Departamento de Ingenierı́a Civil Industrial

IN3242 - Estadı́stica INGENIERIA INDUSTRIAL

Profesor: Raimundo Undurraga
Auxiliares: Nicolás Acevedo, Fernando Miranda, Guillermo Morales,
UNIVERSIDAD DE CHILE
Rubén Ortega, Carla Peñafiel, Camila Pulgar, Carolina Salgado, Evelyn Silva

Auxiliar #3
Ley de los Grandes Números, Teorema del Lı́mite Central (TLC) e Intervalos de Confianza

Resumen
• Convergencia en probabilidad: Sea Xn una secuencia de v.a indexadas por el tamaño muestral
n. La v.a Xn converge en probabilidad a una constante c si, para todo  > 0:

lim P (|Xn − c| > ) = 0

n→∞

Otras notaciones:
Xn → c
p

plim(Xn ) = c

• Consistencia: Si Xn tiene media µn y varianza σn 2 tal que los lı́mites ordinarios de µn y σn 2 son
c y 0, respectivamente, entonces Xn converge en probabilidad a c y por tanto plimXn = c. Luego,
θˆn es un estimador consistente del parámetro poblacional θ (en que θ es un escalar, no una v.a.), si
θˆn converge en probabilidad a θ.
Otra manera de verlo:
Un estimador θˆn de θ es consistente si:
θˆn → θ
p

• Relación estimador insesgado y uno consistente: Si Xn es un estimador insesgado de θ (i.e

E(Xn ) = θ) y V ar(Xn ) → 0 cuando n → ∞, entonces plimX¯n = θ, y en efecto Xn es un estimador
consistente de θ.

• Ley de Los Grandes Números:

Sea {Xi }ni=1 una muestra i.i.d con E(Xi ) = µ < ∞ y V ar(Xi ) = σ 2 < ∞. Luego,
∞
1X
X¯n = Xi
n
i=1

Es un estimador consistente de µ.

• Convergencia en distribución: Si Xn es una secuencia de v.a con Xn ∼fn (·) y X una v.a con
distribución f (·). Si para cada x tenemos f (x) es continua, se tiene:

fn (x) → f (x)
n→∞

Entonces decimos que Xn converge en distribución a X, y se escribe:

Xn → X
d

Por lo tanto, la distribución de X es la distribución limite de Xn .

1
Departamento de Ingenierı́a Civil Industrial
IN3242 - Estadı́stica INGENIERIA INDUSTRIAL
Profesor: Raimundo Undurraga
Auxiliares: Nicolás Acevedo, Fernando Miranda, Guillermo Morales,
UNIVERSIDAD DE CHILE
Rubén Ortega, Carla Peñafiel, Camila Pulgar, Carolina Salgado, Evelyn Silva

• Teorı́a del Limite Central (TLC) Sea {Xi }ni=1 una muestra i.i.d con E(Xi ) = µ < ∞ y
V ar(Xi ) = σ 2 < ∞. Luego, √
n(X¯n − µ) → N (0, σ 2 )
d

Esto es equivalente a decir:

X¯n − µ
√ → N (0, 1)
σ/ n d

Otra notación:
σ 2
X¯n → N (µ, ) (1)
a n

• Intervalo de confianza: Rango de valores construido a partir de θ̂ que con probabilidad 1 − α

(nivel de confianza) contiene al parámetro de interés θ.

– Intervalo de confianza para la media µ de Y ∼ N (µ, σ 2 ), con σ desconocida (muestra finitas):

IC(ȳ) = ȳ ± tn−1(1−α/2) · SE(ȳ)

d
q
Donde SE(ȳ)
d = s2y /n es el estimador error estándar del promedio. Se toma el estadı́stico
T = √ȳ−µ ∼ tn−1 a partir de la muestra y1 , . . . , yn y, dado un nivel de confianza 1 − α, se
s2y /n
 
obtiene el valor critico tn−1(1−α/2) tal que P −tn−1(1−α/2) < T < tn−1(1−α/2) = 1 − α.

Nota: Mientras mayor son los grados de libertad de la t-student, más se aproxima a una N (0, 1)

– Intervalo de confianza para la varianza σ 2 de Y ∼ N (µ, σ 2 ) (muestra finitas):

" #
(n − 1)s 2 (n − 1)s2
y y
IC(s2y ) = ,
χ2n−1(α/2) χ2n−1(1−α/2)
2
Se toma el estadı́stico X 2 = (n−1)S
σ2
∼ χ2n−1 a partir de la muestra y1 , . . . , yn y, dado un
nivel de confianza 1 − α, se obtienen los valores crı́ticos χ2n−1(1−α/2) y χ2n−1(1−α/2) (χ2 no es
 
simétrica) tales que P χ2n−1(1−α/2) < X 2 < χ2n−1(α/2) = 1 − α.

2
Departamento de Ingenierı́a Civil Industrial
IN3242 - Estadı́stica INGENIERIA INDUSTRIAL
Profesor: Raimundo Undurraga
Auxiliares: Nicolás Acevedo, Fernando Miranda, Guillermo Morales,
UNIVERSIDAD DE CHILE
Rubén Ortega, Carla Peñafiel, Camila Pulgar, Carolina Salgado, Evelyn Silva

Pregunta 1: Intervalos de Confianza

En esta pregunta buscamos resolver el problema más controversial de la última década: ¿cuántos Chubis
hay en una bolsa de Chubis realmente?. En el archivo “chubis20.csv” se encuentran los registros de
reportes de 20 personas sobre la cantidad de Chubis que dicen haber encontrado en sus bolsitas. Testee
si estos estos datos siguen una distribución normal. Luego, obtenga:

1. Un intervalo que con probabilidad 0, 95 contenga a la media real de Chubis que hay en una bolsita.

2. Un intervalo de confianza con un nivel de confianza del 90% para la varianza de la cantidad de
Chubis.

Ahora, ocupe los datos del archivo “chubis1000.csv”, el cual contiene los mismos registros que antes,
pero para 10.000 personas, y, nuevamente construya intervalos de confianza para la media, pero en dos
versiones:

3. Un intervalo de confianza al 95% para la media de la cantidad de Chubis como en la parte 1.

4. Un intervalo de confianza al 95% para la media, pero asumiendo la varianza conocida. Es decir,
tome el estimador de la varianza muestral como si se tratara de la varianza poblacional.

¿Difieren los intervalos obtenidos en cada caso?. Explique sus resultados. ¿Cuántos Chubis hay en una
bolsa de Chubis realmente?

Pregunta 2: Teorema Central del Lı́mite

Dada la contingencia nacional del “Dı́a del completo”, una cadena de panaderia de Valdivia, especializada
en el almacenamiento y suministro de pan de completo, posee dos puntos de almacenamiento refrigerado,
uno grande, en las afueras de la ciudad, (lo llamaremos central ) con capacidad infinita de unidades de
pan y uno pequeño ubicado dentro de la ciudad (lo llamaremos local ) con capacidad de 90 unidades de pan.

Últimamente, el personal del local comenta que no siempre tienen stock de pan disponibles para vender
a los clientes. Ante esto, el encargado de suministro responde que ellos sólo piden más pan cuando se les
acaba, ya que no le parece conveniente hacerlo de otra manera.

En este contexto, el administrador de la empresa lo contrata a usted para que vea la forma de estimar
la cantidad demandada de pan cada dı́a en el local, y ası́, dar abasto a la demanda, evitando perdidas
monetarias por quiebre de stock.

Se tiene la siguiente información, a partir de un estudio sobre la demanda y luego de observaciones

por 10 dı́as.

• El promedio de unidades de pan demandadas cada dı́a es de 100 unidades.

• La varianza en la demanda de pan es de 50 unidades.

1. Haciendo uso de los teoremas limite calcule la probabilidad de que el promedio esté a no más de 1
unidad de diferencia con la media calculada.

3
Departamento de Ingenierı́a Civil Industrial
IN3242 - Estadı́stica INGENIERIA INDUSTRIAL
Profesor: Raimundo Undurraga
Auxiliares: Nicolás Acevedo, Fernando Miranda, Guillermo Morales,
UNIVERSIDAD DE CHILE
Rubén Ortega, Carla Peñafiel, Camila Pulgar, Carolina Salgado, Evelyn Silva

2. Se pide un estudio más, con 90 dı́as extras de observación, donde la media de demanda fue de 90
unidades con una varianza de 30 unidades. Repita el ejercicio anterior y calcule la probabilidad de
que el promedio (real) esté a no más de 1 unidad de diferencia con la media calculada.

3. Concluya sobre los resultados obtenidos y entregue una recomendación al administrador.

Pregunta 3 (Extra computacional)

Para comprobar la utilidad del Teorema Central del Limite frente a distintas distribuciones poblacionales
y además responder a la pregunta ¿que es una muestra grande?, realice lo siguiente utilizando la her-
ramienta (se le sugiere) R.

Debe considerar cada una de las siguientes distribuciones en su análisis:

• Distribución exponencial de parámetro λ = 0.5.

• Distribución Poisson de parámetro λ = 1.

• Distribución log-normal de parámetros µ = 1 y σ = 1.

Realice los siguientes pasos para cada una de las distribuciones:

1. Genere múltiples (r = 1...R) muestras aleatorias de tamaño n = (10; 30; 100; 500).

2. Calcule el promedio muestral Yˆr de cada muestra r.

3. Plotee un histograma (uno por cada tamaño muestral) de Yˆr imponiendo una densidad normal con
media un y varianza σn 2 .

4. Genere qqplots para testear normalidad de las distribuciones obtenidas.

5. Para cada muestra r cree un I.C asintótico al 95%.

Responda las siguientes preguntas a partir de los resultados obtenidos:

1. Para que tamaños muestrales el CLT predice correctamente el área de los I.C. (use sólo n=10;30;100
para esta parte).

2. ¿Es relevante la distribución poblacional al momento de utilizar el CLT?