MSc.

Sheyla Yuslavia Bascopé Claudio

 PROPÓSITOS
El estudiante a la conclusión del capítulo estará
capacitado para:

• Definir un estimador puntual.

• Definir nivel de confianza.
• Construir el intervalo de confianza de la media
poblacional cuando se conoce la desviación estándar
de la población.
• Construir el intervalo de confianza de una media
MSc. Sheyla Yuslavia Bascopé Claudio poblacional cuando no se conoce la desviación
estándar de la población.
• Construir el intervalo de confianza de una proporción
de la población.
• Construir el intervalo de confianza para la varianza
de la población.
 CONTENIDOS DEL TEMA

4.1 INTRODUCCIÓN
4.2 DEFINICIÓN Y CONCEPTOS PREVIOS
MSc. Sheyla Yuslavia Bascopé Claudio 4.3 PROPIEDADES DE LOS ESTIMADORES
4.4 ESTIMACIÓN PUNTUAL
4.5 ESTIMACIÓN POR INTERVALOS
4,6 FÓRMULAS DEL TEMA
MSc. Sheyla Yuslavia Bascopé Claudio
 La teoría de muestreo puede emplearse para obtener información acerca de
muestras obtenidas aleatoriamente de una población conocida. Sin embargo, desde
un punto de vista práctico, suele ser más importante y ser capaz de inferir
información acerca de una población a partir de muestras de ellas. Dichos problemas
son tratados por la inferencia estadística que utiliza principios de muestreo. Un
problema importante de la inferencia estadística es la estimación de parámetros
poblacionales o simplemente parámetros (como la media y la varianza
poblacionales), a partir de los estadísticos muéstrales correspondientes o estadísticos
(como la media y la varianza muestral).

MSc. Sheyla Yuslavia Bascopé Claudio

MSc. Sheyla Yuslavia Bascopé Claudio
 La teoría de estimación estadística estudia
cómo obtener información sobre una
población, mediante muestras extraídas de
ella. Un importante problema es la estimación
de parámetros de una población a partir de
los correspondientes parámetros de las
muestras, llamados estadísticos muestrales o
estadígrafos.
MSc. Sheyla Yuslavia Bascopé Claudio
MSc. Sheyla Yuslavia Bascopé Claudio
Un estadístico se considera un buen estimador de un parámetro si cumple: ser
insesgado, ser consistente y ser eficiente.

a) LINEALIDAD. Un estimador es lineal si se obtiene por combinación lineal de los

elementos de la muestra
b) CONSISTENCIA. Un estimador es consistente si converge en probabilidad al
parámetro a estimar. Esto significa que, si tomáramos la mayor muestra posible, el
estimador coincidiría con el valor del parámetro.
c) EFICIENCIA. Un estimador es eficiente u óptimo cuando posee varianza mínima o
bien en términos relativos cuando presenta menor varianza que otro. Quedando
claro que el hecho puede plantearse también en términos más coherentes de Error
Cuadrático Medio (ECM).
d) SUFICIENCIA. Un estimador es suficiente cuando no depende del parámetro a
estimar
MSc. Sheyla Yuslavia Bascopé Claudio
 Es un único valor estadístico que se usa para estimar un parámetro. El estadifico
utilizado se denomina estimador. El estimador puntual por ser un solo número no
proporciona por si mismo información sobre la precisión y confiabilidad de la
estimación.

Ejemplo 2: La empresa “sol” produce pipocas, las cuales vienen en una envoltura
estéril, que a su vez es empacada en grandes cajas de cartón. Debido a la forma en
que se acomodan en las cajas de cartón, Estas contienen diferentes cantidades de
bolsas de pipocas. Como las pipocas se venden por bolsa, la empresa “sol” para
propósitos de facturación necesita una estimación del número de bolsas de pipocas
que hay por caja. Para ello se ha tomado una muestra aleatoria de 40 cajas y se ha
registrado el número de bolsas de pipocas contenidas en cada una de ella. Los datos
se muestran a continuación:

MSc. Sheyla Yuslavia Bascopé Claudio

 La administración de la empresa “sol” desea hacer la estimación de:

✓ la varianza 50 64 39 65 55 66 55 53 61 50 45 37 39 43 60 68 58 60 57 69
✓ la desviación 62 49 63 38 42 53 54 55 60 59 44 67 55 50 56 62 71 70 72 73

E= n
E = 40 Li-1 Li xi fi xi f i xi − x  xi − x 
2 2
 xi − x  f i
   
E = 6.3246  6
37 42 39,5 5 197,5 -17,0375 290,2764 1451,382
r = V max − V min 43 48 45,5 3 136,5 -11,0375 121,8264 365,4792
r = 73 − 37 49 54 51,5 7 360,5 -5,0375 25,3764 177,6348
55 60 57,5 11 632,5 0,9625 0,9264 10,1905
r = 36 61 66 63,5 7 444,5 6,9625 48,4764 339,3348
67 73 70 7 490 13,4625 181,2389 1268,6723
r 40 2261,5 3612,6938
C= x= 56,54
# estratros
s2 = 92,63
36 s= 9,62
C= =6
6

12
MSc. Sheyla Yuslavia Bascopé Claudio
MSc. Sheyla Yuslavia Bascopé Claudio
 Se usa cuando se quiere estimar variables cuantitativas y se tiene los siguientes tipos:

PARA LA MEDIA CUANDO n  30 (LA NORMAL)

Muestras con Reposición Muestras sin Reposición

     N −n 
   x  Z     x  Z
  
n N −1 
2
 2 n

MSc. Sheyla Yuslavia Bascopé Claudio

 EJEMPLO (muestras con
𝑛 = 64 𝑥 = 75 𝜎 = 9
reposición): Según una 0,05
𝑍𝛼 = 0,95 + = 0,975 esto se busca en la tabla
investigación previa se 2 2
= 1,96
conoce que el peso
promedio de una
muestra de 64 personas
 
cochabambinas es de    x  Z 
 2 n 
75 kg. Y su desviación es
 9 
de 9 kg. Se pide   75 ± 1.96 
 64 
determinar el peso de
   75 ± 2.205 
los cochabambinos con
un nivel de confianza del
   72.795;77.205 
95%.

MSc. Sheyla Yuslavia Bascopé Claudio

 EJEMPLO (muestras sin
N = 500 n = 81 x = 80  = 8
reposición). De una 0,10
Z = 0,90 + = 0,95 esto se busca en la tabla
población de 500 2 2
personas de la ciudad de = 1, 645
Cochabamba se toma una
muestra sin reposición de
  N -n 
81 personas y se    x  Z 
 2 n N -1 
determina que el peso
promedio es de 80 Kg., y  8 500 - 81 
  80  1, 645 
que la desviación es de 8.  81 500 -1 
Se pide determinar el peso   80  1,3399 
de los cochabambinos a
un nivel de confianza del    78.66;81.34 
90%.

MSc. Sheyla Yuslavia Bascopé Claudio

 PARA LA MEDIA CUANDO n  30 (T- STUDENT)

Muestras con Reposición Muestras sin Reposición

 s   N −n 
   x  t     x  t
s
 n  
2
 2 n N −1 

MSc. Sheyla Yuslavia Bascopé Claudio

 n = 15 x = 4 s = 1.73
(muestras con reposición):
0, 05
En una empresa de t = 0,95 + = 0,975 esto se buscaen la tabla
2 2
artefactos eléctricos, se
con : r = n − 1 → 15 − 1 = 14
sabe que la media de
t = 2,145
artefactos defectuosos de 2

una muestra de 15 es de 4
y que su desviación es de
1.73. Se pide determinar el  s 
número de los artefactos
   x  t 
 2 n 
defectuosos de la
  1.73  
empresa, tomando en    4 ± 2.145   
cuenta un nivel de   15  
confianza del 95%    4 ± 0.9581
  3.0419; 4.9581

MSc. Sheyla Yuslavia Bascopé Claudio

 EJEMPLO (muestras sin N = 300 n = 19 x = 5 s = 1.79
reposición). Una empresa 0,10
t = 0,90 + = 0,95 esto se busac en la tabla
tiene 300 artefactos 2 2
eléctricos, y se sabe que la con : r = n − 1 → 19 − 1 = 18
tt = 1, 734
media de artefactos
defectuosos de una
muestra sin reposición de
19 es de 5 y que su
desviación es de 1.79. Se  s N −n 
   X ±t 
pide determinar el número  2 n N −1 
de los artefactos  1.79 300 − 19 
defectuosos de la
  5 ± 1,734 
 19 300 − 1 
empresa, tomando en
  5 ± 0,6903
cuenta un nivel de
confianza del 90%.
   4.3097;5.6903

MSc. Sheyla Yuslavia Bascopé Claudio

 PARA DIFERENCIA DE MEDIA CUANDO n  30 (NORMAL)

𝜎1 𝜎2
𝜇1 ≠ 𝜇2 ∈ 𝑥1ҧ − 𝑥ҧ2 ± 𝑍𝛼ൗ +
2 𝑛1 𝑛2

MSc. Sheyla Yuslavia Bascopé Claudio

 EJEMPLO: El banco del
estado de rio desea estimar la
𝜎1 𝜎2
diferencia entre las medias de 𝜇1 ≠ 𝜇2 ∈ 𝑥1ҧ − 𝑥ҧ2 ± 𝑍𝛼ൗ +
los saldos de las tarjetas de 2 𝑛1 𝑛2
crédito de 2 se sus sucursales,
Una muestra independiente de
tarjetahabientes generaron os
resultados que aparecen en la 150 130
siguiente tabla. Determinar un 𝜇1 ≠ 𝜇2 ∈ 500 − 375 ± 2,575 +
intervalo de confianza del 32 36
99% para la diferencia entre
las medias de los saldos

𝜇1 ≠ 𝜇2 ∈ 125 ± 7,4179

(117,5821; 132,4179)

MSc. Sheyla Yuslavia Bascopé Claudio

 PARA DIFERENCIA DE MEDIA CUANDO n  30 (T STUDENT)

𝑠1 𝑠2
𝜇1 − 𝜇2 ∈ 𝑥ҧ1 − 𝑥ҧ2 − 𝑡𝛼ൗ2 +
𝑛1 𝑛2

MSc. Sheyla Yuslavia Bascopé Claudio

 PARA DIFERENCIA DE MEDIA CUANDO n  30 (T STUDENT)
EJEMPLO: El banco del
estado de rio desea estimar la r = 𝑛1 + 𝑛2 − 2 → 15 + 10 − 2 = 23
diferencia entre las medias de
15
los saldos de las tarjetas de 𝑡αΤ2=85+ 2 = 92,5 se busca en tabla con r=23
crédito de 2 se sus sucursales, =1,5165
Una muestra independiente de
tarjetahabientes generaron os
resultados que aparecen en la 𝑠1 𝑠2
𝜇1 − 𝜇2 ∈ 𝑥ҧ1 − 𝑥ҧ2 − 𝑡𝛼ൗ2 +
siguiente tabla. Determinar un 𝑛1 𝑛2
intervalo de confianza del
85% para la diferencia entre
las medias de los saldos 105 78
𝜇1 − 𝜇2 ∈ 899 − 678 ± 1,5165 +
15 10
𝜇1 − 𝜇2 ∈ 221 ± 5,8341

(215,1659; 226,8341)

MSc. Sheyla Yuslavia Bascopé Claudio

MSc. Sheyla Yuslavia Bascopé Claudio
 Se usa cuando se quiere estimar variables cualitativas y se tiene los siguientes tipos:

PARA PROPORCIONES n  30 (LA NORMAL)

Muestras con Reposición

Muestras sin Reposición


P   p  Z
( )
p 1 − p  
 (
p 1− p ) N −n

n  P   p  Z
N −1 
2
  2 n
 

x
Donde: p =
n

MSc. Sheyla Yuslavia Bascopé Claudio

 n = 100 x = 55
EJEMPLO (muestras sin x 55
p= = = 0,55
reposición). Se toma una n 100
muestra con reposición de 0, 05
Z  = 0,95 + = 0,975 esto se busca en la tabla
2
100 habitantes
2

Z = 0,975 = 1,96
cochabambinos para 2

determinar la proporción que

apoya al M. A. S. Se sabe que 

P   p  Z
( )
p 1 − p 
de la muestra tomada le 2 n 
 
apoyan 55 personas.

Tomando en cuenta un nivel  0,55 (1 − 0,55 ) 

P  0,55  1,96 
de confianza del 95% se pide  100 
determinar la proporción de
los cochabambinos que P   0,55 ± 0,0975
apoyan al M. A. S. P   0,4525;0,6475 

MSc. Sheyla Yuslavia Bascopé Claudio

 N = 1050 n = 150 x = 66
x 66
EJEMPLO (muestras sin p= = = 0.44
n 150
reposición).: De una
0,10
población de 1050 Z  = 0,90 + = 0,95 esto se busca en la tabla
2 2
habitantes se toma una
Z  = 0,95 = 1, 645
muestra sin reposición de 2

150, y se sabe que 66

están en contra de las
autonomías. Trabajando


P   p  Z
(
p 1− p ) N −n

con un nivel de confianza n N −1 
 
2

del 90% se pide

determinar la proporción  0.44 (1 − 0.44 ) 1050 − 150 
de habitantes que no P  0.44  1.645 
 150 1050 − 1 
apoyan a las autonomías.

P   0,44 ± 0, 0618
P   0,3782;0,5018

MSc. Sheyla Yuslavia Bascopé Claudio

 PARA PROPORCIONES n  30 (T STUDENT)

Muestras con Reposición Muestras sin Reposición



P   p  t
(
p 1 − p  ) 

P   p  t
(
p 1− p ) N −n


2 n  2 n N −1 
   

x
Donde: p =
n

MSc. Sheyla Yuslavia Bascopé Claudio

 n = 12 p = 0, 20
EJEMPLO (muestras con 0, 40
reposición): Se realizó un t = 0, 60 + = 0,80
2 2
muestreo con reposición y se
buscar en la tabla con : r = n − 1 = 12 − 1 = 11
determinó una muestra de 12
artefactos para conocer la tt = 0,876
proporción que se
encuentran en mal estado.

Mediante resultados de la
muestra se determinó que el


P   p  t
( )
p 1 − p 
20% de los mismos tienen 2 n 
fallas. Se pide trabajar un  
nivel de confianza del 60%  0, 20 (1 − 0, 20 ) 
para determinar la P   0, 20  0,876 
proporción de artefactos en  1 2 
mal estado. P   0, 20  0,1012
P   0, 0988; 0, 3012

MSc. Sheyla Yuslavia Bascopé Claudio

 N = 350
n = 25
p = 0, 70
EJEMPLO (muestras sin
0, 05
reposición). De una t = 0,95 + = 0,975 esto se busca en la tabla
2 2
población de 350 cajas de
con : V = n − 1 = 25 − 1 = 24
comestibles, se toma una
t = 2, 064
muestra de 25 y se sabe 2

que el 70% de las mismas no

tienen ningún defecto.

Tomando en cuenta un nivel



P   p  t
(
p 1− p ) N −n

de confianza del 95% se pide n N −1 
 
2

determinar la proporción de
cajas en buen estado.  0, 70 (1 − 0, 70 ) 350 − 25 
P  0, 70  2,064 
 25 350 − 1 
P   0,70 ± 0,1825
P   0,5175;0,8825

MSc. Sheyla Yuslavia Bascopé Claudio

MSc. Sheyla Yuslavia Bascopé Claudio
PARA LA VARIANZA (CHI-CUADRADO)

 n −1 s2 n −1 s2 
(
  2
2 ) ;
( ) 
 x1− 2
x 
 2 2 
 n = 10
s 2 = 562,1
 = 0,10 = 0, 05 se busca en la tabla con : r = n − 1 → 10 − 1 = 9
EJEMPLO: Los siguientes 2 2
 = 16.9190
datos representan la 2

cantidad de productos 1− = 0,90 + 0, 05 = 0,95 se busca en la tabla con : V = n − 1 → 10 − 1 = 9

vendidos de 10 meses, de 2
1− = 0,95 = 3,3251
la empresa electrodos 2

Se pide determinar el
intervalo para la varianza
con un nivel confianza del
90%  n −1 s2 n −1 s2 
( ) ;( ) 
2 
 x12− x2 
 2 2 

280 350 308 310 310

 (10 − 1) 562,1 (10 − 1) 562,1 
295 300 320 283 265 2  ; 
 16,9190 3,3251 
 2   299, 0070;1521, 4279
MSc. Sheyla Yuslavia Bascopé Claudio
TAMAÑO DE MUESTRA PARA ESTIMAR LA MEDIA DE LA POBLACIÓN

S 2  Z2 2
n=
e2

donde :
n = es el tamaño de la muestra
Z = es el valor normal estandar correspondiente al nivel de confianza deseado
2

S=es la desviacion
e = es el error maximo admisible

El resultado, no siempre es un numero entero, cuando ocurra esto se

acostumbra a redondear al inmediato superior
EJEMPLO: un estudiante de economía desea
determinar la cantidad media que ganan al mes
n=?
los miembros de los consejos ciudadanos de la
z = 95% → 0,975 = 1,96
ciudad. El error al calcular la media debe ser 2

 = 1000
inferior a $100, con un nivel de confianza del
E = 100
95%. El estudiante encontró un informe del
S 2  Z2 2 1,962 10002
Departamento de trabajo en el que la n= = = 384,16  385
e2 1002
desviación estándar es de $1000. ¿Cuál es el
tamaño de muestra que se requiere?
TAMAÑO DE MUESTRA PARA ESTIMAR LA PROPORCIÓN DE LA POBLACIÓN

2
 z 
n = pq 2 
 e 
 

donde :
n = es el tamaño de la muestra
z = es el valor normal estandar
correspondiente al nivel de confianza deseado
p = es proporción de la población
E = es el error maximo admisible
EJEMPLO:se desea calcular la n=?
proporción de ciudades que cuentan z = 90% → 0,95 = 1, 645
2
con recolectores de basureros p = 0,5
privados, para ello se desea tener un E = 0,10
margen de error del 10% y un nivel
de confianza del 90%. ¿Cuál debe ser  z 
2

el tamaño de muestra que se n = pq 2 

 e 
 
requiere? 2
 1, 645 
n = 0,5  0,5   = 67, 65  68
 0,10 
MSc. Sheyla Yuslavia Bascopé Claudio
 Muestras con Reposición
  
   x  Z 
 2 n 

Muestras sin Reposición

POBLACIONES GRANDES   N −n 
   x  Z 
 2 n N −1 

PARA LA MEDIA 𝜇1 ≠ 𝜇2 ∈ 𝑥1ҧ − 𝑥ҧ2 ± 𝑍𝛼ൗ

𝜎1 𝜎2
+
2 𝑛1 𝑛2

Muestras con Reposición

 s 
   x  t 
 2 n 

Muestras sin Reposición

POBLACIONES
PEQUEÑAS  s N −n 
   x  Z 
 2 n N −1 

𝑠1 𝑠2
𝜇1 − 𝜇2 ∈ 𝑥1ҧ − 𝑥2ҧ − 𝑡𝛼ൗ +
2 𝑛1 𝑛2
 Muestras con Reposición


P   p  Z
(
p 1 − p  )
2 n 
 

PARA LA PROPORCIONES
POBLACIONES GRANDES
Muestras sin Reposición


P   p  Z
(
p 1− p ) N −n

p=
x
n
2 n N −1 
 

Muestras con Reposición



P   p  t
(
p 1 − p  )
2 n 
 

POBLACIONES PEQUEÑAS
Muestras sin Reposición


P   p  t
(
p 1− p ) N −n

p=
x

N −1 
n
2 n
 
PARA LA VARIANZA
 n −1 s2 n −1 s2 
( ) ;( ) 
  2
2
CHI - CUADRADO  x1− x2 
 2 2 
TAMAÑO DE MUESTRA PARA
POBLACIONES INFINITAS
INVESTIGACIONES 𝑆 2 × 𝑍𝛼2Τ2
CUANTITATIVAS
𝑒2

2
INVESTIGACIONES  z 
n = pq 2 
CUALITATIVAS
 e 
 
MSc. Sheyla Yuslavia Bascopé Claudio