Inferencias Sobre Desviaciones Estandar - Anova

ESTADÍSTICA INFERENCIAL
INFERENCIAS SOBRE DESVIACIONES ESTÁNDAR - ANOVA

Mg. Maria V. Hermenegildo Chávez
INFERENCIAS SOBRE DESVIACIONES ESTÁNDAR – ANOVA
INFERENCIAS SOBRE DESVIACIONES ESTÁNDAR
Es muy importante conocer la desviación estándar de la población, porque muestra la variación

de los datos observados, pero en muchos casos no es posible conocerla por cuestión de costo y
tiempo, y en otros casos, porque es imposible, por lo que es fundamental hacer inferencias sobre
la desviación estándar; además, es necesario conocer la desviación estándar para estimar otros
parámetros de la población.
La desviación estándar de la muestra S, se usa con mucha frecuencia con una estimación de  ,
la desviación estándar de la población de donde se eligió la muestra en forma aleatoria.
Sean: n: el tamaño de la muestra
S: su desviación estándar.
Estimamos  en base a S:
INTERVALO DE CONFIANZA DE  2 (muestra pequeña)
Se requiere que la población muestreada tenga aproximadamente la forma de una distribución

normal.
Nos basamos en la estadística ji-cuadrada.
(n - 1)S2
2 = 
1
que tiene como distribución muestral la distribución continua ji-cuadrada, con media  = n - 1,
esta cantidad es el número de grados de libertad.
X  X 2
2
   
El dominio de la distribución ji-cuadrada es R+
Definimos X2 12 como se hizo con Z  y T  .
La distribución ji-cuadrada no es simétrica.
X2 12 es tal que el área situada a su derecha bajo la curva es /2, mientras que X1212 es tal que
el área situada a su izquierda debajo de la curva es /2.

1-
/2  
X21- /2 
2
X /2X
2
2
Podemos afirmar que una variable aleatoria que tiene la distribución ji-cuadrada toma un valor
X1212 y X2 12 , con probabilidad 1-  afirmamos que:
(n  1)S 2
X1212 < < X2 12
2
despejando  2:
INTERVALO DE CONFIANZA DE  2 PARA MUESTRA PEQUEÑA (n < 30)
(n  1)S 2 (n  1)S 2
<  2
<
X 2 / 2 X 12  / 2
del (1 - ) 100% de  2 .
Calculando la raíz cuadrada, obtenemos el intervalo de confianza de la desviación estándar  .
EJEMPLO 7
Los resultados de un estudio realizado en una universidad mostraron que una muestra tomada al
azar de 25 alumnos utiliza las instalaciones del centro de estudiantes en promedio 6.8 veces por
semana, con desviación estándar de 2.4. Construya un intervalo de confianza del 99% para  ,
que es la desviación estándar real del número de veces que los alumnos de la universidad
utilizan las instalaciones del centro de estudiantes a la semana.
Solución
n = 25 alumnos
X = 6.8 veces por semana
S = 2.4
n < 30
 = 0.01
X2 12 = X02.005 = 45.558
3
X2 12 = X02.995 = 9.886
con: n-1 = 25 = 24 grados de libertad
reemplazando en:
(n  1) S 2 (n  1) S 2
< 2 <
X 2 / 2 X 12  / 2
(25  1) (2.4) 2 (25  1) (2.4) 2

< 2 <
45.558 9.886
(25  1) (2.4) 2 (25  1) (2.4) 2

< 2 <
45.558 9.886
3.0344 < 2 < 13.9834
 1.742 <  < 3.7394
Con el 99% de confianza afirmamos que el intervalo de 1.742 a 3.7394 contiene a  , que es la
desviación estándar real del número de veces que los alumnos de la universidad utilizan las
instalaciones del centro de estudiantes a la semana.
INTERVALO DE CONFIANZA DE  2 (MUESTRAS GRANDES n  30)
La distribución muestral de S se puede aproximar con una distribución normal, cuya media es

 , y desviación estándar .
2n
Así, podemos afirmar con probabilidad 1 -  que:
S
 Z / 2   Z / 2

2n
Despejando  , tenemos:
4
INTERVALO DE CONFIANZA PARA MUESTRA GRANDE DE 
S S
<  <
Z / 2 Z / 2
1 1
2n 2n
del (1 - ) 100% de  .
1-
/2 /2
Escala Z

-Z/2 0 Z/2
EJEMPLO 8
El gerente de una tienda de abarrotes observó, sobre la base de una muestra aleatoria de tamaño
n = 60 tomada cuando la tienda estaba repleta de gente, que los clientes tardaban en promedio
de X = 13.5 minutos en pasar por la caja para pagar y que se les empacaran 10 artículos o
menos; la desviación estándar de la muestra es S = 3.4 minutos. ¿Qué se puede afirmar, con el
98% de confianza, acerca del error máximo de la estimación X = 13.5 minutos del tiempo
promedio real que tarda un cliente en que le cobren 10 o menos artículos y que se le empaquen
sus productos cuando la tienda esta repleta de gente?
Solución:
n = 60
X =13.5 minutos
S = 3.4 minutos
 = 0.02
Z /2 = Z 0.01 = 2.05
-Z /2 = - Z 0.01 = -2.05
5
Reemplazando valores en:
S S
<  <
Z / 2 Z / 2
1 1
2n 2n
3.4 3 .4
<  <
2.05 2.05
1 1
2 60  2 (60)
2.995 <  < 8.933
0.98
0.01 0.01
-Z0.01 = -2.05 0 Z0.01 = 2.05
Con una confianza del 98% podemos afirmar que  se encuentra en el intervalo de 2.0995 a
8.933; donde  es el error máximo del tiempo promedio real que tarda un cliente en que le
cobren 10 o menos artículos y que se le empaquen sus productos cuando la tienda está repleta de
gente.
PRUEBAS DE HIPÓTESIS DE  Y  2
Las pruebas de hipótesis de  y  2 se realizan para demostrar la uniformidad de un producto,

proceso u operación.
Probaremos:
H0:  =  0 ó H0:  2 =  02 , donde  0 es el valor supuesto de la desviación

estándar de la población contra la hipótesis alternativa:
6
H1:  <  0 ó H1:  >  0 ó H1:    0
Nos basamos en los estadísticos usados para determinar el intervalo de confianza de  .
ESTADÍSTICO DE LA PRUEBA DE LA DESVIACIÓN ESTÁNDAR

(Muestra pequeña)
(n  1) S 2
2 =
 02
Donde: n : es el tamaño de la muestra
S2 : es su varianza
La distribución de muestreo de este estadístico es la distribución ji-cuadrada con n-1 grados de

libertad.
H1:  <  0
Región de
rechazo de
H0 1- 

H1:  >  0
0 X 12 X2
Región de
rechazo de
H0
1- 
 7
0 X 12 X2
H1:    0
Región de
rechazo de
H0
1- 
/2 /2
0 X 12 X 2 / 2 X2
EJEMPLO 9
Quince personas que estudian una unidad de aprendizaje programado de un curso de
capacitación requirieron 58.23 minutos para finalizar la unidad, con una desviación estándar de
8.5 minutos. Utilice un nivel de significación de 0.05 para probar la afirmación de que  = 7
minutos de la población que se muestra.
Solución
n = 15
X = 58.23 minutos
S = 8.5 minutos
 = 0.05
H0:  = 7
H1:   7
2
X1212 = X 0.975 = 5.629
X2 12 = X02.025 = 26.119
para: n-1 = 15 = 14 grados de libertad
8
Hallando el valor de la estadística:
(n  1) S 2
 2
=
 02
(15  1) (8.5) 2
2 =
72
2 = 20.643
Región de rechazo de
H0
0.95
0.025 0.025
0 X 02.975 X 02.025 X2
5.629 26.119
Como 2 = 20.643 está entre 5.629 y 26.119 si la hipótesis nula H0, esto significa que el valor
de la desviación estándar de la población es en verdad  = 7 minutos, con nivel de significación
de  = 0.05 para n-1 = 14 grados de libertad de la distribución 2 .
ESTADÍSTICO DE LA PRUEBA DE LA DESVIACIÓN ESTÁNDAR

(muestra grande)
S - 0
Z =
0
2n
9
Cuya distribución de este estadístico es la distribución normal estándar.
EJEMPLO 10
Un fabricante de almohadas especifica que la desviación estándar del peso del relleno de las
almohadas no debe ser mayor que 0.5 onza. Utilice el nivel de significación de  = 0.01 para
probar la hipótesis nula  = 0.5 gramos contra la hipótesis alternativa  > 0.5 con base en una
muestra tomada al azar de tamaño n = 40 para la cual S = 0.68.
Solución:
n = 40
S = 0.68 gramos
 0 = 0.5 gramos
 = 0.01
H0:  = 0.5
H1:  > 0.5
Es una prueba de significación de una cola
z  = z 0.01 = 2.33
Calculando el valor del estadístico:
S - 0
z =
0
2n
0.68 - 0.5
 z =
0.5
2(40)
z = 3.2199
0.01
0 Z0.01 = 2.33
10
Z = 3.2199 > 2.33 = Z 0.01 por tanto se rechaza H0, lo que significa que la diferencia entre  y
 0 = 7 es grande que no puede atribuirse a la casualidad, con una confianza del 99% se realiza
esta afirmación.
PRUEBAS DE HIPÓTESIS SOBRE DOS DESVIACIONES ESTÁNDAR

DE DOS POBLACIONES
El objetivo es determinar si la varianza de una población normal tiene más variación que otra.
Sean 12 y 22 las varianzas de dos poblaciones.
Esta prueba se relaciona con la prueba de hipótesis de la diferencia entre dos medias, para
muestra pequeña, que requiere que:  1 =  2.
Sean n1 y n2 el tamaño de las muestras aleatorias independientes de dos poblaciones.
Sean S1 y S2 sus desviaciones estándar.
Suponiendo que las muestras tienen más o menos la forma de distribuciones normales,
demostrar que:
H0:  1 =  2,
H1:  1 >  2
con un nivel de significación 
Basamos la prueba de H0 en el estadístico de prueba

S12 S22
F = 2 ó F = , elegir el mayor valor
S2 S12
La razón de varianzas tiene como distribución muestral a la distribución continua F, la cual

depende de n1 - 1 y n2 - 1 grados de libertad correspondientes a las estimaciones de 12 y
22 (varianzas desconocidas de las poblaciones muestreadas).
11
Las tablas sólo dan información para trabajar con el extremo de la derecha de la distribución.
 Región de rechazo
de H0
2
F2 F
El valor de F no puede ser negativo.
La distribución tiene sesgo positiva.
EJEMPLO 11
Dos técnicas diferentes de iluminación de los aparadores de una tienda se comparan midiendo la
intensidad de la luz en sitios seleccionados de áreas iluminadas por medio de los dos métodos.
Si una muestra aleatoria de 12 mediciones de la intensidad de luz que proporciona la primera
técnica tiene una desviación estándar de 2.6 bujías-pie y una muestra aleatoria de 16 mediciones
de la intensidad de la luz que proporciona la segunda técnica tiene una desviación estándar de
4.4 bujías-pie, pruebe la hipótesis nula  1 =  2 contra la hipótesis alternativa  1   2 en el
nivel de significación de 0.10.
Solución:
n1 = 12
S1 = 2.6 bujías-pie
n2 = 16
S2 = 4.4 bujías-pie
H0:  1 =  2,
H1:  1   2
 = 0.10
12
calculando el valor de F:
S12 ( 2.6 ) 2
F = = = 0.3492, ó
S22 ( 4.4 ) 2
S22 ( 4.4 ) 2
F = = = 2.8639
S12 ( 2.6 ) 2
Elegimos:
F = 2.8639, con
n2 - 1 = 16 – 1 = 15 grados de libertad del numerador, y
n1 - 1 = 12 – 1 = 11 grados de libertad del denominador.
0.05
F
F
F = 2.8639 > 2.72; por lo tanto se rechaza la hipótesis nula, la diferencia entre  1 y  2 es
grande que no puede atribuirse a la casualidad, con una confianza del 90%.
13
ANÁLISIS DE VARIANZA
(ANOVA)
En este análisis se emplea información muestral para determinar si tres o más tratamientos
producen o no resultados diferentes.
En la investigación agrícola se trataron campos con diferentes fertilizantes o fumigantes para

determinar si había o no una diferencia global en la productividad, los diversos fertilizantes se
consideraban como diferentes “tratamientos”, este término ahora ya generalizado.
Usamos la herramienta estadística conocida como análisis de varianza, en forma abreviada

ANOVA, este procedimiento exige el mismo método de prueba que se explico antes.
DIFERENCIA ENTRE K MEDIAS DE K POBLACIONES
Sean  1,  2, ... y  k medias de K poblaciones, de donde se extraen aleatoriamente una

muestra, se debe probar que:
H0:  1 =  2 = ... =  k , contra la hipótesis alternativa.

H1: no todas la medias son iguales.
Con un nivel de significación α.
O podemos considerar:
 1 =  + α1
 2 =  + α2
.
.
.
 k =  + αk
 1 +  2 +... +  k
Con  = , media general
k
Donde: α1 + α2 +... + αk = 0
En este caso se debe probar que:
H0: α1 + α2 +... + αk = 0, contra la hipótesis alternativa.
14
H1: no todas las α son iguales a cero.
Las α se denominan efectos del tratamiento.
Considerando el primer caso:
H0: se cumplirá si la diferencia entre las medias es pequeña.

H1: se cumplirá si la diferencia entre las medias es grande.
Para aplicar la técnica ANOVA, se hacen las siguientes suposiciones:
1. Que las poblaciones de las cuales se toman las muestras tienen aproximadamente
distribuciones normales (si las muestras son grandes no es necesaria la suposición).
2. Todas las poblaciones tienen la misma varianza  2.
3. Las muestras que se seleccionan de cada una de las poblaciones son aleatorias e
independientes.
Si no se cumplen algunas de las condiciones anteriores, se debe usar pruebas no paramétricas.
Bajo el supuesto de que las k muestras pueden considerarse como muestras tomadas de una
misma población normal.
H0:  1 =  2 = ... =  k es verdadera,

H1: al menos una media es diferente.
FORMA SIMPLE DE ANÁLISIS DE VARIANZA
Sea Sx la desviación estándar de las medias, la cual es una estimación de  x (error estándar de
la media de la población)
 
 x = , así: Sx =
n n
no conocida
entonces: n. Sx 2 =  2 , es una estimación de la varianza común, σ 2 de las k poblaciones.
Sean S12 , S22 , ..., Sk2 las varianzas de k muestras; cada una de ellas es una estimación de  2 ,
así también lo es:
S12 + S22 + . . . + Sk2

(I)
k
15
Se rechazará la hipótesis nula si n. Sx 2 es “mucho” mayor que la expresión ( I ), es decir,

cuando la variabilidad de las x es muy grande como para atribuirse a la casualidad.
Estadístico de prueba de k medias:
n. Sx 2
F= RAZON DE VARIANZAS
S12 + S22 +... +Sk2
k
Que tiene como distribución de muestreo a la distribución F, con k-1 grados de libertad para el
numerador y, k(n -1) grados de libertad para el denominador.
k - 1: se refiere a la variación de k medias.

k(n-1): se refiere a k varianzas, cada una con n-1 grados de libertad.
Región de
rechazo de
H0
1- 

F
Ejemplo 1:
Para determinar el número de periódicos matutinos que se entregan a hogares suburbanos
durante un período de 60 minutos, se observó a 5 vendedores de periódicos que atienden
diversas rutas en un período de 4 días. Los números de periódicos entregados son:
Juan: 25 20 29 26
Jimena: 27 21 30 26
Antonio: 26 26 24 20
María: 22 24 26 20
Guillermo: 21 20 20 23
Realice un análisis de varianza para probar con un nivel de significación de 0.01 la hipótesis
nula de que los 5 repartidores entregan el mismo número promedio de diarios durante períodos
de 60 minutos.
16
Solución
k = 4 (nro. de tratamientos)
n=5
Datos de tratamientos:
1. x 1 = 24.2, S1 = 2.588 → S12 = 6.6977
2. x 2 = 22.2, S2 = 2.683 → S22 = 7.1985
3. x 3 = 25.8, S3 = 4.025 → S32 = 16.2006
2. x 4 = 23, S4 = 3 → S42 = 9
1º Calculando la media general:
k
 xi 95.2
i 1
x ..= = =
4
= 23.8
k
Calculando las varianza de las medias:
2 (X k  X..)2
Sx =
k 1
7.36
= = 2.4533
3
luego:
n. Sx 2
= 5  (2.4533) = 12.2665.
2º Calculando el promedio de las varianzas de los tratamientos:
S12 + S22 + S32 + S42 39.0968

= = 9.7742
4 4
3º Hallando el valor del estadístico F:
12.2665
F= = 1.255
9.7742
Con k -1 = 4 – 1 = 3 grados de libertad para el numerador, y,

k( n - 1) = 4(5 - 1) = 16 grados de libertad para el denominador;
17
Para α = 0.01, F0.01 = 5.29
Área de
rechazo de H0
0.99
0.01
F0.01 = 5.29
F = 1.255 < 5.29 = F0.01 , por lo tanto se acepta H0, esto significa que los 5 repartidores
entregan el mismo número promedio de diarios durante períodos de 60 minutos, con una
confianza del 99%.
ANÁLISIS DE VARIANZA EN UN SENTIDO
Para realizar un análisis de varianza, consideremos ahora un método más riguroso que el
anterior, ANOVA en un sentido.
Definimos la medida de la variación total de un conjunto de datos, como:
SUMA TOTAL DE CUADRADOS
k n
SST =   (x  x . .)2
ij
i 1j1
Donde:
xij : es la j-ésima observación de la i-ésima muestra.
x .. : es la gran media (media de las kn observaciones)
SST
Luego: es la varianza de los datos.
k.n - 1
Identidad del análisis de varianza en un sentido:

Sea x i. la media de la i-ésima muestra, así:
18
k k n
SST = n.  ( x i  x ..) 2    ( x ij  x i .) 2
i1  i 1 j1
  
SS( Tr ) SSE
Donde:
SS(tr) se denomina la Suma De Cuadrados De Tratamientos, y mide la variación entre las
medias de las muestras, y.
SSE se denomina SUMA DE ERROR DE CUADRADOS, y mide la variación en cada
una de las muestras.
La palabra “error” se relaciona con el error experimental que también se conoce como
casualidad
En el ejemplo anterior:
x .. = 23.8 (media de k × n = 4 × 5 = 20 observaciones)
Calculando la suma de cuadrados de tratamientos:
k
SS(Tr) = n.  ( x i  x ..)
i 1
= 5 [(24.2 – 23.8)2 + (22.2 – 23.8)2 + (25.8 – 23.8)2 + (23 – 23.8)2 ]
= 5 × 7.369 = 36.8
Calculando la suma total de cuadrados:

k n
SST =   (x  x . .)2
ij
i 1j1
SST = (25 – 23.8)2 + (20– 23.8)2 + (29 – 23.8)2 + (26 – 23.8)2 +

(27– 23.8)2 + (21– 23.8)2 + (30 – 23.8)2 + (26 – 23.8)2 +
(26– 23.8)2 + (26– 23.8)2 + (30– 23.8)2 + (20 – 23.8)2 +
(22– 23.8)2 + (24 – 23.8)2 + (26– 23.8)2 + (20 – 23.8)2 +
(21– 23.8)2 + (20– 23.8)2 + (20– 23.8)2 + (23 – 23.8)2
= 193.20
Calculando la suma de error de cuadrados:
SSE = SST – SS(Tr)

= 193.20 – 36.8
= 156.4
Si no se conoce SST:
19
k n
SSE =   ( x ij  x i .) 2
i 1 j1
= (25 – 24.2)2 + (20 – 22.2)2 + (29 – 25.8)2 + (26 – 23)2 +

(27– 24.2)2 + (21 – 22.2)2 + (30 – 25.8)2 + (26 – 23)2 +
(26– 24.2)2 + (26 – 22.2)2 + (30– 25.8)2 + (20 – 23)2 +
(22– 24.2)2 + (24 – 22.2)2 + (26– 25.8)2 + (20 – 23)2 +
(21– 24.2)2 + (20 – 22.2)2 + (20– 25.8)2 + (23 – 23)2
= 156.4
Para probar:
H0:  1 =  2 = ... =  k , contra la hipótesis alternativas de que las medias de los tratamientos no
son iguales, comparamos SS(Tr) con SSE, basados en el estadístico F.
TABLA DE ANÁLISIS DE VARIANZA EN UN SENTIDO:
Fuente de Grados de Valor del

Suma de cuadrados Promedio de cuadrados
variación libertad estadístico F
SS(Tr) MS(Tr)
Tratamientos k-1 SS(Tr) MS(Tr) =
k-1 MSE
SSE
Error k (n- 1) SSE MSE =
k(n - 1)
Total k.n- 1 SST
Tabla de análisis de varianza para el ejemplo:

k=4
n=5
Fuente de Grados de Valor del

Suma de cuadrados Promedio de cuadrados
variación libertad estadístico
36.8
MS(Tr) = MS(Tr)
Tratamientos 4–1=3 SS(Tr) = 36.8 3 = 1.255
MSE
=12.27
156.4
Error 4 (5 - 1) = 16 SSE = 156.4 MSE = = 9.775
16
20
Total 4 (5) - 1 = 19 SST = 193.20
Región de rechazo
de H0
0.99
0.01
F0.01= 5.29
Distribución F con 3 y 16 grados de libertad para el numerador y denominador:

F = 1.255 es el mismo valor hallado en el análisis de varianza simple.
Para α = 0.01, F0.01 = 5.29, por lo tanto se acepta H0.
FÓRMULA DE CÁLCULO DE SUMAS DE CUADRADOS

Sean:
Ti. : Total de observaciones del i-ésimo tratamiento (suma de los valores de la i-ésima
muestra)
T.. : Total de todos los datos
k n 1
SST =   x 2   T 2 ..
i j
i 1 j1 kn
1 k 2 1 2
SS(Tr) = .  Ti.  .T ..
n i 1 kn
 SSE = SST – SS(Tr)
FORMULA DE CÁLCULO DE SUMAS DE CUADRADOS PARA TAMAÑOS DE
MUESTRAS DESIGUALES
21
k ni 1
SST =   x 2   T 2 ..
ij
i 1 j1 N
k Ti2. 1 2
SS(Tr) =   .T . .
i 1 ni N
 SSE = SST – SS(Tr)
Donde:
ni : es el tamaño de las muestras
N = n1 + ...+ nk
N – 1: son los grados de libertad para SST
k – 1: son los de grados de libertad para SS(Tr)
N – k, para el error.
Región de aceptación
de H0
Región de rechazo
de H0
1- 
F
Ejemplo 2:
Los siguientes son los números de hornos de microondas que vende cada uno de los vendedores
de las tres sucursales de una compañía distribuidora de artículos domésticos:
Sucursal alfa: 21 11 17 28
Sucursal beta: 27 15 18 26 17 21
Sucursal gamma: 24 17 31 12 15
Realice un análisis de varianza para probar con un nivel de significación de 0.05 si las
diferencias observadas entre las ventas promedio en las tres sucursales se pueden atribuir a la
casualidad.
Solución:
22
Datos para la primera muestra:
n1 = 4, x 1 = 19.25, S 1 = 7.136
Datos para la segunda muestra:
n2 = 6, x 2 = 20.667, S 2 = 4.926
Datos para la tercera muestra:
n3 = 5, x 3 = 19.8, S3 = 7.662
α = 0.05
S12 + S22 + S32 (7.136)2 + (4.926)2 + (7.662)2 133.8942

= = = 44.6314
3 3 3
k
 xi 59.717
i 1
x = =
3
= 19.9057
3
2
n. S x =

3 (x 1  x) 2  (x 2  x)  (x 3  x) 
3 1
2 3
n. S x = [(19.25 – 19.9057)2 + (20.667 – 19.9057)2 + (19.8 – 19.9057)2 ]
2
3
= (1.0207) =1.5311
2
n.Sx2 n.Sx2 1.5311

 F= = = 0.0343
S12 + S22 +... +Sk2 S12 + S22 + S32 44.6314
k 3
Región de aceptación
de H0
Región de
rechazo de H0
0.05
F0.05 = 4.07
23
Como F = 0.0343 < 4.07 = F0.05, se acepta la hipótesis nula, con un nivel de significación α =
0.05, de tal modo que las diferencias entre medias no es significativa y puede atribuirse a la
casualidad.
24

Inferencias Sobre Desviaciones Estandar - Anova

Cargado por

Información del documento

Título original

Derechos de autor

Formatos disponibles

Compartir este documento

Compartir o incrustar documentos

Opciones para compartir

¿Le pareció útil este documento?

¿Este contenido es inapropiado?

Copyright:

Formatos disponibles

Inferencias Sobre Desviaciones Estandar - Anova

Cargado por

Copyright:

Formatos disponibles

ESTADÍSTICA INFERENCIAL

INFERENCIAS SOBRE DESVIACIONES ESTÁNDAR - ANOVA

INFERENCIAS SOBRE DESVIACIONES ESTÁNDAR – ANOVA

INFERENCIAS SOBRE DESVIACIONES ESTÁNDAR

Es muy importante conocer la desviación estándar de la población, porque muestra la variación

Sean: n: el tamaño de la muestra

INTERVALO DE CONFIANZA DE  2 (muestra pequeña)

Se requiere que la población muestreada tenga aproximadamente la forma de una distribución

Nos basamos en la estadística ji-cuadrada.

El dominio de la distribución ji-cuadrada es R+

Definimos X2 12 como se hizo con Z  y T  .

La distribución ji-cuadrada no es simétrica.

el área situada a su izquierda debajo de la curva es /2.

INTERVALO DE CONFIANZA DE  2 PARA MUESTRA PEQUEÑA (n < 30)

Calculando la raíz cuadrada, obtenemos el intervalo de confianza de la desviación estándar  .

X2 12 = X02.005 = 45.558

X2 12 = X02.995 = 9.886

con: n-1 = 25 = 24 grados de libertad

(25  1) (2.4) 2 (25  1) (2.4) 2

(25  1) (2.4) 2 (25  1) (2.4) 2

3.0344 < 2 < 13.9834

 1.742 <  < 3.7394

INTERVALO DE CONFIANZA DE  2 (MUESTRAS GRANDES n  30)

INTERVALO DE CONFIANZA PARA MUESTRA GRANDE DE 

2.995 <  < 8.933

Las pruebas de hipótesis de  y  2 se realizan para demostrar la uniformidad de un producto,

H0:  =  0 ó H0:  2 =  02 , donde  0 es el valor supuesto de la desviación

H1:  <  0 ó H1:  >  0 ó H1:    0

Nos basamos en los estadísticos usados para determinar el intervalo de confianza de  .

ESTADÍSTICO DE LA PRUEBA DE LA DESVIACIÓN ESTÁNDAR

La distribución de muestreo de este estadístico es la distribución ji-cuadrada con n-1 grados de

X2 12 = X02.025 = 26.119

para: n-1 = 15 = 14 grados de libertad

Hallando el valor de la estadística:

ESTADÍSTICO DE LA PRUEBA DE LA DESVIACIÓN ESTÁNDAR

PRUEBAS DE HIPÓTESIS SOBRE DOS DESVIACIONES ESTÁNDAR

Sean 12 y 22 las varianzas de dos poblaciones.

Sean n1 y n2 el tamaño de las muestras aleatorias independientes de dos poblaciones.

Sean S1 y S2 sus desviaciones estándar.

Basamos la prueba de H0 en el estadístico de prueba

La razón de varianzas tiene como distribución muestral a la distribución continua F, la cual

22 (varianzas desconocidas de las poblaciones muestreadas).

En la investigación agrícola se trataron campos con diferentes fertilizantes o fumigantes para

Usamos la herramienta estadística conocida como análisis de varianza, en forma abreviada

DIFERENCIA ENTRE K MEDIAS DE K POBLACIONES

Sean  1,  2, ... y  k medias de K poblaciones, de donde se extraen aleatoriamente una

H0:  1 =  2 = ... =  k , contra la hipótesis alternativa.

Con un nivel de significación α.

En este caso se debe probar que:

H0: α1 + α2 +... + αk = 0, contra la hipótesis alternativa.

Las α se denominan efectos del tratamiento.

Considerando el primer caso:

H0: se cumplirá si la diferencia entre las medias es pequeña.

Para aplicar la técnica ANOVA, se hacen las siguientes suposiciones:

Si no se cumplen algunas de las condiciones anteriores, se debe usar pruebas no paramétricas.

H0:  1 =  2 = ... =  k es verdadera,

FORMA SIMPLE DE ANÁLISIS DE VARIANZA

entonces: n. Sx 2 =  2 , es una estimación de la varianza común, σ 2 de las k poblaciones.

S12 + S22 + . . . + Sk2

Se rechazará la hipótesis nula si n. Sx 2 es “mucho” mayor que la expresión ( I ), es decir,

Estadístico de prueba de k medias:

k - 1: se refiere a la variación de k medias.

1º Calculando la media general: