Académique Documents
Professionnel Documents
Culture Documents
SEMANA 4
Todos los derechos de autor son de la exclusiva propiedad de IACC o de los otorgantes de sus licencias. No está
IACCemitir, difundir, poner a disposición del público ni
permitido copiar, reproducir, reeditar, descargar, publicar,
utilizar los contenidos para fines comerciales de ninguna clase. 1
SEMANA 4 – ESTADÍSTICA PARA LA GESTIÓN
APRENDIZAJES ESPERADOS
IACC
2
SEMANA 4 – ESTADÍSTICA PARA LA GESTIÓN
IACC
3
SEMANA 4 – ESTADÍSTICA PARA LA GESTIÓN
INTRODUCCIÓN
IACC
4
SEMANA 4 – ESTADÍSTICA PARA LA GESTIÓN
1. ESTIMACIÓN PUNTUAL
Se sabe que las variables aleatorias (X1, X2, …, Xn) constituyen una muestra aleatoria de tamaño n si
las 𝑋𝑖 son variables aleatorias independientes y todas las 𝑋𝑖 tienen la misma distribución de
probabilidad.
También se sabe que un estadístico es cualquier función de las observaciones contenidas en una
muestra, por ejemplo, la media muestral, la varianza muestral o la proporción muestral. Además,
una estadística puede tomar distintos valores en distintas muestras, constituyendo una variable
aleatoria. Cualquier estadística que permita hacer una idea acerca del valor poblacional de un
parámetro desconocido se llamará estimador y se llamará estimador puntual a un valor concreto
obtenido en una muestra (Pérez, 2002).
El paso previo de todo proceso de estimación consistirá en definir las estadísticas que se emplearán
como estimadores. Por ejemplo, si se quiere estimar la media de una población, entonces se debería
usar como estimador la media muestral. Sin embargo, se deben analizar las propiedades de cada
estimador.
Es lógico pensar que una estimación puntual posee la ventaja de obtener un valor exacto de un
parámetro poblacional. Sin embargo, al tomar distintas muestras el valor de la estadística muestral
cambia. Por ello es muy importante que un estimador goce de determinadas propiedades
deseables.
IACC
5
SEMANA 4 – ESTADÍSTICA PARA LA GESTIÓN
https://www.youtube.com/watch?v=-9who67ocEQ
1) Un estadístico es suficiente cuando recoge toda la información que entrega la muestra. Esta es
una característica muy deseable en estimador puntual.
2) Un estimador puntual es consistente cuando verifica que la probabilidad que la desviación entre
el estimador y el verdadero valor del parámetro estimado sea mayor que un cierto valor prefijado.
3) Un estimador puntual es insesgado o centrado cuando su valor probable coincide con el valor del
parámetro a estimar, es decir, se dice que el estimador de un parámetro llamado es un estimador
insesgado si el valor esperado de 𝜃 es 𝜃.
IACC
6
SEMANA 4 – ESTADÍSTICA PARA LA GESTIÓN
TEOREMA
TEOREMA
Una vez seleccionadas las propiedades que el estimador debe cumplir para ser considerado
aceptable, queda resolver cómo se determinarán los estimadores puntuales. Los métodos más
IACC
7
SEMANA 4 – ESTADÍSTICA PARA LA GESTIÓN
usados son el de máxima verosimilitud, el método de los momentos y el método de los mínimos
cuadrados.
OBSERVACIÓN
Una estadística que se toma como estimador, porque su valor al sustituir al parámetro hace
máxima la probabilidad de obtener el resultado observado, se llama estimador de máxima
verosimilitud (e. m. v.).
Considerando la función de verosimilitud 𝐿(𝑥1 , 𝑥2 , … , 𝑥𝑛, 𝜃) y transformándola en una función
monótona al aplicar la función logaritmo 𝑙𝑛𝐿(𝑥1 , 𝑥2 , … , 𝑥𝑛, 𝜃), el estimador máximo verosímil
se halla derivando esta función e igualándola a cero.
IACC
8
SEMANA 4 – ESTADÍSTICA PARA LA GESTIÓN
El problema que presenta la estimación puntual de un parámetro reside en que no garantiza ni mide
la precisión de la estimación. Por esta razón, es necesario que la estimación entregue una medida
del grado de confianza. Para ello se construyen límites entre los que se hallará el valor del parámetro
estimado (Montgomery & Runger, 1996).
Si es el parámetro que se quiere estimar, se define una probabilidad de 1de seleccionar una
Se conoce como intervalo de confianza del 1001% para el parámetro desconocido a aquel
intervalo proveniente de un número infinito de muestras aleatorias, tal que para cada muestra
Entre más grande sea el intervalo de confianza (esto es la diferencia entre el límite superior y el
inferior), mayor es la seguridad que el intervalo en realidad contenga el verdadero valor de . Por
otra parte, entre más grande sea el intervalo, menor información se tiene acerca del valor verdadero
de . En una situación ideal, el intervalo debería ser relativamente pequeño con una confianza
grande.
IACC
9
SEMANA 4 – ESTADÍSTICA PARA LA GESTIÓN
conocida , un intervalo de confianza para del 1001% está dado por (Montgomery &
Runger, 1996):
𝛼
Donde es el punto de la distribución normal estándar que corresponde al porcentaje 2 .
EJEMPLO: Para determinar el peso medio de un pasajero de un avión se toma una muestra aleatoria
de 36 pasajeros y se obtiene una media muestral de 72,57 kilogramos. Supóngase que la distribución
de los pesos de los pasajeros del avión tiene una desviación estándar de 13,61 kg. Construya un
intervalo de confianza del 95% para el peso promedio de un pasajero.
Solución:
Se obtiene primero el valor de 𝛼.
Un intervalo del 95% implica que 1 − α = 0,95. Se despeja 𝛼:
1 − 0,95 = 𝛼
𝛼 = 0,05
IACC
10
SEMANA 4 – ESTADÍSTICA PARA LA GESTIÓN
Se busca dentro la tabla del apéndice de la semana y se observan los valores que hay al interior de
la tabla, juntando el valor vertical y horizontal correspondiente.
𝟔𝟖, 𝟏𝟐 ≤ 𝝁 ≤ 𝟕𝟕, 𝟎𝟐
IACC
11
SEMANA 4 – ESTADÍSTICA PARA LA GESTIÓN
Interpretación: El intervalo calculado entre 68,12 kg y 77,02 kg incluirá el peso medio de todos
los pasajeros de avión con una probabilidad de un 95%.
Observación: Es importante observar que, si se toma 100 muestras, construyéndose 100 intervalos
de confianza (uno para cada muestra), se esperaría que 95 de ellos incluyeran efectivamente al valor
del parámetro.
EJEMPLO: El contenido de las bolsas de leche de un litro de una conocida marca, tiene una
distribución aproximadamente normal, con varianza 0,1 lt2. Al tomar una muestra aleatoria y medir
el contenido de las bolsas de leche, se obtiene lo siguiente:
Solución:
𝒏=𝟗
̅ = 𝟎, 𝟗𝟓𝟐
𝒙
𝝈𝟐 = 𝟎, 𝟏 𝐥𝐭𝟐
Nivel de confianza= 95% por lo tanto α = 5%
𝒁𝜶/𝟐 =𝒁𝟎,𝟎𝟐𝟓 = 𝟏, 𝟗𝟔
√𝟎,𝟏 √𝟎,𝟏
Intervalo: 0,952 – 1,96 ≤ 𝝁 ≤ 0,952 + 1,96
√𝟗 √𝟗
𝟎, 𝟕𝟒𝟓 ≤ 𝝁 ≤ 𝟏, 𝟏𝟓𝟗
IACC
12
SEMANA 4 – ESTADÍSTICA PARA LA GESTIÓN
https://www.youtube.com/watch?v=tnDFgEv_a-I
𝛼
Donde 𝑡(𝛼,𝑛−1) es el punto crítico superior que corresponde al porcentaje de 2 de la distribución 𝑡
2
Ejemplo: Un artículo publicado en el Journal of Testing and Evaluation (1982, p. 133) presenta las
siguientes 20 mediciones del tiempo de combustión residual (en segundos) de ropa de dormir para
niños:
IACC
13
SEMANA 4 – ESTADÍSTICA PARA LA GESTIÓN
10,95
0,05
Ahora se busca la probabilidad para 𝑡𝛼 = 𝑡0,05 = 𝑡0,025 asociada con 20 – 1 = 19 grados de libertad.
2 2
Como 𝑡0,025 no aparece en la tabla, se usa la simetría de esta distribución (al igual que la distribución
normal):
1 – 0,025 = 0,975
Es decir, 𝑡0,025 = 𝑡0,975
Se busca dentro la tabla 2 de la semana y se observa el valor que corresponde a 19 grados de libertad
y en la tabla juntando el valor vertical y horizontal correspondiente.
IACC
14
SEMANA 4 – ESTADÍSTICA PARA LA GESTIÓN
Si se quiere usar Excel, se debe tener en cuenta que el estadístico 𝑡 está considerado como 𝑡(𝛼,𝑛−1) .
En este caso sería 𝑡(0,005,19) . Como se tiene el percentil (𝛼 = 0,05), se usará la fórmula que dice:
inv: =DISTR.T.INV(0,05;19) = 2,093
Los datos son:
𝐱̅ = 𝟗, 𝟖𝟓𝟐𝟓
𝐬 = 𝟎, 𝟎𝟗𝟔𝟓
𝐧 = 𝟐𝟎
Interpretación: Si se tiene una confianza del 95% de que el tiempo de combustión residual promedio
se encuentra entre y segundos. 9,8073 y 9,8977.
EJEMPLO: Se necesita construir un intervalo de confianza del 90%, para la estatura media de los
habitantes de una población. Se sabe que la estatura tiene una distribución aproximadamente
normal. En la muestra tomada se obtuvieron las siguientes estaturas:
1,75 1,77 1,8 1,65 1,7 1,7 1,81 1,69 1,65 1,9 1,7 1,71
Solución:
n= 12; 𝑥̅ = 1,7358;
IACC
15
SEMANA 4 – ESTADÍSTICA PARA LA GESTIÓN
36,2167
𝑆2 = 12
- 1,73582 = 0,0051
𝑆 = √0,0051 = 0,071
0,071 0,071
Intervalo: 1,7358 – 1,796 <𝜇< 1,7358 + 1,796
√12 √12
https://www.youtube.com/watch?v=ALlp1avfggM
clase interés, entonces un intervalo de confianza aproximado del 1001% para la población
p de la población que pertenece a esta clase, está dado por (Montgomery &Runger, 1996):
IACC
16
SEMANA 4 – ESTADÍSTICA PARA LA GESTIÓN
Donde 𝑧𝛼 es el punto de la distribución normal estándar que corresponde al porcentaje / 2.
2
EJEMPLO: Una fábrica desea saber la proporción de dueñas de casa que prefieren una aspiradora
de alta potencia sin importar el alto consumo eléctrico. Se toma al azar una muestra de 100 casas
(donde por supuesto hay una dueña de casa) en la comuna de Santiago Centro y un encuestador le
consulta a cada dueña de casa al respecto. De las 100 dueñas de casa, 20 dicen que sí les gustaría
una aspiradora de alta potencia y 80 afirman lo contrario. ¿Cuál sería entonces la verdadera
proporción si se desea un intervalo de confianza del 95%?
Solución:
Los datos son:
20
𝑃= = 0,2
100
(ver ejemplo del intervalo de confianza para la media con varianza conocida)
𝑛 = 100
IACC
17
SEMANA 4 – ESTADÍSTICA PARA LA GESTIÓN
Interpretación: Con un nivel de confianza del 95% se puede concluir que de 100 dueñas de casa
entre 12 y 27 de ellas están interesadas en la aspiradora.
EJEMPLO: Se realiza un estudio para determinar la proporción de habitantes del Cajón del Maipo a
favor de Alto Maipo. Si se tiene que solo 140 de 400 habitantes seleccionados al azar favorecen el
proyecto. Obtenga un intervalo de confianza del 95% de la proporción de todos los habitantes del
Cajón del Maipo que se expresan a favor del proyecto.
Solución:
𝑛 = 400
𝑥 = 140
140
𝑝= = 0,35
400
1 − 𝑝 = 0,65
0,303 ≤ 𝑝 ≤ 0,397
La proporción de todos los habitantes que está a favor del proyecto se encuentra entre un 30,3 y
39,7%, con un nivel de confianza del 95%
IACC
18
SEMANA 4 – ESTADÍSTICA PARA LA GESTIÓN
https://www.youtube.com/watch?v=X5E5APryEvs
COMENTARIO FINAL
Esta semana se han tratado los métodos de estimación a través de estimadores puntuales y de
intervalos de confianza. En la mayoría de los problemas prácticos no basta con una estimación
puntual, atendiendo a que muchas veces es más útil una medida que considere la variabilidad como
lo es un intervalo de confianza.
Es importante decidir qué propiedades debe tener el estimador puntual que se va a escoger y en el
caso de una estimación por intervalo de confianza se debe decidir el nivel de confianza y el tamaño
de muestra adecuado.
REFERENCIAS
Canavos, G. (1984). Probabilidad y estadística, aplicaciones y métodos. 1.ª edición. Estados Unidos:
McGraw-Hill.
IACC
19
SEMANA 4 – ESTADÍSTICA PARA LA GESTIÓN
Chao, L. (1982). Estadística para las ciencias administrativas. 2.ª edición. Estados Unidos: McGraw-
Hill.
Montgomery, D. & Runger, G. (1996). Probabilidad y estadística aplicadas a la ingeniería. 1.ª edición.
Estados Unidos: McGraw-Hill.
Newbold, P.; Carlson, W. & Thorne, B. (2008). Estadística para la administración y economía. 6.ª
edición. Estados Unidos: Pearson, Prentice-Hall.
Pérez, C. (2002). Estadística aplicada a través de Excel. 2.ª edición. Madrid, España: PrenticeHall.
IACC (2018). Estimación puntual y por intervalos. Estadística para la Gestión. Semana
4.
IACC
20
SEMANA 4 – ESTADÍSTICA PARA LA GESTIÓN
IACC
21