Documentos de Académico
Documentos de Profesional
Documentos de Cultura
Inferencia Estadística
Inferencia Estadística
SEMANA 1
EE517-1453-INFERENCIA ESTADÍSTICA
VARIABLE ALEATORIA
Definición.
Una variable aleatoria X, es una función cuyo dominio es el espacio muestral
Ω y su rango o recorrido es un subconjunto no vacío de números reales, tal que
para cada uno de los elementos w ∈ Ω se le asocie un número real x = X (w).
⊏ IR
𝑤2 𝑥2
Dom(X)=Ω Ran(X)=A
Observaciones.
1. Notación de variable aleatoria:
[𝑋(𝑤) = 𝑥 ]= [𝑋 = 𝑥 ]
Variable aleatoria: X, Y, Z, W, etc.
Número Real: x, y, z, etc.
Ejemplo N°1.
Sea el experimento aleatorio ϵ: lanzar una moneda dos veces y observar en cada
caso la “cara” superior.
El espacio muestral es Ω = {(s, s), (s, c), (c, s), (c, c)}
Dom(X) = Ω Ran(X)= { 0, 1, 2, }
X (s, s) =X (𝑤1 )=0, (s, c) =X (𝑤2 )=1, X (c, s) =X (𝑤3 )=1, X (c, c) =X (𝑤4 )=2
EE517-1453-INFERENCIA ESTADÍSTICA
EE517-1453-INFERENCIA ESTADÍSTICA
EE517-1453-INFERENCIA ESTADÍSTICA
EE517-1453-INFERENCIA ESTADÍSTICA
EE517-1453-INFERENCIA ESTADÍSTICA
DISTRIBUCIONES IMPORTANTES
EE517-1453-INFERENCIA ESTADÍSTICA
EE517-1453-INFERENCIA ESTADÍSTICA
EE517-1453-INFERENCIA ESTADÍSTICA
EE517-1453-INFERENCIA ESTADÍSTICA
EE517-1453-INFERENCIA ESTADÍSTICA
EE517-1453-INFERENCIA ESTADÍSTICA
EE517-1453-INFERENCIA ESTADÍSTICA
EE517-1453-INFERENCIA ESTADÍSTICA
EE517-1453-INFERENCIA ESTADÍSTICA
EE517-1453-INFERENCIA ESTADÍSTICA
EE517-1453-INFERENCIA ESTADÍSTICA
EE517-1453-INFERENCIA ESTADÍSTICA
EE517-1453-INFERENCIA ESTADÍSTICA
EE517-1453-INFERENCIA ESTADÍSTICA
EE517-1453-INFERENCIA ESTADÍSTICA
SEMANA 2
EE517-1453-INFERENCIA ESTADÍSTICA
INFERENCIA ESTADISTICA
Es la que nos proporciona la teoría necesaria para poder inferir o estimar las leyes de una
población partiendo de resultados o conclusiones del análisis de una muestra.
POBLACION. - Es el conjunto de todas las observaciones o resultados posibles que pueda
tomar una variable aleatoria X.
X ~ N (60,3)
0 , 𝑛𝑜 𝑡𝑟𝑎𝑏𝑎𝑗𝑎
Y={
1, 𝑡𝑟𝑎𝑏𝑎𝑗𝑎
Y ~ b (15,000, 0.6)
= 𝑃(𝑥𝑖 )
= 𝑓(𝑥𝑖 )
Ejemplo:
Suponga que los pesos de los estudiantes de la UNAC es una variable aleatoria X que tiene
desviación normal con 𝑥̅ = 65, 𝜎 2 = 16, si se selecciona una muestra aleatoria de 20 estudiantes
y se registra el peso de cada uno de ellos; calcular:
Solución
. .
. .
. .
𝑥5 : Peso del quinto estudiante de la muestra
X ~ N (65,16)
a)
= 65 - 65 + 65 + 65 - 65 = 65
𝑉(𝑥1 − 𝑥5 + 𝑥7 + 𝑥15 − 𝑥19 )= 𝑉(𝑥1 ) +(−1)2 𝑉(𝑥5 ) + 𝑉(𝑥7 ) + 𝑉(𝑥15 )+ (−1)2 𝑉(𝑥19 )
= 80
Sea
T = 𝑥1 − 𝑥5 + 𝑥7 + 𝑥15 − 𝑥19
T ~ N (65,80)
𝑇−𝜇 70−µ𝑇 70−65
P (T ≥ 70) = P ( ≥ ) = P(Z≥ )
𝜎𝑇 𝜎𝑇 √80
= P (Z ≥ 0.55902)
P (T ≥ 70) =
b) W = 𝑥1 + 𝑥2 +𝑥3 ………𝑥20
W ~ N [20(65), 20(16)]
= 1 – P (𝑍 ≤2.79508)
P (W > 1350) = 1 –
Utilizar la interpolación
Z P
2.79 0.99736
-
- - 2.79508 X -
2.80 0.99744
2.79508 − 2.79 𝑋 − 0.99736
=
2.80−2.79 0.99744−0.99736
1 𝑥−𝜇 2
1
𝑓(𝑥) = 𝑒 −2( 𝜎
)
√2𝜋𝜎
1 𝑥−𝜇 2
1
= ( 𝑒 − 2(𝜎
) 20
)
√2𝜋𝜎
OTROS EJEMPLOS
a) P (𝑦 ≥ 10)
𝑦= 𝑥𝑖 ~ B(1 ,1/2)
∀ 𝑖 = 1,2,3, … … .20
𝑦 ~ b(20 ,1/2)
EE517-1453-INFERENCIA ESTADÍSTICA
= 0.583
= 1 – 0.006
Ejercicios
X ~ N(1000 ,1002)
m.a. (𝑥1 , 𝑥2 , 𝑥3 , 𝑥4 ) Sea W=𝑥1 + 𝑥2 + 𝑥3 + 𝑥4
𝑉(𝑥1 + 𝑥2 ) =
PARAMETRO. - Característica medible de una población que generalmente es desconocido y
se asume constante.
ESTADISTICO. – Una función que depende de una variable aleatoria, característica de una
muestra aleatoria.
𝑋𝑖 (𝑋𝑖 − 𝑋̅)2
𝑥𝑖 (𝑥𝑖 −𝑥̅ )
𝑋̅ = 𝑆2 =
𝑛 𝑛−1
N
𝑋𝑖
𝑥𝑖
𝜇 = media Poblacional =
𝑁
N
(𝑋𝑖 − 2𝜇)2
(𝑥𝑖 −𝜇)
𝜎2 =
𝑁
EE517-1453-INFERENCIA ESTADÍSTICA
EJERCICIOS
- Sea 𝑥1 , 𝑥2 , 𝑥3 ,….. 𝑥50 V.A.I. cada una distribuida según la función de probabilidad:
1/2
1/4
0 1 2
Calcular 𝑃(𝑥1 + 𝑥2 + ⋯ + 𝑥50 > 55)
- Los depósitos en nuevo banco durante el mes de marzo último están normalmente
distribuidos con media de 5000 y una desviación estándar de 800 si se selecciona una m.a.
de 20 depósitos referentes al mes de marzo Calcular.
a) P (𝑋8 ≤ 6500)
b) ¿Cuál es la probabilidad de que la suma total de los 20 depósitos exceda a 90 000?
c) Halle la función de densidad conjunta de los depósitos
d) Suponga que un depósito que sobrepase los 7000 ingresa a un sorteo ¿Cuál es la
probabilidad de que ningún depósito en el grupo de los 20 ingrese en el sorteo?
e) Cuál es la probabilidad de que tres o más depósitos en el grupo de los 20 ingresen
al sorteo
- Se sabe con cierto procedimiento se fabrican focos cuyas duraciones están distribuidas por
lo general con una media de 200 horas y desviación estándar de 20 horas. Si se eligen al azar
3 de estos focos ¿Cuál es la probabilidad de que las 3 duraciones excedan de 195 horas?
- Suponga que determinados bulbos electrónicos tienen vidas medias que están distribuidas
exponencialmente con parámetro 𝜆. Si se toma una muestra aleatoria de 𝑛 de estos bulbos
EE517-1453-INFERENCIA ESTADÍSTICA
y se representa con 𝑥𝑖 la duración del i-ésimo bulbo i=1,2, 3… 𝑛 ¿Cuál es la función conjunta
de densidad de la muestra?
EE517-1453-INFERENCIA ESTADÍSTICA
- Suponga que los pesos de los estudiantes universitarios están distribuidos uniformemente
si se toma una m.a. de 20 estudiantes y se registra el peso de cada uno. ¿Cuál es la función
de densidad conjunta para los pesos muestreados? En función de 𝜇 𝑦 𝜎 ¿Cuál es la
probabilidad de que el total de los pesos exceda 1000 libras?
- Se extraen bolas con reemplazamiento en una urna que contiene una bola blanca y dos
negras representemos por x=0 una bola blanca y por x=1 una bola negra. Para muestras 𝑥1 ,
𝑥2 , 𝑥3 ……𝑥9 de tamaño 9
- ¿Cuál es la probabilidad de que las dos observaciones de una muestra de tamaño dos de una
población con distribución rectangular sobre el intervalo unitario, no difieran en más de un
medio?
A) P (𝑥1 + 𝑥2 + 𝑥3 + 𝑥4 ≥ 48)
B) P (𝑥3 >13)
• Las NO PROBABILISTICAS
Basadas de acuerdo al criterio del experto
TAREA
Investigar lo tipos de muestreo
EE517-1453-INFERENCIA ESTADÍSTICA
MOMENTOS
Sea 𝑥1 , 𝑥2 , 𝑥3 , … ., 𝑥𝑛 , un conjunto de 𝑛 observaciones de una característica
X, el momento de orden r con respecto a un punto a de la muestra.
1
𝑀𝑟,a = (𝑥𝑖 − 𝜇)r
𝑛
POBLACIONALES (PARÁMETROS)
MOMENTOS
MUESTRALES (ESTADISTICOS)
MOMENTO MUESTRALES
1
Si: r=1 → 𝑀1,0 = 𝑛
(𝑥𝑖 ) = 𝑥̅
1
r=2 → 𝑀2,0= 𝑛
(𝑥𝑖 )2
1
Para: r=1 → 𝑀1,𝑥̅ = 𝑛
(𝑥𝑖 − 𝑥̅ ) = 0
1
r=2 → 𝑀2,𝑥̅ = 𝑛
(𝑥𝑖 − 𝑥̅ )2 =S2
MOMENTO POBLACIONALES
𝑇r,0 = 1
𝑛
(𝑥𝑖 )r r = 1,2,3 … ..
i) Alrededor de la media
EE517-1453-INFERENCIA ESTADÍSTICA
N
1
𝑇r,𝜇 = 𝑁
(𝑥𝑖 − 𝜇)𝑟 r = 1,2,3 … ..
Ejemplo
Se va a realizar un viaje en automóvil de acuerdo con experiencias anteriores al hacer este viaje
puede suponerse que el tiempo de llegada toma entre 20 y 30 minutos
Solución:
1⁄ 20 < x < 30
𝑓(𝑥) = { 10
0 , 𝑒𝑛 𝑜𝑡𝑟𝑜 𝑐𝑎𝑠𝑜
1
E (𝑥 r )= 𝑇r,0 = (𝑥 r )( )dx
10
La sucesión de variables aleatorias tiene propiedades asintóticas las cuales vienen ligadas a
conceptos como límite o convergencia
Ejemplo
EE517-1453-INFERENCIA ESTADÍSTICA
Sea {𝑥𝑛 } una sucesion de V.A. tomando 𝑥𝑛 valores 0 y 𝑛2 con probabilidades respectivas
1 1 P
1- y demuestre que {𝑥𝑛 } → 0
𝑛 𝑛
Por definición:
P
𝑥𝑛 → 0 ↔ lim 𝑃(|𝑥𝑛 − 0| > 𝜀) = 0
𝑛→∞
0 𝜀 𝑛2 𝜀 𝑥𝑛
1 1
1+ P (𝑥𝑛 )
𝑛 𝑛
1
Si 𝜀< 𝑛2 → 𝑃(𝑥𝑛 > 𝜀) = 𝑃(𝑥𝑛 = 𝑛2 ) =
𝑛
𝜀≥ 𝑛2 → 𝑃(𝑥𝑛 > 𝜀) =0
lim 0 𝜀≥ 𝑛2
𝑛→∞
{𝑥𝑛 }𝑃 → 0
Se dice que la sucesión {𝑥𝑛 } converge en forma casi segura a X, cuando 𝑛 → ∞ y se simboliza:
𝑐. 𝑠
𝑥𝑛 → 𝑥 ↔P( lim 𝑥𝑛 = 𝑥 )= 1
𝑛→∞
DESIGUALDAD DE CHEBYSHEV
Sea 𝑥̅ = 𝑥̅𝑛 , la media de una muestra aleatoria extraida de una población con densidad
𝑓(𝑥, 𝜇, 𝜎 2 ), 𝜇, 𝜎 2 finitos y 𝑔(𝑥̅ ), su correspondiente función de densidad.
Sabemos 𝐸 (𝑥̅ )= 𝜇
𝜎2
𝑉(𝑥̅ )= 𝜎 2 𝑥̅ = 𝑛
k>0
𝜇 − 𝑘𝜎𝑥̅ 𝜇 𝜇 + 𝑘𝜎𝑥̅
𝑥̅ ≤ 𝜇 − 𝑘𝜎𝑥̅ → 𝑥̅ - 𝜇 ≤ −𝑘𝜎𝑥̅
𝑥̅ ≥ 𝜇 + 𝑘𝜎𝑥̅ → 𝑥̅ - 𝜇 ≥ 𝑘𝜎𝑥̅
𝑘𝜎
|𝑥̅ − 𝜇 | ≥ 𝑘𝜎𝑥̅ =
√𝑛
𝑘 2 𝜎2
|𝑥̅ − 𝜇 |2 ≥ (𝛼)
𝑛
≥0
𝜎2
≥ (𝑥̅ − 𝜇)2 𝑔(𝑥̅ ). 𝑑 (𝑥̅ ) + (𝑥̅ − 𝜇)2 𝑔(𝑥̅ ). 𝑑(𝑥̅ )
𝑛
EE517-1453-INFERENCIA ESTADÍSTICA
𝜎2 𝑘 2 𝜎2 𝑘 2 𝜎2
≥ 𝑔(𝑥̅ ). 𝑑 (𝑥̅ ) + 𝑔(𝑥̅ ). 𝑑 (𝑥̅ )
𝑛 𝑛 𝑛
𝜎2 𝑘 2 𝜎2
≥ [ 𝑔(𝑥̅ ). 𝑑 (𝑥̅ ) + 𝑔(𝑥̅ ). 𝑑(𝑥̅ ) ]
𝑛 𝑛
1
≥ 𝑔(𝑥̅ ). 𝑑(𝑥̅ ) + 𝑔(𝑥̅ ). 𝑑(𝑥̅ )
𝑘2
𝑘𝜎 1
P( |𝑥̅ − 𝜇 | ≥ ) ≤𝑘 2
√𝑛
Sea:
𝑘𝜎 1 𝜎
𝜖= → =𝜖
√𝑛 𝑘 √𝑛
Entonces:
𝜎2
P( |𝑥̅ − 𝜇 | > 𝜖 ) ≤
𝜖2 𝑛
Tomando límite:
𝜎2
lim P( |𝑥̅ − 𝜇 | > 𝜖 ) ≤ lim =0
𝑛→∞ 𝑛→∞ 𝜖2 𝑛
{𝑥̅ } = {𝑥𝑛 }𝑃 → 𝜇
Observación
Entonces:
lim P( |𝑥𝑛 − 𝑥| ≤ 𝜖 ) = 1
𝑛→∞
𝜎2
2) Para 𝑛 suficientemente grande es muy pequeño luego existe 𝛿 >0 (tan
𝜖2 𝑛
pequeño como se quiere).
𝜎2 𝜎2
P( |𝑥̅𝑛 − 𝜇 | > 𝜖 ≤ 𝜖2 𝑛 < 𝛿 del cual se obtiene 𝑛 > 𝜖2 𝛿
EE517-1453-INFERENCIA ESTADÍSTICA
𝜎2
3) P( |𝑥̅𝑛 − 𝜇 | ≤ 𝜖) ≥ 1- >1- 𝛿
𝜖2 𝑛
𝑆1 = 𝑋1
𝑆2 = 𝑋1 + 𝑋2
𝑆3 = 𝑋1 + 𝑋2 + 𝑋3
𝑆𝑛 = 𝑋1 + 𝑋2 + 𝑋3 +………………..+𝑋𝑛
Lindeberg - Lévy demostraron que para 𝑛 →∞
𝑆𝑛 → N [𝐸(𝑆𝑛 ), 𝑉(𝑆𝑛 )]
También
𝑆𝑛 −𝐸(𝑆𝑛 )
Z= ~ N (0,1)
√𝑉(𝑆𝑛 )
Como 𝑆𝑛 = 𝑥𝑖
𝑆𝑛 𝐸(𝑆𝑛)
𝑛
− 𝑛 𝑥̅ − 𝜇
Z= = 𝜎 ~ N (0,1)
)
√𝑉(𝑆𝑛 √𝑛
𝑛
𝐸(𝑆𝑛 ) = 𝐸( 𝑥𝑖 ) = 𝑛𝐸(𝑥) = 𝑛 𝜇
𝑉(𝑆𝑛 ) = 𝑛𝜎2
EE517-1453-INFERENCIA ESTADÍSTICA
EJERCICIOS
1. El tiempo en horas que tarda una maquina en realizar un ciclo de trabajo tiene densidad:
𝑓(𝑥) = 2x 0<x<1
Calcule la probabilidad de que la maquina tarde más de 32 horas en realizar 45 ciclos
SOLUCION
W= 𝑥1 + 𝑥2 +𝑥3 +……...𝑥45
P(W>32)
P(W>32) = 1 – P(W≤32)
32−30
= 1 – P (Z≤ )
√2.5
= 1 –P (Z≤ 1.26491)
= 1 – 0.89704 = 0.10296
2. Al lanzar un dado 500 veces ganamos 10.00 por punto si sale numero par y perdemos
10.00 por punto se sale número impar. Calcule la probabilidad de ganar menos de 2300.
SOLUCION
W= 𝑥1 + 𝑥2 +𝑥3 +……...𝑥500
P(W<2300)
Dado x P(x)
1 -10 1⁄
6
2 20 1⁄
6
3 -30 1⁄
6
4 40 1⁄
6
5 -50 1⁄
6
6 60 1⁄
6
EE517-1453-INFERENCIA ESTADÍSTICA
SOLUCION:
P(X>15)
X = 𝑦1 + 𝑦2 + 𝑦3 +…….𝑦100 T.C.L.
SEMANA 3
EE517-1453-INFERENCIA ESTADÍSTICA
DISTRIBUCIONES MUESTRALES
𝑋̅ − 𝜇
Z= 𝜎 ~ N (0,1)
√𝑛
EE517-1453-INFERENCIA ESTADÍSTICA
Prueba
𝐸(𝑋̅)= 𝜇
1 1
𝐸( ) = 𝑛 𝐸( ) = 𝑛 𝐸( 𝑥1 + 𝑥2 + 𝑥3 + …𝑥𝑛 )
1
= 𝑛 [𝐸(𝑥1 ) + 𝐸(𝑥2 ) + 𝐸(𝑥3 )+. . +. 𝐸(𝑥𝑛 )]
1
= 𝑛 [𝜇 + 𝜇 + 𝜇 +. . +. 𝜇]
𝐸(𝑋̅)= 1𝑛 𝑛[𝜇] = 𝜇
1
𝑉(𝑋̅)= 𝑉( )= 𝑉( )
𝑛2
1
=𝑛2 𝑉[(𝑥1 ) + (𝑥2 ) + (𝑥3 )+. . +. (𝑥𝑛 )]
1
=𝑛2 [𝑉 (𝑥1 ) + 𝑉(𝑥2 ) + 𝑉(𝑥3 )+. . +. 𝑉(𝑥𝑛 )]
1
= (𝜎 2 + 𝜎 2 + 𝜎 2 + ⋯ … 𝜎 2 )
𝑛2
1 𝜎 2
𝑉(𝑋̅) =𝑛2 𝑛(𝜎 2 ) = 𝑛
EJEMPLOS
1.- Sea ̅
𝒙𝟓𝟎 la media de una m.a. de tamaño 50 de la V.A. X cuya función
de densidad es:
2(1-x) 0<x<1
𝑓(𝑥) =
0 en otro caso
EE517-1453-INFERENCIA ESTADÍSTICA
13 7
Calcular P (40≤𝑥̅50 ≤20)
Solución
Por el T.C.L
1 1
̅𝟓𝟎 ~ N ( ,
𝒙 )
3 18(50)
1
𝐸(𝑋̅)= 𝜇 = 3
1
𝑉(𝑋̅)= 𝜎 2 = 18
13 1 7 1
13 7 − −
40 3 20 3
P (40≤𝑥̅50 ≤20) = P ( 1
≤𝑍≤ 1
)
√18(50) √18(50)
√𝑛 √𝑛
= P (- 2 ≤ 𝑍 ≤ )
2
√𝑛
= 2P (𝑍 ≤ ) -1
2
√𝑛
2P (𝑍 ≤ ) - 1 ≥0.95
2
√𝑛
P (𝑍 ≤ ) ≥0.975
2
entonces 𝑛≥
EE517-1453-INFERENCIA ESTADÍSTICA
𝜇 = 𝐸(𝑋)= 𝑥𝑖 𝑃(𝑥𝑖 )
𝜇=4
𝐸(𝑋 2 )= 𝑥𝑖 2 𝑃(𝑥𝑖 )=21
𝜎 2 = 𝐸(𝑋 2 )- ( 𝐸(𝑋))2 = 21 – 16 = 5
𝐸(𝑋̅)= 4
𝜎 2 5
𝑉(𝑋̅)= 𝜎𝑋̅ 2 = 𝑛𝑋̅ = 36
5
̅ ~ N (4, ), por el T.C.L.
𝒙 36
𝑋̅ − 4
P (3.6 ≤𝑥̅ ≤ 4.4) = P( 3.6−5 4 ≤ 4.4− 4
5
≤ 5
)
√ √ √
36 36 36
= P( −0.4 ≤ 𝑍 ≤ 0.4) = P( ≤ 𝑍 ≤ )
=P(𝑍 ≤ ) -P(𝑍 ≤ − )
=
Si la muestra es grande (𝑛 > 30) y la varianza poblacional desconocida
entonces la varianza poblacional se estima a partir de la varianza
muestral se usa la distribución normal.
𝑥̅ − 𝜇
Z= 𝑆 ~ N (0,1)
√𝑛
EE517-1453-INFERENCIA ESTADÍSTICA
𝑥̅ − 𝜇
V.A. T = 𝑆 ~ 𝑇(𝑛−1) 𝑔𝑙
√𝑛
(𝑋𝑖 − 𝑋̅)2
(𝑥𝑖−𝑥̅ )2
𝑆2 = Varianza de COCHRAN
𝑛−1
-𝑡𝑜 𝑡𝑜
Ejemplo
1. Un fabricante de alambres de acero afirma que la fuerza promedio
requerida para romper los alambres que fabrica es de 500kgs.,
para verificar esta afirmación se toma una m.a. de 25 trozos de
este alambre y se somete a prueba obteniéndose una media de
465Kgs. Y una desviación típica de 55kgs.
Suponiendo que las fuerzas de rompimiento pueden considerarse
como valores de una V.A. que se distribuye normalmente ¿Cuál es
la probabilidad de obtener un promedio de rompimiento entre
480 y 520kgs?
SOLUCION
𝜇=500 𝑥̅ =465
𝑛= 25 s=55
P (480<𝑥̅ <520) = P (𝑥̅ <520) - P (𝑥̅ <480)
EE517-1453-INFERENCIA ESTADÍSTICA
𝑥̅ − 𝜇
T= 𝑆 𝑇(24) 𝑔𝑙
√𝑛
= 1 – P (-1.42 ≤ 𝑇 ≤1.42)
= 1 – [P(𝑇 ≤ 1.42) – P (𝑇 ≤ −1.42)]
= 1 – 𝑃(𝑇 ≤1.42) + [1 − P(𝑇 ≤ 1.42)
= 1 – 𝑃(𝑇 ≤1.42) + 1 – 𝑃(𝑇 ≤1.42)
= 2 – 2𝑃(𝑇 ≤1.42425)
= 0.24
Previamente
=39.5
𝑆 = 6.28490
EJERCICIOS
1. Sea X una V.A. con función de probabilidad
X -1 0 1 2
p(x) 0.3 0.4 0.2 0.1
3
𝑥 2 , −1 < 𝑥 < 1
𝑓(𝑥) = {2
0 , 𝑒𝑛 𝑜𝑡𝑟𝑜 𝑐𝑎𝑠𝑜
4. Se tiene
X 0 1 2
P(x) 0.5 0.4 0.1
8. Se toma una muestra aleatoria de 100 libros de una población de 500 libros cuya
desviación estándar es 𝛔 = 145 ¿Cuál es la probabilidad de que la media muestral
difiera de la media poblacional en más de 26?
EE517-1453-INFERENCIA ESTADÍSTICA
EE517-1453-INFERENCIA ESTADÍSTICA
SEMANA 4
EE517-1453-INFERENCIA ESTADÍSTICA
Entonces X ~ b (𝑛, π)
Con E(x) = 𝑛π
V(x) = 𝑛π (1- π)
Para 𝑛 → ∞ por el T.C.L.
X ~ N (𝑛π, 𝑛π (1- π))
De donde
𝑥−𝑛π
Z= ~ N (0,1)
√𝑛π−(1− π)
También:
𝑥
−π
𝑛
Z=
π(1− π)
√
𝑛
De donde
M
𝑥±0.5 −𝑛 𝑁
Z= ~N (0,1)
M 𝑀 N−n
√𝑛 (1− )( )
𝑁 𝑁 𝑁−1
EJEMPLOS
2
1. Sea 𝑥1 , 𝑥2 , 𝑥3 , … .. 𝑥32 , V.A. de Poisson distribuidos cada uno con λ=3
32
SOLUCIÓN
32
P (15< 𝑥1 <22)
32
2 64
𝑥𝑖 ~ P (64/3) 𝑛 λ = 32( 3) = 3
2. Se supone que la probabilidad de que un pasajero opte por una compañía aérea dada
para hacer un viaje es 0.5. Tomando un grupo de 400 pasajeros potenciales. Esta
compañía vende billetes a cualquiera que se lo indica, pero la capacidad de un avión es
de 230 pasajeros se pide:
b) Si existen 10 compañías aéreas que realizan el mismo viaje y cuyas condiciones son
similares a la anterior.
¿Cuál es la probabilidad de que al menos dos de ellos tengan un overbooking?
EE517-1453-INFERENCIA ESTADÍSTICA
SOLUCION
a) P (X > 230)
X: Numero de pasajeros
X ~ b (400,0.5)
=1–
= 0.00114
b) 𝑦 : Numero de compañías que tienen un overbooking
𝑦 ~ b (10,0.00114)
= 1 - [(10
0
)(0.00114)0 (1 − 0.00114)10 + (10
1
)(0.00114)1 (1 − 0.00114)9 ]
𝜎1 2 𝜎2 2
= +
𝑛1 𝑛2
̅ 1 ±𝑥̅ 2 −(𝜇1± 𝜇2 )
𝑥
Z= ~N (0,1)
𝜎1 2 𝜎 2
√ + 2
𝑛1 𝑛2
Para 𝑛1 , 𝑛2 ≥ 2
̅ 1 ±𝑥̅2 −(𝜇1± 𝜇2 )
𝑥
Z= ~N (0,1) 𝑛1 ≥ 2 , 𝑛2 ≥ 2
𝜎1 2 𝜎 2
√ + 2
𝑛1 𝑛2
OBSERVACION
1) Si las poblaciones no son normales, pero 𝑛1 𝑦 𝑛2 →∞ por el T.C.L. el
resultado es válido.
𝜎1 2 𝑁1 −𝑛1 𝜎2 2 𝑁2 −𝑛2
𝑥̅1 − 𝑥̅2 ~N [𝜇1 − 𝜇2 , ( )+ ( )]
𝑛1 𝑁1 −1 𝑛2 𝑁2 −1
̅1 −𝑥̅2 −(𝜇1 − 𝜇2 )
𝑥
Z= 2
~N (0,1)
𝜎 𝑁 −𝑛 𝜎 2 𝑁 −𝑛
√ 1 ( 1 1) + 2 ( 2 2)
𝑛1 𝑁1 −1 𝑛2 𝑁2 −1
EE517-1453-INFERENCIA ESTADÍSTICA
EJERCICIOS
MARCA A MARCA B
𝜇1 51 𝜇2 50
𝜎1 8 𝜎2 6
Si se selecciona una muestra aleatoria de 100 pilas de cada marca. ¿Cuál es la
probabilidad de que la vida útil media de la marca B sea:
SOLUCION
Población 1 Población 2
𝜇1 =51 𝜇1 =50
𝜎1 =8 𝜎2 =6
𝑛1 =100 𝑛2 =100
a) P ( 𝑥̅𝐵 − 𝑥̅𝐴 ≥ 0.6)
P (−(𝑥̅𝐴 − 𝑥̅𝐵 ≥ 0.6)
𝑥̅ 𝐴 −𝑥̅ 𝐵 −(51− 50) −0.6 −1
P( 𝑥̅𝐴 − 𝑥̅𝐵 < −0.6) = P ( < )
√ 64 + 36 √ 64 + 36
100 100 100 100
= P (Z <-1.6)
=
−0.6 −1
b) P (𝑥̅𝐵 − 𝑥̅𝐴 ≥ 0.6) = P (𝑧 ≥ )
1
= P (𝑧 ≥ −0,4 ) = 1 - P (𝑧 < −0,4 )
= 1 – 0.34458
= 0.65542
Hallando la V.A.Z.
−2 𝑥̅ 1 −𝑥̅ 2 2
P( 6 < 𝜎 < 6 ) =0.95
√𝑛 √𝑛 √𝑛
√𝑛 √𝑛
P (− <𝑧< ) = 0.95
3 3
√𝑛 √𝑛
P (𝑧 < ) - P (𝑧 < − ) = 0.95
3 3
√𝑛 √𝑛
P (𝑧 < ) - [1 − P (𝑧 < )]= 0.95
3 3
√𝑛
2 P (𝑧 < ) = 1.95
3
√𝑛
P (𝑧 < ) = 0.975
3
√𝑛
= 1.96
3
√𝑛 = 1.96(3)
√𝑛 = 5.88
𝑛 =34.57 = 35
3) La duración media de las bombillas tipo A es de 2500 horas con desviación típica
600 horas y la duración media de las bombillas tipo B es de 2300 horas con
desviación típica de 800 horas
Se toma 300 bombillas del tipo A y 200 del tipo B.
a) Calcular la probabilidad de que la duración media de las bombillas tipo A no
supere en mas de 100 horas la duración media de la del tipo B.
b) Determine un intervalo simétrico a la media en el que puede esperarse con
probabilidad 0.95 que se encuentre la diferencia de medias muestrales.
SOLUCION
𝑋𝐴 : Duración de una bombilla de tipo A
𝑋𝐴 ~ 𝑓( x, 2500, 6002) 𝑛𝐴 = 300
𝑋𝐵 : Duración de una bombilla tipo B
𝑋𝐵 ~ 𝑓( x, 2300, 8002) 𝑛𝐵 = 200
a) P (𝑥̅𝐴 − 𝑥̅𝐵 ≤ 100)
6002 8002
𝑥̅𝐴 − 𝑥̅𝐵 ~ 𝑁 (200, , )
300 200
EE517-1453-INFERENCIA ESTADÍSTICA
P( 200−𝑚−200
√4400
𝑥̅ −𝑥̅ 𝐵−200 𝑚+200−200
< 𝐴 4400
√
< √4400 ) =0.95
𝑚 𝑚
P (- 66.33249<𝑧<66.33249 ) =0.95
𝑚
2 P (𝑧<66.33249) -1 = 0.95
𝑚
2P ( 𝑧 < )= 1.95
66.33249
𝑚
P (𝑧<66.33249)= 0.975
𝑚
=1.96
66.33249
𝑚 = (1.96) ( 66.33249)
𝑚 = 130 .01168
𝑚 ≅ 130
Donde
2 2 2
𝑆 𝑆2
[1 + ]
𝑛1 𝑛2
𝑔= 2 2 –2
𝑆 2 𝑆 2
[ 𝑛1 ] [ 𝑛2 ]
1 2
+
𝑛1 +1 𝑛2 +1
2
• Con varianzas poblacionales desconocidas pero iguales (𝜎1 =𝜎2 2 )
Entonces la V.A.
Determinar la probabilidad de observar una diferencia entre medias muestrales de 0.8 o menos
si se supone que las varianzas poblacionales son desconocidas pero distintas y no hay ninguna
diferencia en el promedio verdadero en las 2 secciones
SOLUCION
𝑥̅1 = 16 𝑆1 = 1.2 𝑛1 = 12 𝜇1 = 𝜇2
𝑥̅2 = 15 𝑆2 = 1.6 𝑛2 = 15 𝑛1 + 𝑛2 ≤ 30
Con 𝜎1 2 ≠𝜎2 2 → P( |𝑥
̅1 − 𝑥
̅ 2 |≤ 0.8)
2
1.44 2.56
[ + ]
12 15
𝑔= 1.44 2 2.56 2 – 2 = 27
[ ] [ ]
12 15
+
13 16
P( |𝑥
̅1 − 𝑥
̅ 2 |≤ 0.8) = P (-0.8≤𝑥̅𝐴 − 𝑥̅𝐵 ≤0.8)
𝑇1 𝑇2
𝑋̅1=68 𝑋̅2=72
𝑆 2 =50 𝑆 2 =75
𝑛1 =12 𝑛2 =15
¿Si se supone que la variabilidad de ventas por ambas tecnicas es desconocida pero iguales,
presentan estos datos suficientes evidencias para indicar que la técnica 2 produce mejores
resultados que la técnica 1?
SOLUCIÓN
=P (−(𝜇2 − 𝜇1 ) < 0)
T P
1.058 0.85
1.29101 X Interpolando
1.316 0.90
EE517-1453-INFERENCIA ESTADÍSTICA
EJERCICIOS
1. En un estudio para comparar los pesos promedios de niños y niñas de 6to grado en una escuela
primaria se usará una muestra aleatoria de 20 niños y otra de 25 niñas. Se sabe que tanto para
niños como para niñas los pesos siguen una distribución normal. El promedio de los pesos de
todos los niños de sexto grado de esa escuela es de 100 libras y su desviación estándar es de
14.142, mientras que el promedio de los pesos de todas las niñas del sexto grado de esa escuela
es de 85 libras y su desviación estándar es de 12.247 libras. Si 𝑥̅1 ,representa el promedio de
los pesos de 20 niños y 𝑥̅2 es el promedio de los pesos de una muestra de 25 niñas, encuentre
la probabilidad de que el promedio de los pesos de los 20 niños sea al menos 20 libras mas
grande que el de las 25 niñas.
2. Uno de los principales fabricantes de televisores compra los tubos de rayos catódicos a 2
compañías, los tubos de la compañía A tienen una vida media de 7.2 años con una desviación
estándar de 0.8 años mientras que las de la B tienen una vida media de 6.7 años con una
desviación estándar de 0.7
SEMANA 4
EE517-1453-INFERENCIA ESTADÍSTICA
𝑥 1 1
𝜎 2 𝑃̅ = V(𝑃̅) = 𝑉(𝑛) =𝑛2 𝑉(𝑋) = 𝑛2 𝑛𝜋(1 − 𝜋)
𝜋(1−𝜋)
𝜎 2 𝑃̅ = 𝑛
𝜋(1−𝜋)
Donde 𝜎𝑃̅ = √
𝑛
𝜋(1 − 𝜋) 𝑁 − 𝑛)
𝜎𝑃̅ = √ ( )
𝑛 𝑁−1
EE517-1453-INFERENCIA ESTADÍSTICA
𝑦1 + 𝑦2 + 𝑦3 ….+𝑦𝑛 𝑌
̅2 =
𝑃 =
𝑛2 𝑛2
Y~b (𝑛2 , 𝜋2 )
̅ 1 − 𝑃̅ 2 tiene una distribución de
Entonces la V.A. diferencia de proporciones 𝑃
probabilidad cuyas propiedades son:
E (𝑃̅ 1 − 𝑃̅ 2 ) = 𝜇𝑃̅ 1 −𝑃̅ 2 = E (𝑃̅ 1) – E (𝑃̅ 2 )
= 𝜋1 - 𝜋2
1 1
= V (𝑥) + V (𝑦)
𝑛1 2 𝑛2 2
1 1
= 𝑛1 𝜋1 (1 − 𝜋1 ) + 𝑛2 𝜋2 (1 − 𝜋2 )
𝑛1 2 𝑛2 2
𝜋1 (1−𝜋1 ) 𝜋2 (1−𝜋2 )
V (𝑃̅ 1 − 𝑃̅ 2 ) = +
𝑛1 𝑛2
Para 𝑛1 , 𝑛2 →∞
𝜋1 (1−𝜋1 ) 𝜋2 (1−𝜋2 )
̅ 1~N( 𝜋1 ,
𝑃 ) ̅ 2 ~N( 𝜋2 ,
𝑃 )
𝑛1 𝑛2
Entonces
𝜋1 (1−𝜋1 ) 𝜋2 (1−𝜋2 )
̅ 1 − 𝑃̅ 2 ~N( 𝜋1 − 𝜋2 ,
𝑃 + )
𝑛1 𝑛2
̅ 1 −𝑃
𝑃 ̅2 −(𝜋1 −𝜋2 )
Z= ~ N (0,1)
𝜋 (1−𝜋1) 𝜋2(1−𝜋2)
√ 1 +
𝑛1 𝑛2
EJEMPLOS
0.7(0.8)
𝑃̅ ~N( 0.7, )
100
0.65−0.70 0.80−0.70
P( <𝑍< )
0.7(0.30) 0.7(0.30)
√ √
100 100
Supongamos que el 25% de varones y 30% de mujeres están familiarizados con dicho
artículo a escala nacional. Se hace una encuesta a nivel nacional sobre una muestra
aleatoria de 200 varones y 200 mujeres.
Y: # Varones
= P(Z>-1.12158) = 1 -P(Z≤-1.12158)
EE517-1453-INFERENCIA ESTADÍSTICA
SEMANA 4
EE517-1453-INFERENCIA ESTADÍSTICA
EJERCICIOS
1) Cuantas muestras aleatorias simples de tamaño 3 sin reemplazo se pueden
obtener de las siguientes poblaciones:
2) Se tiene una población de 5 obreros calificados, los cuales tienen los siguientes
ingresos por laborar horas extras a la semana 758, 618, 550, 589, 720 nuevos
soles.
a) Determine el número de muestras posibles de tamaño 3 y 4 sin reemplazo.
b) Elaborar las 2 distribuciones muestrales para cada tamaño de muestra.
c) Calcular el error estándar de las dos distribuciones.
d) Redacte sus conclusiones
3) Se sacan varias muestras de poblaciones normalmente distribuidas con medias
y varianzas como se muestra a continuación:
a. n=10 μ=30 𝜎 2 =9
b. n=15 μ=50 𝜎 2 =4
c. n=30 μ=100 𝜎 2 =100
d. n=100 μ=400 𝜎 2 =64
En cada caso determine la media y la desviación estándar de la distribución
muestral de 𝑥̅ .
4) Se define la V.A.X. como estatura de los estudiantes de matemática donde
μ=1.66m, 𝜎= 0.07m. Si se toma una m.a. de tamaño 40. Determine la
probabilidad de que la media muestral:
a) Exceda de 1.65m
b) Este entre 1.63m y 1.68m
c) Sea inferior a 1.64m
d) Sea inferior a 1.63 o superior a 1.69m
e) Cuál sería la altura mínima del 10% de los estudiantes mas altos
EE517-1453-INFERENCIA ESTADÍSTICA
EJERCICIOS
DISTRIBUCIONES MUESTRALES PARA MUESTRAS PEQUEÑAS. VARIANZA
MUESTRAL, DIFERENCIA DE MEDIAS CON VARIANZA DESCONOCIDA Y
RAZON DE DOS VARIANZAS MUESTRALES
𝑠2
2. En el problema anterior calcular P[𝜎2 < 1.4], donde S2 es la varianza de la
muestra.
𝑦1 −𝑦2
a) Demuestre que z = tiene una distribución normal estándar
√2𝜎
b) Dado el resultado del inciso a, demuestre que z 2 tiene una distribución
X2 con un grado de libertad.
5. Supongamos que un punto (X, Y), es elegido al azar de un plano XY, donde X e Y
son variables aleatorias independientes y cada una tiene una distribución normal
estándar. Si un círculo es seleccionado en el plano XY con centro en el origen.
¿Cuál es el menor radio del circulo que puede ser elegido de modo que el punto
X, Y) esté en el interior del circulo con probabilidad de 0.99?
6.
a). Sea 𝑋1 , 𝑋2 ,… 𝑋𝑛 , una muestra aleatoria simple extraída de una población con
media μ y varianza σ2
𝜎
Demostrar que: E(𝑋̅)=μ y 𝜎𝑋̅ =
√𝑛
b). Examinados los incrementos salariales de los altos ejecutivos de un amplio
grupo de empresas se observa que tiene una distribución normal de media 12.1%
y desviación típica 3.5%. Se toma una muestra aleatoria de 16 observaciones de
la población de incrementos salariales
EE517-1453-INFERENCIA ESTADÍSTICA
8. Usted desea comprar neumáticos para su flota de automóviles. Para hacer una prueba
de duración, usted compra 10 neumáticos de B.F. Goodrich y 10 de Goodyear y los
somete a pruebas. Los registros obtenidos indican que las llantas B.F. Goodrich duran
un promedio 277 millas, con una desviación estándar de 4 millas, mientras que el
promedio y varianza de las llantas Goodyear son de 280 y 19, respectivamente.
13. Sea 𝑥1 , 𝑥2 …,𝑥5 una m.a. extraída de una población N(0, 1). Determine la
constante C de modo que la variable
EE517-1453-INFERENCIA ESTADÍSTICA
𝐶(𝑥1 +𝑥2 )
V= ⁄1 , tenga distribución T-student
(𝑋32 +𝑋42+𝑋52) 2
14. Sean 𝑧1 , 𝑧2 , 𝑧3 , una m.a. extraída de una población N (0.1) y 𝑥1 , 𝑥2 , 𝑥3 , una m.a.
extraída de una población N(1,1). Suponiendo que las muestras son
2
independientes. Hallar la distribución de 3[(𝑥 − 1)2 + 𝑧 2 ] R. :𝑋(2)
15. Al someter a prueba 10 focos de linternas se obtienen las siguientes duraciones
en horas 40, 15, 23, 17, 9, 35, 26, 12, 10, 37. Se sabe, además, que los tiempos
de duración de los focos se distribuyen normalmente ¿Cuál es la probabilidad de
que la media muestral se desvíe en más de 5 de la media poblacional?
16. Se supone que la varianza de los puntajes de una prueba de aptitud es la misma
para hombres y mujeres. Una m.a. de 21 hombres y una m.a. independiente de
19 mujeres dan varianzas de 876 y 400, respectivamente. Si los puntajes para
hombres y mujeres están normalmente distribuidos y tienen varianzas iguales.
¿Cuál es la probabilidad de obtener una razón entre las varianzas tan grandes
como estos?
17. Un especialista en recreación, al estudiar el tiempo que gastan los turistas con
dos tipos de atracciones, examino una muestra de 10 turistas de cada tipo de
atracción. El tiempo medio gastado por la muestra de turista del tipo A fue de 55
minutos y por la muestra de turistas del tipo B, 49 minutos, ¿Cuál es la
probabilidad de observar una diferencia muestral tan grande como esta, si no
hay ninguna diferencia en el tiempo promedio y variabilidad verdadera gastada
por los turistas en los dos tipos de atracciones y si además la desviación estándar
es de 15 minutos para cada muestra? Suponga que los tiempos que gastan los
turistas tienen una distribución normal.
18. En una estación agrícola se deseaba ensayar el efecto de un determinado
fertilizante sobre la producción de maíz. Para ello, se eligieron 24 parcelas de
terreno de igual superficie, la mitad de ellas fueron tratados con el fertilizante y
la otra mitad (grupo control). Todas las demás condiciones fueron las mismas. La
media de maíz conseguida en las parcelas no tratadas fue de 4.8 fanegas con una
desviación estándar de 0.40 fanegas, mientras que la media en las parcelas
tratadas fue de 5.1 fanegas con una desviación estándar de 0.36 fanegas. ¿Cuál
es la probabilidad de observar una diferencia entre medias muestrales tan
grande o mas grande que la que se acaba de anotar, si se supone que las
varianzas poblacionales son desconocidas y distintas, y no hay ninguna diferencia
en el promedio verdadero de producción entre las parcelas?
19. Sean 𝑥1 , 𝑥2 variables aleatorias independientes distribuidos con 𝑥𝑛21 𝑦 𝑥𝑛22 ,
respectivamente y para dos constantes cualesquiera 𝐶1 𝑦 𝐶2 Sea X=𝐶1 𝑋1 +𝐶2 𝑋2 .
¿Bajo qué condiciones sobre las constantes C la variable aleatoria X tiene
distribución 𝑥𝑛21 También especifique r.
20. Suponga que los tiempos requeridos por un cierto autobús para alcanzar uno de
sus destinos en una ciudad grande forman una distribución normal con una
EE517-1453-INFERENCIA ESTADÍSTICA
24. El gerente de una refinería piensa modificar el proceso para producir kerosene a
partir de petróleo crudo. El gerente hará la modificación solo si el kerosene
promedio que se obtiene por este nuevo proceso (expresada como un
porcentaje de crudo) aumenta su valor con respecto al proceso en uso. Con
base en un experimento de laboratorio y mediante el empleo de dos muestras
aleatorias de tamaño 12, una para cada proceso, la cantidad de kerosene
promedio del proceso en uso es de 24.6 con una desviación estándar de 2.7. El
gerente piensa que los resultados proporcionados por los dos procesos son
variables aleatorias normalmente distribuidos con varianzas iguales. Con base en
esta evidencia. ¿Debe adoptarse el nuevo proceso?
25. Supongamos que el punto (X; Y; Z) es elegido al azar en R 3 donde X; Y; Z, son v.a.
independientes distribuidas como N (0,1), ¿Cuál es la probabilidad de que la
distancia entre el origen y el punto sea menor que 1.916?
26. Cuando el movimiento de una partícula microscópica es observado en un líquido
o un gas, es evidente que el movimiento es irregular porque la partícula
frecuentemente choca con otras partículas. El modelo de probabilidad para este
movimiento, el cual es llamado movimiento Browniano, es el siguiente:
supongamos que un sistema de coordenadas es elegido en el liquido o gas, y
supongamos además que la partícula esta en el origen de este sistema en el
tiempo t=0. Si (X; Y; Z) denota las coordenadas de la partícula en cualquier
tiempo t>0, entonces las variables aleatorias X, Y, Z, son independientes e
idénticamente distribuidas, cada una de ellas con distribución normal con media
0 y varianza 𝜎 2 𝑡. Encontrar la probabilidad de que en t = 2, la particular estará
dentro de una esfera de centro el origen de coordenadas y radio 4 σ.
EE517-1453-INFERENCIA ESTADÍSTICA
SEMANA 5
EE517-1453-INFERENCIA ESTADÍSTICA
EJERCICIOS
1. Los hombres y mujeres adultos radicados en una ciudad grande del norte difieren
en sus opiniones sobre la promulgación de la pena de muerte para personas
culpables de asesinato. Se cree que el 12% de los varones adultos están a favor
de la pena de muerte, mientras que solo el 10% de las mujeres adultas lo están.
Si se pregunta a dos muestras aleatorias de 100 varones y 100 mujeres su opinión
sobre la promulgación de la pena de muerte. Determine la probabilidad de que
el % de varones a favor sea al menos 3% mayor que el de las mujeres.
2. Se sabe que el 20% de trabajadores de lima que fueron despedidos entre 1979
y 1984, habían estado sin trabajo durante por lo menos 2 años. Dos empresas
realizan encuestas independientemente dirigido a 320 trabajadores cada uno.
¿Cuál seria la probabilidad de que los porcentajes muestrales de trabajadores sin
empleo durante por lo menos dos años obtenidos por ambas empresas difieran
en 5% o más.
EE517-1453-INFERENCIA ESTADÍSTICA
DISTRIBUCION CHICUADRADO
Definición 1:
Sea Z~ N (0,1) ∧ x=Z2, se dice que X tiene una distribución CHI-CUADRADO con un
grado de libertad y se simboliza:
2
X ~ 𝑋(1)
Definición 2:
𝑤−𝜇 2 2
X=( 𝜎
) ~ 𝑋(1)
Definición 3:
Sea 𝑤1 , 𝑤2 , 𝑤3 ……𝑤𝑛 una sucesión de v.a. distribuidas N (𝜇𝑖 , 𝜎2𝑖 ), respectivamente es
independiente, entonces.
𝑤𝑖 −𝜇𝑖 2 2
X = ∑( ) ~ 𝑋(𝑛)
𝜎𝑖
Si:
𝜇𝑖 = 𝜇 ∧ 𝜇𝑖 = 𝜇
𝑤𝑖 −𝜇 2 2
X = ∑( ) ~ 𝑋(𝑛)
𝜎
𝑥 𝑛 −𝑥2
1
F(X) = P(X≤x) = ∫0 .(𝑥 2 ) 2 −1 .𝑒 2 dx
𝜏(𝑛/2)2𝑛/2
Manejo de tabla
2
1) Si X ~ 𝑋(25) Calcular:
a) P(X≤28.2)
b) P(26.1≤X≤40.6)
c) P(X≤30)
d) P(35≤X≤50)
e) P(18.5<X<27.4)
2
2) Si X ~ 𝑋(30) Calcular “C” si:
a) P(x<c) = 0.20
b) P(x<c) = 0.25
c) P(x<c) = 0.88
TEOREMA DE COCHRAN
Sea 𝑥1 , 𝑥2 , 𝑥3 ……𝑥𝑛 , una muestra aleatoria extraída de una población N (μ, σ2),
entonces.
σ2
1) 𝑥̅ ~N (μ, )
𝑛
𝑥𝑖 −𝑥̅ 2
2) Los estadísticos 𝑥̅ y ∑( ) son independientes
𝜎2
3) El estadístico
𝑥𝑖 −𝑥̅ 2 2
∑( ) ~𝑋(𝑛−1)
𝜎2
𝑥𝑖 −𝑥̅ 2 2
∑( 2 ) ~𝑋(𝑛−1)
𝜎
EE517-1453-INFERENCIA ESTADÍSTICA
𝑛−1 (𝑛−1)𝑆 2
. =
𝜎2 𝜎2
(𝑛−1)𝑆 2 2
Luego W=
𝜎2
~𝑋(𝑛−1)
E(w)=n-1
V(w)=2(n-1)
EJEMPLO
1. Se toma una muestra aleatoria de tamaño 16 de una población normal que tiene
𝜎 2 =5. Encuentre la probabilidad de que la varianza de la muestra sea menor o igual
que 7.44
SOLUCION
(𝑥1 , 𝑥2 , 𝑥3 ……𝑥16 ) m.a. X~𝑁(μ, 5)
P(S2≤7.44) =??
(𝑛−1)𝑆 2 7.44(15)
P(S2≤7.44) = P ( 𝜎2
≤ )
5
2
=P (𝑋(15)≤22.32) ≈0.90
Solución
𝑦1 ~N (μ, σ2)
𝑦2 ~N (μ, σ2)
𝑦1 − 𝑦2 ~N (0, 2σ2)
𝑦1 −𝑦 −0
2
Luego Z= ( ) ~ N (0, 1)
√2𝜎
𝑦1 −𝑦 2
2 2
Z2= ( ) ~ 𝑋(1)
√2𝜎
2
3. Si, X~𝑋(𝑛) , Hallar n tal que P(X≥16.3) = 0.7
SOLUCIÓN
P(X<16.3) = 0.3
4. Sea (𝑦1, 𝑦2 ), una m.a. de tamaño 2 de una distribución Normal, con media μ y
varianza σ2, verifique que:
𝑦1 −𝑦2
W= , tiene distribución Normal estándar.
√2𝜎
SOLUCION
𝑦1 −𝑦2 1
E(W) = E ( )= E (𝑦1 − 𝑦2 )
√2𝜎 √2𝜎
1
= [𝐸 (𝑦1 ) − 𝐸(𝑦2 )]
√2𝜎
1
= (0) = 0
√2𝜎
𝑦1 −𝑦 1
2
V(W) = V ( )= V (𝑦1 − 𝑦2 )
√2𝜎 2𝜎2
1
= [𝑉 (𝑦1 ) + 𝑉(𝑦2 )]
2𝜎2
1 1
= (𝜎 2 + 𝜎 2 ) =2𝜎2 . 2𝜎 2 = 1
2𝜎2
EJERCICIOS
A B
X2
Se designa por A, el área sombreada de la izquierda, Se designa por B el área
sombreada de la derecha.
3. 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
S2, sea mayor que 16.4.
7.
a. Dada una distribución Normal, estandarizada, calcular el valor de T
correspondiente a un intervalo de confianza del 95% y 99%.
b. Dada un Distribucion T Student con k=1 grado de libertad, calcular el valor de T
correspondiente a un intervalo de confianza del 95% y 99%.
c. Las mismas preguntas para k=5, k=10, k=20 y k=30.
C. LECTURA DE LA TABLA F DE FISHEY-SNEDECOR.
a)𝑓0.25 ; 4,9
b) 𝑓0.05 ; 15,10
b) 𝑓0.95 ; 6,8
b) 𝑓0.90 ; 24,24
9. Si 𝑆12 , 𝑆22 son las varianzas muestrales aleatorias independientes de tamaño 𝑛1 =10 y
𝑛2 =20, tomadas de poblaciones normales que tienen las mismas varianzas, encuentre:
𝑆12
P( ≤ 2.42)
𝑠22
EE517-1453-INFERENCIA ESTADÍSTICA
DISTRIBUCION F
2 2
𝐹(𝑚,𝑛)
Característica
𝑛
E(F) = sí n >2
𝑛−2
2𝑛(𝑛+𝑚−2)
V(F) = sí n >4
𝑚(𝑛−2)2 (𝑛−4)
MANEJO DE TABLA
Si X~𝐹(10,5) Halla 𝑋0
1 - P (𝑋 ≤𝑋0 ) = 0.25
P (𝑋 ≤𝑋0 ) = 0.75
→ 𝑋0 = 1.89
iii. Si X~𝐹(11,20)
Hallar P(X ≥2 )
P(X ≥2 ) = 1 - P (𝑋 <2)
=1–
INTERPOLACION
F P
1.91 0.90
2.00 X
2.31 0.95
2 - 1.91 = X – 90
2.31 – 1.91 0.95-0.90
X=
EE517-1453-INFERENCIA ESTADÍSTICA
Hallar:
(𝑥1 +𝑥2 )2
P( < 4)
(𝑥1 −𝑥2 )2
𝑥1 ~ N (0,𝜎 2 )
𝑥2 ~ N (0,𝜎 2 )
𝑥1 + 𝑥2 ~ N (0, 2𝜎 2 )
𝑥1 − 𝑥2 ~ N (0, 2𝜎 2 )
𝑥1 −𝑥2 𝑥1 +𝑥2
~ N (0,1) ~ N (0,1)
√2𝜎2 √2𝜎
2 2
𝑥1 −𝑥2 2 𝑥1 +𝑥2 2
( ) ~ 𝑋(1) ( ) ~ 𝑋(1)
√2𝜎2 √2𝜎
2
𝑥 +𝑥 (𝑥1+𝑥2)
( 1 2 )2 (𝑥1 +𝑥2 )2
√2𝜎 2𝜎2
𝑥1−𝑥2 = 2 = ~ 𝐹(1,1)
( ) 2 (𝑥1−𝑥2) (𝑥1 −𝑥2 )2
√2𝜎
2𝜎2
P (𝐹(1,1) < 4) =
INTERPOLACION
F P
1.00 0.50
4 X
5.83 0.75
𝑠12
OBJETIVO: Conocer la distribución
𝑠22
SABEMOS
(𝑛1 −1)𝑠12 2
~ 𝑋(𝑛 1 −1)
𝜎12
(𝑛2 −1)𝑠22 2
~ 𝑋(𝑛 2 −1)
𝜎22
CONSTRUIMOS
(𝑛1−1)𝑠2
1
𝜎2
1
(𝑛2−1)𝑠2
~ 𝐹(𝑛1−1,𝑛2 −1)
2
𝜎2
2
EE517-1453-INFERENCIA ESTADÍSTICA
𝑠2
1
𝜎2
1
𝑠2
~ 𝐹(𝑛1−1,𝑛2−1)
2
𝜎2
2
𝑠12
~ 𝐹(𝑛1 −1,𝑛2−1)
𝑠22
EJEMPLO
1) La afirmación de que la varianza de una población normal es σ2 = 25, se rechazara si la
varianza de una m.a. de tamaño 16 excede 54,668 o es menor que 12.102.
¿Cuál es la probabilidad de que se rechace esta afirmación, aunque σ2 = 25?
SOLUCION
= P (RECHAZAR AFIRMACION)
1 – 0.995 + 0.05
X ~N (μ, σ2)
𝑛1 =21 𝑛2 =9
𝑠12 𝑠12
P (𝑠12 ≥ 4𝑠22 ) = P( ≥ 4) = 1 - P( < 4)
𝑠22 𝑠22
= 1 – P (𝐹(20,8) <4)
= 1 – 0.975
= 0.025
EE517-1453-INFERENCIA ESTADÍSTICA
EJERCICIOS
3) Si 𝑠12 y 𝑠22 son las varianzas de V.A.I. de una muestra aleatoria de tamaño 𝑛1 = 61 y 𝑛2 =
31 de poblaciones normales con 𝜎12 =12, 𝜎22 =18, Determine:
𝑠12
P( > 1.16).
𝑠22
EE517-1453-INFERENCIA ESTADÍSTICA
SEMANA 6
EE517-1453-INFERENCIA ESTADÍSTICA
TEORIA DE ESTIMACION
PUNTUAL. – Utilizar un solo valor de (𝜃̂) para aproximar el valor del parámetro.
INTERVALOS DE CONFIANZA
Esto es la estimación que incluye un intervalo de valores posibles en la que se considera
que está comprendido el valor verdadero del parámetro de la población
EJEMPLOS
1) De una misma m.a. se obtiene 𝑝̂ =0.90 sea, 𝑝̂ : proporción de ingresantes por
2da opción a la carrera de matemática.
Se trata de una Estimación Puntual pero no sabemos que tan preciso es este
resultado.
2) De una m.a. se encontró que la verdadera proporción oscila entre <0.90,0.94>
con un nivel de confianza del 95%.
No toda función de la muestra es un buen estimador del parámetro, un buen
estimador es aquel que está más cerca del parámetro que se estima.
Para que un estimador puntual sea bueno debe tener ciertas propiedades.
EJEMPLOS
Probar
(𝑛−1)𝜎2
E(S2) = E[(𝑛−1)𝜎2 ]
(𝑛−1)𝑆2 .𝜎2
= E[ ]
𝜎2 .(𝑛−1)
𝜎2 (𝑛−1)𝑆 2 𝜎2 2
= (𝑛−1). E[ ]= .E(𝑋𝑛−1 )
𝜎2 (𝑛−1)
𝜎2
E(S2) = (𝑛−1) . (𝑛 − 1)
E(S2) = 𝜎 2
Por lo tanto, S2 es un estimador Insesgado de 𝜎 2
(𝑛−1) (𝑛−1)
E (𝜎̂ 2 ) = E [ ]=E[ ]
(𝑛−1) 𝑛
(𝑛−1) (𝑛−1)
= 𝑛
E(S2) = 𝑛
𝜎2
𝑛−1
E (𝜎̂ 2 ) = 𝜎2
𝑛
𝜎 2 = E(X2) – [𝐸(𝑥)]2
E(X2) = 𝜎 2 + μ2
E(T) = E{𝐶 [(𝑥1 − 𝑥2 )2 + (𝑥3 − 𝑥4 )2 +(𝑥5 − 𝑥6 )2 + (𝑥7 − 𝑥8 )2 ]}
EE517-1453-INFERENCIA ESTADÍSTICA
C{𝐸 [𝑥1 2 + 𝑥2 2 + 𝑥3 2 + 𝑥4 2 + 𝑥5 2 + 𝑥6 2 + 𝑥7 2 + 𝑥8 2 ] −
2[𝑥1 𝑥2 + 𝑥3 𝑥4 + 𝑥5 𝑥6 + 𝑥7 𝑥8 ]}
= C{[𝜎 2 + μ2 + 𝜎 2 + μ2 + 𝜎 2 + μ2 + 𝜎 2 + μ2 + 𝜎 2 + μ2 +
𝜎 2 + μ2 + 𝜎 2 + μ2 + 𝜎 2 + μ2 ] − 2(μ2 + μ2 + μ2 + μ2 )}
= C{[8𝜎 2 + 8μ2 ] − 2(4μ2 )}= c{8𝜎 2 }
𝜎 2 = 8c𝜎 2
C= 1/8
ESTIMADOR ASINTOTICAMENTE INSESGADO
lim 𝐸(𝜃̂) = θ
𝑛→∞
∑𝑥
Sea T= 𝑛+3𝑖
1
V(𝜃̂) = 𝜕𝑙𝑛𝑓(𝑥,𝜃) 2
𝑛𝐸[ ]
𝜕𝜃
1
V(𝜃̂) = 𝜕𝑙𝑛𝑓(𝑥,𝜃) 2
𝑛𝐸[ ]
𝜕𝜃
𝑥 2 𝑥−λ 2
E(−1 + ) = E( )
λ λ
1 1 2
= 2.E(𝑥 − λ)2 = 2.E(𝑥 2 − 2𝑥λ + λ )
λ λ
1 2
= [E(𝑥 2 ) − 2 λ E(x) + E(λ )]
λ2
1 2 2 1
= [λ + λ − 2λ λ + λ ] = (λ)
λ2 λ2
1
=
λ
1 𝜆
V(𝜃̂)= 1 =𝑛
𝑛( )
λ
𝜆
Como V(𝑋̅) =
𝑛
CONSISTENCIA
Sean, 𝜃̂1, 𝜃̂2 , 𝜃̂3 , 𝜃̂4 ,……. 𝜃̂𝑛 una sucesión de estimadores de θ donde 𝜃̂1 es un
estimador obtenido de una m.a. de tamaño 1, 𝜃̂2 es un estimador obtenido de un m.a.
de tamaño 2, 𝜃̂𝑛 es un estimador obtenido de una m.a. de tamaño n. Se dice que 𝜃̂𝑛 es
un estimador consistente de θ si ∀ ϵ>0 se verifica que:
̂𝑛 − θ| < ϵ]=1
lim 𝑃[|𝜃
𝑛→∞
En forma practica
EE517-1453-INFERENCIA ESTADÍSTICA
i) lim 𝐸(𝜃̂𝑛 ) = θ
𝑛→∞
ii) lim 𝑉(𝜃̂𝑛 ) = 0
𝑛→∞
EE517-1453-INFERENCIA ESTADÍSTICA
EJEMPLO
Pruebe si 𝑥̅𝑛 es un estimador consistente de μ de la población es normal.
∑ 𝑥𝑖
𝑥̅𝑛 = 𝑥̅ = 𝑛
lim 𝐸(𝑥̅𝑛 ) = μ
𝑛→∞
𝜎2
lim 𝑉(𝑥̅𝑛 ) = lim =0
𝑛→∞ 𝑛→∞ 𝑛
i) lim 𝐸(𝑆 2 ) = 𝜎 2
𝑛→∞
(𝑛−1)𝑆 2 𝜎2
ii) lim 𝑉(𝑆 2 )= lim 𝑉( . 𝑛−1)
𝑛→∞ 𝑛→∞ 𝜎2
2 𝜎2
= lim 𝑉(𝑋𝑛−1 . )
𝑛→∞ 𝑛−1
𝜎4 2
= lim ( )V(𝑋𝑛−1 )
𝑛→∞ (𝑛−1)2
𝜎4
= lim ( )2(n-1)
𝑛→∞ (𝑛−1)2
2𝜎4
= lim ( ) =0
𝑛→∞ 𝑛−1
Este método nos proporciona como estimador de Máxima verosimilitud (EMV) a aquel que
haga máxima la probabilidad de ocurrencia de la muestra.
FUNCION DE VEROSIMILITUD
Sea (𝑥1 , 𝑥2 , 𝑥3 , … . . 𝑥𝑛 ,) una m.a. extraída de una población con densidad 𝑓(𝑥, 𝜃) y
(𝑥1 , 𝑥2 , 𝑥3 , … . . 𝑥𝑛 ,) un conjunto de observaciones.
EJEMPLOS
= ∏3𝑖=1 𝑝(𝑥𝑖 , λ)
𝑒 −λ .λ𝑥𝑖
= ∏3𝑖=1
𝑥𝑖 !
𝑒 −3λ.λ𝑥1+𝑥2 +𝑥3
=
𝑥1 !𝑥2 !𝑥3 !
Igualando a cero
(𝑥1 +𝑥2 +𝑥3 )
-3 + =0
λ
(𝑥 +𝑥 +𝑥 )
λ̂ = 1 2 3
λ
λ̂ = 𝑥̅
2++0+5
λ̂ = = 7/3
3
SOLUCION
L (π) = ∏50
𝑖=50(π(1 − π))
𝑥𝑖
50
L (π) = π50 (1 − π)∑𝑖=1 𝑥𝑖
Igualando a cero
50 Σ𝑥𝑖
– = 0
π 1−π
50 Σ𝑥𝑖
=
π 1−π
1−π ∑50 𝑥
= 𝑖=1 𝑖
π 50
1 ∑50 𝑥
-1= 𝑖=1 𝑖
π 50
1
-1 = 𝑥̅
π
1
= 𝑥̅ +1
π
1
= 𝜋̂
𝑥̅ +1
1 1
B) 𝜋̂ = ̅̅̅̅̅
100 =
+1 3
50
Solución
𝑛 𝑛
Igualando a cero - Σ𝑥𝑖 𝛼 =0 → = Σ𝑥𝑖 𝛼
θ θ
𝑛
θ̂ =
Σ𝑥𝑖 𝛼
EE517-1453-INFERENCIA ESTADÍSTICA
EJERCICIOS
Determine el estimador de Máxima Verosimilitud de las siguientes distribuciones
|𝑥−𝜇|
1
1) 𝑓(𝑥) = 𝑒− 𝑏 del Parámetro b
2𝑏
𝑥2
−
𝑥.𝑒 2𝛿2
2) 𝑓(𝑥, 𝛿)=
𝛿2
𝑥
𝑥
3) 𝑓(𝑥) = . 𝑒 −𝜃 Si x>0 𝜃 > 0
𝜃2
𝜆𝛼 𝑥 𝛼−1 𝑒 −𝜆𝑥
4) 𝑓(𝑥, 𝛼, 𝜆)= con respecto a α, dado una muestra aleatoria de n elementos
𝜆𝛼
EE517-1453-INFERENCIA ESTADÍSTICA
SEMANA 7
EE517-1453-INFERENCIA ESTADÍSTICA
METODO DE MOMENTOS
Suponga que X es una V.A. continua con función de densidad 𝑓(𝑥1 𝜃1, 𝜃2 , 𝜃3 , 𝜃4 , … 𝜃𝑘 , )
ó una V.A. discreta con distribución de probabilidad p (𝑥1 𝜃1 , 𝜃2 , 𝜃3 , 𝜃4 , … 𝜃𝑘 )
caracterizado por k parámetros desconocidos sea 𝑥1 , 𝑥2 , 𝑥3 ,.. 𝑥𝑛 una m.a. de tamaño n
de X Los primeros K momentos muestrales alrededor
1
𝑀r0 =𝑛 ∑𝑛𝑖=1 𝑥𝑖 r 𝑟 = 1,2,3, … … k
𝑇r0 =E (𝑋 r )
El método de los momentos consiste en igualar los momentos muestrales y momentos
poblacionales obtenido K ecuaciones simultáneamente con K parámetros desconocidos
SOLUCION
𝑇20 = E(X2) = 𝜎 2 + μ2
μ
̂ = 𝑥̅
EE517-1453-INFERENCIA ESTADÍSTICA
1
E(X2) = 𝑛 Σ𝑥𝑖 2
1
𝜎 2 + μ2 = 𝑛 Σ𝑥𝑖 2
1
𝜎 2 =𝑛 Σ𝑥𝑖 2 - μ2
1
̅2
𝜎 2 = 𝑛 Σ𝑥𝑖 2 - 𝑥
1
̅2]
𝜎 2 = 𝑛 [ 𝛴𝑥𝑖 2 − 𝑛𝑥
1
̅ 2 − 𝑛𝑥
𝜎 2 = 𝑛 [ 𝛴𝑥𝑖 2 + 𝑛𝑥 ̅ 2 − 𝑛𝑥
̅2]
1
̅ 2 + 𝑛𝑥
𝜎 2 = 𝑛 [ 𝛴𝑥𝑖 2 − 2𝑛𝑥 ̅ 2]
1
𝜎 2 = 𝑛 [ 𝛴𝑥𝑖 2 − 2𝑥
̅ ̅2]
𝑥𝑖 + 𝑥
1
𝜎2 = 𝑛 [𝑥𝑖 2 − 2𝑥 ̅ 2]
̅ 𝑥𝑖 + 𝑥
1
𝜎 2 = 𝑛( )
𝜎̂ 2 = S2
El estimador por el método de Momentos de la media poblacional es la
media muestral y el estimador por el método de momentos de la Varianza
poblacional es la Varianza Muestral
Luego 𝑀10 = 𝑥̅
1
Igualando 𝑥̅ = E(x) =
𝜃
1
= 𝑥̅
𝜃
1
𝜃̂ = 𝑥̅
2(𝜃−𝑥)
𝑓(𝑥, 𝜃)= 0<x< 𝜃
𝜃2
0 otro caso
EE517-1453-INFERENCIA ESTADÍSTICA
𝑀10 = 𝑥̅
𝜃 2𝑥(𝜃−𝑥) 𝜃
E(x) = ∫0 dx = 3
𝜃2
EJERCICIOS
1) Dado una m.a. de tamaño “n” para una población uniforme en el intervalo
[−𝛼, 𝛼]. Determinar por el método de momentos el estimador de α
2) Sea la V.A. cuya función de probabilidad es:
𝜃
x≥1
𝑥 𝜃+1
𝑓(𝑥) =
0 en otro caso
1
1 − ( )𝜃 x>1
𝑥
𝑓(𝑥) =
0 en otro caso
En regresión
Y = α + BX + ε Modelo
𝑌̂ = α ̂X
̂+B
EE517-1453-INFERENCIA ESTADÍSTICA
Σ 𝜀𝑖 2 = Σ( 𝑦𝑖 − 𝑦̂𝑖 )2
̂𝑥̂𝑖 ) 2
= Σ( 𝑦𝑖 − 𝛼 − B
̂ yα
Se deriva con respecto a B ̂ y se iguala a cero.
̂𝑥̂𝑖 )(- 𝑥𝑖 )=0
Σ2(𝑦𝑖 − 𝛼 − B
̂𝑥𝑖 2 )=0
−2 Σ(𝑥𝑖 𝑦𝑖 − 𝛼̂𝑥𝑖−B
̂Σ𝑥̂𝑖 2 =0
Σ𝑥𝑖 𝑦𝑖 - 𝛼̂ Σ𝑥𝑖 − B
̂Σ𝑥𝑖 2
Σ𝑥𝑖 𝑦𝑖 = 𝛼̂ Σ𝑥𝑖 + B Ecuación Normal
̂𝑥̅
𝛼̂ = 𝑦̅ - B
EJERCICIO
1) Dado y=𝛼0 + 𝛼1 𝑥1 + 𝛼2 𝑥2 + ε Modelo
Estimar los parámetros (𝛼 ̂,
0 𝛼
̂,
1 𝛼
̂),
2 por el método de mínimos
cuadrados
TRABAJO PRACTICO
INTERVALO DE CONFIANZA
P[𝐿1 ≤ 𝜃 ≤ 𝐿2 ] = 1 - α ̂)
𝑓(𝜃
1−𝛼
𝐿1 𝐿2
La precisión de un estimador insesgado se mide con el error estándar del estimador esto es
cuando menor es el error estándar del 𝜃̂ mayor es la precisión del estimador.
CANTIDAD PIVOTAL
Sea 𝑥1 , 𝑥2 , 𝑥3 ,……... 𝑥𝑛 una m.a. extraída de una población con función de densidad
𝑓(𝑥, 𝜃) y sea:
Q= q (𝑥1 , 𝑥2 , 𝑥3 ,……... 𝑥𝑛 ; 𝜃) una función de 𝑥1 , 𝑥2 , 𝑥3 ,……, 𝑥𝑛 y 𝜃
Si la distribución de 𝜃 𝒏𝒐 𝒅𝒆𝒑𝒆𝒏𝒅𝒆 𝒅𝒆 𝜽 entonces es definido como cantidad Pivotal.
EJEMPLOS
= E(𝑥̅ ) - E(μ)
=μ–μ =0
E(𝑄1 )= 0
V(𝑄1 )= (𝑥̅ – μ)
𝑥̅ – μ μ–μ
𝐸(𝑄2 ) = E( 𝜎 )= 𝜎 )=0
√𝑛 √𝑛
𝑥̅ – μ 1 𝜎2
𝑉(𝑄2 ) = V( 𝜎 )= 𝜎2
[ + 0]
𝑛
√𝑛 𝑛
𝜎2
𝑛
= 𝜎2
=1
𝑛
𝑄2 ~ N (0,1 )
Por lo tanto 𝑄2 es una cantidad Pivotal porque no depende de μ
x̅
c.) 𝑄3 =
μ
x̅ E(x̅) μ
E(Q 3 ) = E( ) = ) = =1
μ E(μ) μ
x̅ 1 1 𝜎2
V(Q 3 ) = V( ) = V(x̅) = .
μ μ2 μ2 𝑛
1 25
= .
μ2 𝑛
25
V(Q 3 ) =
μ2 𝑛
Sea Q=q (𝑥1 , 𝑥2 , 𝑥3 ,……... 𝑥𝑛 ; 𝜃) una cantidad pivotal con densidad 𝑓(Q)
𝑓(𝑄)
1−𝛼
𝑄
𝑞1 𝑞2
𝑥̅ – μ
Q= 𝜎 ~ N (0,1)
√𝑛
𝑓(𝑄)~N (0,1)
1−𝛼
−𝑍𝛼 0 𝑍𝛼=𝑍1−𝛼
2 2 2
P(−𝑍𝛼<Q<𝑍𝛼) = 1 − 𝛼
2 2
𝑥̅ – μ
P(−𝑍𝛼< 𝜎 <𝑍𝛼) = 1 − 𝛼
2 2
√𝑛
𝜎 𝜎
P(−𝑍𝛼 . 𝑛<𝑥̅ – μ<𝑍𝛼 ) =1−𝛼
2 √ 2 √𝑛
𝜎 𝜎
P(−𝑥̅ −𝑍𝛼 . < – μ<−𝑥̅ + 𝑍𝛼 )=1−𝛼
2 √𝑛 2 √𝑛
𝜎 𝜎
P(𝑥̅ −𝑍𝛼 . < μ<𝑥̅ + 𝑍𝛼 )=1−𝛼
2 √𝑛 2 √𝑛
𝑇1 𝑇2
𝜎
μ ∈ <𝑥̅ ± 𝑍𝛼 . 𝑛> con un nivel de confianza (1 − 𝛼 )
2 √
1−𝛼
−𝑇𝛼 0 𝑇𝛼
2 2
EE517-1453-INFERENCIA ESTADÍSTICA
𝑥̅ – μ
P(−𝑇𝛼< 𝑆 <𝑇𝛼) = 1 − 𝛼
2 2
√𝑛
𝑆 𝑆
P(𝑥
̅ − 𝑇𝛼 < μ<𝑥̅ + 𝑇𝛼 )=1−𝛼
2 √𝑛 2 √𝑛
𝑆
El I.C. para μ con un nivel de confianza <𝑥̅ ± 𝑇𝛼 . >
2 √𝑛
TAREA
Obtener los I.C. para μ cuando la población es finita
SOLUCION
𝑁−𝑛
Cuando el muestreo es sin reemplazo en poblaciones FINITAS se usa el factor de corrección
𝑁−1
entonces:
𝜎 𝑁−𝑛 𝜎 𝑁−𝑛
<𝑥
̅ − 𝑍𝛼 √ , 𝑥̅ + 𝑍𝛼 √ > Si se desconoce 𝜎 y n >30 se puede usar la
2 √𝑛 𝑁−1 2 √𝑛 𝑁−1
desviación estándar muestral (S)
𝑆 𝑁−𝑛 𝑆 𝑁−𝑛
<𝑥
̅ − 𝑍𝛼 √ , 𝑥̅ + 𝑍𝛼 √ >
2 √𝑛 𝑁−1 2 √𝑛 𝑁−1
NOTA
CASO I
𝜎
L= 2𝑍𝛼
2 √𝑛
E = |𝜃̂ − 𝜃|
Para la media |𝑥
̅ − 𝜇|
𝐸
𝐿1 𝑥̅ 𝜇 𝐿2
EE517-1453-INFERENCIA ESTADÍSTICA
De donde
𝑍𝛼 2 .𝜎2 𝑍𝛼 2.𝜎2 𝑁
2 2
𝑛= 𝑛=
𝐸2 𝑍𝛼 2 .𝜎2 +𝐸 2(𝑁−1)
2
𝑍𝛼 𝜎
2 𝜎 𝑁−𝑛
Error de Estimación no sea mayor que un valor dado E donde E≥ E= 𝑍𝛼 √
√𝑛 2 √𝑛 𝑁−1
EJEMPLOS
1) Una m.a. de 400 pequeños comerciantes indicó que la media de los ingresos mensuales
era 800 u.m. Estime la media de lo población que consiste de los ingresos de todos los
pequeños comerciantes mediante un I.C. del 95% asuma que la desviación estándar de
esa población es 200 U.M.
Solución
𝑥̅ = 800
1 − 𝛼 = 0.95
𝛼 = 0.05
−𝑍𝛼 𝑍𝛼
2 2
𝛼
P (Z≤𝑍0 )= 1 -
2
0.05
=1-
2
= 0.975
𝑍0 = 1.96
𝜎
μ ∈ <𝑥̅ ± 𝑍𝛼 . 𝑛>
2 √
𝜎 𝜎
𝑥̅ − 𝑍𝛼 . 𝑥̅ + 𝑍𝛼 .
2 √𝑛 2 √𝑛
200 200
800-1.96 800+1.96
√400 √400
n=100
N= 500 P (940 ≤ 𝜇 ≤ 1060)= 1 - α
𝜎 𝑁−𝑛
𝑥̅ = 1000 1060 = 𝑥̅ + 𝑍1−𝛼 √
2 √𝑛 𝑁−1
300 400
σ = 300 1060 = 1000 + 𝑍1−𝛼 √
2 10 499
60 =𝑍1−𝛼 (26.859687)
2
60
𝑍1−𝛼 = = 2.2338309
2 26.859687
𝑍1−𝛼≅ 2.23
2
Viendo la tabla
𝛼
1 - = 0.98713
2
𝛼
= 0.01287
2
𝛼 = 0.02574
3) Construir un I.C. del 98% de confianza para la media de la población. A partir de una
muestra de tamaño 64 extraída de una población con σ= 10, la media muestral resultó
𝑥̅ = 48.5
1 – α = 0.98
1-α
α = 0.02
α
= 0.01
2
α
−𝑍0 𝑍0 P(𝑍 ≤𝑍0) = 1 - = 1 – 0.01 = 0.99
2
P(𝑍 ≤𝑍0) = 0.99
𝑍0 = 2.326 ≈ 2.33
𝜎 (2.326)(10)
𝑥̅ - 𝑍0 = 48.5 -
√𝑛 8
𝜎
= 48.5 – 2.9075 𝑥̅ + 𝑍0
√𝑛
(2.326)(10)
= 45.5925 48.5 + 8
= 48.5 + 2.9075 = 51.4075
Por tanto, μ ∈ <45.5925,51.4075> con N.C. del 98%.
EE517-1453-INFERENCIA ESTADÍSTICA
4) Al tomar una m.a. de 50 focos se registró la vida útil de C/U de ellos en una tabla de
frecuencias con 6 intervalos.
𝑋𝑚𝑖𝑛 = 400 𝑋𝑚á𝑥 =2200
Además 𝑓1 =12 𝐹2 =12 ℎ3 =0.18 𝐹4 =46 𝑓6 =1
SEMANA 9
EE517-1453-INFERENCIA ESTADÍSTICA
(𝑛−1)𝑠 2 2
Q= ~ 𝑋(𝑛−1)
𝜎2
2
𝑓(𝑄)~ 𝑋𝑛−1
P(𝑋𝛼2 <Q<𝑋1−
2
𝛼) = 1 − 𝛼
2 2
(𝑛−1)𝑠2
P(𝑋𝛼2 < 𝜎2
2
<𝑋1− 𝛼) ) = 1 − 𝛼
2 2
1 𝜎2 1
P( < < )=1−𝛼
𝑋2 𝛼 (𝑛−1)𝑠2 𝑋2𝛼
1− 2 2
(𝑛−1)𝑠2 (𝑛−1)𝑠2
P( 2 <𝜎 2 < )=1−𝛼
𝑋 𝛼 𝑋2𝛼
1− 2 2
𝑓(𝑄)
𝐹𝛼 𝐹1−𝛼
2 2
EE517-1453-INFERENCIA ESTADÍSTICA
P(𝐹𝛼 <Q<𝐹1−𝛼) = 1 − 𝛼
2 2
𝑠2
1
𝜎2
1
P(𝐹 𝛼< 2
𝑠2
<𝐹1−𝛼) ) = 1 − 𝛼
2 2
𝜎2
2
𝑠 2 𝜎2
P(𝐹𝛼 <𝑠12 𝜎22<𝐹1−𝛼) = 1 − 𝛼
2 2 1 2
1 𝜎12 𝑠22 1
P(𝐹 < < )= 1 − 𝛼
𝛼 𝜎22 𝑠12 𝐹𝛼
1−
2 2
𝑠12 1 𝜎2 1 𝑠12
P( < 12 < )= 1 − 𝛼
𝑠22 𝐹 𝛼 𝜎2 𝐹𝛼 𝑠22
1−
2 2
𝜎2
I.C. para 𝜎12 al nivel (1 −𝛼)
2
𝑠12 2
< . 𝐹 1 𝛼, 𝑠𝑠12 𝐹1𝛼>
𝑠22
1− 2
2 2
Ejemplos
1) Los siguientes datos representan los tiempos de duración de las películas que
producen dos compañías cinematográficas.
Compañía Tiempo en minutos
I 103, 94, 110, 87, 98
II 118,97,82,123,92,175,88
Construya un I.C. al 90% para la razón de varianzas
¿Se puede afirmar que la variabilidad de las duraciones de las películas son iguales?
SOLUCION
𝑠12 = 76.3 𝑛1 =5
0.05
𝑠22 = 1035.90 𝑛2 =7 0.05
0.90
𝐹0,05,4,6 𝐹0,05,4,6
76.3 1 76.3 1
<1035(90) . 4,53, 1035(90) . 0.162>
𝜎12
∈ <0.0126,0.45167> Al N.C. del 90%
𝜎22
̅̅̅
𝑥1̅−𝑥
̅̅̅2̅−(𝜇1 −𝜇2 )
P(-𝑍𝛼 < < 𝑍𝛼 )= 1 – α
2 𝜎2 𝜎2 2
√ 1+ 2
𝑛1 𝑛2
Resultando
𝜎2 𝜎2
𝑥2 ± 𝑍𝛼 √𝑛1 + 𝑛2 >
̅̅̅1 − ̅̅̅
<𝑥
2 1 2
Resultando
𝑠12 𝑠22
<𝑥 𝑥2 ± 𝑍𝛼 √
̅̅̅1 − ̅̅̅ + >
2 𝑛1 𝑛2
EE517-1453-INFERENCIA ESTADÍSTICA
̅̅̅
𝑥1̅−𝑥
̅̅̅2̅−(𝜇1 −𝜇2)
Sea Q= 1 1
~ 𝑇 (𝑛1 +𝑛2 −2)
√𝑆𝑃2 (𝑛 +𝑛 )
1 2
I.C. para 𝜇1 − 𝜇2
̅̅̅
𝑥1̅−𝑥
̅̅̅2̅−(𝜇1 −𝜇2)
P(-𝑇𝛼 < 1 1
<𝑇𝛼 )= 1 - α
2 √𝑆𝑃2 (𝑛 +𝑛 ) 2
1 2
1 1
𝑥2 ± 𝑇𝛼 √𝑆𝑃2 (𝑛 + 𝑛 )>
̅̅̅1 − ̅̅̅
<𝑥
2 1 2
Donde:
(𝑛1 −1)𝑆12+(𝑛2−1)𝑆22
𝑆𝑃2 =
𝑛1 +𝑛2−2
𝑆2 𝑆 2
( 1 + 2 )2
𝑛1 𝑛 2
Donde 𝑔= 𝑆2 𝑆2
-2
( )2 ( 2 )2
1
𝑛1 𝑛2
( + )
𝑛1 +1 𝑛2 +1
𝑆2 𝑆2
𝑥2 ± 𝑇𝛼,𝑔 √𝑛1 + 𝑛2 )>
̅̅̅1 − ̅̅̅
I.C. es <𝑥
2 1 2
EJEMPLOS
Una m.a. de tamaño 36 es seleccionada de una población N (𝜇1 ,9), donde 𝑥̅1 = 70,
otra muestra de tamaño 25 es seleccionada de otra población N (𝜇2 , 16), donde
𝑥̅2 =60, construir un intervalo de confianza para 𝜇1 − 𝜇2 con 96% de confianza:
SOLUCION
𝑛1 = 36 𝑛2 = 25
𝑥̅1 = 70 𝑥̅2 =60
𝛼
= 0.02
2
P(Z≤𝑍1−𝛼) = 0.98
2
−𝑍1−𝛼 𝑍1−𝛼
2 2
𝜎2 1 𝜎2
2
̅̅̅1 − ̅̅̅
<𝑥 𝑥2 ± 𝑍1−𝛼 ,𝜎̅̅̅ ̅̅̅2̅ >
𝑥1̅−𝑥 𝜎̅̅̅ ̅̅̅2̅ =√𝑛 + 𝑛
𝑥1̅−𝑥
2 1 2
9 16
70 – 60 ± (2.054) (0.9434) = √36 + 25
𝑥1 = 50.1
̅̅̅ 𝑥2
̅̅̅=52.9
𝑆1 = 4.8 𝑆2 = 5.4
EE517-1453-INFERENCIA ESTADÍSTICA
SEMANA 10
EE517-1453-INFERENCIA ESTADÍSTICA
I.C. para π
P(−𝑧𝛼 <Q<𝑧𝛼 ) = 1 − 𝛼
2 2
𝑃̅−π
P(−𝑧𝛼 < < 𝑧𝛼 ) ) = 1 − 𝛼
2 π(1−π) 2
√
𝑛
π(1−π) π(1−π)
P(𝑃̅−𝑧𝛼 √ 𝑛 <π<𝑃̅ +𝑧𝛼 √ 𝑛 ) = 1 − 𝛼
2 2
𝑃(1−𝑃) ̅ ̅
I.C. para π <𝑃̅±𝑧𝛼 √ >
2 𝑛
I.C.
I.C. para 𝜋1 − 𝜋2
̅ ( ̅ ) ̅ ( ̅ )
< 𝑃̅1 − 𝑃̅2 ± 𝑧𝛼 √𝑃1 1−𝑃 𝑃2 1−𝑃2
𝑛
1
+ 𝑛
> al N.C. de 1 - α
2 1 2
̅( ̅)
ℒ = 2 𝑧𝛼 √𝑃 1−𝑃
𝑛 2
Tamaño de muestra
4𝑧𝛼 2 𝑃̅ (1−𝑃̅ )
2
n= ℒ2
Error Máximo
EE517-1453-INFERENCIA ESTADÍSTICA
𝑃̅ (1−𝑃̅)
𝐸0 = 𝑧𝛼 √
2 𝑛
Cuando 𝑃̅ =0.5, n alcanzará su valor máximo para el caso de Población Finita (N).
̅( ̅)
< 𝑃̅ ± 𝑧𝛼 √𝑃 1−𝑃 𝑁−𝑛
𝑛
√
𝑁−1
>
2
EJEMPLOS
1) En una determinada población se toma una muestra al azar de 256 personas.
De esta muestra el 20% de las personas llevan gafas graduadas y el resto no.
Calcular I.C. aproximadamente para la proporción poblacional de las personas
que llevan gafas graduales a un nivel de confianza del 95%.
n=256
( )
< 0.2 ± 1.96√0.2 256
1−0.2
𝑃̅=0.20 >
b) De que tamaño debe ser la muestra si en una encuesta previa se estima en 0.30 la
proporción de analfabetos.
0.3(0.7)
n= (2.33)2 = 712.54 ≈ 713
0.042
3) Una compañía Tabacalera afirma que sus cigarrillos marcan A se venden mas
que sus cigarrillos marca B
Si se encuentra que 45 de 200 fumadores prefieren los cigarrillos marca A y 21
de 150 fumadores prefieren B. Calcule I.C. al 97% para la diferencia entre las
proporciones de ventas de las dos marcas de cigarrillo.
45 21
𝑃̅𝐴 = 200 = 0.225 𝑃̅𝐵 = 150 = 0.14
1 − 𝛼 = 0.97
𝛼 = 0.03
45 45 21 21
𝛼 (1− ) (1− )
= 0,015 (𝑃̅𝐴-𝑃̅𝐵 ± 2.17√200 200200 + 150 150150 )
2
𝛼 0.225(0.775) 0.14(0.86)
1 − 2 = 0.985 (0.225-0.14 ± 2.17√ + )
200 150
𝑧1−𝛼
2
P(𝑍 ≤ 𝑧0.985)=2.17
EE517-1453-INFERENCIA ESTADÍSTICA
10
EE517-1453-INFERENCIA ESTADÍSTICA
EJERCICIOS
∑16 2
𝑖=1 𝑥𝑖 𝑛
= 249 (𝑛−1) 𝑥̅ 2 = 240
𝑛−1
Calcule
EJERCICIOS
SEMANA 11
EE517-1453-INFERENCIA ESTADÍSTICA
INTRODUCCION
El objetivo de este tema es exponer los métodos estadísticos básicos que se aplican para
tomar decisiones sobre la conjetura que se hace acerca del valor numérico del
parámetro de una población en estudio y que es sometida a comprobación experimental
con el propósito de determinar si los resultados de una muestra aleatoria extraída de
esa población contradicen o no en forma significativa tal afirmación.
HIPOTESIS ESTADISTICA
Se denomina hipótesis estadística a cualquier afirmación o conjetura que se hace acerca
de la distribución de una o más poblaciones. La afirmación o conjetura se puede referirse
bien a la forma o tipo de distribución de probabilidad de la población o bien referirse
al valor o valores de uno o más parámetros de la distribución conocida su forma.
REGIÓN DE ACEPTACION
EE517-1453-INFERENCIA ESTADÍSTICA
Es la región que contiene los valores para los cuales no se rechaza la hipótesis nula.
DECISION
Si el valor del estadígrafo cae dentro de la región de rechazo entonces se rechaza la
hipótesis nula.
PROCEDIMIENTO PARA REALIZAR UNA PRUEBA DE HIPÓTESIS
El procedimiento que se recomienda utilizar para pruebas de hipótesis con
parámetro θ se resume en los siguientes pasos:
PASO 1
Formular la hipótesis nula 𝐻𝑜 y la Hipótesis alternativa 𝐻1 apropiada:
PASO 2
Seleccionar α = nivel de significación generalmente 5% 1%
PASO 3
Establecer el estadígrafo apropiado a usar en la prueba y hallar el valor del estadígrafo
PASO 4
Establecer la región crítica y de aceptación para el estadígrafo. Recuerde que la región
critica debe ser construida en base al valor significante fijada.
PASO 5
Tomar la decisión de rechazar la hipótesis 𝐻0 si el valor del estadístico de Prueba está
en la región crítica. En caso contrario no se rechaza 𝐻0 .
R.A
R.A
Estadísticos de prueba
𝑥̅ −μ𝑜 𝑥̅ −μ𝑜
Z= 𝜎 ~N(0,1) Z= 𝑆 ~N(0,1)
√𝑛 √𝑛
𝑥̅ −𝜇
T= 𝑆 ~𝑇(𝑛−1)𝑔𝑙 n≤30
√𝑛
SE USA Z
1) Si la muestra es grande varianza poblacional conocida o desconocida y población
normal o no.
2) Muestra pequeña, varianza poblacional conocida y población normal.
SE USA T
Si la muestra es pequeña, varianza poblacional desconocida y población normal.
EJEMPLOS
1) En una muestra de 19 adolescentes que sirvieron de sujetos en un estudio
inmunológico una variable de interés fue el diámetro de reacción de la piel a una
prueba con un antígeno. La media muestral y la desviación estándar fue
respectivamente 21 y 11 mm de eritema ¿Puede concluir a partir de estos datos
que la media de la población es 30?
SOLUCION
𝐻𝑜 : μ = 30
𝐻1 : μ ≠ 30
α=0.05
Estadísticos de prueba
𝑥̅ −μ 21−30
T= 𝑆 ~𝑇(𝑛−1) → T= 11 = - 3.56637
√𝑛 √19
𝑅𝑅 𝑇 𝑇1−𝑅𝑅
𝛼
−2.101 =2.101
2
EE517-1453-INFERENCIA ESTADÍSTICA
Por tanto, se debe rechazar 𝐻0 . Finalmente, con un riesgo del 5% se concluye que el
diámetro de reacción de la piel a una prueba es diferente a 30mm.
2) Una muestra de 35 estudiantes del 1er año tuvo una calificación media de 77 en
una prueba efectuada para medir su actitud. La desviación estándar de la
muestra fue de 10. ¿Proporcionan estos datos evidencia suficiente como para
indicar, a un nivel de significación 0,01 que la media de la población es menor
que 80?
Sea X: Puntaje obtenido en la prueba de actitud
𝐻𝑜 : μ = 80
𝐻1 : μ < 80
𝛼=0.01
n=35 𝑥̅ = 77 S=10
0.01
REGION DE ACEPTACION
= -2.32
𝑥̅ − μ
𝑍= ~𝑁(0,1)
𝑆
√𝑛
77−80 3
𝑍= 10 =- = -1.77482
1.69031
√35
DECISION
EJERCICIOS
1) El promedio de nicotina que tienen los cigarros de cierta marca es igual a 11mg. Se sabe
que la distribución de la cantidad de nicotina es normal con desviación estándar igual a
0.5mg. El creador de un nuevo procedimiento de fabricación asegura que su
procedimiento disminuye el promedio de 11mg. Al nivel de significancia de 0.05 ¿Se
puede decir que el nuevo procedimiento disminuye el promedio de nicotina?
EE517-1453-INFERENCIA ESTADÍSTICA
EE517-1453-INFERENCIA ESTADÍSTICA
EE517-1453-INFERENCIA ESTADÍSTICA
Casi 1
PRUEBA UNILATERAL HACIA LA DERECHA
𝐻0 : 𝜎 2 ≤𝜎02
𝐻1 : 𝜎 2 >𝜎02
𝑅𝐴 2
𝑋1−𝛼 𝑅𝑅
Nivel de significancia α
Estadístico de Contraste
(𝒏−𝟏)𝑺𝟐 2
~ 𝑋𝑛−1
𝝈𝟐
(𝒏−𝟏)𝑺𝟐
𝑋2= V = 𝜎02
Regla de Decisión
2
Si 𝑋 2 = V >𝑋1−𝛼 → Rechazar 𝐻0
2
Si 𝑋 2 = V ≤𝑋1−𝛼 → No Rechazar 𝐻0
Casi 2
PRUEBA UNILATERAL HACIA LA IZQUIERDA
𝐻0 : 𝜎 2 ≥𝜎02
𝐻1 : 𝜎 2 <𝜎02 𝛼
𝑅𝑅 𝑅𝐴
𝑋𝛼2
EE517-1453-INFERENCIA ESTADÍSTICA
Nivel de significancia α
Estadístico de Contraste
(𝒏−𝟏)𝑺𝟐 2
~ 𝑋𝑛−1
𝝈𝟐
(𝒏−𝟏)𝑺𝟐
𝑋2= V = 𝜎02
Regla de Decisión
Si 𝑋 2 = V <𝑋𝛼2 → Rechazar 𝐻0
Si V ≥𝑋𝛼2 → No Rechazar 𝐻0
Casi 3
PRUEBA BILATERAL
𝐻0 : 𝜎 2 =𝜎02
𝜶
𝐻1 : 𝜎 2 ≠𝜎02 𝟐 𝜶
𝟐
𝑅𝑅 2 𝑅𝐴 2 𝑅𝑅
𝑋𝛼 𝑋1−𝛼
2 2
Nivel de significancia α
Valor Experimental
(𝒏−𝟏)𝑺𝟐
𝑋2= V = 𝜎02
Regla de Decisión
Si V <𝑋𝛼2 o 2
V >𝑋1−𝛼 → Rechazar 𝐻0
2 2
Si 𝑋𝛼2 ≤V o 2
V≤𝑋1−𝛼 → No Rechazar 𝐻0
2 2
EE517-1453-INFERENCIA ESTADÍSTICA
Sea 𝑥1 , 𝑥2 , 𝑥3 ,…… 𝑥𝑛1 una m.a. extraída de una población N (𝜇1 , 𝜎12 ). Y 𝑦1, 𝑦2 , 𝑦3 ,…… 𝑦𝑛2
una m.a. extraída de una población N (𝜇2 , 𝜎22 ). Ambas poblaciones independientes
Casi 1
PRUEBA UNILATERAL HACIA LA DERECHA
𝐻0 : 𝜎12 ≤𝜎22
𝐻1 : 𝜎12 >𝜎22
𝑅𝐴 𝑅𝑅
𝐹1−𝛼,(𝑛1−1,𝑛2 −1)
Nivel de significancia α
Estadístico de Contraste
𝑺𝟐𝟏
⁄ 2
𝜎1
𝑺𝟐𝟐
~ 𝑭(𝑛1−1,𝑛2 −1)
⁄ 2
𝜎2
Valor Experimental
𝑺𝟐
F= V = 𝑺𝟏𝟐
𝟐
Regla de Decisión
Si V >𝐹1−𝛼 → Rechazar 𝐻0
Si V ≤𝐹1−𝛼 → No Rechazar 𝐻0
Casi 2
PRUEBA UNILATERAL HACIA LA IZQUIERDA
𝐻0 : 𝜎12 ≥𝜎22
𝐻1 : 𝜎12 <𝜎22 𝛼
𝑅𝑅 𝑅𝐴
𝐹𝛼,(𝑛1−1,𝑛2 −1)
Nivel de significancia α
EE517-1453-INFERENCIA ESTADÍSTICA
Valor Experimental
𝑺𝟐
V = 𝑺𝟏𝟐
𝟐
Regla de Decisión
Si V <𝐹𝛼 → Rechazar 𝐻0
Si V ≥𝐹𝛼 → No Rechazar 𝐻0
Casi 3
PRUEBA BILATERAL
𝐻0 : 𝜎12 =𝜎22
𝐻1 : 𝜎12 ≠𝜎22 𝜶
𝟐 𝜶
𝟐
𝑅𝑅 𝑅𝐴 𝑅𝑅
𝐹𝛼 𝐹1−𝛼
2 2
Nivel de significancia α
𝑺𝟐
V = 𝑺𝟏𝟐
𝟐
Regla de Decisión
Si 𝐹𝛼 ≤ V ≤ 𝐹1−𝛼 → No Rechazar 𝐻0
2 2
EE517-1453-INFERENCIA ESTADÍSTICA
EJEMPLOS
1) En un proceso de fabricación se plantea la hipótesis que la desviación
Estándar de las longitudes de cierto tipo de tornillo es 2mm. En una muestra
de diez tornillos elegidos al azar del proceso de producción se obtuvo una
desviación estándar de 2.60mm. Con estos datos ¿Se justifica la suposición
que la desviación estándar verdadera es 2mm?
Usar α=0.05 y suponga que la distribución de las longitudes es normal.
Solución
𝐻0 : 𝜎 2 =4
𝐻1 : 𝜎 2 ≠4
𝜶
α=0.05 𝟐 𝜶
𝟐
𝐸𝑆𝑇𝐴𝐷𝐼𝑆𝑇𝐼𝐶𝑂 𝑅𝑅 𝑅𝐴 𝑅𝑅
(𝒏−𝟏)𝑺𝟐 2 𝑋𝛼2 =2.70 2
𝑋1−𝛼 = 19.02
~ 𝑋𝑛−1 2 2
𝝈𝟐
(𝟗)(𝟐.𝟔𝟎)𝟐
V= = 15.21
𝟐𝟐
2
𝑋0.025,9 = 2.70
2
𝑋0.975,9 = 19.02
Decisión el valor 15.21 no pertenece a la región critica, por lo que no se debe
rechazar 𝐻0 . Finalmente, se concluye que la varianza de la población es igual
a 4 a un nivel de significancia del 5%.
2) Un biólogo cree que la varianza de vida de cierto organismo al ser expuesto
a cierto agente mortal es a lo mas 625 minutos al cuadrado. Una muestra
aleatoria de 15 organismos dio una varianza de 1225 ¿Proporcionan estos
datos evidencia suficiente como para concluir la investigación del biólogo
acerca de que la variabilidad es incorrecta?
𝐻0 : 𝜎 2 ≤625
𝐻1 : 𝜎 2 >625
α=0.05
𝑅𝐴
2 𝑅𝑅
ESTADÍSTICO
𝑋0.95,4= 23.7
(𝒏−𝟏)𝑺𝟐 2
~ 𝑋𝑛−1
𝝈𝟐
(𝟏𝟒)(𝟏𝟐𝟐𝟓)
V= = 27.44
𝟔𝟐𝟓
Decisión. El valor 27.44 pertenece a la región critica por lo que se debe rechazar 𝐻0 , Finalmente
los datos proporcionados por el biólogo acerca de la variabilidad son incorrecta con un riesgo del 5%
EE517-1453-INFERENCIA ESTADÍSTICA
Solución
𝑅𝐴 𝑅𝑅
𝐹0.99,(24,11)=4.02
𝑺𝟐𝟏 𝟑𝟔
F= = =4
𝑺𝟐𝟐 𝟗
Muestra X
51, 42, 49, 55, 46, 63, 56, 38, 47, 39, 47
Muestra Y
38, 49, 45, 29, 31, 35
Si el porcentaje de desgaste sigue un modelo normal.
Niños: 𝑠1 = 6.3 𝑛1 = 25
Niñas: 𝑠2 = 3.9 𝑛2 = 10
α=0.05
EE517-1453-INFERENCIA ESTADÍSTICA
SEMANA 12
EE517-1453-INFERENCIA ESTADÍSTICA
Caso 1
Poblaciones independientes y varianzas conocidas
Prueba unilateral hacia la derecha
𝐻0 : 𝜇1 ≤𝜇2 ⋁ 𝐻0 : 𝜇1 − 𝜇2 ≤ 𝛿
𝐻1 : 𝜇1 >𝜇2 𝐻1 : 𝜇1 − 𝜇2 > 𝛿
Nivel de significancia α 𝑅𝐴 𝑍𝛼 𝑅𝑅
Estadístico de Contraste
̅ ̅𝟐−(𝜇1 −𝜇2 )
𝒙𝟏 −𝒙
~ 𝑁(0,1)
𝝈𝟐 𝝈𝟐
√ 𝟏+ 𝟐
𝒏𝟏 𝒏𝟐
Valor Experimental
̅𝟏 −𝒙
𝒙 ̅𝟐−(𝛿)
V0 =
𝝈 𝟐𝝈 𝟐
√ 𝟏+ 𝟐
𝒏𝟏 𝒏𝟐
Regla de Decisión
Si 𝑉0 >𝑍𝛼 → Rechazar 𝐻0
Si V ≤𝑍𝛼 → No Rechazar 𝐻0
𝐻0 : 𝜇1 ≥𝜇2 ⋁ 𝜇1 − 𝜇2≥ 𝛿
𝐻1 : 𝜇1 <𝜇2 ⋁ 𝜇1 − 𝜇2 < 𝛿 𝛼
𝑅𝑅 𝑅𝐴
𝑍𝛼
Nivel de significancia α
Estadístico de Contraste
EE517-1453-INFERENCIA ESTADÍSTICA
̅𝟏 −𝒙
𝒙 ̅𝟐−(𝜇1 −𝜇2 )
~ 𝑁(0,1)
𝝈𝟐 𝝈𝟐
√ 𝟏+ 𝟐
𝒏𝟏 𝒏𝟐
Valor Experimental
̅𝟏 −𝒙
𝒙 ̅𝟐−(𝛿)
V0 =
𝝈𝟐 𝝈 𝟐
√ 𝟏+ 𝟐
𝒏𝟏 𝒏𝟐
Regla de Decisión
Si 𝑉0 <𝑍𝛼 → Rechazar 𝐻0
Si V ≥𝑍𝛼 → No Rechazar 𝐻0
PRUEBA BILATERAL
𝐻0 : 𝜇1 =𝜇2
𝐻1 : 𝜇1 ≠𝜇2 𝛼
𝛼
𝑅𝑅
𝑅𝑅 −𝑍𝛼 𝑅𝐴 𝑍𝛼
- 2 2
-
-
Regla de Decisión
Caso 2
Poblaciones independientes y varianzas desconocida 𝑛1 + 𝑛2 >30
Prueba unilateral hacia la derecha
𝐻0 : 𝜇1 ≤𝜇2 ⋁ 𝐻0 : 𝜇1 − 𝜇2 ≤ 𝛿
𝐻1 : 𝜇1 >𝜇2 𝐻1 : 𝜇1 − 𝜇2 > 𝛿
Nivel de significancia α 𝑅𝐴 𝑍𝛼 𝑅𝑅
Estadístico de Contraste
EE517-1453-INFERENCIA ESTADÍSTICA
̅𝟏 −𝒙
𝒙 ̅𝟐−(𝜇1 −𝜇2 )
~ 𝑁(0,1)
𝒔 𝟐
𝒔 𝟐
√ 𝟏+ 𝟐
𝒏𝟏 𝒏𝟐
Valor Experimental
̅𝟏 −𝒙
𝒙 ̅𝟐−(𝛿)
V0 =
𝒔 𝒔 𝟐 𝟐
√ 𝟏+ 𝟐
𝒏𝟏 𝒏𝟐
Regla de Decisión
Si 𝑉0 >𝑍𝛼 → Rechazar 𝐻0
Si V ≤𝑍𝛼 → No Rechazar 𝐻0
𝐻0 : 𝜇1 ≥𝜇2 ⋁ 𝜇1 − 𝜇2≥ 𝛿
𝐻1 : 𝜇1 <𝜇2 ⋁ 𝜇1 − 𝜇2 < 𝛿 𝛼
𝑅𝑅 𝑅𝐴
𝑍𝛼
Nivel de significancia α
Estadístico de Contraste
̅𝟏 −𝒙
𝒙 ̅𝟐−(𝜇1 −𝜇2 )
~ 𝑁(0,1)
𝒔𝟐
𝟏 𝒔𝟐
𝟐
√ +
𝒏𝟏 𝒏𝟐
Valor Experimental
̅𝟏 −𝒙
𝒙 ̅𝟐−(𝛿)
V0 =
𝒔 𝒔 𝟐 𝟐
√ 𝟏+ 𝟐
𝒏𝟏 𝒏𝟐
Regla de Decisión
Si 𝑉0 <𝑍𝛼 → Rechazar 𝐻0
Si V ≥𝑍𝛼 → No Rechazar 𝐻0
EE517-1453-INFERENCIA ESTADÍSTICA
PRUEBA BILATERAL
𝐻0 : 𝜇1 =𝜇2
𝐻1 : 𝜇1 ≠𝜇2 𝛼
𝛼
𝑅𝑅
𝑅𝑅 −𝑍𝛼 𝑅𝐴 𝑍𝛼
- 2 2
-
-
Regla de Decisión
Caso 3
Poblaciones independientes y varianzas desconocidas 𝑛1 + 𝑛2 ≤30
Prueba unilateral hacia la derecha
𝐻0 : 𝜇1 ≤𝜇2 ⋁ 𝐻0 : 𝜇1 − 𝜇2 ≤ 𝛿
𝐻1 : 𝜇1 >𝜇2 𝐻1 : 𝜇1 − 𝜇2 > 𝛿
Nivel de significancia α 𝑅𝐴 𝑇𝛼,(𝑛1𝑅𝑅
+𝑛2 −2)
𝑅𝐴 𝑅𝑅
Regla de Decisión 𝑇𝛼(𝑔)
Si 𝑉0 >𝑇𝛼 → Rechazar 𝐻0
Si 𝑉0 ≤𝑇𝛼 → No Rechazar 𝐻0
EE517-1453-INFERENCIA ESTADÍSTICA
X ~ b (n, π)
Para n →∞
π(1−π)
𝑃̅ ~ N (π, 𝑛 )
Valor Experimental
𝑃̅−(π0 ) 𝑃̅−(π0 )
V0 = ⋁
π (1−π0 ) π (1−π0 ) 𝑁−𝑛
√ 0 √ 0 ( )
𝑛 𝑛 𝑁−1
Regla de Decisión
Si 𝑉0 >𝑍𝛼 → Rechazar 𝐻0
Si 𝑉0 ≤𝑍𝛼 → No Rechazar 𝐻0
CONTRASTE UNILATERAL HACIA LA IZQUIERDA
𝐻0 : 𝜋≥𝜋0
𝐻1 : 𝜋<𝜋0
Nivel de significancia α
Estadístico de Contraste
𝑃̅−(π)
~ 𝑁(0,1)
√
π(1−π) −𝑍𝛼
𝑛
Valor Experimental
𝑃̅−(π0 ) 𝑃̅−(π0 )
V0 = ⋁ Regla de Decisión
π (1−π0 ) π (1−π0 ) 𝑁−𝑛
√ 0 √ 0 ( )
𝑛 𝑛 𝑁−1
Si 𝑉0 <−𝑍𝛼 → Rechazar 𝐻0
Si 𝑉0 ≥−𝑍𝛼 → No Rechazar 𝐻0
EE517-1453-INFERENCIA ESTADÍSTICA
CONTRASTE BILATERAL
𝐻0 : 𝜋=𝜋0
𝐻1 : 𝜋≠𝜋0
Nivel de significancia α
𝛼
Estadístico de Contraste 𝛼
𝑃̅−(π) 𝑅𝑅 𝑅𝐴 𝑍𝛼 𝑅𝑅
~ 𝑁(0,1) 𝑍𝛼
π(1−π) 2 2
√
𝑛
Valor Experimental
𝑃̅−(π0 ) 𝑃̅−(π0 )
V0 = ⋁ Regla de Decisión
π (1−π0 ) π (1−π0 ) 𝑁−𝑛
√ 0 √ 0 ( )
𝑛 𝑛 𝑁−1
Si |𝑉 |>𝑍𝛼 → Rechazar 𝐻0
2
Si |𝑉 |≤𝑍𝛼 → No Rechazar 𝐻0
2
𝑍𝛼
EE517-1453-INFERENCIA ESTADÍSTICA
PRUEBA BILATERAL
𝐻0 : 𝜋1=𝜋2
𝐻1 : 𝜋1≠𝜋2
−𝑍𝛼 𝑍𝛼
2 2
Estadístico de Contraste
𝑃̅1 − 𝑃̅2 −(𝜋1−𝜋2 )
Z= 𝜋 (1−𝜋 ) 𝜋 (1−𝜋 )
√ 1𝑛 1+ 2𝑛 2
1 2
Valor Experimental
𝑃̅1 − 𝑃̅2
V= 𝑃 (1−𝑃 ) 𝑃 (1−𝑃 )
√ 𝑐𝑛 𝑐+ 𝑐𝑛 𝑐
1 2
𝑋 +𝑋
𝑃𝑐 = 𝑛1 +𝑛2
1 2
EJEMPLOS
1) Un candidato afirma que tiene apoyo del 65% de los electores de su distrito ¿Qué
conclusión podemos obtener si en una m.a. de 500 electores 245 expresaron su
preferencia por él? α=0.01
Solución:
n=500 𝐻0 : 𝜋=0.65
x= 245 𝐻1 : 𝜋≠0.65
245
𝑃̅=500 = 0.49 𝑅. 𝐴
𝑃̅−(π0 )
𝑅. 𝑅 −𝑍𝛼 𝑍𝛼 𝑅. 𝑅
2 2
π (1−π0 )
√ 0
𝑛
−2.57571 2.57571
0.49−(0.65 ) −0.16
Z=
0.65(0.35)
= 0.021330
√
500
Z= - 7.50117
EE517-1453-INFERENCIA ESTADÍSTICA
Se rechaza 𝐻0 si
|𝑧| >𝑧𝑐 𝑧 >𝑧𝑐 ∨ 𝑧 < −𝑧𝑐
-7.50117< -2.575
Se rechaza 𝐻0 al N.S. del 1%. Es decir, se concluye que el candidato no tiene el
65% de electores a su favor al 1% de nivel de significancia.
2) Una encuesta de opinión publica se consulta a 400 varones y 600 mujeres acerca
de un proyecto municipal. El 70% de los varones y el 75%de las mujeres
expresaron su aprobación al proyecto utilizando α= 0.05
¿Puede concluirse que la diferencia observada es significativa?
Solución
𝐻0 : 𝜋1=𝜋2
𝐻1 : 𝜋1≠𝜋2
𝛼 𝛼
α= 0.05
2 𝑅𝐴 2
𝑃̅1=0.70
𝑃𝐶 = 0.73 −1.96 1.96
𝑃̅2=0.75
0.70−(0.75 )
V= 1 1
= -1 .74475
√(0.73)(0.27)( + )
400 600
EJERCICIOS
1) Un analista financiero está interesado en comparar los niveles de
rendimiento en puntos porcentuales, de dos empresas de sectores
diferentes 1 y 2. El sabe que las tasas de rendimiento de cada una de
estas empresas tienen una distribución normal. Selecciono al azar 16
acciones de cada una de las empresas y observó las tasas de
rendimiento. Las tasas de rendimiento dieron las medias 45 y 38 y las
varianzas 128 y 64 respectivamente para las empresas 1 y 2 al nivel
de significación 1%
a. ¿Son diferentes las dos varianzas poblacionales de las tasas de
rendimiento?
b. ¿Es la tasa de rendimiento promedio de la empresa 1 mayor
que la de la empresa 2?
2) Dos profesores enseñan a dos secciones A y B el mismo curso de
Estadística. Para comparar los promedios en las calificaciones
obtenidas con los dos profesores, se escogieron dos muestras
aleatorias independientes de 9 notas de A y 8 notas de B dando los
siguientes resultados:
GRUPO A : 02-18-10-20-17-05-12-16-11
GRUPO B : 12-16-09-16-12-13-11-10