiene x = 24 y S

= 2,1. Obtener los intervalos de confianza para la media, al nivel de confianza:
a) 0,8
b) 0,9

Solución
Apartado A
0,8 = 1 − α ⇒ α = 0,2 ⇒ t n−1,α / 2 = t 8, 0,1 = 1,397

S 2,1
X ± t n−1,α / 2 = 24 ± 1,397 = 24 ± 0,978
N 9

Apartado B
0,9 = 1 − α ⇒ α = 0,1 ⇒ t n −1,α / 2 = t 8,0,1 = 1,86

S 2,1
X ± t n −1,α / 2 = 24 ± 1,86 = 24 ± 1,302
N 9
70.3.3 Problema resuelto intervalo de confianza (MEDIA)

Se desea saber que contenido de aceite pude extraerse de una cierta cantidad
de almendras, a tal fin se prueban 20 muestras escogidas al azar de marcas
diferentes y se encuentran los siguientes datos maestrales para el contenido de
aceite:
xo = 22 mg
s o = 4 mg (corregida )
Encontrar el intervalo de confianza del 90% para el contenido medio de aceite.
Las soluciones posibles son:
20,25 ± 26,65

Para 90% 20,45 ± 23,55
22,15 ± 26,35

s
La expresión que debemos utilizar es la siguiente: x ± t
n
Debemos entrar a la tabla de t de Student y lo haremos con los grados de
libertad, que en este caso es de 19, y con la t 0,95. Pues bien, el valor obtenido
es de 1,73. Sustituyendo en la expresión anterior, tenemos que:
s 4
x ±t = 22 ± 1,73 ⇒ 20,45 < 22 < 23,55
n 20

70.3.4 Problema resuelto intervalo de confianza (DESVIACIÓN)

La desviación estándar de una muestra (típica) de las longitudes de 16 barras

de aluminio, elegidas aleatoriamente de un lote de 1000 barras es de 2,40in.
Calcular los límites de confianza al 95% de la desviación estándar de todas las
barras del lote.
Solución
s N s N
Utilizamos la siguiente expresión: ≤σ ≤
x0,975 x0, 025
Calculamos los grados de libertad: Grados de libertad = N − 1 = 16 − 1 = 15
Acudimos a la tabla de Ji- Cuadrado.
[X ]
2
0 , 975 15 = 27,5 ⇒ X 0,975 = 27,5 = 5,20

[X ]
2
0 , 025 15 = 6,26 ⇒ X 0, 025 = 6,26 = 2,50

Sustituyendo en la ecuación:
s N s N 2,40 16 2,40 16
≤σ ≤ = ≤σ ≤ ⇒ 1,83 ≤ σ ≤ 3,84
x0,975 x0, 025 5,24 2,50
70.3.5Problema propuesto intervalo de confianza (MEDIA)

Sea X ≈ N ( µ ,5) se toma una muestra de tamaño 16 y se obtiene x = 70 .

Obtener el intervalo de confianza para la media, al nivel de confianza de 0,95
Solución: 70 ± 2,45

70.3.6 Problema propuesto intervalo de confianza (DESVIACIÓN)

La desviación estándar de la vida media de una muestra de 200 manómetros

es de 100 horas. Calcular los límites de confianza al 95% para la desviación
estándar de todos los manómetros de este tipo.
Solución: 91,2 ≤ σ ≤ 111,3

70.3.7 Ejemplo resuelto intervalo de confianza (PROPORCIONES)

Se realiza una medida de turbidez de un agua residual de una muestra de 100

cogidas aleatoriamente indica que el 55% de las mismas presentan una
turbidez alrededor un valor concreto. Calcular el límite de confianza de 95%
para todos los datos den en torno a ese valor.
P(1 − P ) 55 0,55(1 − 0,55)
P ± zc = ± 1,96 = 0,55 ± 0,10
N 100 100

En consecuencia el valor de x estará

0,45 < x < 0,65

70.3.8 Ejemplo resuelto intervalo de confianza (SUMAS Y DIFERENCIAS))

[2]Una muestra de150 focos de la marca A mostró un promedio de vida de

1400 horas y una desviación típica de 120 horas. Una muestra de 200 focos de
la maraca B mostró un promedio de vida de 1200 horas y una desviación
estándar de 20 horas. Calcula los límites de confianza al 95% para la diferencia
de medias de los promedios de vida para las poblaciones de las marcas A y B.
200 ± 23,8

Posibles soluciones: Para 95% 200 ± 23,9
200 ± 23,7


σ A2 σ B2 120 2 80 2
x A − xB ± zc + = 1400 − 1200 ± 1,96 + = 200 ± 22,17
NA NB 150 200
70.3.9 Problema resuelto intervalo de confianza (PROPORCIONES)

Se realiza una medida de DBO de un agua residual de una muestra de 100

cogidas aleatoriamente indica que el 55% de las mismas presentan una DBO
alrededor un valor concreto. Calcular el límite de confianza de 99% para todos
los datos den en torno a ese valor
En este caso la zc es igual a 2,58
P(1 − P ) 55 0,55(1 − 0,55)
P ± zc = ± 2,58 = 0,55 ± 0,13
N 100 100

En consecuencia el valor de x estará: 0,42 < x < 0,68

70.3.10 Problema resuelto (SUMAS Y DIFERENCIAS))

[2] La fuerza electromotriz media (fem) de las baterías producidas por una
empresa es de 4,5 voltios y su desviación típica es 0,04 V. si se conectan en
serie cuatro de ellas, hallar el nivel de confianza al 95%
Si E1, E2, E3, y E4 representa la fem de las cuatro baterías, tenemos que:

u E1+ E 2+ E 3+ E 4 = µ E1 + µ E 2 + µ E 3 + µ E 4 y σ E1+ E 2+ E 3+ E 4 = σ E21 + σ E2 2 + σ E2 3 + σ E2 4

Por tanto: 45,1V = µ E1 + µ E 2 + µ E 3 + µ E 4 y σ E1+ E 2+ E 3+ E 4 = 0,04V

u E1+ E 2+ E 3+ E 4 = 4·45,1 = 180,4 y σ E1+ E 2+ E 3+ E 4 = 4·(0,04) 2 = 0,08

El límite de confianza es: 180,4 ± 1,96(0,08) = 180,4 ± 0,16V

70.3.11 Problema propuesto (SUMAS Y DIFERENCIAS))

[2]Una muestra de150 focos de la marca A mostró un promedio de vida de

1400 horas y una desviación típica de 120 horas. Una muestra de 200 focos de
la maraca B mostró un promedio de vida de 1200 horas y una desviación
estándar de 20 horas. Calcula los límites de confianza al 99% para la diferencia
de medias de los promedios de vida para las poblaciones de las marcas A y B.
Solución: 200 ± 29,19
70.3.12 Problema propuesto intervalo de confianza (PROPORCIONES)

Se realiza una medida del porcentaje de sólidos en suspensión SS de un agua

residual de una muestra de 100 cogidas aleatoriamente indica que el 55% de
las mismas presentan una SS alrededor un valor concreto. Calcular el límite de
confianza de 99,73% para todos los datos den en torno a ese valor
Solución: 0,40 < x < 0,70

71. TAMAÑO DE LA MUESTRA

Mediante los intervalos de confianza podemos determinar el tamaño necesario

para estimar el parámetro con una presión concreta.
Debemos fijar el error máximo que asumimos cometer en la estimación y el
nivel de confianza 1-α de la misma, seguidamente se iguala el margen de error
del intervalo al valor del error y despejamos n que es el tamaño de la muestra.

¿Y qué pasaría si no conocemos los parámetros de los cuales depende el

intervalo de confianza? Podemos:

Tomar muestras pilotos o pruebas.

Utilizar como valor de n el que resultaría del intervalo más grande posible.
Determinar el tamaño de la muestra para un error relativo.

Existen unas expresiones que nos permiten calcular el tamaño de muestras

según las caraterísticas de la distribución, puedes encontrarlas en casi
cualquier libro que trate esta materia por ejemplo en:

“Métodos estadísticos” 2ª parte Departamento de Matemáticas de la ULPGC.

 72. PONTE A PRUEBA

Para que puedas comprobar si has entendido esta unidad didáctica y cual ha
sido tu grado de compresión de la misma, te presentamos 1 autoevaluación y
1 autoexámen tipo test. Las soluciones de los mismos se encuentran en el
apartado de soluciones. Como los tests cuentan de 10 preguntas para
aprobarlos debes responder correctamente al 70% de las preguntas, es decir,
debes acertar 7 preguntas.
¡¡ Que tengas mucha suerte!!

AUTOEVALUACIÓN

TEST 1

1. El sesgo nos indica…

a) Si la distribución tiene mucha dispersión en torno al parámetro.
b) Nos indica la distancia entre el parámetro y el estimador.
c) Ambas son falsas.

2. El mejor estimador centrado será el de…

a) Mínima varianza.
b) Máxima varianza.
c) Mínima media.

3. La media muestral, la desviación típica, y la cuasivarianza muestral son…

a) Estimadores insesgados.
b) Estimadores de mínima varianza.
c) Ambas falsas.

4. La expresión del error cuadrático medio…

( ( )) + Var (θˆ)
a) ECM [θˆ] = Sesgo θˆ
2

b) ECM [θˆ] = (Sesgo (θˆ )) + Var (θˆ )

c) ECM [θˆ] = (Sesgo (θˆ )) + Var (θˆ )

2 2
5. ¿Qué es preferible…?
a) Un estimador con mucha varianza para que los datos estén pocos dispersos
y sesgado.
b) Un estimador algo sesgado y con poca varianza frente a uno centrado con
mucha varianza.
c) Ambas son incorrectas.

6. La consistencia de un estimador viene dada por…

a) lim P (θˆ − θ
n→∞
)
≤ ε = 1 → ∀ε > 0

b) lim P (θˆ − θ ≥ ε ) = 1 → ∀ε > 0

n→∞

c) lim P (θˆ − θ ≤ ε ) = 1 → ∀ε < 0

n→∞

7. La media muestral, la cuasivarianza muestral y proporción muestral son…

a) Estimadores inconsistentes de sus parámetros respectivos.
b) Estimadores consistes de sus parámetros respectivos.
c) Ambas son falsas.

8. Según el teorema de khintchine…

a) Los momentos muestrales divergen en probabilidad a los poblacionales.
b) Los momentos muestrales son equivalentes a los poblacionales.

9. Según el método de máxima verosimilitud la función de verosimilitud para

una variable aleatoria discreta será…
n
a) L(θ ) = P ( X 1 = x1 ... X n = x n ) = ∏ P ( X i = xi )
i =1

n
b) L(θ ) = ∏ f ( xi )
i =1

dln(L(θ ))
c) =0
dθ

10. Las propiedades deseables de un estimador son:

a) Inconsistente, suficiente, deficiente y presencia de sesgo.
b) Consistente, insuficiente, deficiente y ausencia de sesgo.
c) Consistente, eficiente, suficiente y ausencia de sesgo.
AUTOEXAMEN

TEST 2

1. El error medio cuadrático es especialmente útil cuando….

a) Tenemos pocos estimadores con condiciones similares de sesgo y varianza.
b)Tenemos muchos estimadores con condiciones distintas de sesgo y varianza.
c) Cuando tenemos dos estimadores y no sabemos cuál escoger.

2. El método de verosimilitud consiste en:

a) En buscar el valor de que hace que la función de verosimilitud alcance su
valor máximo.
b) En buscar el valor de que hace que la función de verosimilitud alcance su
valor máximo.
c) En igualar los momentos poblacionales con sus correspondientes momentos
muestrales, obteniendo así un sistema con tantas ecuaciones como parámetros
desconocidos presente la distribución.

3. Llamamos sesgo a:

a) Sesgo(θˆ) = E[θˆ] − θ

b) Sesgo(θˆ) = λ − θ

c) Sesgo(θˆ) = E[θˆ] − λ

4. ¿Qué pasaría si no conocemos los parámetros de los cuales depende el

intervalo de confianza? Podemos:
a) NO podemos hacer nada
b) Podemos determinar el tamaño de la muestra para un error absoluto.
c) Utilizar como valor de n el que resultaría del intervalo más grande
posible.

5. Se realiza una medida del porcentaje de sólidos en suspensión SS de un

agua residual de una muestra de 100 cogidas aleatoriamente indica que el 55%
de las mismas presentan una SS alrededor un valor concreto. ¿Qué tan grande
debe ser una muestra de votantes para tener una confianza del 95% de que el
valor sea ese?
a) 385
b) 386
 c) 358

6. Una muestra aleatoria de 50 calificaciones de Matemáticas de un total de 30

mostró una media de 75 y una desviación estándar típica de 10¿Cuáles son los
límites de confianza al 95% para estimados de la media de las 200
calificaciones?
a) 58,2%
b) 85,2%
c) 52,8%

7. [2]En una muestra aleatoria de 400 adultos y 600 jóvenes qe vieron un cierto
programa de televisión, 100 adultos y 300 jóvenes reconocieron que les había
gustado. Determinar los límites de confianza al 95% para la diferencia de
proporciones de todos los adultos y jóvenes que vieron con agrado el
programa.
a) 0,25 ± 0,06
b) 0,25 ± 0,6
c) 0,6 ± ,25
.
.8. [2] La fuerza electromotriz media (fem) de las baterías producidas por una
empresa es de 4,5 voltios y su desviación típica es 0,04 V. si se conectan en
serie cuatro de ellas, hallar el nivel de confianza al 99%.
a) 180,4 ± 0,21
b) 184,0 ± 21
c) Ambas incorrectas.

9. Las ventajas de la inferencia paramétrica son:

a) No requieren basarse en distribuciones.
b) En cuanto a computación, son más fáciles.
c) Incluso pueden aplicarse con los datos están dados en rangos.
d) Ninguna de las anteriores.

10. Un procedimiento será robusto si…

a) Es poco sensible a la distribución elegida, es decir, el procedimiento
funciona bien aunque la distribución escogida sea incorrecta
b) Es muy sensible a la distribución elegida, es decir, el procedimiento
funciona bien aunque la distribución escogida sea incorrecta
c) Es poco sensible a la distribución elegida, es decir, el procedimiento
funciona mal aunque la distribución escogida sea incorrecta
 73. SOLUCIONES

Problema propuesto sobre el Teorema de Verosimilitud [Link]

Cada pieza producida por la máquina puede serlo o no serlo. Si la probabilidad

de que una pieza defectuosa es p, el número de piezas defectuosas obtenidas
de entre 10 piezas producidas sigue una distribución binomial de parámetros
B(10,p).

Sabiendo que las 10 piezas extraídas al azar sólo una fue defectuosa, la
verosimilitud de que el porcentaje de defectos sea p=0,15 será:
10 
L(l d p = 0,15) =  ·0,15·0,85 9 = 0,3474 (turno mañana )
1
Para el empleado de turno de tarde:
10 
L(l d p = 0,08) =  ·0,08·0,92 9 = 0,3777 (turno tarde)
1

Problema propuesto sobre el Teorema de los Momentos [Link]

La variable X (cantidad de dinero) se distribuye de forma normal con

parámetros α y σ desconocidos. Los dos primeros momentos poblacionales
respecto al origen son:
α 1 = E ( X ) = α y α 2 = σ 2 + α 12 = σ 2 + α 2
Los correspondientes momentos muestrales para una muestra aleatoria simple
de tamaño n son:
n n

∑ xi ∑x 2
i

α1 = x = i =1
y α2 = i =1

n n
Igualando los momentos muestrales y poblacionales obtenemos:
 n

 ∑ xi

 α 1 = a1  αˆ = x = i =1

n
α = a  n n
 2 2
 ∑ x 2
i ∑ x 2i
σ 2 + α 2 = i =1 ; σ 2 = i =1 −α 2
 n n
2
n
 n 
∑x 2
i ∑x i 
Sustituimos α̂ en la segunda ecuación: σ = 2 i =1
−  i =1 
n  n 
 
 
70.3.5Problema propuesto intervalo de confianza (MEDIA)

α
Sabemos que: 0,95 = 1 − α ⇒ α = 0,05 ⇒ = 0,025 ⇒ z α = z 0, 025 = 1,96
2 2

5
El intervalo será: 70 ± 1,96 = 70 ± 1,96·1,25 = 70 ± 2,45
16

70.3.6 Problema propuesto intervalo de confianza (DESVIACIÓN)

Cuando los grados de libertad son mayores que 30, debemos recurrir a la
siguiente expresión: 2 X 2 p − 2ν − 1
Al distribuirse normalmente, se puede poner:

2 X 2 p − 2ν − 1 = z p ⇒ X P2 =
1
2
(z p + 2ν − 1 )
2

ν = 200 − 1 = 199 grados de libertad

X 02,975 =
1
2
(
z 0,975 + 2·199 − 1 )2
=
1
2
(1,96 + 19,92 )2
= 239

X 02, 025 =
1
2
(
z 0, 025 + 2·199 − 1 ) 2
= 161

X 0,975 = 239 = 15,5

X 0, 025 = 161 = 12,7

s N s N 100 200 100 200

≤σ ≤ = ≤σ ≤ ⇒ 91,2 ≤ σ ≤ 111,3
x0,975 x0, 025 15,5 12,7

70.3.11 Problema propuesto (SUMAS Y DIFERENCIAS))

σ A2 σ B2 120 2 80 2
x A − xB ± zc + = 1400 − 1200 ± 2,58 + = 200 ± 29,19
NA NB 150 200

70.3.12 Problema propuesto intervalo de confianza (PROPORCIONES)

En este caso la zc es igual a 3

P(1 − P ) 55 0,55(1 − 0,55)
P ± zc = ±3 = 0,55 ± 0,15
N 100 100
En consecuencia el valor de x estará: 0,40 < x < 0,70
Test 1

Test 2

Pregunta 5
P(1 − P ) 55 P(1 − P )
P ± zc = ± 0,50 z c ⇒ N = 384,2 ≅ 385 vo tan tes
N 100 N
Pregunta 6
Se trata de una población de tamaño finito, en la cual Np = 200 y N = 50.
Sabemos que para un nivel de confianza del 95%, la zc = 1,96. Tenemos que la
expresión que debemos utilizar es la siguiente:

pq Np − N
x ± zc
N N p −1

Sustituyendo los valores, tenemos que:

pq Np − N 10 200 − 50
x ± zc = 75 ± 1,96 ⇒ 75 ± 2,4
N N p −1 50 200 − 1

¿Cuál es el nivel de confianza que permite afirmar que la media de las 200
calificaciones es de 75 ± 1 ?

pq Np − N 10 200 − 50
zc = 1 → zc = 1 ⇒ z c = 0,81
N N p −1 50 200 − 1

Ahora con el valor de zc recurrimos a las tablas de la distribución normal y

vemos que el valor que nos sale es de 0,2910. Esta área la da sólo para
valores positivos. Ahora tendremos que calcular el área total:
ANORMAL = 0,2910·2 = 0,582 Siendo ahora el nivel de confianza del 58,2%.
Siendo ahora el nivel de confianza del 58,2%.

Pregunta 7
Los límites de confianza para las diferencias en proporciones de los dos grupos
vienen dados por:
p1 q1 p 2 q 2
P1 − P2 = ± zc +
N1 N2
Donde los subíndices 1 y 2 se refieren a jóvenes y adultos respectivamente.

P1 = 300/600=0,50 y P2 = 100/400= 0,25.

Los límites de confianza 95% son

p1 q1 p 2 q 2 0,50·0,50 0,25·0,75
P1 − P2 = ± zc + = 0,50 − 0,25 ± 1,96 + = 0,25 ± 0,06
N1 N2 600 400
Luego tenemos que 95% de confianza de que la verdadera diferencia en
proporciones está entre 0,19 y 0,31.

Pregunta 8
El límite de confianza es 180,4 ± 2,58(0,08) = 180,4 ± 0,21V

74. BIBLIOGRAFÍA

[1] Métodos estadísticos

Juan J. González H. mª Pino Quintana M.

[2] Estadística 2º edición

Murria R Spiegel Mc GRaw Hill Schaum

[3] Problemas de inferencia estadística. Muestro y control de calidad.

Javier López Ortega
Editorial Tebar Flores

[4] Problemas de cálculo de probabilidades y estadística.

Vicente Novo Sanjurjo. Cuadernos de la UNED

[5] Probabilidad y estadística para ingenieros.

6º edición
Ronald E. Walpole, Raymond H. Myers, Sharon L. Myers, Prentice Hall