Universidad Nacional Autónoma de Honduras

Facultad de Ciencias Económicas Administrativas y Contables

Departamento de Administración de Empresas

ESTIMACIONES

Análisis Cuantitativo (DAE-610)

Sección: 0900

Licenciado: Kelvin Hernández Maldonado

Grupo N°6

INTEGRANTES:

Ambar Yanari Vásquez Oliva 20141012636

Arely Concepción López 20011005652

Evelyn Dariela Martínez Molina 20151502058

Javier Andrés Flores Servellón 20111003564

Karina Suyapa Flores Rodríguez 20151001501

Keren Mendoza Navarro 20161001990

Luis Fernando Lagos Mejía 20131017227

Ciudad Universitaria “José Trinidad Reyes”, 3 de mayo del 2018

 ESTIMACIONES

ÍNDICE

1 INTRODUCCIÓN .................................................................................................................... 3
2 OBJETIVOS ............................................................................................................................. 4
2.1 Objetivo General ................................................................................................................ 4
2.2 Objeticos Específicos ........................................................................................................ 4
3 ESTIMACIONES ..................................................................................................................... 5
3.1 Criterios para seleccionar un buen estimador .................................................................... 5
3.2 Tipos de Estimaciones ....................................................................................................... 7
3.2.1 Estimaciones Puntuales .............................................................................................. 7
3.2.2 Estimación por intervalos ........................................................................................... 8
4 ESTIMACIONES PARA MUESTRAS GRANDES ............................................................... 9
4.1 Estimaciones de intervalo de la media poblacional ........................................................... 9
4.1.1 Caso 1: La desviación estándar de la población se conoce ...................................... 10
4.1.2 Caso 2: La desviación estándar de la población se desconoce ................................. 11
4.2 Estimación de intervalo de la proporción poblacional .................................................... 13
5 ESTIMACIÓN PARA T DE STUDENT ............................................................................... 15
5.1 Antecedentes de la investigación ..................................................................................... 15
5.2 Características de la distribución de T ............................................................................. 15
5.3 Grados de libertad ............................................................................................................ 16
5.4 Naturaleza de la T Student............................................................................................... 17
5.5 Metodología de T Student. .............................................................................................. 17
5.6 Uso de la distribución T student ...................................................................................... 17
6 ERROR ESTÁNDAR DE LA MEDIA .................................................................................. 18
7 EJERCICIO ............................................................................................................................. 20
8 CONCLUSIONES .................................................................................................................. 24
9 ANEXOS ................................................................................................................................ 25
10 BIBLIOGRAFÍA ................................................................................................................. 28

ESTIMACIONES 2
 ESTIMACIONES

1 INTRODUCCIÓN

El presente informe tiene como finalidad describir en que consiste la estimación, del mismo modo
describir los tipos de estimación que existe, para que sirve y como utilizarlos.

La estimación es un cálculo que se utiliza como valor de un parámetro poblacional, en la que se

realiza a través de un muestreo, dichos resultados se pueden generar mediante la proyección de
resultados de encuestas o encuestas sobre la población total. (Conceptodefinicion.de, 2016)

Antes de poder estimar se requiere saber los criterios para seleccionar un buen estimador para
evaluar la calidad de un estadístico, obteniendo ya esta selección se podrá estimar de dos formas,
estimación puntual y de intervalo. La estimación puntual utiliza la muestra para obtener un
resultado, en cambio la estimación de intervalo utiliza el valor derivado de una muestra de dos
resultados.

En la estimación se realizan por medio de dos muestras grandes, estimaciones de intervalo de la

media poblacional para encontrar procedimientos que permitan estudiar la media de una población
y estimación de intervalo de la proporción que se obtiene mediante un experimento binomial que
este dado por la estadística.

ESTIMACIONES 3
 ESTIMACIONES

2 OBJETIVOS

2.1 Objetivo General

Determinar el uso de estimaciones que existen y su importancia en sus procesos de prueba de

poblaciones a partir de los resultados logrados en una muestra.

2.2 Objeticos Específicos

1. Conocer los criterios para seleccionar un buen estimador.

2. Enumerar los tipos de estimaciones que existen y su aplicación.
3. Definir las estimaciones para muestras grandes de una población y su aplicación.

ESTIMACIONES 4
 ESTIMACIONES

3 ESTIMACIONES

La estimación es un procedimiento de la estadística inferencial mediante el cual se realizan cálculos

con los datos de una muestra para obtener valores o resultados que describan las características de
una población. (Estadística para negocios, s.f)

La estimación tiene el objetivo de obtener estadísticos, es decir, fórmulas matemáticas que

permitan conocer, a partir de ellos y de manera resumida, las características más relevantes de una
población, utilizando la información contenida en una muestra. Al estadístico también se le conoce
con el nombre de estimador. (Estadística para negocios, s.f)

El estimador es una fórmula o representación matemática que conduce a obtener un resultado.

(Estadística para negocios, s.f)

Un estimador debe cumplir las características siguientes:

3.1 Criterios para seleccionar un buen estimador

Se puede evaluar la calidad de un estadístico como estimador aplicando cuatro criterios:

• Imparcialidad: Esta es una propiedad conveniente de un buen estimador. El término
imparcialidad se refiere al hecho de que una media muestral es un estimador insesgado de
la media de la población, pues la media de la distribución de muestreo de las medias
muestrales tomadas de una misma población es igual a la media de esta última. (Silva, 2008)

Insesgo: Se dice que un estimador es insesgado si la media de la distribución del estimador es igual
al parámetro. Estimadores insesgados son la Media muestral (estimador de la Media de la
población) y la Varianza (estimador de la Varianza de la población). (Universidad de Valencia,
s.f.)

Ejemplo

En una población de 500 puntuaciones cuya Media (m) es igual a 5.09 han hecho un muestreo
aleatorio (número de muestras= 10000, tamaño de las muestras= 100) y hallan que la Media de las

ESTIMACIONES 5
 ESTIMACIONES

Medias muestrales es igual a 5.09, (la media poblacional y la media de las medias muestrales
coinciden). En cambio, la Mediana de la población es igual a 5 y la Media de las Medianas es igual
a 5.1 esto es, hay diferencia ya que la Mediana es un estimador sesgado.

La Varianza es un estimador sesgado. Ejemplo: La Media de las Varianzas obtenidas con la

Varianza en un muestreo de 1000 muestras (n=25) en que la Varianza de la población es igual
a 9.56 ha resultado igual a 9.12, esto es, no coinciden. En cambio, al utilizar la Cuasivarianza la
Media de las Varianza muestrales es igual a 9.5, esto es, coincide con la Varianza de la población
ya que la Cuasivarianza es un estimador insesgado. (Universidad de Valencia, s.f.)

Fórmula para calcular la varianza de una muestra:

• Eficiencia: Designa el tamaño del error estándar del estadístico. Diremos que un estimador
es más eficiente que otro si la Varianza de la distribución muestral del estimador es menor
a la del otro estimador. Cuanto menor es la eficiencia, menor es la confianza de que el
estadístico obtenido en la muestra aproxime al parámetro poblacional. (Universidad de
Valencia, s.f.)

Ejemplo

La Varianza de la distribución muestral de la Media en un muestreo aleatorio (número de muestras:

1000, n=25) ha resultado igual a 0.4. La Varianza de la distribución de Medianas ha resultado, en
el mismo muestreo, igual a 1.12, (este resultado muestra que la Media es un estimador más eficiente
que la Mediana). (Universidad de Valencia, s.f.)

• Consistencia: Un estimador es consistente si aproxima el valor del parámetro cuanto mayor

es n (tamaño de la muestra). (Universidad de Valencia, s.f.)

Algunos estimadores consistentes son:

ESTIMACIONES 6
 ESTIMACIONES

Ejemplo

En una población de 500 puntuaciones cuya Media (m) es igual a 4.9 han hecho tres muestreos
aleatorios (número de muestras= 100) con los siguientes resultados:

Tabla 1, datos para calcular un estimador consistente.

Fuente: Universidad de Valencia. (s.f.). Universidad de Valencia. Recuperado el 10 de abril de 2018, de

https://www.uv.es/webgid/Inferencial/42_caractersticas_estimadores.html

se puede ver que el muestreo en que n=100 la media de las medias muestrales toma el mismo valor
que la Media de la población. (Universidad de Valencia, s.f.)

• Suficiencia: Un estimador es suficiente si utiliza la información contenida en la muestra,

al punto de que ningún otro estimador podría extraer de esta última más información
referente al parámetro de la población que va a ser estimado. (Silva, 2008)

3.2 Tipos de Estimaciones

Los tipos de estimaciones existentes son las siguientes:

a) Estimaciones puntuales
b) Estimaciones de intervalo

3.2.1 Estimaciones Puntuales

La estimación puntual es un procedimiento de la estadística inferencial mediante el cual se realizan

cálculos con los datos de una muestra cuyo resultado es un valor numérico único empleado para
estimar el valor de un parámetro poblacional. (Estadística para negocios, s.f)

La estimación puntual consiste en un solo estadístico muestral que se usa para estimar el valor
verdadero de un parámetro de una población que es desconocido. Por ejemplo, la media muestral
x es una estimador puntual de la media poblacional μ. (Lemus, s.f)

ESTIMACIONES 7
 ESTIMACIONES

∑𝑋 ∑𝑥
Para estimar la media poblacional 𝜇 = , el estimador a utilizar es 𝑥̅ =
𝑁 𝑛

∑(𝑥−𝜇)2 ∑(𝑥−𝑥̅ )2
Para estimar la varianza poblacional 𝜎 2 = , el estimador a utilizar es 𝑠 2 =
𝑁 𝑛−1

Y para estimar la desviación estándar poblacional 𝜎 = √𝜎 2 , el estimador a utilizar es S=√𝑠 2 .

(Estadística para negocios, s.f)

3.2.1.1 Estimación puntual de una media

Si se desea estimar la media µ de las edades de los pobladores de una región, se puede proceder de
la siguiente manera:

1. Tomar una muestra aleatoria de n pobladores de la región, por ejemplo 5 pobladores.

2. Registrar los 5 valores de la variable X = edad. Las edades pueden ser: 40, 50, 12, 49 y 17.

3. Una estimación puntual de la media de la población puede ser la media

40 + 50 + 12 + 49 + 17
x= (Capuñay, 2011)
5

3.2.1.2 Estimación Puntual de la proporción

Si se desea estimar la proporción p de artículos defectuosos que produce una fábrica de artículos
para el hogar, podremos tomar una muestra aleatoria de 200 artículos y registrar el número de
aquellos defectuosos que en la muestra aparecen. Si en la muestra hay cuatro defectuosos, una
4
estimación del parámetro es la proporción definida por la expresión 𝑝̂ =
200

(En este caso, la variable X es una variable que vale 1 si el artículo es defectuoso

y 0 si no lo es. La proporción p que se trata de estimar es la media de X.) (Capuñay, 2011)

3.2.2 Estimación por intervalos

La estimación por intervalos es un procedimiento de la estadística inferencial mediante el cual se

realizan cálculos con los datos de una muestra cuyo resultado son dos valores numéricos que

ESTIMACIONES 8
 ESTIMACIONES

definen un rango, intervalo o conjunto numérico que servirá para estimar el parámetro poblacional.
(Estadística para negocios, s.f)

La estimación por intervalos tiene varias ventajas; una es que no ofrece un valor único, sino un
rango donde es muy posible o muy probable que el parámetro poblacional se encuentre incluido.
De esta manera se supera la limitación de los estimadores puntuales de que su resultado único varía
de muestra en muestra; es decir, con la estimación por intervalos tenemos más probabilidad de
acertar al verdadero valor poblacional. (Estadística para negocios, s.f)

La principal ventaja de la estimación por intervalos es que su resultado ofrece un nivel de confianza
que permite conocer en cuánto le podemos creer o tenerle confianza al resultado obtenido de la
estimación. Por esta razón, la estimación por intervalos también es conocida como estimación por
intervalos de confianza, pues su nivel de confianza señala qué tan posible o qué tan probable es
que el parámetro poblacional se encuentre incluido dentro del rango definido. (Estadística para
negocios, s.f)

El intervalo de confianza es el conjunto de valores obtenidos a partir de los datos muestrales en el

que hay una determinada probabilidad de que se encuentre el parámetro poblacional. Esta
probabilidad se le conoce como nivel de confianza. (Barrera, 2008)

El concepto de nivel de confianza se encuentra muy relacionado con el de probabilidad, pero en

lugar de estimar la posibilidad de que un evento suceda, el nivel de confianza señala qué tanta
confianza le podemos tener o le podemos creer a un resultado obtenido de un intervalo. (Estadística
para negocios, s.f)

Un nivel de confianza generalmente se mide en porcentajes y tiene un rango entre 0% y 100% de

confianza. Un nivel alto de confianza, por ejemplo, 95% implica que se tiene mucha confianza en
el resultado del intervalo; mientras que un nivel bajo de confianza, por ejemplo 40%, implica que
se tiene poca confianza en el resultado proporcionado por el intervalo. (Estadística para negocios,
s.f)

4 ESTIMACIONES PARA MUESTRAS GRANDES

4.1 Estimaciones de intervalo de la media poblacional

Para encontrar procedimientos para construir intervalos de confianza que permitan estimar la media
μ de una población se debe considera que:

ESTIMACIONES 9
 ESTIMACIONES

1. Las muestras que se utilizan son aleatorias y provienen de poblaciones infinitas o de

poblaciones finitas pero obtenidas con el más. con reemplazo.
2. La variable X que representa a la población tiene distribución normal de desviación estándar
𝜎 conocida o no.

El supuesto de normalidad no es muy importante cuando la muestra es suficientemente grande (en

la práctica, mayor que 30), pues en tal caso, la media muestral, por el teorema del límite central,
tiene una distribución que tiende a la normal. (Capuñay, 2011)

Para el muestreo aleatorio simple, el proceso de determinación de un intervalo de confianza

comprende dos casos:

4.1.1 Caso 1: La desviación estándar de la población se conoce

Ejemplo:

En una encuesta aplicada a 1,600 colombianos, se encontró que en promedio ven 14.6 horas de
televisión a la semana con una desviación estándar de 5 horas. Realizar una estimación de la
variable para un nivel de confianza del 95%. (Barrera, 2008)

n= 1,600; 𝑥̅ = 14.6 horas; 𝜎 = 5 horas; 1-α= 0.95; 𝑍0.95 = 1.96

𝜎𝑥̅ = 𝜎 Ecuación 4.1.1

√𝑛

Error estándar de la media

𝜎 5 ℎ𝑜𝑟𝑎𝑠
𝑥̅ =
√1600

5 ℎ𝑜𝑟𝑎𝑠
= 40

=0.125 horas, Error estándar de la media

Límites de confianza:

Superior: 𝑥̅ + 1.96𝜎𝑥̅

Inferior:𝑥̅ − 1.96𝜎𝑥̅

Se sustituyen valores numéricos en las expresiones anteriores:

ESTIMACIONES 10
 ESTIMACIONES

L.S.C=𝑥̅ + 1.96𝜎𝑥̅ =14.6+1.96(0.125)

L.S.C=14.6+0.25

L.S.C= 14.85 Horas

L.I.C= 𝑥̅ − 1.96𝜎𝑥̅ = 14.6-1.96(0.125)

L.I.C= 14.6-0.25

L.I.C=14.35 Horas

Los colombianos ven televisión en promedio entre 14.35 y 14.85 horas con un nivel de confianza
del 95%.

4.1.2 Caso 2: La desviación estándar de la población se desconoce

En este caso se considera la construcción de intervalos de confianza para la media de una población
cuando la desviación estándar no se conoce.

El supuesto que se requiere en este desarrollo, respecto de la muestra, es que esta provenga de una
población normal. Este supuesto puede suprimirse dependiendo del tamaño de la muestra y de
cuánto se aleja la distribución de la población de la distribución normal. En la práctica se considera
que el tamaño de la muestra debe ser mayor que 30. (Capuñay, 2011)

En general, el procedimiento para construir un intervalo para la media m de una población normal,
de un nivel de confianza de (1 − α)100% y cuando la desviación estándar 𝜎 no se conoce, es como
sigue:

1. Como no se conoce la desviación estándar 𝜎, esta se estima con:

2. Después se estima el error estándar de la media de la población mediante la siguiente

fórmula:

ESTIMACIONES 11
 ESTIMACIONES

𝜎 𝑁−𝑛
𝜎𝑥̅ = ×√
√𝑛 𝑁−1

3. Y finalmente se procede a crear los límites de confianza.

Tabla 2

Z de acuerdo al nivel de confianza

1-α 𝒁𝒂
𝟐

90% 1.645

95% 1.96

98% 2.326

99% 2.575

Fuente: Estadística para negocios. (s.f). Recuperado el 10 de abril de 2018, de

http://gc.initelabs.com/recursos/files/r157r/w13122w/Estad%20para%20Neg_1aEd_07.pdf

Ejemplo:

El departamento de Servicio Social de una dependencia gubernamental local está interesado en

estimar el ingreso promedio anual de 700 familias que viven en una sección de cuatro manzanas
de una comunidad. Se tomó una muestra aleatoria simple y se encontró los siguientes datos:

n= 50 𝑥̅ = 11,800 s= 950 1-α= 0.90 𝑍0.90= 1.645

El valor de $950 es la estimación de la desviación estándar de la población, es decir, 𝜎= 950

El departamento pide que se calcule una estimación de intervalo del ingreso anual promedio de las
700 familias, de modo que se pueda tener un 90% de confianza de que la media de la población se
encuentra dentro de ese intervalo. (Levin, 2010)

Error estándar de la media:

$950 700 − 50
𝜎𝑥̅ = ×√
√50 700 − 1

ESTIMACIONES 12
 ESTIMACIONES

$950 650
𝜎𝑥̅ = ×√
7.07 699

𝜎𝑥̅ = (134.37)(0.9643)

𝜎𝑥̅ = $129.57

Límites de confianza:

Superior:𝑥̅ +1.645𝜎𝑥̅
Inferior:𝑥̅ −1.645𝜎𝑥̅

Se sustituyen valores numéricos en las expresiones anteriores:

L.S.C= 𝑥̅ +1.645𝜎𝑥̅ = $11,800+1.645($129.57)

= $11,800+213.14

=$12,013.14

L.I.C= 𝑥̅ −1.645𝜎𝑥̅ =$11,800−1.645($129.57)

=$11,800−213.14

=$11,586.86

Con una confianza del 90% se estima que el ingreso anual promedio de las 700 familias que viven
en una sección de cuatro manzanas se encuentra entre $11,586.86 y $12,013.14 (Levin, 2010)

4.2 Estimación de intervalo de la proporción poblacional

Un estimador puntual de la proporción P en un experimento binomial está dado por la

𝐗
̂ = donde X representa el número de éxitos en n pruebas. Por tanto, la proporción de
estadística, 𝛒 𝐧
𝑋
la muestra 𝜌̂= 𝑛 se utilizará como estimador puntual del parámetro P.

Si no se espera que la proporción P desconocida esté demasiado cerca de 0 ó de 1, se puede

establecer un intervalo de confianza para P al considerar la distribución muestral de proporciones.
(Instituto Tecnólogico de Chihuahua, s.f.)

Lo anterior resulta de gran trascendencia ya que, cuando se busca estimar una proporción
poblacional a partir de una muestra, en la que se conoce el número de éxitos y fracasos, se debe

ESTIMACIONES 13
 ESTIMACIONES

hacer uso de variables binomiales; de éstas, al igual que en apartados anteriores, el teorema del
límite central permite hacer inferencias de las proporciones poblacionales mediante intervalos de
confianza. (Scala Higher Education, S.C.)

Ahora bien, en términos estadísticos la desviación estándar de la proporción de éxitos en una

𝑝𝑞
muestra se expresa en símbolos como: 𝜎𝑝 =√ , y se le conoce como error estándar de la
𝑛

proporción. (Levin, 2010)

Ejemplo:

La cadena de televisión TVK está considerando la posibilidad de sustituir una de sus series
policiales por una serie de comedia con orientación familiar. Antes de tomar una decisión, los
directores de la red toman una muestra de 400 televidentes. Después de ver la nueva serie, 250
indican que sí la verían y sugieren que reemplace a la serie policiaca. Estime el valor de la
proporción poblacional con un nivel de confianza del 99%. (Barrera, 2008)

n=400; x=250; p=250/400=0.625; q=1-0.625=0.375; 1-α=0.99 𝑍0.99=2.575

(0.625)(0.375)
𝜎𝑝 = √ 400

𝜎𝑝 = 0.0242 Error estándar de la proporción

Límites de confianza:

Superior: p+2.575𝜎𝑝

Inferior: p−2.575𝜎𝑝

Se sustituyen valores numéricos en las expresiones anteriores:

L.S.C= p+2.58𝜎𝑝 = 0.625+2.575(0.0242)

=0.625+0.0623

=0.6873

L.I.C= p−2.58𝜎𝑝 =0.625−2.575(0.0242)

ESTIMACIONES 14
 ESTIMACIONES

=0.625−0.0623

=0.5627

Entre el 0.5627 y el 0.6873 de los televidentes acepta el cambio de programa. (Barrera, 2008)

5 ESTIMACIÓN PARA T DE STUDENT

En muchas ocasiones no se conoce 𝜎 y el número de observaciones en la muestra es menor de 30.

En estos casos se puede utilizar la desviación estándar de la muestra S como una estimación de 𝜎,
pero no es posible usar la distribución Z como estadístico de prueba. El estadístico de prueba
adecuado es la distribución T. A veces es necesario hacer análisis de muestras pequeñas.
(Auxiliadora, 2013)

Definición: Es el Cociente entre una variable normal estándar (Z) y la raíz cuadrada de una variable
Chi – Cuadrado (χ2) dividida por sus grados de libertad. Tiene el mismo número de grados de
libertad que la χ2 de la que surge (n). (Medrano, s.f)

5.1 Antecedentes de la investigación

La distribución T de student fue descubierta por William S. Gosset en 1908. Gosset era un
estadístico empleado por la compañía de cerveza Guinness Irlandesa que desaprobaba la
publicación de investigaciones de sus empleados. Para evadir esta prohibición, publicó su trabajo
en secreto bajo el nombre de “Student”. En consecuencia, la distribución de T normalmente se
llama distribución de t de Student o simplemente T. (Auxiliadora, 2013)

Lo interesante del caso es que su trabajo estaba enfocado al control de calidad de la cerveza. En el
pasado otros investigadores de la compañía Guinness habían publicado artículos en los que se
divulgaban secretos o información confidencial sobre el proceso de la cerveza y por eso se obligó
a Gosset a aceptar la cláusula. 2.2. (Auxiliadora, 2013)

5.2 Características de la distribución de T

Tiene características similares a la distribución normal, su diferencia principal radica en las áreas
de los extremos las cuales son más amplias, como consecuencia de que usualmente se trabaja con
muestras pequeñas. (Aprende en linea , 2016)

Es una distribución acampanada y simétrica y a medida que aumentan los grados de libertad, la
distribución t de Student converge con la Curva Normal Tipificada (la aproximación es buena a

ESTIMACIONES 15
 ESTIMACIONES

partir de 100 grados de libertad (n ≥ 100). La curva es asintótica al eje de abscisas.  Su rango
puede tomar valores positivos o negativos en el intervalo (- ∞, ∞). (Medrano, s.f)

Gráfico N° 1 diferencia entre una distribución normal y distribución T

Fuente: Hernández, E. (11 de Abril de 2014). Recuperado el 1 de Mayo de 2018, de

https://sites.google.com/site/tallerdebioestadistica/distribuciones/2-3-distribuciones-derivadas-de-la-normal-
t-x-y-f/2-3-1-distribucion-t-de-student

5.3 Grados de libertad

Los grados de libertad (GL) son la cantidad de información suministrada por los datos que usted
puede "gastar" para estimar los valores de parámetros de población desconocidos y calcular la
variabilidad de esas estimaciones. Este valor se determina según el número de observaciones de la
muestra y el número de parámetros del modelo. (Minitab inc, s.f.)

Si incrementa el tamaño de la muestra, obtendrá más información sobre la población y, por

consiguiente, los grados de libertad de los datos aumentarán. Si agrega parámetros al modelo (por
ejemplo, aumentando el número de términos en una ecuación de regresión), "gastará" información
de los datos y reducirá los grados de libertad disponibles para estimar la variabilidad de las
estimaciones de parámetros. (Minitab inc, s.f.)

Los grados de libertad también se utilizan para caracterizar una distribución específica. Muchas
familias de distribuciones, como t, F o chi-cuadrada, utilizan los grados de libertad para especificar
cuál distribución t, F o chi-cuadrada específica es apropiada para diferentes tamaños de muestra y
diferentes números de parámetros del modelo. (Minitab inc, s.f.)

ESTIMACIONES 16
 ESTIMACIONES

Grafica N°2 Grados de libertad

Fuente: (Universidad de Velencia, s.f), Recuperado el 1 de Mayo del 2018, de

https://www.uv.es/ceaces/normaMu/t/t.htm

5.4 Naturaleza de la T Student.

La T de Student, inicialmente se diseñó para examinar las diferencias entre dos muestras
independientes y pequeñas que tengan distribución normal y homogeneidad en sus varianzas (en
el artículo original, el autor no define qué es una muestra grande y/o pequeña). Gosset hace hincapié
en la normalidad de las dos muestras como crucial en el desarrollo de la prueba. (Sanchez, 2015)

5.5 Metodología de T Student.

1. Probar que cada una de las muestras tiene una distribución normal;
2. Obtener para cada una de las muestras: a) el tamaño de las muestras (n1 y n2), b) sus
respectivas medias (m1 y m2), c) sus varianzas (v1 y v2);
3. Probar que las varianzas sean homogéneas;
4. En caso de homogeneidad en esas varianzas: a) establecer la diferencia entre las medias:
m1-m2, b) calcular la varianza común de las dos muestras. (Sanchez, 2015).

5.6 Uso de la distribución T student

Para utilizar la tabla de distribución de t studen se toman en cuenta los grados de libertad que se
encuentran al lado izquierdo de la tabla y los valores de alpha o área combinada de ambos
extremos que se encuentran en la parte superior de la tabla. Al momento de trabajar en esta tabla

ESTIMACIONES 17
 ESTIMACIONES

se selecciona el grado de libertad que se necesita y se trabaja con todo el renglón que contiene el
grado de libertad y se selecciona la columna del alpha que se tiene encontrando así la porción de
la probabilidad. (util, 2013)

6 ERROR ESTÁNDAR DE LA MEDIA

El error estándar es una estimación de cuánto varía el valor de una estadística de prueba de muestra
a muestra. Es una medida de la incertidumbre de la estadística de prueba. El error estándar se
calcula tomando la desviación estándar de la distribución de muestreo para la estadística de prueba.
La distribución de muestreo es la distribución de todas las muestras posibles. (IBM)

Imagine que está realizando una encuesta y elige al azar 1.000 personas para la encuesta. Este
grupo es una muestra. Puede elegir otra muestra aleatoria de 1.000 personas, y otra muestra, y otra
muestra y etcétera. A continuación, puede calcular la media para cada muestra. La distribución de
estas medias muéstrales es la distribución de muestreo. Al calcular la desviación estándar de esta
distribución, obtendrá el error estándar de la media. Cuando el error estándar se escribe sin
cualificación, se da por supuesto que es el error estándar de la media. (IBM)

Las fórmulas del error estándar de la media es la siguiente:

Fórmula para poblaciones infinitas Formula para poblaciones finitas

𝜎
𝑥̅ =
𝜎 𝑁−𝑛
𝜎𝑥 = × √ 𝑛−1
√𝑛 √ 𝑛

Se presenta un ejemplo tomado de (Martínez, 2011)

Si las observaciones de un experimento en un período de cuatro días durante el año son 50, 58, 55
y 60 ºC, la media es de 56 ºC

(50 + 58 + 55 + 60) / 4 = 55.75 º𝐶

Calcula la suma de las desviaciones y eleva al cuadrado (o diferencias) cada valor de la muestra de
la media. Ten en cuenta que la multiplicación de números negativos por sí mismos (o los números

ESTIMACIONES 18
 ESTIMACIONES

al cuadrado) da números positivos. En el presente ejemplo, las desviaciones elevadas al cuadrado:

(55,75 - 50) ^ 2, (55,75 - 58) ^ 2, (55,75 - 55) ^ 2 y (55,75 - 60) ^ 2, siendo los resultados de 33.06;
5.06; 0.56; 18.06 respectivamente. Por lo tanto, la suma de las desviaciones al cuadrado es de 56.74.

Encuentra la desviación estándar. Divide la suma de las desviaciones al cuadrado por el tamaño de
la muestra menos uno, y luego, halla la raíz cuadrada del resultado. En el ejemplo, el tamaño de la
muestra es de cuatro. Por lo tanto, la desviación estándar es la raíz cuadrada de [56.74 / (4-1)], que
es aproximadamente 4.34.

𝜎 = [56,74 / (4 − 1)]

𝜎 = 4.34

Calcula el error estándar, que es la desviación estándar dividida por la raíz cuadrada del tamaño de
la muestra. Para concluir el ejemplo, el error estándar es de 4.34 dividido por la raíz cuadrada de
4, o 4.34 dividido por 2 = 2.17.

𝜎 4.34
𝜎𝑥̅ = = = 2.17
√𝑛 √4

ESTIMACIONES 19
 ESTIMACIONES

7 EJERCICIO

Aplicación de tema, caso de situación real

Se realizó una pequeña encuesta en el negocio Baleadas Olanchito, ubicado en la segunda entrada
de la Kennedy, del tiempo en que los clientes esperan desde que llegan hacer fila para que su orden
sea tomada hasta que la reciben, en la cual se obtuvo una muestra de 15 personas que asisten
regularmente en la hora del almuerzo. Los datos obtenidos son los siguientes.

Número de Personas Tiempo de Espera

2 5 min
6 10 min
2 12 min
2 15 min
2 20 min
1 30 min
∑ 15

La muestra obtenida es (<30), y se desconoce la desviación estándar poblacional por lo que se utilizará la
distribución T de student.

1. Media aritmética

5 + 5 + 10 + 10 + 10 + 10 + 10 + 10 + 12 + 12 + 15 + 15 + 20 + 20 + 30
𝑋̅ =
15
𝑋̅ = 12.93 𝑚𝑖𝑛

ESTIMACIONES 20
 ESTIMACIONES

2. Desviación estándar poblacional.

𝑿 ̅
𝑿 (𝑿− 𝑿̅) ̅ )𝟐
(𝑿 − 𝑿
5.00 12.93 -7.93 62.88
5.00 12.93 -7.93 62.88
10.00 12.93 -2.93 8.58
10.00 12.93 -2.93 8.58
10.00 12.93 -2.93 8.58
10.00 12.93 -2.93 8.58
10.00 12.93 -2.93 8.58
10.00 12.93 -2.93 8.58
12.00 12.93 -0.93 0.86
12.00 12.93 -0.93 0.86
15.00 12.93 2.07 4.28
15.00 12.93 2.07 4.28
20.00 12.93 7.07 49.98
20.00 12.93 7.07 49.98
30.00 12.93 17.07 291.38
∑ 578.93

578.93
𝑆2 =
15 − 1
𝑆 2 = 41.35 𝑚𝑖𝑛𝑢𝑡𝑜𝑠 2 (varianza)

S= √41.35𝑚𝑖𝑛𝑢𝑡𝑜𝑠 2
S= 6.43 minutos (desviación estándar)
Como lo que se busca es la desviación estándar poblacional, esta es igual a la desviación estándar
de la muestra, es decir que 𝜎=s. entonces se tiene que la desviación estándar poblacional es:

𝜎̂ = 6.43 𝑚𝑖𝑛𝑢𝑡𝑜𝑠

ESTIMACIONES 21
 ESTIMACIONES

Se procede a hacer una estimación de los minutos que se tardaría una persona en esperar desde que
hace la fila para que sea tomada su orden, hasta que esta sea entregada. Teniendo una muestra de
15 clientes, se calcula un tiempo de espera promedio de 12.93 minutos con una desviación estándar
de 6.43 minutos, con un nivel de confianza del 95%.

Datos

n= 15

𝑥̅ = 12.93 minutos

𝜎̂= 6.43 minutos

gl= 15-1 = 14

∝= 1-0.95= 0.05

t= 2.145

Paso 1: Calcular el error estándar de la media (𝜎𝑋̅ )

6.43 𝑚𝑖𝑛
𝜎̂ =
√15

𝜎̂𝑋̅ = 1.66 minutos

Paso 2: Establecer los límites de confianza

L.S. C= 𝑥̅ + 2.145 𝜎̂𝑋̅ = 12.93 + 2.145(1.66)

= 12.93 + 3.56

=16.49 minutos

L.I.C= 𝑥̅ − 2.145𝜎̂𝑋̅ = 12.93-2.145(1.66)

= 12.93-3.56

= 9.37 minutos

ESTIMACIONES 22
 ESTIMACIONES

Se estima que el tiempo que se tardaría un cliente del negocio Baleadas Olanchito en esperar desde
que hace la fila para que sea tomada su orden hasta que esta sea entregada, esta entre 9.37 minutos
y 16.49 minutos, con un nivel de confianza de 95%.

De acuerdo a los resultados obtenidos se puede concluir que el tiempo de espera es relativamente
alto en comparación a las expectativas del cliente, se identificó que no se cuenta con el personal
suficiente con respecto al volumen de clientes, se puede decir también que el espacio de trabajo es
reducido lo que dificulta el rendimiento del personal, y el equipo de trabajo es limitado para
preparar las órdenes a tiempo.

Lo que se recomienda a dichos inconvenientes es que se amplíe el local y así poder contratar más
personal, como también invertir más en equipo de trabajo para tener una mejor producción ya que
solo cuentan con una plancha para realizar la variedad de comida que ofrecen.

ESTIMACIONES 23
 ESTIMACIONES

8 CONCLUSIONES

A través de la investigación presentada se puede concluir que la estimación es un cálculo que da

como resultado un valor, el cual es un parámetro que se puede obtener por medio de los datos
proporcionados por una muestra.

• Por medio de la investigación, se puede decir que para estimar se requiere conocer los criterios
para seleccionar un buen estimador ya que al conocerlos se podrá evaluar la calidad de los
estadísticos. Se Debe emplear los cuatro criterios: imparcialidad, eficiencia, consistencia y
suficiencia.
• Los tipos de estimación que existen son puntuales y de intervalo, las estimaciones puntuales
se representan en un solo número en la cual ese valor puede ser correcto o equivocado en un
parámetro. Mientas tanto la estimación por intervalo se encuentra por medio de dos valores
donde entre esos dos valores se puede encontrar el parámetro correcto.
• Para muestras grandes la estimación se hace por medio de distribución normal y cuando son
muestras pequeñas y no se conoce la desviación estándar poblacional se realiza con la
distribución T de student.

ESTIMACIONES 24
 ESTIMACIONES

9 ANEXOS

ESTIMACIONES 25
 ESTIMACIONES

Tabla de T de Student

ESTIMACIONES 26
 ESTIMACIONES

Fotos del momento en que se llevó acabo la encuesta en el negocio “Baleadas Olanchito” ubicado
en la “Colonia Kennedy”.

ESTIMACIONES 27
 ESTIMACIONES

10 BIBLIOGRAFÍA

Aprende en linea . (30 de Abril de 2016). Recuperado y Consultado el 1 de Mayo de 2018, de

http://aprendeenlinea.udea.edu.co/lms/moodle/mod/page/view.php?id=35730
Auxiliadora, M. (22 de Noviembre de 2013). Slideshare. Recuperado y Consultado el 15 de Abril
de 2018, de https://es.slideshare.net/torimatcordova/distribucion-t-de-student-28545004
Barrera, R. V. (Noviembre de 2008). ESAP Escuela Superior de Administración Pública.
Obtenido de http://www.esap.edu.co/portal//wp-content/uploads/2017/10/6-Estadstica-
ii.pdf
Capuñay, C. V. (2011). Estadística para la administración y los negocios. México: Pearson
Educación de México.
Conceptodefinicion.de. (4 de febrero de 2016). Conceptodefinicion.de estimaciones. Recuperado
y Consultado el 20 de Abril de 2018, de http://conceptodefinicion.de/estimacion/
Estadística para negocios. (s.f). Recuperado y Consultado el 10 de Abril de 2018, de
http://gc.initelabs.com/recursos/files/r157r/w13122w/Estad%20para%20Neg_1aEd_07.pd
f
IBM. (s.f.). IBM. Recuperado y Consultado el 29 de Abril de 2018, de
https://www.ibm.com/support/knowledgecenter/es/SS4QC9/com.ibm.solutions.wa_an_ov
erview.2.0.0.doc/standarderror.html
Instituto Tecnólogico de Chihuahua. (s.f.). Recuperado y Consultado el 12 de Abril de 2018, de
http://www.itchihuahua.edu.mx/academic/industrial/estadistica1/cap01d.html
Lemus, E. (s.f). Academia.edu. Recuperado y Consultado el 10 de Abril de 2018, de
https://www.academia.edu/19320017/Tipos_de_estimaciones_y_caracteristicas?auto=do
wnload
Levin, R. I. (2010). Estadistica para Administración y Economía (7ma ed.). Mexico: Pearson
Educación.
Martínez, M. (20 de abril de 2011). educacion.uncomo. Obtenido de educacion.un como:
https://educacion.uncomo.com/articulo/como-calcular-los-errores-estandar-1586.html
Medrano, R. (s.f). Psikia Uned. Recuperado y Consultado el 1 de Mayo de 2018, de
https://core.psykia.com/sites/default/files/temas/13-DA7.pdf
Minitab inc. (s.f.). Recuperado y Consultado el 1 de Mayo de 2018, de
https://support.minitab.com/es-mx/minitab/18/help-and-how-to/statistics/basic-
statistics/supporting-topics/tests-of-means/what-are-degrees-of-freedom/
Sanchez, R. (Marzo de 2015). Medigraphic. Obtenido de Medigraphic:
http://www.medigraphic.com/pdfs/cardio/h-2015/h151i.pdf

ESTIMACIONES 28
 ESTIMACIONES

Scala Higher Education, S.C. (s.f.). Scala Higher Education, S.C. Recuperado y Consultado el 9
de Abril de 2018, de
http://gc.initelabs.com/recursos/files/r157r/w13122w/Estad%20para%20Neg_1aEd_07.pd
f
Silva, A. (19 de Febrero de 2008). Blogger. Recuperado y Consultado el 10 de Abril de 2018, de
http://amethsilva.blogspot.com/2008/02/estadisticos-y-parametros.html
Universidad de Valencia. (s.f.). Universidad de Valencia. Recuperado y Consultado el 10 de
Abril de 2018, de
https://www.uv.es/webgid/Inferencial/42_caractersticas_estimadores.html
Universidad de Velencia. (s.f). Recuperado y Consultado el 1 de Mayo de 2018, de
https://www.uv.es/ceaces/normaMu/t/t.htm
util, E. (19 de octubre de 2013). youtube. Obtenido de youtube:
https://www.youtube.com/watch?v=wGSutshZDiA

ESTIMACIONES 29