Instituto Politcnico Nacional

Unidad Profesional Interdisciplinaria de

Ingeniera y Ciencias Sociales y
Administrativas
Ingeniera en Sistemas Automotrices
(Especialidad Administracin Automotriz)
Tema: Estimacin, Estimacin por intervalos,
muestreos, Pruebas y Grficos

Profesor: Ing. Gerardo Prado Snchez

Alumnos:

Calva Lpez Omar

Escobar Pacheco Jess
Moreno Ortiz Juan Carlos
Ramrez lvarez Vctor Damin
Villegas Domnguez
Ral

Grupo: 7SM1

ndice
Estimacin Puntual.3
Intervalos de Confianza.4
Estimacin del intervalo de confianza para la media.......4
Estimacin de intervalo de confianza para una proporcin........5
Muestreo..9
Tipos de Muestreo.........9
Mtodos Muestreo Probabilstico.......9
Mtodos Muestreo No Probabilstico....13
Pruebas........14
Errores de tipo I y tipo II.15
Grafica (Tipos).16
Conclusiones...19

Estimacin puntual
Consiste en la estimacin del valor del parmetro mediante un slo valor, obtenido
de una frmula determinada. Por ejemplo, si se pretende estimar la talla media de
un determinado grupo de individuos, puede extraerse una muestra y ofrecer como
estimacin puntual la talla media de los individuos. Lo ms importante de un
estimador, es que sea un estimador eficiente. Es decir, que sea insesgado
(ausencia de sesgos) y estable en el muestreo o eficiente (varianza mnima)
Estimacin puntual. Sea X una variable poblacional con distribucin F, siendo
desconocido. El problema de estimacin puntual consiste en, seleccionada una
muestra X1,..., Xn, encontrar el estadstico T(X1,..., Xn) que mejor estime el
parmetro . Una vez observada o realizada la muestra, con valores x1,..., xn, se
obtiene la estimacin puntual de , T(x1,..., xn) = .
Vemos a continuacin dos mtodos para obtener la estimacin puntual de un
parmetro: mtodo de los momentos y mtodo de mxima verosimilitud.
Mtodo de los momentos: consiste en igualar momentos poblacionales a
momentos mustrales. Deberemos tener tantas igualdades como parmetros a
estimar. Momento poblacional de orden r r = E (Xr) Momento muestra de orden r
ar = Xn i=1 Xr i n
Mtodo de mxima verosimilitud: consiste en tomar como valor del parmetro
aquel que maximice la probabilidad de que ocurra la muestra observada. Si X1, ...,
Xn es una muestra seleccionada de una poblacin con distribucin F o densidad
f(x), la probabilidad de que ocurra una realizacin x1, ..., xn viene dada por:
L(x1, ..., xn) = Yn i=1 f(xi)
A L(x1,..., xn) se le llama funcin de verosimilitud. (Credibilidad de la muestra
observada). Buscamos entonces el valor de que maximice la funcin de
verosimilud, y al valor obtenido se le llama estimacin por mxima verosimilitud de
. Nota: si la variable X es discreta, en lugar de f (xi) consideramos la funcin
masa de probabilidad p (xi).
Ejemplo 7.1: Sea X N (, ), con desconocido. Seleccionada una m.a.s.
X1,..., Xn, con realizacin x1,..., xn, estimamos el parmetro por ambos
mtodos. Segn el mtodo de los momentos: E(X) = Xn i=1 Xi n = X, y al ser =
E(X) se obtiene que = x. Por el mtodo de mxima verosimilitud: L(x1,..., xn)
= Yn i=1 f (xi) = = Yn i=1 1 2 e (xi) 2 2
Estimacin por Intervalos de conanza 109 y maximizamos en tal funcin; en
este caso resulta ms fcil maximizar su logaritmo: lnL(x1,..., xn) = 1 2 2 Xn
i=1 (xi ) 2 n ln ( 2) lnL(x1,..., xn) = 1 2 Xn i=1 (xi ) = n x n
2 = 0 =
3

Intervalos de confianza
Se llama a un par o varios pares de nmeros entre los cuales se estima que estar
cierto valor desconocido con una determinada probabilidad de acierto.
Formalmente, estos nmeros determinan un intervalo, que se calcula a partir de
datos de una muestra, y el valor desconocido es un parmetro poblacional. La
probabilidad de xito en la estimacin se representa con 1 - y se denomina nivel
de confianza. En estas circunstancias, es el llamado error aleatorio o nivel de
significacin, esto es, una medida de las posibilidades de fallar en la estimacin
mediante tal intervalo.
Este conjunto est delimitado por dos estadsticos: el primero de ellos, el extremo
inferior del intervalo, es un estimador por defecto del parmetro, mientras que el
segundo, el extremo superior del intervalo, es un estimador por exceso del
mismo.
Suponga que quiere estimar la media de todos los alumnos en su universidad.
La media para todos los alumnos es una medida desconocida de la poblacin,
simbolizada como . Usted selecciona una muestra de alumnos, y encuentra que
la media es 5,8. La muestra de la media =5.8 es la estimacin puntual de la
media poblacional . Qu tan preciso es el 5.8? Para responder esta pregunta
debe construir una estimacin del intervalo de confianza.
En general, el nivel de confianza se simboliza con (1 ) * 100%, donde es la
porcin de las colas de la distribucin que estn fuera del intervalo de confianza.
La porcin de la cola superior e inferior de la distribucin es /2.
Estimacin de intervalo de confianza para la media
Se emplea la siguiente frmula:

Dnde:
Z = valor crtico de la distribucin normal estandarizada
Se llama valor crtico al valor de Z necesario para construir un intervalo de
confianza para la distribucin. El 95% de confianza corresponde a un valor (de
0,05. El valor crtico Z correspondiente al rea acumulativa de 0,975 es 1,96
porque hay 0,025 en la cola superior de la distribucin y el rea acumulativa
menor a Z = 1,96 es 0,975.
Un nivel de confianza del 95% lleva a un valor Z de 1,96.
4

Ejemplo:
Si = 24; =3 y n=36 construya para la media poblacional una estimacin de
intervalo de confianza del 95%.

En la distribucin normal para un rea de 0,025 se obtiene Z = -1,96. Por simetra

se encuentra el otro valor Z = 1,96.
Remplazando valores y realizando lo clculos se obtiene:

Respuesta: Existe un 95% de confianza de que la media poblacional se encuentre

entre 23,02 y 24,98.

Estimacin del intervalo de confianza para una proporcin

Sirve para calcular la estimacin de la proporcin de elementos en una poblacin

que tiene ciertas caractersticas de inters.
La estimacin puntual para la proporcin desconocida de la poblacin es la
proporcin de la muestra, p =/n, donde n es el tamao de la muestra y es el
nmero de elementos en la muestra que tienen la caracterstica de inters. La
siguiente ecuacin define la estimacin de confianza para proporcin de la
poblacin.

Dnde:
= proporcin de la poblacin
Z = valor crtico para la distribucin normal estandarizada
n = tamao de la muestra
Cuando la poblacin es finita (N) y el tamao de la muestra (n) constituye ms del
5% de la poblacin, se debe usar el factor finito de correccin. Por lo tanto si
cumple:

Se aplica la ecuacin:

Ejemplo
En un almacn se est haciendo una auditoria para las facturas defectuosas. De
500 facturas de venta se escoge una muestra de 30, de las cuales 5 contienen
errores. Construir una estimacin del intervalo de confianza del 95%.
Los datos del problema son:

Como en los datos aparece el tamao de la poblacin, se debe verificar si el

tamao de la nuestra es mayor que el 5% para emplear la frmula con el factor
finito de correccin. Se remplaza valores en la siguiente frmula:

Por lo tanto se debe utilizar la formula con el factor finito de correccin.

Calculando la proporcin de la cola superior e inferior de la distribucin se obtiene:

Con lectura en la tabla de la distribucin normal para un rea de 0,025 se obtiene

Z = -1,96, y por simetra Z =1,96
Calculando la proporcin de la muestra se obtiene:

Muestreo
El muestreo es una herramienta de la investigacin cientfica, cuya funcin
bsica es determinar que parte de una poblacin debe examinarse, con la
finalidad
de
hacer
inferencias
sobre
dicha
poblacin.
La
muestra
debe
lograr una
representacin adecuada de la
poblacin, en la que se reproduzca de la mejor manera los rasgos esenciales
de dicha poblacin que son importantes para la investigacin.
Para que una muestra sea representativa, y por lo tanto til, debe de reflejar las
similitudes y diferencias encontradas en la poblacin, es decir ejemplificar las
caractersticas de sta.
Los errores ms comunes que se pueden cometer son:
1.- Hacer conclusiones muy generales a partir de la observacin de slo una parte
de la Poblacin, se denomina error de muestreo.
2.- Hacer conclusiones hacia una Poblacin mucho ms grandes de la que
originalmente se tom la muestra. Error de Inferencia.
*En la estadstica se usa la palabra poblacin para referirse no slo a personas
sino a todos los elementos que han sido escogidos para su estudio y el trmino
muestra se usa para describir una porcin escogida de la poblacin.*

Tipos de muestreo

Existen diferentes tipos de muestreo, aunque en general pueden dividirse en dos

grandes grupos: mtodos de muestreo probabilsticos y mtodos de muestreo no
probabilsticos.
Muestreo Probabilstico
Los mtodos de muestreo probabilsticos son aquellos que se basan en el
principio de equiprobabilidad. Es decir, aquellos en los que todos los individuos
tienen la misma probabilidad de ser elegidos para formar parte de una muestra y,
consiguientemente, todas las posibles muestras de tamao n tienen la misma
probabilidad de ser seleccionadas. Slo estos mtodos de muestreo
probabilsticos nos aseguran la representatividad de la muestra extrada y son, por
tanto, los ms recomendables.
Dentro de los mtodos de muestreo probabilsticos encontramos los siguientes
tipos:
9

Muestreo aleatorio simple:

El procedimiento empleado es el siguiente:
1) se asigna un nmero a cada individuo de la poblacin
2) A travs de algn medio mecnico (bolas dentro de una bolsa, tablas de
nmeros
aleatorios, nmeros aleatorios generados con una calculadora u ordenador, etc.)
Se eligen tantos sujetos como sea necesario para completar el tamao de muestra
requerido.
Este procedimiento, atractivo por su simpleza, tiene poca o nula utilidad prctica
cuando la poblacin que estamos manejando es muy grande.
Muestreo Aleatorio Sistemtico:
Este procedimiento exige, como el anterior, numerar todos los elementos de la
poblacin, pero en lugar de extraer n nmeros aleatorios slo se extrae uno. Se
parte de ese nmero aleatorio i, que es un nmero elegido al azar, y los
elementos que integran la muestra son los que ocupa los lugares i, i+k, i+2k,
i+3k,..., i+(n-1) k, es decir se toman los individuos de k en k, siendo k el resultado
de dividir el tamao de la poblacin entre el tamao de la muestra: k= N/n.
El nmero i que empleamos como punto de partida ser un nmero al azar entre 1
y k. El riesgo este tipo de muestreo est en los casos en que se dan
periodicidades en la poblacin ya que al elegir a los miembros de la muestra con
una periodicidad constante (k) podemos introducir una homogeneidad que no se
da en la poblacin.
Imaginemos que estamos seleccionando una muestra sobre listas de 10 individuos
en los que los 5 primeros son varones y los 5 ltimos mujeres, si empleamos un
muestreo aleatorio sistemtico con k=10 siempre seleccionaramos o slo
hombres o slo mujeres, no podra haber una representacin de los dos sexos.
Muestreo Aleatorio Estratificado:
Trata de obviar las dificultades que presentan los anteriores ya que simplifican los
procesos y suelen reducir el error muestral para un tamao dado de la muestra.
Consiste en considerar categoras tpicas diferentes entre s (estratos) que poseen
gran homogeneidad respecto a alguna caracterstica (se puede estratificar, por
ejemplo,
segn
la
profesin,
el
municipio
de
residencia,
el
sexo, el estado civil, etc.).
Lo que se pretende con este tipo de muestreo es asegurarse de que todos los
estratos de inters estarn representados adecuadamente en la muestra. Cada
estrato funciona independientemente, pudiendo aplicarse dentro de ellos el
10

muestreo aleatorio simple o el estratificado para elegir los elementos concretos

que formarn parte de la muestra.
En ocasiones las dificultades que plantean son demasiado grandes, pues exige
un conocimiento detallado de la poblacin. (Tamao geogrfico, sexos,
edades,...).
La distribucin de la muestra en funcin de los diferentes estratos se denomina
afijacin,
y
puede
ser
de
diferentes
tipos:

Afijacin Simple: A cada estrato le corresponde igual nmero de elementos

mustrales.

Afijacin Proporcional: La distribucin se hace de acuerdo con el peso (tamao) de

la
poblacin
en
cada
estrato.
Afijacin ptima: Se tiene en cuenta la previsible dispersin de los resultados, de
modo que se considera la proporcin y la desviacin tpica. Tiene poca aplicacin
ya que no se suele conocer la desviacin.

11

12

Mtodos de muestreo no probabilsticos

A veces, para estudios exploratorios, el muestreo probabilstico resulta
excesivamente costoso y se acude a mtodos no probabilsticos, aun siendo
conscientes de que no sirven para

realizar generalizaciones (estimaciones

inferenciales sobre la poblacin), pues no se tiene certeza

De que la muestra extrada sea representativa, ya que no todos los sujetos de la
poblacin tienen la

misma probabilidad de ser elegidos. En general se

seleccionan a los sujetos siguiendo determinados criterios procurando, en la

medida de lo posible, que la muestra sea representativa.
Entre los mtodos de muestreo no probabilsticos ms utilizados en investigacin
encontramos:
Muestreo por cuotas:
Tambin denominado en ocasiones "accidental". Se asienta generalmente sobre
la base de un buen conocimiento de los estratos de la poblacin y/o de los
individuos ms "representativos" o "adecuados" para los fines de la investigacin.
Mantiene, por tanto, semejanzas con el muestreo aleatorio estratificado, pero no
tiene el carcter de aleatoriedad de aqul.
En este tipo de muestreo se fijan unas "cuotas" que consisten en un nmero de
individuos que renen unas determinadas condiciones, por ejemplo: 20 individuos
de 25 a 40 aos, de sexo femenino y residentes en Gijn. Una vez determinada la
cuota se eligen los primeros que se encuentren que cumplan esas caractersticas.
Este mtodo se utiliza mucho en las encuestas de opinin.
Muestreo intencional o de conveniencia:
Este tipo de muestreo se caracteriza por un esfuerzo deliberado de obtener
muestras
"representativas" mediante la inclusin en la muestra de grupos supuestamente
tpicos. Es muy frecuente su utilizacin en sondeos preelectorales de zonas que
en anteriores votaciones han marcado tendencias de voto.
. El caso ms frecuente de este procedimiento el utilizar como muestra los
individuos a los que se tiene fcil acceso (los profesores de universidad emplean
con mucha frecuencia a sus propios alumnos).
13

-Pruebas
Una prueba estadstico es un procedimiento para, a partir de una muestra
aleatoria y significativa, extraer conclusiones que permitan aceptar o rechazar una
hiptesis previamente emitida sobre el valor de un parmetro desconocido de una
poblacin.

1) Pruebas No Paramtricas:
Las pruebas estadsticas no paramtricas son las que, a pesar de basarse en
determinadas suposiciones, no parten de la base de que los datos analizados
adoptan una distribucin normal.
Tcnica estadstica que no presupone ninguna distribucin de probabilidad terica
de la distribucin de nuestros datos.
Son tcnicas estadsticas que no presuponen ningn modelo probabilstico terico.

2) Pruebas Paramtricas:
Las pruebas estadsticas paramtricas, se basan en que se supone una forma
determinada de la distribucin de valores, generalmente la distribucin normal, en
la poblacin de la que se obtiene la muestra experimental.
En contraposicin de la tcnicas no paramtricas, las tcnicas paramtricas si
presuponen una distribucin terica de probabilidad subyacente para la
distribucin de los datos.

Prueba de hiptesis
En muchos problemas de la ciencia, de la ingeniera y de la administracin, se
requiere que se toma una decisin entre aceptar y rechazar una proposicin sobre
algn parmetro. Esta proposicin recibe el nombre de hiptesis. Y el
procedimiento sobre la toma de decisin sobre la hiptesis, se le conoce como
prueba de hiptesis.
Una hiptesis estadstica es una proposicin o supuesto sobre los parmetros de
una o ms poblaciones.

La hiptesis emitida se designa por H0 y se llama hiptesis nula.

La hiptesis contraria se designa por H1 y se llama hiptesis alternativa.
14

Errores de tipo I y tipo II

Error de tipo I. Se comete cuando la hiptesis nula es verdadera y, como

consecuencia del contraste, se rechaza.
Error de tipo II. Se comete cuando la hiptesis nula es falsa y, como
consecuencia del contraste se acepta.

La probabilidad de cometer Error de tipo I es el nivel de significacin .

La probabilidad de cometer Error de tipo II depende del verdadero valor del
parmetro. Se hace tanto menor cuanto mayor sea n.
El nivel de significancia lo fija el investigador, y en la prctica se suelen usar
valores de 0.01, 0.05 o el 0.1

Pasos a seguir para realizar la prueba

15

Ejemplo

16

17

Grfico o una representacin grfica

Son un tipo de representacin de datos, generalmente numricos, mediante
recursos grficos (lneas, vectores, superficies o smbolos), para que se manifieste
visualmente la relacin matemtica o correlacin estadstica que guardan entre s.
Tambin es el nombre de un conjunto de puntos que se plasman en coordenadas
cartesianas y sirven para analizar el comportamiento de un proceso o un conjunto
de elementos o signos que permiten la interpretacin de un fenmeno. La
representacin grfica permite establecer valores que no se han obtenido
experimentalmente sino mediante la interpolacin (lectura entre puntos) y la
extrapolacin (valores fuera del intervalo experimental).
Tipos De Graficas
La estadstica grfica es la descripcin e interpretacin de datos e inferencias
sobre stos. Existen diferentes tipos de grficas:

Grfico lineal: los valores en dos ejes cartesianos ortogonales entre s. Las
grficas lineales se recomiendan para representar series en el tiempo, y es
donde se muestran valores mximos y mnimos; tambin se utilizan para
varias muestras en un diagrama.

Grfico de barras: se usa cuando se pretende resaltar la representacin de

porcentajes de datos que componen un total. Una grfica de barras contiene
barras verticales que representan valores numricos, generalmente usando
una hoja de clculo. Las grficas de barras son una manera de representar
frecuencias; las frecuencias estn asociadas con categoras. Una grfica de
barras se presenta de dos maneras: horizontal o vertical. El objetivo es poner
una barra de largo (alto si es horizontal) igual a la frecuencia. La grfica de
barras sirve para comparar y tener una representacin grfica de la diferencia
de frecuencias o de intensidad de la caracterstica numrica de inters.

Histograma: se emplea para ilustrar muestras agrupadas en intervalos. Est

formado por rectngulos unidos a otros, cuyos vrtices de la base coinciden
con los lmites de los intervalos y el centro de cada intervalo es la marca de
clase que representamos en el eje de las abscisas. La altura de cada
rectngulo es proporcional a la frecuencia del intervalo respectivo.

Grfico circular: permite ver la distribucin interna de los datos que

representan un hecho, en forma de porcentajes sobre un total. Se suele

18

separar el sector correspondiente al mayor o menor valor, segn lo que se

desee destacar.

Pictograma: Son imgenes que sirven para representar el comportamiento o

la distribucin de los datos cuantitativos de una poblacin,
utilizando smbolos de tamao proporcional al dato representado. Una
posibilidad es que el grfico sea analgico por ejemplo, la representacin de
los resultados de las elecciones con colores sobre un hemiciclo.

Grfica de Burbuja: Este tipo de grfico presenta los datos como una serie de
burbuja, el tamao de las cuales es proporcional a la cantidad de datos. Un
grfico de este tipo resulta muy efectivo para mostrar el nmero de productos
vendidos en cierta regin.

Conclusiones
Calva Lpez Omar: La estimacin es una herramienta imprescindible en el
estudio de la calidad, ya que con ello obtenemos un estudio ms detallado acerca
de la probabilidad y estadstica en una muestra y su comportamiento, adems
podemos interpretar todos esos datos por medio de grficos que nos muestran
ms fcilmente las distribuciones ocupadas por stas. Retomando los temas
anteriores podemos ver que gracias a este tipo de estudios estadsticos logramos
complementar los diagramas que nos sirven como herramienta y nos ayudan a
identificar problemas en el mbito laboral como son el diagrama de Pareto y el
Ishikawa. Por otro lado debemos tomar en cuenta tambin las diferentes opciones
con las que contamos para realizar estudios de muestreo y los tipos de pruebas
que son necesarias para concluir resultados y dar solucin a los problemas
estadsticos.
Escobar Pacheco Jess: Como conclusin al trabajo llego a que estos subtemas
del temario nos ensean cmo puedes t en determinado momento organizar de
manera fcil y sencilla infinidad de datos utilizando las grficas, estimaciones
simples y por intervalos, muestreos, entre otros; siendo para m que las grficas
son de las mejores opciones para organizar datos ya que en cualquier consulta es
muy fcil interpretarlas y tambin modificarlas en determinado momento.

19

Moreno Ortiz Juan Carlos: Por medio del control estadstico se facilita en gran
parte el control de los procesos de produccin en la industria automotriz, siendo
una herramienta que sintetiza la realizacin de anlisis para obtener un mejor
control y de alta calidad al obtener los resultados reduciendo en mayor parte la
cantidad de errores humanos y por ende obteniendo mayores beneficios en la
produccin.
Ramrez lvarez Vctor Damin: Respecto a los temas tocados en este informe
aprend que como la estimacin es una de herramienta importante en la industria
automotriz y los cuales se nos facilitan al usar los grficos necesarios para su
interpretacin, afortunadamente esto se retoma de la probabilidad y estadstica
que se llev en los aos de la vocacional y la cual es indispensable para nuestro
desarrollo en la industria
Villegas Domnguez Ral: El muestreo es una parte importante ya que con el
cual sabes a que variables relacionamos y las cuales debemos enfrentarnos a la
hora de resolver problemas, as tambin el muestreo es muy relevante a la hora
de hablar de calidad en una empresa ya que la cual nos dar la confianza para
saber cunto producto entra en el rango y cumple con las caractersticas que
necesitamos para una produccin

20