Estimacin por intervalos de confianza

Para la media poblacional , si se conoce la desviacin estndar (para poblaciones normales o muestras grandes de poblaciones no normales). (

Para la media poblacional , si NO se conoce la desviacin estndar (para poblaciones normales). (

Donde
( )

es un valor de la variable T de student con n-1 grados de libertad y un ). (poblaciones normales).

rea acumulada de (

Para la varianza poblacional (

( ) ( )

Como la distribucin ji cuadrado no es simtrica ntese que es necesario hallar dos valores diferentes de la variable para poder calcular el intervalo, esto tambin tiene un efecto en el error mximo. Cabe destacar tambin que es ms til interpretar el intervalo de confianza para la desviacin estndar, para lo cual basta con extraer la raz cuadrada de cada extremo para la varianza. Para la diferencia de medias de poblaciones independientes. Existen diversos modelos: I. Si las muestras de ambas poblaciones son grandes y las varianzas conocidas, o si las poblaciones de origen son normales y las varianzas conocidas, entonces:
( )

Se distribuye normal estndar (Z)

Y un intervalo de confianza del (1-) % para ( ) ( )

est dada por: ( ) ( )

II.

Si las poblaciones de origen son normales, pero no se conocen las varianzas y alguno de los tamaos de muestra no es grande, entonces: Se distribuye T de student con grados de libertad, donde: Si se puede suponer varianzas iguales, la variable:

Y por lo tanto, un intervalo de confianza del (1- ) % para

( )

est dada por:

Si no se puede suponer varianzas iguales, la vriable:

Se distribuye T de student con grados de libertad iguales a:

Y por lo tanto, un intervalo de confianza del (1- ) % para

est dada por:

Para la proporcin en muestras grandes. Una variable aleatoria binomial (cantidad de xitos en n ensayos) puede aproximarse a una normal siempre y cuando el numero de ensayos sea grande (n>30) y la probabilidad de xito sea cercana a 0,5 ( . Debido a que p es importante en los fenmenos reales por representar la proporcin de casos favorables en el fenmeno, es necesario desarrollar un estimador para p.

Esto se deduce de la teora de probabilidades en el estudio de las variables aleatorias discretas, especficamente la variable binomial. Para n lo suficientemente grande, la variable: Se distribuye aproximadamente normal estndar (Z), y si dividimos cada termino entre n obtenemos: Se distribuye normal estndar para n grande. Con lo anterior podemos estimar a p (probabilidad de xito en un ensayo) a partir del estadstico insesgado (Casos favorables / numero de ensayos), y podemos concluir que un intervalo de confianza del (1- ) % para p, esta dado por:

Error mximo
Es la mxima distancia posible entre el parmetro y el estadstico que se utilizo para estimarlo, suponiendo que el parmetro esta dentro del intervalo, es decir, es el valor absoluto de la mayor de las distancias entre el valor del estadstico (estadstica) y los lmites de confianza (superior e inferior). De una manera general se puede decir: | || |

Si estamos trabajando con distribuciones simtricas (por ejemplo la distribucin normal o la T de student) sabemos que la distancia entre el valor del estadstico y cualquiera de los limites es la misma por lo que es suficiente con escoger alguno de los limites y restarle(o sumarle) el parmetro y de esta manera se obtiene el error mximo. Esto no es posible con distribuciones no simtricas (como la Ji cuadrada).

Errores mximos y tamaos de muestra

Basndose en lo anteriormente dicho del error mximo es posible hallar un tamao de muestra til para determinado nivel de error mximo, despejando la ecuacin.

Para la media poblacional , si se conoce la desviacin estndar (para poblaciones normales o muestras grandes de poblaciones no normales).

Para la media poblacional , si NO se conoce la desviacin estndar (para poblaciones normales).

En este caso existe un problema para el tamao de muestra ya que este depende de la desviacin estndar muestral, que es desconocida debido a que no se tiene aun ninguna muestra, adems la variable T de student tiene como parmetro los grados de libertad que dependen del tamao de la muestra. Para solucionar este inconveniente existen diferentes mtodos: I. Obtener una muestra piloto de un tamao arbitrario, no necesariamente grande, y obtenida la estimacin de la desviacin tpica sustituirla en la expresin anterior. El nmero de grados de libertad de la T de student debe ser n1 1, donde n1 es el tamao muestral de la muestra piloto. Una vez obtenido el intervalo basado en la nueva muestra, se debe comprobar que se ha logrado la precisin deseada para dar por definitivo el resultado. Si no es posible la obtencin de una muestra piloto, todava es posible el clculo del tamao muestral si definimos el error mximo en trmino de la desviacin estndar de la poblacin. (poblaciones normales).

II.

Para la varianza poblacional

En este caso la distribucin utilizada es Ji cuadrada, como esta no es simtrica, el error no es igual hacia ambos lmites de confianza, por lo cual es necesario utilizar la forma general.

||

Es imposible saber cul de los lmites de confianza es el ms lejano respecto al parmetro, por lo que lo nico que se puede hacer es hallar una ecuacin para el tamao de la muestra suponiendo cada uno de los limites como el limite ms lejano y al final tomar como numero de muestras el mayor resultado obtenido. Pero al realizar lo anteriormente sugerido surge otro inconveniente debido a quela distribucin Ji cuadrada tiene como parmetro fundamental los grados de libertad que son n-1, y n tambin dependera de la desviacin muestral. Para solucionar esto se debe seguir el primer mtodo descrito en el tamao de muestra para la media poblacional si se desconoce la desviacin poblacional