Documentos de Académico
Documentos de Profesional
Documentos de Cultura
Temas Cap 5 and 6
Temas Cap 5 and 6
Universidad de Córdoba
Montería – 2019
2 Estimación puntual
Muestreo Aleatorio (Sec 6-2, pag 284)
Contenido
2 Estimación puntual
Muestreo Aleatorio (Sec 6-2, pag 284)
Definición
Dadas las variables aleatorias X1 , X2 , · · · , Xn y las constantes
c1 , c2 , · · · , cn entonces
Y = c1 X1 + c2 X2 + · · · + cn Xn
Definición
Dadas las variables aleatorias X1 , X2 , · · · , Xn y las constantes
c1 , c2 , · · · , cn entonces
Y = c1 X1 + c2 X2 + · · · + cn Xn
Ejemplo (1.1)
El ancho del marco de una puerta es una variable aleatoria con media
24 y desviación estándar 18 de pulgada. El ancho de la puerta es una
variable aleatoria con media 23 y 78 de pulgada y desviación estándar
1
de 16 de pulgada.
Determine la media y la desviación estándar de la diferencia entre el
ancho del marco y el de la puerta.
Solución (1.1)
Solución (1.1)
Solución (1.1)
Teorema (1.3)
Si
X1 + X2 + · · · + Xn
X=
n
con E(Xi ) = µ para todo i = 1, 2, · · · , n, entonces
E(X) = µ
Teorema (1.3)
Si
X1 + X2 + · · · + Xn
X=
n
con E(Xi ) = µ para todo i = 1, 2, · · · , n, entonces
E(X) = µ
σ2
var(X) =
n
Teorema
Si X1 , X2 , · · · , Xn son variables aleatorias normales independientes
con E(Xi ) = µi y var(Xi ) = σi2 para i = 1, 2, · · · , n entonces
Y = c1 X1 + c2 X2 + · · · + cn Xn
es una variable aleatoria normal con
E(Y ) = c1 µ1 + c2 µ2 + · · · + cn µn
y con
Teorema (1.5)
X1 + X2 + · · · + Xn
X=
n
tiene distribución normal con media
E(X) = µ
y con varianza
σ2
var(X) =
n
Solución
De acuerdo con el teorema 1.4 se tiene que D = X − Y es una
variable aleatoria normal con media E(D) = 18 y varianza var(D) = 5
256
(véase la solución en 1.1)
Entonces
1 1
7 − 8
1
P D> = P Z > q = P (Z > 0.1278) = 0.4492
7 5
256
Continuación
Solución (Continuación)
La puerta no cabe en el marco cuando el ancho del marco es
menor que el ancho de la puerta, o sea cuando X < Y , o lo que
es lo mismo, cuando D = X − Y < 0
1
0−
P (D < 0) = P Z < q 8 = P (Z < −0.8944) = 0.1856
5
256
Ejemplo
Ejemplo
El llenado de las latas de una bebida lo hace una máquina automática,
con una desviación estándar de 0.5 onzas de líquido. Suponga que
los volúmenes con que se llenan las latas son variables aleatorias
normales independientes.
1 ¿Cuál es desviación estándar del volumen de llenado promedio
de 100 latas?
2 Si el volumen de llenado promedio es 12.1 onzas, ¿cuál es la
probabilidad de que el volumen de llenado promedio de 100 latas
sea menor que 12 onzas de líquido?
3 ¿Cuál debe ser el volumen de llenado promedio para que la
probabilidad de que el promedio de 100 latas sea menor que 12
onzas de líquido sea igual a 0.005?
Solución
Solución
σ2
1 En este caso tenemos que σ = 0.5. Sabemos que var(X) = n
por tanto la desviación estándar es
σ 0.5 0.5
de(X) = √ = √ = = 0.05
n 100 10
Solución
Solución
σ2
1 En este caso tenemos que σ = 0.5. Sabemos que var(X) = n
por tanto la desviación estándar es
σ 0.5 0.5
de(X) = √ = √ = = 0.05
n 100 10
Solución (Continuación)
Solución
Se pregunta por el valor de µ tal que P (X < 12) = 0.005 es decir tal
que P (Z < 12−µ
0.05 ) = 0.005, buscando en la tabla se tiene que
12−µ
0.05 = −2.58 de donde µ = 12.129
Contenido
2 Estimación puntual
Muestreo Aleatorio (Sec 6-2, pag 284)
Inferencia estadística
X
Métodos utilizados para tomar decisiones o para obtener conclusiones
sobre una población.
Estos métodos utilizan la información contenida en una muestra de la
población para obtener conclusiones
Inferencia estadística
X
Métodos utilizados para tomar decisiones o para obtener conclusiones
sobre una población.
Estos métodos utilizan la información contenida en una muestra de la
población para obtener conclusiones
INFERENCIA ESTADÍSTICA
Inferencia estadística
X
Métodos utilizados para tomar decisiones o para obtener conclusiones
sobre una población.
Estos métodos utilizan la información contenida en una muestra de la
población para obtener conclusiones
INFERENCIA ESTADÍSTICA
ESTIMACIÓN
Mario Morales Estimación Puntual Febrero de 2019 16 / 55
Estimación puntual Muestreo Aleatorio (Sec 6-2, pag 284)
Inferencia estadística
X
Métodos utilizados para tomar decisiones o para obtener conclusiones
sobre una población.
Estos métodos utilizan la información contenida en una muestra de la
población para obtener conclusiones
INFERENCIA ESTADÍSTICA
ESTIMACIÓN P. HIPÓTESIS
Mario Morales Estimación Puntual Febrero de 2019 16 / 55
Estimación puntual Muestreo Aleatorio (Sec 6-2, pag 284)
Definiciones
Definición (Población)
Una población está formada por la totalidad de las observaciones en
las cuales se tiene cierto interés.
Definición (Muestra)
Una muestra es un subconjunto de observaciones seleccionadas de
una población.
X
Para seleccionar una muestra aleatoria simple de tamaño n siga los
siguientes pasos.
Contenido
2 Estimación puntual
Muestreo Aleatorio (Sec 6-2, pag 284)
Ejemplo (3.1)
Ejemplo (3.1)
Ejemplo (3.1)
Ejemplo (3.1)
Probabilidad de 7
0.17
0.3
0.25
0.25
0 0.2 0.4 0.6 0.8 1 0.18 0.2 0.22 0.24 0.26 0.28 0.3
pi pi
Probabilidad de 7
Probabilidad de 7
0.23334
0.229
0.239
0.21 0.22 0.23 0.24 0.25 0.23 0.232 0.234 0.236 0.238
pi pi
Función de verosimilitud
Definición
Si X es una variable aleatoria con distribución de probabilidad f (x, θ),
donde θ es un parámetro desconocido. Sean x1 , x2 , · · · , xn , los
valores observados en una muestra aleatoria de tamaño n. La
función de verosimilitud de la muestra es
Función de verosimilitud
Definición
Si X es una variable aleatoria con distribución de probabilidad f (x, θ),
donde θ es un parámetro desconocido. Sean x1 , x2 , · · · , xn , los
valores observados en una muestra aleatoria de tamaño n. La
función de verosimilitud de la muestra es
Función de verosimilitud
Pasos
1 Construya la función verosimilitud (función del parámetro θ a
estimar).
2 Calcule la log–verosimilitud.
3 Derive la log–verosimilitud con respecto al parámetro θ.
4 Iguale a cero la derivada y solucione para θ.
5 Verifique que efectivamente está frente a un máximo, usando la
regla de la segunda derivada.
n
dl(λ) n X
= − xi
dλ λ
i=1
n
dl(λ) n X
= − xi
dλ λ
i=1
n
n X
− xi = 0
λ
b
i=1
Despejando se tiene
b = Pnn
λ =
1
i=1 xi x
Contenido
2 Estimación puntual
Muestreo Aleatorio (Sec 6-2, pag 284)
Definiciones
Definición (Estadística)
Una estadística es cualquier función de las observaciones contenidas
en una muestra aleatoria.
Ejemplo
Si X1 , X2 , · · · , Xn es una muestra aleatoria de tamaño n entonces,
son ejemplos de estadísticas:
La media muestral X.
La varianza muestral S 2
La desviación estándar muestral S
La mediana.
Observación
Toda estadística es una variable aleatoria porque ella es función de
variables aleatorias.
Mario Morales Estimación Puntual Febrero de 2019 30 / 55
Distribuciones de muestreo (sec 6-5, pág 300)
Distribución de muestreo
Definición
La distribución de probabilidad de una estadística recibe el nombre de
distribución de muestreo
Distribución de muestreo
Definición
La distribución de probabilidad de una estadística recibe el nombre de
distribución de muestreo
La distribución de muestreo de una estadística depende de:
La distribución de la población de donde se extrae la muestra,
Distribución de muestreo
Definición
La distribución de probabilidad de una estadística recibe el nombre de
distribución de muestreo
La distribución de muestreo de una estadística depende de:
La distribución de la población de donde se extrae la muestra,
El tamaño de la muestra,
Distribución de muestreo
Definición
La distribución de probabilidad de una estadística recibe el nombre de
distribución de muestreo
La distribución de muestreo de una estadística depende de:
La distribución de la población de donde se extrae la muestra,
El tamaño de la muestra,
El método de selección.
Distribución de muestreo
Definición
La distribución de probabilidad de una estadística recibe el nombre de
distribución de muestreo
La distribución de muestreo de una estadística depende de:
La distribución de la población de donde se extrae la muestra,
El tamaño de la muestra,
El método de selección.
Ejemplo
La distribución de probabilidad de la media muestral X se conoce
como distribución de muestreo de la media.
X TLC
Uno de los resultados más usados en la teoría estadística es el que se
conoce como Teorema del límite central, el cual garantiza que la
distribución de la media es aproximadamente normal aún cuando la
muestra no provenga de una población normal.
Mario Morales Estimación Puntual Febrero de 2019 32 / 55
Distribuciones de muestreo (sec 6-5, pág 300) Distribución de muestreo de la media.
Teorema
Si X1 , X2 , · · · , Xn es una muestra aleatoria de tamaño n tomada de
una población (finita o infinita) con media µ y varianza σ 2 y si X es la
media muestral, entonces la forma límite de la distribución de
X −µ
Z= √
σ/ n
Código R en el archivo:
simulacionTLC.R
Ejemplo
El tiempo que un pasajero invierte esperando en un punto de revisión
de un aeropuerto es una variable aleatoria con media 8.2 minutos y
desviación estándar 6 minutos. Suponga que se observa una muestra
aleatoria de n = 49 pasajeros. Encuentre la probabilidad de que el
tiempo de espera promedio en la fila de estos clientes sea
1 Menor que 10 minutos
2 Entre 7 y 10 minutos
3 menor que 6 minutos
Solución
Se pregunta por la probabilidad de que la media de los 49
pasajeros esté en cierto intervalo
Hay que tener en cuenta que, por el teorema del límite central,
esta variable aleatoria (la media de la muestra) tiene
aproximadamente distribución
√ normal con media µ = 8.2 minutos
y desviación estándar 6/ 49 = 6/7 = 0.8571
P X < 10 = P X−8.2 10−8.2
6/7 < 6/7 ≈ P (Z < 2.1) = 0.9821
P 7 < X < 10 = P 7−8.2 X−8.2 10−8.2
6/7 < 6/7 < 6/7 ≈ P (−1.4 < Z <
2.1) = 0.9014
P X < 6 = P X−8.2 6−8.2
6/7 < 6/7 ≈ P (Z < −2.5667) = 0.0051
Solución
Se pregunta por la probabilidad de que la media de los 49
pasajeros esté en cierto intervalo
Hay que tener en cuenta que, por el teorema del límite central,
esta variable aleatoria (la media de la muestra) tiene
aproximadamente distribución
√ normal con media µ = 8.2 minutos
y desviación estándar 6/ 49 = 6/7 = 0.8571
P X < 10 = P X−8.2 10−8.2
6/7 < 6/7 ≈ P (Z < 2.1) = 0.9821
P 7 < X < 10 = P 7−8.2 X−8.2 10−8.2
6/7 < 6/7 < 6/7 ≈ P (−1.4 < Z <
2.1) = 0.9014
P X < 6 = P X−8.2 6−8.2
6/7 < 6/7 ≈ P (Z < −2.5667) = 0.0051
Solución
Se pregunta por la probabilidad de que la media de los 49
pasajeros esté en cierto intervalo
Hay que tener en cuenta que, por el teorema del límite central,
esta variable aleatoria (la media de la muestra) tiene
aproximadamente distribución
√ normal con media µ = 8.2 minutos
y desviación estándar 6/ 49 = 6/7 = 0.8571
P X < 10 = P X−8.2 10−8.2
6/7 < 6/7 ≈ P (Z < 2.1) = 0.9821
P 7 < X < 10 = P 7−8.2 X−8.2 10−8.2
6/7 < 6/7 < 6/7 ≈ P (−1.4 < Z <
2.1) = 0.9014
P X < 6 = P X−8.2 6−8.2
6/7 < 6/7 ≈ P (Z < −2.5667) = 0.0051
Solución
Se pregunta por la probabilidad de que la media de los 49
pasajeros esté en cierto intervalo
Hay que tener en cuenta que, por el teorema del límite central,
esta variable aleatoria (la media de la muestra) tiene
aproximadamente distribución
√ normal con media µ = 8.2 minutos
y desviación estándar 6/ 49 = 6/7 = 0.8571
P X < 10 = P X−8.2 10−8.2
6/7 < 6/7 ≈ P (Z < 2.1) = 0.9821
P 7 < X < 10 = P 7−8.2 X−8.2 10−8.2
6/7 < 6/7 < 6/7 ≈ P (−1.4 < Z <
2.1) = 0.9014
P X < 6 = P X−8.2 6−8.2
6/7 < 6/7 ≈ P (Z < −2.5667) = 0.0051
Solución
Se pregunta por la probabilidad de que la media de los 49
pasajeros esté en cierto intervalo
Hay que tener en cuenta que, por el teorema del límite central,
esta variable aleatoria (la media de la muestra) tiene
aproximadamente distribución
√ normal con media µ = 8.2 minutos
y desviación estándar 6/ 49 = 6/7 = 0.8571
P X < 10 = P X−8.2 10−8.2
6/7 < 6/7 ≈ P (Z < 2.1) = 0.9821
P 7 < X < 10 = P 7−8.2 X−8.2 10−8.2
6/7 < 6/7 < 6/7 ≈ P (−1.4 < Z <
2.1) = 0.9014
P X < 6 = P X−8.2 6−8.2
6/7 < 6/7 ≈ P (Z < −2.5667) = 0.0051
Distribución de X 1 − X 2
X
Si se tienen dos poblaciones independientes con medias µ1 y µ2 y
varianzas σ12 y σ22 y si X 1 y X 2 son las medias de dos muestra
aleatorias de tamaños n1 y n2 de estas dos poblaciones, entonces la
distribución de muestreo de
X 1 − X 2 − (µ1 − µ2 )
Z= p
σ12 /n1 + σ22 /n2
Distribución de X 1 − X 2 (ejemplo)
Solución
Teorema
Suponga que X1 , X2 , · · · , Xn es una muestra aleatoria tomada de una
población normal, con media µ y varianza σ 2 . La función de la
varianza muestral
(n − 1)S 2
σ2
sigue una distribución Ji-cuadrado con n − 1 grados de libertad.
Distribución Ji-cuadrado
X Teorema
Sean Z1 , Z2 , . . . , Zk variables aleatorias distribuidas normal e
independientemente con media µ = 0 y varianza σ 2 = 1 (normales
estándar). Entonces la variable aleatoria
Distribución Ji-cuadrado
X Teorema
Sean Z1 , Z2 , . . . , Zk variables aleatorias distribuidas normal e
independientemente con media µ = 0 y varianza σ 2 = 1 (normales
estándar). Entonces la variable aleatoria
Densidades Ji-cuadrado
0.5
0.4
gl
0.3
Densidad
5
0.2 10
0.1
0.0
0 5 10 15 20
Variable
Teorema
Si X es una variable aleatoria con distribución Ji-cuadrado con k
grados de libertad (χ2k ), entonces
E(X) = k var(X) = 2k
Tabla de la Ji cuadrado
gl 0.005 0.025 0.05 0.95 0.975 0.995
1 7.88 5.02 3.84 0.00 0.00 0.00
2 10.60 7.38 5.99 0.10 0.05 0.01
3 12.84 9.35 7.81 0.35 0.22 0.07
4 14.86 11.14 9.49 0.71 0.48 0.21
5 16.75 12.83 11.07 1.15 0.83 0.41
6 18.55 14.45 12.59 1.64 1.24 0.68
7 20.28 16.01 14.07 2.17 1.69 0.99
8 21.95 17.53 15.51 2.73 2.18 1.34
9 23.59 19.02 16.92 3.33 2.70 1.73
10 25.19 20.48 18.31 3.94 3.25 2.16
11 26.76 21.92 19.68 4.57 3.82 2.60
12 28.30 23.34 21.03 5.23 4.40 3.07
13 29.82 24.74 22.36 5.89 5.01 3.56
14 31.32 26.12 23.68 6.57 5.63 4.07
15 32.80 27.49 25.00 7.26 6.26 4.60
16 34.27 28.85 26.30 7.96 6.91 5.14
17 35.72 30.19 27.59 8.67 7.56 5.70
18 37.16 31.53 28.87 9.39 8.23 6.26
19 38.58 32.85 30.14 10.12 8.91 6.84
20 40.00 34.17 31.41 10.85 9.59 7.43
21 41.40 35.48 32.67 11.59 10.28 8.03
22 42.80 36.78 33.92 12.34 10.98 8.64
23 44.18 38.08 35.17 13.09 11.69 9.26
24 45.56 39.36 36.41 13.85 12.40 9.89
25 46.93 40.65 37.65 14.61 13.12 10.52
26 48.29 41.92 38.89 15.38 13.84 11.16
27 49.64 43.19 40.11 16.15 14.57 11.81
28 50.99 44.46 41.34 16.93 15.31 12.46
29 52.34 45.72 42.56 17.71 16.05 13.12
30 53.67 46.98 43.77 18.49 16.79 13.79
Solución
Se pide calcular
P (S 2 > 16.4)
pero
(n − 1) × S 2
2 (25 − 1) × 16.4
P (S > 16.4) = P 2
>
σ 10
= P (χ224 > 38.4)
= 0.0315
pchisq(38.4,24,lower.tail=FALSE)
Teorema
Suponga que se tiene una muestra aleatoria de tamaño n de una
población normal con media µ y varianza
√ σ 2 (desconocida), a partir de
2
esta muestra se calcula X y S = S , entonces, la distribución de
muestreo de
X −µ
T = √
S/ n
es t de Student con n − 1 grados de libertad.
Teorema
Suponga que se tiene una muestra aleatoria de tamaño n de una
población normal con media µ y varianza
√ σ 2 (desconocida), a partir de
2
esta muestra se calcula X y S = S , entonces, la distribución de
muestreo de
X −µ
T = √
S/ n
es t de Student con n − 1 grados de libertad.
Observaciones
Esta estadística se usa para construir intervalos de confianza y
probar hipótesis con respecto a la media de una distribución
normal.
Distribución t
Teorema
Sea Z una variable aleatoria con distribución normal estándar y V una
variable aleatoria Ji–cuadrado con k grados de libertad. Si Z y V son
independientes, entonces la variable aleatoria
Z
T =p
V /k
Γ[(k + 1)/2] 1
f (x) = √ , −∞<x<∞
πkΓ(k + /2) [x /k + 1](k+1)/2
2
Teorema
Si T es una variable aleatoria con distribución tk , entonces
k
E(T ) = k , var(T ) =
k−2
Densidades T y normal
0.4
0.3 gl
1
Densidad
0.2 10
25
0.1 N
0.0
−5.0 −2.5 0.0 2.5 5.0
Variable
Mario Morales Estimación Puntual Febrero de 2019 50 / 55
Distribuciones de muestreo (sec 6-5, pág 300) Distribución de la media con σ desconocida
Tabla de la distribución T
Probabilidad en la cola superior
v↓ .05 .025 .01 .005 .0025 .001 .0005
1 6.314 12.706 31.821 63.657 127.321 318.309 636.619
2 2.920 4.303 6.965 9.925 14.089 22.327 31.599
3 2.353 3.182 4.541 5.841 7.453 10.215 12.924
4 2.132 2.776 3.747 4.604 5.598 7.173 8.610
5 2.015 2.571 3.365 4.032 4.773 5.893 6.869
6 1.943 2.447 3.143 3.707 4.317 5.208 5.959
7 1.895 2.365 2.998 3.499 4.029 4.785 5.408
8 1.860 2.306 2.896 3.355 3.833 4.501 5.041
9 1.833 2.262 2.821 3.250 3.690 4.297 4.781
10 1.812 2.228 2.764 3.169 3.581 4.144 4.587
11 1.796 2.201 2.718 3.106 3.497 4.025 4.437
.. .. .. .. .. .. .. ..
. . . . . . . .
27 1.703 2.052 2.473 2.771 3.057 3.421 3.690
28 1.701 2.048 2.467 2.763 3.047 3.408 3.674
Mario Morales Estimación Puntual Febrero de 2019 51 / 55
Distribuciones de muestreo (sec 6-5, pág 300) Distribución de la media con σ desconocida
Ejemplo
Solución
Se pide calcular
P (X > 52)
pero
X −µ 52 − 50
P (X > 52) = P √ > √
S/ n 2.5/ 16
= P (T15 > 3.2)
= 0.00298
pt(3.2,15,lower.tail=FALSE)
Distribución F
Teorema
Si W y Y son variables aleatorias ji-cuadrado independientes con
grados de libertad u y v, respectivamente. Entonces el cociente
W/u
F =
Y /v
Aplicacion de la distribución F
S12 /σ12
Teorema: distribución de S22 /σ22