Puedes no imprimir este archivo y consultarlo en formato digital, ahorrars papel y tinta.

Si decides imprimirlo, por favor hazlo en papel reciclado, a doble cara y con poca tinta. S ecolgico. Muchas gracias.

E ercicios y problemas resueltos de

!nferencia Estad"stica
!n English

Probabilidad de sucesos
E ercicio #ps E ercicio $ps E ercicio %ps

Estimacin puntual
Propiedades de estad"sticos y estimadores &esperanza, varianza, eficiencia, consistencia...' E ercicio #ep(p E ercicio $ep(p E ercicio %ep(p E ercicio )ep(p Mtodos &m*ima verosimilitud y momentos' E ercicio #ep(m E ercicio $ep(m E ercicio %ep(m E ercicio )ep(m E ercicio +ep(m E ercicio ,ep(m

!ntervalos de confianza
E ercicio #ic Poblaciones normales &cual-uier tama.o muestral, intervalos e*actos' E ercicio #ic(e E ercicio $ic(e E ercicio %ic(e E ercicio )ic(e /uales-uier poblaciones &tama.o muestral grande, intervalos asintticos' E ercicio #ic(a 0ama.o muestral m"nimo E ercicio #ic(t

/ontrastes de hiptesis
E ercicio #ch /ontrastes paramtricos E ercicio #ch(p E ercicio $ch(p E ercicio %ch(p /ontrastes no paramtricos E ercicio #ch(np

1eferencias

Puede encontrarse algo de teor"a en 2#3 y 2$3.

E ercicios y problemas resueltos de !nferencia Estad"stica 4 #

Probabilidad de sucesos
Ejercicio 1ps
Supn que diriges un banco donde las cantidades de depsitos y reintegros diarios estn dados por variables aleatorias independientes con distribucin normal. Para los depsitos, la media es $12.000 y la desviacin estndar es $4.000 para los reintegros, la media es $10.000 y la desviacin estndar es $!.000. "a# Para una semana, calcular o acotar la probabilidad de que los cinco reintegros sumen ms de $!!.000 "b# Para un d$a particular, calcular o acotar la probabilidad de que los reintegros e%cedan a los depsitos en ms de $!.000 &magina que vais a lan'ar un nuevo producto mensual. (l estudio prospectivo indica que los bene)icios "en millones de dlares# se comportan como la cantidad aleatoria * + ",-1#.2,/2!, donde , sigue una distribucin t de Student con veinte grados de libertad. "c# Para un mes particular, calcular o acotar la probabilidad de que los bene)icios sean menores a uno "un milln de dlares#.
&5a mitad del enunciado de este e ercicio ha sido tomada del libro 0usiness Statistics, 6ouglas 6o7ning y 8effrey /lar9, :arron;s.'

!dentificacin de variables y distribuciones< 6el enunciado sabemos -ue

$ 1 2 ( 1 =#$.=== , $ 1= ).=== )

$ 3 2 ( 3 =#=.=== , $ 3 = +.=== )

donde 1 y 3 representan las variables aleatorias depsitos diarios and reintegros diarios, respectivamente. &Para evitar posibles malentendidos futuros, desde el principio escribimos las varianzas 4no las desviaciones estndar4 en las e*presiones de las distribuciones.'

(a) /omo las variables son diarias, para una semana tenemos cinco medidas de ellas &una por cada d"a
laborable'. 0raduccin al lengua e matemtico< Se nos pregunta por la probabilidad P ( 3 #+ 3 $+ 3 %+ 3 )+ 3 + > ++.=== )= P ( i=# 3 i > ++.=== ) :>s-ueda de una distribucin conocida< Para calcular o acotar esta probabilidad, necesitamos conocer la distribucin de la suma o, alternativamente, relacionarla con una cantidad cuya distribucin conozcamos. ?tilizando las reglas -ue gobiernan las sumas y restas de variables normales,
+

i=# 3 i 2 (+ 3 , + $ 3).
1eescritura del suceso< Podemos reescribir fcilmente el suceso en trminos de la versin estandarizada de esta distribucin normal< P ( i=# 3 i> ++.=== )= P
+

i=# 3 i+ 3 ++.=== + 3 > + $3 + $3

=P 4 >

++.=== +=.=== = P ( 4 > =,))@$) ++.===$

/onsulta de la tabla< Ainalmente, es suficiente consultar la tabla de la distribucin normal estndar de 4. Por un lado, en la tabla nos proporcionan valores para los cuantiles =,)) y =,)+, por lo -ue podr"amos redondear el valor =,))@$ al ms cercado, =,)+, o, ms e*actamente, vamos a acotar la probabilidad. Por otro lado, la tabla incluye las probabilidades de las colas inferiores, por lo -ue consideraremos el complementario de algunos sucesos. B partir de un dibu o de la funcin de densidad y los valores, es fcil deducir -ue

P ( 4 > =,)) )> P ( 4 > =,))@$ )> P ( 4 > =,)+ )

# P ( 4 =,)) )> P ( 4 > =,))@$ )> # P ( 4 =,)+)
E ercicios y problemas resueltos de !nferencia Estad"stica 4 $

#=,,@== > P ( 4 > =,))@$ )> # =,,@%,

=.%%== > P ( 4 > =.))@$)> =.%$,)

Entonces, =,%$,) < P

+ i= #

3 i > ++.=== < =,%%==

Cota< Es tambin posible relacionar la suma con la media muestral, y utilizar su distribucin

P ( i=# 3 i> ++.=== )= P (

D

# + # > ##.===) 3 i> ++.=== )= P ( 3 i = # + +

E

$ # + 3 = i=# 3 i 2 (3 , 3 ) + +

3 3

3 +

2 (=,# ) .

(b) 0raduccin al lengua e matemtico< Se nos pide la probabilidad P ( 3 > 1 + +.=== )

:>s-ueda de una distribucin conocida< Para calcular o acotar la probabilidad, reescribimos el suceso para -ue todas las cantidades aleatorias estn en el miembro iz-uierdo de la desigualdad<

P ( 3 > 1 + +.=== )= P ( 3 1> +.=== )

Bhora necesitamos conocer la distribucin de 3 4 1 o, alternativamente, alguna cantidad -ue involucra a esta diferencia y cuya distribucin es conocida. ?tilizando de nuevo las reglas -ue gobiernan las sumas y restas de variables normales< $ $ $ $ 3 1 2 ( 3 1 , 3 + 1 )= 2 ($.=== , +.=== + ).=== ) . 1eescritura del suceso< Podemos e*presar fcilmente el suceso en trminos de la versin estandarizada de esta distribucin normal< P ( 3 1 > +.=== )= P

( 3 1 )( $.===)

@#=% > = P (4 > )= P ( 4 > #,=F%$ ) $+ + #,#=% $+#=, + #,#=, $+#= ,+ #,#= , +.===($.=== )

/onsulta de la tabla< Ainalmente,

P ( 4 > #,=F==)> P ( 4 > #,=F%$)> P ( 4 > #,#=== )

# P ( 4 #,=F== )> P ( 4 > #,=F%$ )> # P ( 4 #,#=== )

#=,G,$# > P ( 4 > #,=F%$)> #=,G,)%

=,#%@F> P ( 4 > #,=F%$ )> =,#%+@ Entonces, =,#%+@< P ( 3 > 1+ +.=== )< =,#%@F ,+# , ,+# #= < ##=, = P <# (c) 0raduccin al lengua e matemtico< Cos preguntan por P

( $,%$+

) ( $,%$+ )

:>s-ueda de una distribucin conocida< Co conocemos la distribucin de &,-1'.2,/2!, pero sabemos -ue , t $= 1eescritura del suceso< Podemos reescribir fcilmente el suceso en trminos de esa distribucin conocida< P ,+# < #) = P ( , + # < $,%$+ )= P ( , < $,%$+ #)= P ( , < #,%$+ ) ( $,%$+

/onsulta de la tabla< Ainalmente, es suficiente consultar la tabla de la distribucin t de Student. 5a cantidad #,%$+ est en la tabla, y nuestra tabla proporciona las probabilidades de las colas inferiores, por lo -ue
E ercicios y problemas resueltos de !nferencia Estad"stica 4 %

,+# #= < ##= ) ==,F== ( $,%$+

, ,

Ejercicio 2ps
5uando un proceso de produccin est )uncionando correctamente, la resistencia "en o6mnios# de los componentes que produce sigue una distribucin normal con desviacin t$pica 4,78. Se toma una muestra aleatoria simple de cuatro componentes. 95ul es la probabilidad de que la cuasivarian'a muestral sea mayor que /0: Hariable ; I 1esistencia &de un componente' Muestra y estad"stico ;#, ;$, ;%, ;) &Se mide la resistencia en cuatro componentes distintos.' S 2= Suceso y probabilidad 5a probabilidad por la -ue nos preguntan es
n 1 )2 ( Ri R i = 1 n 1

; J C&K, L M ),,G'

/uasivarianza muestral

P ( S 2> 30)
Para calcular la probabilidad de un suceso, tenemos -ue conocer la distribucin de la variable aleatoria involucrada. En este caso no conocemos la distribucin de S 2 , aun-ue sabemos -ue como ; sigue una distribucin normal< ( n 1 ) S 2 2 n 1 2 Entonces, dado -ue n M ) y completando la desigualdad con las constantes necesarias< ( n1 ) S 2 ( n 1) 30 ( 4 1 ) 30 P ( S > 30)= P > = P > = P (> 4,11 ) 2 2 4,682
2

) (

donde 2 3 . Por tanto, vemos -ue la idea importante del e<ercicio es escribir el suceso que nos piden y operar para conseguir una cantidad en la que apare'ca la cuasivarian'a y cuya distribucin sea conocida. 0abla de la distribucin i(cuadrado /omo n4#M)4#M%, es suficiente mirar la tercera fila.

2 5as probabilidades de la tabla corresponden a sucesos de la forma P X 2 p , &o P X p , dado -ue la distribucin es continua', as" -ue hay -ue considerar el complementario<

P , 4,11 =1 P , 4,11 =10,75 =0,25

E ercicios y problemas resueltos de !nferencia Estad"stica 4 )

Ejercicio 3ps
5alcular las siguientes probabilidades= "a# P&, + !', donde , sigue una distribucin binomial con parmetros 10 y 0,2. 0usca el valor en la tabla y comprueba que es correcto utili'ando la )uncin de masa de la distribucin. "b# P&, > 2', donde , sigue una distribucin de Poisson con parmetro ? + 2,@. 9(s ms )cil considerar el suceso complementario:

(a) Si la tabla -ue ests utilizando da probabilidades individuales P& , M %', basta buscar la probabilidad -ue
corresponde a los valores de los parmetros A M #= y p M =,$< P&, + !' M =,=$,). Si la tabla da probabilidades acumuladas P&, N %', debe reescribirse el suceso como { , =+ }={ , + }{ , ) } , por lo -ue P ( , =+)= P ( , +) P ( , ) )= =,=%$G=,==,) ==,=$,) . Si no tuvisemos ninguna tabla, podr"amos aplicar la definicin de la funcin de masa< P ( , =+)= ) (+ )= #= =.$+ ( # =.$ )#=+= $+$=,#, +==,=$,) . + (b) Si la tabla proporciona las probabilidades acumuladas de las colas inferiores P&, N %', debe considerarse el complementario del suceso< { , > $ }={ , $ }c , de donde

( )

P ( , > $ )=# P ( , $ )=#=,)F%, ==,+=,).

Estimacin puntual
Propiedades de estadsticos y estimadores
Ejercicio 1ep-p
Para estudiar una poblacin, consideramos un estad$stico B que utili'a la in)ormacin contenida en la muestra aleatoria simple X + ",1, ,2,...,,n#, donde el modelo poblacional , sigue una distribucin <iC cuadrado con tres grados de libertad. Si # , B ( X )=B ( , # , , $, ... , , n)=$ , calcular su esperan'a y su varian'a. 5omo estimador del doble de la media de la ley poblacional, 9es B un estimador consistente en media cuadrtica: 5alcular el error cuadrtico medio de B.
Pista= Si , sigue una distribucin <iCcuadrado con m grados de libertad, E",# + m y Dar",# + 2m.

Para calcular el valor de estas dos propiedades de la distribucin en el muestreo del estad"stico B, tenemos -ue aplicar las propiedades de la esperanza y de la varianza de las distribuciones de probabilidad. El conocimiento sobre la distribucin de , se utiliza en los >ltimos pasos. Esperanza< E ( B ( X )) = E $ =

([

# n $ n , # = E E , E ( #)= $ i n i=# n i= # i n

] ) (

n i=#

, i #

$ n $ E ( , i )#= n E ( , )#=$%# =+ i = # n n

E ercicios y problemas resueltos de !nferencia Estad"stica 4 +

Harianza< Dar ( B ( X )) =Dar $ = /onsistencia< Bun-ue la varianza de B tiende a cero cuando n crece, la esperanza de B no tiende a $ E ( , ) . Entonces, B no es un estimador consistente en media cuadrtica del doble de la media de la distribucin poblacional . B partir de esta informacin &par de condiciones', no se puede decir nada sobre la consistencia en media de orden # y la consistencia en probabilidadO estos tipos de consistencia deben ser estudiados por un camino diferente. Error cuadrtico medio< /omo b ( B )= E ( B )$ E ( , )=(+ $% )$=# , ES( ( B )=#+ Podemos ver -ue ES( ( B ) # cuando n . $) . n

([

# n $ n $ , # = Dar ,i = Dar i i = # i = # n n n

] ) (

)()

i =#

,i =

n ) Dar ( , i) n $ i= #

) ) $) n Dar ( , )= $%= $ n n n

ndependencia de !i &muestra aleatoria simple'

Ejercicio 2ep-p
Fna muestra aleatoria simple de tamaGo n es e%tra$da de una poblacin normal. Ha media I puede estimarse con ,. Probar que este estimador es e)iciente. Es necesario probar -ue se verifica la definicin de e)icacia< Definicin &a' 5a esperanza de P es K, esto es, P es insesgado &b' P tiene m"nima varianza, lo -ue sucede 4debido a un resultado terico4 cuando Dar&P' alcanza la cota m"nima terica de /ramr(1ao # nE

[(

log [ ) ( , )]

)]
$

o, ba o condiciones de regularidad#, nE

$ log [ ) ( , )] $

donde ) ( % ) es la funcin de probabilidad de la ley poblacional &en este caso Q M K', y en ) ( , ) la variable no aleatoria % se sustituye por la variable aleatoria , &en otro caso, no es posible hablar de esperanza...'.
#

. Es necesario -ue log [ ) ( % )] sea dos veces diferenciable con respecto a Q. En lo concerniente a las condiciones de regularidad, la Ri9ipedia refiere &http<SSen.7i9ipedia.orgS7i9iSAisherTinformation' a la ec. &$.+.#,'. de
5ehmann, E. 5. and U. /asella &#FFG'. B6eory o) Point (stimation. Springer. $nd ed. !S:C =(%G@(FG+=$(,.

(a) 5a esperanza de la media muestral siempre es 4para cual-uier poblacin4 la media poblacional. Sin
embargo, podemos hacer los clculos de nuevo<
n )= E # i=# , i = # E E(, n n

n i =#

,i =

# n # E ( , i ) = n E ( , ) = E ( , ) = i = # n n

E ercicios y problemas resueltos de !nferencia Estad"stica 4 ,

(b) 5a varianza de la media muestral siempre es 4para cual-uier poblacin4 la varianza poblacional dividida
por n. Sin embargo, podemos hacer de nuevo los clculos<
n )=Dar # , i = # Dar Dar ( , n i= # n

ndependencia de !i &muestra aleatoria simple'

)()

n i= #

,i =

# n # $ Dar , = n Dar ( , ) = ( ) i n n $ i= # n$

Por otro lado, calculamos la cota m"nima terica de /ramr(1ao paso a paso< &#' Auncin
# ) ( , )= e $ ( , ) $ $
$

&$' 5ogaritmo de la funcin<

# log [ ) ( , )]=log ( )+ log ( e $

( , ) $ $

( , )$ )=log ( $ ) $ $

&%' 6erivada parcial del logaritmo de la funcin< ( log [ ) ( , )]) = = # $ ( , )(# )= , $ $ $ &)' Esperanza del cuadrado de la derivada parcial del logaritmo de la funcin< E

[(

log [ ) ( , )]

) ]= E[(
$

, $ #

)]
$

$ # # # # E [ ( , ) ] = ) Dar ( , )= ) $= $ )

&+' /ota m"nima terica de /ramr(1ao<

nE

[(

log [ ) ( , )]

)]
$

$ # = # n n $

5a varianza del estimador alcanza &es igual a' la cotaO entonces, el estimador tiene varianza m"nima y &b' -uda probada. El cumplimiento de &a' y &b' implica -ue ! es un estimador eficiente de ".
Cota< Supongamos -ue se puede aplicar la segunda e*presin de la cota de /ramr(1ao &vlida ba o ciertas condiciones de regularidad'O entonces, el paso &%' ser"a

$ ( log [ ) ( , )] ) = , = # (#)= # $ $ $ $
el paso &)' ser"a

E
y, finalmente, el paso &+' ser"a

$ log [ ) ( , )] # # = E $ = $ $ #

] [ ] ]
=

nE

log [ ) ( , )] $

$ # = # n n $

6e este modo, habr"amos obtenido el mismo resultado con clculos ms fciles, aun-ue el cumplimiento de las condiciones de regularidad debe verificarse antes...

Ejercicio 3ep-p
Para estudiar la media de una poblacin, es decir, I + E",#, se considera una muestra aleatoria simple de tamaGo n. 2o con)iamos en los datos primero y Jltimo, por lo que estamos interesados en el estad$stico

E ercicios y problemas resueltos de !nferencia Estad"stica 4 @

B ( X )= B ( , # ,

, , n) =

n# , $+ , % +!+ , n# # # , = ( , + , +!+ , ) = i $ % n # n $ i =$ n $ n $

5alcular la esperan'a y la varian'a del estad$stico. 5alcular tambiKn el l$mite cuando n tiende a in)inito. 6eben aplicarse las propiedades bsicas de la media y la esperanza< # # # ( , + , +!+ , ) )= E ( , )+!+ E ( , ) ) = ( n $ )= ( ( n $ n $ n $ # # # Dar ( B ( X ) ) =Dar ( ( , + , +!+ , ) )= Dar ( , )= ( n $ ) = n $ n $ ( n $) ( n $ ) E ( B ( X )) = E
$ % n# $ n #
n # i=$ $ $ $ % n# $ i $

/uando n crece mucho, esto es, cuando la muestra tiene cada vez ms informacin, los l"mites son

lim n E ( B ( X ) ) =lim n =

$ lim n Dar ( B ( X ) ) =lim n == n $

Esto muestra -ue B&X' tiene algunas propiedades deseables< insesgadez y varianza evanescente, par -ue es e-uivalente a la evanescencia del error cuadrtico medio, -ue implica la consistencia &en probabilidad'.
Cota< 6e hecho, el estimador del enunciado is la media muestral usual cuando la muestra tiene n4$ datos, en vez de n. /uando alguno de los dos datos -uitados no es confiable, tiene sentido utilizar este estimadorO en otro caso, no e*plota la informacin disponible de forma ptima. Por otro lado, la media muestral puede verse afectada por valures muy grandes o muy pe-ue.os & at$picos'. Para hacer robusta a la media muestral, a veces se considera el estimador estudiado despus de ordenar los datos &de menor a mayor o viceversa'O si ,&i' es el i(simo dato de la muestra reordenada<

" ( X )= B ( , # , B

, , n) =

n# # # , = ( , + , ( %) +!+ , ( n#) ) n $ i =$ (i ) n $ ( $)

Este nuevo estimador robusto de la media poblacional se llama media muestral truncada, y cual-uier proporcin de datos puede de arse fuera &en vez de dos'.

Ejercicio #ep-p
Suponga que la altura de cada estudiante sigue una distribucin normal con varian'a !! cent$metros. Si se considera una muestra aleatoria simple de 2! estudiantes, calcular la probabilidad de que la cuasivarian'a muestral sea mayor a 74,72!. 5a variable principal es la altura, la distribucin poblacional es la normal, el tama.o muestral es $+ &menor a treinta', y se nos pregunta por la probabilidad de un evento e*presado en trminos de un estad"stico< $ P ( S > ,),,$+ ) . /omo no conocemos la distribucin en el muestreo de S$, no podemos calcular esta probabilidad directamente. En su lugar, nada ms leer Vcuasivarianza muestralW deber"amos pensar en el resultado terico ( n # ) S $ $ n # . $ Para aplicarlo, el suceso debe reescribirse completando algunos trminos. Bdems, cuando la tabla de la distribucin i(cuadrado da la probabilidades de las colas inferiores P& , N %', es necesario considerar el suceso complementario< P ( S $ > ,),,$+ )= P

( $+# ) S ( $+#) ,),,$+ > =# P ( , $G,$ )=# =,@+==,$+ . ++ ++

E ercicios y problemas resueltos de !nferencia Estad"stica 4 G

$%todos
Ejercicio 1ep-m
Fna poblacin es representada por una variable aleatoria que sigue una distribucin de Poisson. 1ada una muestra aleatoria simple de tamaGo n, aplicar el mKtodo de m%ima verosimilitud para encontrar un estimador del parmetro L. &#' Auncin de probabilidad< Para una variable aleatoria de Poisson &Q X =', ) ( % )= e , %M &$' Auncin de verosimilitud< H ( % #, % $,... , % n )=$i =# ) ( % i )=$i =# &%' 5ogaritmo de la funcin de verosimilitud< log [ H ( % #, % $,... , % n )]=log [
i= # % i
n

% #{=, #, $... }

e= e e ! e= en . n %i M %# M %$ M %n M $i=# % i M

%i

%#

%$

%n

i=# %i

]+ log [ en ]log [$i =# % i M ]=( i=# % i ) log [] n log [$ i=# % i M ].

&)' M*imo del logaritmo de la funcin de verosimilitud< 5a distribucin poblacional tiene slo un parmetro, por lo -ue es necesario ma*imizar una funcin de una variable. Para encontrar los VcandidatosW &valores e*tremos locales'< n # # n = = log [ H ( % #, % $,... , % n )]=( i=# % i ) n E = = i=# % i = %. n Para verificar -ue el candidato es un m*imo &local'< $ log [ H ( % % , % )]=( n % ) # < = i =# i $ #, $,... n $ dado -ue % #{=, #, $... } E i=# % i %= . Entonces, la segunda derivada is siempre negativa< tambin para = . Sin embargo, si sustituimos el candidato en la derivada &% M = solo para una Vmuestra muy e*tra.aW'<
n # # # n n ( i=# % i ) $ = n % $= < =. n % ( %) ( %) n

&+' Estimador por el mtodo de m*ima verosimilitud< Se obtiene despus de sustituir las letras min>sculas %i &n>meros -ue representan 5B muestra -ue tenemos' por letras may>sculas ,i &variables aleatorias -ue representan /?B5Y?!E1 posible muestra -ue podamos tener'< & EH= # , i = , . n i= #
n

E ercicios y problemas resueltos de !nferencia Estad"stica 4 F

Ejercicio 2ep-m
Fna variable aleatoria poblacional tiene la )uncin de densidad &L > =' ) ( % )=

$ ( % ) $ =

= % Nt6erOise

1ada una muestra aleatoria simple de tamaGo n, aplicar el mKtodo de los momentos para encontrar un estimador de L. &#' Momentos poblacionales centrados y momentos muestrales< 5a distribucin poblacional tiene slo un parmetro, por lo -ue slo se igualarn los primeros momentos. '# ()= E ( , )=( % ) ( % ) d% =(= %
+

$ ( % ) $ d% = $ $

( (= % d% (= % $ d% )

$ % $ % % $ # # = $ [ [= = $ = $ = = $ % $ % , %

) (

a # ( % # , % $ , ... , % n )=

# n % n i=# i

&$' Sistema de ecuaciones< '# ()=a # ( % # , % $ , ... , % n) E # # n = i=# % i % n E = = % n % =% % n i=# i

&%' Estimador por el mtodo de los momentos< Se obtiene despus de sustituir las letras min>sculas %i &n>meros -ue representan 5B muestra -ue tenemos' por letras may>sculas ,i &variables aleatorias -ue representan /?B5Y?!E1 posible muestra -ue podamos tener'< & EE = % , i=% , . n i=#
n

Ejercicio 3ep-m
1ada una poblacin, se estudia una variable aleatoria con )uncin de densidad &distribucin e%ponencial' ) ( % )=

e % % %= = %< =

Para una muestra aleatoria simple de tamaGo n, aplicar tanto el mKtodo de m%ima verosimilitud como el mKtodo de los momentos para encontrar un estimador del parmetro L. Mtodo de m*ima verosimilitud &#' Auncin de probabilidad< 5a funcin de densidad est dada en el enunciado.
E ercicios y problemas resueltos de !nferencia Estad"stica 4 #=

&$' Auncin de verosimilitud< H ( % #, % $,... , % n )=$i =# ) ( % i &%' 5ogaritmo de la funcin de verosimilitud< log [ H ( % #, % $,... , % n )]=log [ ]+ log [ e &)' M*imo del logaritmo de la funcin de verosimilitud<
n i =# % i
n

)=$i =# ( e % ) =n e
i

n i= #

%i

]= n log [ ] i=# %i

5a distribucin poblacional tiene slo un parmetro, por lo -ue es necesario ma*imizar una funcin de una variable. Para encontrar los valores e*tremos locales &% M = slo para una Vmuestra muy e*tra.aW', la condicin necesaria es<
n # = = log [ H ( % #, % $,... , % n )]=n i=# % i E = =

i=# % i

# # % n i =# i
n

# %

Para verificar -ue el candidato es un m*imo &local', la condicin suficiente es<

$ log [ H ( % % , % )]=n # < = #, $,... n $ $

Por tanto, la segunda derivada es siempre negativa< tambin para = . &+' Estimador por el mtodo de m*ima verosimilitud< Se obtiene despus de sustituir las letras min>sculas %i &n>meros -ue representan 5B muestra -ue tenemos' por letras may>sculas ,i &variables aleatorias -ue representan /?B5Y?!E1 posible muestra -ue podamos tener'< & EH= n = # . ,

i=# , i

Mtodo de los momentos &#' Momentos poblacionales centrados y momentos muestrales< 5a distribucin poblacional tiene slo un parmetro, por lo -ue se igualarn slo los primeros momentos. '# ()= E ( , )=( % ) ( % ) d% =(= % e % d% = %
+ # + % # % [= e (= e d% # % + # % = # # = % e % [+ e [= = % e % [= e [ + =( = = )+ ( = )= = + + + + +

donde esta integral definida ha sido resuelta por la regla de integracin por partes, dado -ue en el producto las funciones % y e % Vno son del mismo tipoW &una es un polinomio y otra una e*ponencial'<

( u ( % )v P ( % ) d% =u ( % )v ( % )( u P ( % )v ( % ) d%
con ) ) u=% E v P =e % E u P = v =( e % d% = # % e

5a funcin e* crece ms rpidamente %A, para cual-uier A

E ercicios y problemas resueltos de !nferencia Estad"stica 4 ##

a # ( % # , % $ , ... , % n )=

# n % n i=# i # # n = % n i= # i n # # % n i =# i
n

&$' Sistema de ecuaciones< '# ()=a # ( % # , % $ , ... , % n) E

= =

i=# % i
n =

# %

&%' Estimador por el mtodo de los momentos< & EE =

Cota< En este caso, ambos mtodos proporcionan el mismo estimador.

i=# , i

# . ,

Ejercicio #ep-m
Fna variable aletoria poblacional sigue una distribucin normal. Para encontrar un estimador de los parmetros L + &I,Q' a partir de una muestra aleatoria simple de tamaGo n, aplicar= "a# el mKtodo de m%ima verosimilitud Mtodo de m*ima verosimilitud &#' Auncin de probabilidad< 5a funcin de densidad es bien conocida<
# ) ( % , )= e $ ( % ) $ $
$

"b# el mKtodo de los momentos

&$' Auncin de verosimilitud< H ( % #, % $,... , % n , )=$i=# ) ( % i , )=$i=# &%' 5ogaritmo de la funcin de verosimilitud< log [ H ( % #, % $,... , % n , )]=n log [ $ ] &)' M*imo del logaritmo de la funcin de verosimilitud< 5a distribucin poblacional tiene dos parmetros, por lo -ue is necesario ma*imizar una funcin de dos variables. Para encontrar los valores e*tremos locales, las condiciones necesarias son<
n # ( % i )$ $ i= # $ n n

# e $

( % i ) $
$

)( )
# = $

n $ n # ( % i ) $ i =# $

log [ H ( % #, % $,... , % n , )]== log [ H ( % #, % $,... , % n , )]==

n # [ $ ( % i)(#)]== $ i= # $ n n # $ $ [i=# ( % i)$ ] ) == $ $

( )

E ercicios y problemas resueltos de !nferencia Estad"stica 4 #$

n # ( % i)= = $ i= # n n # + % i=# ( % i )$==

i =# ( % i )== n # n + $ i=# ( % i)$= =

i =# % i=n i=# ( % i)$= n $

n

{
0=

# n % n i =# i

# n $= i =# ( % i)$ n

$=

# (% % )$ = s$ % n i =# i
n

= %

= % = s %

Para verificar -ue el candidato es un m*imo &local', las condiciones suficientes sobre las derivadas parciales de segundo orden son<
$ n n # # n R= $ log [ H ( % #,... , % n , )]= ( % ) = (# )= $ i $ $ i =# i= # n n $ n $ $ log [ H ( % , % , )]= # ( % ) = ( % )= ( % i) , #,... n i i $ ) % i= # i= # i= #

$ n n n # n % 5 = $ log [ H ( % #,... , % n , )]= + % i=# ( % i)$ = $ ) i=# ( %i )$

% , s % ) se sustituye en R, 0 y 5< Bntes de calcular 1 M 0$4R5, el punto ( , )=( R*( % , s ) =

%

n < = s$ %

$ n 0*( , s )= % i=# ( % i % )= = s%
%

&

1*( = %,s )
$ %

( )( )

n $n $n $ = < = $ ) s$ s s % % %

5*( % , s )=
%

n % n $n ) i=# ( %i )$= $ $ s% s % s%
n

dado -ue

% )== i=# ( % i

$ $ $ % ) = i=# ( %i % ) =n s % . i=# ( % i n

Entonces, log [ H ( % #, % $,... , % n , )]

% , s % ) por-ue es un valor e*tremos local y, en ese punto, 1 Z = y R Z =. tiene un m*imo en ( , )=( &+' Estimador de m*ima verosimilitud< Se obtiene despus de sustituir las letras min>sculas %i &n>meros -ue representan 5B muestra -ue tenemos' por letras may>sculas ,i &variables aleatorias -ue representan /?B5Y?!E1 posible muestra -ue podamos tener'< & EH= , & EH= & EH = s , Mtodo de los momentos &#' Momentos poblacionales centrados y momentos muestrales< 5a poblacin tiene dos parmetros, por lo -ue se igualarn los dos primeros momentos. '# ( , )= E ( , )= a # ( % # , % $ , ... , % n )= # n % n i=# i ' $ ( , )= E ( , $ )=Dar ( , )+ E ( , )$= $+ $ a $ ( % # , % $ , ... , % n )= # n $ % n i=# i

E ercicios y problemas resueltos de !nferencia Estad"stica 4 #%

&$' Sistema de ecuaciones<

' # ( , )=a # ( % # , % $ , ... , % n) ' $ ( , )=a $ ( % # , % $ , ... , % n )

# n % % = n i= # i # n $+ $ = i=# % $ i n =

= % $= % ) % =s (# n
n i= # $ i $ $ %

&%' Estimador por el mtodo de los momentos< & EE = , & EE = & EE = s ,

Cota< En este caso, ambos mtodos proporcionan el mismo estimador.

Ejercicio 'ep-m
&magina que la variable poblacional en la que estamos interesados sigue una distribucin binomial, esto es, tiene una )uncin de masa dada por ) ( % A , p )= A p % ( # p ) A % %

()

Rplica el mKtodo de m%ima verosimilitud para encontrar un estimador del parmetro p.

Pista= (n los clculos= "i# Supn que A es conocido, por lo que el parmetro de interKs es L + p "ii# (n la )uncin de verosimilitud, agrupa los )actores combinatorios en un producto y utili'a la letra R para representarlo ntese que este producto no depende del parmetro p.

&#' Auncin de verosimilitud<

n n H ( % #, % $,... , % n A , p )=$i =# ) ( % i A , p )=$i =# A p % (# p )A % = %i
i i

()

[ $ ( )]
n i= #

A %i

i=# %i

(# p )

nA i = # % i

&$' 5ogaritmo de la funcin de verosimilitud< log [ H ( % #, % $,... , % n A , p )]=log ( R)+ log ( p ) i=# % i + log ( # p )( nA i =# % i) .
n n

&%' M*imo del logaritmo de la funcin de verosimilitud< Para encontrar los VcandidatosW &valores e*tremos'<
n n # n # # p n = = log [ H ( % #, % $,... , % n A , p )]== + i=# % i ( nA i=# % i ) E % = nA % i i= # i=# i p p # p p

# # = p

nA

i=# % i

# E p ==

## n # % i= % i = # A n A

Para verificar -ue el candidato es un m*imo &local'<

$ n n # log [ H ( % % , % A , p )]= # % ( nA i =# % i) < = #, $,... n $ $ i= # i $ p p (# p )

dado -ue % #{=, #, $,... , A } E nA i=# %i %= . Entonces, la segunda derivada es siempre negativa. &)' Estimador m*imo(veros"mil<
E ercicios y problemas resueltos de !nferencia Estad"stica 4 #)

& EH= # , . A

Ejercicio (ep-m
Ha distribucin uni)orme F20,Q3 tiene # ) ( % ) = =

i) % #[ =, ] ot6erOise

como )uncin de densidad. Rplicar el mKtodo de los momentos para obtener un estimador de L. &#' Momentos poblacionales centrados y momentos muestrales<
+ # # %$ # $ '# ()= E ( , )=( % ) ( % ) d% =(= % d% = [ == $ =$ . $

&$' Sistema de ecuaciones< '# ()=a # ( % # , % $ , ... , % n) &%' Estimador< E

=# n % $ n i =# i

= =

$ n % =$ % n i=# i

& EE = $ , i=$ , . n i=#

n

nter)alos de confian*a
Ejercicio 1ic
Rplicar el mKtodo de la cantidad pivotal para obtener los siguientes intervalos de con)ian'a= "a# "b# "c# "d# "e# ")# "g# "6# "i# "<# "A# Fna poblacin normal= para I cuando Q es conocida Fna poblacin normal= para I cuando Q es desconocida Fna poblacin normal= para Q cuando I es conocida Fna poblacin normal= para Q cuando I es desconocida 1os poblaciones normales &independientes'= para I%S Iy cuando Q% y Qy son conocidas 1os poblaciones normales &independientes'= para I%S Iy cuando Q% y Qy son desconocidas e iguales 1os poblaciones normales &independientes'= para Q% .Qy cuando I% y Iy son desconocidas Fna poblacin cualquiera= para I 1os poblaciones &independientes' cualesquiera= para I%S Iy Fna poblacin de 0ernouilli= para p 1os poblaciones de 0ernouilli &independientes'= para p%Spy ,

(a) El pivote es B ( X )= 2 ( =,#) , por lo -ue

n
E ercicios y problemas resueltos de !nferencia Estad"stica 4 #+

#'= P ( a#'+ $< B ( X )< a'+ $)= P ' '+ $<

, < + ' ) '+ $ < + ' ' +$ = P (' '+$ n < , n n ' ' + $ < < , + ' ' + $ )= P ( , + ' + ' + $ > > , ' '+ $ ) = P ( , n n n n ' '+ $ < < , + ' '+ $ ) =P ( , n n , t n # , por lo -ue S n

(b) El pivote es B ( X )=

#'= P ( # a ' +$< B ( X )< a '+ $)= P t '+ $<

, S S < + t '+ $ = P (t '+ $ < , < + t '+ $ ) S n n n

t ' +$ = P ( ,
t ' + $ =P ( ,

S + t '+ $ S )= P ( , + t + '+ $ S > > , t ' + $ S ) < < , n n n n

S + t' + $ S ) < < , n n

(c) El pivote es B ( X )=

i=# ( , i)$
$

=i=#

, i $ n , por lo -ue
n

#'= P ( a#'+ $< B ( X )< a ' +$ )= P #' + $<

i=# ( , i)$
$

< '+ $

)
$

# =P < $ < n '+ $ =P n i=# ( , i)$ i=# ( , i)$

#'+ $

) (
)

i=# ( , i)$
'+ $

<<

i=# ( , i)$
#' + $

n s $ ( n # ) S $ $ (d) El pivote es B ( X )= $ = n # , por lo -ue $ #'= P ( a#'+ $< B ( X )< a ' +$ )= P #' + $<

$ ns # $ $ < '+$ = P #'+ < $ < '+$ $ $ ns ns

) (

n s$ n s$ n s$ n s$ $ $ = P #'+ $ > > ' + $ = P '+ $ < < #' + $

) (

(e) El pivote es B ( X , Y , T )=

T )( , T ) (,

, T + n , nT

2 ( =,# ) , por lo -ue

#'= P ( a#'+ $< B ( X , Y , T )< a ' + $)= P ' ' + $<

T )( , T ) (,

$ $ , + T n , nT

< + ' '+$

= P ' ' +$

$ $ $ $ , , T )( , T )< + ' '+$ + T < (, + T n , nT n, nT

E ercicios y problemas resueltos de !nferencia Estad"stica 4 #,

 T ) ' ' + $ = P ( ,

T )+ ' ' +$ =P ( ,

T ) ' ' +$ =P ( ,

( ( (

$ $ $ $ , , T )+ ' ' + $ + T < ( , T )< ( , + T n , nT n , nT

$ $ $ $ , , T ) ' ' + $ + T > ( , T )> ( , + T n, nT n , nT

$ $ T $ $ , , T )+ ' ' + $ + < ( , T )< ( , + T n, nT n , nT

) )

(f) El pivote es B ( X , Y , , T )=
$ , $ T

T )( , T ) (,

$ n , s + n T s ( n , # ) S + ( nT # ) S T = , por lo -ue ponderada S = n , + n y $ n , + n y $ $ p

(
S
$ p $ ,

# # + n , nT

tn

+ nT $

, donde se involucra la varianza muestral

#'= P ( a#'+ $< B ( X , Y , , T )< a ' +$ )= P t ' + $<

T )( , T ) (,

= P t ' + $ S $ p

T )t ' + $ S $ =!= P ( , p

( ( ) ( (

# # # # T )( , T )< + t '+$ S $ + <(, + p n , nT n , nT

# # # # T )+ t '+$ S $ + < ( , T )< ( , + p n , nT n , nT S, $ , S$ T T

$ $

( ) ( )) (
S
$ p

# # + n , nT

< + t '+ $

)
))

(+) El pivote es B ( X , Y , , T )=

S , T
$ $ , ST

Un

# , nT #

, por lo -ue

#'= P ( a#'+ $< B ( X )< a ' +$ )= P ) #'+ $<

$ S$ , T $ $ , ST

< ) '+$ = P ) #'+ $

) (

S$ T S$ ,

<

$ T $ ,

< ) '+$

$ ST

S$ ,

=!= P

$ $ $ # S , , # S, < < ) '+ $ S $ ) #' +$ S $ $ T T T

(,) El pivote es B ( X )=

2 ( =,#) , por lo -ue cuando n X %= se puede aplicar el intervalo $ n obtenido en &a' a cual-uier poblacin. Bdems, si L$ es desconocida y n X #== cual-uiera de s$ S$ puede utilizarse en su lugar.

(i) El pivote es B ( X , Y , , T )=

2 ( =,# ) , por lo -ue cuando n, X %= y nT X %= se $ $ , + T n , nT puede aplicar el intervalo obtenido en &e' a dos poblaciones &independientes' cuales-uiera. Bdems, si LP$ y

T )( , T ) (,

E ercicios y problemas resueltos de !nferencia Estad"stica 4 #@

LD$ son desconocidas y n, X #== y nT X #==, sus estimadores muestrales pueden utilizarse en su lugar.

(j) El pivote es B ( X p )=

&p p 2 ( =,# ) , por lo -ue p ( # & & p) n

#'= P ( a#'+ $< B ( X p )< a ' + $), P ' ' + $<

=!= P p & ' '+$

p ( # & & p) & (# & p p) < p< & p+ ' ' + $ n n

& p p < + '' + $ p & ( # & p) n

)
2 ( =,#) , por lo -ue

(-) El pivote es B ( X , Y p , , pT )=

(& p , & pT )( p , p T )

p , (# p & & ,) & p (# & pT ) + T n, nT

#'= P ( a#'+ $< B ( X , Y p , , pT )< a ' + $), P ' '+ $<

(p & ,p & T )( p , pT )

p , ( # & & p, ) & p ( # & pT ) + T n, nT

< + ' ' + $ =!=

=P ( & p, & pT ) ' ' + $

p , (# & & p,) & p (# & pT ) + T < ( p , pT )< ( & p , & pT )+ ' ' +$ n, nT

p , ( # & & p, ) p & ( # & pT ) + T n, nT

Poblaciones normales
Ejercicio 1ic-e
Para estimar la altura media de los rboles de un bosque, se considera una muestra aleatoria simple con 20 elementos, proporcionando % =#),@= u and s =,,%) u , donde u denota una unidad de longitud y s$ es la cuasivarian'a muestral. Si se supone que la variable poblacional altura es normal, encuentra un intervalo de con)ian'a del V! por ciento. 95ul es el margen de error: B partir de la informacin del enunciado, sabemos -ue la variable se distribuye normalmente y tiene varianza desconocida. El tama.o muestral es n M $= &menor a %=, por lo -ue ning>n resultado asinttico podr"a ser utilizado'. Para aplicar el mtodo de la cantidad pivotal, necesitamos un pivote con distribucin conocida, fcil de manipular y con K involucrado en su e*presin. /onsultando una tabla de estad"sticos &p.e . en 2$3', B ( X , )= ,

S$ n

t n#

donde X =( , # , , $ , ... , , n) es una muestra aleatoria simple, S$ es la cuasivarianza muestral y t9 denota la distribucin t de Student con A grados de libertad &en otras e*presiones tp es el cuantil de probabilidad p', el intervalo se construye como sigue

E ercicios y problemas resueltos de !nferencia Estad"stica 4 #G

#'= P ( a#'+ $< B ( X )< a'+ $)= P t ' +$<

, S S < + t '+ $ = P (t ' +$ < , < + t ' +$ ) S n n n

t '+$ = P ( , t '+ $ =P ( ,

S + t '+ $ S )= P ( , + t ' +$ S > > , t '+ $ S ) < < , n n n n E t ' +$ S , , + t' + $ S &= , n n

S + t' + $ S ) < < , n n

-t ' +$ S = , n #'

Cota< 5as cantidades t[S$ y S tambin dependen del tama.o muestral n.

Para utilizar esta frmula general con los datos espec"ficos -ue tenemos, se necesitan los cuantiles de la distribucin con A M n4# M $=4# M #F grados de libertad F+\ E =,F+ M #4[ E [ M =,=+ En la tabla de la distribucin t, debemos buscar el cuantil dado para p M #4[][S$ M #4[S$ M =,F@+ para una tabla de probabilidades de colas inferiores, o p M [S$ M =,=$+ para una tabla de probabilidades de cola superiorO si se utiliza una tabla de dos colas, debe considerarse el cuantil dado para p M #4[ M =,F+=. /ual-uiera -ue sea la tabla utilizada, el cuantil es $,=F%. Ainalmente,
& == % -t =,=+ +$ s u =#),@= u -$,=F% ,,%) =#),@= u -$,F@ u $= $=

Bplicando la definicin del margen de error a este intervalo,

E( =t ' + $ S u =$,=F% ,,%) = $,F@ u n $=

Ejercicio 2ic-e
(l n>mero de unidades demandadas de un producto se modeli'a, para dos reas di)erentes e independientes R y 0, por las distribuciones 2&IR,Q2' y 2&I0,Q2', respectivamente. Para estudiar la di)erencia entre las medias, se consideran las siguientes muestras aleatorias simples Area A Area B 4 @ @ 4 8 @ 7 @ @ 8

(ncontrar un intervalo de con)ian'a VV por ciento. 95ul es el margen de error: Eleccin del pivote adecuado< ^ay dos poblaciones normales independientes, estamos interesados en IRSI0 y las varianzas son desconocidas pero iguales. Entonces, a partir de una tabla de estad"sticos &p.e . en 2$3', se selecciona el pivote T )( , T ) (, B ( X , Y , , T )= t n + n $ , # # S$ + p n , nT

$ $ n , s$ (n , # ) S $ , + nT sT , + ( nT # ) S T = . de la talba, con varian'a muestral ponderada S = n , + n y $ n , + n y $ $ p

E ercicios y problemas resueltos de !nferencia Estad"stica 4 #F

Mtodo de la cantidad pivotal< Hase E ercicio #ic. /lculos< ) ) %= # + )+ @+ @ + ) + G %i = =, i = # + + y y= # + @ + ,+ @ + @+ G % i= =@ i = # + + y S$ y=

+ # ( y @ )$= =,+ +# i =# i

S$ %=

$ $ + # $ ( ) ,) + !+ ( G, ) ( % , ) = =%,+ + # i=# i )

por lo -ue S $ p= )

( +# ) %.++ ( + #) =.+ = $. ++ + $ t n + n $, ' =t

% y

Si la tabla proporciona probabilidades de colas inferiores, es necesario buscar tG,#(=,==+

=,=# $

6ado -ue #'==,FF ,

++ + $,

= t G,=,==+=%,%++.

!ntervalo de confianza< 5& '= (, @ )%,%++ $ Margen de error< ( =t n + n $, ' S $p

% y

# # # + ) , ( , @ )+ %,%++ $( + ) ] =# -%,==# (# + + ++

# # # # + =%,%++ $ + = %,==# n , nT + +

Ejercicio 3ic-e
Ha nota de una prueba de aptitud sigue una distribucin normal con desviacin t$pica 28,2. Fna muestra aleatoria simple de nueve alumnos proporciona los resultados siguientes=

i=1 x i =1.098

i=1 x 2 i = 138.148

a# Wallar un intervalo de con)ian'a al V0X para la media poblacional I. b# ;a'onar sin 6acer clculos si la longitud de un intervalo al V!X ser menor, mayor o igual que la del obtenido en el apartado anterior. c# 95ul deber$a ser el tamaGo de muestra m$nimo necesario para obtener un intervalo del V0X de nivel de con)ian'a con longitud "entre e%tremos# igual a 10: !dentificar la variable , . Cota &de un alumno' !nformacin muestral Muestra terica &aleatoria'< ,#,..., ,F m.a.s. &se van a tomar las notas de nueve alumnos' Muestra n>merica< %#,..., %F E , J C&K, L$ M $G,$$'

i=1 x i =1.098 i=1 x 2 i = 138.148

&se han tomado las notas'

Podemos observar -ue no se conocen los valores %i de la muestra. Sin embargo, se conoce informacin construida a partir de estos valores. 6ebe ser su)iciente para hacer los clculos, -ue deben involucrar a las sumas anteriores.

(a) !ntervalo de confianza

Para elegir la frmula adecuada con -ue calcular el intervalo de confianza, tenemos en cuenta -ue<
E ercicios y problemas resueltos de !nferencia Estad"stica 4 $=

) ) )

El tama.o muestral, n M F, es pe-ue.o, por lo -ue no se podr"an utilizar las frmulas asintticas Se sabe -ue la variable sigue una distribucin normal Ainalmente, como nos informan del valor de la desviacin t"pica poblacional, no es necesario estimarla

B partir de una tabla de estad"sticos &p.e . En 2$3', se selecciona el estad"stico apropiado y, despus de aplicar el mtodo de la cantidad pivotal &vase E ercicio #ic', concluimos -ue debemos usar la e*presin z ' + 2 < < X + z ' + 2 =1 '=0,90 P X n n donde z /+ 2 es el valor de la distribucin normal estndar -ue verifica P Z z /+ 2 =/+ 2 , es decir, el valor tal -ue de a un rea igual a /+ 2 a la derecha &cola superior'. Hamos a calcular las cantidades -ue aparecen en la frmula< 1 9 1 xi = 1.098=122 i = 1 9 9 0 ?n nivel de confianza del F=\ implica -ue [ M &#==4F='S#== M =,#. El cuantil z ' + 2= z 0,05 se busca en la tabla. /omo la tabla nos informa de las probabilidades de la forma P Z z p , buscamos el valor z p= z 1' + 2= z 10,05= z 0,95=1,645 Entonces z ' + 2=1,645 . 0 Por el enunciado, =28,2 0 Por >ltimo, n M F 0 x= El intervalo es CI 0,1= 1221,65

)
2

28,2 28,2 , 122 + 1,65 9 9

(b) 5ongitud del intervalo

Para responder a la pregunta se puede razonar -ue, fi os todos los parmetros e*cepto la longitud, si se -uiere mayor certeza es necesario ampliar el intervalo, es decir, aumentar su longitud. 5a manera formal de ustificar esto consiste en usar la frmula del intervalo,
2 2 2 + z '+2 X z '+2 =2 z '+ 2 . L= X n n n

)(

Bhora, si L y n permanecen fi os, para estudiar cmo var"a H con [ basta ver cmo var"a el cuantil. Para el intervalo del F+\< ) ) [ M &#==4F+'S#== M =,=+ [ disminuye Bhora la cantidad z /+ 2 debe de ar menos rea &probabilidad' a la derecha z /+ 2 aumenta

Por tanto, de la e*presin anterior se deduce -ue H aumenta.

(c) 0ama.o muestral

Bhora se vuelve al intervalo del apartado primero, del F=\, y se pregunta por el valor de n para un [ y una H dadas. 6e la e*presin de la longitud es necesario despe ar n 2 L =2 z '+ 2 2= 21,645 28,2 =860,78 n =861. n = 2 z '+ 2 n = 2 z n ' +2 L L 10

Si se tomase un tama.o mayor -ue G,#, se obtendr"a un intervalo de precisin mayorO sin embargo, en la prctica esto tambin implicar"a un mayor gasto econmico.

E ercicios y problemas resueltos de !nferencia Estad"stica 4 $#

Ejercicio #ic-e
Para prever la in)lacin en el aGo, se 6a recogido una muestra aleatoria simple

1,!

2,1

1,V

2,/

2,!

/,2

/,0

Si se supone que la variable in)lacin sigue una distribucin normal= "a# Ftili'ando estos datos, construye un intervalo de con)ian'a al VVX para la media de la in)lacin. "b# 5onstruye un intervalo de con)ian'a al V0X para la desviacin t$pica. "c# Hos e%pertos opinan que el intervalo de con)ian'a calculado para la media es demasiado amplio, y desean una longitud total igual a 1,2 puntos. Wallar el nivel de con)ian'a para este nuevo intervalo. !dentificar la variable , . Previsin de la inflacin &de un pa"s' !nformacin muestral Muestra terica< ,#,..., ,@ m.a.s. Muestra n>merica< %#,..., %@ 1,! 2,1 1,V 2,/ 2,! /,2 /,0 En este e ercicio s" conocemos los valores *i de la muestra. ,J_

(a) !ntervalo de confianza para la media

Para elegir la frmula adecuada del intervalo, tenemos en cuenta -ue< ) ) El tama.o muestral, n M @, es pe-ue.o, por lo -ue no debemos pensar en ninguna frmula asinttica 5a desviacin t"pica poblacional es desconocida, por lo -ue debe ser estimada por la cuasivarianza muestral

B partir de una tabla de estad"sticos &p.e . En 2$3', se selecciona el estad"stico apropiado y, despus de aplicar el mtodo de la cantidad pivotal &vase E ercicio #ic', concluimos -ue debemos usar la e*presin t '+2 P X

S2 S2 + t ' +2 < < X =1 '=0,99 n n

donde t /+ 2 es el cuantil tal -ue P ( T > t ' + 2)='+ 2 . Hamos a calcular las cantidades en la frmula< 1 7 x =2,35 7 i =1 i 0 El nivel de confianza es FF\, por lo -ue [ M &#==4FF'S#== M =,=#. El cuantil t '+2= t 0,01 +2 =t 0,005 se encuentra en la tabla de la distribucin t@(# de Student. 6ado -ue t p= t 1'+ 2=t 10,005=t 0,995=3,71 , entonces t ' +2= 3,71 7 1 2 2 2 ( xi x ) =0,6 =0,36 0 ?tilizando la muestra, S = i = 1 7 1 0 Por >ltimo, n M @ 0 x= El intervalo es CI 0,01= 2,353,71

0,60 0,60 , 2,35+ 3,71 7 7

(b) !ntervalo de confianza para la desviacin t"pica

B partir de una tabla de estad"sticos &p.e . En 2$3', se selecciona el estad"stico apropiado y, despus de aplicar
E ercicios y problemas resueltos de !nferencia Estad"stica 4 $$

el mtodo de la cantidad pivotal &vase E ercicio #ic' y tomando la ra"z cuadrada, concluimos -ue debemos usar la e*presin P

( n 1 ) S 2 ( n1 ) S 2 =1 '=0,90 2 2 p p
b a

2 2 donde p y p son valores de la distribucin i(cuadrado, con parmetro n4# M @4# M ,, tales -ue
a b

2 tal -ue p
a

P , 2 p =/+ 2
a

2 p tal -ue
b

P , 2 p =/+ 2
b

5as cantidades -ue aparecen en la frmula son< 0 0ama.o muestral n M @ 0 S 2= 0,36

2 0 /omo [ M =,#, 2 0,05=1,64 and 0,95= 12,6

El intervalo es CI 0,1=

60,36 , 12,6

60,36 1,64

(c) Civel de confianza

5a longitud del intervalo es
2 2 2 + t '+ 2 S X t ' + 2 S =2 t ' +2 S L= X n n n

)(

donde H est dada y debe encontrarse [. Sin embargo, previamente es necesario encontrar t /+ 2 . t ' + 2= L n 1 7 = = 2,2. 2 S 20,6

B partir de la tabla, [S$ M =,#= por lo -ue [ M =,$= y el nivel de confianza en tanto por ciento es< #== 4 =,$= ` #== M #== 4 $= M ./0.

1uales2uier poblaciones
Ejercicio 1ic-a
Ha duracin media de prKstamos en la biblioteca de una universidad en el curso pasado )ue de veinte d$as. Se toma una muestra aleatoria simple de cien libros este aGo, y se obtienen unos valores de diecioc6o y oc6o d$as para la media y varian'a muestrales, respectivamente. 5onstruir un intervalo de con)ian'a del VVX para la duracin media de prKstamos en el curso pasado. !dentificamos la variable , . 6uracin &de un prstamo' !nformacin muestral Muestra terica< ,#,...,,#== m.a.s.
E ercicios y problemas resueltos de !nferencia Estad"stica 4 $%

,J_

Muestra n>merica< %#,...,%#==

x =18 ,

s 2=8

5os valores %i de la muestra son desconocidos. B cambio, se conoce la evaluacin de algunos estad"sticos. y S2. asta debe ser su)iciente para hacer los clculos, y las frmulas deben escribirse en trminos de X !ntervalo de confianza Para elegir la frmula adecuada con -ue calcular el intervalo de confianza, tenemos en cuenta -ue< ) ) El tama.o muestral es grande &X%=', n M #==, por lo -ue se puede utilizar alguna frmula asinttica 5a varianza poblacional es desconocida, pero se estima por la varianza muestral

B partir de una tabla de estad"sticos &p.e . En 2$3', se selecciona el estad"stico apropiado y, aplicando el mtodo de la cantidad pivotal &vase E ercicio #ic' y sustituyendo L por S, concluimos -ue debemos usar la e*presin z'+ 2 P X

S2 S2 + z'+ 2 < < X =1 '=0,99 n n

donde z ' + 2 es el cuantil tal -ue P ( Z > z ' + 2)='+ 2 . /alculamos las cantidades< x =18 0 Media muestral 0 Para la confianza del FF\, [ M =.=# y z ' + 2=2,575 . x ) =n s , 0 Para calcular S 2 se utiliza la e*presin ( n 1 ) S = i=1 ( x i n 2 100 2 S = s= 8 =8,1 &ntese -ue el factor nS&n4#' tiende a # cuando n crece'. n 1 99 0 Ainalmente, n M #== El intervalo es CI 0,01= 18 2,575
2 100 2 2

8,1 8,1 , 18+ 2,575 100 100

3ama4o muestral mnimo

Ejercicio 1ic-t
Para estimar la media de una distribucin normal con desviacin t$pica !, 9cun grande debe ser la muestra para construir un intervalo del V! por ciento de con)ian'a con un margen de error igual a 1,2: Es necesario relacionar el tama.o muestral con el margen de error y el nivel de significancia. 5a anchura del intervalo es el doble del margen de error, y depende de n y [. Entonces, dado -ue para una poblacin normal con varianza conocida el intervalo se obtiene como en &a' de E ercicio #ic, ' '+ $ , , + ' '+$ 5& '= , n n

$ + =,,,@ E n =,@ E ( = ' '+$ E n = ' ' + $ = #,F, ( #,$ n

por-ue #'==,F+ E '=#=,F+ ==,=+ E ' '+ $= ' =,=$+=#,F, .

Hanse tambin<
E ercicio %ic(e E ercicio )ic(e

E ercicios y problemas resueltos de !nferencia Estad"stica 4 $)

1ontrastes de ,iptesis
Ejercicio 1c,
Para contrastar si una moneda es <usta o no, 6a sido lan'ada 100.000 veces, y !0./4@ de ellas 6an sido caras. 91eber$a rec6a'arse, como 6iptesis nula, la <usticia de la moneda cuando Y + 0,1: "a# Rplicar un contraste paramKtrico de signi)icancia. "b# Rplicar el contraste no paramKtrico de bondad de a<uste de <iCcuadrado. "c# Rplicar el contraste no paramKtrico de posicin de los signos.

(a) /ontraste paramtrico de significancia

^iptesis y nivel de significancia< 6ado -ue debe aplicarse un contraste paramtrico, la moneda es modelizada con una variable aleatoria de :ernouilli, y las hiptesis son W =< p = # $ y W #< p 1 # $

Ctese -ue la pregunta se basa en el valor del parmetro p, mientras -ue se supone la distribucin de :ernouilli para ambas hiptesisO en algunos contrastes no paramtricos, esta distribucin no se supone incluso. Por otro lado, el nivel [ M =,# est dado. Estad"stico y regin cr"tica< B partir de la tabla de estad"sticos &p.e . en 2$3', dado -ue la variable poblacional es de :ernouilli y el marco asinttico puede aplicarse &por-ue n es grande'

B ( X p )=

d &p p 2 ( =,# ) p ( # & & p) n

/omo la distribucin normal es simtrica, un cuantil determina los dos valores cr"ticos. Para calcular este cuantil, se aplica la definicin de error de tipo !< # '= P ( (rror tipo & )= P ( ;ec6a'ar W = * W = cierta )= P ( B ( X )# ;c * #2= )= P (*B p ( X )*> a * p= ) $ # =# P (*B p ( X )* a * p = ), # P (* 4* a ) E P (*4* a ), #'=#=,# ==,F E a ,#,,)+ $ 1egla de decisin< Si aplicamos la metodolog"a basada en la regin cr"tica, B(x # )= $ +=.%)@ # #==.=== $ = $,#F > #,,)+ E B ( x
0abla de una o dos colas

Si aplicamos la metodolog"a basada en el nivel cr"tico o p(valor,

+=.%)@ +=.%)@ # #==.=== #==.=== #==.===

# )# ;c E 5e rec,a*a W= $

E ercicios y problemas resueltos de !nferencia Estad"stica 4 $+

# pD = P ( X tan rec6a'adora como x * W = cierta )= P (* B p ( X )*%*B p ( x )** p = ) $ , P (* 4* %$,#F )= $ P ( 4 $,#F )= $=,=#)% ==,=$)G E pD < =,#=' E 5e rec,a*a W=
0abla de una cola, dado -ue $,#F no est en la tabla de dos colas -ue tenemos

(b) /ontraste no paramtrico de bondad de a uste i(cuadrado

^iptesis y nivel de significancia< El nivel es [ M =,#. Para un contraste no paramtrico de bondad de a uste, la hiptesis nula supone -ue la muestra fue generada por una distribucin de :ernouilli con p M #S$, mientras -ue la hiptesis alternativa supone -ue fue generada por una distribucin diferente &de :ernouilli o no'. W = < , 0ern

(# $)

W # < , U 1 0ern

(# $)

Estad"stico y regin cr"tica< B partir de la tabla de estad"sticos &p.e . en 2$3', &i )$ d ( 2 i e B ( X )=i=# $ Z s # e &i
Z

con Z + $ clases y celdas Co ha tenido -ue estimarse ning>n parmetro, por lo -ue s M =

Para calcular el cuantil a, se aplica la definicin de error de tipo !<

$ $ '= P ( (rror tipo & )= P ( ;e<ect W = * W = true )= P ( B ( X )# ; c * B , $ #), P ( #> a )=# P ( # a )

a , $,@# P ( $ # a ),# '=# =,# ==,F E

# t6 1egla de decisin< 6ado -ue e i= n pi =n P ( i class )=#==.=== =+=.=== $

Si aplicamos la metodolog"a basada en la regin cr"tica, B ( x )=i =#

$

( ni e i)$ ( +=.%)@ +=.=== )$ ( )F.,+% +=.===) $ = + = ),G$ E B ( x )# ;c E 5e rec,a*a W= ei +=.=== +=.===

Si aplicamos la metodolog"a basada en el nivel cr"tico o p(valor,

$ pD = P ( X tan rec6a'adora como x * W = true )= P ( B ( X )%B ( x ) * B ,$ # ), P ( # % ),G$ ) $ = # P (# < ),G$ )< # P ( $ #< %,G) )= # =,F+= =,=+ E pD < =,#=' E 5e rec,a*a W=

),G$ no est en la tabla -ue tenemos, mientras -ue %,G) est

Cota< En algunas situaciones, acotar el nivel cr"tico es suficiente para ver si es menor o mayor -ue [ &para encontrar la acotacin, se utiliza el valor adecuado ms cercano incluido en la tabla< el menor o el mayor'. Blgunas veces esto no es suficiente y hay -ue calcular el valor e*acto de la probabilidad tericamente o utilizando alg>n programa.

(c) /ontraste no paramtrico de posicin de los signos

E ercicios y problemas resueltos de !nferencia Estad"stica 4 $,

^iptesis y nivel de significancia< El nivel es [ M =,#. Para un contraste no paramtrico, si cara y cru' se escriben e-uivalentemente como ]# y (#, respectivamente, las hiptesis son W = < Ee ( , )= = y W # < Ee ( , )1=

Estad"stico y regin cr"tica< B partir de la tabla de estad"sticos &p.e . en 2$3',

B ( X )= 2Jmero { , i Ee ( , )> = } # = 2Jmero { , i> = } 0in (n , ) $

Para calcular el cuantil a, se aplica la definicin de error de tipo !. Sin embargo, conocemos la distribucin de B, pero ;c se ha escrito fcilmente en trminos de B4 nS$, cuya distribucin est involucrada en un resultado asinttico bien conocido &adems, las probabilidades de la binomial no estn tabuladas para n M #==.===' # '= P ( (rror tipo & )= P ( ;ec6a'ar W = * W = cierta )= P B ( X )# ;c B 0in ( n , ) $

0eorema del l"mite central para la :in&n,#S$'

B ( X ) n + $ # a # $a = P *B ( X )n + $*> a B 0in ( n , ) = P > B 0in ( n , ) , P *4* > $ $ n # # # # n ( # ) n (# ) $ $ $ $

(*

P * 4*

$a , #'=# =,#==,F E n

$a #==.=== ,#,,)+ E a ,#,,)+ , $,=,=F@ $ n

1egla de decisin< Si aplicamos la metodolog"a basada en la regin cr"tica, es necesario evaluar la cantidad en trminos de la cual hemos escrito las regions

*B ( x )#==.=== + $*=* +=.%)@+=.===* =%)@ > a E B ( x )# ;c E 5e rec,a*a W=

Si se aplica la metodolog"a basada en el nivel cr"tico o p(valor, # pD = P ( X tan rec6a'adora como x * W = cierta )= P (* B ( X ) n + $*%*B ( x ) n + $** B ( X ) 0in ( n , )) $

=P

(*

B ( X )n + $ B ( x )n + $ % # # # # n (# ) n (# ) $ $ $ $

* *

**

# B ( X ) 0in ( n , ) , P *4*% $

) ( *

+=%)@ +==== # # #===== ( # ) $ $

*)

= P (* 4*% $,#F )=$ P ( 4 $,#F )=$=,=#)%= =,=$)G E pD < =,#=' E 5e rec,a*a W=

Cota< &#' En este e ercicio, los tres contrastes proporcionan la misma decisin, pero en otros puede no ser as". &$' /on dos clases, el contraste i( cuadrado no distingue dos distribuciones tales -ue las dos probabilidades son &b, b', esto es, en este caso el contraste proporciona una decisin acerca de la simetr"a de la distribucin. &%' Ctese -ue en este caso el contraste paramtrico y el contraste de los signos son esencialmente el mismo y se obtiene el mismo nivel cr"tico o p(valor.

E ercicios y problemas resueltos de !nferencia Estad"stica 4 $@

1ontrastes param%tricos
Ejercicio 1c,-p
Ha vida media de un mquina, en aGos, sigue una distribucin normal con varian'a igual a 4. Fna muestra aleatoria simple de tamaGo 100 proporciona una media muestral igual a 1,/ aGos. 5ontrastar la 6iptesis nula de que la media poblacional es igual a 1,! aGos, aplicando un contraste bilateral de ! por ciento de nivel de signi)icancia. Civel de significancia y enunciado de las hiptesis< [ M =,=+ y, para un contraste bilateral, W = < = #,+ y W # < 1 #,+

Estad"stico adecuado y regin cr"tica< ^ay una poblacin normal con varianza conocida, por lo -ue el estad"stico incluido aba o es seleccionado. Para determinar la regin cr"tica, ba o W=, son necesarias su forma y los valores cr"ticos. Es muy >til dibu ar el espacio paramtrico y el espacio donde toma valores del estad"stico &si se desea, tambin el espacio donde toma valores el estimador del parmetro'<

B ( X )=

$ n

2 ( =,# )

5os valores cr"ticos (a y ]a &simtricos en este caso, dado -ue tambin lo es la distribucin normal estndar' se encuentran aplicando la definicin de error de tipo !< ' = P ( (rror tipo & ) = P ( ;ec6a'ar W = * W = cierta ) = P ( B ( X )# ;c * #2=) = P (* 4* > a ) E a = ' ' +$=#,F, E ;c = {* B*> #,F, } .

1egla de decisin< Para tomar la decisin final sobre las hiptesis, hay dos metodolog"as disponibles. Para aplicar la primera, se eval>a el estad"stico B en la muestra espec"fica x M &%#,...,%#=='< % % #.+ #.%#.+ =.$#= # B ( x =#.+ )= $ = = = = E B ( x =#,+ )3 ;c E 6o se rec,a*a W= $ $ ) $ ) ) n #== #==

Siempre se calcula la regin cr"tica, por lo -ue aplicar esta metodolog"a es fcil. 5a segunda metodolog"a re-uiere el clculo del nivel cr"tico o p(valor &p(value', -ue es por definicin una probabilidad< pD = P ( X tan rec6a'adora como x * W = cierta )= P (*B ( X )* %*B ( x )** = #,+) = P (*4*%*=,+*)=# P (*4* < =,+ )=# =,%G%== =,,#@ E pD ==,,#@ > =,=+=' E 6o se rec,a*a W= Esta >ltima metodolog"a proporciona la misma decisin final ms informacin adicional sobre el soporte -ue la muestra x ha dado a la hiptesis nula. /omo pD es bastante mayor -ue [, el soporte is fuerte en este caso.

E ercicios y problemas resueltos de !nferencia Estad"stica 4 $G

Ejercicio 2c,-p
1ados 2! datos de una poblacin normal, la in)ormacin muestral se resume en

i=# % i=#=+

$+

i=# % $ i = +@F,$)

$+

"a# 91eber$a ser rec6a'ada la 6iptesis W0= Q2 + 4 cuando W1= Q2 X ) y Y + 0,0!: "b# 9T si W1= Q2 c )_

(a) ^iptesis alternativa unilateral

Civel de significancia e hiptesis< [ M =,=+, W = < $= ) y W # < $> ) Estad"stico adecuado y regin cr"tica< ^ay una poblacin normal con media desconocida. Para determinar la regin cr"tica, ba o W=, son necesarios su forma y valores cr"ticos. Es muy >til representar el espacio paramtrico y el espacio donde toma valores el estad"stico &si se desea, tambin el espacio donde toma valores el estimador del parmetro'<

B ( X )=

n s $ ( n # ) S $ $ = n # $ $

El valor cr"tico ]a se calcula aplicando la definicin de error de tipo !< ' = P ( (rror tipo & )= P ( ;e<ect W = * W = true )= P ( B ( X )# ;c * #2=) = P ( $+ #> a ) = # P ($+# a ) E a =%,,) E ;c = {B > %,,) } P ( $ $) a )=#'=# =,=+= =,F+ E
$ $

1egla de decisin< Para tomar la decisin final sobre las hiptesis, hay disponibles dos metodolog"as. Para aplicar la primera, el estad"stico B es evaluado para la muestra espec"fica x< $+ B ( x )=

# # %$ %i i $+ $+ )

) ] = $++,+% =%),+,
$

E B ( x )3 ;c E 6o se rec,a*a W=

# n # n $ , , i n i= # n i =# i metodolog"a re-uiere el clculo del nivel cr"tico o p(valor<

$ Para calcular la varianza, la propiedad general s = $

ha sido utilizada. 5a segunda

pD = P ( X tan rec6a'adora como x * W = cierta )= P ( B ( X )%B ( x ))= P ( $)%%),+, )

$ =# P ( $)< %),+, )==,=@+ E pD ==,=@+ > =,=+=' E 6o se rec,a*a W=

Con el cdigo 1pchisq(34.56, 24) en el lengua e de programacin ;, dado -ue el valor %),+, no est en las tablas -ue tenemos.

(b) ^iptesis alternativa bilateral

Civel de significancia e hiptesis< [ M =,=+, W = < $= ) y W # < $1 ) Estad"stico adecuado y regin cr"tica< Bhora

E ercicios y problemas resueltos de !nferencia Estad"stica 4 $F

B ( X )=

n s $ ( n # ) S $ = $ n # $ $

5os valores cr"ticos a# y a$ se calculan aplicando la definicin de error de tipo !<

$ ' = P ( ;ec6a'ar W = * W = cierta ) = P ( B ( X )# ;c * #2 =) = P ($ $) < a #)+ P ( $) > a $)

6ado -ue hay infinitos pares de cuantiles tales -ue P ( a #< $ $) < a $)=# ' , se considera por convenio el -ue determina colas de [S$. Entonces ' = P ($ < a ) a =#$,) $) # # $ $ ' = P ( > a ) a =%F,) $) $ $ $

;c ={B < #$,) }4{B > %F,) }

1egla de decisin< Si se eval>a el estad"stico B en la muestra particular x<

B ( x )= %),+, E B ( x )3 ;c E 6o se rec,a*a W=
Para basar la decisin en el nivel cr"tico o p(valor, dos veces la probabilidad de la cola determinada por B&x'< pD = P ( X tan rec6a'adora como x * W = true )= $P ( B ( X )%B ( x ))= $P ($ $) % %),+,) = $ [ # P ( $ =,=@+==,#+ E pD ==,#+ > =,=+=' E 6o se rec,a*a W= $) < %),+, )]= $
Con el cdigo 1pchisq(34.56, 24) en el lengua e de programacin ;, dado -ue el valor %),+, no est en las tablas -ue tenemos

Cota< 6ados W= y [, se puede llegar a decisiones diferentes para los contrastes unilateral y bilateralO es por esto por lo -ue describir los detalles del entorno de traba o tiene gran importancia en Estad"stica.

Ejercicio 3c,-p
Ha 6omocedasticidad "igualdad de varian'as# de dos poblaciones biolgicas debe ser estudiada. Ha distribucin de la variable se supone que es normal e independiente en ambas poblaciones. 1espuKs de recoger in)ormacin mediante muestras de tamaGos n, + 11, nT + 10, respectivamente, se resume en S ,=
$ n # $ ( % i % ) =,,G i = # n , #
,

sT =

n # $ ( yi y ) =@,# i = # nT
T

Para Y + 0,1, contrastar= "a# W0= Q, + QT y W1= Q, [ QT "b# W0= Q, + QT y W1= Q, > QT "c# W0= Q, + QT y W1= Q, \ QT

(a) ^iptesis alternativa unilateral Q, [ QT

Civel de significancia e hiptesis< [ M =,#,
$ W =< $ , = T

$ W #< $ , < T

Estad"stico adecuado y regin cr"tica< ^ay dos poblaciones normales con medias desconocidas. Para
E ercicios y problemas resueltos de !nferencia Estad"stica 4 %=

determinar la regin cr"tica, ba o W=, se necesitan su forma y sus valores cr"ticos. El estad"stico de aba o se selecciona de la tabla de estad"sticos &p.e . en 2$3'< S$ , $ , S$ T $ T Se encuentra el valor cr"tico ]a aplicando la definicin de error de tipo !< '= P ( (rror tipo & )= P ( ;ec6a'ar W = * W = cierta )= P (B ( X , Y )< a )= P ( U ### , #=#< a )= P ( U #= , F< a ) # E =.#= P ( U #= , F< a )= P ( U F , #=% ) E a # = $,%+ E a ==,)% E ;c = {B < =,)% }. a S$ , S$ T

B ( X , Y )=

Un

# , nT #

B partir de la definicin de la distribucin A de Snedecor, es fcil ver -ue si , sigue una Un#,n$ entonces #S, sigue una Un$,n#. ?tilizamos este truco para consultar la tabla -ue tenemos.

1egla de decisin< Para tomar la decisin final sobre las hiptesis, hay disponibles dos metodolog"as. Para aplicar la primera, se eval>a el estad"stico B en las muestras espec"ficas x y y< B ( x , y )= S, S, ,,G = = ==,G, E B ( x )3 ;c E 6o se rec,a*a W= $ n #= ST T $ @,# s nT # T #= #
$ $

&Para calcular la cuasivarianza ST2, la propiedad general ( n 1 ) S 2 =n s 2 ha sido utilizada.' 5a segunda metodolog"a re-uiere el clculo del nivel cr"tico o p(valor< pD = P ( X tan rec6a'adora como x * W = cierta )= P ( B ( X , Y )B ( x , y ))= P ( U #= , F=,G, )==,)# E pD ==,)# > =,#=' E 6o se rec,a*a W=
Con el cdigo pf(0.86, 10, 9)en el lengu !e de p"og" # cin ;.

(b) ^iptesis alternativa unilateral Q, > QT

Civel de significancia e hiptesis< [ M =,#, Estad"stico adecuado y regin cr"tica< S, $ , S$ T $ T El valor cr"tico ]a se calcula aplicando la definicin de error de tipo !<
$ $ W =< $ , = T

$ W #< $ , > T

B ( X , Y )=

S, S$ T

Un

# , nT #

'= P ( (rror tipo & )= P ( ;ec6a'ar W = * W = cierta )= P (B ( X , Y )> a )= P ( U ### , #=#> a )= P ( U #= , F> a ) E a = $,)$ E ;c = {B > $,)$ }. 1egla de decisin< Se eval>a el estad"stico B en las muestras espec"fica x y y<

B ( x , y )==,G, E B ( x )3 ;c E 6o se rec,a*a W=
5a segunda metodolog"a re-uiere el clculo del nivel cr"tico o p(valor< pD = P ( X tan rec6a'adora como x * W = cierta )= P ( B ( X , Y )%B ( x , y ))= P ( U #= , F%=,G, )=# =,)#==,+F

E ercicios y problemas resueltos de !nferencia Estad"stica 4 %#

E pD ==,+F > =,#=' E 6o se rec,a*a W=

(c) ^iptesis alternativa bilateral Q, \ QT

Civel de significancia e hiptesis< [ M =,#, Estad"stico apropiado y regin cr"tica< S$ , $ , S$ T $ T Bplicando la definicin de error de tipo ! y el criterio de de ar la mitad de la probabilidad en cada cola< '= P ( (rror tipo & )= P ( ;ec6a'ar W = * W = cierta )= P ( B ( X , Y )< a # )+ P ( B ( X , Y )> a $) E ' = P ( U < a ) a = =,%% #=,F # # $ ' = P ( U > a ) a =%,#) #=,F $ $ $
$ W =< $ , = T

$ W #< $ , 1T

B ( X , Y )=

Un

# , nT #

;c ={B < =,%% }4{B > %,#) }

donde se ha utilizado la funcin de cuantiles del lengua e de programacin 1< > qf(c(0.05 , 0.95), 10, 9) [1] 0.3310838 3.1372801 1egla de decisin< El estad"stico B es evaluado en las muestras concretas x y y< B ( x , y )==,G, E B ( x )3 ;c E 6o se rec,a*a W= Para aplicar la metodolog"a basada en el nivel cr"tico, calculamos qf(0.5, 10, 9)=1.007739, -ue es la medianaO como B&x,y' est en la cola iz-uierda< pD = P ( X tan rec6a'adora como x * W = true )= $ P ( B ( X , Y )B ( x , y ))=$=,)#==,G$ E pD ==,G$ > =,#=' E 6o se rec,a*a W=
Cota< Por definicin, el nivel cr"tico o p(valor toma un valor entre = y # &es una probabilidad'. Si no sabemos en -u cola est B&x,y' y consideramos la incorrecta, nos daremos cuenta por-ue el doble de la probabilidad de la cola ser"a mayor a #.

1ontrastes no param%tricos
Ejercicio 1c,-np
Bres productos )inancieros 6an sido comerciali'ados y la presencia de inters 6a sido registrada para algunas personas. (s posible imaginar di)erentes situaciones en las que los siguientes datos podr$an ser obtenidos.
Producto 1 Producto 2 Producto 3 Grupo 1 Grupo 2

10 20 /0

18 1/ /1

V 1! 24

/@ 48 8!

E ercicios y problemas resueltos de !nferencia Estad"stica 4 %$

"a# Si 48 personas del grupo 2 )ueron situados considerando la variable producto, contrasta si esta variable sigue la distribucin determinada por la muestra del grupo 1 cuando Y + 0.01. "b# Si se entrevista a /@ personas del primer grupo y 48 personas del segundo, contrasta la 6omogeneidad de la distribucin de la variable producto en ambos grupos cuando Y + 0,01. "c# Ha gente con interKs en alguno de los productos )ue clasi)icada despuKs de considerar las dos variables grupo y producto. 5ontrasta la independencia de las dos variables cuando Y + 0,01.

(a) ^iptesis y nivel de significancia< El nivel [ M =,=# est dado. Para un contraste no paramtrico de bondad
de a uste, la hiptesis nula supone -ue las probabilidades tericas del segundo grupo siguen las probabilidades de la muestra del primer grupo, la referencia. Si Pi representa la variable producto en la poblacin i(sima, W =< P$P# y W # < P $ U 1 P#

Estad"stico y regin cr"tica< B partir de la tabla de estad"sticos &p.e . en 2$3', B ( X )=i=#

con Z + % clases y # muestra Co ha debido ser estimada ninguna probabilidad, as" s M =
Z

&i )$ d ( 2 i e $ Z s # e &i

Para calcular el cuantil a, se aplica la definicin de error de tipo !<

$ $ '= P ( (rror tipo & )= P ( ;ec6a'ar W = * W = cierta )= P ( B ( X )# ;c * B , $ $ ), P ( $ > a )= # P ( $ a )

a , F,$# P ( $ $ a ),# '=# =,=# = =,FF E

1egla de decisin< 5a variable P# sigue la distribucin con valores d#, $, %e y probabilidades d#=S%@, #GS%@, FS%@e.

Si aplicamos la metodolog"a basada en la regin cr"tica, #= #G $= )G #% )G %@ %@ B ( x )= + #= #G )G )G %@ %@

) (

) (

F #+ )G %@ + F )G %@

) =F,%) E B ( x)# ;

E 5e rec,a*a W=

Si aplicamos la metodolog"a basada en el nivel cr"tico o p(valor,

$ pD = P ( X tan rec6a'adora como x * W = cierta )= P ( B ( X )%B ( x ) * B , $ $ ), P ( $ % F,%) ) $ < P ( $ $% F,$#)= # P ( $< F,$# )= # =,FF= =,=# E pD < =,=# =' E 5e rec,a*a W=

F,%) no est en las tablas -ue tenemos, mintras -ue F,$# s" est

(b) ^iptesis y nivel de significancia< El nivel [ M =,=# est dado. Para un contraste no paramtrico de
homogeneidad, la hiptesis nula supone -ue las probabilidades de cual-uier columna son las mismas para los dos grupos, esto es, son independientes del grupo o estrato. Si ] representa la variable grupo,

E ercicios y problemas resueltos de !nferencia Estad"stica 4 %%

W = < U ( %* ] )= U ( % )

W # < U ( %* ] )1 U ( % )

Estad"stico y regin cr"tica< B partir de la tabla de estad"sticos &p.e . en 2$3', ( 2 i< e&i< ) d B ( X )=i=# <=# ($H#)( Z #) e&i<
H Z $

con H+ $ grupos y Z M % clases 6os de las tres probabilidades deben ser estimadas, as" s M $

Para calcular el cuantil a, se aplica la definicin de error de tipo !< '= P ( (rror tipo & )= P ( ;ec6a'ar W = * W = cierta )= P ( B ( X )# ;c * B , $ ), P ($ > a )= # P ( $ a ) E
$ P ( $ a ),# '=#=,=# ==,FF E a , F,$# $ $ $

1egla de decisin< Se supone una distribucin subyacente, aun-ue no espec"fica, por lo -ue las probabilidades son estimadas directamente a partir de la informacin muestral.

Si aplicamos la metodolog"a basada en la regin cr"tica,

B ( x )=

#= %@

%= G+ %= %@ G+

) + !+ (

#+)G

$) G+ =),$F E B ( x )3 ;c E 6o se rec,a*a W= $) )G G+

Si aplicamos la metodolog"a basada en el nivel cr"tico o p(valor,

$ pD = P ( X tan rec6a'adora como x * W = cierta )= P ( B ( X )%B ( x ) * B , $ $ ), P ( $ % ),$F )

$ = # P ( $ $< ),$F )> # P ( #< ),,#)=#=,F = =,# E pD > =,# > =,=#=' E 6o se rec,a*a W=

),$F no est en la tabla -ue tenemos, mientras -ue ),,# s" est

(c) ^iptesis y nivel de significancia< El nivel [ M =,=# est dado. Para un contraste no paramtrico de
independencia, la hiptesis nula supone -ue las probabilidades de cada celda es el producto de las probabilidades de su fila y columna, W = < ) ( % , y )= ) ( % ) ) ( y ) y W # < ) ( % , y )1 ) ( % ) ) ( y )

Estad"stico y regin cr"tica< B partir de la tabla de estad"sticos &p.e . en 2$3',

E ercicios y problemas resueltos de !nferencia Estad"stica 4 %)

B ( X )=i=# <=#
con

( 2 i< e&i< )$ d ($H#)( Z #) e&i<

H+ $ y Z M % clases ?na y dos probabilidades deben ser estimadas, as" s M %

Para calcular el cuantil a, se aplica la definicin de error de tipo !<

$ $ '= P ( (rror tipo & )= P ( ;ec6a'ar W = * W = cierta )= P ( B ( X )# ;c * B , $ $ ), P ( $ > a )= # P ( $ a )

a , F,$# P ( $ $ a ),# '=# =,=# = =,FF E

1egla de decisin< Se supone una distribucin subyacente, aun-ue no espec"fica, por lo -ue las probabilidades son estimadas directamente a partir de la informacin muestral.

Si aplicamos la metodolog"a basada en la regin cr"tica, %= #= %@ G+ B ( x )= %= %@ G+

$) #+)G G+ + !+ =),$F E B ( x )3 ;c E 6o se rec,a*a W= $) )G G+

$ $

Si aplicamos la metodolog"a basada en el nivel cr"tico o p(valor, pD = P ( X tan rec6a'adora como x * W = cierta )= P ( B ( X )%B ( x ) * B , $ ), P ( $ %),$F )

$ $ = # P ( $< ),$F )> # P ( #< ),,#)=#=,F ==,# E pD > =,# > =,=#=' E 6o se rec,a*a W=

Cota< El contraste de homogeneidad puede ser visto como un caso particular del contraste de independencia donde una variable, digamos ], indica la pertenencia al grupo o estrato y, al mismo tiempo, el n>mero de elementos en cada muestra ha sido fi ado, lo -ue puede verse como restricciones donde se condiciona la distribucin con unta a ciertos valores para ]O esto implica -ue las probabilidades Vse estiman automticamenteW. Ctese -ue los resultados numricos y la decisin son los mismos en ambos tipos de contraste. Por otro lado, el contraste de bondad de a uste puede ser visto como un caso particular del contraste de homogeneidad con dos muestras donde una de ellas determina el modelo de referencia para la hiptesis nula &un vector de frecuencias determina un vector de probabilidades'. Cota< En este e ercicio, la independencia y homogeneidad no han sido rechazadas, mientras -ue la hiptesis -ue supone -ue la variable producto sigue en la poblacin $ la distribucin determinada por la muestra del grupo #. Por otro lado, la distribucin determinada por una muestra, involucrada en &a', es en general diferente de la distribucin subyacente com>n supuesta, involucrada en &b' y &c', -ue es estimada usando las muestras de ambos grupos. Entonces, esta distribucin subyacente Vest entre las dos muestrasW, lo -ue puede ustificar las decisiones en &a', &b' y &c'O de hecho, en este caso concreto el grupo $ tiene mayor peso al determinar esa distribucin por tener ms elementos.

&i< puede aplicarse la misma regla mnemotcnica tanto en el contraste de homogeneidad como en el Cota< En la prctica, para las estimaciones e de independencia< para cada posicin, multiplicar por las frecuencias absolutas de la fila y la columna y dividir por el n>mero total de elementos n.

E ercicios y problemas resueltos de !nferencia Estad"stica 4 %+

7eferencias
819 /asado, 6. Werramientas bsicas de Eatemticas, http<SS777.casado(d.orgSeduS^erramientas:asicas6eMatematicas.pdf 829 /asado, 6. &n)erencia estad$stica,
http<SS777.casado(d.orgSeduSdocencia.htmlfMatematicas!ntermedias(Estadistica(!nferenciaEstadistica

?niversidad /omplutense de Madrid

g Aacultad de /iencias Econmicas y Empresariales
g 6epartamento de Estad"stica e !nvestigacin hperativa !!
g 6avid /asado de 5ucas

$F de octubre del $=#$

E ercicios y problemas resueltos de !nferencia Estad"stica 4 %,