Documentos de Académico
Documentos de Profesional
Documentos de Cultura
Unidad 2 Completa
Unidad 2 Completa
Lo que indica que esa cantidad 𝜋 converge en distribución a una normal estándar,
luego de este resultado se puede deducir un intervalo de confianza a través de
una aproximación y el resultado es como sigue:
𝑍1−𝛼
2
𝐼(1−𝛼/2) (𝑝̂ ) = (𝑝̂ ± √𝑝̂ (1 − 𝑝̂ ))
√𝑛
𝑑 𝑝1 (1 − 𝑝1 ) 𝑝2 (1 − 𝑝2 )
𝑝̂1 − 𝑝̂ 2 → 𝑁 (𝑝1 − 𝑝2 , √ + )
𝑛1 𝑛2
𝑝̂1 (1 − 𝑝̂1 ) 𝑝̂ 2 (1 − 𝑝̂ 2 )
𝐼(1−𝛼/2) (𝑝1 − 𝑝2 ) = (𝑝̂1 − 𝑝̂ 2 ± 𝑍1−𝛼/2 √ + )
𝑛1 𝑛2
𝑥̅ − 𝜇
𝑃 (−𝑍𝛼/2 < 𝑠 < 𝑍𝛼/2 ) = 1 − 𝛼
⁄ 𝑛
√
3 Resumen
• Los intervalos de confianza que presentan los textos básicos de estadística,
construidos con base en la aproximación mediante la normal, tienen un
desempeño pobre, pueden resultar intervalos que no tienen sentido o
intervalos con probabilidad de cobertura por debajo del nivel de confianza
nominal, especialmente cuando las muestras no son muy grandes.
• Dentro de los intervalos de confianza para la proporción nos encontramos
con intervalos de confianza para la proporción e intervalos de confianza
para la diferencia de proporciones.
• También debemos tener en cuenta el intervalo aproximado para la media de
una distribución cualquiera, para cuando una muestra aleatoria simple siga
una distribución cualquiera con media µ.
4 Referencias Bibliográficas
• Miranda, I. E., Palacín, F., Sánchez, M. L., Márquez, M., Chía, A. R., Navas, A.
S., y otros. (3ra. Edición 2006). Estadística Descriptiva y Probabilidad. Cádiz:
Servicio de Publicaciones de la Universidad de Cádiz.
• Montgomery, D., & R., R. (2da. Edición 2008). Probabilidad y Estadística
Aplicada a la Ingeniería. México: Limusa Wiley.
• Walpole, R., Myers, R., & Myers, S. y. (2007). Probabilidad y Estadística para
Ingeniería y Ciencias. México: Pearson.
1 Introducción .......................................................................................................................... 3
2 Método de la Variable Pivotal .......................................................................................... 3
2.1 Intervalo Aleatorio .......................................................................................... 3
2.2 Intervalo de Confianza (1 – α) .................................................................... 3
2.3 Límites del Intervalo .....................................................................................4
2.4 Variable Aleatoria Pivotal .............................................................................4
2.5 Método de la Variable Pivotal .....................................................................4
3 Intervalos de Confianza en Poblaciones Normales ...................................................4
3.1 Intervalo de Confianza para la Media, Conocida la Varianza ............ 5
3.2 Intervalo de Confianza para la Media, Desconocida la Varianza......6
3.3 Intervalo de Confianza para la Varianza, Conocida la Media ............ 7
3.4 Intervalo de Confianza para la Varianza, Desconocida la Media ...... 7
3.5 Intervalo de Confianza para la Diferencia de Medias de Muestras
Pareadas ............................................................................................................ 7
3.6 Intervalo de Confianza para la Diferencia de Medias de Muestras
Independientes ...............................................................................................8
4 Resumen ............................................................................................................................... 10
5 Referencias Bibliográficas .............................................................................................. 10
1 Introducción
En esta unidad de aprendizaje estudiaremos uno de los métodos de estimación
que está tomando mayor importancia en el ámbito de la estadística aplicada.
Nos referimos a los intervalos de confianza, éstos presentan ventajas sobre
otros métodos de estimación que veremos más adelante, debido a que estos
aportan mayor información en magnitud y precisión de las estimaciones,
permitiendo una mejor interpretación de las estimaciones hechas sobre ellas.
Veremos cómo se hace inferencia sobre los parámetros más conocidos y
comunes, así como también las distintas interpretaciones que se presentan en
cada caso
Es un intervalo tal que al menos uno de sus extremos es una variable aleatoria.
Dada una muestra aleatoria simple proveniente de una variable aleatoria 𝑋 con
“En el intervalo aleatorio, al menos función de densidad o masa de probabilidad 𝑓𝑋 (𝑥; 𝜃), en la cual dicha distribución
uno de sus extremos es una variable depende de un parámetro desconocido 𝜃, dadas las estadísticas 𝜃(𝑥) y 𝜃 ′ (𝑥) el
aleatoria”
intervalo de confianza de nivel (1 − 𝛼)100%, es tal que:
𝑃[𝜃(𝑥) ≤ 𝜃 ≤ 𝜃 ′ (𝑥)] ≥ 1 − 𝛼
𝑥̅ − 𝜇
𝑧= ~𝑁(0,1)
𝜎 2⁄
√𝑛
𝜎 2 Es conocido.
Ejemplo 2: Sea 𝑥1 , 𝑥2 , … , 𝑥𝑛 una muestra aleatoria de una población normal
𝑥̅ −𝜇
𝑁(𝜇, 𝜎 2 ); 𝜎 2 conocido, la variable aleatoria 𝑡 = 𝑆 es una cantidad pivotal,
⁄
entonces tenemos que efectivamente, la variable √𝑛 aleatoria 𝑡 depende de los
valores 𝑥1 , 𝑥2 , … , 𝑥𝑛 a través de 𝑥̅ y 𝑆 2 . Además está en función del parámetro 𝜇,
entonces:
𝑥̅ − 𝜇
𝑡= ~𝑡(𝑛−1)
𝑆⁄
√𝑛
Sea 𝑄𝑥 una variable pivotal de 𝜃 de una cierta población con función densidad o
masa de probabilidad entonces para un cierto nivel de confianza 1 − 𝛼 ∈ (0,1),
existen constantes 𝑞1 ∧ 𝑞2 que dependen de un nivel de confianza 1 − 𝛼 tal que
𝑃𝜃 [𝑞1 ≤ 𝑄𝑥 ≤ 𝑞2 ] = 1 − 𝛼, si para cada valor muestral 𝑥1 , 𝑥2 , … , 𝑥𝑛 ; 𝑞1 ≤
(1) (2)
𝑄𝑥 (𝑥1 , 𝑥2 , … , 𝑥𝑛 ) ≤ 𝑞2, si y solo si 𝑃[𝜃̂1 < 𝜃̂2 ] = 1 luego el intervalo (𝜃̂𝑛 , 𝜃̂𝑛 ) es un
intervalo de confianza para (1 − 𝛼)100%.
Gráfico 1: Valores 𝑍𝛼
2
Ejemplo 3. Suponga que la vida promedio útil, medida en horas, de focos de 100
watts producidos por cierta compañía, puede ser modelada mediante una variable
aleatoria con distribución normal de media 𝜇 y varianza 𝜎 2.
Suponga que la desviación estándar 𝜎 es conocida y es igual a 30 horas.
El objetivo es encontrar un intervalo de confianza para la vida promedio útil 𝜇 de
los focos producidos por esta compañía. Para ello se toma una muestra de 20
focos y mediante pruebas de laboratorio se determina la vida útil de cada uno de
ellos. Los resultados 𝑥1 , . . . , 𝑥20 arrojan una media muestral 𝑥̅ de 1050 horas.
Si consideramos un nivel de confianza del 95%, es decir, 𝛼 = 0.05, de la tabla de
“A un nivel de confianza 95% z=1,96” probabilidad normal se encuentra que 𝑍𝛼/2 = 𝑍0.025 = 1.96, y entonces puede ahora
calcularse el intervalo:
Puede estar un 99% seguro que las millas por galón promedio del auto es menor
que el mínimo de 27.5. Se le aconseja que busque otro modelo.
Se dice que dos variables aleatorias 𝑋 y 𝑌 son pareadas cuando los datos son
“Dos variables aleatorias son pareadas tomados por parejas de un solo individuo.
cuando los datos son tomados por
𝜎12 𝜎22 𝜎2 𝜎 2
𝑃 (𝑥̅ − 𝑦̅ − 𝑧1−𝛼 √ + ≤ 𝜇2 − 𝜇1 ≤ 𝑥̅ − 𝑦̅ + 𝑧1−𝛼 √ 1 + 2 ) = 1 − 𝛼
2 𝑛1 𝑛2 2 𝑛1 𝑛2
𝑆12 𝑆22
𝐼1−𝛼/2 (𝜇2 − 𝜇1 ) = (𝑥̅ − 𝑦̅ ± 𝑡(𝑎, 𝛼 √( + ))
1− )
2 𝑛1 𝑛2
5 Referencias Bibliográficas
• Miranda, I. E., Palacín, F., Sánchez, M. L., Márquez, M., Chía, A. R., Navas, A.
S., y otros. (3ra. Edición 2006). Estadística Descriptiva y Probabilidad. Cádiz:
Servicio de Publicaciones de la Universidad de Cádiz.
• Montgomery, D., & R., R. (2da. Edición 2008). Probabilidad y Estadística
Aplicada a la Ingeniería. México: Limusa Wiley.
• Walpole, R., Myers, R., & Myers, S. y. (2007). Probabilidad y Estadística para
Ingeniería y Ciencias. México: Pearson.
1.1 Insesgamiento
al parámetro”
𝐸(𝜃̂) = 𝜃
1.2 Consistencia
Pero
𝑉(𝑥̅ ) = 𝐸 2 (𝑥̅ ) − 𝐸(𝑥̅ 2 ) ⇒ 𝐸(𝑥̅ − 𝜇)2 = 𝑉(𝑥̅ ) + 𝐸 2 (𝑥̅ ) − 2𝜇𝐸(𝑥̅ ) + 𝜇2
Luego
𝜎2 𝜎2
𝐸(𝑥̅ − 𝜇)2 = 𝑉(𝑥̅ ) + 𝐸 2 (𝑥̅ ) − 2𝜇𝐸(𝑥̅ ) + 𝜇2 = + 𝜇2 − 2𝜇2 + 𝜇2 =
𝑛 𝑛
Ahora bien
𝜎2
lim 𝐸(𝑥̅ − 𝜇)2 = lim =0
𝑛→∞ 𝑛→∞ 𝑛
1.3 Suficiencia
1.4 Eficiencia
Este resultado se deduce del teorema del límite central, además de que por ser
combinaciones lineales de normales se hereda la normalidad.
Utilizando las mismas conclusiones a partir del teorema del límite central, como
es de saber para tamaños de muestra considerados grandes, para una población
con función de densidad masa 𝐵𝑒𝑟(𝑝), se tiene que la distribución de la
proporción muestral se puede aproximar mediante una normal, tal que:
𝑝𝑞
𝑝̂ ~𝑁 (𝑝, √ )
𝑛
4 Referencias Bibliográficas
• Miranda, I. E., Palacín, F., Sánchez, M. L., Márquez, M., Chía, A. R., Navas, A.
S., y otros. (3ra. Edición 2006). Estadística Descriptiva y Probabilidad. Cádiz:
Servicio de Publicaciones de la Universidad de Cádiz.
• Montgomery, D., & R., R. (2da. Edición 2008). Probabilidad y Estadística
Aplicada a la Ingeniería. México: Limusa Wiley.
• Walpole, R., Myers, R., & Myers, S. y. (2007). Probabilidad y Estadística para
Ingeniería y Ciencias. México: Pearson.
1 Introducción .......................................................................................................................... 3
2 Conceptos Básicos .............................................................................................................. 3
2.1 Muestra Aleatoria ............................................................................................ 3
2.2 Parámetro.......................................................................................................... 3
2.3 Estadística.........................................................................................................4
2.4 Estimador ..........................................................................................................4
3 Métodos de Estimación ......................................................................................................4
3.1 Método de los Momentos .............................................................................4
3.2 Método de Máxima Verosimilitud .............................................................. 5
3.3 Método por Analogía......................................................................................6
4 Resumen ................................................................................................................................. 7
5 Referencias Bibliográficas ................................................................................................ 7
1 Introducción
En esta unidad de aprendizaje trataremos el estudio de la rama de la estadística
que se encarga de sacar conclusiones a partir de la aplicación de estadísticas a
muestras aleatorias, las cuales siguen una distribución de probabilidad con
parámetros desconocidos.
Entonces nuestro interés se centra en este caso, en acercar valores estimados a
los valores reales de los parámetros poblacionales por medio de métodos de
estimación, teniendo en cuenta las propiedades de esos en cuanto a calidad y
errores se refiere.
2 Conceptos Básicos
2.2 Parámetro
generalmente desconocido”
• 𝜇 : Media poblacional
• 𝜎 2 : Varianza poblacional
• 𝜌 : Proporción poblacional
• 𝜏 :Total poblacional
• 𝑚á𝑥(𝑥𝑗 ): Máximo poblacional
• min(𝑥𝑗 ): Mínimo poblacional
Es una estadística.
• La función 𝑥̅ + 𝜎 2 no es una estadística, si 𝜎 2 es desconocido.
2.4 Estimador
3 Métodos de Estimación
̂ = (𝜽𝟏 , 𝜽𝟐 , … , 𝜽𝒌 )
Y se resuelve el sistema para hallar 𝜽
Ejemplo 3: Sea 𝒙𝟏 , 𝒙𝟐 , … , 𝒙𝒏 una muestra aleatoria de tamaño 𝒏 de una población
con distribución normal con media 𝝁 y varianza 𝝈𝟐 hallemos el estimador de 𝝁 por
el método de los momentos. Entonces:
𝑿~𝑵(𝝁, 𝝈𝟐 ), después 𝑬(𝑿) = 𝝁 y 𝑽𝒂𝒓(𝑿) = 𝝈𝟐 además 𝑽𝒂𝒓(𝑿) = 𝑬(𝑿𝟐 ) − [𝑬(𝑿)]𝟐,
así 𝑬(𝑿𝟐 ) = 𝝁𝟐 + 𝝈𝟐 , ahora usando el método de los momentos tenemos que:
𝑛
1
𝐸(𝑋) = 𝜇 = ∑ 𝑥𝑖
𝑛
𝑖=1
𝑛
1
𝐸(𝑋 2)
= 𝜇 + 𝜎 = ∑ 𝑥𝑖2
2 2
𝑛
𝑖=1
Luego
𝑛
1
𝜇̂ = ∑ 𝑥𝑖
𝑛
𝑖=1
𝑛
1
𝜇̂ + 𝜎̂ = ∑ 𝑥𝑖2
2 2
𝑛
𝑖=1
𝐿(𝜃, 𝑥̂) = 𝑓𝑥1… ,𝑥𝑛 (𝑥1 , 𝑥2 , … , 𝑥𝑛 ) = 𝑓𝑥1 (𝑥1 ) ∙ 𝑓𝑥2 (𝑥2 ) ∙ ⋯ ∙ 𝑓𝑥3 (𝑥3 ) = ∏ 𝑓𝑥𝑖 (𝜃, 𝑥𝑖 )
𝑖=1
Así:
𝑛
𝐿(𝑝, 𝑥) = 𝑝 𝑛 𝑞∑𝑖=1 𝑥𝑖
ln 𝐿(𝑝, 𝑥) = 𝑛 ∙ ln 𝑝 + ∑ 𝑥𝑖 ln 𝑞
𝑖=1
Consta en elegir, luego de indagar, el papel que cumplen los componentes del
“El método por analogía deriva una
parámetro dentro del modelo; derivando una estadística que de manera similar
o análoga realice las mismas funciones en la función empírica.
estadística que de manera análoga
función empírica”
4 Resumen
• Sea 𝑥1 , 𝑥2 , … , 𝑥𝑛 𝑣. 𝑎 independientes con la misma función de densidad de
probabilidad 𝑓𝑋 (𝑥), se define 𝑥1 , 𝑥2 , … , 𝑥𝑛 como una muestra aleatoria de
tamaño 𝑛.
• El parámetro es un valor poblacional que caracteriza a una distribución o a
una población y por lo general es desconocido.
• La estadística es una función de 𝑣. 𝑎 observables que no contienen
parámetros desconocidos.
• El estimador es un estadístico de valores muestrales, que se usa para
estimar parámetros poblacionales.
• Dentro de los métodos de estimación encontramos e método de los
momentos, el método de máxima verosimilitud y el método por analogía.
5 Referencias Bibliográficas
• Miranda, I. E., Palacín, F., Sánchez, M. L., Márquez, M., Chía, A. R., Navas, A.
S., y otros. (3ra. Edición 2006). Estadística Descriptiva y Probabilidad. Cádiz:
Servicio de Publicaciones de la Universidad de Cádiz.
• Montgomery, D., & R., R. (2da. Edición 2008). Probabilidad y Estadística
Aplicada a la Ingeniería. México: Limusa Wiley.
• Walpole, R., Myers, R., & Myers, S. y. (2007). Probabilidad y Estadística para
Ingeniería y Ciencias. México: Pearson.