Location via proxy:   [ UP ]  
[Report a bug]   [Manage cookies]                

Curso: Estadística I

Descargar como pdf o txt
Descargar como pdf o txt
Está en la página 1de 21

Imprimir INSTITUTO TECNOLOGICO DE CHIHUAHUA << Contenido >>

Distribución Muestral de Diferencia de Medias

Suponga que se tienen dos poblaciones distintas, la primera con media 1 y desviación estándar
1, y la segunda con media 2 y desviación estándar 2. Más aún, se elige una muestra
aleatoria de tamaño n1 de la primera población y una muestra independiente aleatoria de tamaño n2
de la segunda población; se calcula la media muestral para cada muestra y la diferencia entre
dichas medias. La colección de todas esas diferencias se llama distribución muestral de las
diferencias entre medias o la distribución muestral del estadístico

La distribución es aproximadamente normal para n1 30 y n2 30. Si las poblaciones son normales,


entonces la distribución muestral de medias es normal sin importar los tamaños de las muestras.

En ejercicios anteriores se había demostrado que y que , por lo que no es difícil

deducir que y que .

La fórmula que se utilizará para el calculo de probabilidad del estadístico de diferencia de medias
es:

Ejemplo:

En un estudio para comparar los pesos promedio de niños y niñas de sexto grado en una escuela
primaria se usará una muestra aleatoria de 20 niños y otra de 25 niñas. Se sabe que tanto para
niños como para niñas los pesos siguen una distribución normal. El promedio de los pesos de todos
los niños de sexto grado de esa escuela es de 100 libras y su desviación estándar es de 14.142,
mientras que el promedio de los pesos de todas las niñas del sexto grado de esa escuela es de 85
libras y su desviación estándar es de 12.247 libras. Si representa el promedio de los pesos de 20
niños y es el promedio de los pesos de una muestra de 25 niñas, encuentre la probabilidad de
que el promedio de los pesos de los 20 niños sea al menos 20 libras más grande que el de las 25
niñas.

Solución:

Datos:

1= 100 libras

2 = 85 libras

1= 14.142 libras

2= 12.247 libras

n1 = 20 niños

n2 = 25 niñas

=?

Por lo tanto, la probabilidad de que el promedio de los pesos de la muestra de niños sea al menos
20 libras más grande que el de la muestra de las niñas es 0.1056.

Ejemplo:

Uno de los principales fabricantes de televisores compra los tubos de rayos catódicos a dos
compañías. Los tubos de la compañía A tienen una vida media de 7.2 años con una desviación
estándar de 0.8 años, mientras que los de la B tienen una vida media de 6.7 años con una
desviación estándar de 0.7. Determine la probabilidad de que una muestra aleatoria de 34 tubos de
la compañía A tenga una vida promedio de al menos un año más que la de una muestra aleatoria de
40 tubos de la compañía B.

Solución:

Datos:

A= 7.2 años

B = 6.7 años

A= 0.8 años

B= 0.7 años

nA = 34 tubos

nB = 40 tubos

=?

Ejemplo:

Se prueba el rendimiento en km/L de 2 tipos de gasolina, encontrándose una desviación estándar


de 1.23km/L para la primera gasolina y una desviación estándar de 1.37km/L para la segunda
gasolina; se prueba la primera gasolina en 35 autos y la segunda en 42 autos.

a. ¿Cuál es la probabilidad de que la primera gasolina de un rendimiento promedio mayor de


0.45km/L que la segunda gasolina?

b. ¿Cuál es la probabilidad de que la diferencia en rendimientos promedio se encuentre entre


0.65 y 0.83km/L a favor de la gasolina 1?.

Solución:
En este ejercicio no se cuenta con los parámetros de las medias en ninguna de las dos poblaciones,
por lo que se supondrán que son iguales.

Datos:

1= 1.23 Km/Lto

2= 1.37 Km/Lto

n1 = 35 autos

n2 = 42 autos

a. =?

b.

?
La probabilidad de que la diferencia en rendimientos promedio en las muestras se encuentre entre
0.65 y 0.83 Km/Lto a favor de la gasolina 1 es de 0.0117.

Distribución Muestral de Diferencia de Proporciones

Muchas aplicaciones involucran poblaciones de datos cualitativos que deben compararse utilizando
proporciones o porcentajes. A continuación se citan algunos ejemplos:

Educación.- ¿Es mayor la proporción de los estudiantes que aprueban matemáticas que las de
los que aprueban inglés?

Medicina.- ¿Es menor el porcentaje de los usuarios del medicamento A que presentan una
reacción adversa que el de los usuarios del fármaco B que también presentan una reacción de
ese tipo?

Administración.- ¿Hay diferencia entre los porcentajes de hombres y mujeres en posiciones


gerenciales.

Ingeniería.- ¿Existe diferencia entre la proporción de artículos defectuosos que genera la


máquina A a los que genera la máquina B?

Cuando el muestreo procede de dos poblaciones binomiales y se trabaja con dos proporciones
muestrales, la distribución muestral de diferencia de proporciones es aproximadamente normal para
tamaños de muestra grande (n1p1 5, n1q1 5,n2p2 5 y n2q2 5). Entonces p1 y p2 tienen
distribuciones muestrales aproximadamente normales, así que su diferencia p1-p2 también tiene una
distribución muestral aproximadamente normal.

Cuando se estudió a la distribución muestral de proporciones se comprobó que y que


, por lo que no es difícil deducir que y que

La fórmula que se utilizará para el calculo de probabilidad del estadístico de diferencia de


proporciones es:

Ejemplo:

Los hombres y mujeres adultos radicados en una ciudad grande del norte difieren en sus opiniones
sobre la promulgación de la pena de muerte para personas culpables de asesinato. Se cree que el
12% de los hombres adultos están a favor de la pena de muerte, mientras que sólo 10% de las
mujeres adultas lo están. Si se pregunta a dos muestras aleatorias de 100 hombres y 100 mujeres
su opinión sobre la promulgación de la pena de muerte, determine la probabilidad de que el
porcentaje de hombres a favor sea al menos 3% mayor que el de las mujeres.

Solución:

Datos:

PH = 0.12

PM = 0.10

nH = 100

nM = 100

p(pH-pM 0.03) = ?

Se recuerda que se está incluyendo el factor de corrección de 0.5 por ser una distribución binomial y
se está utilizando la distribución normal.
Se concluye que la probabilidad de que el porcentaje de hombres a favor de la pena de muerte, al
menos 3% mayor que el de mujeres es de 0.4562.

Ejemplo:

Una encuesta del Boston College constó de 320 trabajadores de Michigan que fueron despedidos
entre 1979 y 1984, encontró que 20% habían estado sin trabajo durante por lo menos dos años.
Supóngase que tuviera que seleccionar otra muestra aleatoria de 320 trabajadores de entre todos
los empleados despedidos entre 1979 y 1984. ¿Cuál sería la probabilidad de que su porcentaje
muestral de trabajadores sin empleo durante por lo menos dos años, difiera del porcentaje obtenido
en la encuesta de Boston College, en 5% o más?

Solución:

En este ejercicio se cuenta únicamente con una población, de la cual se están extrayendo dos
muestras y se quiere saber la probabilidad de la diferencia de los porcentajes en esas dos
muestras, por lo que se debe de utilizar la distribución muestral de proporciones con P1= P2, ya que
es una misma población.

Otra de las situaciones con la cual nos topamos es que desconocemos la proporción de
trabajadores despedidos entre 1979 y 1984 que estuvieron desempleados por un período de por lo
menos dos años, sólo se conoce la
p1= 0.20 ya que al tomar una muestra de 320 trabajadores se observó esa proporción.

En la fórmula de la distribución muestral de proporciones para el cálculo de probabilidad se necesita


saber las proporciones de las poblaciones, las cuales en este ejercicio las desconocemos, por lo
que se utilizará el valor de 0.20 como una estimación puntual de P. En el siguiente tema se abordará
el tema de estimación estadística y se comprenderá el porque estamos utilizando de esa manera el
dato.

También debe de comprenderse la pregunta que nos hace este problema, ¿cuál sería la
probabilidad de que su porcentaje muestral de trabajadores sin empleo durante por lo menos dos
años, difiera del porcentaje obtenido en la encuesta de Boston College, en 5% o más?, la palabra
difiera quiere decir que puede existir una diferencia a favor de la muestra uno, o a favor de la
muestra dos, por lo que se tendrán que calcular dos áreas en la distribución y al final sumarlas.

Datos:

p1 = 0.20

n1 = 320 trabajadores
n2 = 320 trabajadores

P1 = P2

La probabilidad de que su proporcion muestral de trabajadores sin empleo durante por lo menos dos
años, difiera del porcentaje obtenido en la encuesta de Boston College, en 0.05 o más es de
0.1260.

Ejemplo:

Se sabe que 3 de cada 6 productos fabricados por la máquina 1 son defectuosos y que 2 de cada 5
objetos fabricados por la máquina 2 son defectuosos; se toman muestras de 120 objetos de cada
máquina:

a. ¿cuál es la probabilidad de que la proporción de artículos defectuosos de la máquina 2 rebase


a la máquina 1 en por lo menos 0.10?

b. ¿cuál es la probabilidad de que la proporción de artículos defectuosos de la máquina 1 rebase


a la máquina 2 en por lo menos 0.15?

Solución:

Datos:

P1 = 3/6 = 0.5
P2 = 2/5 = 0.4

n1 = 120 objetos

n2 = 120 objetos

a. p(p2-p1 0.10) = ?

Otra manera de hacer este ejercicio es poner P1-P2:

La probabilidad de que exista una diferencia de proporciones de artículos defectuosos de por


lo menos 10% a favor de la máquina 2 es de 0.0011.

b. p(p1-p2

0.15)=?
La probabilidad de que exista una diferencia de proporciones de artículos defectuosos de por lo
menos 15% a favor de la máquina 1 es de 0.2357.

Distribución Muestral de Número de Defectos

En el control de calidad y específicamente en los gráficos de control "c" se aplica esta distribución,
la cual consiste en que al extraer un artículo contabilicemos el número de defectos que tiene ese
artículo.

Esta distribución muestral proviene de la distribución de Poisson, en la cual le media es y que en


este caso es el número promedio de defectos por unidad. Como ya es conocido la varianza de la
distribución de Poisson es igual a por lo que se puede deducir la formula de la siguiente manera:

Para la distribución muestral de número de defectos la nomenclatura utilizada es:

c = número defectos por unidad de inspección

C = número de defectos promedio por unidad de inspección

Se debe de recordar que la distribución de Poisson es una distribución discreta, y se esta utilizando
la aproximación de la normal a la Poisson, debiendo aplicar el factor de corrección de ± 0.5 según
sea el caso. La formula para la dsitribución muestral de número de defectos quedaría de la siguiente
manera:

Ejemplo:

En cierta empresa se fabrican productos con un promedio de 8 defectos por unidad. Determine la
probabilidad de que el próximo producto inspeccionado tenga un número de defectos:

a. Mayor o igual a 6

b. Exactamente 7

c. Como máximo 9
a.

La probabilidad de que el siguiente producto inspeccionado tenga por lo menos 6 defectos es de


0.8106.

b.

La probabilidad de que el siguiente producto inspeccionado tenga exactamente 7 defectos es


de 0.1344.

c.
La probabilidad de que el siguiente producto inspeccionado tenga a lo más 9 defectos es de 0.7019.

Problemas propuestos

1. Se sabe que la resistencia a la ruptura de cierto tipo de cuerda se distribuye normalmente con
media de 2000 libras y una varianza de 25,000 lbs2. Si se selecciona una muestra aleatoria de
100 cuerdas; determine la probabilidad de que en esa muestra:

a. La resistencia media encontrada sea de por lo menos 1958 libras.

b. La resistencia media se mayor de 2080 libras.

1. Como parte de un proyecto general de mejoramiento de la calidad, un fabricante textil decide


controlar el número de imperfecciones encontradas en cada pieza de tela. Se estima que el
número promedio de imperfecciones por cada pieza de tela es de 12, determine la
probabilidad de que en la próxima pieza de tela fabricada se encuentren:

a. Entre 10 y 12 imperfecciones.

b. Menos de 9 y más de 15 imperfecciones.

1. En una prueba de aptitud la puntuación media de los estudiantes es de 72 puntos y la


desviación estándar es de 8 puntos. ¿Cuál es la probabilidad de que dos grupos de
estudiantes, formados de 28 y 36 estudiantes, respectivamente, difieran en su puntuación
media en:

a. 3 ó más puntos.

b. 6 o más puntos.

c. Entre 2 y 5 puntos.

1. Un especialista en genética ha detectado que el 26% de los hombres y el 24% de las mujeres
de cierta región del país tiene un leve desorden sanguíneo; si se toman muestras de 150
hombres y 150 mujeres, determine la probabilidad de que la diferencia muestral de
proporciones que tienen ese leve desorden sanguíneo sea de:

a. Menos de 0.035 a favor de los hombres.

b. Entre 0.01 y 0.04 a favor de los hombres.

1. Una urna contiene 80 bolas de las que 60% son rojas y 40% blancas. De un total de 50
muestras de 20 bolas cada una, sacadas de la urna con remplazamiento, ¿en cuántas cabe
esperar

a. Igual número de bolas rojas y blancas?

b. 12 bolas rojas y 8 blancas?

c. 8 bolas rojas y 12 blancas?

d. 10 ó mas bolas blancas?

1. Los pesos de 1500 cojinetes de bolas se distribuyen normalmente con media de 2.40 onzas y
desviación estándar de 0.048 onzas. Si se extraen 300 muestras de tamaño 36 de esta
población, determinar la media esperada y la desviación estándar de la distribución muestral
de medias si el muestreo se hace:

a. Con remplazamiento

b. Sin remplazamiento

1. La vida media de una máquina para hacer pasta es de siete años, con una desviación
estándar de un año. Suponga que las vidas de estas máquinas siguen aproximadamente una
distribución normal, encuentre:

a. La probabilidad de que la vida media de una muestra aleatoria de 9 de estas máquinas caiga
entre 6.4 y 7.2 años.

b. El valor de la

a la derecha del cual caería el 15% de las medias calculadas de muestras aleatorias de tamaño
nueve.

1. Se llevan a cabo dos experimentos independientes en lo que se comparan dos tipos diferentes
de pintura. Se pintan 18 especímenes con el tipo A y en cada uno se registra el tiempo de
secado en horas. Lo mismo se hace con el tipo B. Se sabe que las desviaciones estándar de
la población son ambas 1.0. Suponga que el tiempo medio de secado es igual para los dos
tipo de pintura. Encuentre la probabilidad de que la diferencia de medias en el tiempo de
secado sea mayor a uno a favor de la pintura A.

Respuestas a los problemas propuestos:

1. a) 0.9960 b) 0

2. a) 0.3221 b) 0.3122

3. a) 0.2150 b) 0.0064 c) 0.4504


4. a) 0.2227 b) 0.2848

5. a) 6 b) 9 c) 2 d) 12

6. a) b) ligeramente menor que 0.008

7. a) 0.6898 b) 7.35

8. 0.0013

ESTIMACION

El objetivo principal de la estadística inferencial es la estimación, esto es que mediante el estudio


de una muestra de una población se quiere generalizar las conclusiones al total de la misma. Como
vimos en la sección anterior, los estadísticos varían mucho dentro de sus distribuciones muestrales,
y mientras menor sea el error estándar de un estadístico, más cercanos serán unos de otros sus
valores.

Existen dos tipos de estimaciones para parámetros; puntuales y por intervalo. Una estimación
puntual es un único valor estadístico y se usa para estimar un parámetro. El estadístico usado se
denomina estimador.

Una estimación por intervalo es un rango, generalmente de ancho finito, que se espera que
contenga el parámetro.

Estimación Puntual

La inferencia estadística está casi siempre concentrada en obtener algún tipo de conclusión acerca
de uno o más parámetros (características poblacionales). Para hacerlo, se requiere que un
investigador obtenga datos muestrales de cada una de las poblaciones en estudio. Entonces, las
conclusiones pueden estar basadas en los valores calculados de varias cantidades muestrales . Po
ejemplo, representamos con (parámetro) el verdadero promedio de resistencia a la ruptura de
conexiones de alambres utilizados para unir obleas de semiconductores. Podría tomarse una
muestra aleatoria de 10 conexiones para determinar la resistencia a la ruptura de cada una, y la
media muestral de la resistencia a la ruptura se podía emplear para sacar una conclusión acerca

del valor de . De forma similar, si es la varianza de la distribución de resistencia a la ruptura,

el valor de la varianza muestral s2 se podría utilizar pra inferir algo acerca de .

Cuando se analizan conceptos generales y métodos de inferencia es conveniente tener un símbolo


genérico para el parámetro de interés. Se utilizará la letra griega para este propósito. El objetivo
de la estimación puntual es seleccionar sólo un número, basados en datos de la muestra, que
represente el valor más razonable de .

Una muestra aleatoria de 3 baterías para calculadora podría presentar duraciones observadas en
horas de x1=5.0, x2=6.4 y x3=5.9. El valor calculado de la duración media muestral es = 5.77, y es
razonable considerar 5.77 como el valor más adecuado de .
Una estimación puntual de un parámetro es un sólo número que se puede considerar como el
valor más razonable de . La estimación puntual se obtiene al seleccionar una estadística
apropiada y calcular su valor a partir de datos de la muestra dada. La estadística seleccionada se
llama estimador puntual de .

El símbolo (theta sombrero) suele utilizarse para representar el estimador de y la estimación


puntual resultante de una muestra dada. Entonces se lee como "el estimador puntual de es
la media muestral ". El enunciado "la estimación puntual de es 5.77" se puede escribir en forma
abreviada .

Ejemplo:

En el futuro habrá cada vez más interés en desarrollar aleaciones de Mg de bajo costo, para varios
procesos de fundición. En consecuencia, es importante contar con métodos prácticos para
determinar varias propiedades mecánicas de esas aleaciones. Examine la siguiente muestra de
mediciones del módulo de elasticidad obtenidos de un proceso de fundición a presión:

44.2 43.9 44.7 44.2 44.0 43.8 44.6 43.1

Suponga que esas observaciones son el resultado de una muestra aleatoria. Se desea estimar la

varianza poblacional . Un estimador natural es la varianza muestral:

En el mejor de los casos, se encontrará un estimador para el cual siempre. Sin embargo,
es una función de las Xi muestrales, por lo que en sí misma una variable aleatoria.

+ error de estimación

entonces el estimador preciso sería uno que produzca sólo pequeñas diferencias de estimación, de
modo que los valores estimados se acerquen al valor verdadero.

Propiedades de un Buen Estimador

Insesgado.- Se dice que un estimador puntual es un estimador insesgado de si , para


todo valor posible de . En otras palabras, un estimador insesgado es aquel para el cual la media
de la distribución muestral es el parámetro estimado. Si se usa la media muestral para estimar la
media poblacional , se sabe que la , por lo tanto la media es un estimador insesgado.

Eficiente o con varianza mínima.- Suponga que 1 y 2 son dos estimadores insesgados de .
Entonces, aun cuando la distribución de cada estimador esté centrada en el valor verdadero de ,
las dispersiones de las distribuciones alrededor del valor verdadero pueden ser diferentes.

Entre todos los estimadores de que son insesgados, seleccione al que tenga varianza mínima. El
resultante recibe el nombre de estimador insesgado con varianza mínima (MVUE, minimum
variance unbiased estimator) de .

En otras palabras, la eficiencia se refiere al tamaño de error estándar de la estadística. Si


comparamos dos estaíisticas de una muestra del mismo tamaño y tratamos de decidir cual de ellas
es un estimador mas eficiente, escogeríamos la estadística que tuviera el menor error estándar, o la
menor desviación estándar de la distribución de muestreo.

Tiene sentido pensar que un estimador con un error estándar menor tendrá una mayor oportunidad
de producir una estimación mas cercana al parámetro de población que se esta considerando.

Como se puede observar las dos distribuciones tienen un mismo valor en el parámetro sólo que la
distribución muestral de medias tiene una menor varianza, por lo que la media se convierte en un
estimador eficiente e insesgado.

Coherencia.- Una estadística es un estimador coherente de un parámetro de población, si al


aumentar el tamaño de la muestra se tiene casi la certeza de que el valor de la estadística se
aproxima bastante al valor del parámetro de la población. Si un estimador es coherente se vuelve
mas confiable si tenemos tamaños de muestras mas grandes.

Suficiencia.- Un estimador es suficiente si utiliza una cantidad de la información contenida de la


muestra que ningún otro estimador podría extraer información adicional de la muestra sobre el
parámetro de la población que se esta estimando.

Es decir se pretende que al extraer la muestra el estadístico calculado contenga toda la información
de esa muestra. Por ejemplo, cuando se calcula la media de la muestra, se necesitan todos los
datos. Cuando se calcula la mediana de una muestra sólo se utiliza a un dato o a dos. Esto es solo
el dato o los datos del centro son los que van a representar la muestra. Con esto se deduce que si
utilizamos a todos los datos de la muestra como es en el caso de la media, la varianza, desviación
estándar, etc; se tendrá un estimador suficiente.

Estimación por Intervalos

Un estimado puntual, por ser un sólo número, no proporciona por sí mismo información alguna
sobre la precisión y confiabilidad de la estimación. Por ejemplo, imagine que se usa el estadístico
para calcular un estimado puntual de la resistencia real a la ruptura de toallas de papel de cierta
marca, y suponga que = 9322.7. Debido a la variabilidad de la muestra, nunca se tendrá el caso
de que = . El estimado puntual nada dice sobre lo cercano que esta de . Una alternativa para
reportar un solo valor del parámetro que se esté estimando es calcular e informar todo un intervalo
de valores factibles, un estimado de intervalo o intervalo de confianza (IC). Un intervalo de
confianza se calcula siempre seleccionando primero un nivel de confianza, que es una medida de
el grado de fiabilidad en el intervalo. Un intervalo de confianza con un nivel de confianza de 95% de
la resistencia real promedio a la ruptura podría tener un límite inferior de 9162.5 y uno superior de
9482.9. Entonces, en un nivel de confianza de 95%, es posible tener cualquier valor de entre
9162.5 y 9482.9. Un nivel de confianza de 95% implica que 95% de todas las muestras daría lugar a
un intervalo que incluye o cualquier otro parámetro que se esté estimando, y sólo 5% de las
muestras producirá un intervalo erróneo. Cuanto mayor sea el nivel de confianza podremos creer
que el valor del parámetro que se estima está dentro del intervalo.

Una interpretación correcta de la "confianza de 95%" radica en la interpretación frecuente de


probabilidad a largo plazo: decir que un evento A tiene una probabilidad de 0.95, es decir que si el
experimento donde A está definido re realiza una y otra vez, a largo plazo A ocurrirá 95% de las
veces. Para este caso

el 95% de los intervalos de confianza calculados contendrán a .

Esta es una construcción repetida de intervalos de confianza de 95% y se puede observar que de
los 11 intervalos calculados sólo el tercero y el último no contienen el valor de .

De acuerdo con esta interpretación, el nivel de confianza de 95% no es tanto un enunciado sobre
cualquier intervalo en particular, más bien se refiere a lo que sucedería si se tuvieran que construir
un gran número de intervalos semejantes.

Encontrar z a partir de un nivel de confianza

Existen varias tablas en las cuales podemos encontrar el valor de z, según sea el área
proporcionada por la misma. En esta sección se realizará un ejemplo para encontrar el valor de z
utilizando tres tablas diferentes.

Ejemplo:
Encuentre el valor de z para un nivel de confianza del 95%.

Solución 1:

Se utilizará la tabla que tiene el área bajo la curva de - hasta z. Si lo vemos gráficamente sería:

El nivel de confianza bilateral está dividido en partes iguales bajo la curva:

En base a la tabla que se esta utilizando, se tendrá que buscar el área de 0.975, ya que cada
extremo o cola de la curva tiene un valor de 0.025.

Por lo que el valor de z es de 1.96.

Solución 2:

Si se utiliza una tabla en donde el área bajo la curva es de 0 a z:

En este caso sólo se tendrá que buscar adentro de la tabla el área de 0.475 y el resultado del valor
de z será el mismo, para este ejemplo 1.96.

Solución 3:
Para la tabla en donde el área bajo la curva va desde z hasta :

Se busca el valor de 0.025 para encontrar z de 1.96.

Independientemente del valor del Nivel de Confianza este será el procedimiento a seguir para
localizar a z. En el caso de que no se encuentre el valor exacto se tendrá que interpolar.

Estimación para la Media

Es conocido de nosotros durante este curso, que en base a la distribución muestral de medias que
se generó en el tema anterior, la formula para el calculo de probabilidad es la siguiente:

. Como en este caso no conocemos el parámetro y lo queremos estimar por medio de


la media de la muestra, sólo se despejará de la formula anterior, quedando lo siguiente:

De esta formula se puede observar que tanto el tamaño de la muestra como el valor de z se
conocerán. Z se puede obtener de la tabla de la distribución normal a partir del nivel de confianza
establecido. Pero en ocasiones se desconoce por lo que en esos casos lo correcto es utilizar
otra distribución llamada "t" de student si la población de donde provienen los datos es normal.

Para el caso de tamaños de muestra grande se puede utilizar una estimación puntual de la
desviación estándar, es decir igualar la desviación estándar de la muestra a la de la población (s=
).

Ejemplos:

1. Se encuentra que la concentración promedio de zinc que se saca del agua a partir de una
muestra de mediciones de zinc en 36 sitios diferentes es de 2.6 gramos por mililitro. Encuentre
los intervalos de confianza de 95% y 99% para la concentración media de zinc en el río.
Suponga que la desviación estándar de la población es 0.3.

Solución:

La estimación puntual de es = 2.6. El valor de z para un nivel de confianza del 95% es


1.96, por lo tanto:
Para un nivel de confianza de 99% el valor de z es de 2.575 por lo que el intervalo será más
amplio:

El intervalo de confianza proporciona una estimación de la presición de nuestra estimación


puntual. Si es realmente el valor central de intervalo, entonces estima sin error. La
mayor parte de las veces, sin embargo, no será exactamente igual a y la estimación
puntual es errónea. La magnitud de este error será el valor absoluto de la diferencia entre y

, y podemos tener el nivel de confianza de que esta diferencia no excederá .

Como se puede observar en los resultados del ejercicio se tiene un error de estimación mayor
cuando el nivel de confianza es del 99% y más pequeño cuando se reduce a un nivel de
confianza del 95%.

2. Una empresa eléctrica fabrica focos que tienen una duración aproximadamente distribuida de
forma normal con una desviación estándar de 40 horas. Si una muestra de 30 focos tiene una
duración promedio de 780 horas, encuentre un intervalos de confianza de 96% para la media
de la población de todos los focos que produce esta empresa.

Solución:

Con un nivel de confianza del 96% se sabe que la duración media de los focos que produce la
empresa está entre 765 y 765 horas.

3. La prueba de corte sesgado es el procedimiento más aceptado para evaluar la calidad de una
unión entre un material de reparación y su sustrato de concreto. El artículo "Testing the Bond
Between Repair Materials and Concrete Substrate" informa que, en cierta investigación, se
obtuvo una resistencia promedio muestral de 17.17 N/mm2, con una muestra de 48
observaciones de resistencia al corte, y la desviación estándar muestral fue 3.28 N/mm2.
Utilice un nivel de confianza inferior del 95% para estimar la media real de la resistencia al
corte.

Solución:

En este ejercicio se nos presentan dos situaciones diferentes a los ejercicios anteriores. La primera
que desconoce la desviación estándar de la población y la segunda que nos piden un intervalo de
confianza unilateral.

El primer caso ya se había comentado y se solucionará utilizando la desviación estándar de la


muestra como estimación puntual de sigma.

Para el intervalo de confianza unilateral, se cargará el área bajo la curva hacia un solo lado como
sigue:

Esto quiere decir que con un nivel de confianza de 95%, el valor de la media está en el intervalo
(16.39, ).

Imprimir INSTITUTO TECNOLOGICO DE CHIHUAHUA << Contenido >>

También podría gustarte