Documentos de Académico
Documentos de Profesional
Documentos de Cultura
Probabilidad y Estadistica
Probabilidad y Estadistica
15) =~ PUK = 15) =1— 3 p(s 10) -
09513
0487.
Como Ia distribucion binomial, la distribucion de Poisson se utiliza para con
trol de calidad, seguro de calidad y muestrea de aceptacién. Ademas, ciertas distri-
buciones continuas importantes que se usan en la teoria de confiabilidad y teoria de
colas dependen del proceso de Poisson. Algunas de estas distribuciones se discuten
y se desarrollan en el capitulo 6. =
La media y la varianza de la distribucién de Poisson p(x: At) tienen el valor At
esa Tae ais que a eg eclas Aioup =e Podmore
Ba = 3S so
a mt TG
Ahora bien, sea y = x — 1 loque da
FEN = 0 =
puesto que
SSE = S62
La varianza de la distribucion de Poisson se obtiene al encontrar pri
apex n= Soe 9138 Captulo § Algunas dstrbusiones de probybilded discrom
© Bon
Al hacer y = x = 2, tenemos
aac n= wn
P= PX De
plo 5.16, donde Ar = 4, también tenemos «= 4 y por ellos a
Con el uso del teorema de Chebyshev, podemos esiablecer que nuestra variable
aleatoria tiene una probabilidad de al menos 3/4 de caer en el intervalo w= 2¢
= 4+ (2)(2),0 de 0.4 8, Por tanto, eoncluimos que al menos tres cuartos,
de las veces el mimero de particulas ‘que entran al contador esta
valor entre Dy Sdlurante un milisepundo dado,
Distribucién de Poisson como forma limitante
de la binomial
Dete ser evidente de los tres prineipios del proceso de Poisson que ta distribusién
de Poisson se relaciona eon Ia distribucién binomial. Aunque la de Poisson por I
jeneral encuentra aplicaciones en problemas de espacio y tiempo como se usta
‘con los ejemplos 5.16 y S17. se pede ver como una forma limitante de ka distiba-
cién binomial. Fn el caso de ta binom
Sines bastante grinds y p os pues
an snl as impliacin
LL independoncia cre ls prosbas de Bemoull cn
Cl eso binomial cs consistent con la propiedad 2 del proceso de Poison. Sis
eal pardmctr cercan a sro se relaciona con la propiedad 3. a realidad, dete
‘aremos ahora fa dstribucion de Poisson como forma timitante de la distribucdn
binomia cuando n +, p 0, np petmanece eonstante, De ag, sin es grande
¥ p cercana a0), se puede usar la distibaciin de Poisson, con, = np, para apr
ximar probabilidades binonvses. Sip es cercana a1, atin podemos utr la dit
tribueiin de Posson para proximar probabilidades binomiales mediante ¢
itercambio de lo que definimos como éxito y fracaso, cambiamos con ello pat
valor cereano a0
‘condiciones comes
1 de espacio continuo o regién tem
poral del proceso de Poise
toria binomial con distribucién de_probabilidad
don >, p+ 0.¥ = np permanece const
Teorema 86 | Sea X una variable al
Blein.p).€
Don. p) > por
PRUEBA Lo distribusicn binomial se puede eseribire
Fl = ire
nin Dern x41)
1
blimp) ("e “t=
pil — py‘Secon 56 Distibucién de Poison ypocese de Poisson 39
Al sostituic p = p/n, tenemos
nln = 1) 4 Way pye
bixin.p) et ey 8)
ai ~~). 2) 0-4)
Contorme n — 2 mientras x y w permanecen constantes.
: wees
ty (1-2) = wo ff)
meta) 90 garde do oon
eamdo is Guriaies s poodclamnedu o:srodracioess aa
Para calcular uy ¢* medione ls (Grmtlas del leorema 96 suponemes ee
se conoce, Camo éste porlo general noes el aso, reemplazaremos ¢?porla vei
tr musta Gemve que no 3, Larmadacs fomeerJo ts nestineds il
sedan eapde patbcloual i, fee puta etter on literal puesta
Tha) 100M paren modiant leat de intr
BY ty ae Sad + 2p
que se centra en Ia media a post
posterior,
ori y contiene (1 ~ a) 100% de ta probabilitad
Ejemplo 9.18 Una empresa eléctrica fabrica focos que tienen una duracién ques:
td distribuida de forma aproximadamente normal con una desviaci6n estindat Se
loOhoras, Experiencia anterior nos conduce a creer que jes un valor de una vara.
ble aleatoria normal con una media y4, ~ 809 horas y una desviacién estindat
= Whoras, Si una muestra aleatoria de 25 focos tiene una duracion promediode
780 horas, encuentre un intervalo bayesiano de 95% para p.
‘SOLUCION
De acuerdo con el tcorema 9.6, la distribucion a posteriori de ta media tambiénes
una distribucién normal con media
_25)(780)(10)2 + (800)(100)° _
25) 10)? + (100)
795
¥ desviacién estindar
(oy 00 -
2 =v.
(25) (10)? + (100
El intervalo bayesiano de 95% para y esté dado entonces por
196 — 1.9680 < p< 796 + 1.9680
TBS 0.
(a) Eseriba Is funcion de probatilidad,
(b) Eseriba las ecuaciones que al resolverse dan los
estimadores de probabilidad maxima de « y B.
3. Considere Ia distribucidn logaritmica normal con
Ia funcién de densidad dada en la seeciin 6.8. Supon:
gaque tenemos una muestra x, #2... x, de una dis
tribucidn logaritmien normal
(a) Esciba te funcion de probatilidad
(b) Desarroll: tos estimadores de protabiidad mit
made wy a
4. Considers las observasiones x5. t5. 04,68
distribueién gamma que se discus én la seein 6
(a) Eseriba la funcén de probabilidad,
(b) Eseriba un conjunto de ecuaciones que unio
suelvan den los estimadores de probabilidsd mi
made ay 8,
5. Considers wn experimento hipotetico donde
hombre eon un honge utiliza un mecament
sida y se cura, Considere este, entonses, como ot
muesira de uno de una distibacion de Bernull
funcion de probabilidad
Je) = pig, == 0.1,
onde 7c a prota dum et ci
= 1 ~ p. Abora, por supuesto, Ie infor
Mvestral dae = 1 Eeriha un desarolio que nue
{We f= 1.0 ee estimador de prohabid 95
dlelaprobabildad de curacin‘Seecién 814 Estimecion oe probabilided méxima
Fjercicios de repaso
4. Comidere dos estimadores de en ta mucus
tron que se extrae de una disribucign m
fain neda py Varinza 2, Los estimadores ues
Suse
(5,8)? estimador de
BT probabiltad masini
Discus ropictades de I va
tinder
2. Seafrmn que una nucra dicta reduc peso de
sunapesenn cn 4.3 kilogramos en promedio en fe
fio dedonsemonas Lon peso de site mujeres ac
Sperm esa dicta se teghraron ames esp de
tn priodo de don smn
Mujer
Te
i
tals $83 3617 O80 60 G26 567
a>
eps 0 $49 S81 621 SS S99 sta
Phelan dl fabricar maint ces
iaineraa deconfman de 30% praia arcs
ace pena Seponga ques denn dio pe
S58 dnjen de forma prosimadnents nore
4. De svcd com Romoke Tone (I6de maroo
de 1997), la empresa McDonalds vendid 42.1% del
Ierado do hanurgusas. emacs letra
Bhanurgctes venilas tne cone reside 2
te lasveaids por MeDonuhs Uae entre
Wsecsisn 99 para Getcrma st eis arnacn
tera aiemactn del Roun Tes
4; Un pnmasio arma qu un evo prosama de
erie lta ac entura dou pronseh
4 ceninetos en prone coun prods dec
5s. Listallas de cinturas de seis hombres que atic
fee eprops deers eto aN
puis de penodo decing das asic abl
Hombre
5
= ean zesenire
4 955 987 11S. 91010 85.6
ima de estos doy es
917 939 974 1128 101.3 840
287
Mediante‘c esleuio de un intervalo de confianza del
95% paral reduccion media dela talla dela cintara,
‘determine sila afimacion del ginnasio es vlida, Su
‘Ponga que ls dstnbueion de las diferen
cinta antes y despues del programa es
5. Se evo a cabo un estudio en el Instinato Politée
nico y Universidad Estaial de Viginia para determi
‘ars l fuego se puede wilizar como una berramients
dd control viable para aumentar la cantided de fonts
je dispenible para ls venados durante losmeses ert
‘es a finales de mvierno y prinipios de primavera, El
‘alcio e un elemento que requieter ls plantas los
animales, La. cantidad que la planta toma y almaccna
‘std intimamente correlacionada con la cantidad pre
sente en elsuelo.Se formula hipotesis de que el fu.
10 puede cambiar los niveles de eal presemtes en el
suelo y aectar de esta forma i eantidad disponible
Pra fos venados Se seleciono una supericie grande
sletictra en et Fshbum Forest para un inendio cox
trolado. Se tomaron muesras de suelo de 12 parcelas
‘de igual tea justo antes de is quema, se analizaton
para veiificar el contenido de cake. Los niveles de
‘also después de ly quema se analizaron de las mis-
sclis, Esos valores, en kilogrimos por parc
la, se presentan en hi siguiente abla
Nivel de cae (kpiparcela)
Parcela — Aniesde Después dé
higuema la quema
7 50 9
2 50 as
3 2 2
4 oe 8
3 e 8
6 °
7 7 2
8 9
9 2 8
0 s >
" % >
2 a 3
CConstruya un intevalo de confianza de 95% para Ia
diterencie media en el nivel de catio presente en el
‘tieo antes y después del incerdiocontrolado, Supon-
sy que la distribucion de las diferencias de los nveles
Ge ealdo es aproximadamente normal6, El departamento de ingenieria civil del Instituto
nico y Universidad Estatal de Virginia comps-
‘modifieada (M-S hr) para re:
coliformes fecales en charcos de agua de
‘en un drea urbana con la téenica del numero
iis probable (MPN). Se colecia un total de 12 mues-
tras de chareos y se analizan con las dos ténieas. Los
‘canteos de coliformes por 100 mililitros se registra
cen a siguiente tabla’
z Conteo con 5 hr
2010
‘930
400
36
100
20%
29
109
194
m4
28
13
Construya un intervalo de confianza de 90% para la
diferencia en los conteos medios de coliformes feca~
Jes entre las técnicas M-S hry MEN. Suponga que las
diferencias de contens se dstribuyen de forma apro-
ximadamente normal.
7. Unantropélogose interesa enla proporcién de in
dividuos de dos tribus indias con doble remolino de
‘cabello en le parte occipital del crane. Suponga que
se toman muestras independientes de cad una de las
dos ibus, y que se encuentra que 24 de 100 individuos
de a tibw A y 36 de 120 individuos de la tribu B po-
seen esta caracteristica, Consiruya un intervalo de
confianza de 95% para la diterencta py ~ p,ente is,
proporciones de estas dos tribus con remolinos de ca-
bello en la parte occipital de la cabeza
8, Sellevaa cabo un experimento para determinar si
celacabado superficial tiene un efectosobre el limite de
aguante del acero, Una teoris existente dice que el pu-
lido aumenta el limite de aguante promedio (fexin
inversa). El experimento se realiza sobre acero al
‘carbon al 0.4% eon el uso de especimenes sin puliry
«con pulido suave. El acabado sobre los especimenescon
Pulido suaye se obtiene al pur con lijas del mimeroO
¥¥ de100, Los datos son los siguientes:
Capitulo 9 Problemas ae estimacion de una y dos muestras
Limite de aguante (psi) para:
Acero al carbén
al 04° sin pale
85500 @,40
91.900 200
89.400 81,700
834000 79500
9900 79.400
73700 69.800
87300 79.90)
53.100 13.400
Desde un punto de vista préetic, el pu no debess
tener ningin efecto sobre la desviacidn esténdar det
mite de aguante, que partir de losresuliados de une
rosos experimentos de lite de aguante sesabe ques
de 4000 psi. Encuentre un intervalo de contanza ie
‘98% para la diferencia entre las medias poblacinaes
para los dos metodos, suponga que las poblacionese
Aistribuyen de forma aproximadameste normal
9. Un fabricante de planchas eldctricas produce
tos articulos en dos plantas. Ambas plantas tiesenal
‘mismo proveedor de partes pequesss. Se puede tert
‘un ahorre al comprar termosiatos para le plentaB
de un proveedor fecal. Se compra un solo le él
prowetlor local y se desea probar si estos nvews
"mosiatos son tan precisas como los anteriores. Ls
termostatos se prueban en planchas a SSF, yas
temperaturas reales se redondean al signiente(.1F
ccon un termopar. Los datos son los siguientes:
Proveedor nueva (°F)
3593 SW4 SHO S517 5663 S98
7
5.1 5588 S38 S43 $501 550
551.1 5654 5549 5500 S549 S
560.1
Proveedor anterior (F):
SMT SSA S180 SHO
SSL SSS SS S616
S483 5529 535.1 5850
S487 560.3
Encuentre un intervalo de confianza de 95% P8
tried y para oifon, donde ay as sw
poblcionals de ls lecturas de ox trois
proveeiior nuevo y del anterior, respectivamen=Seccidn 9.14 Estimacién de probabilidad maxima
40, Se afirma que la resistencia del alambre A es ma.
yor que la resistencia del alambre B, Un experimen-
to sobre Ics alambres muestra los siguientes
resultados (en chmios):
Alambre A Alambre B
0.140 0.135
0.138 0.140
0.143 0.136
0.142 0.142
O.144 0.138
0.137 0.140
Suponga varianzas iguales, qué conclusiones extrae?
Justifique su respuesta,
11, Una forma alterna de estimacién se lleva a cabo
a través del método de momentos. El método impli-
289
a igualar la media y varianza poblacionales a la co-
rrespondiente media muestral x y varianza muestral
s* y resolver para el pardmetro, el resultado son los
estimadores del momento. En ¢l caso de un solo pa-
rimetro, s6lo se utilizan las medias. Dé un argumen-
to de que en el caso de la distribucién de Poisson el
estimador de probabilidad maxima y los estimadores
de momento son iguales:
12. Especifique los estimadores del momento para
yo para la distribucién normal.
13. Especifique los estimadores del momento para 4.
y & para la distribucion logaritmica normal.
14. Especifique los estimadores del momento para a
y Bpara la distribucion gamma,10
Pruebas de hip6otesis
de una y dos muestras
10.1 _Hipotesis estadisticas: conceptos generales
‘A memudo, el problema
imacion de un parimetro pobl
bien la formacidn de un procedimiento de decisi que se base en los datos gue pur
dda producir una conelusién acerca de algin sistema eientifico. Por ejemplo, ut it
vestigador médico puede decidir sobre la base de evidencia experimental site
ccifé aumenta el riesgo de cancer en humanos; un ingeniero puede tener que decidt
sobre la base de datos mu 1 hay una diferencia entte la precision de dos
pos de medidores; o un socidlogo puede desear reunir les datos apropiados que €
ppermitan decidir sie! tipo sanguineo de una persona y el color de los oj0sson Na:
bles independientes. En cada uno de estos cases el cientifico o el ingeniero povtilt
© conjetura algo acerca de un sistema, Ademés, cada uno debe inclu el uso de d=
tos experimentales y la toma de decisiones basadas en éstos. D a formal. 8
‘cada caso, la conjetura se puede poner en f
dimientos que conducen a ta aceptacion o recharo de hipstesis estadisticas come
tas comprenden un din
con precision Jo que entendemos por hipdtess estadistica,
Definicién 10.1 | Una hipétesis estadistiea es una aseveracion 0 conjetura eon respecto a una?
mis poblaciones.
La verdad 0 falsedad de una hhip6tesis estadistica nunca se sabe con abso
certidumbre a menos que examinemos toda la poblacion, Esto, por supuest. 5
al que se enfrents el cientifico 0 el
inal como se diseutio
e cl capitulo 9, sino mis
Principal de la infereneis estadistica, Primero, dfinamos‘Section 10.1. Hipetesis estaditicas: conceptos generates 291
Poco prdstico en la mayora de ls situaciones En su lugar, tomamos una muestra
akatviade la poblacion de interés y ullizamos ln datos sntenidoe os cote ne
La para proporcionar evidencia que apoye o no la hipstoshs La colder nt
muestra que «8 inconsitente con la hipoenis que ce svablse wonduce a eckans
de esa, mientras que a evdencls que a apoys contiee ae corto
Dobe quedar cara a lector que el dcio de un procainento decison se
debe hacer con ides en mente dela probebide de unacincuaon evar Pee
Cjemplo, suponga cue a conjetura hipatess) que peatalnclingcniogecoee aan
cin p de defectuosos cn eesto proceso e 0.10 Elexpetimente els ebecrencen
dle una muestra aleatoria del producto en cuestion, Suponsa qucse prison la
eulosy se encuentra que |2estn dtectuouos Es tana conclir ane sve ot
dencia no recat condicion p ~ 0.10, por elo ped eonvcir a naccpieaoe
de a hipotesis Sin embargo. tapoco rechars p= O12 0 quire nchcs ne Oe
Como resliado elector se debe nestursrar a comprendcr que ls sepa de
tuna hipstesis simplemente impli que los datos no dan sulleate eldenels pra
rechararls. Por otro ldo, ctrechare implica que la evident mcr I refers
Pesto de otts forma, el recharo sguies que hay una pequers probubldad de
obtener la infrmnaciin muestra obserata cuando de Mechs la pte soe
Alaera. Por ejemplo, en noesira hipotess de proporeicn de devectuows aha ne
tra de 100 que revia 20 atcalosdefectosox ex certamente evidence recharo,
{Por qué? Si en realidad, p = 010, io probatildad de obtener 200 ma deectuenoe
es aproximadamente 1.035, Con el pequetio riesgo restate de una coclushon
errinea, pareceia sogaro rechazat Ia hipdtesis de que p 010. En otras pa
el rechaze de una hipoteris hone a casi “ove” ia pte Po ola,
importante enlatizar que I aceptacin omnis bien a fla al fechaeo bo exes
otras posibiidades, Como result, ena de os devs enblece una conclusion
firme cuando se rechaza wm Mp vests
El plantcamient formalde ta hipotess a meni est nflaido por la estruc-
tura dela probabdad de una conclusion erénen Stel siento se interes n apo.
yar con fuerza una opinion, desea ear ala opin en ta forma de rechazo de una
hipotess. Stel imvestigador médico desea mostra fuerte evidensiaa for de lon
fe amenta el spo de contrac cincer. In hpStsh a probar
iespoc nis dus sche,
nin de que beber
debe ser de ke ied es
to de beber café”. Como resultado, la opinisn se al
De manera similar, para apoyar la afiemaci6n de que un tipo de medidores es mis
preciso que otro, el ingenieto prucba i hipStesis de que no hay diferencia en la pre-
cision de los des tipos de medider.
Hipotesis nula y alternativa
Latestructura de a pruct de hipteisw formian con ol ode trino hp
ssa see etre cnr its edna, rar ne dent con
Hy El rca de conde an acpasn de ne Nps erate, ss
Ao son Una hip con epson parcial sm
pre se establecer4 de modo que especitique w :292 Capitulo 10 Pruntas de hipotesis de una y dos muestres
tras que ta hipotesis
Hes ta hip6tesis nul
va H, seria una de
va permite la posibilidad de v
p= 005 para una poblacién binor
as siguientes!
valores. De ag
Ta hipotess alterna
pr0S, p05, 0, pros.
10.2 Prueba de una hip6tesis estadistica
ee ee eee
Para ilustrar los conceptos que se utilizan al probar una hipétesis esadt tia acerea
de una poblacién, considere el siguiente ejemplo, Se sabe que cierto tipo de vacua
contra ef catarro sOlo es efectiv despues de un periodo de dos aos, Para
deierminar si una vacuna nueva y algo mas cara es superior al proporcionar protes
cidn contra ef mismo virus durante un period mas largo, suponga que se eigen 2)
personas al azar y se inoculan. En un estudio real de este tipo los participants que
reciben la nueva vacuna pueden ascender a varios miles. El nimero 20 se utiliza
aqui solo para demostrar los pasos bisieos para llevar a cabo una pracha estas.
ca, Simis de ocho de los que reciben la nueva vacuna pasin el periodo de dos aoa
se considerard superior i la que se usa
actualidad. EI requisite de que el numero exeeda de ocho es algo arbitrario pero pe
rece razonable, pues representa una ganancia modesta sobre las cinco personas que
se esperaria que recibieran proteccion si las 20 personas se iocularan con la vac
nayaen uso, Probamos en esencia la hipotesis nula de que la vacuna nueva es iui
mente efectiva después de un periodo de dos aiios como la que por lo general s: wa
La hipOtess alternativa es que la nueva vacana es de hecho superior. EXoss
equivalente 4 prabat la hipétesis de que ol parémetro binomial para la probabildad
de un éxito sobre una prucha dada os p = 1/4 contra laaltemativa de que p > 1/4
Esto por Io general se eseribe como sigue:
sin contraer el virus, la nueva va la
1
4
La estadistca de prueba sobre la que se basa nuestra decision es X, el nue
de individuos en nuestro grupo de prueba que reciben proteccién de la nueva vace
1a por un periodo de al menos dos aos. Los valores posibles de X, de 0 a 20, =
viden en dos grupos: los mimeros menores que o iguales a ocho y los mavores a
‘acho, Todas lox posibles valotes mayores que ocho constituyen la regién citea-Y
todos los posibles valores menores que o iguales a ocho determinan la regién
aceptacidn, El dltimo niimero que observamos al pasar de Ia regién de aceptact
4 la region critica se Hama yalor eri
mero o¢he. Por tanto, sx > 8, rechazamos fy favor del hipstesis alters
i, Six <8, aceptamos MH). Este eniterio de aceptacion se iustra en la figura 0
El procedimiento de decisidn cecién deserto podria conducir a cualuict#
4dos conclusiones erréneas, Por ejemplo, la nueva vacuna puede no ser mejor ave)
‘que se usa actualmente y, para este grupo particular de individuos selec‘Seecion 102 Pruvta de una hipotess estadisico 293
Acertasy
cua Recnaar He
permease peo
OWS ee eg Be
Figura 10.1 Criterio de decisidn para prabar p = 0.2 conta p> 0.2
forma aleator de oer 4
le ocho pasan el periodo de des aites sin contraer el virus. Co
‘meterfamos un error al rechazar H,,a favor de H, cuando, de hecho, 1, es ve
ra, Talerror se llama error tipo 1 . fearon
Defnicién 102 | Elrechazo de la hipétesis mula cuando es verdadera se lama error ipo |
Una segunda clase de error se comete si ocho » menos de!
tiedo de dos aio deform extos y consluitos que la nueva vacun) emo
‘ona realmente 16 & Enste tos 77, chando cx fs. Ee se a
rt error tipo
La aceptacién de Ia hipdtesis nula cuando es falss se Hama error tipo IL
Al probar cualquier hipstesis estadistica, hay cuatro sit
correcta o err6nea, Estas cuatro situaciones se re
10 ave
Definicidn
ones posibles que
determinan si nuesira decisién
sumen en lo tabla 10.1.
Tabla 10.1. Situaciones posibles al probar una hipotesis estadistica
verdadera faa
‘Aceptar My Decisiin correcta po
Recharar H, Error upol
inn Hanada nivel de signitican-
lun error tipe Tocurriré
La probatildd de comet err po
cis sta coma era ae a Ene sh =
Se se reafidad equa ala ge es en uso. De aus! Nes
‘permanecen libres del virus por al menos dos anos
andop = 3) = 3 6(s120.)
usar la nueva vacuna 4
el nimero de individos que
8
= Peerortipot) ~ P(X
A 1 t
12) = 1 a9so1 = 01049.
1- So(u20.)
/4, se prueba al nivel de significancia
ula, p= th
Decimos que In hipotes® 94, gifcancia se Ima tamaode la region ct-
28s eco he294
Capitulo 10. Pronbas ce hipdtesis de una y dos muestas
capaces de caleular
contramos
1 probabilidad de aceptar My cuando es
Simplemente ey
robabilidad de obtener ocho o menos en el
‘upo que sobrepasane
perialode doyaton cuando 1/2, En ese caso
4 \
{B= Plesror tipo th = P( X= Seuando p = 2) = > b(x:20.3)
tata os ura probabil mis ben at, oe inca un premio de pa
cen el que es muy probable que rechacemos la nueva vacuna cuando, de hecko, «
superior a la que esté en uso, Idealmente, preferirfamos utilizar un procedimieniy
de prueba en el que los errores tipo Ly tipo I son pequeties.
Es posible que el director del programa de prueba esté dispucsto a cometer sn
cetor tipo I si la Yacuna mas cara no es sigficativamente superior. De hecho la uni
cea ocasién en la que desea estar prevenido contra un error tipo II es cuando el
lor real de p es al menos 0.7. Si p = 0.7, este procecimiento de prueba da
= Plertortipo M) = P(X < Sevando p = 07) = S bx: 20,07) = GOK.
Con una probabilidad tan pequemta de cometer un error tipo TI, es improbable en
extremo que se rechace la nueva vacuma canio tiene na sfectividad de 70% de
pues de un periodo de dos anos, Conforme la hipotesis alternativa se aproxims ala
unidad, ¢} valor de 8 tiende a cero.
Supongamos que el director del programa de prueba no est dispuestoa come
ter un error tipo IT cuando la hipétesis alternativa p = 1/2.s verdadera aunques®
encuentre que la probabilidad de tal error es 8 17. Una reduccién de Bsiem
pre es posible al aumentar el tamaio de la regién critica, Por ejemplo, considere we
ucede'a los valores de ay B cuando sambiamos nuestro valor extico a sete dem
do que todos los valores mayores que ncn la regién critica y aquellos me
ores que 0 iguales a siete caigan en la region de acepiacida. Ahora bien, a prota
p= 1/4 contra la hipotesis alternativa p = 1/2, eneontramos que
® a a
a ,b(e20.3) 1- Dlx:
1018
1) a1 osm
a- So(uant) oss
A adoptar un nuevo procedimiento de decision, reducimosta probabil
‘cometer un error tipo IIa cesta de aumentar la probabilidad de wometer an
tipo I, Para un tamaiio muestral fijo, una disminucion en 1a probabilidad‘Seecisn 10.2 Pruabs oo uns hipstesisestedistico 295
error por lo general tendré como resultado vn
Hetae at agot fortuna, la probabilidad de cometer ambos tipos de error se pucde
ead al sumentar el tamafio de la muestsa, Considere el mismo problema medion,
te lise de una muestra alentoria de 100 individuos. i mas de 3 dl grupo sobre.
pasan el periodo de dos afos, rechazaremios la hipotesisnula p = 1/4 yaceptaremon
ba bip6tesisalternativa p > 1/4 El valor erica ahora es 36, Todos los valores po,
‘bles por ariba de 36 consituyen la ¥ todes los valores posibles me.
‘ores que 0 iguales a 36 caen en la region de aceptacies
Para determinar la probabilidad de cometer un etior tipo I, ui
aproximacion de la curva normal con
lidad del
mento en la probat
= np = (100)(3)
Y= Napa = VO; ~ 438
Con referencia a la figura 10.2, necesitamos et area
cha de x = 36.5. El valor = correspondiente es
jo la curva normal a la dere
on 833
ro 8
Figura 102 Probabiidad de un eror tipo
De la tabla A3 encontramos que
: 2
preston in 9. = #(°> seeuatoy = Jamz >240
1 = P(Z-< 2.65) = 1 ~ 0.9961 = 0.0039.
erdadero valor de Hes p = 1/2, podemos determinar la
ese conel uso de a aproximaciona lasurvanrmalcon
Sue sles des
probabilidad de un error tipo I con el uso de Ia a
100)@) = 50 yo = Yapg = V0) = 5.
ie ‘en la regi6n le aceptacién cuando /7, es verdadera esti da-
4a por el rea de a resin sombreod a
irae ie moe
BO se 39)298 Caputo 10. Fruebss ce npotasis de ura y dos muesiras
% H
on 43s on8
= a
Fiowra 10.3 Probablidad do un error tipo I
Por tanto,
B = P(eror tipo) = P(x" < 36 ewandop = 3)~P(Z<~27) = 00s
Obviamente, los errores tipo Iy tipo Il ara vez ocurren si el experimento conse
en 100 individuos.
La istracin anterior subraya la estrategia del cientifico en la prucha de bps.
tesis, Después de que se establecen las hipdtesis nula y alternativa, es importante
considerar la sensibilidad del procedimiento de prueba. Por esto queremos desirgue
debe haber una determinacién, para una « fija, de un valor razonable para la pro:
Dabilidad de aceptar de manera errénea If, (e> decir, el valor de f) cuando le stu
cion real representa alguna desviacion importante de Hy. Por lo general se puede
determinar el valor del tamaiio de la muestra para el que hay un Dalance razonabl
entre ay el valor de 8 que se calcula de esta manera. El problema de la vacura
un ejemplo.
Los conceptos que aquisedscuten parm una poblacidn disretase pueden ag
car bien de igual forma a poblaciones continuas. Considere la hipStesis nula de
cl peso promedio de estudiantes hombres en cierta universidad es 68 kilograma
contra la hip6texisalternativa de que es diferente de 68. Es decir, deseamos p
My: m= 68,
hs we 68.
La hipstesis alternativa nos permite le posibilidad de que u < 68 0 u > 68.
‘Una media muestral que cae cerca del valor hipotético de 68 se considerarit
‘mo evidencia en favor de H,. Por oiro lado, una media muestral considera
te menor que 0 mayor que 68 seria una evidencis de inconsistencia de Hy ¥ POF
favoreceria a H, La media muestral es la estadistice de prueba en este a0.
region critica para la estadistica de prueba se puede clegir de mancra arbi
‘mo los dos intervalos x < 67 y x > 69. La regién de aceptacion serd eatone®s
lervalo 67 = 1 = 69, Este crterio de decision se ilustra en la figura 104
cy
Figura 10.4 Probabilidad do un error tipo I‘Srecién 10.2 Prueba de una hiodtesis esteditien 297
‘Utilicemos ahora el criterio de de i6n de la figura 10.4 para calcular las pro-
babilidades de cometer errores tipo Iy tipo Il cuando se prac la hipotese bola
@ = P(X < 67 cuando px = 68) + P(X > 69 cuando yu = 68),
a a
7 ye Oo
Figura 105 Recién cca para probar w = 63 conta» + 68
Los valores z correspondientes.a ¥, = 67y ¥, = 69 cuando H, es verdadera son
1-8 __ 68
STB doe UME igre
a= Pe <~ Lan + Pz > 197) 2 <
a9 ops ar comer de tomato 36 vos consinian ech
22 ellen an rnin ai ee cn
sr cre mma el ara ds la masses oomph region de oopacion
Be eh alimarobeiameiian= 4 coiieaig = aek
045. Ahora bien,
or 68 = 882m,
Pee -2 yam ogg 72h
0.0204.
Piz <-222) + P(Z> 222) =27@ < -222)
redu sf misma para garantizar un buen pro-
sin en eno ex sunt por misma par grantzar an buen
cedinlento de prucba, Debemos evsluar P para varies hipotesis alternativas que298
Capitulo 10. Pruebas de hipstesis de une y dos muesiras
consideremosse deben aceplarsison yerdaderas. Por tanto, ¢s importante ret
Si osands woes calc gins ue De na Greig
de cometer un error tipo It se debe caleulary examinar para lasaltemativas y= gt
yx. ~ 70, Debido a lasimetria, soio es necesanio considerar la probabilidad de
{ar la hipétesis mula w = 68 cuando la alternativa w = 70 es verdadera, Resin,
tun error tipo IT cuando la media muestral x caiga entre 67 y 69 cuando H, sa ver
anto, con referencia ala figura 10.6, encontramos que
B
dadera, Por
p(67 = X =< 99 cuando 4 = 70).
1 \ A i \m
ao 6 70 if
igure 108 ror tipe Il para probar u = 68contra = 76
que corresponden a ¥; = 67 y % ~ 69 cuando H, es verdadera son
_ 61-10 _ = 10_
= =667 a= 222
us 7, 2 et as
Por tanto,
B= P(-661 6, Una prucba de dos vol av uilizé para probar la fypétesis aula n= ll
Jogrames contra laalternativa bilateral we # 68 kilogramos para la poblasién coe
i de pesos de estudiantes en a seccidn 10.2
La hipotesis nula, , siempre se establecerd con el uso del signo oe igual
ppara que se especifique un solo valor. De esta manera se puede controlat lt
bilidad de cometer un error tipo I. Sise establece una prueba de una cola 0d
colas dependera de la conclusion que se extraiga si Hy se rechaza. La posciO®
regidn critica se puede determinar slo después que se establece H,, Por sie
probar una medicina nueva, se establece la hipdtesis de que no es mejor quel
dicinas similares setualmente en el mereado y se prucka ésta contra la hi
Acmnativa de que le medicina nueva es superior. Tal hipGtesisaltornativa tenia
resultado de una prueba de una sola cola con fa region erfica en la cole
embargo, si deseamos comparar una nueva técnica de ensenanza comel‘Seocion 10.3. Pruebas de una y éoscolas 301
to convencional de salon, 1a hipot
macion sea inferior 0 superior
de dos colas con la region crit
atternativa debe pemitr quel aueva aprox:
8 prxediment conversion Poll le puch
extremes de les clas nguierd ydercha dela tsbcion de muestra calicn
Son deseablesciertosprineinins para determinarcuslhipstesis se establecer
come Hex como H,, Primero, lea el problema con musho euidado deter
tela afiemacion que desea prabar, Sila atmacign sugiers une scla directo
4 a, entonces H, se debe estable
cercon el uso del simboto de desigualdadl | ~ © > ) que corresponda ala direccidn
sugerida. Si, por ejemplo. al probar una nuevs miecicina deseamios mostrar una {ver
te evidencia de que iis de 30% de las personas tendran ayuda, de inmediato eser
bimos #7): p > 03 y entonces la hipétesis mula se eseribe como Hy: = 0.3 Si le
atitmacion sugiere una direceién compuesta (igualdad y direcciéa) como al menos
mayor o igual que, a lo més, no mayor que. etcétera, entonces toda esta direccibn
compuesta ( = 0 =) se expresa como H,. peto con el uso dinicamente del signo
ual, y Hse da en ba direecién opuesta, Finalmente, sino se sugiore ninguna direc
«ign en la afirmaci6n, entonces H, se establoce con él signo de diferente ( * )
Ejemplo 10.1. Un fabricarte de cierta marca de cereal de arroz afirma que el con
tenido promedio de grasa saturads no excede 1.5 gramos. Establezea las hipStesis
ula y alternativa a utilizar para probar esta afirmacién y determinar dénde se lo
cealiza la regisn critica,
SOLUCION
La afirmacidn del fabricante se debe rechavar silo si es mayor que 1.5 miligramos
ysse debe aceptar si es menor 0 igual que 1.5 miligramos. Como la hipstesis nals
Siempre expecifica un solo valor del parimetro, probamos
iy w=
Hye w> is.
Aunque establecemos la hipdtesis nula con un signo igual, se entiende que ineluye
‘aalquier valor no especificado por la hipétesis altermativa, En consecuencia, la
sceptacién de 1, no implica que es exactamente igual a 1.5 miligramos sino mas
bien que no tenemos sufcionte evidencia que favorezca a H,, Como tenemes una
prucba de una cola,clsimbolo mayor que indica que la region critica yace por com-
Peto en fa cola derecha dela distribucién de nuestra estaditica de prucha X.
bienes rafces afirma que 60% de todas las residencias
as, Para probar
‘una muestra grande de residencias nuevas la pro-
ras s¢ resistra y se utiliza como estadistica de
cenesta prueba y de-
Ejemplo 10.2 Un agente de
privadas que se construyen act
esta afirmacién, se inspeccior
porcién de estas casas con tres recdma seul
prueba, Establezca las hipotesis mula y alternative a ut
Penn epson de arene
SCIEN seus ferconsleralomensnavor omer ge p= 06.16
Shamarlamos Ia afirmacion del agente. De aqui debemos estableer Ia hipStests302 —Cepytute 10. Pruebes de hipdtests de un y des muestes
Hy p=05,
He: p08.
La hiptesis alternativa implica uns prucba de dys colas con la seei6n crfia dvi,
{da por igual en ambas las de ti disiibucion de P, nuestra estadistica de prusba
10.4 Uso de valores P para la toma de decisiones
eee
Al probar hipétesis en las que In estadit digereta la rein eteg
se pucde elegir de mancra arbitraria y determinar su tamafo. Si u ¢s demasiagy
‘grande, se puede reducir al hacer un ajuste en el valor critico. Puede ser necesang
aumentar el tamano de la muestra para compensar la disminucidn que cure de
‘manera automatica en la potencia de lo pruebs.
Por generaciones enteras de anilisis esiadistico, se ha hecho costumbte elege
una a de 0.05 0 001 y seleccionar la region critica en consecuencia. Entonces porsi
puesto, el rechazo 0 no rechazo estricto de H, dependerd de esa rezidn critics, Pr
ejemplo. sila prucha es de dos colas v « se fija al nivel de significancia de 0.05 yla
estodistica de prueba imolic
se observa un valor = de
a de pruct
a digames. la distribucicin nornral estindar, entoncss
> 1.96,
donde el valor 196 se encuentra como
gid critica sugiere el pl
Ia estadistica de prucha es sige
ficativo.” Podemos traducir esto al lengusje del usuario. Por ejemplo, si a hipsteis
estd dada por
Hy: w= 10,
Hs w #0,
se puede decir: “La media difiere de manera significativa del valor 10:
Esta preseleccidn de wn nivel de significancia a tiene sus raiees en la filosoia
de que se debe controlar el riesgo maximo de cometer un extor tipo I Sin embars
este enfoque no explica los valores de estadisticas de prueba que estan “eereano
ala region erftica, Suponga que, por ejemplo, en la lustracion con Hy: = 10 His
1p # 10, se observa un valor z = 1.87; estrictamente hablando, con a = 0.05 eh
lor no es significativo. Pero el riesgo de cometer un error tipo T si se rechara Hye
este caso dificilmente se podria considerarsevero. De hecho, en un escenario de 8%
colas se puede cuantiticar el riesgo como ;
P= 2P(z > 187 cuando w= 10)
(0.0307) = 0.0614,
Como resultado, la probabilidad de obtener in valor < tan grande o mayor (en
nitud) que 1.87 cuando de hecho 1 = 10 ¢s 00614, Aunque esta cvidencia cont
‘io €s tan fuerte como la que resultaria de un rechazo en un nivel a = 05,8
‘maci6n importante para ef usuario, En realidad, el uso continuo de a = 05-0
solo es un resultado de lo que los estandares han establecigo por generic
Ja estadistica aplicada tos usuarios han adopiado de forma extensa Ia
el valor P. La aproximacion se disefa para dar al usuario una alternativa
mings de una probabilidad) sla simple conclusion de “rechazo” o “no retDetinicion 105
Seceiin 104 Uso 60 valores P para a toma ce decisiones 308
célculo del valor P también da al usuar
eae por completo dentro de
informativo pa
suario informacton importante cuando el valor
i 4a region critica ordinaria. Por ejemplo, si z €s 273, €5
el usuario observar que
P = (00032) = 00064
y de esta forma el valor z es significative el considerablement
‘ i ‘un nivel considerablemente menor que
468. Fs importante saber que bao la conden de yun valor de & © 273 ean
evento en extremo raro. A saber, un Valor al menos tan grande en magnitud slo
‘eurtirla 64 veces en 10,000 experimentes = i
Una manera muy simpic de explicar un valor Pde forma grfica es considerar
dow muestras dstinas prematuramente. Suponga que se consideran dos materiales
Para cubrir un tipo particular de metal a fin de evita la cortosiGn. Se cbtienen es
ppecimenes y se cubte un grupo con el material 1 y un grupo con el material >. Los
1s muestrales son =, = 10 para
orcentaje de érea superficial afectada. La hipdtesis esque los muestras provienen
de distribuciones comunes con media ~ 10. Supongamos quc la varianza pobla
cional es 10. Entonces prokamos que
-ada muestra y la eorrosién se mide en
Hy: hy = p= 10.
Representemos en Ia figura 103 una gritiea de puntos de los datos los datos
te colocan en la distribucién que establece la hiptesis mula. Pareee claro ahora que
tos dates rechazan la hipdtesis ula, Pero gem xe puede resumir esto en un ate
10? El valor P xe puede ver simplemente cono la probabilidad de obtener este com
junto de datos dado que las muesitas provienen dela estribucion que se representa
Es claro que esta probabilidad es bastante pequens, digamos, ;00000001! De esta
manera el pequeto valor P rechaza claramente Hy la conclusia es que las me-
dias poblacionales son significativamente diferentes.
Figura 1.8 Datos probobiemerte generados de poblacionts qué tiene dos medias deren,
‘La aprorimacin del vor P comp ayuda en a wma de
an paquets ce compataora due proporcionan cede
natural pos cs odo 1s Mogan sales Panto con vars dey estat de
oo ee iutnte cua dino ermal dew aor F
‘el queeel valor observado
innificancia) mis bajo
vel (de si
“Un yalor Pes ef nivel (ds oe
“de la estadistica de prucha & sign!
rn eate momento resuiir los procedimientos para la prue~
Jc cenvir com fundamento en el que se basen 10s casos es-
Resuita apropiade
ba de hipotesis. Esto pred304
Coptuto 10 Prucbas de hipstesis de una y dos mussias
peciales de 1s se
sises hy: €= 4),
1, Establecer a hipdtesis nu
2. Elegiruna hipotess altemotiva apropiada 7, a partir de una de las altematig,
0 = Oy > Ws Uy
Elegir un nivel de sign
Seleccionar la estadistica de prucha apropiada y establecer la region ertica. 6
{a decision se basa en un valor P, no es necesario establecer fa resin erticg
Caleular el valor de la estadistica de prucba a partir de los datos dela mucstiy
Decision: Rechazar H, sila estadistica de prucba tiene un valoren lavesida on
tica (0 sil valor P caleulado es menor o igual que el nivel designificancia que
se desea). en cualquier otro caso, no rechavaar I
El lector se debe dar cuenta que las conclusiones que extrae el analista pueden
resultar alectadas por los valores P calculados. En otras palabras, se puede no tenet
en mente un nivel a preseleccionado y asi sacar conclusiones que se basen en lan.
formacién que proporeiona el valor P. Como se indicé al principio, éste esel ents
ones siguientes, Para este resumen, Supongames gue la hipgy
Hi, que 0 =
Ieancia de tamano a,
ee
‘que que a menudo se adopta en situaciones de la vida real
Ejercicios
SS
1. Suponga que un alorg6loge desea probarla hips:
tess de que al menos 30% del pablo es alérgico a
algunos produetor de queso. Explique cémo el aler~
idlogo podria cometer
Gun error tipo
(b) un error tipo I
2. Uno sovicloga we interes en la ecicia de un cur=
so de entrenamicno disenado para lograt que mis
conductores uticen tos cntur seguridad en
los automévites,
(a) ,Ou6 hipstesis prucka si comete un error dete
poll concluirde mancra erréncaque el curso de en
trenaniento no es efective?
(b) (Qué hipstesis prucka si comete un error det
polll al conclir de forma erronca que el curso de en
{renamiento es elective?
8, Se acusa @ una empresa de discriminacig en sus
précticas de contratacion,
(a) {Que hipotess se prueba si un jurado comet
ror tipo Tal encontrar culpable a la empresa?
(b) {Qué hipétess se prueba sun jurado comet
110 lipo Tal encontrar que la empresa es culpable?
4, Se-estima que la proporeiin de adulkos que viven,
mana pequetss cudad que son graduados univers
1108 es p = 0.6 Para probar esta hipdtess se selecco.
‘a una muestra aleatoria de 15 adultos. Si el nimero,
‘de graduidos en nuestra muestra es cualquier nime.
to de 6a 12, aceptareros le hipétesis aula spe
p= 06 en caso cantar, conctiremos que p #06
(2) Evalde «cont sposteon de que p = 06 Ute
la dntrbucienbinomat
(b) Eval f pura tas aternaves p = 03 yp =
(©) cEs se un buen procedimiento ce prude?
5. Repita¢lejerecio 4 cuando se selescionan 20
adultos y 1a region de aceptacion se elie om
10'S 4° 130 donde xes el numero de grads.
sniverstaros en muestra esta, Use apa:
mmacion normal
6. Un fabrizante de tlas considera qu I pO
conde érdenes de materia prima que legate
P=06 Si ane musta aleatoria de 10 dens
Awestra que ies omencs legan ane, a pssst
«ue p = 06 se deberiarechazar a favor de lear
{ia p < 06. Uilce I distibucién binomial
(@) Encuente la probabiidad de cemeterunerot
Po I's la proporciin rerdadera & p = 06
(6) Enaventte a probabilidad de cemeterunert
Poll para la alternativa p = 0.3,p = O4.yp = 0%
2, Repit el ejerico cuando se slecimn
dens, ye define a rein erica coms x= 24
de. eel nimero de érdenes en nuestra must
Megan tarde. Uti Ia aproximacién normal
8. Una tintorri firme que un uevore
‘manchas emir nis de70% de x anche‘Secclon 10.4. Uso de vat
104 Uso de vatores P nora toma de decistones 308
ue seaplea,Pare verfcar eta afr, orem
ordinance ces
{lon a ara Sirmenos de 1 de las m
fan acepiaremos la hipotess nla ae
foalguer oro caso, eoneluiremos que p © 4
fa) Eval «, suponga que p = 0°
(6) Evie para laaltrnativa p ~ 09
9, Repita el exercicio § cuando se tatan 100 ma
chasy i rexin erica se define como = #2 ae
resel ntimero de manchas que se eiminan
10, Ena publicaciSn Relit from Ardhras deYhor
sons Pushers, Lid, John E, Crottaftma que me
40% dela personas que suiren de atntiscecant
iegen un also mensurable de wn ingredient que
produce una especie particular de melon ese on
‘tena en la costa de Nueva Zelanda, Fara prodor
«sia firmacion, el extracio de mejiln se adnininig
aan grupo de sicte pacientes com atits sea Sieg
‘omis de les pacientes obticnen alivio, ateplaremos
Inhipstess mula p = Dt. de ow modo, conchae
mea gue p < 0.4
@) Evale «, suponga que p = 04
(b) Evatie @ para ls altemativa p = 03,
1. Reptaeleerccio 10cuando se administra el ex
tratode mein a 70 pacientes lareicn rica se
sefnecomo.x < 24, donde x es el mimero de pacien-
‘esconattrtis sea que obtienen alivio.
¥2. Se pregumia's una muestra aleatoria de 400 vo
lanesen cierta ciudad si estén a favor de un impucs
to alcional de 4% sobre la venta de gasolina para
‘opotcenar ingresos que se necestan con urgencian
ar Ia reparacion de calles. Si més de 220 pero me:
os de 26) favoreven el impucsto sobre vents, con
thiremos que 60% de los votantes lo aposan
(9) Encuentre ln probabiidad de cometer wn ero
F015160% de los votantes extn favor del sume
bbde impucstos
(©) iCal esta probabitidad de cometer um etor
Fo ll uitizar este procedimionto de pructa is
Falla solo 48% delos yotants esd a favor del ism
lest adisional ala gasolina?
2 Suponga que, en el ejercicio 12, concluimos que
es vlan et favor de) impueso 3
{emia gasolina si més de 214 pero menos de 268 vo-
tentes de nuestra muestra lo favorece. Muesie que
‘Tianuevarezion de acepracisn tiene comoresuliadd
valor més pequefio para a a costa de aumentor
JS, Un fabricante desarrolla un nuevo sedal pa
due afirma tiene una resistencia media Ia
tat de 05 kilopramos. Para peobar la hipétesis de
{us a = 15 kilogtames conira la ltrtation de oe
4515 kilogramos.se prucha una mucstrs aleateras
Ge 50 sediles. Liv repiin erica se define come
¥ < 148, Suponga que a a 15 es corrects
(2) Enevente ia probabiidad de cometer un ervort
OI cuando Hes verdadera
(b) vale. para las alte
= 149 kiogramen,
as pate y
18. Una miquina de rofroseos en un eestauramte de
ames asadas eajusa de modo que lacantdad de be,
bid que sirvaestéchstribaila de forma apronmae
mente normal con una media de 200 militos y una
Aesviacin estandar de 15 miliitos Larmquie
filica pertodicamente con una muestra de nuove bobs
das y com el edlculo del contenica promedic. Sis cas
en lintervalo 191 flon)
AM, el valor fcon 6 y 10 grados de libertad, que deja un area de 0.95 4 ls derecha,
|
Fins10,6) 4.06
Suponga que las muestras aleatorias de tamano 7, y nse seleccionan de des
poblaciones normales con varianzas 6; y 03, respestivamente. Del torema8s.s.
bemos que
= 0.246,
1s(6, 10) =
_ (= DS?
Xu
son variables aleatorias que tienen distribueiones ji cuadradas con vy = nj ~ Ly
=n, ~ 1 grados de libertad, demas, como las muestras se seleccionan al azar,
tratamos con variables aleatorias independientes, y entonces con el uso del teorema
8.6 con X? = Uy X2 = V, obtenemos el siguiente resultado,
Teorema 8.8 Si Sy S2son las varianzas de mucstas aeatoriasindependientes de tamafion,
yn, tomadas de poblaciones normales con vatianzas v? y 03. respecivamente,
tiene una distribucion F'con v, = 2, ~ Ly
iy ~ L prados de libertad
Para qué se utiliza la distribucion F?
(Caneeainde ei preguntay en: parte, al inlolo Ue ektnlseed cot a een
se usa en situaciones de dos muestras para exiraer inferencias acerca de fs ¥*
rianzas de poblacién. Esto implica la aplicacién del resultado del teorema 8.8. 98
embargo, la distribucién F se aplica a muchos otros tipos de problemas en 108
las varianzas muesirales estén involucradas. De hecho, la distribucién F sel
distribucién de razén de varianzas. Como ilustracién, considere el ejemplo 815:
Pomepamion doe platures; Ay: 8) con’ranpisdio'e7et) i rarities Canaan
distribucién normal se aplica bien (se supone que se conocen wr ¥ #p)- Sine
0, suponga que hay tres tipos de pinturas a comparar, digamos A, By Dé
‘mos determinar si las medias de las poblaciones son equivalents. Su
hecho, que importante informacion resumida del experimento es Ia sigviemSeccion 88 Distroucion F235
‘amano muesteal
0
0
0
cae bicma s€ Centra alrededor de silos promedios muestrales (iq 3p Xe) estén
{Uiscntemente alejados ono, Laimplicacién de “suficientementealsjadoes os ay
importante Pareceriarazonable que’ la variabiidad enc os rome teg mace,
tes es mayor que lo que se esperatia por casualida, los datos to apoyan lo conchae
Sién de qué #2, = ity = 14¢. Que estos promedios muestrales pudieran ocurrit por
cgsualidad depende de la veriabilided dentro de las nuesirs, como evantcan es
e-¥ sc_ Ta nocidn de los componentes importantes de la variabilidad se ve mejor
Por medio de algunas graficas simples, Considere la grfica de les datos originates
de las mucstras A, By C, que se muestran en la figura 816. Estos datos podtfan ae
erat con facilidad la informacién resumen anterior
AAAAAA jp Aamo Ase + aasccasc cece
Figure 8.16 Detos de ties muestras diterentes
Parece evidente que los datos vienen de distribucionescon diferentes medias de
poblacién, aunque hay alguna superposicion entre las muestias. Un andlisis que in-
luya todos los datos intentarfa determinar si la variabilidad entre los premedion
‘muesirales y la variabilidad dentro de las muestras podria haber ocurrido conjunta
mente si de hecho las poblaciones tienen tra media comin. Notese que la clave para
este analisis se centra alrededor de las dos siguientes fuentes de variabilidad.
1. Variabilidad dentro de las muesteas (entre observaciones en distintas muesias).
2. Variabilidad entre muestras (entre promedios muestrales),
Claramente, sila variabilidad en (1) es considerablemente mayor quella de (2) habré
tuna considerable superposicién en los datos de la muestra y una seftal de que los da-
tos podrfan provenir de una distribuci6n comin, Se encuentra un ejemplo en el con-
junio de datos que contienen ires muestras,y que se puede ver ela figura 8.17. Por
$tro lado, es muy improbable que los datos de una distribucioncon una media comin
puedan tener variabilidad entre promedios muestrales que sea considerablemente
‘mayor que la variahilidad dentro de las muesiras
_ABCBCC ACACCBCACABAB ABCAGABABEC
ie
lad podtian venir do ln misma pablecion,
Figura 8.17 Datos que con f
ssfuentes de variabilidad en (1) y(2) anteriores generan importantes razones,
fe saranaas rosciotery Ia zones so utlzne justo €oa la Gl\BUSA El pk
cedimiento general involucrado se llama andlisis de varianza, Es interesante que en236
Capmuio & Distriouciones tundamentales de muestreoy ceseripciones de cates
remos de
les aqui pero en loscapitulos 13,14 y 15 heremos un uso extenso dl sng
lisis de varianza ¥, por supuesto, a distribucion F juega un papel importante
Ejercicios
eS
istribuciga ji cuadrada enewentse
2. Para una distribucion jreundraca encuentre 0
guente
(a) jas cuando 0
(b) jeccuando.n
(6) tem cuando » = 12.
3, Pari una distrbucion ji cuadrads encuentre yi
tal que
(a) PO? > x
(b) PO? > 42) = 0.025 cuando v = 19;
(e) PGT652 < X* < y;) = 01.045 cuando v = 25.
4, Para una distribucin ji euadrada encuentre y3
10
5, Encusntre la probabilided de que wna muestra
aleatoria Ge 25 observaciones, de una poblacién nor-
‘mal con varianza a” ~ 6, tenga vna varianza
(a) mayor que 9.1
(b) entre 3.462 y 10.715,
Suponga que ls varianzas mucstrales son mediciones
66. Las calificaciones de un examnen de colocacion
«que se aplicda estudiantes de primer an de licencia-
tra durante los ultimos cinco ao» estén sproxima-
damente distibadas deforma normal con una media
y= Tay una varianza o° = 8 ,Consideraris ainque
oF = Bes un valor valid de la varianza si una mucs-
{a aleatoria de 20 estudiantes que realizan este exa-
‘men de colocacion este ano obtienen un valo de
a2
‘Mestre que la varinza de S* para muestra
torias de tamafo n de una poblacién normal disminu-
ye conforme ns: hace grande. SUGERENCIA: primero
encuenize Ia varianza de (n ~ 1)S°/¢
AL (a). Encuentre fan cuando v
(b) Eneuentre ~ faye cuando
(6) Eneuentre fy Cuando
9. (a) Enoventre P(T
(b) Encuentre P¢7
[c) Encucntee *(
12,
[d) Encuentre P(T > ~2.567) cuando »
10. (a) Encuentre P(~tyas S T= fu)
(b) Eneaentre PC > —
< 2.365) euando » =
1.318) cuando v = 24
1356-< <2.) cutedo p=
v.
fous)
11, Dada una muestra aleatoria de tama 24 de ne
listribucion normal, encuentre ktal que
(a) P(-2069 < T< k) = 0.68:
(b) Pk = P< 2.807) = 0.095;
(e) PUK < T= A) = 090.
12, Unsempresa manufacturera afirma que lasha
ras que utiliza en sus juegos electr6nices duran ix
promedio de 30horas. Para mantener este promed,
Se pruehan 16 baterias cada mes Si el valor ueie
caleula ene entre ~yis ¥fgs. Ia empresa queda
tislecha con su afirmaci6n. , Qué conchisiones ene
nprecs de una muestra que tiene una medinde
17.8 horas y uma desviacién estindar de s=§
hhoras? Suponga que la dstribucin de las duracons
de las baterias es aproximadamente normal
43. Uns poblacion normal on varia desconot
tiene una media de 20, Se ene posted dob:
ner a mwestaalatora de tat 9 dee pot
on con una media de 24 y una desvincin exit
{Ges.17 S420, gue vencuson sxaa?
14, Unfabricartedecierta mare de tara ee
bajo en grase afrma que su contenido prometio de
gras saturada e505 gramos. En ura est 356
Tia de 8 arras de crea! de esta marca ct content
de grasa saturada fue 0.6, 0:7, 07, 0.3, 08, 05 04¥.
(020 Estria de acuerdo conf aftmaciea?
46. Para ina dstrbucidn Feneuertre:
@) fomcom r= 7 05 = 15:
(5) focom r= 1Sy 0s = 7:
(6) foo com r= 24905 = 195
(0) foseon r= 199 0 = 2K
(6) foscom r= 28905 = 12
16, Prucbas de resistencia a ja traccion
bbls conductores soldados para un dispsiconductor daa los siguientes resultadosen thea fucr
za requeridas para romper la unioe:
19S 127 132 169 106
I88 M1 143 170 125
Otro conjunto de ocho cables conductores se probs
después del encapsulado para determinat sila resis
tencia ala traccicn habia aumentado debido al eneap
sulado de! dispositivo, con los siguientes resultados,
ue
24 216 218 225
Ejercicios de repaso
Seccion 8.8 DiswitucenF — 237
Haga comentarios sobre Ja evidencia disponible
‘con respecto a la igualdad de las dos varianzas de
poblacion,
17. Considere las siguientes mediciones de la eapaci-
dll de produccisa de calor del carbon producido por
‘dos minas (en millones de ealorias por tonelada)
Mina 1: 8260 8130 8350. 307 S340
Mina 2: 7950. 7890 7900 8140 7920 7840,
Se puede coneluir que las dos varianzas de poblacion
oo
4. Considere los datos que se muestran en lejerci
cio 3.a continuacion de la seccién 3.4. Construya una
agrifica de caja y extensidn y comente la naturaleza de
la muestra. Caicule la media muestral y la desvincisn
cesténdar de la muestra
2. Si.X), %5....,.4, son variables aleatorias inde
pendientes que tienen distribuciones exponenciales
idénticas con parimetro g, muesire que la funcién de
densidad de la variable aleatoria ¥ =X, + X
+ +X, es la de una distribucién gamma con paré
metros a = ny p= 0.
3. Al probar el mondxido de carbono en cierta mar
‘cade cigarrillos. los datos, en miligramos por cigari
Mo. se codificaron al restar 12 de cada observacién
Utilice los resultados del cjercicio 14 6c a pigina 208
ara encontrar fa desviaciOn estindas del contenido
de mondxido de carbono de una muestra aleatoria de
TScigarillos de esta marca sas mediciones cox
das son 38, ~0.9, 54, 45, 5.2. 36, 27, ~011, -03,
“17.57,33,44,-05.y 19.
4. Si 5? y 5? representan las varianzas de muestras
Aleatorias independientes de tamafio m, = By n= 12
tomadas de poblaciones normales con varianzas igua-
les. encuentre P(S?/S? < 489)
5. Una muestra alestoria de cinco presidentes
‘de bancos indican salarios anuales de $163,000,
‘148,000, $152,000; $135,000 y $141,000, Encvemtre
Ja varianza de este conjunto.
6. Sicl nimero de hurncanes que arotan cierta dre
Uel este de Estados Linidos por afto es una variable
aleatoria que tiene une distribuciin de Poisson con
= b.encuentte la probubilidad de que esta dtea sea
aeotada por
(a) exactamente 15 huracanes en dos aos
() alo mds 9 huracanes en dos anos.
7. Una compaiia de taxis prueba una muestr alea
‘oria de 10neumstices radiales con einturones de ave
ro de cierta marca y registra as siguientes duraciones
48.000, 53,000, 45,000, 61,000, $9,000, $6,000, 63,000,
49.000, 53.000, y $4,000 kilémetros. Utlice los resul
tados del ejercicio 14 en la pagina 208 para eacontrar
ion estndas de este conjunto de datos al di
ha dessi
vidlir primero cada observacisn entre 1000 y después
resiar 5.
8. Considere fos datos del ejersicio2 que sigue de la
seccién 3.4. Construya una grafica de caja y extension,
Haga comentarios. Calcule Ia media muesiral y Ia
desvioeién estindar muestal
9. SiS} y 8? reprosentan las varianzas de muestras
sleatorias independientes de tamano m = 28 y ny —
jones normales con varianzas
respectivamente, encuenire
10, Considere el ejercicio 9, Comente cualquier dato
apartado.
11. Considers In revisidn del ejercicio 1. Comente
cualquier dato apartado en el conjunto.Problemas
de estimacion
de una y dos
muestras
9.1_Introduccion
En les capitulos anteriores enfatizamos las propiedades del muestreo de la meda
muesiral y de la varianza muestral, También enfatizamos las representaciones de
Gatos en varias formas. El propésito de estas presentaciones es la construecion de lig
bases que permitan a los estadisticos extraer conelusiones acetea de los parmettes
ce la poblacién a partir de los datos experimentales, Por ejemplo, el teorema del
limite central proporciona informacidn sobre la distribucidn de la media muestra
*. La distribucién involucra la media de la poblacién y. Asi, cualesquiera corcli-
siones que se extraigan con respecto a 4x a partir de un promedio muestral observ.
do deben depender del conocimiento de su distribucién muestral. Comentarios
similares se podrian aplicar a S* y 0°. Resulte claro que cualesquiera eonclislones
gue obtengamos acerca de la varianza de una distribucion normal probablement®
la distribucion mucstral de $2
En este capitulo comenzamos por sefalar de manera formal el propésito lit
ferencia estadistica. Seguimos con la presentacién del problema de la estimncién de lot
Parimetros de la poblacién, Restringiremos nuestros desarrollos formales de los ©:
cedimientos especificos de estimacién a problemas que involucten una y dos muestas
9.2_Inferencia estadistica
En el capitulo 1 presentames la filosofia general de la inferencia estadintica formal
{La teorfa de In inferencia estadistica consiste en aquellos métodos por los que 8° F2
238Secclin 83 Mutodos clisicos de osimacién 239
Iizan inferencias 0 ger
la cistincion entre el
por medio del eual ia
‘obtiene de una muse
‘no, que utiliza e1
eralizcions acerea de una poblacion, La tendencia actual
Imétodoelisio de extimacion den pardmetro des bless,
s infrencian ve basan de manera esta en informacoe a
ra aleatoria selcsionada de la pablacdn vel metals have
cemocinicmi sujetivo presio sabre la distibucon de roberto)
dt los pardmetrosdesconocidos junto con la informacion que pence
20 dela mayor parte de est capitulo utitzaremer lee me
todos elisicos para estimar los pardmetos dela pahlaein descononene ae
meu, ls proporcion y la arianza mediante el eielo de ested orn
aleatorasy la aplicacion de la eoria de ls distribuciones mucstaee meaeak
cual secubreenel capitulo & La estmacion beyesana sedans one nga
{a inferenia estaistica se puede dvdr en don nee prinpaes atnaaiony
Drucbas de hipétesis.Trataremon estas dos sius pr sepanaco, on este cepiale
traarén lator yas aplicaciones de a esimaein: te puade pole
e=pitulo 10, Para dstingur ctaramente entre las dos Areas, consider los slate
sjempls, Un candidatoa un pueso pubico puede dewar estimar hn wrdecen pee
porein de votantes que lo favoreceran mediante laobtenion de las onion de
una muestra aleatria de 100 votanes La traccin de votanes ena sees ue
favoreceran al candidato se podria utilizar como una estimacion dels verdadees
Proporeén en la poblacia de votanes. El conovimient dela dntiocicn muse
tral de una proporién nos permite establecerel grado de presn de nacre co
maci. Este problera ca one ea de la estes,
Considere ahora el caso nel que se esi interesado em encnttar sila marca A
de cera para piso es ms resstente al desgaste qu la mateaB.Se pede pana
hipstesis de que la mares es mejor que la mara By, despues de ln prueba prop
da, aceptaro rechazar sia hipotesh. Enest ejemplonointeatamos esimar Un parks
metro sino que ea realidad tatamos de Hegara una dessin correia acerea de una
hipotesispreesiabecida. Una ver mésdependeios de la eoria del muesteoy de wo
de dates gue nos proporconen alguna medicin dela precsdn de mista deck.
93 Métodos clasicos de estimacién
Una estimacién puntual de alzin pardmetro de la poblacién @ es un solo valor @
de una esiadistica @. Por ejemplo, el valor r de Ia estadistica X, que se caleula a
partir de la muestra de tamafio n, es una estimaciéin puniual del parametro pobla-
ional #. De manera similar, = x/n es una estimacién puntual de la verdadera
roporcin p para un experimento binomial
ENO a cpera que un calimador reac la calimocin del pardacro poblaionl
sinertor. Noesperamos que X estime 1 exactamente, sino que en realidad esperamos
que no esté muy alejado. Para una muestra particular es pesible obtener un estimado
mis cercano de mediante uso de la mediana de la muestra X como un estimador.
Considere, por ejemplo, una muestra que consisia en los valores 2,5.y 11 de una po-
blacién cuya media es 4 pero supuestamente se le desconoce. Estimariamos a como
; = 6,con el uso de la media muesiral como nuestra estinacién, 0.& = 5,con el uso
de la mediana muesiral como nuesira estimacidn, En este caso el estimador X pro-
dice una estimacién més cercana al verdadero pardémetro que la del estimador X.240 Capiuto's Probiemas de estmecion de una y des muestras
or otro lado, si nuestra muest
aleatoriacontiene los valones2. 6 ¥ 7, entnog
nor 1p que abora ese mejor estimador, Al no canoe even
slew, cebemos deciair de antemanosi se utiliza ¥'o X como nuestro eatineas
Estimador insesgado
{Cuiles son las propiedades deseables de u
Buirén sobre nosotros para cleir un estimador en lugar de otto? Sea 6 unceint,
dor cayo valor 0 es una estimacion puntual de alain parimeto poblacony
También podría gustarte