Documentos de Académico
Documentos de Profesional
Documentos de Cultura
Semana 03
Semana 03
TEOREMA:
Supongamos que X1 es una variable aleatoria definida sobre una población 1
cuyos parámetros son 1 y 1. Sea X2 una variable aleatoria definida sobre la
12 22
X2
1X 2
n1 n2
( X 1 X 2 ) ( 1 2 )
Z
que 12 22 es tal que Z N(0, 1).
n1 n2
Comentarios:
1. La distribución de X 1 X 2 es válida cuando ambas poblaciones son finitas y
las muestras se extraen con reposición.
2. Es válida también cuando las poblaciones son infinitas y las muestras se extraen
con o sin reposición.
3. Si las poblaciones de las cuales se extraen las muestras son finitas y sin
reposición, para encontrar la varianza de cada una de las medias se debe usar lo
visto en el teorema de las medias muestrales.
4.
Ejemplo 8
E[ X 2 ] = 1 , V[ X 2 ] = ......................... y n2 = ....................
La probabilidad de que la diferencia entre las medias muestrales exceda a 0.60 se
expresa por P( | .................... | > 0.6 ).
Resolviendo
P( | ..................... | > 0.6 ) = P( ................ < - 0.6 ) + P( ............... > 0.6 )
Ahora le restamos la diferencia de medias poblacionales y dividimos por la varianza
de la diferencia de medias. Esto en ambos miembros de la desigualdad.
( X 1 X 2 ) ( 1 2 ) 0.6 0 ( X X 2 ) ( 1 2 ) 0.6 0
P( ) P( 1 )
= 12 22 4
9 2
2
4
9
1
2
n1 n2 64 64 n1 n2 64 64
Ejemplo 9
En el ciclo de verano del 2004, el curso de Estadística Aplicada tuvo dos secciones.
En cada sección se aplicó metodologías de enseñanza diferentes. Al final del ciclo
los estudiantes se sometieron a un examen final integrado, donde se obtuvo los
siguientes resultados:
Sección Número de alumnos Desviación estándar
401 30 4.5
402 30 2.9
Sea X 1
y X 2
los promedios de notas en ambas muestras de tamaño 30. Se
Obtenga X 1
X2
= ……………. y X 1
X 2 …………..
Ejemplo 10
E[ X 2 ] = 1 = ............ V[ X 2 ] = ..................
Luego
P(3.4 < X 1 - X 2 < 5.9 )
Use Minitab para obtener esta probabilidad, que debe ser igual a 0.7146, creo.
Ejercicio 6
En una región costeña el consumo promedio por día de proteínas es de 200 gramos,
con una desviación de 80 gramos. En otra región el consumo promedio es de 150
gramos, con una desviación de 80 gramos. Si dicho consumo se distribuye
normalmente en ambas regiones, ¿cuál es la probabilidad de que dos muestras
aleatorias independientes de tamaño 40, tomadas en cada región tengan una
diferencia de medias muestrales a lo más de 2 gramos?
Eejercicio 7
Ejercicio 8
Una fábrica trabaja con dos tipos de máquinas: Máquina de tipo A y Máquina de tipo
B. El costo semanal X de reparación, para las máquinas de tipo A, tienen una
distribución normal con media 220 dólares y una desviación de ². El costo semanal
Y de reparación, para las máquinas de tipo B, también tienen una distribución
normal con media 250 dólares y una varianza de 3². Si el costo total de reparación
para la fábrica se define como C = 2X + Y,
a) Obtenga la media y varianza del costo semanal C de reparación de las dos
máquinas
b) ¿Cuál será el valor de , para que el costo semanal de reparación de las dos
máquinas no exceda los 1000 dólares, en el 95% de las veces?
c) Si se selecciona una muestra aleatoria X1, X2, ..., Xn de costos semanales para
las máquinas de tipo A y otra muestra aleatoria Y1, Y2, ..., Ym de costos
semanales para las máquinas de tipo B, obtenga la distribución muestral de
X Y , calculando su media y varianza.
DEFINICIÓN
Sea p1 la proporción de éxitos en la ocurrencia de un evento en la población 1 y
p1 (1 p1 ) p2 (1 p2 )
2p p2
V [ p1 p 2 ] V [ p1 ] V [ p 2 ]
1
n n
De donde
p1 (1 p1 ) p2 (1 p2 )
p p2
1
n n
Si los tamaños de las muestras son suficientemente grandes, aplicando el TLC la
variable
( p1 p 2 ) ( p )
1 p2
Z es tal que Z N(0,1).
p
1 p2
Comentarios
1. Si el muestreo se hace con reposición sobre poblaciones finitas entonces la
media y varianza de p1 p 2 serán las indicadas en el teorema.
2. Si el muestreo se realiza sin reposición, sobre poblaciones finitas, se deberá
aplicar el factor de corrección para poblaciones finitas en el cálculo de la
varianza.
3. Si las muestras se extraen con o sin reposición sobre poblaciones infinitas, tanto
la media como la varianza de p1 p 2 serán las que se indica en el teorema.
Ejemplo 11
.......... ..............
p p2
0.043
1
200 200
Luego
0 p 0.10
1 p2
P ( p1 p 2 ) P ( p1 p 2 0) P ( Z ) P( Z ) 1 ( 2.32)
p 0.043
1 p2
0.9898
Luego la probabilidad de que las mujeres acepten el producto más que los hombres
es 0.9898
Ejemplo 12
Ejercicio 9
Tomando en cuenta las consideraciones del problema anterior, se cree que el 16%
de los hogares del Distrito de La Victoria tienen ingresos familiares que se
clasifican como los de “nivel bajo”. Del mismo modo se cree que en el Distrito del
Rimac, esta proporción es del 11%. Si estas proporciones fueron válidas en 1996,
¿cuál es la probabilidad de que en una muestra aleatoria de 200 hogares del
Distrito de La Victoria y en otra muestra aleatoria de 225 hogares del Distrito del
Rimac, arrojen una diferencia entre las proporciones muestrales de por lo menos el
10%?
Ejercicio 11
Ejercicio 12
Cada domingo a las 9:00 de la mañana y a las 20:00 de la noche un gran porcentaje
de televidentes sintonizan en gran proporción, dos programas de televisión que se
emiten en estos horarios. Supongamos que estos programas son emitidos por los
canales A y B. El “rating” del último domingo, practicado en 500 televidentes,
muestran proporciones de 30% para el programa en el canal A y 35% para el
programa en el canal B. Una empresa consultora de opinión no está satisfecho con
estos resultados, motivo por el cual decide realizar su propia encuesta a 500 casas
de televidentes durante la transmisión del programa por el canal A, transmitido por
las mañanas y otra encuesta practicada bajo la misma modalidad sobre 500
televidentes, durante la transmisión del programa por el canal B. ¿Cuál es la
probabilidad de que los resultados indiquen una preferencia superior por el
programa transmitido por el canal B, respecto del programa transmitido por el
canal A?.
Nota:
Pero no se emplea indistintamente,
Nota:
Sea X1, X2, ..., Xn una ................................ de tamaño ...., extraída de una población
normal con ....... μ y ............ σ² desconocida. Sea X la ......................... Si n < 30
X
T
entonces la variable s es una variable que tiene distribución t (n-1).
n
Observación:
Si no se conoce la varianza poblacional, ¿cómo se calcula entonces la variable T?
Sea X1, X2, ..., Xn una muestra aleatoria de tamaño n1, extraída de una población
normal con media μ1 y varianza σ1² desconocida. Sea Y1, Y2, ..., Yn una muestra
aleatoria de tamaño n2, extraída de una población normal con media μ 2 y varianza
σ2² desconocida. Sea X Y la v.a. definida como la diferencia muestral de
medias muestrales.
( X Y ) ( )
Si n1 + n2 ≤ 30 entonces la variable T 1 2
es una variable que
X Y
tiene distribución t (n1 + n2 -2 ).
donde faltaría determinar cómo obtenemos X Y
a) Que, siendo desconocidas las varianzas poblaciones, suponer que son iguales
(σ1² = σ2²)
En este caso
( X Y ) ( )
T
1 2
1 1 t(n1+n2-2) donde
( )
n n 1 2
2 2
(n 1) s (n 1) s
1 1 2 2
n n 2 1 2
( X Y ) ( )
T 2
1
2
2
s s1 2
t(g)
n n 1 2
2
2 2
s1 s 2
n1 n2
g 2 2
2
donde 2
2
s1 s 2
n1 n2
n1 1 n2 1
TAREA 5
Sugerencia
Sea X1: Salario semanal en Metro
µ1 = 70; n1 = 14; s1 = 8
Debemos encontrar P( X X
2 2
5) . Si esta probabilidad es alta, diremos que es
muy probable que exista diferencia de sueldos, en caso contrario, no la hay.
Caso a). Suponer varianzas poblacionales desconocidas e iguales
Obtener su media y varianza y luego usar Minitab par resolver la probabilidad.
Ejemplo 13
Ventas
Técnica 1 Técnica 2
Media 68 72
Varianza 50 75
Si se supone que la variabilidad para ambas técnicas son desconocidas pero iguales;
¿presentan estos datos suficiente evidencia para afirmar que la técnica 2 produce
mejores resultados que la técnica 1? Se supone que la distribución de ambas técnicas
son aproximadamente normal.
Solución
Para responder a esta pregunta es suficiente encontrar
P ( ) P ( 0)
2 1 2 1
X
2
n1 = ......... ;
1
= ............... s 1
= ..................
; X
2
n2 = .........
1
= ............... s 2
= .........................
Al no conocer las varianzas poblacionales y suponer que son iguales debemos
aplicar el caso ..............
Según esto, primero obtenga
= ...................................................................
Ahora obtenga T = ..................................................................
Sea X1, X2, ..., Xn una ................................ de tamaño ...., extraída de una
población normal con ....... μ y ............ σ² .
2
(n 1) s
V
2
Si definimos la variable entonces V ( n 1)
2
X X
n
i 2
Del mismo modo, si entonces V ( n 1)
V i 1
2
Ejemplo 14
Solución
Según los datos: n = .........; σ² = ...........
Debemos hallar: P(......... ≤ s² ≤ ..........)
De acuerdo a esto, debemos generar la definición de V en el centro de esta
desigualdad. Para ello, debemos multiplicar por (n -1 ) y dividir por σ².
Esto es:
24 * 4.071 (n 1) s ² 24 * 15.10125
2
P( ) P (10.856 (24) 40.27)
9 ² 9
.........
Ejemplo 15
Solución
Según los datos: n = .....; σ² = ......... y nro. de gdos. Lib. = .........
Debemos obtener: P( .............................)
Esto es P(............................) = 1 – P(...................................)
Usando Minitab, obtendremos que P(s² ≥ 0.75 ) = 0.00723
(aproximadamente)
F
2
1
2
tal que F F(n1 – 1, n2 – 1)
s 2
2
2
2 2
donde s 1
y s 2
son las varianzas muestrales de cada muestra.
Ejemplo 16
Dadas dos muestras aleatorias de poblaciones normales con varianzas
iguales, de tamaño 10 cada una, ¿cual es la probabilidad de observar que la
varianza de la primera muestra sea por lo menos cuatro veces la varianza de
la segunda muestra?
Solución
F
2
1
2
s 2
2
2
P( s²21 4)
s 2
2
s 1
P( s² 4) P(
2
2
1 1
2
4) P(F(10 -1, 10 – 1) ≥ 4 )
s 2 s 2
2
2
ESTADISTICA INFERENCIAL
4. INTRODUCCION
En la mayoría de los problemas económicos y sociales en los cuales se puede
utilizar la estadística son susceptibles de ser explicados mediante la construcción de
un modelo estadístico, máxime si la regularidad de la ocurrencia de tales ocurrencias
se puede expresar mediante los conceptos de variable aleatoria. En este caso, el
modelo que describe al comportamiento de la población, en los cuales se manifiesta
el problema, son modelos probabilísticas.
Según esto, el modelo puede ser representado mediante una función, digamos f, por
la variable aleatoria X (pueden ser múltiples variables) y por un conjunto de
parámetros, los que en conjunto describe el comportamiento de la población.
1
La dirección es la siguiente: http://www.geocities.com/inforice/modelosprob.doc
Sea X una variable aleatoria con f(x; θ), su función de distribución en el cual, θ
representa el o los parámetros poblacionales. Sea X1, X2, ..., Xn una muestra aleatoria
de tamaño n, extraída de esta población. Diremos que
es un estimador del
parámetro , si existe una función H tal que
= H(X1, X2, ..., Xn ).
Observaciones:
Para que
sea un estimador de , debe poseer algunas propiedades y estas son las
siguientes:
X X
n
2
s²
a) Si = i
entonces es un estimador
s² i 1
n
SESGADO de σ² ya que NO se cumple que E(
) = σ².
X X
n
2
b) Si
= entonces
s² es un estimador
i
2
s i 1
n 1
INSESGADO de σ² ya que se cumple que E(
) = σ².
Ejercicio de consulta:
En la página 121 del Libro Inferencia Estadística de Máximo Mitacc se encuentra las
demostraciones de los casos a) y b). Usted debe estudiar estas demostraciones y
presentarlas al profesor en una hoja.
Ejemplo 1
Sea Z1, Z2, ..., Z5 una muestra aleatoria extraída de una población N(μ, σ²).
Sean los estadísticos:
1 y 2 definidos como
= Z Z
2Z3 Z 4 Z 5
= Z y 1 2
1 2
6
¿Ambos estadísticos son estimadores insesgados de μ?
Solución
Por definición, si E(
) = entonces
es un estimador insesgado de .
Tomemos esperanza al primer estadístico: E(
1 ) = .E( Z ) = ...............
Según esto, Z (es / no es ) es un estimador insesgado de μ.
En cuanto al segundo estadístico:
Tomemos esperanza a ambos miembros:
E( Z 1
Z 2 2Z 3 Z 4 Z 5
E(
2 )=
6
) .............................................
Luego
2 (es / no es ) un estimador insesgado de μ.
Ejercicio 1
a) Si X
n X n X1 1 2 2
¿es la estadística un estimador insesgado de μ?.
n n 1 2
2
b) Si
(n11) s1 (n2 1) s
2
¿la estadística s² un
s2
2
n1 n2 2
estimador insesgado de σ²?
Ejercicio 2
n1 X 1
n2 X 2
a) Probar que la estadística ¿es un estimador insesgado de λ?
n1 n2
b) Pruebe que la varianza de este estimador es igual a
n1 n2
P2. Debe ser un estimador CONSISTENTE
Un estimador
es un estimador CONSISTENTE del parámetro si P(|
-|>
ε)=0
Un estimador
es un estimador EFICIENTE del parámetro si es INSESGADO y
de VARIANZA MINIMA.
Se dice que es de varianza mínima ya que si existiera otro estimador insesgado digamos
Sea X1, X2, X3, X4 una muestra aleatoria de cualquier población con μ y σ² sus
parámetros. ¿Cuál de los dos estadísticos que se definen a continuación, es el más
eficiente μ?.
1 X X X X
1 2 3 4
2
4 X1 X 3 X 4
4 4
Solución
Primero debemos probar si son insesgados, encontrando E(
1 ) y E(
2 )
.............................................................................................................................
Luego debemos obtener la varianza de cada uno de ellos; es decir, debemos encontrar
V(
1 ) y V(
2 ).
V(
1 ) = ..........................................................................................................................
V(
2 ) = ......................................................................................................................
Ejercicio
Resuelva los ejercicios 1 y 4 de la página 151 del Libro Inferencia Estadística de
Máximo Mitacc (519.54/ M66 / 1999).