Temas Cap 5 and 6

Selección de temas: capítulos 5 y 6
Mario Alfonso Morales Rivera.1

1 Profesor Titular
Universidad de Córdoba
Montería – 2019
Mario Morales Estimación Puntual Febrero de 2019 1 / 55

Contenido
1 Combinaciones lineales de variables aleatorias (Sec 5-6, pag 270)
2 Estimación puntual
Muestreo Aleatorio (Sec 6-2, pag 284)
3 ¿Cómo hallar estimadores? Método de máxima verosimilitud (sec

6-4, pág 293
4 Distribuciones de muestreo (sec 6-5, pág 300)

Distribución de muestreo de la media.
Distribución de muestreo de la varianza muestral
Distribución de la media con σ desconocida
Distribución del cociente de dos varianzas muestrales

Combinaciones lineales de variables aleatorias (Sec 5-6, pag 270)
Contenido

6-4, pág 293


Combinación Lineal de Variables Aleatorias
Definición
Dadas las variables aleatorias X1 , X2 , · · · , Xn y las constantes
c1 , c2 , · · · , cn entonces
Y = c1 X1 + c2 X2 + · · · + cn Xn
es una combinación lineal de X1 , X2 , · · · , Xn

Combinación Lineal de Variables Aleatorias
Definición
Dadas las variables aleatorias X1 , X2 , · · · , Xn y las constantes
c1 , c2 , · · · , cn entonces
Y = c1 X1 + c2 X2 + · · · + cn Xn
es una combinación lineal de X1 , X2 , · · · , Xn
Teorema (Valor esperado de una C.L)

Si Y = c1 X1 + c2 X2 + · · · + cn Xn entonces
E(Y ) = c1 E(X1 ) + c2 E(X2 ) + · · · + cn E(Xn )

Varianza de una Combinación Lineal
Teorema (Varianza de una C. L)

Si X1 , X2 , · · · , Xn son variables aleatorias independientes y
Y = c1 X1 + c2 X2 + · · · + cn Xn entonces
var(Y ) = c21 var(X1 ) + c22 var(X2 ) + · · · + c2n var(Xn )

Varianza de una Combinación Lineal
Teorema (Varianza de una C. L)

Si X1 , X2 , · · · , Xn son variables aleatorias independientes y
Y = c1 X1 + c2 X2 + · · · + cn Xn entonces
var(Y ) = c21 var(X1 ) + c22 var(X2 ) + · · · + c2n var(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.

Continuación del ejemplo 1.1
Solución (1.1)
Sea X el ancho del marco, entonces, por las condiciones del

2
problema E(X) = 24 y var(X) = 18

Solución (1.1)

2
Sea Y en ancho de la puerta, entonces E(Y ) = 23 78 = 191
8 y
1 2

var(Y ) = 16

Solución (1.1)

2
Sea Y en ancho de la puerta, entonces E(Y ) = 23 78 = 191
8 y
1 2

var(Y ) = 16
Sea D = X − Y (la diferencia), entonces por el teorema anterior:
191 192 191 1

E(D) = E(X) − E(Y ) = 24 − = − =
8 8 8 8
2 2
1 1 5
var(D) = var(X) + var(Y ) = + =
8 16 256

Valor esperado y varianza de la media
Teorema (1.3)
Si
X1 + X2 + · · · + Xn
X=
n
con E(Xi ) = µ para todo i = 1, 2, · · · , n, entonces
E(X) = µ

Valor esperado y varianza de la media
Teorema (1.3)
Si
X1 + X2 + · · · + Xn
X=
n
con E(Xi ) = µ para todo i = 1, 2, · · · , n, entonces
E(X) = µ
Además si las variables aleatorias X1 , X2 , · · · , Xn son independientes

con var(Xi ) = σ 2 para todo i = 1, 2, · · · , n, entonces
σ2
var(X) =
n

Propiedad reproductiva de la distribución normal
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
var(Y ) = c21 σ12 + c22 σ22 + · · · + c2n σn2

Distribución de la media muestral
Teorema (1.5)
Si X1 , X2 , · · · , Xn son variables aleatorias normales independientes

con E(Xi ) = µ y var(Xi ) = σ 2 para i = 1, 2, · · · , n entonces
X1 + X2 + · · · + Xn
X=
n
tiene distribución normal con media
E(X) = µ
y con varianza
σ2
var(X) =
n


Si el ancho del marco X y el ancho de la puerta Y , son
independientes con distribución normal
¿Cuál es la probabilidad de que la diferencia entre el ancho del
marco y de la puerta sea mayor que 17 de pulgada?
¿Cuál es la probabilidad de que la puerta no quepa en el marco?


Si el ancho del marco X y el ancho de la puerta Y , son
independientes con distribución normal
¿Cuál es la probabilidad de que la diferencia entre el ancho del
marco y de la puerta sea mayor que 17 de pulgada?
¿Cuál es la probabilidad de que la puerta no quepa en el marco?
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
2 En este caso µ = 12.1 y como los volúmenes de llenados son

2
normales entonces X ∼ N (12.1, 0.5
100 ) por tanto

X − 12.1 12 − 12.1
P (X < 12) = P < = P (Z < −2) = 0.0228
0.05 0.05

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

Estimación puntual
Contenido

6-4, pág 293


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

X
INFERENCIA ESTADÍSTICA

X
ESTIMACIÓN
X
ESTIMACIÓN P. HIPÓTESIS
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.
Definición (Muestra aleatoria)

Las variables aleatorias X1 , X2 , · · · , Xn constituyen una muestra
aleatoria de tamaño n, si
1 Las Xi son variables aleatorias independientes
2 Todas las Xi tienen la misma distribución de probabilidad.

Cómo seleccionar una muestra aleatoria simple

Definición (Muestra Aleatoria Simple)
Si se selecciona un tamaño de muestra n de una población de tamaño
N de tal manera que cada muestra posible de tamaño n tenga la
misma probabilidad de ser seleccionada, el procedimiento de
muestreo se denomina muestreo aleatorio simple. A la muestra así
obtenida se le denomina muestra aleatoria simple.

Cómo seleccionar una muestra aleatoria simple

Definición (Muestra Aleatoria Simple)
Si se selecciona un tamaño de muestra n de una población de tamaño
N de tal manera que cada muestra posible de tamaño n tenga la
misma probabilidad de ser seleccionada, el procedimiento de
muestreo se denomina muestreo aleatorio simple. A la muestra así
obtenida se le denomina muestra aleatoria simple.
X
Para seleccionar una muestra aleatoria simple de tamaño n siga los
siguientes pasos.
Tome el listado de individuos (marco de muestreo).

Asigne un número seleccionado aleatoriamente de una
distribución uniforme en el intervalo (0, 1) a cada individuo.
Ordene de mayor a menor por los números aleatorios .
Los n primeros individuos conforman la muestra.
Trabajo independiente: Consultar

Tipos de muestreo
Muestreo aleatorio Simple.

Muestreo estratificado.
Muestreo por conglomerados.
Muestreo sistemático.

¿Cómo hallar estimadores? Método de máxima verosimilitud (sec
6-4, pág 293
Contenido

6-4, pág 293


6-4, pág 293
Estimación de máxima verosimilitud: Introducción
Ejemplo (3.1)
Suponga que se tiene una población con distribución de Bernoulli

con probabilidad de éxito π, que es desconocido, y debemos
estimar.
Para estimar π tomamos una muestra de tamaño n = 30.
Suponga que obtuvimos 7 éxitos.
La estimación de máxima verosimilitud para π el valor que hace
que la probabilidad de observar 7 éxitos sea lo mas grande
posible.
Recordemos que si se tienen 30 ensayos tipo Bernoulli,
independientes con probabilidad de éxito π, entonces el número
de éxitos es una variable aleatoria binomial con parámetros 30 y
π.

6-4, pág 293
Ejemplo (3.1)

estimar.
posible.
π.

6-4, pág 293
Ejemplo (3.1)

estimar.
posible.
π.

6-4, pág 293
Ejemplo (3.1)

estimar.
posible.
π.

6-4, pág 293
Ejemplo (continuación del ejemplo 3.1)

La probabilidad de 7 éxitos se calcula mediante

30 7 30 7
P (X = 7) = π (1 − π)30−7 = π (1 − π)23
7 7
Nótese que la probabilidad anterior es solo función de π.

Para obtener el estimador de máxima verosimilitud para π
buscaremos, dando valores a π donde se hace máxima la
probabilidad.
El código R está en el archivo EstimacionMV.r

6-4, pág 293


30 7 30 7
P (X = 7) = π (1 − π)30−7 = π (1 − π)23
7 7

probabilidad.

6-4, pág 293


30 7 30 7
P (X = 7) = π (1 − π)30−7 = π (1 − π)23
7 7

probabilidad.

6-4, pág 293


30 7 30 7
P (X = 7) = π (1 − π)30−7 = π (1 − π)23
7 7

probabilidad.

6-4, pág 293
Estimación de máxima verosimilitud

Probabilidad de 7
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
Figure: Estimación por máxima verosimilitud

6-4, pág 293
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
L(θ) = f (x1 , θ)f (x2 , θ) · · · f (xn , θ)
La función de verosimilitud es función del parámetro desconocido θ

6-4, pág 293
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
L(θ) = f (x1 , θ)f (x2 , θ) · · · f (xn , θ)
La función de verosimilitud es función del parámetro desconocido θ
Definición (Estimador de máxima verosimilitud)

El estimador de máxima verosimilitud es el valor de θ que maximiza
la función de verosimilitud L(θ)

6-4, pág 293
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.

6-4, pág 293
Estimación de máxima verosimilitud (ejemplo)
Ejemplo (6–12 página 298)

Sea X una variable aleatoria con distribución exponencial, es decir, su
función de probabilidad está dada por

λ exp{−λx} si x ≥ 0
f (x) =
0 en cualquier otro caso
encuentre el estimador de máxima verosimilitud de λ, basado en una

muestra de tamaño n.

6-4, pág 293
Ejemplo (6–12 página 298)

Sea X una variable aleatoria con distribución exponencial, es decir, su
función de probabilidad está dada por

λ exp{−λx} si x ≥ 0
f (x) =
0 en cualquier otro caso
encuentre el estimador de máxima verosimilitud de λ, basado en una

muestra de tamaño n.
La función de verosimilitud de la muestra es
L(λ) = λ exp{−λx1 } × λ exp{−λx2 } × · · · × λ exp{−λxn }

n
( )
X
n
= λ exp −λ xi
i=1

6-4, pág 293

La función de log–verosimilitud de la muestra es
n
X
l(λ) = n ln(λ) − λ xi
i=1

6-4, pág 293

n
X
i=1
la derivada de la log–verosimilitud, con respecto a λ es:
n
dl(λ) n X
= − xi
dλ λ
i=1

6-4, pág 293

n
X
i=1
la derivada de la log–verosimilitud, con respecto a λ es:
n
dl(λ) n X
= − xi
dλ λ
i=1
Igualando a cero la derivada se tiene
n
n X
− xi = 0
λ
b
i=1

6-4, pág 293
Despejando se tiene
b = Pnn
λ =
1
i=1 xi x

Distribuciones de muestreo (sec 6-5, pág 300)
Contenido

6-4, pág 293


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.
Distribución de muestreo
Definición
La distribución de probabilidad de una estadística recibe el nombre de
distribución de muestreo

Definición
La distribución de muestreo de una estadística depende de:
La distribución de la población de donde se extrae la muestra,

Definición
El tamaño de la muestra,

Definición
El método de selección.

Definición
El método de selección.
Ejemplo
La distribución de probabilidad de la media muestral X se conoce
como distribución de muestreo de la media.

Distribuciones de muestreo (sec 6-5, pág 300) Distribución de muestreo de la media.
Distribución de muestreo de la media

Se toma una muestra aleatoria de tamaño n de una población
normal con media µ y varianza σ 2
Cada observación de esta muestra es una variable aleatoria con
distribución normal con media µ y varianza σ 2 e independiente de
las otras.
Entonces
X1 + X2 + · · · + Xn
X=
n
es normal con media µ y varianza σ 2 /n.


las otras.
Entonces
X1 + X2 + · · · + Xn
X=
n


las otras.
Entonces
X1 + X2 + · · · + Xn
X=
n


las otras.
Entonces
X1 + X2 + · · · + Xn
X=
n
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.
Teorema del límite central
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
cuando n → ∞, es la distribución normal estándar.

Teorema del límite central (simulación)
Código R en el archivo:
simulacionTLC.R

Teorema del límite central (ejemplo)
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

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

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

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

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
es aproximadamente normal estándar, si se aplican las condiciones

del TLC. Si las poblaciones son normales, entonces la distribución de
muestreo de Z es, de manera exacta, normal estándar.

Distribución de X 1 − X 2 (ejemplo)
Ejercicio 6-28 (página 308)

Se toma una muestra aleatoria de n1 = 16 de una población normal
que tiene una media de 75 y una desviación estándar de 8. De otra
población normal se toma una muestra de tamaño n2 = 9; esta
población tiene media 70 y desviación estándar 12. Sean X 1 y X 2 las
medias de cada muestra, respectivamente. Encuentre
1 P (X 1 − X 2 > 4) R: 0.5884
2 P (3.5 ≤ X 1 − X 2 ≤ 5.5) R: 0.1758525

Solución

Distribuciones de muestreo (sec 6-5, pág 300) Distribución de muestreo de la varianza muestral
2
Distribución de S
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
X = Z12 + Z22 + . . . + Zk2
tiene función de densidad de probabilidad

1
f (x) = xk/2−1 e−x/2 , para x > 0
2k/2 Γ (k/2)
y se dice que tiene distribución ji-cuadrado con k grados de libertad, lo

que se abrevia como χ2k .

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
X = Z12 + Z22 + . . . + Zk2

1
f (x) = xk/2−1 e−x/2 , para x > 0
2k/2 Γ (k/2)
y se dice que tiene distribución ji-cuadrado con k grados de libertad, lo

que se abrevia como χ2k .
Z ∞
Γ(z) = tz−1 e−t dt
0
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

Media y varianza de una Ji-cuadrado
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

2
Distribución de S
Ejercicio 6-35 página 318

Se toma una muestra aleatoria de n = 25 observaciones de una
población normal que tiene una varianza σ 2 = 10. Encuentre la
probabilidad de que la varianza muestral sea mayor que 16.4.

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)

Distribuciones de muestreo (sec 6-5, pág 300) Distribución de la media con σ desconocida
Distribución de X cuando se desconoce σ
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.

Distribución de X cuando se desconoce σ
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
y se dice que sigue la distribución t con k grados de libertad, lo que se

abrevia con tk

Media y varianza de la distribución t
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
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
Ejemplo
Ejercicio 6-51 página 320

Una población normal tiene una media conocida de 50 y una varianza
desconocida. De esta población se toma una muestra aleatoria de
tamaño n = 16; a partir de la muestra se obtuvo que s = 2.5, calcule
P (X > 52).

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)

Distribuciones de muestreo (sec 6-5, pág 300) Distribución del cociente de dos varianzas muestrales
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
sigue una distribución F con u grados de libertad en el numerador y v

grados de libertad en el denominador. Esto se abrevia como Fu,v .

Aplicacion de la distribución F
S12 /σ12
Teorema: distribución de S22 /σ22
Suponga que se tienen dos poblaciones normales con varianzas σ12 y

σ22 respectivamente. Si se toman dos muestras aleatorias
independientes de tamaño n1 y n2 de las poblaciones 1 y 2
respectivamente y sean S12 y S22 las varianzas muestrales. Entonces el
cociente
S 2 /σ 2
F = 12 12
S2 /σ2
tiene distribución F con n1 − 1 grados de libertad en el numerador y
n2 − 1 grados de libertad en el denominador.

Aplicacion de la distribución F , ejemplo
Ejercicio 6-42, página 319

Si S12 y S22 son las varianzas muestrales de muestras aleatorias
independientes de tamaños n1 = 10 y n2 = 20, tomadas de
poblaciones normales que tienen las mismas varanzas, es decir,
σ12 = σ22 , encuentre 2
S1
P ≤ 2.42
S22

Temas Cap 5 and 6

Cargado por

Información del documento

Descripción original:

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

Temas Cap 5 and 6

Cargado por

Copyright:

Formatos disponibles

Selección de temas: capítulos 5 y 6

Mario Alfonso Morales Rivera.1

Mario Morales Estimación Puntual Febrero de 2019 1 / 55

1 Combinaciones lineales de variables aleatorias (Sec 5-6, pag 270)

3 ¿Cómo hallar estimadores? Método de máxima verosimilitud (sec

4 Distribuciones de muestreo (sec 6-5, pág 300)

Mario Morales Estimación Puntual Febrero de 2019 2 / 55

1 Combinaciones lineales de variables aleatorias (Sec 5-6, pag 270)

3 ¿Cómo hallar estimadores? Método de máxima verosimilitud (sec

4 Distribuciones de muestreo (sec 6-5, pág 300)

Mario Morales Estimación Puntual Febrero de 2019 3 / 55

Combinación Lineal de Variables Aleatorias

es una combinación lineal de X1 , X2 , · · · , Xn

Mario Morales Estimación Puntual Febrero de 2019 4 / 55

Combinación Lineal de Variables Aleatorias

es una combinación lineal de X1 , X2 , · · · , Xn

Teorema (Valor esperado de una C.L)

E(Y ) = c1 E(X1 ) + c2 E(X2 ) + · · · + cn E(Xn )

Mario Morales Estimación Puntual Febrero de 2019 4 / 55

Varianza de una Combinación Lineal

Teorema (Varianza de una C. L)

var(Y ) = c21 var(X1 ) + c22 var(X2 ) + · · · + c2n var(Xn )

Mario Morales Estimación Puntual Febrero de 2019 5 / 55

Varianza de una Combinación Lineal

Teorema (Varianza de una C. L)

var(Y ) = c21 var(X1 ) + c22 var(X2 ) + · · · + c2n var(Xn )

Mario Morales Estimación Puntual Febrero de 2019 5 / 55

Continuación del ejemplo 1.1

Sea X el ancho del marco, entonces, por las condiciones del

Mario Morales Estimación Puntual Febrero de 2019 6 / 55

Continuación del ejemplo 1.1

Sea X el ancho del marco, entonces, por las condiciones del

Mario Morales Estimación Puntual Febrero de 2019 6 / 55

Continuación del ejemplo 1.1

Sea X el ancho del marco, entonces, por las condiciones del

191 192 191 1

Mario Morales Estimación Puntual Febrero de 2019 6 / 55

Valor esperado y varianza de la media

Mario Morales Estimación Puntual Febrero de 2019 7 / 55

Valor esperado y varianza de la media

Además si las variables aleatorias X1 , X2 , · · · , Xn son independientes

Mario Morales Estimación Puntual Febrero de 2019 7 / 55

Propiedad reproductiva de la distribución normal

var(Y ) = c21 σ12 + c22 σ22 + · · · + c2n σn2

Mario Morales Estimación Puntual Febrero de 2019 8 / 55

Distribución de la media muestral

Si X1 , X2 , · · · , Xn son variables aleatorias normales independientes

Mario Morales Estimación Puntual Febrero de 2019 9 / 55

Continuación del ejemplo 1.1

Mario Morales Estimación Puntual Febrero de 2019 10 / 55

Continuación del ejemplo 1.1

Mario Morales Estimación Puntual Febrero de 2019 10 / 55

Mario Morales Estimación Puntual Febrero de 2019 11 / 55

Mario Morales Estimación Puntual Febrero de 2019 12 / 55

Mario Morales Estimación Puntual Febrero de 2019 13 / 55

2 En este caso µ = 12.1 y como los volúmenes de llenados son

Mario Morales Estimación Puntual Febrero de 2019 13 / 55

Mario Morales Estimación Puntual Febrero de 2019 14 / 55

1 Combinaciones lineales de variables aleatorias (Sec 5-6, pag 270)

3 ¿Cómo hallar estimadores? Método de máxima verosimilitud (sec

4 Distribuciones de muestreo (sec 6-5, pág 300)

Mario Morales Estimación Puntual Febrero de 2019 15 / 55