Documentos de Académico
Documentos de Profesional
Documentos de Cultura
t t t
x1 x2 xn t t t
M x (t ) = E (e ) = E (e
xt n
) ⋅ E (e n
) ⋅ ⋅ ⋅ ⋅ ⋅ ⋅ E (e n
) = M x1 ( ) ⋅ M x 2 ( ) ⋅ ⋅ ⋅ ⋅ ⋅ ⋅M xn ( )
n n n
n
µ t +σ 2 t2 σ 2 t2
n
µt +
= M xi ( )
t 2
= e n 2 n = e
2 n
n
σ2
La f.g.m. desarrollada corresponde a la distribución normal, donde x ~ N (µ, )
n
Por la tanto, ()
E x =µ y V (X ) =
σ2
n
.
Su estandarización es la siguiente: Z=
(x − x )− (µ − µ ) ~
1 2 1 2
N(0,1)
σ 12
σ 22
n + n
1 2
Solución:
σ 12 σ 22
Según el corolario 1, µx = µ1 − µ 2 = 10 y σ x2 −x = + = 2,8 . Luego, la
1 −x 2 1 2 n1 n2
(
Así, P x1 − x 2 < 8,2 ) =1-
P z >
8,2 − 10
= 0.1401
2,8
Solución:
Si x1 , x2 ,........, x9 representan las onzas de contenido a observaciones, se deduce que xi
presenta una distribución normal con una media µ y varianza σ 2 =1 para i=1,2,....,9.
Por tanto, x tiene una distribución normal con media µ y varianza 1/9.
( )
En lenguaje simbólico, queremos calcular: P x − µ ≤ 0,3 El desarrollo es el siguiente,
= P (− 0,3 ≤ x − µ ≤ 0,3) =
0,3 x−µ 0,3
P − ≤ ≤
σ/ n σ/ n σ/ n
x−µ 0,3
= P(− 0.9 ≤ z ≤ 0.9) = 1 – 2 P( Z > 0.9 ) = 0.6318
0,3
= P − ≤ ≤
1/ 9 σ/ n 1 / 9
La probabilidad es sólo de 0,63 de que la media muestral diste a lo más en 0,3 de onza
de la media poblacional real.
( ) −ε
P x − µ ≤ ε = P ≤z≤
ε
σ / n
σ / n
Estadística para ingenieros. H.A. – L.R. – R.S. 4
( ) −ε
P x − µ ≤ ε = P
σ
≤z≤
σ
ε
≤ 1 − α . Ahora, para α y ε dados, queremos
/ n / n
σ
determinar el tamaño muestral. Se puede obtener la expresión X − µ ≤ Z (α / 2) ⋅ .
n
ε
Tenemos que ≥ Z (α 2) donde Z (α 2) es el percentil (α 2) de la distribución
σ/ n
normal estándar. Despejando y considerando el mayor error se tiene el tamaño muestral
z (α 2) ⋅ σ
2
necesario, n ≥
ε
Solución:
( ) (
Ahora se pretende que P x − µ ≤ 0,3 = P − 0,3 ≤ x − µ ≤ 0,3 = 0,95 )
( )
Esto es, P − 0,3 n ≤ z ≤ 0,3 n = 0,95. Tenemos que P (− 1,96 ≤ z ≤ 1,96 ) = 0,95
Estadística para ingenieros. H.A. – L.R. – R.S. 5
Teorema 2. Sea X 1 , X 2 ,......., X n una muestra aleatoria extraída de una población normal
X ~ N (µ,σ 2 ) y denotemos Y =
(n − 1)S 2 . Entonces, la variable aleatoria Y tiene
σ2
1 1
E e σ =
t
;t < es la función generadora de momentos de una χ n2−1 y
(1 − 2t )(n −1) / 2 2
en consecuencia: Y =
(n − 1)S 2 ~ χ n2−1 .
σ2
Observación:
La demostración que las variables aleatorias de la media x y la varianza s 2 son
independientes no la presentaremos en este curso. Por otro lado, el número de grados
de libertad del estadístico resultante disminuye en una unidad por cada parámetro que se
ha estimado.
Solución:
a) X: Precio de costo de equipos computacionales
X ~ N (500,2500)
(
P 521 < x < 540 = P ≤Z≤ ) 521 − 500
= P ( Z > 0.94 ) − P ( Z > 1,79 ) = 0,1369
540 − 500
50 / 5 50 / 5
b) P(
(n − 1)S 2 ≤
9 ⋅ 68,562
(
) = 1 - P X 92 > 16,92 = 0.95 )
σ 2
502
Estadística para ingenieros. H.A. – L.R. – R.S. 7
Ejemplo 7. Suponga que una muestra de 10 neumáticos nuevos tuvieron una duración
promedio igual a 75.000 kilómetros con una varianza estimada igual a 32.000
kilómetros. Suponiendo normalidad, calcular la probabilidad de que el estimador S 2
exceda a la verdadera varianza σ 2 en un 36% o más.
Solución:
( )
Se pide P S 2 ≥ 1.36σ 2 = P(Y ≥ 12.24) = 0,20, donde Y ≈ X 92 . Se espera que en 20 de
cada 100 muestras ocurra este evento.
Distribución t- Student
Sea W una variable aleatoria distribuida normal estándar y V otra variable aleatoria
W
distribuida Chi- cuadrado con n grados de libertad, formemos el cuociente T = ,
V n
donde T es una variable aleatoria con distribución t- Student , además, W y V son
independientes. Entonces, consideremos el caso particular, para una muestra con
distribución normal, es posible demostrar que x es independiente de S 2 , y por tanto
podemos formar una variable aleatoria con distribución t-Student de la siguiente forma:
W=
x−µ
~ N (0,1) y V=
(n − 1)S 2 ~ X n2−1 variables aleatorias independientes,
σ/ n σ2
x−µ
σ/ n x−µ
entonces T = = ~ t-Student con (n-1) grados de libertad
(n − 1)S 2 S/ n
σ 2 (n − 1)
n +1
Γ n +1
−
2 t2 2
f (t ) = 1 +
, t ∈ℜ
n n
Γ nπ
2
Estadística para ingenieros. H.A. – L.R. – R.S. 8
Propiedades:
1. f(t) es simétrica con respecto al eje de la ordenada, E(t)=0, pero su varianza es
mayor que 1 lo que resulta ser más achatada y de colas más altas que la normal.
2. Existe una curva para cada (n-1) grados de libertad.
3. P(t ≤ t 0 ) = FT (t 0 ) se encuentra tabulada para los distintos grados de libertad.
X −µ
T= ~ t (n − 1)
S n
Ejemplo 9. Sea X una variable aleatoria con distribución normal de promedio µ = 5,2 y
varianza desconocida. Se obtiene una muestra aleatoria de 10 individuos, obteniéndose
los siguientes resultados:
5,3 6,5 2,1 4,3 3,9 7,8 9,0 1,2 5,0 8,1
X 1 − X 2 − ( µ1 − µ2 )
Z= ~ N (0,1)
1 1
σ⋅ +
n1 n2
. Además: E (S p2 ) = σ 2
(n1 − 1) ⋅ S12 + (n 2 − 1) ⋅ S 22
y σ 2 puede ser estimado por S p2 =
n1 + n 2 − 2
( n1 − 1) ⋅ S12 (n2 − 1) ⋅ S 22
Sabemos que: Y1 = ~ ℵ(2n1 −1) , Y2 = ~ ℵ2( n 2 −1)
σ2 σ2
( n1 − 1) ⋅ S12 ( n2 − 1) ⋅ S 22
Luego se tiene Y = Y1 + Y2 = + ~ ℵ(2n1 + n 2 − 2 )
σ2 σ2
Z X 1 − X 2 − ( µ1 − µ2 )
T= = ~ t ( n1 + n2 − 2)
Y 1 1
Sp ⋅ +
n1 + n2 − 2 n1 n2
Distribución F- Fisher
Supongamos que se tienen dos muestras provenientes de dos distribuciones normales
con media y varianzas desconocidas.
n + n2
Γ 1 n1 n +n
− 1 2
2 n1 2 n1 X
n1
2
−1
f ( x) = X 1 + , x>0
2
n n n n2
Γ 1 Γ 2 2
2 2
Propiedades
1
1. f 1−α (n1 , n 2 ) =
f α ( n 2 , n1 )
S 2σ 2
Por lo tanto, la siguiente expresión: F = 1 2 ~ F (n1 − 1, n2 − 1)
S 22σ12
( n1 − 1) ⋅ S12 ( n2 − 1) ⋅ S 22
~ ℵ(2n1 −1) , ~ ℵ(2n 2 −1)
σ 12 σ 22
Entonces
S12 ⋅ σ 22
F= ~ f (n1 − 1 , n2 − 1)
S 22 ⋅ σ 12