Documentos de Académico
Documentos de Profesional
Documentos de Cultura
Tema7 PDF
Tema7 PDF
7.1. Introducción
Consideremos una v.a X con distribución Fθ con θ desconocido. En este tema vemos cómo
dar una estimación puntual para el parámetro θ y cómo construir un intervalo de confianza
para el mismo, dos formas según se comentó de estimar el parámetro.
107
108 Capítulo 7. Estimación puntual y por Intervalos de Confianza
Xir
i=1
Momento muestral de orden r ar = n
Método de máxima verosimilitud: consiste en tomar como valor del parámetro aquel que
maximice la probabilidad de que ocurra la muestra observada.
Ejemplo 7.1: Sea X → N (µ, σ), con µ desconocido. Seleccionada una m.a.s. X1 , ..., Xn ,
con realización x1 , ..., xn , estimamos el parámetro µ por ambos métodos.
Según el método de los momentos:
n
X
Xi
−
i=1
E(X) = = X,
n
ˆ −
y al ser µ = E(X) se obtiene que µ = x.
Por el método de máxima verosimilitud:
n
Y
Lµ (x1 , ..., xn ) = fµ (xi ) =
i=1
Yn
1 −(xi −µ)2
= √ e 2σ2 ,
i=1
2πσ
7.3. Estimación por Intervalos de confianza 109
y maximizamos en µ tal función; en este caso resulta más fácil maximizar su logaritmo:
n
1 X √
ln Lµ (x1 , ..., xn ) = − 2
(xi − µ)2 − n ln( 2πσ)
2σ i=1
n −
∂ 1 X nx − nµ ˆ −
ln Lµ (x1 , ..., xn ) = 2 (xi − µ) = = 0 ⇐⇒ µ = x
∂µ σ i=1 σ2
−
Diremos entonces que [θ (x1 , ..., xn ), θ(x1 , ..., xn )] es un I.C. para θ al (1 − α)100 % de con-
−
fianza. Eso significa que de cada 100 intervalos que pudieran obtenerse (según distintas muestras
que pudieran haber sido seleccionadas al azar), (1 − α)100 contendrían el verdadero valor del
parámetro θ.
Ejemplo 7.2: Como ejemplo construimos un I.C. al (1−α)100 % de confianza para la media
µ de una normal con varianza conocida σ 20 .
Por lo tanto,
−
X −µ
P −z1− α2 ≤ √ ≤ z1− α2 = 1 − α,
σ0 / n
Supongamos que llevan a cabo pruebas de la resistencia a la tensión de una clase de largueros
de aluminio utilizado en la fabricación de alas de aeroplanos. De la experiencia se considera
una desviación típica de 1 kg/mm2 . Una muestra de 10 largueros proporciona una resistencia
promedio de 87.6 kg/mm. Vamos a obtener un I.C. al 95 % de confianza para la resistencia
promedio de esta clase de largueros.
" #
2 (n − 1)S 2 (n − 1)S 2
Media desconocida σ ∈ ,
χ21− α ;n−1 χ2α ;n−1
2 2
Sean X1 , ..., Xn1 una m.a.s. de X → N (µ1 , σ1 ) y Y1 , ..., Yn2 una m.a.s. de Y → N (µ2 , σ 2 ),
independientes.
· ¸
r
− − σ1 σ2
Varianzas conocidas µ1 − µ2 ∈ x − y ± z +
1− α
n1 2
n2
· r ¸
− − 1 1
Varianzas desconocidas pero iguales (σ2 ) µ1 − µ2 ∈ x − y ± t1− 2 ;n1 +n2 −2 Sp
α +
n1 n2
con
s
(n1 − 1)S12 + (n2 − 1)S22
Sp =
n1 + n2 − 2
Sean X1 , ..., Xn1 una m.a.s. de X → N (µ1 , σ1 ) y Y1 , ..., Yn2 una m.a.s. de Y → N (µ2 , σ 2 ),
independientes.
P
n2 P
n2
2 2
(yi − µ2 ) (yi − µ2 )
σ 22 n1 n1
Medias conocidas ∈ i=1 F α2 ;n1 ,n2 , i=1 F1− α2 ;n1 ,n2
σ 21 P n1
2 n2 Pn1
2 n2
(xi − µ1 ) (xi − µ1 )
" i=1 i=1
#
σ 22 S22 F α2 ;n1 −1,n2 −1 S22 F1− α2 ;n1 −1,n2 −1
Medias desconocidas ∈ ,
σ 21 S12 S12
Sean X1 , ..., Xn1 una m.a.s. de X → Bernoulli(p1 ) y Y1 , ..., Yn2 una m.a.s. de Y →
Bernoulli(p2 ).
s
ˆ ˆ ˆ ˆ
pˆ1 ˆ pT (1 − pT ) pT (1 − pT )
p1 − p2 ∈ − p2 ± z1− α2 + ,
n1 n2
siendo
ˆ ˆ
ˆ n1 p1 + n2 p2
pT =
n1 + n2
Ejemplo 7.5: Se piensa que la concentración del ingrediente activo de un detergente líquido
para ropa está afectado por el tipo de catalizador utilizado en el proceso de fabricación. Por
experiencias anteriores se supone que la desviación estándar de la concentración activa es de 3
g/l, sin importar el tipo de catalizador utilizado. Se toman 10 observaciones con cada catalizador
y se obtienen los siguientes datos:
Cat.1 57.9 66.2 65.4 65.4 65.2 62.6 67.6 63.7 67.2 71
Cat.2 66.4 71.7 70.3 69.3 64.8 69.6 68.6 69.4 65.3 68.8
· ¸ · ¸
S22 F0,05;9,9 S22 F0,95;9,9 4,946(0,314) 4,946(3,18)
, = , = [0,116, 1,180],
S12 S12 13,343 13,343
Al estar el 1 contenido en el intervalo, las varianzas podrían considerarse iguales.
La concentración del ingrediente activo depende por lo tanto del catalizador; con el se-
gundo catalizador se consigue mayor concentración que con el primero.
X = No de defectuosos → B(85, p)
(b) ¿Cuál debería ser el tamaño de la muestra si se quiere que el error cometido al estimar la
proporción sea menor de 0.05 con una probabilidad 0.95?.
ˆ
Puesto que p es el estimador puntual de p, puede definirse el error
cometido s al estimar
¯ ¯ ˆ
p(1 −
ˆ
p)
ˆ ¯ ˆ¯ ˆ
p por p como E = ¯p − p¯ . Si el I.C. al (1-α)100 % para p es p ± z1− α2 ,
n
s
ˆ ˆ
p(1 − p)
eso significa que el error de estimación E es menor o igual que z1− α2 con una
n
probabilidad de (1 − α). En consecuencia, el tamaño de muestra n para obtener un error
en la estimación inferior o igual a E con una probabilidad (1 − α) debe ser:
³ z1− α ´2 ˆ ˆ
2
n= p(1 − p)
E
7.4. Ejercicios 115
En este caso: µ ¶2
1,96
n= 0,118(1 − 0,118) = 160
0,05
7.4. Ejercicios
1. El tiempo de fallo en horas de un componente electrónico (en horas) puede modelizarse
según una distribución Exponencial con función de densidad
f (x) = λ exp{−λx}, x ≥ 0
300,305,329,325,310,314,302,356,325,309,351,305,322,349
2. El número de accidentes de tráfico diarios en una localidad puede ser modelizado por
una distribución de Poisson de parámetro λ. Una muestra de 45 días proporciona un no
medio de accientes por día de 2 con una desviación estándar de 1.4. Obtén una estimación
puntual para λ.
e) Si el nivel de confianza hubiera sido del 95 % la amplitud habría sido todavía menor
y por lo tanto mayor la precisión en la estimación.
Mét. 1 1.186 1.151 1.322 1.339 1.2 1.402 1.365 1.537 1.559
Mét. 2 1.061 0.992 1.063 1.062 1.065 1.178 1.037 1.086 1.052
Temperatura 1 85 83 82 85 84
Temperatura 2 90 92 91 93 90
c. Si una componente no ha fallado pasadas 500 horas desde su puesta inicial en fun-
cionamiento, ¿cuál es la probabilidad de que dure por lo menos otras 200 horas
más?.
9. Una central de productos lácteos recibe diariamente la leche de dos granjas A y B. Con
el fin de estudiar la calidad de los productos recibidos se extraen dos muestras, una de
cada granja, y se analiza el contenido de materia grasa de cada producto. Se obtienen los
siguientes resultados:
Granja A Granja B
0.32 0.28
0.29 0.30
0.30 0.32
0.28 0.29
0.33 0.31
0.31 0.29
0.30 0.33
0.29 0.32
0.33 0.29
0.32 0.32
0.30 0.31
0.29 0.32
0.29
0.30
c. Si la central rechaza aquellos productos con un contenido graso superior a 0.32, obtén
un intervalo de confianza al 90 % para la diferencia de proporciones de productos que
habría que rechazar procendentes de ambas granjas.