Intervalos de Confianza

Intervalos de Confianza
M. C. José Juan Rincón Pasaye
UMSNH – FIE
Contenido
 Estimación de parámetros
Estimación de intervalos
Intervalo de confianza para la media
Intervalo de confianza para la
varianza
Otros Intervalos de Confianza
Intervalos de tolerancia
Ints. de confianza y regresión lineal
UMSNH-
Estimación de Parámetros
Parámetros poblacionales y Estadísticos Muestrales

Parámetros:
H
is
tog
ramad
elaP
obla
cio
n
1
60
1
40
Media (µ )
1
20
Varianza(σ 2)
Frecuencia
1
00
Datos 8
0
Desv. Est. (σ )
6
0
(Población de Interés) 4
0
2
0
0
-4 -2 0 2 4
Etc.
C
la
ses
Inferencias
Muestr Histogramade laMuestra
16 Estadísticos:
eo 14
12 Promedio ( X )
Frecuencia
10
Muestras 8 Varianza muestral(S2)

6
4
Desv. Est. muestral(S)
2
0
-4 -2 0
Clases
2 4 Etc.
UMSNH -
Ejemplo: Estimación de la media de una población
Parámetro que se pretende estimar : La media de la población ( µ ) que en

general no se conoce, no se puede conocer, o se conoce sólo un valor teórico:
Estimador: La media muestral ( X ) que se calcula a partir de una muestra

de N datos como sigue:
____
1
X =
N
(x 1 + x 2 + ... + x N )
El estimador (en el ejemplo la media muestral) puede tomar diferentes

valores (aleatorios) dependiendo de la muestra (aleatoria) considerada, es
decir, el estimador es una variable aleatoria
Es natural preguntarse : ¿Cuál será la distribución de probabilidad del

estimador? De hecho ¿cuáles serán sus parámetros? ¿tendrán que ver con los
de la población?
UMSNH -
Ejemplo: Lanzamiento de un dado
Población de interés : El conjunto de datos obtenidos al lanzar un dado legal
en diversas ocasiones
Parámetro de interés : La media (µ) de la población
____
1
Estimador: La media muestral ( X ) X = N (x 1 + x 2 + ... + x N )
Experimento aleatorio : Lanzar un dado

Variable aleatoria X= número obtenido en la cara superior
Espacio muestral = {1, 2 , 3, 4, 5 , 6}
Distribución de la variable aleatoria X: Uniforme
Media teórica: µ=3.5
UMSNH -
Distribución de la variable aleatoria (X) del experimento
Función de Probabilidad: f(x) = P(X=x)
x 1 2 3 4 5 6
f(x) 1/6 1/6 1/6 1/6 1/6 1/6
Función de Probabilidad
0.2
0.15
f(x)
0.1
µ
0.05
0
1 2 3 4 5 6
x
UMSNH -
Distribución del estadístico X .
Diferentes cálculos de X para N=10:

Muestra x1 x2 x3 x4 x5 x6 x7 x8 x9 x10
X
1 1 3 5 1 1 2 2 4 2 2 2.1
2 1 5 3 6 3 3 6 4 2 5 3.8
3 6 1 5 3 5 4 5 3 2 2 3.2
4 2 5 2 4 1 5 3 6 6 4 3.8
5 3 6 5 4 5 4 3 2 3 4 3.7
... ...
Cada muestra puede considerarse como:

 10 valores de la variable aleatoria X,
 1 sólo valor para 10 variables aleatorias X1,X2,...,X10
UMSNH -
Distribución del estadístico X .
Si obtenemos 1000 muestras, obtendremos 1000 valores de X , para

estos 1000 valores realizamos el histograma:
Distribución de la media muestral
0.25
0.2
frecuencia relativa
0.15
0.1
0.05
0
1 2 3 4 5 6
X
UMSNH -
Código en Matlab:
%se simula el dado
x=round(rand(N,n)*6+0.5);
M=sum(x)/N;
[X,c]=hist(M,15);
%se grafica el histograma de frecuencia relativa en p.u.
X=X/n;
bar(c,X)
Recordatorio: Cada muestra puede considerarse como:

 10 valores de la variable aleatoria X,
 1 sólo valor para 10 variables aleatorias X1,X2,...,X10
UMSNH -
En general: un estadístico ^Θ que pretende estimar un parámetro

θ es una v. a. Que depende de las N variables aleatorias que
forman una muestra, es decir
^Θ = f(X1,X2,...,XN)
Así, una muestra es un conjunto de valores (x1,x2,...,xN) tomados

por las variables aleatorias (X1,X2,...,XN).
Es natural suponer que la distribución f(Xi)=P(Xi=xi) de cada
variable de la muestra es igual a la de la población
Sin embargo, la distribución f(θ^) = P( ^Θ = θ^ ) del estadístico

como se vió en el ejemplo del dado es otra cosa.
UMSNH -
Estimación de Intervalos
En la explicación previa, un estimador ^Θ produce un valor θ^

que pretende aproximar a un parámetro θ . A este enfoque se le
llama estimación puntual
En el enfoque de estimación de intervalos, para un parámetro θ

no se estima un valor, sino un intervalo de la forma l ≤ θ ≤ u,
donde los valores extremos l, u dependen del valor numérico del
estadísticoθ^ para una muestra en particular y de la distribución
de muestreo de ^Θ
Es decir, l,u dependen de la muestra, por lo tanto son valores de

variables aleatorias L, U
UMSNH -
Partiendo de la distribución de muestreo para ^Θ , es posible

determinar valores de L,U tales que se cumpla lo siguiente:
P(L ≤ θ ≤ U) =1 – α
Donde 0 < α < 1
Es decir, se puede garantizar con una probabilidad de 1-α que

la muestra elegida contendrá el valor verdadero de θ
Al intervalo resultante l ≤ θ ≤ u se le conoce como el

intervalo de confianza del 100(1– α ) % para el parámetro
desconocido θ
UMSNH -
Ejemplo: Construcción repetida de un intervalo de confianza

para la media µ :
µ
Si los intervalos de confianza mostrados son del 95% significa

que si se construye un gran número de ellos, el 95% de ellos
contendrá a la media UMSNH -
En la práctica se obtiene solamente una muestra y se calcula con

ella un intervalo de confianza dicho intervalo contiene o no
contiene a µ , no es razonable asignar una probabilidad a este
evento.
La proposición a decuada es que el intervalo contiene a µ “con

una confianza” del 95%
La longitud del intervalo de confianza (u-l) es una medida de la

calidad de la información obtenida en la muestra, al semi
intervalo u-θ , o θ -l se le llama Precisión del estimador.
¿Qué significado tiene un intervalo grande?

¿És deseable que sea grande o que sea pequeño?
¿Qué relación tiene con el valor de 1-α ?
UMSNH -
Intervalo para la Media (Varianza conocida)
Situación: Se tiene una población con media desconocida µ ,

pero se supone conocida la varianza σ 2.
Se toma una muestra aleatoria (X1,X2,...,XN). Con esta muestra se

X cual es un estimador puntual
calcula el estadístico el
insesgado para la media µ desconocida. Se puede obtener un
intervalo de confianza del 100(1-α ) % para µ si consideramos
los siguientes hechos acerca de la distribución de X :
UMSNH -
Intervalo para la media
1. Si la población es Normal, la distribución de X es Normal
2. Si la población no es Normal, el Teorema del límite central nos

garantiza una distribución de X aproximadamente normal
cuando N →∞
3. La media de X es µ X
( es insesgado)
4. La varianza de X es σ 2/N
Teorema del Límite Central:

Afirma que la media muestral tiene una distribución Normal
aunque la población original no la tenga, siempre y cuando la
muestra sea muy grande (de manera práctica N>30)
UMSNH -
De acuerdo a lo anterior, podemos suponer que la variable
___
Z = X −μ
σ/ N
Tiene una distribución N(0,1)
α /2
α /2
-zα /2 zα /2 Z
de la figura: P{-zα /2 ≤ Z ≤ zα /2 }=1-α .

Con lo cual el intervalo de confianza del 100(1-α )% para la media
es __ __
x −z α/2 σ/ N ≤μ ≤ x +z α/2 σ/ N
UMSNH -
Ejemplo: Los siguientes son datos de conductividad térmica de cierto tipo de
hierro (en BTU/hr-ft-°F):
41.60 41.48 42.34 41.95 41.86
42.18 41.72 42.26 41.81 42.04
Una estimación puntual para la media, es X = 41.924. Hallar un intervalo de
confianza del 95 % y uno del 99% para la media.
Se supone que la población tiene una distribución Normal con σ =0.3
__ __
Usamos la expresión x −z σ/ N ≤μ ≤x +z σ/ N para encontrar el

α/2 α/2
intervalo de confianza para la media: Usando Matlab para calcular zα /2 =

norminv(0.025,0,1)
l = 41.924 - 1.96(0.3)/√10 = 41.738, u = 41.924+1.96(0.3)/√10 = 42.110
Entonces el intervalo de confianza del 95% es
41.738 ≤ µ ≤ 42.11
Y la longitud de este intervalo es 3.92σ / √N
UMSNH -
Selección del tamaño de la muestra:
La precisión del intervalo de confianza es zα /2 σ /√N esto
significaX
que Xal usar para estimar µ , el error de estimación, dado por
E=| - µ | es menor o igual que zα /2 σ /√N, con una confianza de
100(1-α )%.
El problema inverso consiste en calcular N para obtener un error
E con una confianza del 100(1-α )% previamente especificado:
N1/2 = zα /2 σ /E
Ejercicio: Calcular el tamaño adecuado de la muestra para lograr

que el error de estimación de conductividad del hierro sea menor
de 0.05 Btu/hr-ft-°F con una confianza del 95%
UMSNH -
Intervalo para la Media (Varianza desconocida)
Si no se conoce la varianza σ 2 de la población, una posibilidad es
utilizar la varianza muestral S2 en las ecuaciones obtenidas para
estimar intervalos en el caso de varianza conocida
Este procedimiento funciona para muestras grandes (N>30), por

ello los intervalos de confianza anteriores se les suele llamar
intervalos de confianza para muestras grandes.
Si las muestras son pequeñas el enfoque anterior no funciona y

para lograr un procedimiento válido se supondrá que la población
tiene una distribución Normal
UMSNH -
Si la población es Normal, la siguiente estadística
X−

T= S/ N
Tiene una distribución t con N-1 grados de libertad
α /2
α /2
-tα /2,N-1 tα /2,N-1 T
UMSNH -
X−  α /2
T= S/ N α /2
-tα /2,N-1 tα /2,N-1 T
de la figura: P{-tα /2,N-1 ≤ T ≤ tα /2,N-1 }=1-α . Con lo cual el

intervalo de confianza del 100(1-α )% para la media es
x− 1 s/ N    x +
t /2,N− t /2,N−
1 s/ N
Ejercicio: Repetir el ejemplo de la conductividad del hierro

suponiendo que no se conoce la varianza
UMSNH -
Intervalo para la Varianza
Intervalo para la Varianza de una distribución
Normal
Si la Población es Normal, la distribución muestral del estadístico
siguiente
S 2
X=
(
N−
1)
2
Donde S2 es la varianza muestral usada como estimador puntual de σ 2
Es de tipo Ji-cuadrada con N-1 grados de libertad
α /2
α /2
0 χ 2
α /2,N-1 χ 2
1−α /2,N-1
X
UMSNH -
Intervalo para la Varianza de una distribución Normal
2 α /2
X=
(
N−S
1) α /2
2
0 χ 2
α /2,N-1 χ 2
1−α /2,N-1
X
De acuerdo a la figura, P(χ 2
1- α /2,N-1 ≤ X≤ χ 2
α /2,N-1 ) = 1-α
Por lo tanto, el intervalo de confianza del 100(1-α )% buscado
para la varianza es
(N− 1) s2 2 (
N − 1)
s 2
   2
2
 1−/2,N−1 /2,N−
1
Ejercicio: Hallar el intervalo de confianza del 95% para la

varianza en el ejemplo de la conductividad del hierro
UMSNH -
Intervalos de confianza unilaterales.- En el caso de la varianza es

más común buscar cotas inferiores o superiores que ambas a la vez
Intervalo de confianza inferior.- Se obtiene reemplazando el

límite superior por ∞ y χ 21−α /2,N-1por χ 21−α ,N-1 , obteniendo:
(
N− 1)s2 2
 
 21− 1
,N−
Intervalo de confianza superior.- En forma similar, se reemplaza

el límite inferior por 0 y χ 2α /2,N-1por χ 2α ,N-1 , obteniendo:
(
N − 1)s 2
2 
 2,N−1
UMSNH -
Ejercicio: Un fabricante de detergente líquido está interesado

en la efectividad de su proceso para llenar envases de
detergente. La norma dice que no se debe tener una desviación
estándar σ en el proceso mayor de 0.15, ya que de lo
contrario habrá envases más vacíos de lo permitido.
Se toma una muestra aleatoria de 20 envases y se obtiene una
varianza muestral s2=0.0153 onzas2. ¿Es esta medición una
evidencia de que se está cumpliendo la norma con una
confianza del 95% ?
Sugerencia: se puede usar la función chi2inv de Matlab
UMSNH -
Otros intervalos de Confianza
Intervalo de confianza para una Proporción
Se toma una muestra de tamaño N de una población muy grande y

resulta que X datos de la muestra pertenecen a alguna clase de
interés. Entonces un estimador puntual de la proporción p de los
datos de la población que pertenecen a la clase en cuestión es:
^P=X/N
Nótese que N y p son los parámetros de una distribución binomial
^ se puede considerar
La distribución de muestreo de P
aproximadamente Normal con media p y varianza p(1-p)/N,
siempre que p no esté muy cerca de 0 o de 1 y si N es
relativamente grande
UMSNH -
De lo anterior, la distribución de la variable

P−
p
Z=
p(
1−
p)
N
Es aproximadamente N(0,1)
Entonces, partiendo de P{-zα /2 ≤ Z ≤ zα /2 }=1-α
Obtenemos el siguiente intervalo de confianza aproximado del

100(1-α )% para la proporción p de la población que pertenece a
la clase dada:
p(
1−
p) p(
1−p)
p−
z /2 N  p p +
z /2 N
UMSNH -
Ejemplo: De 1000 casos de cáncer pulmonar seleccionados al

azar, 823 son de pacientes que fallecieron. Construya un intervalo
de confianza del 95% para la tasa de mortalidad del cáncer
pulmonar
Solución: La tasa de mortalidad es la proporción de los que

mueren a los que contraen el cáncer pulmonar, de la muestra
tenemos que p^ = 0.823. Por otro lado z0.025 =1.96, entonces:
0.823(
1−
0.823) 0.823(
1−
0.823)
0.823 −
1.96 1000  p 0.823 +
1.96 1000
Es decir, 0.799 ≤ p≤ 0.847
UMSNH -
Intervalo de confianza para el cociente de varianzas de dos
distribuciones Normales
Situación: Se tienen dos poblaciones normales e independientes
con varianzas desconocidas σ 12, σ 22 respectivamente. Se tienen
disponibles dos muestras aleatorias de tamaños N1, N2 una de cada
población respectivamente. Sean S12 S22 las varianzas muestrales
respectivas. Se busca un intervalo de confianza del 100(1-α )%
del cociente de varianzas σ 12/ σ 22
Para hallar el intervalo de confianza se debe recordar que la
distribución de muestreo del estadístico siguiente
S 22 / 22
F =
S 21 /21
Es de tipo F con N2-1 y N1-1 grados de libertad en el numerador y

denominador respectivamente. (Ver la figura siguiente) UMSNH -
S 22 / 22
F =
S 21 /21
α /2
1 α /2
f /2,N2 − 1=
1,N1 −f 1−
/2,N 2 −
1,N 1 −
1
0 fα /2,N2-1,N1-1 f1−α /2,N2-1,N1-1
F
Así, de la figura: P{fα /2,N2-1,N1-1 ≤ F ≤ f1−α /2,N2-1,N1-1 }=1-α
Por lo tanto, el intervalo de confianza buscado es:

S 21  21 S 21
f
S 22 /2,N 2 − 1  2 S 2 f 1−
1,N 1 − /2,N 2 −
 1,N 1 −
1
2 2
UMSNH -
Ejemplo: Una compañía fabrica piezas para turbinas. Tiene dos procesos distintos para
hacer el esmerilado de las piezas y ambos procesos producen terminados con la misma
rugosidad promedio. El ingeniero del proceso desea seleccionar el proceso con la menor
variabilidad en la rugosidad de la superficie. Para ello toma una muestra de 12 piezas
del primer proceso, obteniendo una desviación estándar muestral s1= 5.1 micropulgadas,
luego toma una muestra de 15 piezas del segundo proceso, obteniendo s2= 4.7. ¿Puede
elegir el primer poceso con una confianza del 90% de tener menor variabilidad en la
rugosidad?
Solución: Suponiendo que los dos procesos son Normales e independientes.

Usando la función finv de Matlab, obtenemos f0.95 =2.7386 y f0.05 =0.3898, por lo
tanto, 5.1 2
4.7 2 (
0.3898)   2
1 /2
2  5.1 2
4.7 2 (
2.7386)
0.46   2
1 /
2 
2 3.23
Haciendo operaciones:
 Como el intervalo incluye la unidad, no se puede concluir que los procesos
tengan variabilidad sgnificativamente diferente con una confianza del 90%
UMSNH -
Resumen de intervalos de confianza
Parámetros de interés Suposiciones

La media µ Dist. Muestral Normal (o N grande) σ 2 conocida
σ 2 desconocida (Dist. Muestral T)

La varianza σ 2
Dist. Normal (Dist. Muestral Ji2 )
Proporción p Dist. Muest. Normal (N grande, p alejado de 0 y de 1)
Cociente de varianzas Dos poblaciones Normales e independientes (Dist.
σ 12/σ 22 Muestral tipo F)
Diferencia de medias Distribuciones σ 1
2
yσ 2
2
conocidas
µ 1−µ 2 normales,
σ 1
2
=σ 2
2
desconocidas (Dist muest T)
σ 1
2
≠ σ 2
2
desconocidas (Dist muest T)
Diferencia entre dos Dist. Muestral Normal (N1 y N2 grandes, p1 y p2 alejados

UMSNH -
Intervalos de Tolerancia
Concepto
En ocasiones no nos interesa estimar algún parámetro, sino

establecer un rango en donde se puede esperar que caigan
observaciones (datos) individuales en un proceso.
La respuesta es muy sencilla si se conoce la distribución y los

parámetros de la población, por ejemplo, si se obtuvo una muestra
aleatoria de una población Normal con media µ y varianza σ 2
conocidas, se esperará que el 95% de los datos caerán entre los
límites
µ ± 1.96σ
A este intervalo se le llama intervalo de tolerancia y si µ y σ son
conocidos la cobertura del 95% es exacta
UMSNH -
Intervalos de Tolerancia
Concepto
Si µ y σ son desconocidos a veces se puede determinar una

constante k tal que los límites x ± kσ constituyan un intervalo de
tolerancia para una distribución normal
En este caso los límites del intervalo son variables aleatorias y la

proporción de datos cubierta por el intervalo no es exacta.
Entonces se debe introducir un intervalo de confianza para la
proposición de los límites del intervalo de tolerancia.
En la bibliografía se pueden consultar tablas para elegir estos

límites dada una confianza deseada para el caso Normal.
UMSNH -
Intervalos de Confianza y Regresión Lineal
Intervalo de Confianza para la Respuesta Media
En la regresión lineal se supone un modelo de la forma

y = mx + b
Para describir la “respuesta” y del proceso bajo la entrada x
Para una muestra de N puntos (valores de x, y) se calculan valores

^, ^
estimados m b de m, b resolviendo las ecuaciones normales, de
manera que se obtiene un modelo estimado ^ y = ^mx + ^b
Así, para un dato x0, se puede estimar una predicción puntual para
^ ^ ^
µ y/xo (respuesta media) mediante: µ y/xo = mx0+ b
Se puede encontrar un intervalo de confianza para la respuesta

media µ y/xo dado un valor x0 como se explica a continuación
UMSNH -
Un intervalo de confianza alrededor de la respuesta media µ y/xo

del 100(1-α )% para el valor de x=x0 está dado por:
(
x 0− x)2
(
x0− x)2
t /2  2 N1
 Yx 0 − + S xx  Yx 0 t /2 2 N1
Yx 0 + +S xx
^
Donde µ y/xo se calcula a partir del modelo de regresión estimado
^ _
^
Además, σ 2= Σ (yi - (m xi+b) )2/(N-2) y Sxx = Σ (xi-x)2 .
Obsérvese_ que el ancho de este intervalo

_ de confianza es mínimo
para x0= x y crece a medida que |x0 - x| aumenta. En la siguiente
gráfica se muestra un comportamiento típico de este intervalo
UMSNH -
Límites del intervalo de

confianza para la
respuesta media
Puntos
experimentales
Recta de regresión
Observación: Estos límites de intervalo están basados en los

puntos experimentales dados, no se pueden usar para predecir
intervalos sobre datos nuevos. A los límites para nuevos datos
se les llama límites de predicción y son más amplios queUMSNH
los -

Intervalos de Confianza

Transféré par

Informations du document

Copyright

Formats disponibles

Partager ce document

Partager ou intégrer le document

Options de partage

Avez-vous trouvé ce document utile ?

Ce contenu est-il inapproprié ?

Droits d'auteur :

Formats disponibles

Intervalos de Confianza

Transféré par

Droits d'auteur :

Formats disponibles

Intervalos de Confianza

M. C. José Juan Rincón Pasaye

Parámetros poblacionales y Estadísticos Muestrales

Muestras 8 Varianza muestral(S2)

Parámetro que se pretende estimar : La media de la población ( µ ) que en

Estimador: La media muestral ( X ) que se calcula a partir de una muestra

El estimador (en el ejemplo la media muestral) puede tomar diferentes

Es natural preguntarse : ¿Cuál será la distribución de probabilidad del

Experimento aleatorio : Lanzar un dado

Distribución del estadístico X .

Diferentes cálculos de X para N=10:

Cada muestra puede considerarse como:

Distribución del estadístico X .

Si obtenemos 1000 muestras, obtendremos 1000 valores de X , para

Recordatorio: Cada muestra puede considerarse como:

En general: un estadístico ^Θ que pretende estimar un parámetro

Así, una muestra es un conjunto de valores (x1,x2,...,xN) tomados

Sin embargo, la distribución f(θ^) = P( ^Θ = θ^ ) del estadístico

En la explicación previa, un estimador ^Θ produce un valor θ^

En el enfoque de estimación de intervalos, para un parámetro θ

Es decir, l,u dependen de la muestra, por lo tanto son valores de

Partiendo de la distribución de muestreo para ^Θ , es posible

Es decir, se puede garantizar con una probabilidad de 1-α que

Al intervalo resultante l ≤ θ ≤ u se le conoce como el

Ejemplo: Construcción repetida de un intervalo de confianza

Si los intervalos de confianza mostrados son del 95% significa

En la práctica se obtiene solamente una muestra y se calcula con

La proposición a decuada es que el intervalo contiene a µ “con

La longitud del intervalo de confianza (u-l) es una medida de la

¿Qué significado tiene un intervalo grande?

Situación: Se tiene una población con media desconocida µ ,

Se toma una muestra aleatoria (X1,X2,...,XN). Con esta muestra se

2. Si la población no es Normal, el Teorema del límite central nos

Teorema del Límite Central:

de la figura: P{-zα /2 ≤ Z ≤ zα /2 }=1-α .

Usamos la expresión x −z σ/ N ≤μ ≤x +z σ/ N para encontrar el

intervalo de confianza para la media: Usando Matlab para calcular zα /2 =

Ejercicio: Calcular el tamaño adecuado de la muestra para lograr

Este procedimiento funciona para muestras grandes (N>30), por

Si las muestras son pequeñas el enfoque anterior no funciona y

-tα /2,N-1 tα /2,N-1 T

-tα /2,N-1 tα /2,N-1 T

de la figura: P{-tα /2,N-1 ≤ T ≤ tα /2,N-1 }=1-α . Con lo cual el

Ejercicio: Repetir el ejemplo de la conductividad del hierro

Es de tipo Ji-cuadrada con N-1 grados de libertad

Ejercicio: Hallar el intervalo de confianza del 95% para la

Intervalos de confianza unilaterales.- En el caso de la varianza es

Intervalo de confianza inferior.- Se obtiene reemplazando el

Intervalo de confianza superior.- En forma similar, se reemplaza

Ejercicio: Un fabricante de detergente líquido está interesado

Sugerencia: se puede usar la función chi2inv de Matlab

Se toma una muestra de tamaño N de una población muy grande y

Nótese que N y p son los parámetros de una distribución binomial

De lo anterior, la distribución de la variable

Entonces, partiendo de P{-zα /2 ≤ Z ≤ zα /2 }=1-α

Obtenemos el siguiente intervalo de confianza aproximado del

Ejemplo: De 1000 casos de cáncer pulmonar seleccionados al

Solución: La tasa de mortalidad es la proporción de los que

Es decir, 0.799 ≤ p≤ 0.847

Es de tipo F con N2-1 y N1-1 grados de libertad en el numerador y

Así, de la figura: P{fα /2,N2-1,N1-1 ≤ F ≤ f1−α /2,N2-1,N1-1 }=1-α

Por lo tanto, el intervalo de confianza buscado es:

Solución: Suponiendo que los dos procesos son Normales e independientes.

Parámetros de interés Suposiciones