ESTIMACIÓN

Resumen del capítulo

La estimación es un procedimiento para inferir el valor de uno (o más) parámetros de

población. Los estimadores, reglas que nos dicen cómo calcular una estimación en
particular de un parámetro con base en información contenida en una muestra, pueden ser
de dos tipos. Un estimador puntual utiliza los datos de muestra para calcular un solo
número que sirva como estimación de un parámetro de de población. Un estimador de
intervalo utiliza los datos de una muestra para calcular dos números que definen un
intervalo que, con alguna probabilidad previamente determinada, contendrá el parámetro
estimado.

OBJETIVOS
Explicar conceptos básicos de la estimación estadística.
Estipular las propiedades que debe cumplir un estimador.
Ilustrar el empleo de estimadores en situaciones de muestreo prácticas.
Calcular estimadores puntuales y por intervalos.

Palabras claves
Estimador Estimador Puntual
Estimador por intervalo Estimador Insesgado
Estimador EficienteEstimador Suficiente
Estimador ConsistenteMétodos de estimación
ESTIMACIÓN
Mendenhall W. y Sincich T., Probabilidad y Estadística, Cuarta edición, editorial
Prentice Hall, 1997, páginas 337 a la 342.

Hay dos formas de hacer una inferencia acerca de un parámetro de una población: podemos
estimar el valor del parámetro desconocido o pedemos tomar una decisión acerca de un
valor hipotético del parámetro. Por ejemplo, podemos estimar el número medio  de
trabajos presentados cada hora a un centro de procesamiento de datos o podríamos querer
decidir si la media  excede o no cierto valor, digamos 60. El método para tomar una
decisión acerca de uno o más parámetros de una población, denominado prueba
estadística de una hipótesis, es el tema del capítulo siguiente.

Definición

Un estimador puntual es una regla o fórmula que nos dice cómo calcular una estimación
numérica con base en las determinaciones contenidas en una muestra. El número que
resulta es una estimación puntual.

Otra forma de estimar el valor de un parámetro de población  es utilizar un estimador de

intervalo.

Definición

Un estimador de intervalo corresponde a un intervalo aleatorio que, de forma probable,

contiene el verdadero valor del parámetro. Este intervalo recibe el nombre de intervalo de
confianza

Propiedades de los estimadores.

Dado que un estimador puntual se calcula a partir de una muestra, posee una distribución de
muestreo. La distribución de muestreo de un estimador puntual describe por completo sus
propiedades. Por ejemplo, según el teorema de límite central, la distribución de muestreo de
una media de muestra estará distribuida normal si el tamaño de la muestra es grande,

digamos n=30 o más, con media  y error estándar (véase la figura 8.1). La figura
n
muestra que una media de muestra y tiene las mismas probabilidades de quedar por arriba
o por debajo de  y que hay una probabilidad de aproximadamente 0.95 de que no se
2
desviará de  en más de 2 y  .
n
 Figura 8.1
Distribución de muestreo
de una media de muestra
cuando la muestra es
grande.

Las características manifestadas en la figura 8.1 identifican las dos propiedades más
deseables de los estimadores. Primero, nos gustaría que la distribución de muestreo de un
estimador esté centrada en el parámetro que se desea estimar. Si la media de la distribución
de muestro de un estimador ˆ es igual al parámetro estimado  , se dice que el estimador
está Insesgado. Si no es así, se dice que el estimador está sesgado. La media de muestra es
un estimador Insesgado de la media de la población  .

Definición

 
Un estimador ˆ de un parámetro  es insesgado si E ˆ   . Si E ˆ   , se dice que el
estimador está sesgado.

Ejemplo 8.1

Sea y1 , y 2 , , y n una muestra aleatoria de n observaciones de una distribución normal

con media  y varianza  2 . Demuestre que la varianza de la muestra s 2 es un estimador
insesgado de la varianza de la población,  2 , si:
a. La población muestreada tiene una distribución normal.
b. Se desconoce la distribución de la población muestreada

Solución

a. Sabemos que al muestrear una distribución normal,  2


n  1s 2
donde  2 es una
 2

variable aleatoria ji cuadrada con   n  1 grados de libertad. Si reacomodamos los

términos

2
s2   2 de lo que sigue que
n  1
  2 
Es 2
 E   2 
 n  1 

  n1 E 
2
E s2  2

   
Por la sección anterior se sabe que E  2   y V  2  2 ; por tanto

  n 1  n 1 n  1  

2 2
E s2  2

Entonces por la definición, llegamos a la conclusión de que s 2 es un estimador insesgado

de  2 .

b. Por la definición de la varianza de la muestra, tenemos

  n  
2

   yi  
1  n 2  i 1   1 n 2 2
s 
2
 y     y i  n y  
n  1 i 1
 i
n  n  1  i 1 
 
 
   
Como  2  E y 2   2 . En consecuencia, E y 2   2   2 para una variable aleatoria y.
Dado que cada valor de y, y1 , y2 ,, yn se escogió al azar de una población con media
 y varianza  2 , se sigue que
E y i2    2   2 i  1,2,3,, n 
y
2
 
E y i2   y   y 
n
2 2
 2
2
Si tomamos el valor esperado de s y sustituimos estas expresiones, obtenemos
 1 n 2 2 
 
E s 2  E   y i  n y   
 n  1  i 1 


1   n 2
 E  y i   E n y  
n  1   i 1 

2 




1 n
  2 
 E y i  nE  y  
n  1  i 1
2
 

1 n  
 
2
      n   2 
2 2

n  1  i 1  n 

1
n 1
 
n 2  n 2   2  n 2 
 
1
n 1
n 2   2 
 n  1 2
 
 n  1
 2

Esto demuestra que, sea cual sea la naturaleza de la población muestreada, s 2 es un

estimador Insesgado de  2 .

Al seleccionar un estimador, ˆ , de un parámetro  (la letra griega theta), es lógico que

queramos seleccionar el “mejor” estimador. En la práctica no podemos determinar cuál es
el “mejor” estimador en una situación dada. Pero en cambio, lo que si podemos hacer es
seleccionar un “buen” estimador. Se han propuesto varios criterios para medir la “bondad”
de los estimadores. De acuerdo con estos criterios, las características de un buen estimador
consisten en: (1) Insesgado o sin vicio, (2) consistente, (3) eficiente y (4) suficiente.
Nuestro estudio se limitará al criterio de ser un estimador insesgado. Los demás criterios,
aunque son muy importantes, no se pueden analizar adecuadamente sin acudir a conceptos
matemáticos que exceden el nivel de este libro.

INTERVALO DE CONFIANZA PARA UNA MEDIA POBLACIONAL

Wayne W. Daniel, Estadística con aplicaciones a las Ciencias Sociales y a la
Educación, Editorial McGraw-Hill Latinoamericana S.A., 1986, páginas 130 a la -
137 y 144 a la 184.

Ya hemos anotado que cuando el objetivo de la inferencia es la estimación, hay dos

maneras de hacerla: la estimación puntual y la estimación por intervalos. Existe un
problema obvio relacionado con el uso de las estimaciones puntuales. Aunque sólo está
implícito un parámetro, el número disponible de estimaciones es generalmente muy grande.
Cada una de las muestras posibles que se puedan sacar de la población que interesa arroja
una estimación. Por el estudio de las distribuciones muestrales sabemos que algunas
estimaciones estarán más cerca del parámetro que se está calculando que otras. Sin
embargo, no sabemos qué tan cerca está nuestra única estimación puntual del parámetro
verdadero. En una situación determinada podemos considerar sumamente improbable que
la estimación puntual sea exactamente igual al parámetro, pero no estamos en condiciones
de decir en cuánto nos hemos equivocado.

Para tratar de resolver este problema de las estimaciones puntuales, construimos un

intervalo de tal manera que podamos establecer el grado de confianza que tenemos en que
el intervalo incluya dentro de sus puntos limítrofes el parámetro que se está estimando. En
virtud de este planteamiento una estimación por intervalos de esta naturaleza recibe el
nombre de intervalo de confianza.
La media de una poblacional normalmente distribuida, siendo  2 conocida

Aunque generalmente no se conoce la varianza de población, el análisis se puede facilitar si

suponemos una varianza poblacional conocida. Más tarde estudiaremos el caso en que  2
es desconocida.

En la práctica, cuando deseamos calcular una media poblacional, no sacamos naturalmente

un gran número de muestras aleatorias simples de la población, sino solamente una. Si
designamos con x o la media de una sola muestra que se hubiera sacado en una situación
normal, podemos construir la siguiente estimación por intervalos de  :

xo  k
n

Este intervalo se llama el intervalo de confianza del 1001   % para  , y es apenas uno
del gran número de intervalos de los cuales el 1001   % contiene a  . Para expresar este
solo intervalo, podemos escribir
   
C  x o  k    xo  k   1   5.4
 n n
donde C indica que el intervalo es un intervalo de confianza y que se trata de un enunciado
de confianza más bien que un enunciado de probabilidad. En la ecuación (5.4), 1   se
denomina coeficiente de confianza e indica el grado o cantidad de confianza que tenemos
en que nuestro intervalo único contenga a  . El coeficiente de confianza expresado en
forma de porcentaje recibe el nombre de nivel de confianza.

Hagamos ahora un resumen de la forma en que se construye en la práctica un intervalo de

confianza.

1. Sacamos una muestra aleatoria simple de tamaño n.


2. Calculamos x o y  x .
n
3. Seleccionamos un coeficiente de confianza 1   . Tomando como base a 1  
obtenemos el valor apropiado de z mediante la tabla del anexo 4, localizando
1
primero el valor en el cuerpo de la tabla. Por ejemplo, si 1    0.95 ,
2
0.95
localizamos  0.475 en el cuerpo de la tabla. Observamos que 0.475 aparece
2
en la intersección de la fila marcada con 1.9 y la columna encabezada con 0.06. De
donde se concluye que el valor apropiado de z es 1.96.
 
4. Construimos el intervalo, sumando y restando a x o el valor z , así: x o  z .
n n
Este intervalo se basa en la suposición de que el factor cpf no se puede aplicar o se
puede pasar por alto.
 5. Presentamos el intervalo como una ecuación de confianza en la siguiente forma:
   
C  x o  z 1    x o  z 1   1
 2 n 2 n 


En esta ecuación, x o es el estimador, z1 es el llamado factor de confiabilidad y
es el
2 n
error típico del estimador. Podemos entonces expresar un intervalo de confianza de este
tipo, en términos generales, como

Estimador  factor de confiabilidad error típico del estimador

Ejemplo

Un estudio abarca la selección de una muestra aleatoria de 256 representantes de ventas

menores de 35 años de edad. El ingreso anual es un punto de interés. La media de la
muestra es $55420. Con una desviación estándar poblacional de $2050.

1. ¿Cuál es el ingreso medio estimado de todos los gerentes (la población)? Es decir,
¿Cuál es la estimación puntual?
2. ¿Cuál es el intervalo de confianza del 95 por ciento para la media (redondeada a la
decena de dólares más próxima)?
3. ¿Qué grado de confianza se utiliza?
4. Interprete los resultados.

Solución:

1. La estimación puntual de la media de la población es $55420. En otras palabras, no

se conoce la media de la población. El valor $55420 es la mejor estimación que hay
de un valor desconocido.
2. El intervalo de confianza está entre $55170 y $55670, que se encuentra mediante:
 2050
x o  z 1  55420  1.96  55420  251.125 = $55168.875 y $55671.125
2 n 256
 2050 2050 
C  55420  1.96    55420  1.96   0.95
 256 256 
C 55170    55670  0.95
3. El grado de confianza que se utiliza es de 0.95.
4. Si se pudieran seleccionar muchas muestras que incluyeran a los 256 representantes
de ventas menores de 35 años de edad, de la población el ingreso medio estaría en
aproximadamente 95 de cada 100 intervalos de confianza.

La media de una poblacional normalmente distribuida, siendo  2 desconocida

Cuando el muestro se hace en una población distribuida normalmente con varianza
desconocida, el intervalo de confianza del 1001   % para  está dado por
 so so 
C  x o  t     xo  t    1

1 , n 1 1 , n 1
 2 n 2 n 
donde so es la desviación típica de la muestra particular que se ha sacado. En la práctica el
valor apropiado de t se localiza en la tabla del anexo 2 que se encuentra en la intersección
de la fila correspondiente a n  1 y de la columna marcada con t1 2 .

Ejemplo

Se ha hecho una encuesta en un gran sector de un área metropolitana para determinar el

ingreso familiar promedio de los 3000 hogares de ese sector. Una muestra aleatoria simple
de 200 hogares arrojó una media de $12500 y una desviación típica de $3000. Construir el
intervalo de confianza de 95% para  .

Solución:
xo  12500, so  3000 , 1    0.95 , N  3000 y n  200 .

De los valores anteriores notamos que se debe incorporar el cpf a la fórmula anterior. El
valor de t es t 0.975,199  1.9719.

 3000 3000  200 3000 3000  200 

C 12500  1.9719    12500  1.9719   0.95

 200 3000  1 200 3000  1 
C 12500 404.18    12500 404.18  0.95
C 12095.82    12504.18  0.95

Con un 95% de confiabilidad, se puede afirmar que el ingreso familiar promedio para los
3000 hogares de ese sector está entre $12095.82 y $12904.18.

La media de una poblacional no distribuida normalmente

Si el muestreo se hace en una población finita que no está normalmente distribuida y si

como sucede generalmente, el muestreo es sin reemplazamiento, el factor cpf es adecuado
de modo que un intervalo de confianza del 1001   % para  , cuando n es grande, está
dado por
  N n  N  n 
C  x o  z 1    x o  z 1   1
 2 n N  1 2 n N  1 

Cuando la varianza de la población  2 es desconocida y teniendo en cuenta una muestra

grande, para el intervalo de confianza de  , si el muestreo se hace en poblaciones finitas,
se estima por medio de
  so N n so N n 
C  xo  t     xo  t    1
 1 , n1 1
2 n N 1 1 , n1 1
2 n N  1 

Cuando la muestra constituye solamente una pequeña proporción de la población, el factor

de cpf se puede pasar por alto. Generalmente, si n/N es menor o igual a 0.05, n constituye
una pequeña proporción de N.

INTERVALO DE CONFIANZA PARA LA DIFERENCIA ENTRE DOS MEDIAS

POBLACIONALES

Diferencias entre medias de dos poblaciones normalmente distribuidas, siendo

 1 2 y  2 2 conocidas.

Cuando se saca una muestra aleatoria simple de cada una de las poblaciones normalmente
distribuidas con varianzas conocidas, la distribución muestral de x1  x 2 es normal y tiene
 12  22
una media igual a y una varianza igual a  . Cuando esta situación prevalece, el
n1 n2
intervalo de confianza del 1001   % para la diferencia entre dos medias de población,
está dado por
  12  2 2  1 2  2 2 

C  x1  x 2   z 1      x1  x 2   z 1   1
 n1 n2 n1 n2 
 2 2 

donde x1  x 2 es una diferencia observada entre dos medias muestrales. Debe entenderse
que x1 y x2 son valores números específicos.

Diferencias entre medias de dos poblaciones normalmente distribuidas, siendo

 1 2 y  2 2 desconocidas pero iguales.

Cuando se sabe que las varianzas de las dos poblaciones normalmente distribuidas son
iguales o cuando se desea hacer esa suposición, el intervalo de confianza del 1001   %
para  1   2 (diferencia entre las medias poblacionales) viene dado por:
 2 2 2
s 
2

C  x1  x2   t   P   1
sP s sP
 P    x1  x2   t 
 1 , n1  n 2  2 n1 n2 1 , n1  n 2  2 n1 n2 
 2 2 
En la ecuación t es el valor de la distribución t de Student correspondiente a n1  n 2  2
2
grados de libertad y al valor deseado de 1   y s es la estimación combinada de la
P
varianza común de la población.

Diferencias entre medias de dos poblaciones que no están distribuidas normalmente

El investigador puede sacar, de las dos poblaciones, muestra aleatorias simples
independientes de tamaño suficientemente grande como para poder aplicar el teorema del
Límite Central. Si se conocen las varianzas poblacionales, el intervalo de confianza del
1001   % para  1   2 viene dado por
  12  2 2  12  2 2 

C  x1  x 2   z 1      x1  x 2   z 1    1
 n1 n2 n1 n2 
 2 2 

Sin embargo, en la situación más normal, las varianzas poblacionales son desconocidas y se
emplean las varianzas muestrales como estimaciones de las varianzas poblacionales, el
intervalo de confianza del 1001   % para  1   2 viene dado por
 2 2
sP sP 
2 2
C  x1  x2   t     x1  x2   t 
sP sP
   1
 1 , n 1  n 2  2 n1 n2 1 , n 1  n 2  2 n1 n2 
 2 2 

Ejemplo:

Queremos estimar la diferencia entre los salarios iniciales medios de graduados recientes en
ingeniería mecánica e ingeniería civil de la University of Florida (UF). Contamos con la
siguiente información:
1. Una muestra aleatoria de 59 salarios de graduados en ingeniería mecánica de la UF
arrojó una media de muestra de $32675 y una desviación estándar de $4430.
2. Una muestra aleatoria de 30 salarios de graduados en ingeniería civil de la UF
arrojó una media de muestra de $27460 y una desviación estándar de $4286.

Solución
Utilizaremos el subíndice 1 para referirnos a los graduados en ingeniería mecánica, y el 2
en ingeniería civil. También definiremos la siguiente notación:
1 = Media de la población de salarios iniciales de todos los graduados recientes de UF
en ingeniería mecánica
 2 = Media de la población de salarios iniciales de todos los graduados recientes de UF
en ingeniería civil

De forma similar, denotaremos por x1 y x 2 las medias de muestra respectivas; por

s1 y s 2 , las desviaciones estándar de muestra respectivas; y por n1 y n2 los tamaños de
muestra respectivos.
Ingenieros Ingenieros
mecánicos civiles
Tamaño de la muestra 59 30
Media de la muestra 32675 27460
Desviación estándar de la muestra 4430 4286
La forma general de un intervalo de confianza de 95% para  1   2 , con base en muestras
independientes grandes de las poblaciones objetivo, está dada por
  12  2 2  1 2  2 2 
C   x1  x 2   z 1      x1  x 2   z 1   1
 n n n n 
 2 1 2 2 1 2

Recuerde que z 0.475  1.96 .

32675  27460  1.96 44302  42862  5215  1.96972.086

59 30
C 5215  1.96972.086    5215  1.96972.086  0.95
C 5215  1905.3    5215  1905.3  0.95
C 3309,7    7120,3  0.95

INTERVALO DE CONFIANZA PARA UNA PROPORCIÓN POBLACIONAL

Con alguna frecuencia, se desea hacer una estimación de la proporción de sujetos que
componen una población y poseen una característica de interés. Generalmente, no es
práctico examinar toda la población para determinar p, proporción verdadera que posee la
característica de interés. En lugar de esto se toma una muestra aleatoria de la población y se
utiliza la proporción muestral p̂ para hacer una estimación de p.

Cuando el muestreo se hace en una población infinita, el intervalo de confianza del

1001   % para p viene dado por
 pˆ 1  pˆ  pˆ 1  pˆ  
C  pˆ o  z1  p  pˆ o  z1  1
 n n 
 2 2 
donde p̂ o es un valor numérico específico de p̂ calculado en una muestra.

Cuando el muestreo se hace sin reemplazamiento (que es lo usual) en una población finita,
resulta adecuado el uso del cpf y por tanto el intervalo de confianza del 1001   % para p
viene dado por
 pˆ 1  pˆ  N  n pˆ 1  pˆ  N  n 
C  pˆ o  z1  p  pˆ o  z1  1
 n N  1 n N  1 
 2 2 
donde p̂ o es un valor numérico específico de p̂ calculado en una muestra.
INTERVALO DE CONFIANZA PARA LA VARIANZA POBLACIONAL

 x
i 1
i  x
2

En el capítulo 1 vimos que si s 2  es la varianza de una muestra recogida al

n 1
azar de tamaño n tomada de una población normalmente distribuida con varianza  , la
2

razón
n  1s 2 sigue una distribución chi-cuadrado con n  1 grados de libertad. Podemos
2
utilizar este hecho en la construcción de intervalos de confianza para varianzas
poblacionales. De aquí que podamos escribir el intervalo de confianza del 1001   % ,
para  2 como
 
 
n  1so 2 n  1so 2
C 2 2    1
    2 
 1 , n1 , n 1 
 2 2 

n
Como n  1s    xi  x  , podemos construir el intervalo de confianza para 2
2 2

i 1
como
 n n 
   x i  x 2   xi  x 2 
C  i 1 2 2  i 1   1

  
2
 1 , n 1 , n 1 
 2 2 

Obtenemos un intervalo de confianza del 1001   % para la desviación típica

poblacional,  , tomando la raíz cuadrada de cada término de la ecuación anterior, así:
 n n 
   x i  x 2   x i  x 2 
 
C  i 1 2    i 1 2   1
     
 1 , n 1 , n 1 
 2 2

Ejemplo:

Un supervisor de control de calidad en una enlatadora sabe que la cantidad exacta contenida
en cada lata varía, pues hay ciertos factores imposibles de controlar que afectan la cantidad
de llenado. Si  es grande, algunas latas contendrán poco, y otras, demasiado. A fin de
2

estimar la variación de llenado en la enlatadora, el supervisor escoge al azar 10 latas y pesa

el contenido de cada una, obteniendo el siguiente pesaje (en onzas):

7.96 7.90 7.98 8.01 7.97 7.96 8.03 8.02 8.04 8.02
Establezca un intervalo de confianza de 90% para la verdadera variación del llenado de
latas en la enlatadora.

Solución

Para que el intervalo de confianza sea válido, debemos suponer que la muestra de
observaciones (cantidades de llenado) se selecciona de una población normal. A fin de
2
calcular el intervalo, necesitamos calcular ya sea la varianza de la muestra s o la
desviación estándar de la muestra s . Para nuestro caso es s  0.043 .

 0.10
Ahora bien, 1    0.90 y   0.05 . Por tanto, los valores tabulados
2 2
 02.05 y  0.95
2
para n  1  9 gl (obtenidos de la tabla del anexo 3) son
 02.05  3.32511 y  0.95
2
 16.9190 .

Al sustituir estos valores en la fórmula, obtenemos

 10  10.0432 10  10.0432 
C   2
 0.90
 16.9190 3.32511 
 

C 0.00098   2  0.00500  0.90 
Tenemos 90% de seguridad de que la verdadera varianza de la cantidad de llenado de las
latas en la enlatadora está entre 0.00098 y 0.00500. El supervisor de control de calidad
puede utilizar este intervalo para comprobar si la variación del llenado en la enlatadora es
demasiado grande o viola las especificaciones de los reglamentos gubernamentales.

INTERVALO DE CONFIANZA PARA LA RAZÓN ENTRE DOS VARIANZAS

POBLACIONALES

La razón entre las dos varianzas muestrales s12 s2 2 , proporciona un estimador puntual de
12  22 , que es la razón entre las dos varianzas poblacionales. Un estimador de esta
naturaleza resulta útil cuando hay interés en averiguar las magnitudes comparativas de dos
varianzas.

Podemos construir intervalos de confianza para  12  2 2 , la razón entre las varianzas de dos
poblaciones normalmente distribuidas, utilizando la distribución F. Podemos escribir el
intervalo de confianza del 1001   % , para  12  2 2 como
 s12 s 2 2  12 s12 s 2 2 
C     1
 F1 / 2  2 F 
 2  /2 
Como la tabla del anexo 4 contiene solamente los percentiles de la cola superior de la
distribución F (esto es, sólo valores de F1 / 2 ), vale la pena dar una explicación de la
forma de obtener valores de F / 2 .

1
Para hallar F / 2 utilizamos la identidad F / 2, 1 ,  2  , donde  2 y  1
F1 / 2,  2 , 1
son los grados de libertad del numerador y del denominador respectivamente. Así pues, si
 1  15,  2  20 y   0.05,
F0.975, 15, 20  2.57
1 1
F0.025, 15, 20    0.36
F0.975, 20, 15 2.76

Ejemplo:

Entre 29 aspirantes a una posición en una empresa, 13 acaban de completar un curso de

secretariado de seis meses y 16 acaban de terminar estudios de bachillerato donde habían
tomado clases de comercio. A cada aspirante se le aplicó una prueba de eficiencia. La
varianza de los puntajes para el primer grupo fue de 525 y para el segundo, de 350.
Construir el intervalo de confianza del 90% para la razón entre las dos varianzas
poblacionales. ¿Qué suposiciones hay que hacer?

Solución
2 2
Sean n1 y n2 , s1 y s2 los tamaños y varianzas de las muestras, respectivamente.
Así n1  13 y n2  16, s1  525 y s2  350, 1 -   0.90 y   0.10 .
2 2

1 1
Ahora F0.95,12,15  2.48 y F0.05,12,15    0.38 .
F0.95,15,12 2.62
 s12 s 2 2  12 s12 s 2 2 
Remplazando en C      1   , se tiene
 F1 / 2  2 F / 2 
 2
 525 350  12 525 350 
C  2    0.90
 2.48 2 0.38 

 1.5  12 1.5 
C  2   0.90
 2.48  0.38 
 2 
  2 
C  0.6  1 2  3.95   0.90
 2 
 
EJERCICIOS, SECCIÓN 2

1. Consideremos la distribución F con 9 y 16 grados de libertad. ¿Cuál valor de F tiene 0.05

del área a su derecha?

2. Consideremos la distribución chi-cuadrado con 30 grados de libertad. ¿Cuál es la

probabilidad de que un valor de  2 sacado al azar sea igual o mayor que 50.892?

3. Como parte de un experimento, una gran empresa manufacturera encontró que el tiempo
promedio requerido para que 16 empleados realizaran una tarea determinada era de 26
minutos. La desviación típica era de 5 minutos. Construir el intervalo de confianza del 90%
para  . ¿Qué suposiciones son necesarias para poder construir un intervalo de confianza
válido?

4. Una gran compañía deseaba calcular la proporción en que sus empleados estaban de
acuerdo con un nuevo plan de seguros. De una muestra aleatoria de 300 empleados, 75 de
ellos dijeron que estaban de acuerdo. Construir el intervalo de confianza del 95% para la
proporción real que está de acuerdo con el plan.

5. Una muestra aleatoria de 85 dirigentes de grupo, supervisores y personal similar reveló

que, en promedio, una persona permanece 6.5 años en el puesto antes que se le promueva.
La desviación estándar de la muestra fue de 1.7 años. Utilice el grado de confianza de 0.95
y establezca el intervalo de confianza dentro del cual se encuentra la media poblacional.

6. Un banco nacional, al igual que otros bancos grandes, encuentra que el uso de cajeros
automáticos (ATM, de automatic teller machine) reduce el costo de as transacciones
bancarias de rutina. Tal banco instaló Un ATM en las oficinas centrales de una industria. El
ATM es para uso exclusivo de los 605 empleados de la compañía. Después de varios meses
de operación, una muestra de 100 empleados reveló que en un mes usan la máquina ATM
como sigue.
Veces que Frecuencia
se usa el ATM
0 25
1 30
2 20
3 10
4 10
5 5
Total 100

a. ¿Cuál es la estimación de la proporción de empleados que no usan el ATM en un mes?

b. Establezca un intervalo de confianza de 95% para esta estimación. ¿Puede tener la
seguridad el banco de que cuando menos 40% de los empleados de la empresa utilizará el
ATM? Explique su respuesta.
c. ¿Cuántas transacciones al mes realiza el empleado promedio de la compañía?
d. Establezca un intervalo de confianza de 95% para el número medio de transacciones
durante un mes.
e. Es posible que la media de la población sea 0? Explique su respuesta.

7. Durante una jornada en la bolsa, se tomaron dos grupos de industrias, con 30 y 41

empresas cada una, registrándose los precios de cierre en sus acciones, siendo sus medias
de $403.3 y $425.4 y varianzas de 15.4 y 29.6 respectivamente. Encuentre un intervalo de
confianza del 95% para el cociente de las varianzas.

8. Una serviteca desea corresponder a sus clientes por su confianza, en especial cuidado con
los neumáticos para camiones que más acreditación le da al negocio. Ofrece dos marcas
que tienen la misma duración, pero no está muy segurote su variabilidad. Selecciona
muestras de tamaños 16 y 21 neumáticos de cada marca, con varianzas de 36000 y 42000
Km. Encuentre un intervalo de confianza del 990% para la razón entre las varianzas.

9. Se comparan dos métodos para realizar cierta operación. Supongamos que los resultados
obtenidos en las dos muestras fueron: x  725 ; s x  61 y y  661 ; s y  86 , los
2 2

tamaños muestrales son 7 y 13, respectivamente. Encuentre un intervalo de confianza del

90% para la razón entre las varianzas.

10. El salario mensual para una muestra de 30operarios textiles es de $212000, con una
varianza de $935000. Fije los límites de confianza del 95% para el salario medio mensual
de las operaciones en fábricas de textiles.

11. Una muestra aleatoria de 18 operadoras de máquinas perforadoras en bancos

comerciales de una ciudad, da la siguiente información:
 Xi  X i  X 
2
X= Salario por semana de una operadora;  $960000;  31500

a) Obténgase un intervalo de confianza del 95% para estimar el salario medio por semana
de los operadores de máquinas perforadoras empleadas por los bancos comerciales de dicha
ciudad.
b) Al nivel del 1%, ¿Podría afirmarse que estos resultados son inferiores a los señalados por
la empresa, de 22 amperios de punto medio de ruptura?

12. Se hizo una entrevista a 7 subdirectores y a cinco analistas de mercado de una gran
empresa. Se les preguntó, a través de estas dos muestras aleatorias, cuál consideraban que
debería ser el porcentaje óptimo de cobertura de mercado para su compañía. Los resultados
fueron:
Subdirectores 35.0 31.3 37.8 30.3 34.2 32.5 36.3
Análisis de 33.1 28.6 34.2 33.5 36.3
mercado

Establezca límites de confianza del 95%, para la diferencia entre los promedios de
porcentajes.