ASIGNATURA:

Estadística inferencial

NRC: 10170

TEMA:
Actividad 6:Mapa Conceptual y Temática Estimación de Intervalos

PRESENTA:
Karen Stefany Andrade Ceron
Álvaro Francisco Delgado Ceballos ID: 582234

DOCENTE:

Paola Andrea Muñoz Pinza

Colombia San Juan de Pasto 18 De septiembre de 2020

 Estimación de intervalos

consiste en establecer el intervalo de valores donde es más probable se encuentre el

parámetro. Si conociéramos el valor del parámetro poblacional, podríamos establecer
la probabilidad de que el estimador se halle dentro de los intervalos de la distribución
muestral.

Intervalo de Valor crítico INTERVALO DE

INTERVALO DE CONFIANZA
PARA LA MEDIA
Dada una variable aleatoria
con distribución
Normal N(μ σ, el objetivo
es la construcción de un
intervalo de confianza para el
parámetro μ, basado en una
muestra de tamaño n de la
variable.  El intervalo se plantea, como
confianza CONFIANZA PARA UNA
PROPORCION
de una característica. Deseamos
estimar la proporción con la
que se da una característica en
una determinada población, esta
característica es dicotómica por
lo que o bien se posee o bien no .
OBTENCIÓN DE UN todos con un nivel
INTERVALO de confianza 1-a prefijado

Variabilidad del Error de la

parámetro estimación

DIFERENCIAS ENTRE DOS

MEDIDAS Y DOS
PROPORCIONES
ESTIMACIÓN
Esto nos puede servir, por PUNTUAL Y ESTIMACIÓN POR
ejemplo, cuando queremos INTERVALOS.
Límite de
evaluar el resultado de dar confianza Una estimación es puntual cuando
un incentivo al consumidor para
se usa un solo valor extraído de la
que compre nuestro producto, o
muestra para estimar el parámetro
cuando queremos evaluar los
desconocido de la población. Al
resultados de una encuesta por
valor usado se le llama estimador.
grupos, o cuando queremos
comparar la tasa de empleo entre
hombres y mujeres.
 ESTIMACION DE INTERVALOS

Intervalo de confianza Se llama así a un intervalo en el que sabemos que está un parámetro, con
un nivel de confianza específico.

Nivel de confianza El nivel de confianza representa el porcentaje de intervalos que incluirían el

parámetro de población si usted tomara muestras de la misma población una y otra vez. Por lo
general, un nivel de confianza de 95% funciona adecuadamente. Esto indica que si usted recogió
cien muestras y creó cien intervalos de confianza de 95%, cabría esperar que aproximadamente 95
de los intervalos incluyeran el parámetro de población, tal como la media de la población, como se
muestra en la siguiente figura.

En este caso, la línea negra horizontal representa el valor fijo de la media desconocida de la
población, µ. Los intervalos de confianza azules verticales que se sobreponen a la línea horizontal
contienen el valor de la media de la población. El intervalo de confianza rojo que está
completamente por debajo de la línea horizontal no lo contiene. Un nivel de confianza de 95%
indica que 19 de 20 muestras (95%) de la misma población producirán intervalos de confianza que
incluirán el parámetro de población.

Maneras de obtener un intervalo de confianza más preciso

Si el intervalo de confianza es demasiado ancho, usted no puede estar muy seguro del valor real de
un parámetro, como por ejemplo la media. Sin embargo, puede utilizar varias estrategias para
reducir el ancho de un intervalo de confianza y hacer que la estimación sea más precisa. Las
siguientes características afectan el ancho del intervalo de confianza.

 Tamaño de la muestra

 Variación en los datos

 Tipo de intervalo

 Nivel de confianza
Aumentar el tamaño de la muestra
Con frecuencia, la manera más práctica de reducir el margen de error es aumentar el tamaño de la
muestra. Por lo general, mientras más observaciones haya, más estrecho será el intervalo alrededor
del estadístico de la muestra. Por lo tanto, se recomienda recolectar más datos para obtener una
estimación más precisa de un parámetro de población.
Debe sopesar los beneficios de una mayor precisión con respecto al tiempo y los recursos
adicionales necesarios para recopilar una muestra más grande. Por ejemplo, un intervalo de
confianza que sea lo suficientemente estrecho como para contener solamente el parámetro de
población requiere que se midan todos los sujetos de la población. Obviamente, esta estrategia por
lo general resultaría muy poco práctica.

Reducir la variabilidad

Mientras menos varíen los datos, más precisa será la estimación de un parámetro de población.

Eso se debe a que al reducirse la variabilidad de los datos, disminuye la desviación estándar y, por
ende, el margen de error de la estimación. Aunque puede ser difícil reducir la variabilidad de los
datos, a veces se puede lograr ajustando la forma en que se recolectan los datos. Por ejemplo, puede
utilizar un diseño pareado para comparar dos grupos. También podría reducir la variabilidad
mejorando el proceso, de manera que el proceso sea más consistente, o midiendo con mayor
precisión.

Utilizar un intervalo de confianza unilateral

Un intervalo de confianza unilateral tiene un margen de error más pequeño que un intervalo de
confianza bilateral. Sin embargo, un intervalo unilateral indica solo si un parámetro es menor que o
mayor que un valor de corte. Un intervalo unilateral no proporciona información acerca del
parámetro en la dirección opuesta. Por lo tanto, utilice un intervalo de confianza unilateral para
aumentar la precisión de una estimación solo cuando le preocupe que la estimación sea mayor o
menor que un valor de corte, pero no ambos.

Por ejemplo, una empresa de bebidas desea determinar la cantidad de sólidos disueltos en su agua
potable. Mientras menos sólidos disueltos tengan el agua, mejor será. Cuando calculan un intervalo
de confianza bilateral, el lado superior del intervalo es 18.4. Sin embargo, puesto que a la empresa
solo le preocupa el límite superior, pueden calcular más bien un intervalo de confianza unilateral. El
intervalo de confianza unilateral muestra que el límite superior de la cantidad de sólidos disueltos es
incluso menor, 17.8 mg/L.
 Reducir el nivel de confianza

La ventaja de un nivel de confianza más bajo es que se obtiene un intervalo de confianza más
estrecho y más preciso. La desventaja es que se está menos seguro de que el intervalo de confianza
contiene el parámetro de población de interés.

Entonces, reduzca el nivel de confianza solo si, en su situación, la ventaja de una mayor precisión
supera a la desventaja de un menor grado de certeza. Por ejemplo, si es demasiado costoso aumentar
el tamaño de la muestra en su estudio, disminuir el nivel de confianza reducirá la longitud del
intervalo a expensas de perder algo de confianza.

Uso de un intervalo de confianza para decidir si rechazar la hipótesis nula

Supongamos que usted realiza una prueba de hipótesis. Recuerde que la decisión de rechazar la
hipótesis nula (H0) o no rechazarla puede depender del valor p y del nivel de significancia elegido
(también denominado α). Si el valor p es menor que o igual al nivel de significancia (α), usted
rechaza H0; si es mayor que α, usted no puede rechazar H0.

La decisión también puede basarse en el intervalo de confianza (o límite) calculado usando el

mismo nivel de significancia (α). Por ejemplo, la decisión para una prueba en el nivel de
significancia de 0.05 puede basarse en el intervalo de confianza de 95%:

 Si el valor de referencia especificado en H0 está fuera del intervalo (es decir, es menor que
el límite inferior o mayor que el límite superior), usted puede rechazar H 0.

 Si el valor de referencia especificado en H0 está dentro del intervalo (es decir, no es menor
que el límite inferior ni mayor que el límite superior), usted no puede rechazar H 0.
 HIPOTESIS

¿Qué es una prueba de hipótesis?

Una prueba de hipótesis es una regla que especifica si se puede aceptar o rechazar una afirmación
acerca de una población dependiendo de la evidencia proporcionada por una muestra de datos.

Una prueba de hipótesis examina dos hipótesis opuestas sobre una población: la hipótesis nula y la
hipótesis alternativa. La hipótesis nula es el enunciado que se probará. Por lo general, la hipótesis
nula es un enunciado de que "no hay efecto" o "no hay diferencia". La hipótesis alternativa es el
enunciado que se desea poder concluir que es verdadero de acuerdo con la evidencia proporcionada
por los datos de la muestra.

Con base en los datos de muestra, la prueba determina si se puede rechazar la hipótesis nula. Usted
utiliza el valor p para tomar esa decisión. Si el valor p es menor que el nivel de significancia
(denotado como α o alfa), entonces puede rechazar la hipótesis nula.

Un error común de percepción es que las pruebas estadísticas de hipótesis están diseñadas para
seleccionar la más probable de dos hipótesis. Sin embargo, al diseñar una prueba de hipótesis,
establecemos la hipótesis nula como lo que queremos desaprobar. Puesto que establecemos el nivel
de significancia para que sea pequeño antes del análisis (por lo general, un valor de 0.05 funciona
adecuadamente), cuando rechazamos la hipótesis nula, tenemos prueba estadística de que la
alternativa es verdadera. En cambio, si no podemos rechazar la hipótesis nula, no tenemos prueba
estadística de que la hipótesis nula sea verdadera. Esto se debe a que no establecimos la
probabilidad de aceptar equivocadamente la hipótesis nula para que fuera pequeña.

Ejemplo de cómo realizar una prueba de hipótesis básica

Usted puede seguir seis pasos básicos para configurar y realizar correctamente una prueba de
hipótesis. Por ejemplo, el gerente de una fábrica de tuberías desea determinar si el diámetro
promedio de los tubos es diferente de 5 cm. El gerente sigue los pasos básicos para realizar una
prueba de hipótesis.

NOTA
Debe determinar los criterios para la prueba y el tamaño de muestra necesario antes de recolectar
los datos.
1. Especificar las hipótesis.

En primer lugar, el gerente formula las hipótesis. La hipótesis nula es: la media de la
población de todos los tubos es igual a 5 cm. Formalmente, esto se escribe como: H0: μ = 5

Luego, el gerente elige entre las siguientes hipótesis alternativas:

Condición que se probará Hipótesis alternativa

La media de la población es menor que el unilateral: μ < 5

objetivo.

La media de la población es mayor que el unilateral: μ > 5

objetivo.

La media de la población es diferente del objetivo. bilateral: μ ≠ 5

Como tiene que asegurarse de que los tubos no sean más grandes ni más pequeños de 5 cm,
el gerente elige la hipótesis alternativa bilateral, que indica que la media de la población de
todos los tubos no es igual a 5 cm. Formalmente, esto se escribe como H1: μ ≠ 5

2. Elegir un nivel de significancia (también denominado alfa o α).

El gerente selecciona un nivel de significancia de 0.05, que es el nivel de significancia más

utilizado.

3. Determinar la potencia y el tamaño de la muestra para la prueba.

El gerente utiliza un cálculo de potencia y tamaño de la muestra para determinar cuántos

tubos tiene que medir para tener una buena probabilidad de detectar una diferencia de
0.1 cm o más con respecto al diámetro objetivo.

4. Recolectar los datos.

 Recoge una muestra de tubos y mide los diámetros.

5. Comparar el valor p de la prueba con el nivel de significancia.

Después de realizar la prueba de hipótesis, el gerente obtiene un valor p de 0.004. El valor p

es menor que el nivel de significancia de 0.05.

6. Decidir si rechazar o no rechazar la hipótesis nula.

El gerente rechaza la hipótesis nula y concluye que el diámetro medio de todos los tubos no
es igual a 5 cm.

Acerca de las hipótesis nula y alternativa

Las hipótesis nula y alternativa son dos enunciados mutuamente excluyentes acerca de una
población. Una prueba de hipótesis utiliza los datos de la muestra para determinar si se puede
rechazar la hipótesis nula.

Hipótesis nula (H0)

La hipótesis nula indica que un parámetro de población (tal como la media, la desviación
estándar, etc.) es igual a un valor hipotético. La hipótesis nula suele ser una afirmación
inicial que se basa en análisis previos o en conocimiento especializado.

Hipótesis alternativa (H1)

La hipótesis alternativa indica que un parámetro de población es más pequeño, más grande
o diferente del valor hipotético de la hipótesis nula. La hipótesis alternativa es lo que usted
podría pensar que es cierto o espera probar que es cierto.

Hipótesis unilaterales y bilaterales La hipótesis alternativa puede ser unilateral o bilateral.

Bilateral

Utilice una hipótesis alternativa bilateral (también conocida como hipótesis no direccional)
para determinar si el parámetro de población es mayor que o menor que el valor hipotético.
Una prueba bilateral puede detectar cuándo el parámetro de población difiere en cualquier
dirección, pero tiene menos potencia que una prueba unilateral.
 Unilateral

Utilice una hipótesis alternativa unilateral (también conocida como hipótesis direccional)
para determinar si el parámetro de población difiere del valor hipotético en una dirección
específica. Usted puede especificar la dirección para que sea mayor que o menor que el
valor hipotético. Una prueba unilateral tiene mayor potencia que una prueba bilateral, pero

no puede detectar si el parámetro de población difiere en la dirección opuesta.

Ejemplos de hipótesis bilaterales y unilaterales

Bilateral

Un investigador tiene los resultados de una muestra de estudiantes que presentaron un

examen nacional en una escuela secundaria. El investigador desea saber si las calificaciones
de esa escuela difieren del promedio nacional de 850. Una hipótesis alternativa bilateral
(también conocida como hipótesis no direccional) es adecuada porque el investigador está
interesado en determinar si las calificaciones son menores que o mayores que el promedio
nacional. (H0: μ = 850 vs. H1: μ≠ 850)

Unilateral

Un investigador tiene los resultados de una muestra de estudiantes que tomaron un curso de
preparación para un examen nacional. El investigador desea saber si los estudiantes
preparados tuvieron puntuaciones por encima del promedio nacional de 850. Una hipótesis
alternativa unilateral (también conocida como hipótesis direccional) se puede utilizar
porque el investigador plantea la hipótesis de que las puntuaciones de los estudiantes
preparados son mayores que el promedio nacional. (H0: μ = 850 vs. H1: μ > 850)
 Bibliografía

 Díaz, A (2013). Estadística aplicada a la administración y la economía. Ciudad de

México, México. MacGrawHill

 Levin, R. Rubin, D. (2004). Estadística para Administración y Economía. Ciudad de

México, México. Séptima edición. Pearson Educación

 CANAVOS, G. (1988) Probabilidad y Estadística. Aplicaciones y Métodos. México: McGraw-

Hill.

 MENDENHALL, W., et al. (1994) Estadística Matemática con Aplicaciones. México: Grupo

Editorial Iberoamérica.

 MONTIEL, A.M., RIUS, F. y BARóN, F.J. (1997) Elementos Básicos de Estadística

Económica y Empresarial. Madrid: Prentice Hall.