Documentos de Académico
Documentos de Profesional
Documentos de Cultura
1.- Se quiere estudiar la vida útil de unas nuevas pilas que se van a lanzar al mercado.
Para ello se examina la duración de 40 de ellas, resultando una media de 63 horas.
Suponiendo que el tiempo de vida de las pilas sigue una distribución normal, y que la
varianza se puede tomar la misma que las fabricadas anteriormente que era 38,44, se
pide:
a) Intervalo de confianza del 95% de la duración media de las nuevas pilas.
b) Intervalo de confianza del 99% de la duración media de las nuevas pilas.
c) Tamaño de la muestra necesario para que con una confianza del 95%, la duración
media estimada no difiera de la real en más de una hora.
2.- Durante 15 días se estudió el número de alumnos que pasaban por el almacén de la
Escuela, obteniéndose los siguientes resultados:
70, 78, 71, 62, 78, 67, 64, 76, 73, 65, 58, 72, 74, 67, 75
Suponiendo Normalidad de la distribución, calcular: Intervalo de confianza del 95%
del número medio de usuarios del almacén.
3.- Para estudiar el número de pulsaciones por minuto de personas entre 20 y 30 años,
se eligen 400 al azar, obteniéndose una media de 75 por minuto y una desviación típica
de 9. Calcular:
a) Intervalo de confianza del 95% del número medio de pulsaciones por minuto en
dicha población.
b) Tamaño de la muestra necesario para obtener el intervalo de confianza de la misma
amplitud que el anterior y con nivel de confianza del 99%.
7.- Se realiza una encuesta sobre el nivel de conocimientos generales de los estudiantes
de bachillerato de los diferentes centros de Madrid. Para ello se ha elegido una muestra
aleatoria de 9 de estos estudiantes a los que se ha realizado el examen. Las
calificaciones obtenidas han sido las siguientes:
7,8 6,5 5,4 7,1 5 8,3 5,6 6,6 6,2
Se supone que la variable aleatoria sigue una distribución normal de desviación típica
conocida e igual a 1. Se pide:
a) Un Intervalo de confianza al 98% para la media de las calificaciones en el examen.
b) El tamaño mínimo que debería tener la muestra en el caso de admitir un error
máximo de 0,5 puntos con un nivel de confianza del 95%.
8.- Se ha tomado una muestra de tamaño 10 del tiempo T, en minutos, entre el paso de
dos autobuses en una parada, con los siguientes resultados 9, 10, 6, 4, 15, 6, 1, 5, 4, 10.
Si la función de distribución del tiempo es: F(t) = 1 − e −λt
a) Estimar, por máxima verosimilitud el valor de λ.
b) Calcular la probabilidad estimada de esperar al autobús más de 10 minutos.
10.- La altura de los individuos de una población sigue una distribución normal, de
media µ y desviación típica 0,075. Si en una muestra aleatoria simple de tamaño 12 de
dicha población se obtuvo una media muestral de 1,75. Se pide:
a) Determinar un Intervalo de confianza para µ con un nivel de confianza del 95%.
b) ¿Qué tamaño muestral sería necesario para que el intervalo de confianza del mismo
nivel tuviese longitud menor que 0,01?
12.- Las edades en que se produce la muerte, para una muestra aleatoria de 19
individuos fallecidos por una determinada edad dan una media de 50 años. Suponiendo
normal la distribución, hallar un Intervalo de confianza para la media al 99%
suponiendo conocido el valor de la varianza de la población σ 2 = 38 .
13.- Se quieren estudiar la vida útil de unas baterías para móviles. Si admitimos que la
varianza de la distribución normal de la vida de las baterías es igual a 1,44, ¿qué tamaño
muestral deberíamos utilizar para que la amplitud del Intervalo de confianza para la
media del 95% no sea superior al 0,4?
14.- Suponiendo que la producción de trigo por hectárea es una variable aleatoria con
distribución normal, sabiendo que en 25 fincas elegidas al azar se produjeron de media
3200 kg por ha, y la desviación típica fue de 40 kg por ha, calcular:
a) Intervalo de confianza al 95% de la producción media de trigo por ha.
b) Intervalo de confianza al 95% de la varianza.
15.- Se han recogido firmas para una petición, en cada hoja caben 42 firmas, pero
existen hojas que no están firmadas totalmente. Para una muestra de 50 hojas se tienen
1471
=
los resultados x = y S2 229 . Se pide dar un intervalo de confianza para la
50
media al 80%.
DERIVE:
#1: NSOLVE(NORMAL(z) = 0.975, z, Real)
#2: z = 1.959963962
EXCEL: =DISTR.NORM.INV(0,975;0;1) 1,95996279
O directamente
=INTERVALO.CONFIANZA(0,05;6,2;40) 1,92136343
σ
X ± z1−α /2 =
63 ± 1,92136343
n
SPSS: IDF. NORMAL(0.975, 0,1) 1,96
6.2 6.2
⇒ Iα=0.05 = 63 − 1.96 , 63 + 1.96 =( 61.08, 64.92 )
40 40
b) Cambia el nivel de confianza
x= 63; σ
= 38.44= 6.2; n= 40; α
= 0.01
X −µ
=
Tenemos Z ≡ N(0,1)
σ n
P ( −z1−α / 2 < Z < z1−α / 2 ) =
1− α =
1 − 0.01 =⇒ P ( Z z1−α / 2 ) =
0.99 F(z1−α / 2 ) =< 0.995
DERIVE:
#1: NSOLVE(NORMAL(z) = 0.995, z, Real)
#2: z = 2.575829327
Unidad Docente de Matemáticas de la E.T.S.I.T.G.C. de la U.P.M.
5
Intervalos de Confianza
=X =
∑ x i 1050
= 70
n 15
∑(x − X)
2
506
S= =
= 36.14285714 ⇒ S= 36.14285714= 6.011892975
2 i
n −1 14
Se trata de una población que sigue una distribución Normal de varianza desconocida, y
muestras pequeñas, por lo que el intervalo de confianza es:
S
X ± t1−α / 2
n
X= 70;S= 6; n= 15; α= 0.05
Buscaremos en la tabla un valor t α / 2 tal que P ( − t α / 2 < t n −1 < t α / 2 ) = 1 − α .
DERIVE:
#1: NSOLVE(STUDENT(t, 14) = 0.975, t)
#2: t = 2.144786715
σ
Por ser el tamaño de la muestra suficientemente grande podemos considerar N µ,
n
El intervalo de confianza para una población normal es:
σ
X ± z1−α / 2
n
a) Para nuestros datos:
X= 75; σ ≈ =S 9; =n 400; α = 0.05
X −µ
=
Tenemos Z ≡ N(0,1)
σ n
P ( −z1−α / 2 < Z < z1−α / 2 ) =
1− α =
1 − 0.05 =⇒ P ( Z z1−α / 2 ) =
0.95 F(z1−α / 2 ) =< 0.975
DERIVE:
#1: NSOLVE(NORMAL(z) = 0.975, z, Real)
#2: z = 1.959963962
EXCEL: =DISTR.NORM.INV(0,975;0;1) 1,9599628
O directamente
=INTERVALO.CONFIANZA(0,05;9;400) 0,88198379
σ
X ± z1−α / 2 =
75 ± 0,88198379
n
SPSS: IDF. NORMAL(0.975, 0,1) 1,96
9 9
⇒ Iα=0.05 = 75 − 1.96 , 75 + 1.96 =( 74.118, 75.882 )
400 400
σ
Por ser el tamaño de la muestra suficientemente grande podemos considerar N µ,
n
El intervalo de confianza para una población normal es:
σ
X ± z1−α /2
n
a) Para nuestros datos:
X= 165; σ2= S2= 36; n= 100; α= 0.05
X −µ
=
Tenemos Z ≡ N(0,1)
σ n
P ( −z1−α /2 < Z < z1−α /2 ) =
1− α =
1 − 0.05 =⇒ P ( Z z1−α /2 ) =
0.95 F(z1−α /2 ) =< 0.975
DERIVE:
#1: NSOLVE(NORMAL(z) = 0.975, z, Real)
#2: z = 1.959963962
EXCEL: =DISTR.NORM.INV(0,975;0;1) 1,9599628
O directamente
=INTERVALO.CONFIANZA(0,05;6;100) 1,1759777
σ
X ± z1−α /2 =
165 ± 1,1759777
n
SPSS: IDF. NORMAL(0.975, 0,1) 1,96
6 6
⇒ Iα=0.05 =165 − 1.96 ,165 + 1.96 = (163.82,166.18 )
100 100
(n − 1).S2 (n − 1).S2
b) P < σ2 < = 1− α
k2 k1
P ( χ99
2
< k1 ) =0.025
Buscaremos los valores de k1 y k2 tales que: en las tablas e
P ( χ99
2
< k2 ) =0.975
σ 14
La distribución de la media muestral es X ≡ N =µ, =
N 95, N ( 95, 2 )
n 49
( )
a) F(92) = P X ≤ 92 ≈ 0.06680720126
DERIVE:
#1: NSOLVE(NORMAL(z) = 0.975, z, Real)
#2: z = 1.959963962
12 12
⇒ Iα=0.02 =110 − 1,96 ,110 + 1,96 =(102.16,117.84 )
9 9
DERIVE:
#1: NSOLVE(NORMAL(z) = 0.99, z, Real)
#2: z = 2.326347902
EXCEL: =DISTR.NORM.INV(0,99;0;1) 2,3263479
O directamente
=INTERVALO.CONFIANZA(0,02;1;9) 0,7754493
σ
X ± z1−α /2 =
6,5 ± 0, 7754493
n
SPSS: IDF. NORMAL(0.99, 0,1) 2,33
1 1
⇒ Iα=0.02 = 6,5 − 2,33 , 63,5 + 2,33 =( 5.73, 7.27 )
9 9
DERIVE:
#1: NSOLVE(NORMAL(z) = 0.975, z, Real)
#2: z = 1.959963962
EXCEL: =DISTR.NORM.INV(0,975;0;1) 1,9599628
SPSS: IDF. NORMAL(0.975, 0,1) 1,96
Con un error del 0,5:
σ 1 1,96
0,5= z1−α /2 = 1,96 ⇒ n= = 3,92 ⇒ n= 15,3
n n 0,5
b)
1
− t
−λt
Para nuestros datos la función de distribución será: F(t) =
1− e =
1− e 7
1
− 10 1
P(T > 10) =
1 − P(T < 10) =
1 − F(10) =
1 − 1 − e 7
=10/7 ≈ 0.2396510364
e
a)
El estimador de máxima verosimilitud de la media, es la media muestral, que es un
∧
estimador centrado, luego µ= X= 46, 02 . Pero para la varianza utilizaremos la
∑(x )
n 2
∧ i −X
=
cuasivarianza muestral, ya que es centrado, S 2
= 202,532429
i =1
n −1
b)
Se trata de una población que sigue una distribución Normal de varianza desconocida, y
muestras pequeñas, por lo que el intervalo de confianza es:
S
X ± t1−α /2
n
X= 46.02;S= 14, 2313888; n= 15; α= 0, 01
Buscaremos en la tabla un valor t α / 2 tal que P ( − t1−α /2 < t n −1 < t1−α /2 ) = 1 − α .
1 − α ⇔ P ( t n −1 > t1−α /2 ) =
P ( t n −1 < t1−α /2 ) = α ⇒ P ( t14 > t 0,995 ) =
0, 01 ⇒
P ( t14 ≤ t 0,995 ) =
0.995
DERIVE:
#1: NSOLVE(STUDENT(t, 14) = 0.995, t)
#2: t = 2.976842746
c)
(n − 1). S 2
Sabiendo que ≡ χ n2 −1 si la población de partida es N(µ, σ)
σ 2
(n − 1).S2 (n − 1).S2
P < σ2 < = 1− α
k2 k1
P ( χ14 < k1 ) =
2
0.005
Buscaremos los valores de k1 y k2 tales que:
P ( χ14
2
< k2 ) =0.995
EXCEL:
=INV.CHICUAD (0,005;14) 4,074675
=INV.CHICUAD (0,995;14) 31,31935
en la prueba de la chi se utiliza la cola de la derecha
DERIVE:
#1: NSOLVE(NORMAL(z) = 0.975, z, Real)
#2: z = 1.959963962
EXCEL: =DISTR.NORM.INV(0,975;0;1) 1,9599628
SPSS: IDF. NORMAL(0.975, 0,1) 1,96
0.075 0.075
⇒ Iα=0.05 =1.75 − 1.96 ,1.75 + 1.96 = (1.707564755,1.792435244 )
12 12
O directamente con EXCEL
=INTERVALO.CONFIANZA(0,05;0,075;12) 0,0424345
σ
X ± z1−α /2 =±
1, 75 0, 0424345
n
b)
σ σ
El intervalo de confianza en general es Iα =
X − z α /2 , X − z α /2 , en nuestro
n n
caso
0.075 0.075
⇒ Iα=0.05 =1.75 − 1.96 ,1.75 + 1.96 para n desconocido, cuya longitud es
n n
0.075 0.075 0.075
⇒ 1.96 + 1.96 =⋅
2 1.96 < 0.01 ⇒ n > 29.4
n n n
Debemos tomar una muestra de tamaño n=865
S S
Buscaremos el intervalo Iα =
X − t1−α /2 , X + t1−α /2 , es decir,
n n
S S
P X − t1−α /2 < µ < X + t1−α /2 = 1− α .
n n
13.5
Iα=0.2 =
6 − 1.88561812
13.5
, 6 + 1.88561812 ( 2,10 )
=
3 3
Solución:
Tenemos una distribución normal y varianza conocida:
σ σ
Iα = X − z1−α /2 , X + z1−α /2
n n
Datos:=
n 19;=
X 50 ; =
σ2 38;1 −=
α 0.99 y en la distribución normal
X −µ
=Z ≡ N(0,1)
σ n
α
F(Z < z1−α /2 )= + 1 − α= 0.995 ⇒ z1−α /2= 2.575
2
38
=( 46.3584,53.6416 )
38
⇒ Iα=0.01 = 50 − 2.575 ,50 + 2.575
19 19
DERIVE:
#1: NSOLVE(NORMAL(z) = 0.995, z, Real)
#2: z = 2.575829327
EXCEL: =DISTR.NORM.INV(0,995;0;1) 2,5758313
SPSS: IDF. NORMAL(0.995, 0,1) 2,58
Solución:
Supongamos que el error máximo que queremos admitir es ε . El intervalo será
σ σ
Iα =
X − z1−α /2 , X + z1−α /2 tenemos que:
n n
σ σ
2
σ z z
z1−α /2 = ε ⇔ n = 1−α /2 ⇔ n = 1−α /2
n ε ε
Para nuestros datos:
=
2ε 0, 4; σ
= 2
1, 44;1 −=
α 0,95
2
z1−α /2 σ 1,96 ⋅1, 2
2
=n = = 138, 2976
ε 0, 2 .
Luego necesitamos que n sea igual a 139
X −µ
=
Tenemos Z ≡ N(0,1)
σ n
P ( −z1−α /2 < Z < z1−α /2 ) =
1− α =
1 − 0, 05 =⇒ P ( Z z1−α /2 ) =
0,95 F(z1−α /2 ) =< 0,975
DERIVE:
#1: NSOLVE(NORMAL(z) = 0.975, z, Real)
#2: z = 1.959963962
EXCEL: =DISTR.NORM.INV(0,975;0;1) 1,9599628
SPSS: IDF. NORMAL(0.975, 0,1) 1,96
Solución:
40 40
⇒ Iα=0.05 = 3200 − 1.96 ,3200 + 1.96 = ( 3184.320,3215.68)
25 25
(n − 1).S2 (n − 1).S2
b) P < σ2 < = 1− α
k2 k1
P ( χ 224 < k1 ) =0.025
Buscaremos los valores de k1 y k2 tales que: , obtenemos
P ( χ 224 < k 2 ) =0.975
24 ⋅ 402 24 ⋅ 402
P < σ2 < = 0,95 ⇒ 975,508709 < σ < 3096, 48695
2
DERIVE:
#1: NSOLVE(CHI_SQUARE(k, 24) = 0.025, k, 0, 40)
#2: k = 12.40115026
EXCEL:
=INV.CHICUAD (0,025;24) 12,4011503
=INV.CHICUAD (0,975;24) 39,3640771
Solución:
Tenemos una muestra de tamaño grande (n=50) y varianza desconocida de una
distribución normal:
S S
Iα =
X − z1−α /2 , X + z1−α /2
n n
1471
=
Datos: X =
; S2 229; =
1 − α 0.8
50
α
y en la distribución normal F(z1−α /2 )= + 1 − α= 0.9 ⇒ z1−α /2= 1.28
2
DERIVE:
#1: NSOLVE(NORMAL(z, 0, 1) = 0.9, z, Real)
#2: z = 1.281551569
EXCEL: =DISTR.NORM.INV(0,9;0;1) 1,281552
O directamente
=INTERVALO.CONFIANZA(0,2;raiz(229);50) 2,742640919
S 1471
X ± zα / 2 = ± 2, 742640919
n 50
SPSS: IDF. NORMAL(0.9, 0,1) 1,2815515655
4
= (17.867545,19.132455 )
4
⇒ Iα=0.05 =18.5 − 1.96 ,18.5 + 1.96
40 40
(n − 1).S2 (n − 1).S2
b) P < σ2 < = 1− α
k 2 k 1
Datos: S= 4; α= 0.01 y en la distribución Chi-cuadrado
P ( χ39
2
< k1 ) =0.005
Buscaremos los valores de k1 y k2 tales que: , obtenemos k1=
P ( χ39
2
< k2 ) =0.995
19,9958679 y k2= 65,4755709
39 ⋅ 42 39 ⋅ 42
< σ2 < = 0,99 ⇒ 9,53 < σ < 31, 21
2
P
65,4755709 19,99586787
(n − 1).S2 (n − 1).S2
P < σ2 < = 1− α
k2 k1
P ( χ14
2
< k1 ) =0.005
Buscaremos los valores de k1 y k2 tales que:
P ( χ14
2
< k2 ) =0.995
k2 =31,3193496; k1 = 4,07467497
14 ⋅ 0, 04195238 14 ⋅ 0, 04195238
P < σ2 < = 0,99 ⇒ 0, 01875305 < σ2 < 0,14414238
31,3193496 4, 07467497
S
b) X ± t1−α /2
n
Buscaremos el percentil t1−α /2 tal que P ( − t1−α /2 < t n −1 < t1−α /2 ) = 1 − α .
P ( t n −1 < t1−α /2 ) = α ⇒ P ( t14 > t 0,975 ) =
1 − α ⇔ P ( t n −1 > t1−α /2 ) = 0, 05
P ( t14 ≤ t 0,975 ) = 0, 05 ⇒ t 0,975 = 2,14478669
Para que la precisión en la media sea de 0,1, se tiene que:
2 2 2
S t ⋅S t 2,14478669
t1−α /2 = 0,1 ⇒ n = 1−α /2 = 1−α /2 ⋅ S2 = 0, 04195238 = 19,29855577
n 0,1 0,1 0,1
(n 1). S 2
Se sabe que n2 1 si la población de partida es N(, ) . Por tanto, para tomar el
2
Método de inferencia estadística que consiste en elegir el valor del parámetro que hace más
probables (más verosímiles) los valores obtenidos en la muestra.
Este método fue usado por Gauss en el caso especial de la distribución Normal para
justificar el método de los mínimos cuadrados y posteriormente desarrollado por R. A.
Fisher en sus aspectos esenciales.
Si tomamos una muestra 1, 2 ,..., n de una población que depende de unos
parámetros 1, 2 ,..., n , sabemos que cada i tiene la misma distribución que la población:
f xi , 1, 2 ,..., n .
La probabilidad de que salga una muestra 1, 2 ,..., n viene dada por:
n
f x1, 1, 2 ,..., n ... f xn , 1, 2 ,..., n f xi , 1, 2 ,..., n L x1,..., xn , 1, 2 ,..., n
i 1
que es la llamada función de verosimilitud.
La idea de este método es coger como estimadores los valores que hacen máxima
esta función, basándose en el principio lógico de suponer que los parámetros toman los
valores que hacen máxima la probabilidad de obtener cada muestra.
Es más cómodo manejar log L, y lo podemos hacer ya que los valores que
maximicen L, maximizan log L (por ser el logaritmo una función monótona creciente). En la
logL
mayoría de los casos, basta con hallar los valores que anulan su derivada: 0 . Estas
i
ecuaciones que deben satisfacer los parámetros son las ecuaciones de máxima verosimilitud.
Observación: El método de máxima verosimilitud no siempre produce estimadores
insesgados.