PROGRAMA NACIONAL DE FORMACIÓN DE MEDICINA

INTEGRAL COMUNITARIA (PNFMIC)

Tema 3: Inferencia Estadística

Estimación

Disciplina: Informática Médica

Asignatura: Informática Médica II
 Estadística
Ramas de la Estadística: Descriptiva e Inferencial
• La Estadística Descriptiva se ocupa de tomar los datos
de un conjunto dado, organizarlos en tablas o
representaciones gráficas y del cálculo de unos números
que nos informen de manera global del conjunto
estudiado.
• La Estadística Inferencial estudia cómo sacar
conclusiones generales para toda la población a partir
del estudio de una muestra.
Existen dos formas de hacer Inferencia Estadística:
• La estimación de parámetros poblacionales (que son
objeto de estudio de esta asignatura)
• Las pruebas de hipótesis (que estudiaremos en el
próximo curso)
 Estadística Inferencial
La Inferencia Estadística es la parte de los Métodos
Estadísticos relacionados con los problemas de orden
práctico que tienen que ver con el hecho de tomar
decisiones en situaciones de incertidumbre. En el
estudio de una técnica básica de la Inferencia
Estadística, en específico el método de la Estimación
de amplio uso en el campo de la biomedicina es la que
abordaremos en esta actividad.

Además utilizaremos las propiedades la distribución

normal en el análisis de la estimación por intervalos de
confianza.
 Estadístico, Parámetro
• ESTADÍGRAFO O ESTADÍSTICO: Es la medida de una
característica relativa a una muestra. La mayoría de los
estadígrafos se encuentran por medio de una fórmula. Ya hemos
estudiado la media aritmética o promedio ( X ), desviación estándar
(s) y la proporción muestral ( p ).

• PARÁMETRO: El parámetro hace referencia a las medidas que se

tienen en cuenta en una población. Como sabemos una variable
aleatoria en la población se distribuye con arreglo a cierta función
(Modelo teórico de distribución o ley de una variable aleatoria) que
depende de cierto número de valores.
Parámetro es siempre una característica de la población (µ, σ, P,
etc.), relacionada con un estadígrafo (estadístico) ( X , s, p, etc.).
 Relación entre Estadísticos y
Parámetros
  Población Muestra

Definición Universo o Población es La Muestra no es más que una

un conjunto de parte cualquiera de la población,
elementos, objetos o un conjunto cualquiera no vacío.
unidades de análisis
que al menos
comparten una
característica que nos
interesa conocer o
estudiar.

Denominación Parámetros Estadígrafos

Símbolos Tamaño: N Tamaño: n

Media: µ Media:
Desviación estándar: σ Desviación estándar: Xs
 Distribución muestral
La utilización de estadígrafos y otros como estimadores de los
parámetros poblacionales tiene su sustento teórico en el concepto de
Distribución muestral de un estadígrafo.

Distribución muestral de la media aritmética cuando la distribución de la

variable original es normal.

El estudio de determinadas características de una población se efectúa a

través de diversas muestras que pueden extraerse de ella.

Consideremos todas las posibles muestras de tamaño n de una variable

aleatoria en una población. Para cada muestra podemos calcular un
estadígrafo (media, desviación estándar, proporción,.etc.) que variará de
una a otra. Así obtenemos una distribución del estadígrafo que se llama
distribución muestral.
 Distribución muestral
  Aclaremos un poco este concepto con un ejemplo:
Supongamos que tenemos una población de niños
menores de un año y comenzamos a sacar muestras de
tamaño 10 y calculamos el peso promedio de los niños
para cada muestra (Media muestral).
De tal suerte que tendremos un listado de pesos
promedios, tantos como muestras hayamos obtenido.

Esas medias (X ) podemos tratarlas como si fueran valores

de una variable, podemos ordenarlas, calcular su
distribución de frecuencias absolutas y relativas y calcular
una medida de dispersión, digamos la desviación estándar
(s).
 Medias Muestrales
Se ha comprobado que esa distribución de las medias
muestrales cuando la distribución de la variable original
es normal va a tener tres propiedades que son:
• La media de la distribución de las medias en el muestreo
es igual a la media poblacional (μ).
• La desviación estándar de la distribución de las medias
en el muestreo es σ/√n y se conoce como error estándar
de la media muestral. (Es una estimación de la
desviación estándar de la distribución muestral de las
medias).
• La forma de la distribución de las medias muestrales es
aproximadamente el de la distribución normal,
independiente de la forma de distribución de la
población, suponiendo que n sea suficientemente
grande (Teorema central del límite).
 Teorema central del límite
De ahí la importancia tan grande que tiene la distribución normal en la
estadística inferencial, porque puede que no conozcamos cual es la
distribución de nuestra población en estudio o que incluso la
población no se distribuya normal, si el tamaño de la muestra es
suficientemente grande, debido a esta propiedad que se conoce
como teorema central del límite, la muestra sigue la distribución
normal.

σ/√n
σ/√n

μ μ
Valores de las medias muestrales ( X )
 Estimación de parámetros
poblacionales
Se denomina Estimación al conjunto de técnicas que
permiten dar un valor aproximado de un parámetro de
una población a partir de los datos proporcionados por
una muestra.
Esta tarea consiste en, partiendo de ciertos valores de la
muestra llamados estadígrafos o estadísticos, por
ejemplo la media aritmética muestral ( X ), inferir ciertos
otros valores de la población llamados parámetros (por
ejemplo la media aritmética poblacional µ).
 Estimación Puntual
Concepto de Estimación puntual
La estimación puntual se realiza tomando en consideración el
valor del estadígrafo como valor del parámetro
correspondiente de la población.

Ejemplo:
Supongamos que estamos interesados en realizar un estudio
para describir las características del desarrollo físico en niñas
venezolanas entre 8 y 8.9 años de edad, por medio de la
observación de algunas dimensiones antropométricas, la talla
por ejemplo. Asumamos con bastante seguridad que la
variable X, talla, se distribuye en la población de acuerdo con
una ley de distribución normal cuyos parámetros µ y σ se
suponen desconocidos, lo expresado es común escribirlo en
la notación habitual estadística como sigue: X ~ N (µ, σ ).
 Estimación Puntual
Supongamos para continuar que se ha tomado una muestra de tamaño
n = 90 (niñas) y queremos estimar la talla media y la desviación
estándar s. Denotemos por x1, x2,..., x90 los valores correspondientes
a la talla en centímetros de cada una de las 90 niñas de la muestra, de
estadística descriptiva conocemos que las fórmulas:

n
  x  x
n

 xi
y 2
i

x i 1 s i 1

n n 1
se utilizan para calcular la media y la varianza muestral. Estos son
precisamente los estimadores de los parámetros  y  ya que tanto
como s se obtienen a través de funciones que dependen de las xi, es
decir, dependen de la talla de cada una de las 90 niñas seleccionadas
en la muestra. Si al realizar los cálculos apropiados se obtiene que
= 126.9 cm y s = 2.48 cm, entonces esas cifras son las
estimaciones
X de la media y la desviación estándar poblacionales, o
sea, de  y .
 Estimación Puntual
Debe notarse que la utilidad práctica del estadígrafo, radica
en que por medio de un proceder de cálculo se obtiene un
valor único. En este sentido, tanto la media como la
desviación estándar s constituyen valores puntuales.
Lo que tenemos son estimaciones puntuales.
Este hecho, unido a lo que conocemos acerca de la
incertidumbre que se produce en el proceso de selección
de muestras aleatorias, deja en dudas la utilidad de la
estimación puntual, ya que continuamos sin ninguna
información en relación con cuán cerca está el valor
encontrado del verdadero valor desconocido del parámetro
poblacional.
Es decir, sabemos que va a existir una diferencia entre la
cifra estimada y la verdadera, pero no conocemos todavía
si tal diferencia es admisible o no.
Estimación por intervalo de confianza
Una estimación por intervalos consta de dos valores numéricos que, definen
un intervalo que con un grado de confianza específico, se considera que
incluye el parámetro a estimar.

Nos ocuparemos de la construcción de intervalos de confianza para la media

 de una variable aleatoria X con distribución normal y para la proporción P
de una variable aleatoria X con distribución binomial.
Cuando hablamos de estimar un parámetro poblacional por intervalo de
confianza, estamos pensando en que debemos encontrar un intervalo en
donde se encuentre acotado entre dos valores el parámetro poblacional (µ, P
etc.). Los extremos del intervalo se calcularán con los valores de los
estadígrafos correspondientes ( , p, etc.).
Por supuesto, si el parámetro no se encuentra en ese intervalo estaremos
cometiendo un error. Por otra parte, la longitud del intervalo es una medida
de cuán bien puede ser estimado el parámetro a través del intervalo, es
decir, que habla de la utilidad
X de nuestra afirmación.
Así, por una parte, queremos que el parámetro se encuentre con gran
probabilidad en el intervalo y, por otra, que la longitud del intervalo sea
bastante pequeña.
 Intervalo de Confianza para 
con σ conocida
Vamos a aplicar las nociones anteriores para hallar un
intervalo de confianza para  cuando σ es conocida.

Ejemplo. Vamos a suponer que se extrae una muestra de

tamaño 50(n = 50) de la población de tallas de niñas de 7
años. (La variable talla se distribuye normalmente en la
población). Se conoce que σ= 5.53 cm. Los 50 valores
de talla aparecen en la tabla que sigue a continuación,
considere adicionalmente que la muestra se obtuvo:

TABLA #1
131.5, 115.0, 125.5, 119.0, 123.0, 125.0, 124.5, 122.5, 118.0, 125.0
125.5, 119.0, 124.5, 118.0, 117.0, 128.0, 119.5, 124.5, 132.0, 122.5
120.5, 120.0, 126.0, 128.0, 120.5, 120.0, 119.0, 117.0, 129.5, 124.0
121.0, 119.0, 120.0, 128.0, 128.0, 118.5, 118.0, 124.0, 118.0, 118.5
131.0, 117.0, 118.0, 116.5, 121.0, 122.0, 124.0, 120.5, 114.5, 121.0
Intervalo de Confianza para  con σ conocida

Como estudiamos x = (n1+n2…+n50)/50

La media en este caso es X = 122.05 cm.

Aplicando una de las propiedades de la distribución normal a los

intervalos más utilizados tenemos que:

P (µ – 1.96 < X < µ + 1.96 ) = 0.95

(La probabilidad de que los valores de esta variable se encuentren
en este intervalo es de 0.95)

P (µ – 2.58 < X < µ + 2.58 ) = 0.99

(La probabilidad de que los valores de esta variable se encuentren
en este intervalo es de 0.99)
Intervalo de Confianza para  con σ conocida
Los intervalos anteriores pueden observarse en el siguiente gráfico:
Intervalo de Confianza para  con
σ conocida
Ahora bien, la distribución de las medias muestrales
sigue una distribución normal con media µ y desviación
estándar , (Teorema del Límite Central), es decir, que
el intervalo para el 95 % es:

µ – 1.96 < X < µ + 1.96

Podemos observar que en este intervalo se encuentra

acotada la media muestralX y lo que queremos es un
intervalo en que se encuentre acotada la media
poblacional µ.
Intervalo de Confianza para  con
σ conocida
Con la doble desigualdad presente se pueden realizar
dos transformaciones algebraicas que conducen cada
una de ellas a desigualdades equivalentes a la de
partida, y por tanto ambas con idéntico valor de
probabilidad 0.95.
Son estas, las transformaciones siguientes:
Si en ( −1.96 < x <  +1.96 ), restamos  en todos
los términos, esto conduce a (−1.96 < x   < 1.96 ).

Si ahora dividimos todos los términos por el valor , se

obtiene una de las transformaciones anunciadas:
( x-  )
( –1.96 < ---------- < 1.96)
Intervalo de Confianza para  con
σ conocida
Para obtener la otra doble desigualdad, debemos dividir la inicial en
dos, y realizar en ambas por separado, los cambios algebraicos
necesarios.
Para ello comencemos con, −1.96 < x,

y en ella pasemos la expresión, −1.96 < x ,del miembro izquierdo

hacia el derecho, obteniéndose,  < x + 1.96 .

De modo semejante se puede proceder con, x <  +1.96

para obtener que, X  1,96 <.

Combinando ahora ambas desigualdades, estas permiten plantear

que: ( x −1.96 <  < x +1.96 )

Intervalo de Confianza para  con
σ conocida
 x  
Como ya se dijo, Pr (–1.96< 
<1.96) = 0.95, donde el termino,
n
 x  
 ,usualmente identificado por z, es la expresión aritmética
n

necesaria para transformar una variable aleatoria X con distribución

N(, σ) en una variable aleatoria normal estándar, por lo que 1.96 y

–1.96 no son más que los valores entre los que se acumula el 95 %

del área bajo la curva normal estándar; dicho de otra forma, fuera

de ese intervalo sólo está el 5 % del área bajo la curva.

Intervalo de Confianza para  con
σ conocida
Como la curva normal es simétrica, ese 5 % quedará igualmente repartido
hacia cada extremo de la curva, hacia las llamadas colas; por debajo de –
1.96 tendremos un 2.5 % y por encima de 1,96 el otro 2.5 %.

El valor –1.96 coincide con el percentil 2.5 de la distribución normal

estándar mientras que 1.96 coincide con el percentil 97.5.
Se puede poner 0.95 = 1−α, de este modo, α= 0.05. En consecuencia,
1.96 = z0.975 = z1−α/2 y –1.96 = z0.025 = zα/2 = −z1−α/2 = z
Estos valores pueden sustituirse por z en cada uno de los intervalos
teniendo en cuenta que representan los valores de z para 1 – α/2. El valor
de z es 1.96 para la probabilidad de 0.95 y 2.58 para la probabilidad de
0.99.
Intervalo de Confianza para  con
σ conocida
Entonces el intervalo queda así:

Pr( x − z n <  < x + z  n ) = 1−α

que es exactamente lo que necesitábamos; una estimación para ,

que ya no es un valor único, donde incorporamos finalmente, al
utilizar la probabilidad, una medida de confiabilidad o confianza.
Este es el intervalo para la estimación de la media poblacional ().
Observe que la media poblacional () está entre dos límites, cuyos
valores dependen de la media muestral ( x ).
Si sustituimos los datos del ejemplo tendremos:
x = 122.05 σ = 5.53 n = 50

Pr(122.05 – 1.96 · 5.53 /√50 <  < 122.05 + 1.96 · 5.53 /√50 ) = 0.95
Pr(122.05 –1.96 · 0.782 <  < 122.05 +1.96 · 0.782) = 0.95
Pr(120.52 <  < 123.58) = 0.95
 Intervalo de Confianza para 
con σ conocida
Es importante en este momento dar una interpretación correcta a
este intervalo.
Hemos hallado un intervalo que podemos afirmar contiene a  con
probabilidad 1−α= 0.95. La forma en que se ha construido el
intervalo de confianza garantiza que si se toman 100 muestras de
tamaño 50; 95 de ellas aproximadamente producirán intervalos que
contienen el valor real de  mientras que alrededor de 5 producirán
intervalos que no lo contienen.

Ese es el tipo de afirmación que se hace cuando se habla de que

tenemos un 95 % de confiabilidad o confianza de que el intervalo
(120.52 cm, 123.58 cm) contenga el verdadero valor del parámetro
. En términos del ejemplo utilizado diremos que, basados en una
muestra aleatoria de tamaño 50 y conociendo que la desviación
estándar poblacional de la talla de niñas de 7 años es 5.53 cm se
estima, con un 95 % de confianza, que la media poblacional se
encuentra en el intervalo de 120.5 cm a 123.6 cm.
 Intervalo de Confianza para 
con σ conocida
Con la definición siguiente el resultado anterior se generaliza:
Sea X una variable aleatoria normal con media poblacional 
desconocida y desviación estándar σ conocida. Se llama intervalo
de confianza para  con nivel de confiabilidad del (1 - α ) a la
expresión:
(x – z  n , x + z  n )

donde:
z: percentil de orden 1−α/2 de la distribución normal estándar.
z = 1.96 para el 95 % de confianza y z = 2.58 para el 99 % de
confianza.
x : valor observado de la media muestral, en una muestra de la
variable X
n: tamaño de muestra;

Los valores x ± z n son, respectivamente, los límites superior e
inferior de confianza del intervalo. El valor 1 − α se da de antemano;
por supuesto, 0<1−α <1 y α pequeño. Al percentil z de la
distribución normal estándar se le denomina coeficiente de
confianza.
 Intervalo de Confianza para 
con σ desconocida
Es el caso que más se encuentra en la práctica. Como en la
construcción del intervalo de confianza para µ siempre va a estar
implicado el valor de σ, será necesario estimar este último valor.
Como ya vimos n y s (desviación estándar de la
  x i  x
2
muestra)
i 1
s2 
n 1
es la raíz cuadrada de la varianza s2 un estimador puntual de σ.
Sin embargo, tenemos que responder a una nueva interrogante,
¿seguirá siendo apropiado usar el percentil correspondiente a la
distribución normal estándar? Planteado en otra forma, vimos que
la interpretación de 1.96 dependía del conocimiento que teníamos
acerca del estadígrafo ( − µ ) / (σ/ ) = Z, ¿qué sucede
con esta expresión cuando se sustituye σ por su estimador s?
Se conoce que en este caso Z ya no tiene una distribución normal
n
con
x parámetros 0 y 1, sino que ( − µ ) / (s / ) tiene ahora la
distribución t de Student con n-1 grados de libertad.

x n
 Intervalo de Confianza para 
con σ desconocida
Gráfico de la distribución t-student
La distribución t-student representa un modelo de distribución o ley
de una variable aleatoria, cuyos valores se acerca a una distribución
normal cuando aumenta el número de observaciones (n>30).
El valor t de la distribución t-student depende de los grados de
libertad (gl) n − 1 y 1 − α/2. El valor de t se obtiene a partir de la
tabla de la distribución t-student.

Grados de Libertad:
Representan el número de
variables independientes
en la suma de cuadrados.
 Intervalo de Confianza para 
con σ desconocida
En la tabla de la distribución t se puede ver que cuando los grados
de libertad son mayores de 30, o lo que es lo mismo, para
muestras de tamaño n > 31 los percentiles de la distribución t y de
la N(0,1) son muy parecidos, entonces, es común considerar
intervalos de confianza diferentes en el caso de σ desconocida en
dependencia de si n > 30 ó n ≤ 30.
Primer caso (n > 30).
Sea X una variable aleatoria normal con parámetros desconocidos
σ. Si n es lo suficientemente grande, mayor que 30, el intervalo:
( x – z s/ n ; x + z s/ n )
donde s es el estimador de la desviación estándar poblacional, es
el intervalo de confianza para µ, con nivel de confiabilidad
(1 )·100 %.
 Intervalo de Confianza para 
con σ desconocida
Es decir que cuando tenemos una muestra de tamaño mayor que
30, lo único que debemos hacer es utilizar la estimación de σ para
construir el intervalo de confianza.
Calcular un intervalo de confianza del 95 % para la media de talla
de niñas de 7 años, a partir de los datos de la tabla 1, asumiendo
varianza desconocida. Suponga que el cálculo de la desviación
estándar muestral fue s = 4.383 cm.
Solución:
Debemos calcular un intervalo de la forma: ( x – z s/ n ; + z s/ n )
Conocemos que, x = 122.05cm y s = 4.383 cm, y además como el
nivel de confianza = 1   = 0.95, entonces z = 1.96.
Calculemos ahora el valor de z s/ n . Sustituyendo los valores
conocidos se tiene que:
Z s/ n = 1.96 · 4.383 / √ 200 = 1.215.
Ahora restando y sumando 1.215 al valor de x , obtenemos los
límites del intervalo de confianza. Estos son: (120.84, 123.27).
 Intervalo de Confianza para 
con σ desconocida
La afirmación que podemos hacer en este caso es la misma que
para σ conocida: para un nivel de confianza del 95 % la media
poblacional de la talla de niñas venezolanas de 7 años fluctúa,
aproximadamente, entre 120.8cm y 123.2cm.

Segundo caso (n ≤ 30).

Sea X una variable aleatoria normal con parámetro desconocido
σ. Para n ≤ 30, el intervalo:
( x – t n−1,1−α/2 s / n), x + t n−1,1−α/2 s / )n
donde:
t n−1,1−α/2 : percentil de orden 1−α/2 de la t de Student con n−1
grados de libertad y
s: estimador de σ,
es un intervalo de confianza para µ con nivel de confiabilidad
(1  ) · 100 %.
 Intervalo de Confianza para 
con σ desconocida
Es decir que para todo caso en que, n, no sobrepase la cifra de 30,
tendremos que utilizar la tabla de la distribución t de Student para
calcular los límites del intervalo de confianza.
Construya un intervalo del 95 % de confianza para la media
poblacional de la talla de niñas de 7 años, asumiendo que se
seleccionó una muestra de tamaño 20, con una media de
121.93cm y una varianza muestral 24.95 cm2.
Solución:
Los datos que tenemos son:
n = 20, x = 121.93cm, s2 = 24.95 cm2
Como n < 30 hay que usar la expresión
( x – t n−1,1−α/2 s / n ), x + t n−1,1−α/2 s / n ).

De acuerdo a la tabla de la distribución t con α = 0.05, pues el nivel

de confianza deseado es del 95 %, se tiene que t (20−1),(1−α/2) =
t 19, 0.975 = 2.09;
Tenemos que como conocemos s2 , entonces s = √24.95 = 4.995.
 Intervalo de Confianza para 
con σ desconocida
Sustituyendo los datos en la formula prevista, se tiene
entonces que
121.93 – 2.09 · 4.995 / < µ < 121.93 +2.09 · 4.995 /
121.93 – 2.33 < µ < 121.93 + 2.33
Luego (119.60, 124.26 ) es el intervalo de confianza
buscado.
La interpretación es como siempre; tenemos un 95 % de
confianza de que el valor de µ se encuentre entre los
límites aproximados de 119.6 cm y 124.3 cm.
 Estimación por intervalo de
confianza para p
Como ya se sabe el estimador p (proporción o porcentaje muestral) del
parámetro P (proporción o porcentaje poblacional) de la distribución
binomial es un estimador puntual P y como tal, presenta las mismas
deficiencias ya señaladas en el caso de μ. Sería entonces muy útil
obtener estimaciones por intervalo de confianza para el parámetro P
de la binomial.

Asuma que la variable que nos interesa es “presentar estomatitis

subprótesis” y que se quiere hallar un intervalo de confianza del 95 %
para la proporción en la población, P, de enfermos de estomatitis
subprótesis. Se realiza un pesquizaje en portadores de prótesis
estomatológicas de una parroquia de la ciudad de Maracaibo,
efectuándose para ello, la selección de una muestra aleatoria de 50
portadores, encontrándose que, 25 padecían de la citada enfermedad.
Entonces el estimador puntual de P es P = 25/50 = 0.5.

Si asumimos que se cumple la aproximación de la distribución binomial

a la normal entonces la proporción de enfermos en la muestra se
distribuye de acuerdo a una normal con parámetro P; o de otra forma p
~ N(P, P(1−P)/n)
 Estimación de la proporción
poblacional (P)
Similarmente al caso de  , bajo las suposiciones anteriores,
podemos plantear que:
Sea X una variable aleatoria binomial con parámetro desconocido
P. Para n tal que se cumpla la aproximación de la distribución
binomial a la distribución normal, el intervalo
(p - z p(1  p) / n ≤ P ≤ p + z p(1  p) / n )
Pero q = 1 – p entonces, sustituyendo en la fórmula anterior
tenemos que:
(p – z pq / n ≤ P ≤ p + z pq / n )
es un intervalo del (1- α)·100 % de confianza para P, donde:
p: = proporción de la muestra
q: = 1 – p
z: = Coeficiente de confianza
para el 95.0% de confianza z = 1.96 (o lo que es igual α=0.05 )
y para el 99.0% de confianza z = 2.58 (o lo que es igual α=0.01 )
Error estándar de la proporción: pq / n
 Estimación de la proporción
poblacional (P)
Vamos a calcular el intervalo del
95 % de confianza para la
proporción de enfermos de
estomatitis subprótesis en la
población. Para poder aplicar la
fórmula del intervalo de confianza
n*p debe ser ≥ 5 y n*q debe ser ≥
5. Como n = 50, p = 0.5 y 1- p = q
= 0.5; n*p = 50*0.5 = 25 ≥ 5 y n*q
= 50*0.5 = 25 ≥ 5, lo que implica
que es válido usar la fórmula para p (1  p ) / n
obtener una estimación de P por
intervalo de confianza.
Obsérvese que a medida que
aumenta el tamaño muestral (n) la
curva se aproxima más a la
distribución normal.
 Estimación de la proporción
poblacional (P)
Si hacemos las sustituciones de los datos del problema tendremos que, lo
anterior se traduce en,
(0.5 – 1.96 < P < 0.5 + 1.96 )
(0.5 – 1.96 · 0.07 < P < 0.5 + 1.96 · 0.07)
Como 1.96 · 0.07 = 0.14, los límites de confianza para P, o proporción de
enfermos de estomatitis subprótesis en la población, son (0.36, 0.64).
Como sabemos el error estándar de la proporción muestral es: En este
ejemplo es: 0.07

Al igual que cuando construimos los diferentes intervalos de confianza para la

media p(1de
 p) /una
n población normal, es de esperar que si se seleccionan un
número suficientemente grande de muestras de tamaño n, aproximadamente
el (1−α)·100 % de las muestras produzcan intervalos de confianza que
contengan el verdadero valor del parámetro P.
 Estimación del porcentaje
poblacional ( P̂)
:P̂ Porcentaje Poblacional
:p̂ Porcentaje de la Muestra
Como estudiamos en estadística descriptiva el porcentaje no es más
que la proporción multiplicada por 100.
Luego p̂ = p * 100
La estimación puntual del porcentaje poblacional ( P̂) se realiza a
través del porcentaje de la muestra ( p̂).
Igualmente podemos obtener un intervalo de confianza para la
estimación del porcentaje poblacional ( P̂).
El intervalo anterior puede ser reescrito sustituyendo p por p̂y q por
q̂ ; y en lugar de hablar de un
intervalo de confianza para la proporción poblacional se hablará
entonces del intervalo de confianza para elP̂porcentaje poblacional
( ).
Calcule el intervalo de confianza del 95 % para el porcentaje
poblacional de enfermos de estomatitis subprótesis, con los datos del
ejemplo anterior.
 Estimación del porcentaje
poblacional ( P̂)
Solución:
Hay que verificar si, se cumple que n * p * q ≥ 5;
50 * 0.5 * 0.5 = 12.5 ≥ 5 luego es válido utilizar la expresión de
cálculo del intervalo de confianza:
( p̂- z √ p̂ q̂ /n ≤ P̂ ≤ p̂ + z √/p̂ q̂ n)
El porcentaje muestral es igual a la proporción muestral multiplicada
por 100:
p̂ = p * 100 = 0.5 * 100 = 50 %,
Como mencionamos con anterioridad
q̂ = 100 − p̂ = 50 %
50.0−1.96 √50.0*50.0/50 < P̂ < 50.0 +1.96 √50.0*50.0/50
Limite inferior 50.0−13.9 = 36.1 Limite superior 50.0+13.9 = 63.9
La proporción poblacional de pacientes con estomatitis subprotesis
se encuentra entre 36.1 % y 63.9 %.
Como era de esperar, el resultado es igual al de la proporción pero
multiplicado por 100.