EJERCICIOS DE CAPITULO 9; PROBLEMAS DE ESTIMACION DE UNA Y DOS

MUESTRAS

9.95 Se llevo a cabo un experimento para determinar si el acabado superficial tiene un

efecto en el límite de resistencia a la fatiga del acero. Una teoría indica que el pulido
aumenta el límite medio de resistencia a la fatiga (para la flexión inversa). Desde un punto
de vista práctico, el pulido no debería tener efecto alguno sobre la desviación estándar del
límite de resistencia a la fatiga, el cual se sabe, a partir de la realización de diversos
experimentos de límite de resistencia a la fatiga, que es de 4000 psi. Se realiza un
experimento sobre acero al carbono al 0.4% usando especímenes sin pulido y
especímenes con pulido suave. Los datos son los siguientes:

Calcule un intervalo de confianza del 95% para la diferencia entre las medias de la
población para los dos métodos. Suponga que las poblaciones se distribuyen de forma
aproximadamente normal.

R. Para el intervalo μ1−μ 2 de 95% = 100(1 – α )%, tenemos que:

1−α=0,95
α
α =0,05 ; =0,05; α=0,025
2

Estimamos las medias para acero pulido y acero sin pulir;

X Pulido=86250
X sin pulir=79837.5
σ 1 =σ 2=4000
Del teorema del intervalo de confianza para μ1−μ 2, ya que tenemos las desviaciones
estándar, el Intervalo requerido es:

σ 2pulido σ 2sin pulir σ 2pulido σ 2sin pulir

( X ¿ ¿ Pulido− X sin pulir)−z α
2 √ n1
+
n2
< μ1−μ 2<( X ¿ ¿ Pulido− X sin pulir )+ z α
2 √ n1
+
n2
¿¿

Recordemos que las desviaciones estándar son iguales, por lo que las varianzas también
lo son, entonces:

1 1 1 1
( X ¿ ¿ Pulido− X sin pulir)−z α σ
2 √ + < μ −μ <(X ¿ ¿ Pulido− X sin pulir )+ z α σ
n1 n2 1 2 2
n
+ ¿¿
1 n2 √
Estimando una distribución normal, observamos el valor, z 0,025 =1,96

Al reemplazar, el resultado es:

2492.5< μ1−μ 2<10332.5

9.99 Una forma alternativa de estimación se lleva a cabo a través del método de
momentos. El método consiste en igualar la media y la varianza de la población con las
correspondientes medias muestral ￣x y varianza muestral s2, y resolver para los
parámetros; el resultado son los estimadores por momentos. En el caso de un solo
parámetro solo se utilizan las medias. Argumente porque en el caso de la distribución de
Poisson el estimador de máxima verosimilitud y los estimadores por
momentos son iguales.

R.
n
∂
∂μ
ln
n
[∏ ( ) ]
i =1
f xi ; μ = 0

∂ e−μ μ x

n
∑
∂ μ i=1
ln
x!( =0 )
∂
∑ [ ln e− μ+ ln( μ)x −ln ⁡( x ! ) ] ¿ 0
i

∂ μ i=1
n
∂
∑
∂ μ i=1
[−μ+ x i ln ⁡( μ)−ln ⁡(x ! )] ¿ 0
n
1
∑[x ]¿μ
n i=1 i

Función generadora de momentos:

Ambas funciones generan el mismo estimador:
n
1
∑ [ x ] ¿ μ=x
n i=1 i

9.111 considere el estadístico p S2, el estimado agrupado de σ 2 que se estudió en la

sección 9.8 y que se utiliza cuando se está dispuesto a suponer que σ1 2 = σ2 2 = σ 2.
Demuestre que el estimador es insesgado para σ 2 [es decir, demuestre que E(p S2) = σ
2]. Puede utilizar los resultados de cualquier teorema o ejemplo de este capítulo.

2 ( n1−1 ) S 21 +(n 2−1) S22

E ( S )=
P
n 1+ n2−2
2 ( S ¿ ¿ 22)
n
( 1 )−1 E (S 1 )+(n 2 −1) E ¿
n 1+n 2−2
2 (σ ¿ ¿ 22 )
( n 1−1 ) (σ 1 )+(n2−1) ¿
n1 +n2−2
2 2
Asumamos que σ 1 y σ 2 y σ 2, así mismo, tenemos que:

(σ ¿ ¿ 22 )
( n 1−1 ) (σ 12)+(n2−1) ¿
n1 +n2−2
2 ( σ ¿¿ 2)
( n 1−1 ) (σ )+(n2−1) n +n −2 ¿
1 2
(n ¿ ¿ 1−1+n −1)
(σ 2) 2
¿
n1 +n2 −2

2 2
Concluimos que: E ( S P ) =σ