Documentos de Académico
Documentos de Profesional
Documentos de Cultura
1 Introducción
2 Distribuciones muestrales
3 Intervalos de confianza
4 Pruebas de hipótesis
Introducción
Estimación puntual
Un estimador puntual es una estadı́stica que produce un número
como estimación del parámetro desconocido.
Un valor númerico particular de un estimador puntual, calculado a
partir de una muestra, se llama una estimación. &
Proporción: p P̂n = Xn
= número de éxitos p̂n = xn
n número de pruebas n
E[T1 ] = µ y E[T2 ] = µ.
Distribuciones muestrales
Distribución t-Student
Una v.a. X sigue una distribución t-Student con ⌫ grados de
libertad, denotado por X ⇠ t(⌫) si su función de densidad es
⌫+1 ✓ ◆ ⌫+1
2 x2 2
fX (x; ⌫) = p ⌫ 1+ , x2R
⌫⇡ 2
⌫
Luego,
Topt=
Xn 5.8
X n ⇠ N(5.8, 0.05) , o bien, Z = p ⇠ N(0, 1).
0.05
Luego, la probabilidad solicitada es
✓ ◆
5 5.8 X n 5.8 6 5.8
P (5 < X n < 6) = P p < p < p
0.05 0.05 0.05
= P ( 3.57 < Z < 0.89)
= (0.89) ( 3.57)
= 0.81.
En ~N(M
:)
Prof. Luis Sánchez BAIN-091 16/82
1 2 3 4 Distribuciones muestrales
aprox
⇣ pq ⌘ P̂n p aprox
P̂n ⇠ N p, , o bien, Z = q ⇠ N(0, 1).
n pq
n
✓ ◆
0.65 · 0.35
N 0.65, , es decir, N(0.65, 0.005).
50
Distribución Chi-cuadrado
Una v.a. X sigue una distribución Chi-cuadrado con k grados de
libertad, denotado por X ⇠ 2 (k), si su función de densidad es
1 k/2
fX (x; k) = 2
k
xk/2 1 e x/2 , x > 0.
2
(n 1)Sn2 2
V = 2
⇠ (n 1).
(25 1) · Sn2 2
V = ⇠ (25 1).
0.92
se obtiene 0.58.
La probabilidad que se consulta en la pregunta 2 es
P (0.03 < P̂n < 0.05). Otra vez usando el comando pnorm(),
tenemos:
Intervalos de confianza
P (L ✓ U ) = 1 ↵. (1)
P z1 ↵/2 Z z1 ↵/2 =1 ↵.
El intervalo
z1 ↵/2 Z z1 ↵/2 ,
es equivalente a escribir
Xn µ
z1 ↵/2 p z1 ↵/2 ,
/ n
Xn µ
T = p ⇠ t(n 1),
Sn / n
P (L ✓) = 1 ↵. (6)
P (✓ U ) = 1 ↵. (7)
Xn µ
1 Z= p ⇠ N(0, 1)
/ n
2 P (Z z1 ↵ ) = 1 ↵, es decir, se cumple que Z z1 ↵ con
probabilidad 1 ↵.
Xn µ
3 Z z1 ↵ =) p z1 ↵ .
/ n
4 Despejando µ, se obtiene
Xn p · z1 ↵ µ
n
(n 1)s2n 2
2 (Intervalo de confianza inferior)
1 ↵
2 (n 1)s2n
2
(Intervalo de confianza superior)
↵
2 (12 1) · 0.0005
,
5.58
es decir,
2
0.0009.
Pruebas de hipótesis
H0 : µ = 430,
H1 : µ 6= 430,
Esto es equivalente a
P (x1 X n x2 | H0 es verdadera) = 1 ↵.
✓ ◆
x1 430 X n 430 x2 430
P p p p | H0 es verdadera = 1 ↵,
70/ 20 70/ 20 70/ 20
o bien,
P (z1 Z z2 | H0 es verdadera) = 1 ↵.
H0 : µ = 170,
H1 : µ < 170.
Valor p
Supongamos que hemos rechazado la hipótesis H0 para un nivel de
significación ↵⇤ . Es claro que si consideramos otro nivel de
significación mayor, seguiremos rechazando H0 , pues el valor z0 o
t0 sigue “cayendo” en la región de rechazo (ver figura en la lámina
siguiente).
Pero, ¿qué sucede si el nivel de significación que nos gustarı́a usar
es menor a ↵⇤ ?
El valor p se define como el nivel de significación tal que, cualquier
nivel de significación mayor a éste, llevarı́a al rechazo de la
hipótesis nula H0 con los datos dados.
P (Z z0 ) · 2 = 2[1 (z0 )]
H0 : p = 0.52
H1 : p > 0.52.
El valor es 0.052.
2 (20 1) · 0.0153
0 = = 29.07.
0.01
H0 : µ 1 µ2 = 0,
H1 : µ 1 µ2 6= 0.
H 0 : p1 p2 = 0,
H 1 : p1 p2 < 0.