Distribuciones muestrales de medias:

Suponga que una muestra aleatoria de n observaciones se

toma de una población normal con media µ y varianza σ 2.
Entonces:

!
2 σ2
X ∼ normal µX = µ, σX = .
n
 Teorema del límite central 8.2: Si X es la media de una
muestra aleatoria de tamaño n tomada de una población con
media µ y varianza finita σ 2, entonces la forma límite de la
distribución de

X −µ
Z= √ ,
σ/ n

conforme n → ∞, es la distribución normal estándar n (z; 0, 1) .

La aproximación normal para X, por lo general, será buena si:

n ≥ 30.

Si n < 30, la aproximación es buena sólo si la población no es

muy diferente de una distribución normal.
 sample size = 1
Normal Gamma
0.4

0.20
0.3
Density

Density
0.2

0.10
0.1

0.00
0.0

−4 −2 0 2 4 0 5 10 15 20 25

x x

Uniform Beta
1.5

6
5
1.0

4
Density

Density

3
0.5

2
1
0.0

0.0 0.2 0.4 0.6 0.8 1.0 0.0 0.2 0.4 0.6 0.8 1.0

x x
 sample size = 5
Normal Gamma

0.30
0.8
0.6

0.20
Density

Density
0.4

0.10
0.2

0.00
0.0

−1.5 −0.5 0.0 0.5 1.0 1.5 0 2 4 6 8

x x

Uniform Beta
3.0

2.0
1.5
2.0
Density

Density

1.0
1.0

0.5
0.0

0.0

0.2 0.4 0.6 0.8 0.0 0.2 0.4 0.6 0.8 1.0

x x
 sample size = 30
Normal Gamma

0.8
2.0

0.6
1.5
Density

Density

0.4
1.0

0.2
0.5
0.0

−0.5 0.0 0.5 0.0 2 3 4 5

x x

Uniform Beta
8

5
6

4
Density

Density

3
4

2
2

1
0

0.3 0.4 0.5 0.6 0.7 0.3 0.4 0.5 0.6 0.7 0.8

x x
 sample size = 50
Normal Gamma
3.0

0.0 0.2 0.4 0.6 0.8 1.0

2.0
Density

Density
1.0
0.0

−0.6 −0.2 0.0 0.2 0.4 0.6 1.5 2.0 2.5 3.0 3.5 4.0 4.5 5.0

x x

Uniform Beta
10

6
8
Density

Density
6

4
4

2
2
0

0.35 0.45 0.55 0.65 0.4 0.5 0.6 0.7 0.8

x x
Distribución t:

Colorario 8.1: Sean X1, X2, . . . , Xn variables aleatorias in-

dependientes que son todos normales con media µ y desvia-
ción estándar σ . Sea

1 n 1 n
2
X = ∑ Xi y S2 = ∑ Xi − X .
n i=1 n − 1 i=1

Entonces, la variable aleatoria

X −µ
T= √
S/ n

tiene una distribución t con v = n − 1 grados de libertad.

 Teorema 8.5: La variable aleatoria T tiene una distribu-
ción t Student, con ν grados de libertad, si su función de
densidad está dada por

!−(ν+1)/2
Γ [(ν + 1) /2] t2
f (t; ν) = √ 1+ , −∞ < t < ∞
Γ (ν/2) πν ν

donde ν es un entero positivo, y Γ (·) es la función gamma

definida como:
ˆ ∞
Γ (α) = xα−1e−xdx, para α > 0.
0
 Distribución t
0.5

ν=∞
0.4

ν=5
ν=2
0.3
f(x)

0.2
0.1
0.0

−3 −2 −1 0 1 2 3

x
 Distribución t
0.4
0.3
f(x)

0.2
0.1

α
0.0

t1−α = − tα 0 tα

x
Ejemplo: El valor t con 10 grados de libertad que deja un área de
0.025 a la derecha es:

t = 2.228.

Como la distribución t es simétrica alrededor de una media de ce-

ro, tenemos:

t1−α = −tα ,

es decir, el valor de t que deja un área de 1 − α a la derehca y, por

lo tanto, un área de α a izquierda es igual al valor t negativo que
deja un área de α en la cola derecha de la distribución. Esto es,

t0.95 = −t0.05, t0.99 = −t0.01, . . .

Ejemplo 8.14: Un ingeniero químico afirma que el rendimiento me-
dio de la población de cierto proceso en lotes es 500 gramos por
milímetro de materia prima. Para verificar dicha afirmación mues-
trea 25 lotes cada mes. Si el valor t calculado cae entre −t0.05 y
t0.05, queda satisfecho con su afirmación. ¿Qué conclusión debe-
ría obtener de una muestra que tiene una media x = 518 gramos
por milímetro y una desviación estándar muestral s = 40 gramos?
Suponga que la distribución de rendimientos es aproximadamente
normal.
R/

De la tabla encontramos que t0.05 = 1.711 para 24 grados de liber-

tad. Por tanto, el fabricante queda satisfecho con esta afirmación si
una muestra de 25 lotes produce un valor t entre -1.711 y 1.711. Si
µ = 500, entonces;

518 − 500
t= √ = 2.25,
40/ 25

un valor muy por arriba de 1.711. La probabilidad de obtener un valor

de t, con ν = 24, igual o mayor que 2.25 es aproximadamente 0.02.

Si fuese µ > 500, el valor de t calculado de la muestra sería más ra-

zonable. De aquí que sea probable que el fabricante concluya que el
proceso produce un mejor producto del que se pensaba.
Distribución muestral de la diferencia entre dos promedios:

Teorema 8.3: Si se extraen al azar muestras independien-

tes de tamaños n1 y n2 de dos poblaciones, discretas o con-
tinuas, con medias µ1 y µ2, y varianzas σ12 y σ22 respecti-
vamente, entonces la distribución muestral de las diferencias
de las medias, X 1 − X 2, está distribuida aproximadamente de
forma normal con media y varianza dadas por:

2 σ12 σ22
µX −X = µ1 − µ2, y σX −X = + .
1 2 1 2 n1 n2

De aquí que,

X 1 − X 2 − (µ1 − µ2)
Z = r   
σ12/n1 + σ22/n2

es aproximadamente una variable normal estándar.

 Si tanto n1 como n2 son mayores o iguales a 30, la aproximación
normal para la distribución de X 1 − X 2 es muy buena cuando las
distribuciones subyacentes no están tan alejadas de la normal.

Sin embargo, aun cuando n1 y n2 sean menores que 30, la aproxi-

mación normal es razonablemente buena excepto cuando las po-
blaciones no son definitivamente normales.

Ejemplo 8.8: Se llevan a cabo dos experimentos independientes en

los que se comparan dos tipos diferentes de pintura. Se pintan 18
especímenes con el tipo A y en cada uno se registra el tiempo de
secado en horas. Lo mismo se hace con el tipo B. Se sabe que la
desviación estándar de ambas poblaciones es 1.0.
Suponiendo que el tiempo medio de secado es igual para los dos


tipos de pintura, encuentre P X A − X B > 1.0 , donde X A y X B
son los tiempos promedio de secado para muestras de tamaño
nA = nB = 18.

R/ 0.0013
Ejemplo 8.9: Los cinescopios para televisión del fabricante A tienen
una duración media de 6.5 años y una desviación estándar de 0.9
años; mientras que los del fabricante B tienen una duración media
de 6.0 años y una desviación estándar de 0.8 años. ¿Cuál es la
probabilidad de que una muestra aleatoria de 36 cinescopios del
fabricante A tenga una duración media que sea al menos de 1 año
más que la duración media de una muestra de 49 cinescopios del
fabricante B?

R/ 0.0040
Distribución muestral de S2:

Teorema 8.4: Si S2 es la varianza de una muestra aleatoria

de tamaño n que se toma de una población normal que tiene
la varianza σ 2, entonces el estadístico

n

2
(n − 1) S2 Xi − X
χ2 = = ∑ σ2
σ2 i=1

tiene una distribución chi-cuadrado con ν = n − 1 grados de

libertad.
Distribución Chi-Cuadrado:

Esta distribuión tiene un sólo parámetro, ν, llamado grados de libertad.

Definición: La variable aleatoria continua X tiene una dis-

tribución chi-cuadrado, con ν grados de libertad, si su fun-
ción de densidad está dada por


 1 x ν/2−1 e−x/2 , x > 0,
f (x; ν) = 2ν/2 Γ(ν/2)
0, en cualquier otro caso,

donde ν es un entero positivo y Γ (·) es la función gamma.

La media y la varianza de la distribución chi-cuadrado son:

µ =ν y σ 2 = 2ν.
 Distribución Chi−cuadrado
0.6

g.l.=1
0.5
0.4

g.l.=2
f(x)

0.3

g.l.=3
0.2

g.l.=4
g.l.=5
g.l.=6
0.1

g.l.=10 g.l.=20 g.l.=30

0.0

0 5 10 15 20 25 30

x
 Distribución Chi−cuadrado
f(x)

0 χ2α

χ2
Ejemplo: Un valor χ 2 con 7 grados de libertad, que deja un área de
0.05 a la derecha, es:

2 = 14.067.
χ0.05

Debido a la falta de simetría, debemos usar también las tablas pa-

ra encontrar:

2 = 2.167
χ0.95

para ν = 7.
Ejemplo 8.10: Un fabricante de baterías para automóvil garantiza que
sus baterías durarán, en promedio, 3 años con una desviación es-
tándar de 1 año. Si cinco de estas baterías tienen duraciones de
1.9, 2.4, 3.0, 3.5 y 4.2 años, ¿el fabricante aún debería estar con-
vencido de que sus baterías tienen una desviación estándar de 1
año? Suponga que la duración de la batería sigue una distribución
normal.
R/

S2 = 0.815,

Entonces,

(4) (0.815)
χ2 = = 3.26
1

es un valor de una distribución chi-cuadrado con 4 grados de libertad.

Como 95 % de los valores de χ 2 con 4 grados de libertad caen entre
0.484 y 11.143, el valor calculado con σ 2 = 1 es razonable y, por lo
tanto, el fabricante no tiene razón para sospechar que la desviación
estándar sea diferente de 1 año.
La distribución F con dos varianzas muestrales:

Teorema 8.8: Si S12 y S22 son las varianzas de muestras

aleatorias independientes de tamaño n1 y n2 tomadas de po-
blaciones normales con varianzas σ12 y σ22, respectivamente,
entonces:

S12/σ12 σ22S12
F= 2 2= 2 2
S2 /σ2 σ1 S2

tiene una distribución F con ν1 = n1 − 1 y ν2 = n2 − 1 grados

de libertad.
Distribución F:

La variable aleatoria X tiene una distribución F, con ν1 y

ν2 grados de libertad, si su función de densidad está dada por

 Γ[(ν1 +ν2 )/2](ν1 /ν2 )ν1 /2 x(ν1 /2)−1
, x > 0,
Γ(ν1 /2)Γ(ν2 /2) (1+ν1 x/ν2 )( 1 2 )
ν +ν /2
f (x; ν1 , ν2 ) =
0, x ≤ 0.

Aquí, Γ (·) es la función gamma.

 Distribución F

g.l.= (10,30)
0.8
0.6
f(x)

0.4

g.l.= (6,10)
0.2
0.0

0 1 2 3 4

x
 Distribución F
0.8
0.6
f(x)

0.4
0.2

α
0.0

0 fα

x
La tabla A.6 del libro guía da valores de fα sólo para α = 0.05 y
α = 0.01 para varias combinaciones de los grados de libertad ν1 y ν2.

Ejemplo: El valor f con 6 y 10 grados de libertad, que deja un área

de 0.05 a la derecha, es

f0.05 = 3.22

Teorema 8.7: Al escribir fα (ν1, ν2) para fα con ν1 y ν2

grados de libertad, obtenemos

1
f1−α (ν1, ν2) = .
fα (ν2, ν1)

Así, el valor f con 6 y 10 grados de libertad, que deja un área de 0.95

a la derecha es

1 1
f0.95 (6, 10) = = = 0.246
f0.05 (10, 6) 4.06
Intervalos de confianza:

Intervalo de confianza para µ; con σ conocida: Si x es la media de

una muestra aleatoria de tamaño n de una población con varianza
σ 2 conocida, un intervalo de confianza de (1 − α) 100 % para µ
está dado por

σ σ
x − Zα/2 √ < µ < x + Zα/2 √ ,
n n

donde Zα/2 es el valor de Z que deja un área de α/2 a la derecha.

Para muestras pequeñas que se seleccionan de poblaciones no nor-

males, no podemos esperar que nuestro grado de confianza sea
preciso.

Sin embargo, para muestras de tamaño n ≥ 30, donde la forma

de las distribuciones no esté muy sesgada, la teoría de muestreo
garantiza buenos resultados.
Ejemplo 9.2: Se encuentra que la concentración promedio de zinc
que se obtiene a partir de una muestra de mediciones en 36 sitios
diferentes es 2.6 gramos por mililitro. Encuentre los intervalos de
confianza de 95 y 99 % para la concentración media de zinc en el
río. Suponga que la desviación estándar poblacional es 0.3.

R/

Para 95 % es 2.50 < µ < 2.70 y para 99 % es 2.47 < µ < 2.73.
Ilustración: Se extren 100 muestras aleatorias de tamaño 30 cada una
de una población normal con media µ = 100 y desviación están-
dar σ = 10. Para cada una de éstas 100 muestras aleatorias se
calcula un intervalo de confiaza para µ (conociendo σ = 10). Los
resultados son:

Confidence intervals based on z distribution

100

|
|| | |
| | || |
| | |
|| || |
| |
80

| | |
| || |
| |
|| | ||
| ||
||
60

|
|| | | |
Index

|
| | | ||
| | | |
| |
| | | |
40

| | |
| | |
| | ||
| | | |
| |||
20

|| ||
| | |
| | |
| ||
| | |
|
|| |
0

95 100 105

Confidence Interval
Intervalo de confianza para µ; con σ desconocida: Si x y s son la
media y la desviación estándar de una muestra aleatoria de una
población con varianza σ 2 desconocida, un intervalo de confian-
za de (1 − α) 100 % para µ es:

s s
x − tα/2 √ < µ < x + tα/2 √ ,
n n

donde tα/2 es el valor t con ν = n − 1 grados de libertad que deja

un área de α/2 a la derecha.

Ejemplo 9.5: El contenido promedio de 7 contenedores similares de

ácido sulfúrico es de 9.8, 10.2, 10.4, 9.8, 10.0, 10.2, y 9.6 litros.
Encuentre un intervalo de confianza de 95 % para la media de to-
dos los contenedores, si se supone una distribución aproximada-
mente normal.

R/

9.74 < µ < 10.26.

Del libro guía, leer:

límites de confianza unilaterales (página 277),

intervalos de predicción (página 281),

límites de tolerancia (página 283).

Intervalo de confianza para µ1 − µ2; con σ12 y σ22 conocidas: Si x1
y x2 son las medias de muestras aleatorias independientes de ta-
maños n1 y n2 de poblaciones con varianzas conocidas σ12 y σ22,
respectivamente, un intervalo de confianza de (1 − α) 100 % para
µ1 − µ2 está dado por
s s
σ12 σ22 σ12 σ22
(x1 − x2 ) − Zα/2 + < µ1 − µ2 < (x1 − x2 ) + Zα/2 + ,
n1 n2 n1 n2

donde Zα/2 es el valor de Z que deja un área de α/2 a la derecha.

El grado de confianza es bueno cuando las muestras se seleccio-

nan de poblaciones normales.

Para poblaciones no normales, el teorema del límite central permi-

te una buena aproximación para muestras de tamaños razonables.
Ejemplo 9.9: Se lleva a cabo un experimento donde se comparan dos
tipos de motores, A y B. Se mide el rendimiento de combustible
en millas por galón. Se realizan 50 experimentos con el motor ti-
po A y 75 con el motor tipo B. La gasolina que se utiliza y las
demás condiciones se mantienen constantes. El rendimiento pro-
medio de gasolina para le motor A es de 36 millas por galón, y el
promedio para el motor B es de 42 millas por galón. Encuentre un
intervalo de confianza de 96 % sobre µB − µA, donde µA y µB son
el rendimiento de combustible medio poblacional para los moto-
res A y B, respectivamente. Suponga que las desviaciones estándar
poblacionales son 6 y 8 para los motores A y B, respectivamente.

R/

3.43 < µB − µA < 8.57

Intervalo de confianza para µ1 − µ2; con σ12 = σ22 pero desconocidas:
Si x1 y x2 son las medias de muestras aleatorias independientes
con tamaños n1 y n2, respectivamente, de poblaciones aproxima-
damente normales con varianzas iguales pero desconocidas, un
intervalo de confianza de (1 − α) 100 % para µ1 − µ2 está dado
por
r r
1 1 1 1
(x1 − x2 ) − tα/2 SP + < µ1 − µ2 < (x1 − x2 ) + tα/2 SP + ,
n1 n2 n1 n2

donde SP es la estimación de la unión de la desviación estándar

poblacional y tα/2 es el valor t con ν = n1 + n2 − 2 grados de li-
bertad, que deja un área de α/2 a la derecha.

La estimación de la unión de la varianza es:

2 (n1 − 1) S12 + (n2 − 1) S22

SP = .
n1 + n2 − 2
Ejemplo 9.10: En el artículo “Macroinvertebrate Community Struc-
ture as an Indicator of Acid Mine Pollution”, publicado en el
Journal of Environmental Pollution, se ofrece un reporte sobre
una investigación realizada en Cane Creek, Alabama, para deter-
minar la relación entre parámetros fisicoquímicos seleccionados y
diversas mediciones de la estructura de la comunidad de macroin-
vertebrados. Una faceta de la investigación fue una evaluación de
la efectividad de un índice numérico de la diversidad de especies,
para indicar la degradación del agua debida al desagüe ácido de
una mina. Conceptualmente, un índice alto de la diversidad de es-
pecies macroinvertebradas debería indicar un sistema acuático no
contaminado; mientras que un índice de diversidad bajo indicaría
un sistema acuático contaminado.

Se eligieron 2 estaciones de muestreo independientes para dicho

estudio: una que se localiza corriente abajo del punto de descarga
ácida de la mina y la otra ubicada corriente arriba. Para 12 mues-
tras mensuales reunidas en la estación corriente abajo, el índice
de diversidad de especies tuvo un valor medio x1 = 3.11 y una
desviación estándar s1 = 0.771; mientras que 10 muestras reuni-
das mensualmente en la estación corriente arriba tuvieron un valor
 medio del índice x2 = 2.04 y una desviación estándar s2 = 0.448.
Encuentre un intervalo de confianza de 90 % para la diferencia
entre las medias poblacionales para los sitios, suponiendo que las
poblaciones están distribuidas de forma aproximadamente normal
con varianzas iguales.

R/

0.593 < µ1 − µ2 < 1.547 donde µ1 y µ2 representan las medias po-

blacionales para los índices de diversidad de especies en las estaciones
corriente abajo y corriente arriba, respectivamente.
Intervalo de confianza para µ1 − µ2; σ12 6= σ22 y desconocidas: Si x1
y s21, y x2 y s22 son las medias y varianzas de muestras aleatorias
independientes de tamaños n1 y n2, respectivamente, de poblacio-
nes aproximadamente normales con varianzas desconocidas y di-
ferentes, un intervalo de confianza aproximado del (1 − α) 100 %
para µ1 − µ2 está dado por

s s
s21 s22 s21 s22
(x1 − x2)−tα/2 + < µ1 − µ2 < (x1 − x2)+tα/2 + ,
n1 n2 n1 n2

donde tα/2 es el valor t con

 2
s21/n1 + s22/n2
ν=h 2
i h
2
i
s21/n1 / (n1 − 1) + s22/n2 / (n2 − 1)

grados de libertad, que deja un área de α/2 a la derecha.

Ejemplo 9.11: El Departamento de Zoología del Instituto Politécnico
y Universidad Estatal de Virginia llevó a cabo un estudio para es-
timar la diferencia en la cantidad de ortofósforo químico medido
en dos estaciones diferentes del río James. El ortofósforo se mide
en miligramos por litro. Se reunieron 15 muestras de la estación 1
y 12 muestras de la estación 2. Las 15 muestras de la estación 1 tu-
vieron un contenido promedio de ortofósforo de 3.84 miligramos
por litro y una desviación estándar de 3.07 miligramos por litro;
en tanto que las 12 muestras de la estación 2 tuvieron un contenido
promedio de 1.49 miligramos por litro y una desviación estándar
de 0.80 miligramos por litro. Encuentre un intervalo de confianza
de 95 % para la diferencia en el contenido promedio real de or-
tofósforo en estas dos estaciones. Suponga que las observaciones
provienen de poblaciones normales con varianzas diferentes.

R/

0.60 < µ1 − µ2 < 4.10

Intervalo de confianza para µD = µ1 − µ2; observaciones pareadas:
Si d y sd son la media y la desviación estándar, respectivamente,
de las diferencias distribuidas normalmente de n pares aleatorios
de mediciones, un intervalo de confianza de (1 − α) 100 % para
µD = µ1 − µ2 es

sd sd
d − tα/2 √ √
< µD < d + tα/2 ,
n n

donde tα/2 es el valor de t con ν = n − 1 grados de libertad que

deja un área de α/2 a la derecha.
Ejemplo 9.12: Un estudio publicado en Chemosphere reporta los ni-
veles de la dioxina TCDD de 20 veteranos de Vietnam residentes
en Massachusetts, quienes posiblemente se expusieron al agente
naranja. La cantidad en los niveles de TCDD en plasma y en tejido
adiposo son:

Veterano Niveles Niveles Veterano Niveles Niveles

TCDD TCDD TCDD TCDD
Plasma Tejido Plasma Tejido
1 2.5 4.9 11 6.9 7.0
2 3.1 5.9 12 3.3 2.9
3 2.1 4.4 13 4.6 4.6
4 3.5 6.9 14 1.6 1.4
5 3.1 7.0 15 7.2 7.7
6 1.8 4.2 16 1.8 1.1
7 6.0 10.0 17 20.0 11.0
8 3.0 5.5 18 2.0 2.5
9 36.0 41.0 19 2.5 2.3
10 4.7 4.4 20 4.1 2.5
Encuentre un intervalo de confianza de 95 % para µ1 − µ2, donde µ1 y
µ2 representan las medias reales de TCDD en plasma y en tejido adi-
poso, repectivamente. Suponga que la distribución de las diferencias
es aproximadamente normal.

R/

−2.2634 < µD < 0.5234

Intervalo de confianza para p de una muestra grande: Si pb es la pro-
porción de éxitos en una muestra aleatoria de tamaño n, y qb =
1 − pb, un intervalo de confianza aproximado de (1 − α) 100 % pa-
ra le parámetro binomial p está dado por:

r r
pbqb pbqb
pb − Zα/2 < p < pb + Zα/2 ,
n n

donde Zα/2 es el valor de Z que deja un área de α/2 a la derecha.

Cuando n es pequeña y la proporción desconocida p se considera

cercana a 0 o a 1, el procedimiento del intervalo de confianza que
se establece aquí no es confiable y, por lo tanto, no se debería
emplear.

Para estar seguros, se requiere que tanto n pb como nb

q sean mayores
o iguales a 5.
Ejemplo 9.13: En una muestra aleatoria de n = 500 familias que tie-
nen televisores en la ciudad de Hamilton, Canadá, se encuentra
que x = 340 están suscritas a HBO. Encuentre un intervalo de
confianza de 95 % para la proporción real de familias en esta ciu-
dad que están suscritas a HBO.

R/

0.64 < p < 0.72

Intervalo de confianza para p1 − p2 de una muestra grande: Si pb1
y pb2 son las proporciones de éxitos en muestras aleatorias de ta-
maño n1 y n2, respectivamente, qb1 = 1 − pb1, y qb2 = 1 − pb2, un
intervalo de confianza aproximado de (1 − α) 100 % para la dife-
rencia de dos parámetros binomiales p1 − p2, está dado por
s s
pb1 qb1 pb2 qb2 pb1 qb1 pb2 qb2
( pb1 − pb2 ) − Zα/2 + < p1 − p2 < ( pb1 − pb2 ) + Zα/2 + ,
n1 n2 n1 n2

donde Zα/2 es el valor de Z que deja un área de α/2 a la derecha.

Ejemplo 9.16: Se considera cierto cambio en un proceso de fabrica-

ción de partes componentes. Se toman muestras del procedimien-
to actual y del nuevo, para determinar si el nuevo tiene como re-
sultado una mejoría. Si se encuentra que 75 de 1500 artículos del
procedimiento actual son defectuosos y 80 de 2000 artículos del
procedimiento nuevo también lo son, encuentre un intervalo de
confianza de 90 % para la diferencia real en la fracción de defec-
tuosos entre el proceso actual y el nuevo.

R/

−0.0017 < p1 − p2 < 0.0217

Interval de confianza para σ 2: Si s2 es la variana de una muestra
aleatoria de tamaño n de una población normal, un intervalo de
confianza de (1 − α) 100 % para σ 2 es

(n − 1) s2 2 (n − 1) s2
2
<σ < 2 ,
χα/2 χ1−α/2

2
donde χα/2 2
y χ1−α/2 son valores χ 2 con ν = n − 1 grados de
libertad, que dejan áreas de α/2 y 1 − α/2, respectivamente, a
derecha.

Un intervalo de confianza de (1 − α) 100 % para σ se obtiene al

tomar la raíz cuadrada de cada extremo del intervalo para σ 2.
Ejemplo 9.17: Los siguientes son los pesos, en decagramos, de 10 pa-
quetes de semillas para césped distribuidos por cierta compañía:
46.4, 46.1, 45.8, 47.0, 46.1, 45.9, 45.8, 46.9, 45.2, y 46.0. Encuen-
tre un intervalo de confianza de 95 % para la varianza de todos lo
paquetes de semillas para césped que distribuye esta compañía.
Suponga una población normal.

R/

0.135 < σ 2 < 0.953

Intervalo de confianza para σ12/σ22: Si s21 y s22 son las varianzas de
muestras independientes de tamaño n1 y n2, respectivamente, de
poblaciones normales, entonces un intervalo de confianza de (1 − α) 1
para σ12/σ22 es

s21 1 σ12 s21

2
< 2 < 2 fα/2 (ν2, ν1) ,
s2 fα/2 (ν1, ν2) σ2 s2

donde fα/2 (ν1, v2) es un valor f con ν1 = n1 − 1 y ν2 = n2 −

1 grados de libertad que deja un área de α/2 a la derecha, y
fα/2 (ν2, ν1) es un valor f similar con ν2 = n2 − 1 y ν1 = n1 − 1
grados de libertad.
Ejemplo 9.18: En el ejemplo 9.11 se contruyó un intervalo de con-
fianza para la diferencia en el contenido medio de ortofósforo,
que se mide en miligramos por litro, en dos estaciones sobre el
rio James, suponiendo que las varianzas de las poblaciones nor-
males eran diferentes. Justifique esta suposición mediante la cons-
trucción de un intervalo de confianza de 98 % para σ12/σ22 y para
σ1/σ2 donde σ12 y σ22 son las varianzas poblacionales del conte-
nido de ortofósforo en la estación 1 y en la estación 2, respectiva-
mente.

R/

σ12
3.425 < 2 < 56.991; 1.851 < σ1 < 7.549
σ2
σ2