Documentos de Académico
Documentos de Profesional
Documentos de Cultura
5.1 ESTIMACIÓN.
La parte de las matemáticas que trata de resolver problemas en base al análisis realizado sobre datos
que han sido obtenidos de la manera más adecuada posible (en base a un buen diseño de muestreo) se
conoce como estadística.
La estadística descriptiva organiza, resume y presenta los datos, mientras que la estadística inferencial
toma decisiones respecto a una población en base a todo un estudio que hace sobre una parte de tal
población, conocida como muestra.
Descriptiva
Estadística
Puntual
Estimación de
parámetros
Por intervalo
Inferencial
Prueba de
hipótesis
Existen dos tipos de estimadores; puntual si solo se presenta un número como posible valor del
parámetro θ , y por intervalo si se presenta un conjunto de números dentro del cual puede estar el
valor de θ .
Por ejemplo cuando decimos; edad promedio de 35 años, estatura promedio de 1.65m, calificación
promedio de 9.3, etc. son estimaciones puntuales.
132
Profesora: Leticia Cañedo Suárez. ESCOM-IPN
Como ya se dijo θˆ es una v.a y tiene una distribución de probabilidad. Supón que θˆ1 y θˆ2 son
estimadores diferentes del parámetro θ y que tienen una distribución acampanada, con E θˆ1 = θ y ( )
( )
E θˆ > θ .
2
3) Sesgo θˆ1 = E θˆ − θ
ECM (θˆ ) = E (θ − θˆ )
2
= E [θ − θˆ + E (θˆ ) − E (θˆ )]
2
() ( )[ ( ) ( )]
= V θˆ − 2 Sesgo θˆ E θˆ − E θˆ + Sesgo 2 θˆ ()
() ()
ECM θˆ = V θˆ + Sesgo 2 θˆ ()
()
Si el estimador es insesgado, se tiene que Sesgo θˆ = 0 y entonces ECM θˆ = V θˆ . () ()
133
Profesora: Leticia Cañedo Suárez. ESCOM-IPN
Sería muy bueno encontrar el estimador insesgado de varianza mínima, para esto se utiliza la cota de
Cramér-Rao, la cual se presenta como
()
V θˆ ≥
1
nE [ ln f X ( x;θ )]
∂ 2
∂θ
()
Si V θˆ =
1
se dice que se tiene el estimador insesgado de varianza mínima para el
nE [ ln f X ( x;θ )]
∂ 2
∂θ
parámetro θˆ .
Ejemplos:
1._ Si X es una v.a con media µ y varianza σ 2 y X 1 , X 2 ,K , X n es una m.a de tamaño n de X, se tiene
que la media muestral X y la varianza muestral S 2 son estimadores puntuales de la media y la
varianza poblacional respectivamente. ¿Son insesgados estos estimadores?
Solución
1 n
La media muestral está dada por la expresión X = ∑ X i . Entonces su esperanza es:
n i =1
( ) 1 n
E X = E ∑ X i = µ ∴ X sí estima de manera insesgada a la media poblacional.
n i =1
=
1 n 2
∑
n − 1 i =1
(
xi − 2 xi x + x
2
)
1 n 2 n n
2
= ∑
n − 1 i =1
x i − 2 x ∑
i =1
x i + ∑
i =1
x
1 n 2 n
2
= ∑
n − 1 i =1
x i − 2 xn x + ∑
i =1
x
1 n 2 2
= ∑ x i − 2n x + n x
2
n − 1 i =1
1 n 2 2
= ∑
n − 1 i =1
xi − n x
Entonces E (S 2 ) =
1 n
∑
n − 1 i =1
( )
E (xi2 ) − nE x
2
134
Profesora: Leticia Cañedo Suárez. ESCOM-IPN
σ2
Recuerda que
X ~ N x; µ x = µ , σ x2 =
n
y que ( )
V ( X ) = E X 2 − E 2 (X ) y por tanto
( )
E X2 = V ( X ) + E 2 (X )
n −1
2
(
n σ + µ − n
2
) + µ 2
n
=
1
n −1
(
nσ 2 + nµ 2 − σ 2 − nµ 2 )
σ 2 (n − 1)
= = σ 2 Entonces S 2 estima de manera insesgada a la varianza poblacional.
n −1
2._ Supón que se tiene una m.a de tamaño 2n de una población denotada por X con media µ y varianza
1 2n 1 n
σ 2 y que µ̂1 = ∑ X i y µ̂ 2 = ∑ X i son dos estimadores para la media poblacional µ . ¿Cuál
2n i =1 n i =1
estimador recomendarías?
Solución
1 2n
E (µˆ 1 ) = E ∑ X i = µ
2n i =1
1 n
E (µˆ 2 ) = E ∑ X i = µ
n i =1
Ambos estimadores son insesgados, entonces hay que considerar otro criterio. Veamos cuales son sus
errores cuadráticos medios.
( )
ECM (µˆ 1 ) = V X =
σ2
2n
nσ 2 σ 2
ECM (µˆ 2 ) = =
n2 n
σ n 1
2
Er = = <1
2n σ 2 2
Entonces yo recomendaría a µ̂1 porque estima de manera más eficiente a la media poblacional.
135
Profesora: Leticia Cañedo Suárez. ESCOM-IPN
3._ Si X 1 , X 2 ,K , X 7 es una m.a de una población que tiene media µ y varianza σ 2 . Considera los
siguientes estimadores de µ :
1 7
θˆ1 = ∑ X i
7 i =1
θˆ2 = (2 X 1 − X 6 + X 4 )
1
2
Solución
( ) 1
7
1
( )
a) E θˆ1 = (7 µ ) = µ y E θˆ2 = (2 − 1 + 1) µ = µ . Ambos estiman de manera insesgada a la medio
2
poblacional.
( ) ( ) σ 2
b) ECM θˆ1 = V X =
7
( ) ( )
ECM θˆ2 = V θˆ2 = (6σ 2 ) = σ 2
1
4
3
2
Entonces θˆ1 es más eficiente que θˆ2 .
4._ Considera que se toman tres muestras aleatorias de tamaños 10, 8 y 6 de una población con media
µ y varianza σ 2 . S12 , S 22 y S 32 las varianzas correspondientes de las muestras. ¿Será S 2 un estimador
insesgado de la varianza poblacional?
S2 =
1
24
(
10 S12 + 8S 22 + 6 S 32 )
Solución
( )
Ya vimos que E S 2 = σ 2 entonces E (S 2 ) =
1
24
(10 + 8 + 6)σ 2 = σ 2 , por tanto sí es un estimador
insesgado del la varianza poblacional.
5._ Supón que Y1 , Y2 , Y3 forman una muestra aleatoria de una distribución exponencial con función de
1 y
densidad f Y ( y ;θ ) = exp − con y > 0 . Considera los siguientes estimadores para θ : θˆ1 = Y 1 ,
θ θ
Y +Y Y + 2Y2
θˆ2 = 1 2 , θˆ3 = 1 , θˆ4 = Y .
2 3
a) ¿Cuáles de estos son estimadores insesgados?
b) Considerando sólo a los estimadores insesgados ¿Cuál tiene menor varianza?
136
Profesora: Leticia Cañedo Suárez. ESCOM-IPN
Solución
6._ Demuestra que la media muestral es el estimador de varianza mínima para la media poblacional de
una distribución normal con media µ y varianza σ 2 .
Solución
1 x−µ
2
(
ln f X x; µ , σ 2
) = ln
1
−
σ 2π 2 σ
∂
ln f X (x; µ , σ 2 ) =
1
[2( x − µ )] = x −2µ
∂µ 2σ 2
σ
2
∂
( 1
) 1
E ln f X x; µ , σ 2 = E 4 ( x − µ ) 2 = 4 E ( x − µ ) 2 =
1 1
V (X ) = 2
∂µ σ σ σ2
2
σ ( )
Entonces CCR =
σ2
n
( )
= V X por lo tanto X es el estimador insesgdo de varianza mínima para µ .
137
Profesora: Leticia Cañedo Suárez. ESCOM-IPN
MÉTODO DE LOS MOMENTOS PARA ESTIMAR PARÁMETROS.
Este método da por hecho que los momentos muéstrale son una buena aproximación de los momentos
poblacionales, por lo tanto se igualan ambos momentos y de ahí se despeja el estimador del parámetro
de interés.
1 n
mk = ∑
n i =1
Xi
k
k-ésimo momento muestral de la v.a X.
El estimador del parámetro θ obtenido por el método de los momentos se escribe con una tilde sobre
~
teta de la forma θ .
Ejemplos:
( ) ( )
1._ Sea X ~ N x; µ , σ 2 estima θ = µ , σ 2 en base a una muestra aleatoria de tamaño n usando el
método de los momentos.
Solución
Tenemos dos parámetros a estimar por lo tanto necesitamos los dos primeros momentos muestrales y
los dos primeros momentos poblacionales.
Se igualan los primeros momentos; µ~ = x
()
σ~ 2 + x =
2 1 n 2
∑ xi
n i =1
σ~ 2 =
1 n 2
∑ xi − x () 2
=
1 n 2
∑
n i =1
() 2
xi − n x
n i =1
σ~ 2 =
1 n
(
∑ xi − x
n i =1
)2
2._ Determina los estimadores por momentos para los parámetros α , β de la distribución gamma, en
base a una m.a de tamaño n.
138
Profesora: Leticia Cañedo Suárez. ESCOM-IPN
Solución
Igualando los dos primeros momentos poblacionales con los muestrales tenemos un sistema de dos
ecuaciones con dos incógnitas que se tiene que resolver.
α~
µ1 = ~ = X = m1
β
~ ~
α α2 1 n
µ 2 = ~ 2 + ~ 2 = ∑ X i2 = m2
β β n i =1
Despejando α~ de la primera ecuación y sustituyendo en la segunda tenemos que:
~
α~ = β X
~ ~ 2
βX β2X 1 n 2
~2 + ~2 = ∑ X i
β β n i =1
X 1 n 2
~ + X = ∑ Xi
2
β n i =1
( )
2
X 1 n 2 1 n
~ = ∑ Xi − X = ∑ Xi − X
2 2
β n i =1 n i =1
Finalmente se tiene que los estimadores por el método de los momentos para los parámetros de la
2
~ nX ~ nX
distribución Gamma son: β = y α~ = β X =
∑ (X ) ∑ (X )
n 2 n 2
i
2
−X i
2
−X
i =1 i =1
3._ Sea X una v.a binomial con parámetros n y p desconocidos, encuentra los estimadores por el
método de los momentos para tales parámetros en base a una muestra aleatoria de tamaño k .
Solución
µ1 = np = X = m1
1 k 2
µ 2 = np (1 − p) + n 2 p 2 = ∑ X i = m2
k i =1
1 k
X (1 − ~p ) + X = ∑ X i2
2
k i =1
1 k
p X + X = ∑ X i2
2
X−~
k i =1
139
Profesora: Leticia Cañedo Suárez. ESCOM-IPN
X−~
pX =
1 k
∑
k i =1
2 1 k
X i2 − X = ∑ X i − X
k i =1
( )
2
( )
k
1
pX = X − ∑ Xi − X
2
~
k i =1
~
p = 1−
1 k
∑
k X i =1
(
Xi − X
2
)
2
X kX
n~ = ~ =
( )
k
p
k X − ∑ Xi − X
2
i =1
4._ Sea una población con distribución Geométrica con parámetro p . Encuentra el estimador para el
parámetro usando el método de los momentos y en base a una muestra aleatoria de tamaño n .
Solución
1 1
µ1 = ~ = X = m1 ∴ ~p =
p X
Recuerda que el método para maximizar es en base a derivar parcialmente respecto al parámetro de
interés, igualar a cero y despejar el valor que hace posible esta ecuación.
Por facilidad de cálculo y dado que las funciones L(θ ) y ln L(θ ) se maximizan en el mismo punto, se
∂
acostumbra encontrar al estimador máximo verosímil resolviendo la ecuación ln L(θ ) = 0
∂θ
140
Profesora: Leticia Cañedo Suárez. ESCOM-IPN
∂ ∂
ln L(θ ) = ln L(θ1 ,θ 2 , K, θ k ) = 0
∂θ 2 ∂θ 2
M
∂ ∂
ln L(θ ) = ln L(θ1 , θ 2 ,K ,θ k ) = 0
∂θ k ∂θ k
Ejemplo 1: Encuentra el estimador máximo verosímil de p en base a una m.a de tamaño n de una
población Bernoulli.
Solución
f X ( x; p ) = p x (1 − p)1− x si x = 0, 1
i) La función de verosimilitud de una m.a de tamaño n
n n
n n ∑ xi n− ∑ xi
L( p ) = ∏ f ( xi , p ) = ∏ p xi (1 − p )1− xi = p i =1 (1 − p ) i =1
i =1 i =1
i =1 i =1
iii) Sacar la derivada parcial respecto a p .
n n
∑ xi n − ∑ xi
∂
ln L( p ) = i =1 − i =1
∂p p 1− p
∂
iv) Igualar a cero y resolver la ecuación ln L( p) = 0 . En el momento en que se iguala a cero se le
∂p
pone un “gorrito” al parámetro para indicar que se trata de su estimador máximo verosímil.
n n
∑ xi n − ∑ xi
i =1
− i =1
=0
pˆ 1 − pˆ
n n
∑ xi n − ∑ xi
i =1
= i =1
pˆ 1 − pˆ
n
n − ∑ xi
1 − pˆ
= n
i =1
pˆ ∑ xi
i =1
1 n
−1 = n −1
pˆ ∑ xi
i =1
1 n
= n ∴ pˆ = x
pˆ ∑ x
i
i =1
141
Profesora: Leticia Cañedo Suárez. ESCOM-IPN
Ejemplo 2: Sea X 1 , X 2 ,K, X n una m.a de una densidad Normal con media µ y varianza σ 2
encuentra el estimador máximo verosímil de θ = µ , σ 2 ( )
Solución
1 x−µ
2
( ) 1 −
f X x; µ , σ 2
= e 2 σ
si x > 0
σ 2π
( ) ( )
n n
1 −
L µ , σ 2 = ∏ f xi , µ , σ 2 =∏ e 2 σ
i =1 i =1 σ 2π
n
1
∑ ( xi − µ )2
( )
−
−n 2σ
= σ 2π
2
i =1
e
∂
∂σ 2
ln L (µ , σ 2
) = −
2σ
n
2
+
1 n
4 ∑
2σ i =1
( x i − µ )2
iv) Igualar a cero y resolver el sistema para encontrar los estimadores máximo verosímiles de los
parámetros de interés.
n
1 n
∑ (x − µ) =
1
2 ∑ i
0= x − nµˆ ∴ µ̂ = x
σ2 σ i =1
i
i =1
∑ (x − µ)
n 1
0=− +
2
2σ 2σ
2 4 i
i =1
n
1 n
∑ ( x i − µ )2 ( x i − µ )2
1
n=
σˆ 2 i =1
∴ σˆ 2 = ∑
n i =1
Observa que el estimador máximo verosímil para la media poblacional de la distribución Normal es la
media muestral que además es un estimador insesgado, óptimo y consistente. Y que el estimador
máximo verosímil para la varianza poblacional de una distribución Normal es un estimador sesgado
pero consistente.
Ejemplo 4: Se toma una muestra aleatoria de tamaño n de una población distribuida uniformemente
en el intervalo (0, a ) ¿Cuál es el estimador máximo verosímil para a ?
Solución
Observa que esta función es máxima cuando a toma el valor más pequeño permisible que es
precisamente la última estadística de orden, es decir aˆ = X ( n )
0 x (1) x (n) a
Ejemplo 5: Se toma una muestra aleatoria de tamaño n de una población con f.d.p de Poisson con
media λ .
a) Encuentra el estimador máximo verosímil para λ .
b) Encuentra el valor esperado y la varianza del estimador.
c) ¿Es un estimador consistente?
Solución
∑ xi
n
λ x e −λ λ i =1
L(λ ) = ∏
i
= e − λn n
xi !
i =1
∏x !
i =1
i
n n
ln L (λ ) = −λn + ∑ xi ln(λ ) − ln ∏ xi !
i =1 i =1
∂ n
x
ln L (λ ) = −n + ∑ i
∂λ i =1 λ
143
Profesora: Leticia Cañedo Suárez. ESCOM-IPN
ii) Igualando a cero y resolviendo se encuentra el estimador máximo verosímil.
n
xi 1 n
n=∑ ∴ λ̂ = ∑ xi = x
i =1 λ n i =1
n→∞
( )
c) lim V X = lim
n →∞
λ
n
= 0 entonces sí es consistente.
θ
verosímil para θ .
Solución
θ θ n i
i =1 i =1
rn 1 n r
( )
n
ln L(θ ) = ln n − ∑ xi + ∑ ln xi r −1
θ θ i =1 i =1
1 n n
= n ln(r ) − n ln (θ ) − ∑ xir + (r − 1)∑ ln( xi )
θ i =1 i =1
∂ n 1 n
∂θ
ln L(θ ) = − + 2
θ θ
∑x
i =1
r
i
n n
n 1 ˆ = 1 xr
= 2
θˆ θˆ
∑
i =1
x i
r
despejando al estimador del parámetro se tiene que θ ∑ i
n i =1
Ejemplo 7: Supón que X 1 , X 2 ,K, X m es una m.a de la producción por acre de la variedad A de trigo,
la cual tiene una distribución Normal con media µ1 y varianza σ 2 y que Y1 , Y2 , K, Yn es una m.a de la
producción por acre de la variedad B de trigo, la cual se distribuye cono una Normal con media µ 2 y
varianza σ 2 . Si X ⊥ Y encuentra el estimador máximo verosímil para la varianza común σ 2 si se
desconocen las medias poblacionales.
144
Profesora: Leticia Cañedo Suárez. ESCOM-IPN
(
X ~ N x; µ1 , σ 2 ) (
y Y ~ N y; µ 2 , σ 2 )
Sabemos que el estimador máximo verosímil para la media poblacional está dado por la media muestral
es decir µ̂1 = X y µ̂ 2 = Y
( )
L µ1 , µ 2 , σ 2 = f ( X 1 , X 2 ,K, X m , Y1 , Y2 , K, Yn )
( )∏ f (y ; µ )
m n
= ∏ f x i ; µ1 , σ 2 i 2 ,σ 2
i =1 i =1
1 1
m
1 − 2 ( xi − µ1 )2 n 1 − 2 ( yi − µ 2 )2
=∏ e 2σ ∏ e 2σ
i =1 σ 2π i =1 σ 2π
1 1
m
1 − 2 ( xi − µ1 ) 2 n
1 − 2 ( yi − µ 2 )2
=∏ e 2σ ∏ e 2σ
i =1 σ 2π i =1 σ 2π
m+ n
2
(σ )
m+ n
− 1 m n
= (2π ) 2 2 − 2
exp − ∑ ( X − µ ) 2
+ ∑ (Y − µ )
σ 2 i 1 i 2
2 i =1 i =1
m+ n
m+n
( ) = ln(2π ) 1 m
(Yi − µ 2 )2
− n
ln L µ1 , µ 2 , σ 2 2
− ln(σ 2 ) − 2 ∑
( X − µ ) 2
+ ∑
2σ i =1
i 1
2 i =1
Igualando a cero y despejando se tiene que el estimador máximo verosímil para la varianza común es:
1 m
( ) (Yi − Y )2
n
σˆ 2 = ∑ − + ∑
2
X X
m + n i =1
i
i =1
Cuantas veces hemos escuchado expresiones como “tenía entre 25 y 30 años”, “yo pienso que saco
entre 8 y 10 en el examen de mate”, “espero llegar entre 10:30 y 10:45”, “tiene una estatura entre
1.75m y 1.85m”, etc. Todas estas expresiones en realidad son estimaciones por intervalo y muchas
veces una estimación de este tipo nos da más información que una estimación puntual. Y la manera de
hacer estimaciones por intervalo es construyendo intervalos de confianza.
145
Profesora: Leticia Cañedo Suárez. ESCOM-IPN
5.2 INTERVALOS DE CONFIANZA.
Un intervalo de confianza (IC) es un intervalo de la forma [L, U ] que se construye de tal manera que
exista una probabilidad grande de que el parámetro de interés se encuentre dentro del intervalo. Si α es
un número pequeño entonces (1 − α ) es un número grande y si P(L ≤ θ ≤ U ) = 1 − α , se dice que
[L, U ] es un intervalo para el parámetro θ con una confianza de (1 − α )100% .
CASO 1._ IC para la media poblacional, cuando la muestra es grande y la varianza conocida.
( n ≥ 30 y σ 2 conocida)
Queremos estimar la media poblacional, como es de suponerse el estimador puntual idóneo es la media
muestral X , en base a una muestra aleatoria de tamaño n de una densidad con media µ desconocida
σ2
y varianza σ 2 conocida se tiene que el TCL garantiza que X ~ N µ , entonces
n
X −µ
Z= ∼ N (0, 1)
σ n
Queremos encontrar L y U tales que P(L ≤ Z ≤ U ) = 1 − α . ¿Cómo escoger L y U de tal manera que el
intervalo sea lo más angosto posible?
1 − α = P(− Z α / 2 ≤ Z ≤ Z α / 2 )
X −µ
= P − Z α / 2 ≤ ≤ Zα / 2
σ/ n
σ σ
= P − Zα / 2 ≤ X − µ ≤ Z α / 2 Multiplicando por − 1 y reacomodando
n n
σ σ
= P − Zα / 2 ≤ µ − X ≤ Z α / 2 Sumando X
n n
146
Profesora: Leticia Cañedo Suárez. ESCOM-IPN
σ σ
= P X − Zα / 2 ≤ µ ≤ X + Zα / 2
n n
σ σ
El intervalo para µ con una confianza de (1 − α )100% está dado por X − Zα / 2 , X + Zα / 2
n n
Ejemplo 1:
σ σ
Considera el intervalo de confianza para µ con σ conocida X − Zα2 ≤ µ ≤ X + Z α1
n n
Solución
σ σ σ σ
a) X − Z 0.025 , X + Z 0.025 = X − 1.96 , X + 1.96
n n n n
σ σ σ σ
b) X − Z 0.04 , X + Z 0.01 = X − 1.75 , X + 2.35
n n n n
σ σ
La longitud del I.C en a) es 2(1.96) = 3.92
n n
σ σ
Y la longitud del I.C en b) es (1.75 + 2.35) = 4.10 . La ventaja del intervalo simétrico es que es
n n
más angosto.
La precisión de la estimación por intervalo esta dada por la longitud del intervalo, mientras más
angosto sea el I.C se considera más precisa la estimación. Si el intervalo es simétrico a medida que la
confianza aumenta la precisión disminuye.
Todo estadístico tienen su varianza, por ejemplo la media muestral tiene varianza igual a la varianza de
σ2
la población de donde salió la muestra dividido por el tamaño de la muestra, σ x2 = , y la raíz
n
cuadrada positiva de esta varianza es lo que se conoce como error estándar, en este caso el error
σ
estándar de la media muestral está dado por εε = .
n
147
Profesora: Leticia Cañedo Suárez. ESCOM-IPN
Considera ahora el intervalo de confianza para una media poblacional con varianza conocida, el cual
σ σ
está centrado en X con límite inferior X − Z α / 2 y límite superior X +
Z α / 2 . Por la manera en
n n
que fue construido el I.C se tiene que (1 − α )100 de las veces el parámetro cae dentro del intervalo
como se muestra en la figura siguiente.
σ
Zα /2
n
ε
σ µ σ
X − Zα / 2 X X + Zα /2
n n
Ejemplo 2:
Se sabe que la vida en horas de una bombilla eléctrica de 75 watts se distribuye aproximadamente en
forma Normal, con desviación estándar σ = 25 hrs. Una muestra aleatoria de 20 bombillas tiene una
vida media de x = 1014 hrs.
a) Construye un intervalo de confianza de dos lados al 95% respecto a la vida media.
b) Construye un I.C inferior del 95% respecto a la vida media.
c) Se desea que el ancho total del intervalo de confianza respecto a la vida media sea de ocho horas.
¿Qué tamaño de muestra debe utilizarse?
Solución
n = 20
σ = 25
x = 1014 hrs.
α
a) 1 − α = 0.95 entonces α = 0.05 y = 0.025 por lo tanto z α / 2 = 1.96 El IC pedido es:
2
σ 25
X± Zα / 2 = 1014 ± 1.96 = [1003.04, 1024.96]
n 20
148
Profesora: Leticia Cañedo Suárez. ESCOM-IPN
b) P ( L ≤ µ ) = 0.95 Para este caso que se desea un intervalo de una sola cola se tiene que z α = 1.645
σ 25
Por lo tanto L = X − Zα = 1014 − 1.645 = [1004.804, ∞)
n 20
c) 1 − α = 0.95 y zα / 2 = 1.96 .
σ
Si el ancho del intervalo es de 8 hrs entonces la mitad del intervalo es de 4 hrs, es decir Zα / 2 = 4 ,
n
σ
2 2
25
despejando el tamaño de la muestra se tiene que n = Z α / 2 = (1.96) = 150 bombillas.
4 4
Ejemplo 3:
Un experto en eficiencia desea determinar el tiempo promedio que le toma hacer tres agujeros en una
abrazadera metálica.
¿De qué tamaño se necesita la muestra para tener una confianza de 95% de que la media de la muestra
está dentro de 15 seg, respecto de la media verdadera? Supón que por estudios previos se sabe que
σ = 40 segundos.
Solución
α = 5%
ε = 15 seg
σ = 40 seg
zα / 2 = 1.96
ε = µ − X =15 seg
σ Z α / 2
2 2
40(1.96)
n= = = 27 abrazaderas.
ε 15
CASO 2._ I.C para una media de una distribución Normal con varianza desconocida.
(Para µ con σ 2 desconocida)
149
Profesora: Leticia Cañedo Suárez. ESCOM-IPN
X −µ
( ) ( )
Sabemos que X ∼ f X µ , σ 2 / n ≈ f X µ , S 2 / n el estadístico t = tiene una distribución t de
S/ n
Student con (n − 1) grados de libertad.
El I.C con una confianza de (1 − α )100% para la media poblacional se construye de la manera
siguiente:
1 − α = P(− tα / 2 ≤ t ≤ tα / 2 )
X −µ
= P − tα / 2 ≤ ≤ tα / 2
S/ n
S S
= P − tα / 2 ≤ X − µ ≤ tα / 2 Multiplicando por − 1 y acomodando
n n
S S
= P − tα / 2 ≤ µ − X ≤ tα / 2 Sumando X
n n
S S
= P X − tα / 2 ≤ µ ≤ X + tα / 2
n n
S S
El I.C es X − tα / 2,n −1 , X − tα / 2,n −1
n n
S S
Si n ≥ 30 este intervalo suele construirse como X − Zα / 2 , X − Zα / 2
n n
Si las densidades son Normales o bien los tamaños de las muestras aleatorias n1 y n2 son grandes, el
σ 2 σ 2
TCL garantiza que X 1 ~ N µ1 , 1 y X 2 ~ N µ 2 , 2 además una diferencia de Normales es
n1 n2
Normal con media igual a la diferencia de las medias y varianza igual a la suma de las varianzas.
( X 1 − X 2 ) ~ N µ1 − µ 2 ,
σ 1 2 σ 2 2
+ por lo tanto Z =
(X 1 − X 2 ) − (µ1 − µ 2 ) ∼N(0, 1)
n1 n2 σ 12 σ 2 2
+
n1 n2
La construcción del I.C es como sigue:
150
Profesora: Leticia Cañedo Suárez. ESCOM-IPN
1 − α = P(− Z α / 2 ≤ Z ≤ Z α / 2 )
= P − Z α / 2 ≤
( X 1 − X 2 ) − (µ 1 − µ 2 ) ≤ Z
α/2
σ 12 σ 2 2
+
n1 n2
σ 12 σ 2 2 σ 12 σ 2 2
= P − + Z α / 2 ≤ ( X 1 − X 2 ) − (µ 1 − µ 2 ) ≤ + Z α / 2 Multiplicando por − 1 y
n1 n2 n1 n2
σ 12 σ 2 2 σ 12 σ 2 2
=P − + Z α / 2 ≤ (µ 1 − µ 2 ) − ( X 1 − X 2 ) ≤ + Z α / 2 Restando ( X 1 − X 2 )
n1 n2 n1 n2
σ 12 σ 2 2 σ 12 σ 2 2
= P (X 1 − X 2 ) −
+ Z α / 2 ≤ µ1 − µ 2 ≤ ( X 1 − X 2 ) + + Zα / 2
n1 n2 n1 n2
σ 12 σ 2 2 σ 12 σ 2 2
( X 1 − X 2 ) − + Z α / 2 , (X 1 − X 2 ) + + Zα / 2
n1 n2 n1 n2
( )
2
Z
n = α /2 σ1 +σ 2
2 2
ε
Caso 4 I.C para (µ1 − µ 2 ) con σ 1 y σ 2 desconocidas, con densidades Normales con muestras
2 2
pequeñas.
151
Profesora: Leticia Cañedo Suárez. ESCOM-IPN
(
X 1 ∼ N x1 ; µ1 , σ 1
2
)
con µ i desconocida y σ i desconocida i = 1, 2.
2
(
X 2 ∼ N x2 ; µ 2 , σ 2
2
)
S 2
=
(n1 − 1)S1 + (n 2 − 1)S 2
2 2
n1 + n2 − 2
Pues ( ) (n
E S2 = 1 − 1)σ 2 + (n 2 − 1)σ 2
n1 + n 2 − 2
=σ 2
S
2
S
2
Se sabe que X 1 ∼ N µ1 , 1 y X 2 ∼ N µ 2 , 2
n1 n2
2 2
E ( X 1 − X 2 ) = µ1 − µ 2 y V ( X 1 − X 2 ) =
S1 S
+ 2
n1 n2
1
Considerando varianzas iguales se tiene que V ( X 1 − X 2 ) = S 2 +
1
n1 n2
Y el estadístico t se distribuye como una t de Student con (n1 + n 2 − 2) grados de libertad lo cual se
escribe; t =
( X 1 − X 2 ) − (µ 1 − µ 2 ) ∼ t
n1 + n2 − 2
1 1
S +
n1 n 2
X 1 − X 2 − (µ 1 − µ 2 )
Queremos que P − tα / 2 ≤ ≤ tα / 2 = 1 − α entonces el I.C es de la forma
1 1
S +
n 1 n 2
1 1 1 1
X 1 − X 2 − S + tα / 2,n1 + n2 − 2 , X 1 − X 2 − S + tα / 2,n1 + n2 −2
n1 n 2 n1 n2
152
Profesora: Leticia Cañedo Suárez. ESCOM-IPN
t* =
(X 1 − X 2 ) − (µ 1 − µ 2 )
∼ tν
2 2
S1 S
+ 2
n1 n2
2
S1 2 S 2 2
n + n
Donde los grados de libertad υ están dados por ν = 1 2
−2
(S 2
1 n1 ) (
2
S n
+ 2 2
2
)
2
n1 + 1 n2 + 1
∑X i
La proporción de elementos de interés en la población es p = i =1
con N tamaño de la población y
N
∑X i
el estimador para p es la proporción muestral pˆ = i =1
, observa que esta proporción muestral es una
n
media muestral para una población Bernoulli con media p y varianza pq . El TCL garantiza que
σ2 pq
pˆ ~ N µ pˆ = µ , σ p2ˆ = es decir pˆ ~ N µ pˆ = p, σ p2ˆ = .
n n
La construcción del Intervalo con una confianza de (1 − α )100% es como sigue:
1 − α = P(− Z α / 2 ≤ Z ≤ Z α / 2 )
pˆ − µ pˆ
= P − Z α / 2 ≤ ≤ Zα / 2
σ pˆ
pˆ − p
= P − Zα / 2 ≤ ≤ Zα / 2
pq
n
pq pq
= P − Z α / 2 ≤ pˆ − p ≤ Z α / 2
n n
pq pq
= P pˆ − Z α / 2 ≤ p ≤ pˆ + Z α / 2
n n
153
Profesora: Leticia Cañedo Suárez. ESCOM-IPN
pq pq
pˆ − Z α / 2 , pˆ + Z α / 2
n n
σ2
Recuerda que el TCL garantiza que pˆ i ~ N µ pˆ i = µ i , σ p2ˆi = i es decir
ni
pq
pˆ i ~ N µ pˆ i = pi , σ p2ˆi = i i . Para i = 1, 2.
ni
Y que una diferencia de Normales también es Normal con media igual a la resta de las medias y
varianza igual a la suma de las varianzas. Es decir;
p1 q1 p 2 q 2
( pˆ 1 − pˆ 2 ) ~ N µ pˆ − pˆ = p1 − p 2 , σ p2ˆ1 − pˆ 2 = +
1 2
n1 n2
por lo tanto Z =
( pˆ 1 − pˆ 2 ) − ( p1 − p 2 ) ∼N(0, 1)
p1 q1 p 2 q 2
+
n1 n2
1 − α = P(− Z α / 2 ≤ Z ≤ Z α / 2 )
= P − Z α / 2 ≤
( pˆ 1 − pˆ 2 ) − ( p1 − p 2 )
≤ Zα / 2
p1 q1 p 2 q 2
+
n 1 n 2
p1 q1 p 2 q 2 p1 q1 p 2 q 2
= P − Z α / 2 + ≤ ( pˆ 1 − pˆ 2 ) − ( p1 − p 2 ) ≤ Z α / 2 +
n 1 n 2 n1 n2
p1 q1 p 2 q 2 p1q1 p 2 q 2
= P ( pˆ 1 − pˆ 2 ) − Z α / 2 + ≤ p1 − p 2 ≤ ( pˆ 1 − pˆ 2 ) + Z α / 2 +
n1 n2 n1 n2
p1q1 p 2 q 2 p1q1 p 2 q 2
( pˆ 1 − pˆ 2 ) − Z α / 2 + , ( pˆ 1 − pˆ 2 ) + Z α / 2 +
n1 n2 n1 n2
154
Profesora: Leticia Cañedo Suárez. ESCOM-IPN
CASO 7 Intervalo de confianza para σ 2 .
(
1 − α = P χ 21− α ,n −1 ≤ χ 2 ≤ χ 2 α ,n −1
2 2
)
n −1
= P χ 21− α2 ,n −1 ≤ 2 S 2 ≤ χ 2 α2 ,n −1
σ
χ 1− ,n −1
2 α
1 χ 2 ,n −1
2α
= P 2
≤ ≤
(n − 1)S 2 σ 2 (n − 1)S 2
(n − 1)S 2
(n − 1)S 2
= P 2 α ≤σ 2 ≤ 2 α
χ ,n−1 χ 1− 2 ,n−1
2
(n − 1)S 2 (n − 1)S 2
El I.C al (1 − α )100% para σ 2 de una densidad normal es 2 α ,
χ 2 ,n −1 χ 21− α2 ,n −1
σ 12
CASO 8 I.C para de densidades Normales.
σ 22
(
Si X 1 ∼ N µ1 , σ 1
2
) (
y X 2 ∼ N µ2 , σ 2
2
)
155
Profesora: Leticia Cañedo Suárez. ESCOM-IPN
2
Se toma una m.a de X 1 de tamaño n1 cuya varianza muestral es S1 y una m.a de X 2 de tamaño n2 y
2
la varianza muestral para ésta es S 2 .
S2 σ 2
2 2
S2 σ 2
2 2
= P F α ≤ 2 2 ≤ Fα
S1 σ 1
1− 2 ,n2 −1,n1 −1 2
, n2 −1, n1 −1
S2 σ2 S2
= P 1 2 F α ≤ 1 2 ≤ 1 2 Fα
S 2 1− 2 ,n2 −1,n1 −1 σ 2 S 2 2 ,n2 −1,n1 −1
S 2 S 2
Finalmente el IC es 1 2 F α
1− ,n2 −1,n1 −1 , 1 2 Fα
,n2 −1,n1 −1
S 2 2 S2 2
156
Profesora: Leticia Cañedo Suárez. ESCOM-IPN