Intervalo de confianza bilateral para la media

𝑥̅−𝜇𝑥
Si X es una v.a. normal y la 𝑍 = también es normal estándar, donde
�
√𝑛
�

𝑥̅ es la media muestral de una muestra aleatoria de tamaño n. Siendo la media poblacional µ el

parámetro de interés, entonces se tienen los siguientes casos:

Caso 1.1. Intervalo de confianza para , si la varianza poblacional 2 es conocida.

σ σ
Xz μXz
(1)
α/2 α/2
/2 /2
n n
-z/2 0 +z/2

Caso 1.2. Intervalo de confianza para , si la varianza poblacional 2 es desconocida.

En este caso se usará la varianza muestral S2, se asume que la distribución es aproximadamente
normal, por lo que además se usará la distribución t-Student con n-1 grados de libertad. Por lo
𝑥̅ −𝜇𝑥
dicho, ahora el estadístico será 𝑇 = 𝑠𝑥
√𝑛

X  t α/2,n-1s/ n  μ  X  t α/2,n-1s/ n (2)

/2 /2

-t/2, n -1 0 t/2, n -1
Tamaño de la muestra para estimar la media

El tamaño de la muestra para estimar la media, se lo obtiene con una confianza del 100(1-)%

con un error máximo | x -| a partir del intervalo de confianza para la media, caso 1.1.
 z  σ 2
n   α/2  (3)
 e 
Donde:

x es el estimador puntual de 
e= |𝑥̅ -| error máximo admisible (error de estimación)
2 es la varianza poblacional
Zα/2 es el punto crítico en la distribución normal correspondiente al nivel de significancia α

Para poder calcular el tamaño de la muestra, se debe fijar el error de muestreo y conocer  es la
desviación estándar poblacional  o aproximarla.

Fijación del error de muestreo e

Puesto que e= |𝑥̅ -|, se entiende que e tiene las mismas unidades de la variable de estudio X,
por ejemplo, si X: salario tiene como unidad de medida dólares, de igual forma el error e tendrá
como unidad de medida dólares.

Luego para poder fijar e antes del cálculo de la muestra se recomienda que este error no supere
el 5% en términos de porcentaje. Para resolver el problema, se puede partir de una hipótesis,
por ejemplo, si quiere comprobar que el salario medio es $490, se podría tomar un 5% de este
valor para fijar el error, luego: e=$490*0.05 = $24.5.

En términos generales: e=u0*e% [unidades]

Si, en el ejemplo anterior tenemos se pide calcular el tamaño de la muestra para estimar el
salario medio con un error de $30, el proceso será inverso para verificar si este valor no supera
el 5% en términos de porcentaje. Luego, en lugar de multiplicar dividimos:

e% = $30/$490= 0.061  e%=6.1%, luego $30 no es apropiado, ya que en términos de

porcentaje supera el 5%.

En términos generales: e% = e(unidades) / u(unidades)

Para finalizar, si no se cuenta con una hipótesis acerca de la media, como último recurso se
podría tomar la media de un estudio anterior o prueba piloto (no muy recomendable) para fijar
una hi- pótesis sobre la media para los cálculos.

Aproximación de la varianza poblacional 2

Aunque en la fórmula del tamaño de la muestra, se encuentra la varianza 2, esta puede ser un
valor teórico conocido, pero no siempre será así, por lo que debe aproximarse. Se tienen tres cri-
terios:

 Estudios anteriores
𝑛 2
Si se conoce la varianza muestral de estudios similares o anteriores 𝑆2 = 𝑖=1(𝑥𝑖−𝑥̅)
∑
, se to-
∗ 𝑛∗−1

mará este valor para aproximar la varianza poblacional 2.

 Prueba piloto
Se toma una muestra cuyo tamaño n* es mucho más pequeño que la muestra definitiva n,
𝑛 2
(n*<<n), y se halla la varianza muestral 𝑆2 = ∑𝑖=1(𝑥𝑖−𝑥̅) , la misma que aproximará a 𝜎 2.
∗ 𝑛∗−1
  Regla empirica

Si no es posible aproximar la varianza por los dos criterios anteriores, se recurre a la regla empí-
rica, sin embargo, es la menos recomendable. El criterio se basa en la normalidad de la distribu-
ción normal, y la posilbildad de hallar intervalos de confianza a una, dos y tres desviaciones es-
tándar de la media. A dos desviaciones estándar de la media, se tiene un intervalo de confianza
que contiene un poco más del 95% de las observaciones, de modo que:

p(-2<X<+2)= p(- 0.95450

2<Z<+2)=
Recuerde: p(-zo<Z<+zo)=0.95  z=±1.96

Luego en el rango de variación de los datos contiene aproxiamadamente 4 desviaciones

estándar, 2 a la izquierda de la media y dos a la derecha de la media.

Rango  4    Rango /4 y esta se reemplaza en la fórmula (3)

Intervalo de confianza bilateral para estimar una proporción

Dada una muestra aleatoria de tamaño n de una población grande y sea la variable aleatoria dis-

creta binomial X: número de éxitos en la muestra. Entonces pˆ =x/n es un estimador puntual de

la proporción poblacional p. Se conoce que la distribución de muestreo de pˆ es

aproximadamente
𝑝(1−𝑝)
normal con media p y varianza 𝜎 2 = , y la distribución de Z es aproximadamente normal
𝑝̂ 𝑛
𝑝̂−𝑝
con forma límite 𝑍 =
𝑝̂(1−𝑝̂)
√ 𝑛

El intervalo de confianza biltaral al 100(1-)% para la estimación de la proporción poblacional p

n pˆ) 
pˆ α/2 pˆ(1- α/
2
pˆ(1
de éxitos es: z p  pˆ  z - pˆ) (5)
n
La muestra se considera grande si np≥5

Tamaño de la muestra para estimar la proporción

2 2
2 𝑍𝛼/2 𝜎
𝑛∞ = (𝑍𝛼/2𝜎 ) = (6)
𝑒 𝑒2

donde:

La varianza poblacional es 2 = pq

es El error de estimación e = |𝑝̂ − 𝑝|

Punto crítico correspondiente a una significancia : Z/2.

 Al igual que, el cálculo del tamaño de la muestra para estimar la media, se aplica la corrección
en la fórmula del tamaño de la muestra.

Fijación del error de muestreo e

Puesto que e = |𝑝̂ − 𝑝| no tiene unidad de medida, este teoricamente toma valores entre cero y
uno, sin embargo para garantizar un muestreo adecuado, se recomienda usar valores del error
directamente entre 1% y 5%, es decir 0.01 ≤p≤0.05

Aproximación de la varianza poblacional 2=pq

Aunque en la fórmula del tamaño de la muestra, se encuentra la varianza 2, esta puede ser un
valor teórico conocido, pero no siempre será así, por lo que debe aproximarse. Se tienen tres cri-
terios:
Prueba de hipótesis sobre la media con varianza desconocida

Sea X1, X2, …, Xn una muestra aleatoria extraida de una distribución aproximadamente normal

de media  y varianza 2. Sean 𝑥̅ el estimador puntual de la media poblacional , y 𝑠2 su

varianza.
𝑛

Como se observa la varianza es desconocida. Además, la variable T tiene distribución t-Student

con n-1 grados de libertad.

𝑇 = 𝑥̅ − 𝜇
𝑠
√𝑛
Para probar la hipótesis se siguen los mismos pasos del caso de muestras grandes, con los
cambios sobre los puntos críticos como se indica a continuación.

Pasos de la prueba: Bilateral Unilater Unilater

al al
superio inferio
r r
1. Hipótesis estadísticas H 0 : μ  μ H 0 : μ  μ 0 H 0 : μ  μ 0

0 H:μμ H:μμ
H:μμ  1 0  1 0
 1
0
2. Nivel de significancia   tα/2,gl   tα,gl = +   tα,gl = -
=
±
3. Estadístico de prueba xμ
T0  s/ n

4. Regla de decisión To > To > + tα,gl To < - tα,gl

tα/2,gl
Ho se rechaza si:

5. Interpretación de los resultados

Nota.- Para esta prueba de hipótesis, los grados de libertad, son g.l. = n–1, ya que se va a
estimar un parámetro, por ende se tiene una restricción.
Usualmente algunos programas estadísticos suelen usar la distribución t-Student para prue-
bas de hipótesis sobre la media, puesto que la distribución t-Student es una buena aproximación
de la distribución normal, especialmente cuando el tamaño de la muestra es grande, lo que está
justificado en parte por el teorema del límite central.
  Estudios anteriores
Si se conoce la varianza muestral
∗ 𝑆 2 = 𝑝̂ 𝑞̂ de estudios similares o anteriores,
se tomará este valor para aproximar la varianza poblacional 2.
 Prueba piloto
Se toma una muestra cuyo tamaño n* es mucho más pequeño que la muestra
definitiva n, (n*<<n), y se halla la varianza
∗ muestral 𝑆2 = 𝑝̂𝑞̂ , la misma que
aproximará a varianza
poblaciona
l 2.
 Regla
e
m
pi
ric
a

Al no poder aplicar los criterios anterioes, se toma p =q=0.5, es decir se

considera que la probabilidad de éxitos es igual a la probabilidasd de
fracasos; ello evita el sesgo y se en- cuentra un tamaño de muestra máximo.