You are on page 1of 14

Unidad II ESTIMACIÓN Paquete Didáctico

GRUPO 401C
40
Propósito
El alumno hará estimaciones puntuales de las medias o proporciones poblacionales, a
partir del estudio de una muestra aleatoria para que logre formular sus primeras
inferencias.
Temática:
2.1 Introducción a la Inferencia Estadística
2.1.1 Estimación
2.1.2 Estimación Puntual
2.1.3 Importancia de la Estimación por Intervalos de confianza.
2.2 Estimación por Intervalos de confianza para medias poblacionales
2.2.1 Elementos que componen un intervalo de confianza para medias
2.2.2 Aplicación e interpretación de resultados.
2.3 Estimación de los Intervalos de confianza para proporciones poblacionales
2.3.1 Elementos que componen un intervalo de confianza para proporciones
2.3.2 Aplicación e interpretación de resultados.
0

UNIDAD II
Estimación
) 1 ( o ÷
Unidad II ESTIMACIÓN Paquete Didáctico
GRUPO 401C
41
Los Aprendizajes de esta unidad son:
El alumno:
1. Conoce el concepto de estimación puntual.
2. Comprende el concepto de estimación por intervalo.
3. Comprende el propósito de los intervalos de confianza para la media y la
proporción.
4. Construye el intervalo de confianza para la media y para la proporción de la
población.
5. Interpreta estadística y gráficamente los intervalos de confianza
6. Calcula el valor de n para diferentes errores y niveles de confianza.
7. Resuelve problemas de aplicación.
La sabiduría que se adquiere
con el trato cotidiano de
quien está a nuestro lado (tu
padre o madre), es muy
importante no la
desaproveches.
Unidad II ESTIMACIÓN Paquete Didáctico
GRUPO 401C
42
2.1 Introducción a la Inferencia Estadística
La inferencia existe desde hace siglos y desempeña un papel muy importante en la vida
de la mayoría de las personas. A continuación se mencionan algunas aplicaciones:
- El gobierno necesita predecir las tasas de interés a corto y lago plazo.
- Un corredor quiere prever el comportamiento de la bolsa de valores.
- Un ingeniero en metalurgia quiere decidir si un nuevo equipo de acero es más
resistente a las altas temperaturas que lo que era el acero anterior.
- Un consumidor quiere estimar el precio de su casa antes ponerla a la venta.
Hay muchas maneras de tomar estas decisiones o hacer estas predicciones, algunas de
naturaleza subjetiva y otras más objetivas. ¿Qué tan buenas serán estás predicciones? El
trabajo de la Estadística es proporcionar métodos de inferencia estadística que sean
mucho mejores que las suposiciones subjetivas.
La inferencia estadística se relaciona con la toma de decisiones o la elaboración de
predicciones respecto a los parámetros.
Ejemplo:
Un ingeniero en metalurgia podría medir los coeficientes de dilatación promedio para
ambos tipos de acero y después comparar sus valores.
Los métodos para hacer inferencias acerca de los parámetros de la población entran en
una de dos categorías:
- Estimación: Estima o predice el valor del parámetro.
- Prueba de Hipótesis: Toma una decisión respecto al valor de un parámetro.
basado en alguna idea preconcebida acerca de cuál podría ser su valor.
(Nota: En la unidad III, se estudiara a detalle el tema prueba de hipótesis)
2.1.1 Estimación
Ejemplo 2.1
Una empresa fabrica remaches para usarlos en la construcción de aviones. Una
característica de suma importancia es la “resistencia a la rotura” de cada remache. Los
ingenieros de la compañía deben monitorear su producción, de modo que estén seguros
de que la resistencia a la rotura de sus remaches cumpla con las especificaciones
requeridas. Para lograr esto, los ingenieros toman una muestra y determinan la
resistencia media a la rotura de la muestra. Con base en esta información sobre la
muestra, la fábrica puede estimar la resistencia media a la rotura de todos los remaches
que produce.
Se elige aleatoriamente una muestra de 36 remaches, y se prueba la resistencia a la
rotura de cada uno. La media de la muestra resultante es 23 . 924 = x lb. Con base en esta
Unidad II ESTIMACIÓN Paquete Didáctico
GRUPO 401C
43
muestra los ingenieros afirman “consideramos que la resistencia media a la rotura de
todos estos remaches es de 924.23 lb”.
Observación:
La resistencia a la rotura es la fuerza necesaria para romper un material en una acción
“cortante”. Resulta evidente que el fabricante no va a examinar todos los remaches, ya
que la prueba lo destruye. En consecuencia, se prueban algunas muestras y la
información resultante debe usarse para hacer inferencias acerca de la población de
todos los remaches.
Para estimar el valor de un parámetro de la población se puede usar información de la
muestra bajo la forma de un estimador. Los estimadores se calculan por medio de
información de las observaciones muestrales y, por tanto, por definición, también son
estadísticos.
Los estimadores se usan de dos maneras.
- Estimación puntual: con base en los datos de la muestra se calcula un solo
número para estimar el parámetro de la población. La regla o fórmula que
describe este cálculo se llama estimador puntual, y el número resultante se
conoce como estimación puntual.
- Estimación por intervalos de confianza: con base en los datos de la muestra, se
calculan dos números para formar un intervalo dentro del cual se espera que esté
el parámetro. La regla o fórmula que describe este cálculo se llama estimador de
intervalo, y el par de números resultantes se conoce como estimación de
intervalo o intervalo de confianza.
Ambos procedimientos de estimación puntual y de intervalo emplean información
proporcionada por una distribución de muestreo del estimador específico que se
elige usar. A continuación analizaremos la estimación puntual y su uso en la
estimación de medias y proporciones poblaciones.
Estimación
La estimación es un proceso que consiste en emplear los estadísticos obtenidos de
una muestra X
,
para inferir o estimar los parámetros de la población ( µ o o ).
Existen dos clases de estimación:
1. Estimación puntual.
2. Estimación por intervalos de confianza.
Unidad II ESTIMACIÓN Paquete Didáctico
GRUPO 401C
44
2.1.2 Estimación Puntual
En una situación práctica es posible usar varios estadísticos como estimadores puntuales
para un parámetro de la población. ¿Cómo se puede decidir cuál de las diversas
opciones es la mejor? Para hacerlo se necesita observar el comportamiento del
estimador en el muestreo repetido, descrito por su distribución muestral.
Si realizamos un experimento de tiro al blanco. El parámetro de interés es el centro del
blanco al que se tira. Cada flecha tirada por el tirador, representa una sola estimación de
la muestra, la cual representa al estimador. Suponiendo que otra persona tira y da en el
centro del blanco. ¿Se puede concluir que él es un excelente estimador? ¿Permanecería
al lado del blanco mientras se realiza un segundo tiro? Probablemente no, por que no
tiene ninguna medida de qué tan bien se desempeña en ensayos repetidos ¿Siempre que
tira al blanco, da al blanco o de forma constante pega muy alto o muy bajo? ¿Sus tiros
se agrupan muy cerca alrededor del blanco, o por lo general falla por un amplio
margen? En la figura 2.1 se muestran varias configuraciones del blanco. ¿Cuál blanco
consideras que corresponda a los mejores tiros?
Figura 2.1 ¿Cuál tirador el mejor?
x
x x x
x xx x
x x x

x x x x
x x x x
x x x
x
x x
x x
x x
x x
x x x
x x
x x x
x x x
x x x
Consistentemente abajo
del blanco
Consistentemente
arriba del blanco
Fuera del blanco por un
amplio margen
Mejor puntería.
Para un estimador puntual estadístico de la distribución muestral del estimador
proporciona información acerca del mejor estimador. Dos características son valiosas en
un estimador puntual.
1. La distribución muestral del estimador puntual se debe centrar sobre el
verdadero valor del parámetro por estimar. Es decir, el estimador no debe
subestimar o sobrestimar de forma consistente el parámetro de interés. Se dice
que tal estimador es insesgado.
Se dice que el estimador de un parámetro es insesgado si la media de su distribución
es igual al valor verdadero del parámetro. De otra manera, se dice que el estimador es
sesgado.
La figura 2.2 muestra las distribuciones muestrales para un estimador insesgado
y un estimador sesgado. La distribución muestral para el estimador sesgado se
Unidad II ESTIMACIÓN Paquete Didáctico
GRUPO 401C
45
recorre a la derecha del valor verdadero del parámetro. Este estimador sesgado
tiene más probabilidades de sobre estimar el valor del parámetro que uno
insesgado.
Figura 2.2
Distribuciones
Para estimadores
sesgados e in sesgados.
Estimador
Insesgado
Estimador
sesgado
Valor verdadero
del parámetro
2. La segunda característica deseable de un estimador es que la dispersión (medida
por la varianza) de la distribución muestral debe ser tan pequeña como sea
posible. Esto asegura que, con una probabilidad alta, un estimador individual
quedará cerca del verdadero valor del parámetro. En la figura 2.3 se muestran las
distribuciones muéstrales para dos estimadores insesgados, una con una varianza
pequeña
1
y la otra con una varianza más grande. Naturalmente, se preferiría al
estimador con la varianza más pequeña porque las estimaciones tienden a
quedar más cerca del verdadero valor del parámetro que en la distribución con la
varianza más grande.
Figura 2.3
Comparación de la
variabilidad del
estimador.
Estimador con
Varianza menor
Estimador con
Varianza mayor
Valor verdadero
del parámetro
1
Los estadísticos comúnmente usan el término varianza de un estimador cuando en realidad se refieren a
la varianza de la distribución muestral del estimador. Esta expresión es de uso casi universal.
Unidad II ESTIMACIÓN Paquete Didáctico
GRUPO 401C
46
En situaciones de muestreo de la vida real se podría saber que la distribución
muestral de un estimador se centra respecto del parámetro que se intenta estimar,
pero todo lo que se tiene es la estimación calculada de las n mediciones
contenidas en la muestra.
¿Qué tan lejos del valor verdadero quedará su estimación del parámetro? ¿Qué
tan cerca del centro del blanco estará la flecha del tirador? La distancia entre la
estimación y el verdadero valor del parámetro se llama error de estimación.
La distancia entre una estimación y el parámetro estimado se llama error de estimación.
En está unidad se considerarán tamaños de muestras grandes, por consiguiente los
estimadores insesgados que se estudiarán tienen distribuciones muestrales que pueden
aproximarse mediante una distribución normal (debido al teorema del límite central).
Es importante recordar que para cualquier estimador puntual con una distribución
normal, la regla empírica establece que alrededor del 95% de las estimaciones
puntuales estarán alrededor de dos (o con más exactitud, 1.96) desviaciones estándar de
la media de esa distribución. Para estimadores insesgados esto implica que la diferencia
entre el estimador puntual y el valor verdadero del parámetro será menor que 1.96
desviaciones estándar o 1.96 errores estándar (SE, por sus siglas en ingles), y esta
cantidad, conocida como margen de error, proporciona una límite práctico para el error
de estimación (figura 2.4) Puede ser que el error de estimación exceda este margen de
error, pero es poco probable.

Valor verdadero
Margen de error Margen de error
Una estimación particular
Figura 2.4
Distribución muestral de un estimador insesgado.
95%
1.96
x
o 1.96
x
o
Unidad II ESTIMACIÓN Paquete Didáctico
GRUPO 401C
47
Estimación puntual de un parámetro poblacional
Estimador puntual: un estadístico que se calcula usando mediciones muestrales
Margen de error: 1.96 x error estándar del estimador.
¿Cómo se estima una media o proporción poblacional?
- Para estimar la media poblacional µ , en el caso de una población cuantitativa,
el estimador puntual x es insesgado con error estándar dado por

n
x
o
o =
El margen de error se calcula como
|
|
.
|

\
|
±
n
o
96 . 1
Si no se conoce el valor de o , y n es 30 o más grande, se puede usar la desviación
estándar de la muestra para aproximar o .
2
- Para estimar la proporción poblacional p en el caso de una población binomial,
el estimador puntual
n
x
p = ˆ es insesgado con error estándar dado como
n
pq
x
= o El margen de error se calcula como
n
pq
96 . 1 ±
Y se estima como
n
q pˆ ˆ
96 . 1 ±
Supuestos: 5 5 > > nq y np . Puesto que se desconocen los valores de p y q,
usar 5 ˆ 5 ˆ > > q n y p n
Para calcular los errores estándar de estas dos estimaciones puntuales se puede calcular
los errores estándar de estas dos estas dos estimaciones puntuales se necesitó estimar o
con s, p con pˆy q con qˆ. Estas aproximaciones de los errores estándar diferirán sólo
ligeramente del verdadero valor de
x
o cuando el tamaño de la muestra n sea grande, y
tendrán poco efecto en el margen de error. De hecho en la tabla 2.1 se muestra que, para
la mayoría de los valores de p sobre todo cuando p está entre 0.3 y 0.7 hay un cambio
muy pequeño en pq , el numerador de
x
o cuando cambia p.
Tabla 2.1
Algunos valores calculados de pq
p q
pq
0.1
0.2
0.3
0.4
0.5
0.6
0.7
0.8
0.9
0.09
0.16
0.21
0.24
0.25
0.24
0.21
0.16
0.09
0.30
0.40
0.46
0.49
0.50
0.49
0.46
0.40
0.30

2
Cuando la muestra es grande este estadístico está aproximadamente normalmente distribuido, ya sea que
la población muestreada sea o no normal.
Unidad II ESTIMACIÓN Paquete Didáctico
GRUPO 401C
48
Ejemplo 2.2
Un investigador está interesado en la posibilidad de fusionar las capacidades de la
televisión y la Internet. Una muestra aleatoria de n =50 usuarios de Internet a los que se
encuestó para determinar el tiempo que pasan viendo la televisión produjo un promedio
de 11.5 horas a la semana con una desviación estándar de 3.5 horas. Usa está
información para estimar la media poblacional del tiempo que los usuarios de Internet
pasan viendo la televisión.
Solución
La variable aleatoria media es el tiempo a la semana que se dedica a ver televisión. Ésta
es la variable aleatoria cuantitativa que es mejor descrita por su media µ . La estimación
puntual de µ , el tiempo promedio que los usuarios de Internet dedican a ver televisión,
es 5 . 11 = x horas. El margen de error es
|
|
.
|

\
|
=
|
|
.
|

\
|
=
50
96 . 1 96 . 1 96 . 1
o o
o
n
x
Aun que no se conoce o , el tamaño de la muestra es grande, y se puede aproximar el
valor de o mediante s. Por consiguiente, el margen de error es aproximadamente.
1 97 . 0
50
5 . 3
96 . 1
50
5 . 3
96 . 1 96 . 1 ~ =
|
|
.
|

\
|
=
|
|
.
|

\
|
=
|
|
.
|

\
|
n
s
Puede sentirse seguro de que la estimación muestral de 11.5 horas de ver televisión para
los usuarios de Internet está a 1 ± hora de la media poblacional.
Ejemplo 2.3
Además del tiempo promedio que los usuarios de Internet dedican a ver televisión, el
investigador del ejemplo 2.2 estaba interesado en estimar la proporción de individuos en
la población en general que quieren comprar una televisión que también funcione como
computadora. En una muestra aleatoria de n =100 adultos, el 45% de la muestra indicó
que ellos podrían comprar una. Estima la verdadera proporción de la población de
adultos que está interesada en comprar una televisión que también funcione como
computadora, y encuentra el margen de error para la estimación.
Solución
El mejor estimador de la proporción poblacional p es la proporción muestral pˆque para
está muestra es 45 . 0 ˆ = p
( )
( ) 10 . 0 05 . 0 96 . 1
100
55 . 0 45 . 0
96 . 1
ˆ ˆ
96 . 1 96 . 1 96 . 1 = = = ~ =
n
q p
n
pq
x
o
Con este margen de error se puede estar seguro de que la estimación de 0.45 está dentro
de 10 . 0 ± del valor verdadero de p. Por tanto, puede concluirse que el verdadero valor
dep pudiera ser tan pequeño como 0.35, o tan grande como 0.55. Este margen de error
es bastante grande cuando se compara con la estimación en sí y refleja el hecho de que
se requieren muestras grandes para lograr un margen pequeño de error al estimar p.
Unidad II ESTIMACIÓN Paquete Didáctico
GRUPO 401C
49
Nota: si observamos en la tabla 2.1, el margen de error que usa el estimador pˆes un
máximo cuando p =0.5 Algunos encuestadores usan de manera rutinaria el margen
máximo de error al estimar p, en cuyo caso calculan
( )
n n
q p
n
pq
x
5 . 0 5 . 0
96 . 1
ˆ ˆ
96 . 1 96 . 1 96 . 1 = ~ = o
En las encuestas de Gallup, Harris y Roper generalmente usan tamaños de muestra de
aproximadamente 1000, así que su margen de error es
( ) ( )
( ) 031 . 0 016 . 0 96 . 1
1000
5 . 0 5 . 0
96 . 1
5 . 0 5 . 0
96 . 1 = = =
n
o alrededor de 3%
En este caso se dice que la estimación está dentro de 3 ± puntos porcentuales de la
proporción poblacional verdadera.
Unidad II ESTIMACIÓN Paquete Didáctico
GRUPO 401C
50
Problemas que deberán
resolver los alumnos
Ejercicios 2.1
1. Explica qué significa el término “margen de error” en la estimación puntual.
2. ¿Cuáles son dos características del mejor estimador puntual para un parámetro
poblacional?
3. Calcula el margen de error al estimar una medida poblacional µ para estos
valores:
a) 2 . 0 , 30
2
= = o n b) 9 . 0 , 30
2
= = o n c) 5 . 1 , 30
2
= = o n
¿Qué efecto tiene una varianza poblacional más grande en el margen de error?
4. Calcula el margen de error al estimar una media poblacional µ para estos valores:
a) 4 , 50
2
= = s n b) 4 , 500
2
= = s n c) 4 , 5000
2
= = o n
¿Qué efecto tiene el aumentar el tamaño de la muestra en el margen de error?
5. Calcula el margen de error al estimar una proporción binomial para cada uno de los
siguientes valores de n. Usa p =0.5 para calcular el error estándar del estimador.
a) n =30 b) n =100 c) n =400 d) n =1000
¿Qué efecto tiene sobre el margen de error incrementar el tamaño de la muestra?
6. Calcula el margen de error al estimar una proporción binomial p por medio de
muestras de tamaño n =100 y los siguientes valores estimados para p:
a) p =0.1 b) p =0.3 c) p =0.5 d) p =0.7 e) p =0.9
f) ¿Cuál de los valores estimados de p producen el margen de error más grande?
7. Suponiendo que está, elaborando un cuestionario para su aplicación por muestreo
que involucra a n =1000 individuos. El cuestionario generará estimaciones para
varias proporciones binomiales diferentes. Si se quiere informar un solo margen de
error para la encuesta, ¿qué margen de error del ejercicio 6 sería correcto usar?
8. Una muestra aleatoria de n =900 observaciones de una población binomial produjo
x =655 éxitos. Estima la proporción binomial p y calcula el margen de error.
Unidad II ESTIMACIÓN Paquete Didáctico
GRUPO 401C
51
9. Una muestra aleatoria de n =50 observaciones de una población cuantitativa
produjo 4 . 56 = x y 6 . 2
2
= s . Da la mejor estimación puntual para la media
poblacional µ y calcula el margen de error.
10. Estimaciones de la biomasa terrestre, la cantidad total de vegetación que sostienen
los bosques de la tierra, son importantes para determinar la cantidad de anhídrido
carbónico no absorbido que se espera permanezca en la atmósfera de la tierra.
Suponiendo que una muestra de 75 parcelas de un metro cuadrado, elegidas al azar
en los bosques boreales de América del norte, produjo una biomasa media de 4.2
kilogramos por metro cuadrado (kg/
2
m ), con una desviación estándar de 1.5 kg/
2
m .
Estima la biomasa promedio para los bosques boreales de América del Norte y
encuentra el margen de error para su estimación.
11. Con frecuencia un aumento en la proporción de ahorros de los consumidores se
asocia con una falta de confianza en la economía y se dice que es un indicador de
una tendencia recesiva en la economía. Un muestreo aleatorio de n =200 cuentas de
ahorro en una comunidad local mostró un incremento medio en los valores de las
cuentas de ahorro de 7.2% durante los últimos 12 meses, con una desviación
estándar de 5.6%. Estima el aumento del porcentaje medio en los valores de las
cuentas de ahorro durante los últimos 12 meses de los depositantes en la comunidad.
Encuentra el margen de error para su estimación.
12. Aun que la mayoría de los distritos escolares no resultan específicamente a los
hombres para que sean maestros de primaria, los que escogen una carrera en la
educación elemental son muy estimados y encuentran la carrera muy gratificante. Si
había 40 hombres en una muestra aleatoria de 250 maestros de primaria, estima la
proporción de maestros hombres en toda la población. Da el margen de error para su
estimación.
2.1.3 Importancia de la Estimación por Intervalo
Es una forma de establecer la precisión o confiabilidad de un estimador puntual. La
construcción de este intervalo a partir de la información observada y recopilada de una
muestra provee una banda alrededor del parámetro estimado, asegurando con una
probabilidad determinada que dicho parámetro esté ubicado dentro del intervalo. A
dicho intervalo se le conoce de varias maneras: de confianza, estimado de confianza,
región de confianza, intervalo de confianza (IC).
La probabilidad de que un intervalo contenga al parámetro que se estima se le llama
Coeficiente de confianza el cual se denota por ) 1 ( o ÷ para estimar el parámetro
poblacional respectivo.
La estimación por intervalos de confianza consiste en emplear un conjunto de valores
dentro del cual se espera se encuentre el valor del parámetro en cuestión. La ventaja de
este tipo de estimación por intervalos de confianza es que muestra su exactitud a menor
valor del intervalo de confianza.
Unidad II ESTIMACIÓN Paquete Didáctico
GRUPO 401C
52
Figura 2.5. Los valores de una variable aleatoria normal
se encuentran en el intervalo
o µ 3 ±
Los números del extremo de estos
intervalos se llaman limites de
confianza del 68.27%, 95.45% y
99.73%
El porcentaje de confianza recibe el
nombre de nivel de confianza. Los
números 1.96, 2.58, etc. en los límites
de confianza se llaman valores
críticos y se denotan como
c
z .
Podemos encontrar los valores críticos
a partir de los niveles de confianza y
viceversa.
En la tabla 2.2 se muestran los valores de
c
z correspondientes a varios niveles de
confianza que se utilizan en la práctica. Se puede encontrar los valores de
c
z para los
niveles de confianza que no están en la tabla a partir del área bajo la curva normal que
se encuentra en la tabla I del apéndice I
Nivel de
Confianza 99.73% 99% 98% 96% 95.45% 95% 90% 80% 75% 68.27% 50%
Valores críticos
c
z
3 2.58 2.33 2.05 2 1.96 1.645 1.28 1.15 1 0.6745
o 0.0027 0.01 0.02 0.04 0.0455 0.05 0.10 0.20
0.25
0.3173 0.5
Tabla 2.2 Algunos Niveles de confianza que se utilizan en la práctica.
Puesto que el área total bajo la curva es 1, el área restante en las dos colas es o , y cada
cola contiene un área
2
o
. El valor de z que tiene con “área de cola”
2
o
a su derecha
se llama
2
o
z
, y el área entre
2
o
z ÷
y
2
o
z
es el coeficiente de confianza ) 1 ( o ÷
.
Los valores de
2
o
z
que los experimentadores suelen usar serán comunes para
nosotros cuando empecemos a construir intervalos de confianza para diferentes
situaciones prácticas.
Unidad II ESTIMACIÓN Paquete Didáctico
GRUPO 401C
53



2
o
z ÷
0
2
o
z
Figura 2.6 o
o o
÷ = |
.
|

\
|
< < ÷ 1
2 2
z Z z P
2.2 Estimación por Intervalos de confianza para medias
poblacionales.
Al multiplicar cada termino en la desigualdad por
n
o
, y después de restar X de cada
termino y multiplicar por -1 (para invertir el sentido de las desigualdades), obtenemos
o
o
µ
o
o o
÷ =
|
|
.
|

\
|
+ < < ÷ 1
2 2
n
z X
n
z X P
Se selecciona una muestra aleatoria de tamaño n de una población cuya varianza
2
o se
conoce y se calcula la media x para obtener el siguiente intervalo de confianza de
( ) % 100 1 o ÷ . Es importante enfatizar que recurrimos al teorema del límite central.
Como resultado es importante anotar las condiciones para las aplicaciones que siguen.
Intervalo de confianza de µ ; con o conocida.
Si x es la media de una muestra aleatoria de tamaño n de una población con
varianza
2
o , conocida, un intervalo de confianza ( ) % 100 1 o ÷ para µ esta dado
por
o
o
µ
o
o o
÷ =
|
|
.
|

\
|
+ < < ÷ 1
2 2
n
z X
n
z X P
Donde
2
o
z
es el valor z que deja un área de
2
o
a la derecha.
Muestras grandes ( ) 30 > n
De manera general, los límites de confianza están dados por
x c
z X o ± donde
c
z
depende del nivel particular deseado de confianza, puede obtenerse de la tabla 2.2
) 1 ( o ÷
2
o
2
o