Universidad de Concepcin

Dpto. de Gestin Empresarial

Ingeniera Comercial

29 de septiembre de 2015

M. Sc. Sergio Rifo Rivera

Pauta Certamen N 1 Estadstica II

Instrucciones: En el tem de Verdadero o Falso debe justificar detalladamente las afirmaciones que considera como falsas, de lo contrario no obtendr puntaje. En el tem de regresin
lineal debe realizar los clculos manualmente solo con ayuda de las funciones bsicas de su
calculadora. Redacte y fundamente sus respuestas de forma clara y precisa. Si algn alumno
es sorprendido copiando o en otra situacin sospechosa, ser evaluado con nota mnima 1,0.
Est prohibido el uso de celular, smartphone, tablet y demases.
1. (1 pto. c/u) Indique si las siguientes afirmaciones son verdaderas (V) o falsas (F).
Justifique las falsas.
a)

V El fin ltimo de la inferencia estadstica es extraer conclusiones sobre una

poblacin, usando una muestra representativa de la misma.

b)

F Un coeficiente de correlacin lineal = 0, 25 indica que la asociacin

cuadrtica entre dos variables X e Y es decreciente y relativamente dbil.
Justificacin: El coeficiente de correlacin lineal mide el grado de asociacin
lineal entre dos variables X e Y y no el grado de asociacin cuadrtica.

c)

d)

e)

Los errores del modelo de regresin lineal estn simtricamente distribuidos.

V El modelo de regresin lineal es un caso particular del mtodo de estimacin

conocido como mnimos cuadrados.
F

La heterocedasticidad es uno de los supuestos del modelo de regresin lineal.

Justificacin: La heterocedasticidad indica que la varianza de los errores ui son

diferentes. El modelo de regresin lineal tiene el supuesto contrario, la homocedasticidad, la cual indica que los errores tienen igual varianza i2 .
f)

F Un coeficiente de determinacin R2 = 0,86 indica que por cada unidad que

vare la variable independiente X, la variable dependiente Y aumentar en 0,86
unidades.
Justificacin: Un coeficiente de determinacin R2 = 0,86 indica que la un 86 %
de las variaciones sufridas por la variable dependiente son explicadas por el modelo
de regresin lineal.

g)

El mtodo OLS se basa en minimizar la suma de los errores estimados.

Justificacin: El mtodo OLS, o mtodo de los mnimos cuadrados ordinarios, se

basa en minimizar la suma de los cuadrados de los errores estimados; es decir,
mn

b1 ,b2

b2i
u

h)

V Los estimadores EMVs de los parmetros de una distribucin normal coinciden con los obtenidos con el mtodo de los momentos.

i)

F Si T tiene una distribucin t de Student con n grados de libertad, entonces

la nueva variable aleatoria U = T 2 tiene una distribucin F de Fisher con 2 grados
de libertad en el numerador y n grados de libertad en el denominador.
Justificacin: Es falso pues T 2 sigue una distribucin F de Fisher con 1 grado
de libertad en el numerador y n grados de libertad en el denominador. En efecto,
N (0, 1)
T tn = q 2
n
n

Luego,
2

T2
T2
2

N (0, 1)

2n
n

[N (0, 1)]2
2n
n
21
1
2n
n

T 2 F1,n

j)

F En el modelo de regresin lineal podemos utilizar informacin a priori para

determinar cul variable es la variable dependiente.
Justificacin: Debido a que el modelo de regresin lineal trabaja con variables
aleatorias, no se puede determinar causalidad a priori.

2. (10 puntos) Un estudio sobre la cantidad de lluvia y la de contaminacin removida del

aire produjo los siguientes datos:
Partculas removidas (g/m3 )
126
121
116
118
114
118
132
141
108

Cantidad de lluvia (mm)

4.3
4.5
5.9
5.6
6.1
5.2
3.8
2.1
7.5

Suponiendo que las variables se relacionan linealmente,

a) Encuentre la recta de regresin para estimar la cantidad de partculas removidas
en funcin de la cantidad de lluvia cada.
Solucin: Denotando por Xi a la cantidad de lluvia cada y por Yi a la cantidad
de partculas removidas, construimos la tabla necesaria para hacer los clculos.
Xi
4.3
4.5
5.9
5.6
6.1
5.2
3.8
2.1
7.5
45

Yi
126
121
116
118
114
118
132
141
108
1094

Xi2
18.49
20.25
34.81
31.36
37.21
27.04
14.44
4.41
56.25
244.26

Xi Yi
541.8
544.5
684.4
660.8
695.4
613.6
501.6
296.1
810
5348.2

Xi X
-0.7
-0.5
0.9
0.6
1.1
0.2
-1.2
-2.9
2.5
0

Yi Y
4.44
-0.56
-5.56
-3.56
-7.56
-3.56
10.44
19.44
-13.56
0

Xi X
0.49
0.25
0.81
0.36
1.21
0.04
1.44
8.41
6.25
19.26

2

2

Yi Y
19.71
0.31
30.91
12.67
57.15
12.67
108.99
377.91
183.87
804.19



Xi X Yi Y
-3.108
0.28
-5.004
-2.136
-8.316
-0.712
-12.528
-56.376
-33.9
-121.8

Por otro lado, es sencillo notar que X = 5 e Y = 121,56. Luego,

Xi Yi Xi Yi
P 2
P
n Xi ( Xi )2
9 5348,2 45 1094
=
9 244,25 (45)2
= 6,327

c2 = n

c1 = Y
c2 X

= 121,56 (6,327) 5
= 153, 195
Finalmente, la recta de regresin buscada es:
Ybi = 153,195 6,327Xi

(1)


b) Estime la cantidad de partculas removidas cuando la lluvia cada es de 4,8 mm.

Solucin: Con Xi = 4,84 se tiene que
Ybi = 153,195 6,327 4,8
= 122,83
Por tanto, si la lluvia cada es de 4,8 mm, se estima que la cantidad de partculas
removidas ser de 122,83g/m3 .

c) Si se remueven 130 g/m3 de partculas, cunta es el agua cada?
Solucin: Con Yi = 130 se tiene que
130 = 153,195 6,327 Xi
Xi = 3,67
Por ende, si la cantidad de partculas removidas alcanza los 130 g/m3 , se estima
que la cantidad de lluvia cada es de 3,67 mm.

d) Calcule e interprete y R2 .
Solucin: El coeficiente de correlacin lineal se calcula as:
P

= r

P



2 rP 

Yi Y

Xi X

Xi X

Yi Y

2

121,8

19,26 804,19
= 0,9787
=

Lo cual indica una fuerte relacin lineal negativa entre las variables; es decir, a
mayor cantidad de lluvia cada, una menor cantidad de partculas removidas. Por
otro lado, es evidente que R2 = 0,9579, lo cual indica que un 95,79 % de las variaciones sufridas en la cantidad de partculas removidas est explicada por el modelo
de regresin lineal obtenido en (1).


3. (15 puntos) Una mquina embotelladora puede ser regulada para que descargue un
promedio de onzas por botella. Se ha observado que la cantidad de lquido dosificado
por la mquina est distribuida normalmente con = 1 onza. Una muestra de n = 9
botellas se selecciona aleatoriamente de la produccin de la mquina en un da determinado (todas embotelladas con el mismo ajuste de la mquina) y las onzas de contenido
lquido se miden para cada una.
a) Determine la probabilidad de que la media muestral se encuentre a no ms de 0,3
onzas de la verdadera media para el ajuste seleccionado de la mquina.
Solucin: Si X1 , X2 , . . . , X9 representa el contenido en onzas de las botellas observadas, entonces cada Xi se encuentra distribuida normalmente con media y
desviacin tpica = 1. Adems, X se distribuye normalmente con media X =
y desviacin tpica X = n = 19 . Luego, nos piden calcular:


P |X | 0,3 = P 0,3 X 0,3

X
0,3
0,3


/ n
1/ 9
1/ 9

=P

= P (0,9 Z 0,9)
= P (Z 0,9) P (Z 0,9)
= 0,8159 0,1841
= 0,6318
Por lo tanto, la probabilidad de que la media muestral se encuentre a no ms de
0,3 onzas de la verdadera media es de 0,6318 (63,18 %).

b) Cuntas observaciones deben estar incluidas en la muestra si deseamos que la
media muestral se encuentre a no ms de 0,3 onzas de con probabilidad de 0,95?
Solucin: Con las mismas notaciones del tem anterior, ahora buscamos que


P |X | 0,3 = P 0,3 X 0,3 = 0,95

Estandarizando la expresin anterior obtenemos

0,3
X
0,3


1/ n
/ n
1/ n

= P 0,3 n Z 0,3 n = 0,95

Usando la tabla de probabilidades de la distribucin normal estndar, podemos

observar que
P (1,96 Z 1,96) = 0,95

De donde podemos concluir que 0,3 n = 1,96, o bien n = 42,68.

De este modo, debemos incluir 43 observaciones en la muestra si deseamos que la
media muestral se encuentre a no ms de 0,3 onzas de con probabilidad de 0,95.

c) Suponga que planeamos seleccionar una muestra aleatoria de diez botellas y medir
la cantidad de lquido en cada una. Si estas diez observaciones se usan para calcular
S 2 , podra ser til especificar un intervalo de valores que incluirn S 2 con una
probabilidad alta. Encuentre nmeros b1 y b2 tales que


P b1 S 2 b2 = 0,90
Solucin: Primero notemos que


P b1 S b2

"

(n 1)b1
(n 1)S 2
(n 1)b2
=P

2
2

Definiendo:

a1 =

(n 1)b1
2

(2)

a2 =

(n 1)b2
2

(3)

sigue una distribucin 2 con n 1 = 9 grados

Con n = 10 se tiene que (n1)S
2
de libertad. Luego, usando la tabla de distribuciones de 2 debemos encontrar los
nmeros a1 y a2 tales que
"

(n 1)S 2
P a1
a2 = 0,90
2
Usando la tabla 2 obtenemos que a1 = 3,325 y a2 = 16,919. Reemplazando estos
valores en (2) y (3) y despejando los valores de b1 y b2 , finalmente se obtiene que
b1 = 0,369

b2 = 1,880

Luego, uno de los intervalos que contiene a S 2 con una probabilidad de 0,90 es
]0,369; 1,880[.


4. (15 puntos) Suponga que una poblacin sigue una distribucin G(, ); con parmetros
> 0 y > 0 y funcin de densidad dada por
f (X; , ) =
Si definimos S2 =
que:

()

X 1 e ;

X>0

n 
2
1X
Xi X . Use el mtodo de los momentos para demostrar
n i=1

b =

S2
X

b=

X
S2

Solucin: Al tener dos parmetros que estimar, el mtodo de los momentos se centra
en resolver el sistema de ecuaciones:
1X
Xi
n
h i
1X 2
E X2 =
Xi
n
E [X] =

Donde,
Z

E [X] =

X f (X; , ) dX

1
()

X X 1 e dX

1
()

X e dX

Z
+1
=
u eu du

()

( + 1)
()

=
()
()
=

Por otro lado,

E X

X 2 f (X; , ) dX

1
=
()

X 2 X 1 e dX

1
()

X +1 e dX

+2
()

u+1 eu du

2
=
( + 2)
()
2
( + 1)()
=
()
= 2 ( + 1)
Luego, debemos resolver el sistema
1X
Xi
n
1X 2
Xi
2 ( + 1) =
n
=

(4)
(5)

De (4) se tiene que = X, de donde se puede despejar =

ltimo en (5), obtenemos:

!2

( + 1) =

1X 2
Xi
n

X
1X 2
( + 1) =
Xi

n
X
2
nX ( + 1) =
Xi2
2

nX + nX =


nX

Xi2 = nX
b=

Xi2
2

nX
2

nX

Xi2

X
.

Reemplazando esto

b= P

nX

Xi2 nX

b= P

Xi2 nX
n
2

b=

Reemplazando (6) en =

X
S2

(6)

S2
se obtiene que b = .
X


5. (10 puntos) Sea {X1 , X2 , . . . , Xn } una m.a.s. de tamao n, proveniente de una poblacin con distribucin de Rayleigh, cuya funcin de densidad es
f (X; 2 ) =

X X 22
e 2 ;
2

X>0

Obtenga el EMV para 2 .

Solucin: Primero formamos la funcin de verosimilitud de la muestra.

L 2 =

n
Y

f (Xi ; 2 )

i=1

1
2

n Y
n

Xi e 22

Pn
i=1

Xi2

i=1

Aplicamos logaritmo natural a la funcin de verosimilitud.



ln L 2 = n ln 2 +

n
X

ln (Xi )

i=1

n
1 X
X2
2 2 i=1 i

Derivamos la funcin de log-verosimilitud respecto a 2 .

n
ln L 2
n
1 X
X2
=

+
2
2 2 ( 2 )2 i=1 i

Esto ltimo lo igualamos a cero y despejamos 2 .

n
n
1 X
X2 = 0
+
2 2 ( 2 )2 i=1 i

2n 2 + ni=1 Xi2
=0
2 ( 2 )2
P

2n 2 +

n
X

Xi2 = 0

i=1

c2 =

n
1 1X

X2
2 n i=1 i

c2 =

X2
2

n
2
X
c2 = X
c2 = 1
Xi2 o bien,
Por tanto, el EMV de 2 es
2n i=1
2

10