Tema7 Diapositivas InferNormal

Tema 7.
Inferencia en poblaciones normales
ESTADÍSTICA BÁSICA www.edbudep.com

1
Tema 7. Inferencia en poblaciones normales
1. Inferencia sobre 𝜇 en poblaciones normales

2. Inferencia sobre 𝜎 2 en poblaciones normales

22
Del tema anterior… Sea 𝑋 una v. aleatoria de interés con 𝐸 𝑋 = 𝜇 Var 𝑋 = 𝜎 2
Usamos 𝑋ത como estimador de 𝜇
Si asumimos 𝜎 conocida…
Poblaciones 𝑋1 + 𝑋2 + ⋯ + 𝑋𝑛
𝑋ത =
normales 𝑛 Poblaciones NO
normales
𝑋 ∼ 𝑁(𝜇; 𝜎 2 )
𝜎2
𝑋ത ∼ 𝑁 𝜇 ;
𝑛 MUESTRAS
SIEMPRE
GRANDES
Para cualquier
tamaño muestral n ഥ−𝝁
𝑿 n>30
𝝈 ∼ 𝑵(𝟎, 𝟏)
ൗ 𝒏

3
del Tema 6…
𝑋ത − 𝜇 𝑋ത − 𝜇
Propiedades de 𝑍=𝜎 Propiedades de 𝑇=
ൗ 𝑛 𝑆መ൘
𝑛
Población 𝑋
Población 𝑋
Normal No normal
Normal No normal
pequeña
pequeña
𝑍 ∼ 𝑁(0,1)
Tamaño
de la
Tamaño
de la ? ?
muestra muestra
en 𝑋ത en 𝑋ത
grande
𝑍 ∼ 𝑁(0,1) 𝑍 ≈ 𝑁(0,1)
grande
𝑇 ≈ 𝑁(0,1) 𝑇 ≈ 𝑁(0,1)
∼ exacta, para todo n

≈ aproximada, a mayor n mejor
4
Ejemplo El archivo Peso_racimos_banano.MTW tiene el peso, en kg, de una muestra
de racimos de banano orgánico recogidos al final del proceso de cosecha. Se
tiene el peso de 20 racimos en los que se ha utilizado como fertilizante
Algae orgánico. Con este tipo de fertilizante, el banano puede etiquetarse
como banano orgánico.
Podemos asumir que el peso de un racimo de plátanos se distribuye como

una normal con desviación típica poblacional conocida 𝝈 = 𝟓.
Estima 𝜇 mediante un intervalo de confianza del 95%

Histograma de AlgaeOr
Normal
Media 31 ,95
7
Desv.Est. 4,81 7
6
N 20
Minitab
5
Frecuencia
4 𝑠Ƹ
3 𝑠Ƹ 2
2
0
24 28 32 36 40
AlgaeOr
El histograma sí parece a una normal. Como son pocos

datos, es irregular, pero se ve simétrico, unimodal y con
forma aproximada de campana

5
tiene el peso de 20 racimos en los que se ha utilizado como fertilizante
Algae orgánico. Con este tipo de fertilizante, el banano puede etiquetarse
como banano orgánico.
Podemos asumir que el peso de un racimo de plátanos se distribuye como

una normal con desviación típica poblacional conocida 𝜎 = 5.
Si 𝑋ത es normal y conocemos 𝜎…
𝜎 𝑠Ƹ
𝐼𝐶 1 − 𝛼 : 𝜇 ∈ 𝑋ത ± 𝑧𝛼Τ2 𝑠Ƹ 2
𝑛
Como nos dicen que conocemos

5 𝜎 = 5 no necesitamos usar su
𝐼𝐶 0.95 : 𝜇 ∈ 31.95 ± 1.96 estimación, que estará sujeta a
20 margen de error.
= (29.76; 34.14)
6
1
2
3

7
Ejemplo En ese mismo archivo, Peso_racimos_banano.MTW, se tiene el peso, en kg,
de una muestra de 20 racimos de banano orgánico en los que se ha usado
como fertilizante el producto BIOCRAFT.
Se sabe que la desviación típica poblacional es 𝜎 = 5.3.
• En este caso, el histograma muestra que la población no es una normal, por

lo que 𝑋ത no será una combinación lineal de normales.
Histograma de Biocraft
Normal • Como son pocos datos, tampoco podemos usar el teorema central del
7
Media 34,1 5
Desv.Est. 5,254 límite para pensar que 𝑋ത sea normal.
N 20
6
5
• Por tanto no podemos asumir que 𝑋ത se distribuye como una normal.
Frecuencia
0
24 28 32 36 40 44
Biocraft 𝜎
𝐼𝐶 1 − 𝛼 : 𝜇 ∈ 𝑋ത ± 𝑧𝛼Τ2
𝑛
En este curso no vemos cómo hacer inferencia en estos casos

8
¿Y si uso 𝒔ො pero n no es grande?
𝑋ሜ − 𝜇
Las propiedades estadísticas de 𝑇=
መ 𝑛
𝑆/
cambian, pues la influencia de 𝑆መ ya es notable y depende

de la distribución de 𝑋
Los intervalos y los contrastes del tema anterior no serían

correctos si usamos que 𝑇 ∼ 𝑁(0,1) con una muestra pequeña
En el caso de 𝑋 ∼ 𝑁(𝜇; 𝜎 2 ), se tiene que independientemente del tamaño de n
𝑋ത − 𝜇 𝑋ത − 𝜇 Distribución
𝑍= ∼ 𝑁(0,1) 𝑇= ∼ t de Student
𝜎Τ 𝑛 𝑆መ Τ 𝑛

9
𝑋ത − 𝜇
Propiedades de 𝑇=
𝑆መ൘
𝑛
Población 𝑋
Normal No normal
pequeña
Tamaño
de la
𝑇 ∼ 𝑡 𝑑𝑒 𝑠𝑡𝑢𝑑𝑒𝑛𝑡
?
muestra
en 𝑋ത
𝑇 ≈ 𝑁 0,1
grande
𝑇 ≈ 𝑁(0,1)
𝑇 ∼ 𝑡 𝑑𝑒 𝑠𝑡𝑢𝑑𝑒𝑛𝑡
Para poblaciones normales usaremos siempre la t de Student, tanto si n es grande como si no

10
𝑡𝑔 • La distribución t de Student es una variable aleatoria continua de perfil muy parecido a la N(0,1).
• Aunque tienen un aspecto similar, se diferencian en la zona de las colas, que es precisamente la zona
donde vamos a necesitar tomar valores para la realización de intervalos y contrastes.
• Depende de un parámetro g que se denomina grados de libertad. Su notación habitual es 𝑡𝑔 . A mayor
g, más se acerca a la N(0,1).
Se diferencian en la zona de
las colas, que es justo donde
necesitamos tomar valores
para hacer inferencia

11
𝑡𝑔 df=degrees of freedom
T de Student

12
Puede demostrarse que si 𝑋 ∼ 𝑁(𝜇, 𝜎²), La distribución cambia con n
𝑋ത − 𝜇
𝑇= ∼ 𝑡𝑛−1
𝑆መ Τ 𝑛
• A medida que n crece, la distribución 𝑡𝑛−1 se va pareciendo cada vez más a la N(0,1).
• Por tanto, no hay contradicción con lo que se ha visto en el tema anterior para muestras grandes. No
obstante, si sabemos que la población es normal, es preferible usar siempre la 𝑡𝑛−1 .
𝑋ത − 𝜇
∼ 𝑡𝑛−1 𝑁(0,1)
𝑆መ Τ 𝑛 𝑛→∞
Para poblaciones normales usaremos siempre la t de

Student, tanto si n es grande como si no
13
Intervalos de confianza para 𝝁
𝜎 
 Sˆ 

𝐼𝐶 1 − 𝛼 : 𝜇 ∈ 𝑋ത ± 𝑧𝛼Τ2 IC(1 −  ) :    X  tn −1; / 2
𝑛 

 n
en lugar de 𝑧𝛼/2

14
Ejemplo En una explotación agrícola se desea conocer el contenido de Cadmio del suelo, pues es una variable que
puede afectar negativamente al cultivo. Se toman n=25 muestras de suelo, y en cada una se determina el
contenido de Cadmio (mg/kg). Después de analizar estas 25 muestras se obtiene que
x = 9.77 s = 3.164
ˆ
Suponiendo que el contenido de Cadmio sigue una distribución normal. Se quiere construir un intervalo
de confianza al 95% para el contenido medio de Cadmio en ese terreno.

 Sˆ 

IC(1 −  ) :    X  tn −1; / 2 

 n
𝑡24;0.025 =? ?
Para poblaciones normales usaremos

siempre la t de Student, tanto si n es
grande como si no

15
x = 9.77 s = 3.164
ˆ
Gráfica de distribución
T; df=24
Para n=25 0,4
y 𝛼=0.05
0,3
Densidad
0,2
𝑡24;0.025 =? ?
0,1
𝜶/2=0.025
0,025 0,025
0,0
-2,064 0 2,064
X 𝑡24;0.025 = 2.064
16
𝑡24;0.025 = 2.064

17
x = 9.77 s = 3.164
ˆ
𝑆መ Para n=25
𝐼𝐶(1 − 𝛼): 𝜇 ∈ 𝑋ሜ ± 𝑡24;0.025 y 𝛼=0.05
𝑛
3.164
𝐼𝐶(0.95): 𝜇 ∈ 9.77 ± 2.06
25
= (8.47,11.07)

18
Para n=25
y 𝛼=0.05
𝛼/2=0.025
t24;0.025 = 2.06
Usando la aproximación N(0,1) como si fuese para muestras grandes...
𝛼/2=0.025
z0.025 = 1.96
Vemos que, como 1.96<2.06, con la aproximación a la normal, el intervalo sale algo más estrecho, por lo que
su nivel de confianza ‘real’ será (ligeramente) inferior al ‘nominal’ del 95%
19
Usando la t de Student: intervalo exacto. Su confianza es seguro del 95%
 3.164 
IC(0.95) :    9.77  2.06  = (8.47,11.07)
 25 
Usando la aproximación a N(0,1) para muestras grandes
 3.164 
   9.77  1.96  = (8.53,11)
 25 
Si no usamos la t de Student, daremos un intervalo más

estrecho del que tiene realmente una confianza del 95%.
Este intervalo basado en la aproximación a la normal tiene
una confianza menor de la que pensamos.
Para poblaciones normales usaremos siempre la t de Student, tanto si n es grande como si no

20
1
2
3

21
tiene el peso de 20 racimos en los que se ha utilizado como fertilizante Algae
orgánico. Con este tipo de fertilizante, el banano puede etiquetarse como
banano orgánico.
AHORA vamos a asumir que el peso de un racimo de plátanos se distribuye

como una normal, pero de parámetros desconocidos.
Histograma de AlgaeOr
Normal
7
Media 31 ,95 Minitab
Desv.Est. 4,81 7
N 20
El histograma sí parece
6 a una normal. Como
son pocos datos, es 𝑠Ƹ
5
irregular, pero se ve
Frecuencia
4 simétrico, unimodal y
con forma aproximada
3
de campana
2
0
24 28 32 36 40
AlgaeOr

22
1
2 3

23
Informe de resumen de AlgaeOr
Prueba de normalidad de Anderson-Darling
A-cuadrado 0,34
Valor p 0,470
Media 31 ,950
Desv.Est. 4,81 7
Varianza 23,208
Asimetría 0,1 97269
Curtosis -0,490092
N 20
Mínimo 23,000
1 er cuartil 28,250
Mediana 31 ,500
3er cuartil 36,000
Máximo 41 ,000
Intervalo de confianza de 95% para la media
29,695 34,205
Intervalo de confianza de 95% para la mediana
24 28 32 36 40
29,000 35,294
Intervalo de confianza de 95% para la desviación estándar
3,664 7,036

 Sˆ 

Intervalos de confianza de 95% IC(1 −  ) :    X  tn −1; / 2 
Media 
 n 

Mediana
30,0 31 ,5 33,0 34,5 36,0
• Los intervalos basados en la t de Student son válidos para la normal, con cualquier tamaño muestral
• También valdrían para cualquier población si 𝑛 > 30 (muy similares a si uso Z)

24
Contraste de hipótesis
(a) 𝐻0: 𝜇 = 𝜇0 frente a 𝐻1: 𝜇 ≠ 𝜇0,

(b) 𝐻0: 𝜇 ≤ 𝜇0 frente a 𝐻1: 𝜇 > 𝜇0,
(c) 𝐻0: 𝜇 ≥ 𝜇0 frente a 𝐻1: 𝜇 < 𝜇0.
Se hacen igual, con el mismo estadístico de contraste, que ahora tiene otra
distribución de referencia:
𝑋ത − 𝜇 𝑋ത − 𝜇
Z0 = ∼ 𝑁(0,1) 𝑇0 = ∼ 𝑡𝑛−1
𝜎Τ 𝑛 𝑆መ Τ 𝑛
El concepto de pvalor es el mismo, solo que se obtiene integrando N(0,1) o 𝑡𝑛−1 .

25
PASO 4:
PASO 1: PASO 2:
Rechazo H0 Rechazo H0
H 0 :  =  0 ; H1 :    0
Acepto H0
(a)
(a) − z / 2 z / 2
Poblaciones normales
−tn −1; / 2 tn −1; / 2
Rechazo H0
Acepto H0
H 0 :    0 ; H1 :    0
(b)
(b)
z
PASO 3: tn −1;
𝑍0 ∼ 𝑁 0,1
H 0 :    0 ; H1 :    0 𝑇0 ∼ 𝑡𝑛−1 Rechazo H0 Acepto H0
(c)
−z
(c)
−tn −1;
La región de rechazo está donde señala H1

26
Ejemplo Se quiere saber si la media de la ganancia β de los transistores BC547B se mantiene el valor nominal μ=290
H0 : μ=290 H1: μ≠290
Histograma de Gain
Normal
30 Media 282,3
Desv.Est. 27,69
N 1 00
25
20
Frecuencia
15
10
0
230 250 270 290 310 330 350 370
Gain
Podemos asumir normalidad en 𝑋

27
Ejemplo Se quiere saber si la media de la ganancia β de los transistores BC547B se mantiene el valor nominal μ=290
H0 : μ=290 H1: μ≠290
Con 100 datos:
Con un nivel de significación del 5%,

Rechazo H0 Rechazo H0
rechazamos H0
Acepto H0 La diferencia entre los datos y 290 es
significativa
-2.78 −t99;0.025 t99;0.025

El tamaño muestral es grande, y por eso el
valor crítico es muy similar al de N(0,1)
-1.98 1.98
(z0.025 = 1.96)
28

2. Inferencia sobre 𝝈𝟐 en poblaciones normales

29
2. Inferencia sobre σ²
Los métodos de inferencia se basan en la distribución muestal del estimador del parámetro
Estimadores de 𝜎 2
n n
(X −X) (X −X)

2 2
i i
S2 = i =1
Sˆ 2 = i =1
n n −1
sesgado (cuasivarianza)
insesgado
En poblaciones normales, la distribución muestral de estos estimadores está

relacionada con una distribución denominada chi-cuadrado 𝜒𝑔2

30
La distribución 𝜒𝑔2 Chi cuadrado o Ji cuadrado
• La chi-cuadrado es una variable aleatoria no negativa. Es asimétrica positiva
• Depende de un parámetro g que se llama grados de libertad
• Su notación es 𝜒𝑔2

31
32
𝑛 − 1 𝑆መ 2 2
∼ 𝜒
Si 𝑿 es normal 𝜎2 𝑛−1
𝑛
σ𝑛𝑖=1 𝑋𝑖 − 𝑋ሜ 2
መ 2
𝑆 = ⇒ ෍ 𝑋𝑖 − 𝑋ሜ 2
= (𝑛 − 1)𝑆መ 2
𝑛−1
𝑖=1
σ𝑛𝑖=1 𝑋𝑖 − 𝑋ത 2
2
∼ 𝜒𝑛−1
𝜎2 𝑛
σ𝑛𝑖=1 𝑋𝑖 − 𝑋ሜ 2
2
𝑆 = ⇒ ෍ 𝑋𝑖 − 𝑋ሜ 2
= 𝑛𝑆 2
𝑛
𝑖=1
𝑛𝑆 2 2
2
∼ 𝜒𝑛−1
𝜎
33
Intervalos de confianza para σ²
Operando igual que en el caso de la media, se puede demostrar que ...
𝑛 − 1 𝑠Ƹ 2 𝑛 − 1 𝑠Ƹ 2 2 𝑛𝑠 2 𝑛𝑠 2
𝐼𝐶(1 − 𝛼): 𝜎 2 ∈ 2 ; 2 𝐼𝐶(1 − 𝛼): 𝜎 ∈ 2 ;2
𝜒𝑛−1; 𝛼Τ2 𝜒𝑛−1;1−𝛼Τ2 𝜒𝑛−1; 𝛼Τ2 𝜒𝑛−1;1−𝛼Τ2
Como la distribución 𝜒𝑔2 no es

simétrica alrededor del 0, los intervalos
NO son simétricos alrededor de la
estimación. No son del tipo (𝑆 2 ± ⋯ )

34
Ejemplo En una explotación minera las rocas excavadas se someten a un análisis químico para determinar su
contenido de Cadmio. Después de analizar 25 rocas se obtiene que
x = 9.77 s = 3.164
ˆ s 2 = 10.01
ˆ
Suponiendo que el contenido de Cadmio sigue una distribución normal. Se quiere construir un intervalo de
confianza al 99% para la varianza poblacional 𝜎 2
𝑛 − 1 𝑠Ƹ 2 𝑛 − 1 𝑠Ƹ 2
𝐼𝐶(1 − 𝛼): 𝜎 2 ∈ 2 ; 2
𝜒𝑛−1; 𝛼Τ2 𝜒𝑛−1;1−𝛼Τ2
El valor más bajo, para que salga
El valor más alto, para que salga
el extremo más alto
el extremo más bajo

35
Ejemplo En una explotación minera las rocas excavadas se someten a un análisis químico para determinar su contenido de
Cadmio. Después de analizar 25 rocas se obtiene que
x = 9.77 s = 3.164
ˆ s 2 = 10.01
ˆ
Suponiendo que el contenido de Cadmio sigue una distribución normal. Se quiere construir un intervalo de confianza al
99% para la varianza poblacional 𝜎 2
Para una confianza del 99% tenemos

𝛼 /2=0.005 𝛼/2=0.005
𝛼/2=0.005
 24;0.995
2
= 9.89  24;0.005
2
= 45.6
 24  3.165 2 24  3.165 2 
IC (0.99) :   
2
,  IC (0.99) :  2  ( 5.27,24.29 )
 45.6 9.89 
¿Podría ser 2=25?

36
37
Contraste de hipótesis para σ²
(𝑎): 𝐻0 ∶ 𝜎² = 𝜎0²; 𝐻1: 𝜎² ≠ 𝜎0²

Sigue la misma
(𝑏): 𝐻0 ∶ 𝜎² ≤ 𝜎0²; 𝐻1: 𝜎² > 𝜎0² metodología que para
otros parámetros
(𝑐): 𝐻0 ∶ 𝜎² ≥ 𝜎0²; 𝐻1: 𝜎² < 𝜎0²
Estadístico de contraste
(𝑛 − 1) መ2
𝑆 𝑛𝑆 2
Saldría el mismo
𝑋02 = 𝑋02 = 2 valor
𝜎02 𝜎0
Distribución de referencia
𝑋02 ∼ 𝜒𝑛−1
2

38
PASO 1: PASO 2: PASO 4:
𝐻0 ∶ 𝜎² = 𝜎0²; 𝐻1: 𝜎² ≠ 𝜎0² Rechazo H0 Rechazo H0

( n − 1) Sˆ 2 Acepto H0
(a) X 02 =
 2
0
(a)  2  n2−1; / 2
n −1;1− / 2
nS 2
X = 2
 02
0
Acepto H0 Rechazo H0
𝐻0 ∶ 𝜎² ≤ 𝜎0²; 𝐻1: 𝜎² > 𝜎0²
(b)
(b)  n2−1;
PASO 3:
Rechazo H0
Acepto H0
𝐻0 ∶ 𝜎² ≥ 𝜎0²; 𝐻1: 𝜎² < 𝜎0² 𝑋02 ∼ 𝜒𝑛−1

2
(c)
(c)
 n2−1;1−
La región de rechazo está donde señala H1

39
Ejemplo Sobre los transistores BC547B mencionados anteriormente, teníamos el objetivo de comprobar si la media no había
cambiado, así como comprobar si la varianza no había aumentado. Podemos ahora contrastar este segundo punto. Los
datos históricos decían que 𝜎0² = 760. Por tanto el contraste es
𝐻0: 𝜎 2 ≤ 760 𝐻₁: 𝜎² > 760.
Rechazo H0
Con 100 datos sˆ 2 = 766.85
Acepto H0
( n − 1) sˆ 2 99  766.85
x =
2
= = 99.89
 99;0.05
2
= 123.2 0
 2
0 760
• La diferencia entre los datos y la hipótesis no es significativa (con nivel 5%) y No rechazamos H0
puede deberse al azar de la muestra.
• Los datos no muestran entonces suficiente evidencia para rechazar Ho
• No es tan improbable que de una población de varianza 760, una muestra
de 100 artículos tengan una cuasivarianza muestral de 766.85, es decir, de
6.85 unidades más. Es poca distancia.

40
El intervalo para
𝜎 es el de 𝜎 2
pero sacando la
raíz cuadrada

41
1
2 3

42
6
Gráfica de distribución
Chi-cuadrada; df=99
0,030
0,025
0,020
Densidad
0,01 5
0,01 0
0,4560
0,005
0,000
99,89
X

43

2. Inferencia sobre 𝝈𝟐 en poblaciones normales

44

Tema7 Diapositivas InferNormal

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

Tema7 Diapositivas InferNormal

Cargado por

Copyright:

Formatos disponibles

Tema 7.

Inferencia en poblaciones normales

ESTADÍSTICA BÁSICA www.edbudep.com

1. Inferencia sobre 𝜇 en poblaciones normales

ESTADÍSTICA BÁSICA www.edbudep.com

ESTADÍSTICA BÁSICA www.edbudep.com

∼ exacta, para todo n

Podemos asumir que el peso de un racimo de plátanos se distribuye como

Estima 𝜇 mediante un intervalo de confianza del 95%

El histograma sí parece a una normal. Como son pocos

ESTADÍSTICA BÁSICA www.edbudep.com

Podemos asumir que el peso de un racimo de plátanos se distribuye como

Estima 𝜇 mediante un intervalo de confianza del 95%

Como nos dicen que conocemos

ESTADÍSTICA BÁSICA www.edbudep.com

Estima 𝜇 mediante un intervalo de confianza del 95%

• En este caso, el histograma muestra que la población no es una normal, por

En este curso no vemos cómo hacer inferencia en estos casos

ESTADÍSTICA BÁSICA www.edbudep.com

cambian, pues la influencia de 𝑆መ ya es notable y depende

Los intervalos y los contrastes del tema anterior no serían

En el caso de 𝑋 ∼ 𝑁(𝜇; 𝜎 2 ), se tiene que independientemente del tamaño de n

ESTADÍSTICA BÁSICA www.edbudep.com

Para poblaciones normales usaremos siempre la t de Student, tanto si n es grande como si no

ESTADÍSTICA BÁSICA www.edbudep.com

ESTADÍSTICA BÁSICA www.edbudep.com

ESTADÍSTICA BÁSICA www.edbudep.com

Para poblaciones normales usaremos siempre la t de

ESTADÍSTICA BÁSICA www.edbudep.com

Para poblaciones normales usaremos

ESTADÍSTICA BÁSICA www.edbudep.com

Para n=25 0,4

ESTADÍSTICA BÁSICA www.edbudep.com

ESTADÍSTICA BÁSICA www.edbudep.com

Usando la aproximación a N(0,1) para muestras grandes

Si no usamos la t de Student, daremos un intervalo más

Para poblaciones normales usaremos siempre la t de Student, tanto si n es grande como si no

ESTADÍSTICA BÁSICA www.edbudep.com

ESTADÍSTICA BÁSICA www.edbudep.com

AHORA vamos a asumir que el peso de un racimo de plátanos se distribuye

Estima 𝜇 mediante un intervalo de confianza del 95%

ESTADÍSTICA BÁSICA www.edbudep.com

ESTADÍSTICA BÁSICA www.edbudep.com

30,0 31 ,5 33,0 34,5 36,0

ESTADÍSTICA BÁSICA www.edbudep.com

(a) 𝐻0: 𝜇 = 𝜇0 frente a 𝐻1: 𝜇 ≠ 𝜇0,

El concepto de pvalor es el mismo, solo que se obtiene integrando N(0,1) o 𝑡𝑛−1 .

ESTADÍSTICA BÁSICA www.edbudep.com

−tn −1; / 2 tn −1; / 2

La región de rechazo está donde señala H1

ESTADÍSTICA BÁSICA www.edbudep.com

H0 : μ=290 H1: μ≠290

Podemos asumir normalidad en 𝑋

H0 : μ=290 H1: μ≠290

Con 100 datos:

Con un nivel de significación del 5%,

-2.78 −t99;0.025 t99;0.025

1. Inferencia sobre 𝜇 en poblaciones normales

ESTADÍSTICA BÁSICA www.edbudep.com

(X −X) (X −X)

En poblaciones normales, la distribución muestral de estos estimadores está

ESTADÍSTICA BÁSICA www.edbudep.com

• La chi-cuadrado es una variable aleatoria no negativa. Es asimétrica positiva