INTRODUCCIN

El objetivo ms importante de la Estadstica es obtener una inferencia con

respecto a la poblacin basndose en la informacin contenida en una
muestra. Como las poblaciones se describen mediante medidas numricas
denominadas parmetros, el objetivo de la mayora de las invrestigaciones
estadsticas es deducir una inferencia con respecto a uno o ms parmetros de
la poblacin.
Se han estudiado, hasta el momento, las nociones fundamentales de
distribucin de probabilidades; se est en condiciones, entonces, de tratar los
mtodos de inferencia estadstica, los cuales comprenden los procedimientos
para estimar parmetros de poblaciones y probar (contrastar) si una afirmacin
provisional sobre un parmetro poblacional se ve apoyada o desaprobada ante
la evidencia de la muestra.
Hablando en general, hay dos tipos de inferencia: la deductiva y la inductiva.
Una inferencia deductiva es un juicio o generalizacin que se basa en un
razonamiento o proceso dialctico a priori. Por ejemplo, se supone que dos
monedas estn perfectamente equilibradas y que entonces la probabilidad de
cada una de caer "cara" es = 0,5 (premisa). La media o nmero esperado de
"caras" en la jugada de las monedas deber ser 1 (conclusin). Si las premisas
son ciertas, las conclusiones no pueden ser falsas.
Una inferencia inductiva , por otra parte, es un juicio o generalizacin
derivado de observaciones empricas o experimentales; la conclusin sobre el
nmero promedio de "caras" con base en los resultados de una muestra de
prueba. Si los resultados de las pruebas son diferentes, la conclusin tambin
ser diferente. No se requiere una suposicin a priori sobre la naturaleza de las
monedas. La inferencia estadstica es primordialmente de naturaleza inductiva
y llega a generalizaciones respecto de las caractersticas de una poblacin al
valerse de observaciones empricas de la muestra.
Es muy probable que una estadstica muestral sea diferente del parmetro de
la poblacin y slo por coincidencia sera el uno exactamente igual al otro. La
diferencia entre el valor de una estadstica muestral y el correspondiente
parmetro de la poblacin se suele llamar error de estimacin. Slo se sabra
cul es el error si se conociera el parmetro poblacional, pero ste por lo
general se desconoce. La nica manera de tener alguna certeza al respecto es
hacer todas las observaciones posibles del total de la poblacin en la mayora
de las aplicaciones prcticas, lo cual, desde luego, es imposible o
impracticable.
Y en efecto, la razn de ser de la inferencia estadstica es la falta de
conocimientos acerca de las caractersticas de la poblacin. Pero que tales
caractersticas se desconozcan no impide el que se acte.
Las inferencias estadsticas se hacen por posibilidades o probabilidades. De la
media de la muestra se hacen inferencias sobre la media de la poblacin. No
se sabe exactamente cul es la diferencia entre estas dos medias, ya que la
ltima es desconocida en la mayora de los casos. No obstante, si se sabe que
es ms bien poca la probabilidad de que esta diferencia sea mayor que, por
ejemplo, tres a an dos errores estndares.
Los problemas que se tratan en la inferencia estadstica se dividen
generalmente en dos clases: los problemas de estimacin y los de prueba de
hiptesis. Como al estimar un parmetro poblacional desconocido se suele
hacer una afirmacin o juicio este ltimo ofrece solamente una estimacin. Es
un valor particular obtenido de observaciones de la muestra. No hay que
confundir este concepto con el de estimador, que se refiere a la regla o
mtodo de estimar un parmetro poblacional. Por ejemplo, se dice que X es un
estimador de porque la media muestral proporciona un mtodo para estimar
la media de la poblacin. Un estimador es por naturaleza una estadstica y
como tal tiene una distribucin. El procedimiento mediante el cual se llega a
la obtencin y se analizan los estimadores se llamaestimacin estadstica, que
a su vez se divide en estimacin puntual y estimacin por intervalos.
[Vuelve al ndice]
ESTIMACION: GENERALIDADES
El uso principal de la inferencia estadstica en la investigacin emprica, es
lograr conocimiento de una gran clase de unidades estadsticas (seres
humanos, plantas, parcelas de tierra), de un nmero relativamente pequeo de
los mismos elementos.
Los mtodos de inferencia estadstica emplean el razonamiento inductivo,
razonamiento de lo particular a lo general y de lo observado a lo no
observado.
Cualquier coleccin o agregacin grande de cosas que deseamos estudiar o de
las cuales deseamos hacer inferencias, se llama poblacin. El
trmino poblacintiene ms significado cuando se lo junta con la definicin
de muestra de una poblacin: una muestra es una parte o subconjunto de una
poblacin.
Una muestra de n elementos de la poblacin de N elementos, debera ser
seleccionada de forma tal que las caractersticas de la poblacin puedan ser
estimados con un margen de error conocido.
Los valores de varias medidas descriptivas calculadas para las poblaciones, se
llaman parmetros. Para las muestras, estas mismas medidas descriptivas se
llamanestadsticas.
Un parmetro describe una poblacin de la misma manera que una estadstica
describe a una muestra.
Es costumbre simbolizar las estadsticas con letras romanas y los parmetros
con letras griegas.
Estadstica Parmetro
Media aritmtica


Variancia S o
2

Desvo estndar S
o
Coeficiente de correlacin R

Una estadstica calculada a partir de una muestra es un estimador del
parmetro en la poblacin. Una estimacin es alguna funcin de los
resultados de una muestra que produce un valor, llamado estimador.
El estimador da alguna informacin respecto al parmetro. Por ejemplo, la
media de la muestra, , es un estimador de la media en la poblacin.
Las poblaciones pueden ser infinitas o finitas.
Para la mayora de los propsitos de investigacin, se supone que las
poblaciones son infinitas, no finitas, en tamao, las cuales son algo artificial o
imaginario.
Una poblacin finita puede ser extremadamente grande. Es posible concebir
un proceso de conteo de los elementos de la poblacin, el cual puede ser
computado; luego la poblacin es tcnicamente finita. Afortunadamente no es
necesario crear problemas en cuanto a la distincin entre poblaciones infinitas
y finitas.
El mtodo usado para seleccionar la muestra es muy importante al juzgar la
validez de la inferencia que se hace de la nuestra a la poblacin.
Para que una muestra sirva adecuadamente como base para obtener
estimadores de parmetros poblacionales, debe ser representativa de la
poblacin.
El muestreo al azar de una poblacin producir muestras que "a la larga" son
representativas de la poblacin.
Si una muestra se extrae aleatoriamente, es representativa de la poblacin en
todos los aspectos, esto es, la estadstica diferir del parmetro solo por azar.
La habilidad para estimar el grado de error debido al azar (error de muestreo),
es un rasgo importante de una muestra al azar.
[Vuelve al ndice]
ESTIMACIN DE PARMETROS
La teora clsica de la Inferencia Estadstica trata de los mtodos por los
cuales se selecciona una muestra de una poblacin y, basndose en las pruebas
de las muestras, se trata de:
* Estimar el valor de un parmetro desconocido, por ejemplo u .
* Verificar si u es o no igual a cierto valor predeterminado, por ejemplo u
0
.
El primero de estos dos procedimientos, de inferir de una muestra a una
poblacin, se llama estimacin de un parmetro; el segundo, prueba de una
hiptesis acerca de un parmetro.
Dentro del primer procedimiento, la estimacin de un parmetro puede tener
por resultado un solo punto (estimacin puntual), o un intervalo dentro del
cual exista cierta probabilidad de encontrarlo (estimacin por intervalos).
Un estimador puntual es un nico punto o valor, el cual se considera va a
estimar a un parmetro. La expresin E( ) = sugiere que el nico valor
de es un estimador puntual insesgado o no viciado de .
Un estimador por intervalo se construye sobre el concepto de un estimador
puntual, pero adems, proporciona algn grado de exactitud del estimador.
Como el trmino lo sugiere, un estimador por intervalo es un rango o banda
dentro de la cual el parmetro se supone va a caer.
[Vuelve al ndice]
PROPIEDADES DE UN BUEN ESTIMADOR
Para poder utilizar la informacin que se tenga de la mejor manera posible, se
necesita identificar las estadsticas que sean buenos estimadores, cuyas
propiedades son:
Insesgabilidad: , estimador de es una variable aleatoria y por lo tanto tiene
una distribucin de probabilidad con una cierta media y variancia. Se puede
definir estimador insesgado diciendo: Si se utiliza un estadstico
muestral para estimar el parmetro de la poblacin , se dice que es un
estimador insesgado de , si la esperanza matemtica de coincide con el
parmetro que desea estimar.
En smbolos: es insesgado
O sea que es de esperar que si se toman muchas muestras de igual tamao
partiendo de la misma distribucin y si de cada una se obtiene un valor , la
media de todos los valores de ha de estar muy cerca de .
Por ejemplo:
* La media muestral es un estimador insesgado de la media poblacional, o sea
que E( ) =
* La variancia muestral, es un estimador insesgado de la variancia
poblacional?
La respuesta depende de como se defina la variancia muestral.
Si , entonces S es un estimador sesgado de o pues .
Mas an, . Pero el sesgo se puede corregir alterando la
definicin de variancia muestral.
En efecto, si es la variancia muestral corregida, entonces (
y S es un estimador insesgado de o .
[Vuelve al ndice]
Eficiencia: si se utilizan dos estadsticos como estimadores del mismo
parmetro, entonces aquel cuya distribucin muestral tenga menor variancia,
es un estimador ms eficiente o ms eficaz que el otro. Es decir: es
eficiente mnima.
Luego, si tenemos dos estimadores y de un mismo parmetro ,
procedemos como sigue para hallar el ms eficiente entre ellos.
Se halla la razn
Si K > 1, es ms eficiente que y usaremos .
Si K < 1, es ms eficiente que y usaremos .
Si K = 1, y son igualmente eficientes y se puede utilizar cualquiera de
los dos indistintamente.
Supongamos que una variable aleatoria X tiene una distribucin simtrica. Por
lo tanto la media aritmtica y la mediana son iguales. Si se toma una muestra
de esta distribucin, qu estadstico muestral, o , debera utilizarse para
estimar la media de la poblacin ?
La respuesta depende de cul es el estimador ms eficaz. Ambos son
insesgados, pero la variancia de es menor que la de , es decir
que . Por lo tanto la media muestral es un estimador ms eficaz que la
mediana muestral.
[Vuelve al ndice]
Consistencia: Si es un estimador muestral calculado a partir de una muestra
de tamao n y si es el parmetro de poblacin que se va a estimar,
entonces es un estimador consistente de si la probabilidad de que el valor
absoluto de la diferencia entre y su esperanza iguale o supere
a e (error admitido que tiende a cero, o sea que es tan pequeo como se
quiera), tienda a cero cuando el nmero de elementos de la muestra tienda a
infinito. En smbolos:
si n
O equivalentemente: si n
Es decir, para que el estimador sea consistente, es necesario que la
probabilidad de que est a menos de cierta distancia "e" del parmetro u ,
tienda a 1 al tendern a infinito.
Por ejemplo, se sabe que la media muestral y la variancia son estimadores
consistentes ya que tienden a acercarse a los correspondientes valores de la
poblacin a medida que aumenta el tamao de la muestra, pero un estadstico
muestral puede ser un estimador sin consistencia. Por ejemplo, si el valor de la
primera observacin o la media entre la primera y ltima observacin de una
muestra se utilizaran para estimar la esperanza de la poblacin, tal estimador
no sera consistente pues no tiende a acercarse ms y ms al valor de la
poblacin cuando se aumenta el tamao de la muestra.
[Vuelve al ndice]
Suficiencia: Un estimador suficiente del parmetro u es aquel que agota toda
la informacin pertinente sobre u que se puede disponer en la muestra. Por
ejemplo, si se toma una muestra de n = 30 valores con el fin de estimar ,
pueden utilizarse como estimadores la primera, la dcimo quinta o la ltima
observacin, o el promedio entre la primera y la quinta observacin. Pero
estos estimadores no son suficientes pues no contienen toda la informacin
disponible de la muestra. La media aritmtica calculada con las 30
observaciones s lo es pues tiene en cuenta todas las observaciones.
En definitiva, por ejemplo la media aritmtica muestral y la forma corregida
de la variancia muestral, son estadsticas que satisfacen los criterios o
propiedades de "buenos" estimadores.
[Vuelve al ndice]
ESTIMACIN POR INTERVALOS DE CONFIANZA
Lo dicho hasta ahora se refiere a una estimacin puntual, es decir, estimar un
parmetro a travs de un nico valor. Esta estimacin no es muy conveniente
pues con ella no se puede determinar el error de muestreo, ni la precisin de la
estimacin, ni la confianza que merece tal estimacin.
Existen otros mtodos para estimar parmetros poblacionales que son mucho
ms precisos. Por ejemplo:
* Mtodo de los mnimos cuadrados: se ver en Teora de la Regresin.
* Mtodo de los momentos: no se desarrollar.
* Mtodo de la mxima verosimilitud: que se basa en el principio de que
generalmente ocurre lo ms probable (no se desarrollar)
* Mtodo de estimacin por intervalos de confianza: que se desarrolla a
continuacin.
El procedimiento de determinar un intervalo (a, b) que comprenda un
parmetro de poblacin u con cierta probabilidad 1 - o , se llama estimacin
por intervalos. Se vern los casos paramtricos, es decir aquellos en los que
se tiene conocimiento del tipo de distribucin de la poblacin (Binomial,
Poisson, Normal, etc.)
En general, para cualquier parmetro u y su correspondiente estimador 1, el
intervalo de confianza ser:

Donde:
es el lmite inferior del intervalo de confianza.
es el lmite superior del intervalo de confianza.
k es una constante no negativa. Es el llamado multiplicador correspondiente a
1 - o .
o es la probabilidad de que el intervalo no incluya al verdadero valor del
parmetro.
1 - o es el nivel de confianza, es una medida de la fiabilidad de la estimacin.
Por ejemplo, si se toma o = 10%, entonces 1 - o = 90% y se dice que se tiene
un intervalo de confianza del 90% y que la probabilidad de que el intervalo
contenga al verdadero valor del parmetro es del 90%. Es decir, que si
repetidamente se muestra y se construye tal intervalo una y otra vez, 90 de
cada 100 de estos intervalos, contendr al parmetro y 10 de ellos no.
Se puede pensar que 1 significa certeza, seguridad y o significa riesgo. La
seguridad menos el riesgo, es decir 1 - o da, por lo tanto, el coeficiente de
confianza de nuestras afirmaciones.
En el caso anterior, se tiene una confianza de que 90 de cada 100 intervalos
que se extraigan como muestra, contendrn el verdadero valor del parmetro.
Pero una vez determinado el intervalo, es decir, una vez calculados
numricamente los extremos, ya no debe hablarse en trminos de
confiabilidad ni en trminos probabilsticos, pues la situacin pasa a ser
completamente determinstica. De tal manera, asociado a un intervalo de
confianza ya calculado, se tiene una probabilidad 0 1 de que contenga al
parmetro a estimar y no hay otra opcin, ya que lo contiene o no lo contiene.
Resumiendo, los extremos del intervalo son variables aleatorias, mientras que
el parmetro a determinar es constante.
En general, los pasos a seguir para estimar un parmetro por el mtodo de los
intervalos de confianza, son:
* Fijar el coeficiente de confianza que se desea en la estimacin.
* Extraer la muestra y calcular el o los estadsticos necesarios.
* Determinar la distribucin en el muestreo que tiene el estadstico empleado.
[Vuelve al ndice]
INTERVALO DE CONFIANZA PARA LA MEDIA POBLACIONAL
CASO 1) Con o conocido:
Sea donde es desconocido y o conocido.
Sea x
1
, x
2
, ... , x
n
una muestra aleatoria de la variable aleatoria X y sea la
media muestral.
Se sabe que independientemente del valor de n, por el teorema
central del lmite.
Luego, tipificando:
Se plantea: entonces:




Observaciones:
- Si las muestras se toman sin reposicin de una poblacin finita de tamao N,
debe emplearse el factor de correccin por finitud y el intervalo ser:

- Si la poblacin es slo aproximadamente normal, la igualdad sigue siendo
vlida en forma aproximada.
[Vuelve al ndice]
Ejemplo 1: Un grupo de investigadores en Medicina desea estimar el cambio
medio de presin sangunea por paciente en un sanatorio. Se ha seleccionado
una muestra al azar de 30 pacientes y se hall que puls/seg. Los
investigadores saben que la desviacin estndar de los cambios de presin
sangunea para todos los pacientes es o = 3 puls/seg segn estudios anteriores.
Ellos desean estimar el cambio medio de la presin sangunea por paciente
con un intervalo del 95% de confianza, suponiendo que la variable aleatoria
"cambios de presin sangunea" tiene asociada una distribucin normal de
probabilidad.
Respuesta:
X = cambio en la presin sangunea por paciente del sanatorio (en pulsaciones
por segundo)
n = 30 o = 3 1 - o = 0.95
Por tabla: Entonces:
Lmite inferior (LI) =
Lmite superior (LS) =
Por lo tanto resulta el Intervalo del 95% de confianza para la media:
ICM
0,95
= (3,9 ; 6,1)
Luego, puede decirse que el cambio medio en la presin sangunea por
paciente, pertenece al intervalo (3,9 ; 6,1) pulsaciones, con un nivel de
confianza del 95%.
Observacin: Ntese que se cae en un abuso de lenguaje pues se debera decir
que el intervalo (3,9 ; 6,1) pulsaciones pertenece a la sucesin que ofrece un
nivel de confianza del 95% para estimar el cambio medio de presin
sangunea, pero se simplifica la expresin para hacerla menos engorrosa o
extensa.
En cuanto al tamao ptimo de muestra, = e determina el error
mximo admitido de muestreo e indica la precisin de la estimacin.
Lgicamente se pretende que sea lo ms pequeo posible. Por otra parte, (1 -
o ) es el coeficiente de confianza y se pretende que sea lo ms grande posible.
Pero depende del valor de o y al hacer mayor el coeficiente de
confianza (1 - o ), el valor ser mayor y por lo tanto el error aumentar.
Esto se puede regular aumentando el tamao de la muestra con lo que el error
disminuir.
Para el ejemplo 1, con un nivel de confianza del
95%.
Si se desea elevar el nivel de confianza a 99%, pero sin aumentar el error e de
estimacin, el tamao de la muestra debera ser:


O sea que debe tomarse una muestra de aproximadamente 52 pacientes en
lugar de 30.
Por el contrario, si el investigador deseara un error de estimacin menor, por
ejemplo 1 puls/seg, manteniendo el nivel de confianza en 95%, el tamao de
la muestra requerido ser:
pacientes.
[Vuelve al ndice]
CASO 2) Con o desconocido
Para estimar o se debe utilizar el desvo estndar muestral corregido.
, ya que segn se ha visto, es un estimador insesgado del
correspondiente parmetro poblacional o . Reemplazando en la variable
tipificada por resulta:

Por lo tanto:
= 1-o
[Vuelve al ndice]
Ejemplo 2: Una muestra de 15 aves tomadas al azar en un establecimiento
con 5000 aves, (que elabora alimentos balanceados), permiti establecer un
aumento de peso promedio de 90 g por semana y por ave, y un desvo tpico
de 10 g. Se busca estimar el incremento de peso promedio para las 5000 aves
del establecimiento con un intervalo de confianza del 90%.
Respuesta:
X = aumento de peso por ave
n = 15 = 90 g S = 10 g ICM
0,90
?
Por tabla:
y el intervalo resulta:

Interpretando este resultado, se dice que el aumento de peso por ave por
semana en el establecimiento est entre 85,5 y 94,6 gramos, con un 90% de
confianza.
[Vuelve al ndice]
INTERVALO DE CONFIANZA PARA LA DIFERENCIA DE MEDIAS
CASO 1: Poblaciones
normales y con y conocidos.
Se fija el nivel de confianza (1 - o ), se extraen dos muestras independientes
de X
1
y X
2
de tamao n. Ya se ha visto que:
y el estadstico tipificado tiene la siguiente
distribucin: (1)
Adems, (2)
Reemplazando en (2), a Z por la expresin (1), se obtiene:



Donde:

[Vuelve al ndice]
Ejemplo 3: Al determinar la superficie en miles de hectreas de las
explotaciones agrcolo-ganaderas de cierta zona, una muestra de 40
explotaciones dio una superficie media de 900 ha, con una desviacin tpica
de 300 ha. En otra zona, al muestrear tambin 40 explotaciones, la superficie
media fue de 600 ha con una desviacin tpica de 150 ha. Suponiendo que en
ambas zonas la variable "superficie en ha por explotacin" se distribuye
normalmente, estimar por un intervalo de confianza del 90%, la diferencia
entre las superficies medias de las explotaciones de ambas zonas.
Respuesta:
X
1
= superficie de cada explotacin agrop. de la primera zona
X
2
= superficie de cada explotacin agrop. de la segunda zona
, n = 40 ICDM
0,90
?
Por tabla: Luego:
=
= 300 87,24 = (212,76 ; 387,24) = (212,8 ; 387,2)
Interpretando este resultado, se dice que la diferencia entre las superficies
medias de las explotaciones agrcolo-ganaderas de ambas zonas, se encuentra
entre 212,8 y 387,2 ha, con un 90% de confianza.
Observacin: En la frmula tambin puede utilizarse y en ese caso
debe considerarse en lugar de
[Vuelve al ndice]
CASO 2: Poblaciones
normales y con y desconocidos
Se extraen dos muestras independientes (una de cada poblacin) de
tamaos n
1
y n
2
respectivamente, se fija (1 - o ), se calculan y su
diferencia.
a) Si o
1
y o
2
son desconocidos pero estadsticamente pueden
considerares iguales (o
1
= o
2
), se estiman por y se procede
como en el caso 1. (S
a
es la variancia amalgamada o mancomunada)
b) Si o
1
y o
2
son desconocidos pero estadsticamente no pueden
considerarse iguales (o
1
= o
2
),
Se fija (1 - ), se extraen dos muestras independientes, se calcula y la
distribucin en el muestreo del estadstico de prueba, ya tipificado, es:
~ to
donde el nmero de grados de libertad de la distribucin t de Student viene
dado por la frmula:

De manera anloga al primer caso, se deduce que:

[Vuelve al ndice]
Ejemplo 4: Las variables aleatorias X
1
y X
2
distribuidas normalmente,
representan las edades al morir de tuberculosis de los individuos en dos
ciudades. Una muestra de 10 individuos que murieron por tal enfermedad en
la primera ciudad dio una edad media de 48 aos y una desviacin tpica de 5
aos. En la segunda ciudad, una muestra de 12 individuos dio una edad media
de 41 aos y una desviacin tpica de 3 aos. Se desea estimar por intervalos
con un 95% de confianza, la diferencia entre las edades medias de los muertos
por tuberculosis en ambas ciudades, sabiendo que investigaciones anteriores
no permiten tomar las desviaciones tpicas de ambas variables como iguales.
X
1
= edad al morir de tuberculosis en la ciudad A.
X
2
= edad al morir de tuberculosis en la ciudad B.
n
1
= 10, , S
1
= 5
n
2
= 12, , S
2
= 3, o
1
= o
2
ICDM
0,95
?
Respuesta:(corresponde al item b) del caso 2)
Con estos datos, reemplazamos en la frmula para calcular los grados de
libertad:
grados de libertad.
Luego, por tabla, t
0,05; 15
= 2,1315 y finalmente el intervalo resulta:
ICDM
0,95
=
= 7 3,843 = (3,157 ; 10,843) ~ (3 ; 11)
Interpretando el resultado se puede decir que la diferencia entre las edades
medias de las personas que murieron de tuberculosis en ambas ciudades, se
encuentra entre 3 y 11 aos, con una confianza del 95%.
[Vuelve al ndice]
INTERVALO DE CONFIANZA PARA LA VARIANCIA
POBLACIONAL
Suponemos: Poblacin normal X ~ N( , o )
Se fija (1 - ) y el estadstico tipificado de prueba tiene una distribucin
muestral:

(1) donde
2
es la variancia poblacional.
Adems: (2)
Reemplazando (1) en (2) resulta:

Invirtiendo fracciones:

Multiplicando miembro a miembro por (n - 1) .S
2
para despejar
2
, se obtiene:

Invirtiendo la desigualdad:
[Vuelve al ndice]
Ejemplo 5: Un productor de fertilizantes, para controlar el buen embolsado de
sus productos, pesa 15 bolsas del mismo, obteniendo una desviacin tpica de
0,50 kg. Qu varianza puede inferirse con un 98% de confianza que tendr la
produccin total?
Respuesta:
X = peso de cada bolsa de fertilizante
n = 15 S = 0,50 kg. ICV
0,98
?

Por tabla:
Luego, el intervalo buscado es:

Se interpreta este resultado diciendo que existe un 98% de confianza de que la
variancia del peso por bolsa en toda la produccin de bolsas de fertilizantes de
ese productor est entre 0,12 y 0,75
Observaciones:
1) Del intervalo de confianza visto para la variancia, se deduce el
correspondiente para el desvo tpico:

Para el ejemplo 5:
2) Si n > 100 , los valores ya no se encuentran en la tabla de la distribucin
Chi cuadrado, y por lo tanto se la aproxima a una normal,
utilizando para aproximar percentiles en esta distribucin:

Y el intervalo buscado es: