Documentos de Académico
Documentos de Profesional
Documentos de Cultura
Tema6 Diapositivas InferGrandes
Tema6 Diapositivas InferGrandes
¿ 𝜇?
Estimación ‘puntual’
Analista 2
Analista 1
𝑥ҧ1 = 173
𝑥ҧ2 = 175
ESTADÍSTICA BÁSICA www.edbudep.com
4
• Vamos a suponer el caso de dos
analistas diferentes.
•
• El segundo toma una muestra muy
El valor numérico de la estimación no permite saber en qué medida es
más o menos precisa. grande, de n=500
1 1 𝑛
• ത =
Precisión 𝑋 = 𝜎2/𝑛 = 𝜎2
ത
𝑉𝑎𝑟(𝑋)
Analista 1
𝑥ҧ1 = 173
𝑥ҧ2 = 175
ESTADÍSTICA BÁSICA www.edbudep.com
5
1. Intervalos de confianza para μ con muestras grandes
• A partir de las estimaciones, vamos a construir unos intervalos, que llamaremos intervalos de confianza.
• Estos intervalos son un rango de valores entre los que, a partir de la muestra, se piensa puede estar el
valor del parámetro.
𝑛1 = 10
𝑠Ƹ1 = 5 𝑛2 = 500
𝑥ҧ1 = 173 𝑠Ƹ2 = 4.7
𝑥ҧ2 = 175
𝜇 ∈ 𝜇Ƹ inferior ; 𝜇Ƹ superior
• Estos intervalos son un rango de valores entre los que, a partir de la muestra, se piensa puede estar el valor del
parámetro
Intervalo del analista 1
• Después de tomar la muestra, seguimos sin
saber exactamente el valor de 𝜇 pues , en
general, 𝑥ҧ ≠ 𝜇.
𝑛1 = 10
𝑠Ƹ1 = 5 • Pero con la información
𝑛 = 500de la muestra
𝑥ҧ1 = 173 podemos decir con𝑠Ƹ1“mucha
= 4.7 confianza” que
la media poblacional es175
𝑥ҧ1 = un número que
está entre 170 y 176.
Intervalo de confianza
170 3 173 3
176 Estimación por intervalos
ESTADÍSTICA BÁSICA www.edbudep.com
7
1. Intervalos de confianza para μ con muestras grandes
• A partir de las estimaciones, vamos a construir unos intervalos, que llamaremos intervalos de confianza
• Estos intervalos son un rango de valores entre los que, a partir de la muestra, se piensa puede estar el
valor del parámetro
Intervalo del analista 2
𝑛2 = 500
𝑛1 = 10 • La estimación con más datos tiene más 𝑠Ƹ2 = 4.7
𝑠Ƹ1 = 5 información de la población. 𝑥ҧ2 = 175
• Reduce más nuestra incertidumbre sobre
𝑥ҧ1 = 173
el valor del parámetro.
• Y por eso, el intervalo es más estrecho.
𝑋
• Estimaremos 𝜇 con 𝑋ത
𝑋1 + 𝑋2 + ⋯ + 𝑋𝑛
𝑋ത =
𝑛
𝜎2
𝑋ത ∼ 𝑁 𝜇 ;
𝑛
𝑋1 + 𝑋2 + ⋯ + 𝑋𝑛
𝑋ത =
𝑛
𝜎2
𝑋ത ∼ 𝑁 𝜇 ;
𝑛
𝑋ത − 𝜇
𝑍=𝜎
ൗ 𝑛
𝐸 𝑋ത = 𝜇
ESTADÍSTICA BÁSICA www.edbudep.com
12
En la distribución Z vamos a separar un área 𝛼Τ2 a cada lado. Esta separación la vamos a usar en muchas de
las explicaciones, por lo que debemos entender la notación que vamos a usar.
Z ~ N(0,1)
𝑋ത − 𝜇
𝑍=𝜎
ൗ 𝑛
1−𝛼
𝛼ൗ 𝛼ൗ
2 2
0
-4 -3 -2 -1 0 1 2 3 4
−𝑧𝛼Τ2 𝑧𝛼Τ2
𝑧1−𝛼Τ2
𝛼
2
= 0.025 0.95 𝛼
= 0.025
2
-4 -3 -2 -1 0 1 2 3 4
𝜶 = 𝟎. 𝟏𝟎
𝛼 0.90 𝛼
= 0.05 = 0.05
2 2
-4 -3 -2 -1 0 1 2 3 4
𝜎 𝜎
𝜇 ∈ 𝑋ത − 𝑧𝛼Τ2 ത
; 𝑋 + 𝑧𝛼Τ2
𝑛 𝑛
Al cambiar la muestra, cambian los límites del
intervalo.
𝜇 ∈ 𝜇Ƹ inferior ; 𝜇Ƹ superior El 1 − 𝛼 100% de los intervalos contiene a 𝜇
𝜎
𝐼𝐶 1 − 𝛼 : 𝜇 ∈ 𝑋ത ± 𝑧𝛼Τ2
𝑛
m
muestra 1
• Nosotros sólo tendremos una muestra, y un intervalo.
x1
muestra 2 • No sabemos si nuestro intervalo es de los que
x2
contiene o no a 𝜇.
muestra 3
x3 • Como el 95% de las muestras sí lo contiene, decimos
muestra 4 que tenemos una confianza del 95% en que nuestra
x4
muestra 5
muestra sí lo contenga.
x5 • Decimos entonces que nuestro intervalo tiene una
muestra 6 confianza del 95%.
x6
muestra 7
x7
𝜎 = 10
(a)
𝜎
𝐼𝐶 1 − 𝛼 : 𝜇 ∈ 𝑋ത ± 𝑧𝛼Τ2
𝑛
𝑛 = 144
1 − 𝛼 = 0.95 = 95% 𝑥ҧ = 160
¿ 𝑧0.025 ?
(a) 𝜎 10
𝐼𝐶 1 − 𝛼 : 𝜇 ∈ 𝑋ത ± 𝑧𝛼Τ2 = 160 ± 1.96
𝑛 12
= 160 ± 1.6 = 158.4 ; 161.6
𝐼𝐶 1 − 𝛼 : 𝜇 ∈ 158.4 ; 161.6
Antes de tomar la muestra no sabíamos qué valor tomaba la media poblacional, nuestra incertidumbre era
‘total’. Después de analizar la muestra, nuestra incertidumbre ha disminuido, y tenemos una confianza del 95%
de que la media es un número comprendido entre 158.4 y 161.6. El intervalo tiene una amplitud de 3.2.
Diferentes muestras de n=144 de esta población darán diferentes intervalos de nivel 95%, al tener
ത El 95% de los intervalos contendrá a la media poblacional. Tenemos un 95% de
diferente 𝑋.
confianza de que nuestro intervalo sea uno de ellos y contenga a 𝜇.
ESTADÍSTICA BÁSICA www.edbudep.com
19
Ejemplo Con muestra aleatoria extraída de una población con 𝜎² = 100 de n=144 observaciones se
tiene una media muestral 𝑥ҧ = 160. se pide:
(a) Calcular un intervalo de confianza del 95% para μ.
(b) Calcular un intervalo de confianza del 90% para μ.
(b) 𝜎 10
𝐼𝐶 0.90 : 𝜇 ∈ 𝑋ത ± 𝑧0.05 = 160 ± 𝑧0.05
𝑛 12
10
= 160 ± 1.645 = 160 ± 1.37 = (158.6 ; 161.4)
12
El intervalo es más estrecho que antes. Su amplitud es de 2.74 y el del 95% era de 3.2.
Si con la misma información (los mismos datos) vamos a tener menos confianza en que el intervalo va a tener al
parámetro, es porque va a ser más estrecho que antes. Es más fácil que el parámetro esté fuera.
En este caso, un intervalo más estrecho no es porque tengamos menos incertidumbre, sino porque lo queremos
de menos confianza. La incertidumbre es la misma porque la información que tenemos es la misma.
1
4
5
Desviación
estándar
conocida= 𝜎 2
𝜎
𝐼𝐶 1 − 𝛼 : 𝜇 ∈ 𝑋ത ± 𝑧𝛼Τ2
𝑛
𝐿
𝝈
Margen de error 𝑳= 𝒛𝜶/𝟐
𝒏
• Dado un nivel de confianza, a mayor margen de error mayor es la incertidumbre que tenemos
sobre el verdadero valor de la media.
𝜎
𝐼𝐶 1 − 𝛼 : 𝜇 ∈ 𝑋ത ± 𝑧𝛼Τ2
𝑛
𝐿
𝝈
Margen de error 𝑳= 𝒛𝜶/𝟐
𝒏
Amplitud o ancho del intervalo: 𝟐 × 𝑳
• Dado un nivel de confianza, a mayor margen de error (o amplitud del intervalo) mayor
es la incertidumbre que tenemos sobre el verdadero valor de la media.
𝜎ො
𝐼𝐶 1 − 𝛼 : 𝜇 ∈ 𝑋ത ± 𝑧𝛼Τ2
𝑛
𝑆መ
𝐼𝐶 1 − 𝛼 : 𝜇 ∈ 𝑋ത ± 𝑧𝛼Τ2
𝑛
• Por tanto, estos intervalos de confianza que usan 𝑆መ sólo son válidos si la muestra es grande
(intervalos asintóticos).
• Si la muestra fuese pequeña, es posible que no tengan el nivel de confianza que estamos pensando.
𝑆መ
𝐼𝐶 1 − 𝛼 : 𝜇 ∈ 𝑋ത ± 𝑧𝛼Τ2
𝑛
Ejemplo Se mide la duración de 200 componentes electrónicos hasta su avería. De esos 200 datos se tiene
que la media muestral es 1300 horas y la cuasivarianza es 10.000 (horas al cuadrado). Calcula un
intervalo de confianza de μ de nivel de confianza 95%
X = 1300
Sˆ 2 = 10.000 10000
n = 200 𝜇 ∈ 1300 ± 1.96 𝜇 ∈ [1286; 1314]
200
a = 0.05
z0.025 = 1.96
𝑆መ
𝐼𝐶 1 − 𝛼 : 𝜇 ∈ 𝑋ത ± 𝑧𝛼Τ2
𝑛
4
Desviación
5
estándar
conocida= 𝜎
Como no la
tenemos
pero la
muestra es 2
grande,
usamos 𝑠Ƹ
𝑆መ
𝐼𝐶 1 − 𝛼 : 𝜇 ∈ 𝑋ത ± 𝑧𝛼Τ2
𝑛
𝐿=Margen de error
𝜇 ∈ (𝑋ത ± 𝐿) 2 × 𝐿=amplitud o ancho del intervalo
𝜎 𝑧𝛼Τ2 𝜎 2
𝐿 = 𝑧𝛼Τ2 ⇒𝑛=
𝑛 𝐿
Función techo 4.01 = 5
ESTADÍSTICA BÁSICA www.edbudep.com
31
Ejemplo Sea 𝑋 el contenido de impurezas de azufre en un material metálico (tipo de acero)
obtenido en cierto proceso siderúrgico (miligramos de impureza por kilogramo de
producto obtenido). Se toma una muestra aleatoria de 200 observaciones obteniéndose
una media muestral de 120 mg/Kg y una desviación típica muestral 20 mg/Kg.
X = 120
Sˆ = 20
n0 = 200
b) ¿Qué tamaño muestral sería necesario para que el margen de error sea L=1 mg con un 95% de confianza?
ෝ 2
𝑧𝛼Τ2 𝜎 (1.96)(20) 2
𝑛= = = 1536.6 = 1537 observaciones
𝐿 1
𝑧0.025 𝜎 2
2
𝑛=
𝐿
1
4
5
6
Realmente no conocemos 𝜎, pero queremos que use la fórmula que hemos visto, que
asume 𝜎 conocida. Es válida si la muestra es grande, pues entonces 𝑠Ƹ ≈ 𝜎
ESTADÍSTICA BÁSICA www.edbudep.com
33
Problema El archivo TiempoTareas.mtw tiene tiempos de ejecución (minutos) de diferentes tareas.
a. Construye un intervalo de confianza del 90% de la media poblacional que corresponde con la muestra
Tiempo6.
b. ¿Cuántas tareas debemos cronometrar para estimar la duración media con un margen de error de medio
minuto, con una confianza del 90%?
Hazlo con Minitab, pero utilizando las fórmulas vistas en el Tema 6 (muestras grandes con sigma conocida)
𝜎 𝑆መ
𝐼𝐶 1 − 𝛼 : 𝜇 ∈ 𝑋ത ± 𝑧𝛼Τ2 𝐼𝐶 1 − 𝛼 : 𝜇 ∈ 𝑋ത ± 𝑧𝛼Τ2
𝑛 𝑛
𝜎 𝑧𝛼Τ2 𝜎 2
𝐿 = 𝑧𝛼Τ2 ⇒𝑛=
𝑛 𝐿
Inferencia
Dos razones distintas por las
estadística que queremos conocer
cómo es la población a
partir de una muestra.
?
Estimación
Puntual o por intervalos
Puntual
Estimación
Tema 6
Intervalos
Inferencia
estadística
Puntual
Estimación
Tema 6
Intervalos
Inferencia
estadística
Temas 6,7,8
Parámetros
Contraste de
hipótesis
Tema 10
Modelos
𝜇 = 290
SÍ NO SÍ NO
𝜇 = 290
𝛽 𝜎 2 = 760 SÍ NO SÍ NO
𝜇 = 290 𝜇 ≠ 290 𝜎 2 > 760 𝜎 2 ≤ 760
𝜇 = 290
Para plantear las hipótesis del contraste hacemos una pregunta sobre la población,
que tenga dos respuestas: SI o NO.
𝜇 = 290
𝛽 𝜎 2 = 760
SÍ NO SÍ NO
𝜇 = 290 𝜇 ≠ 290 𝜎 2 ≤ 760
𝜎 2 > 760
𝜇 = 290 𝐻0 𝐻1 𝐻1 𝐻0
SÍ NO SÍ NO
Por ejemplo:
SÍ NO
𝑝 = 0.5 𝑝 ≠ 0.5
SÍ NO
7
𝑝 = 0.5 𝑝 ≠ 0.5 𝑝Ƹ = = 0.7 ≠ 0.5
10
𝐻0 𝐻1
• La probabilidad de sacar más de 6 caras al lanzar una moneda equilibrada 10 veces es del 17% (si 𝐻0 es cierta, el nº
de caras es binomial B(10;0.5), y en ese modelo 𝑃(𝑋 > 6 = 0.17).
• Por tanto, lo que hemos observado NO ES TAN RARO como para concluir que la moneda esté desequilibrada.
• Sólo se rechaza 𝐻0 si 𝑝Ƹ tuviese una probabilidad de ser vista, en una moneda equilibrada, mucho menor, por
ejemplo menos del 5%.
Para contrastar una hipótesis sobre la media 𝜇 seguimos los siguientes pasos:
PASO 1: Especificamos la hipótesis nula y la alternativa. Queremos contrastar alguna de estas hipótesis, donde 𝜇0 es
un valor concreto
𝐻0 : 𝜇 = 𝜇0 𝐻0 : 𝜇 ≤ 𝜇0 𝐻0 : 𝜇 ≥ 𝜇0
𝐻1 : 𝜇 ≠ 𝜇0 𝐻1 : 𝜇 > 𝜇0 𝐻1 : 𝜇 < 𝜇0
H0 H1
𝜇 = 290
¿Cómo se busca el estadístico de Usando las propiedades del estimador del parámetro.
contraste, que resuma la información Utilizando su distribución muestral, e introduciendo la
relevante para un contraste? información de H0
H0 H1
𝜇 = 290
𝛽 𝜎 2 = 760
𝜇 = 290 𝜇 ≠ 290
𝜇 = 290
N(0,1)
0
ESTADÍSTICA BÁSICA www.edbudep.com
54
PASO 4: Localizamos en qué zonas de la distribución de referencia rechazaremos H0.
Rechazamos H0 si los datos hacen lo que dice H1 de forma muy evidente.
Rechazamos H0 si
𝑥lj − 290 𝑥lj − 290
𝑡0 = << 0 𝑡0 = >> 0
𝑠/
Ƹ 𝑛 𝑠/
Ƹ 𝑛
N(0,1)
Si H0 es falsa Si H0 es falsa
tenderemos a estar por tenderemos a estar por
esta zona esta zona
0
ESTADÍSTICA BÁSICA www.edbudep.com
55
PASO 4: Localizamos en qué zonas de la distribución de referencia rechazaremos H0.
Rechazamos H0 si los datos hacen lo que dice H1 de forma muy evidente.
PASO 2: PASO 3:
Caso (b) PASO 1:
𝑋ሜ − 290
𝐻0 : 𝜇 ≤ 290; 𝐻1 : 𝜇 > 290 𝑇0 = 𝑇0~𝑁(0,1)
መ 𝑛
𝑆/
Rechazamos H0 si
𝑥lj >> 290
𝑥lj − 290
𝑡0 = >> 0
𝑠/
Ƹ 𝑛
N(0,1) Si H0 es falsa
tenderemos a estar por
esta zona
0
ESTADÍSTICA BÁSICA www.edbudep.com
56
PASO 4: Localizamos en qué zonas de la distribución de referencia rechazaremos H0.
Rechazamos H0 si los datos hacen lo que dice H1 de forma muy evidente.
Rechazamos H0 si
𝑥lj << 290
𝑥lj − 290
𝑡0 = << 0
𝑠/
Ƹ 𝑛
Si H0 es falsa N(0,1)
tenderemos a estar por
esta zona
0
ESTADÍSTICA BÁSICA www.edbudep.com
57
La región de rechazo está donde ‘señala’ H1
H 0 : m = m 0 ; H1 : m m 0 H 0 : m m 0 ; H1 : m m 0
H 0 : m m 0 ; H1 : m m 0 Rechazo H0
Acepto H0
Rechazo H0 Rechazo H0
Acepto H0
Acepto H0
Rechazo H0
Rechazo H0 Acepto H0
Rechazo H0 Rechazo H0
H 0 : m = m 0 ; H1 : m m 0
Acepto H0
(a)
(a) −𝑧𝛼/2 𝑧𝛼/2
Acepto H0 Rechazo H0
H 0 : m m 0 ; H1 : m m 0
(b)
(b)
𝑧𝛼
PASO 3:
H 0 : m m 0 ; H1 : m m 0 N(0,1) Rechazo H0
Acepto H0
(c)
(c)
−𝑧𝛼
𝜇 = 290
Con 100 observaciones:
Acepto H0
Rechazo H0 Rechazo H0
α/2=0.025 α/2=0.025
-3 -2 -1 0 1 2 3
-1.96 1.96
Rechazamos H0 -2.78
Valores críticos
ESTADÍSTICA BÁSICA www.edbudep.com
61
Ejemplo En el ejemplo de los transistores. Se desea saber si la población de transistores del proceso
productivo mantiene la media en μ0 =290
H0 H1
𝜇 = 290 𝜇 ≠ 290
SI NO
𝐻1 𝐻0
𝐻0 : 𝜇 ≥ 177
𝐻1 : 𝜇 < 177
α=0.05
La diferencia observada se atribuye, con un nivel de
significatividad del 5%, a la variabilidad de la muestra
y no a diferencias reales -3 -2 -1 0 1 2 3
Valor crítico=-1.65
-1.31
SI NO
𝜇 ≥ 11 𝜇 < 11
𝐻0 𝐻1
El contraste es: 𝐻0 : 𝜇 ≥ 11
𝐻1 : 𝜇 < 11
𝐻0 : 𝜇 ≥ 11
𝐻1 : 𝜇 < 11
Piscina 1 Piscina 2
Rechazo H0 Rechazo H0
Acepto H0 Acepto H0
𝛼 = 0.05 𝛼 = 0.05
−1.645 −1.645
−1.66 −2.53
Con un nivel de significación del 5%, se rechaza 𝐻0 Con un nivel de significación del 5%, se rechaza 𝐻0
𝐻0 : 𝜇 ≥ 11
𝐻1 : 𝜇 < 11
Piscina 1 Piscina 2
Rechazo H0 Rechazo H0
Acepto H0 Acepto H0
𝛼 = 0.05 𝛼 = 0.05
−1.645 −1.645
−1.66 −2.53
Piscina 1 Rechazo H0
Acepto H0
𝛼 = 0.05
−1.645
valor crítico
La frontera de la región de rechazo la delimita el
−1.66
valor crítico, y por tanto, su área es el nivel de
significación
Piscina 1 Rechazo H0
Acepto H0
𝛼 = 0.05
−1.645
−1.66
Piscina 1
Rechazo H0
Acepto H0
𝛼 = 0.05
pvalor= 0.0485
−1.645
−1.66
Como p-valor < 𝛼 estamos en la Se rechaza 𝐻0 pero por muy poco
región de rechazo
El p-valor es más inforrmativo que decir sólo si rechazamos
o aceptamos. Nos cuantifica cómo de seguros estamps de
nuestra decisión
Piscina 2 Rechazo H0
Acepto H0
𝛼 = 0.05
−1.645
−2.53
Piscina 2 Rechazo H0
Acepto H0
𝛼 = 0.05
−1.645
−2.53
Piscina 2 Rechazo H0
Acepto H0
𝛼 = 0.05
pvalor= 0.0057
−1.645
−2.53
Rechazamos H0
Aceptamos H0
Si pvalor ≥ 𝛼
𝛼 p−valor>𝛼 Aceptamos 𝐻0
t0
Si pvalor < 𝛼
Rechazamos 𝐻0
p−valor<𝛼
ESTADÍSTICA BÁSICA
t0 www.edbudep.com
78
𝐻0 : 𝜗 ≤ 𝜗0 ; 𝐻1 : 𝜗 > 𝜗0
Aceptamos H0
Rechazamos H0
𝛼 Si pvalor ≥ 𝛼
p−valor>𝛼
Aceptamos 𝐻0
t0
Si pvalor < 𝛼
Rechazamos 𝐻0
p−valor<𝛼
t0
ESTADÍSTICA BÁSICA www.edbudep.com
79
𝐻0 : 𝜗 = 𝜗0 ; 𝐻1 : 𝜗 ≠ 𝜗0
𝛼/2
𝛼/2
p−valor>𝛼
Si pvalor ≥ 𝛼
Aceptamos 𝐻0
-|t0| |t0|
p-valor: es la suma de las dos áreas
Si pvalor < 𝛼
p−valor>𝛼 Rechazamos 𝐻0
-|t0| |t0|
ESTADÍSTICA BÁSICA www.edbudep.com
80
Problema Se tienen datos de una muestra de resistencias de valor nominal 1000
Ohmios. Hay datos de dos tipos de resistencias. Las de banda marrón
deben tener unos valores más próximos al nominal que los de banda
dorada.
Realiza un contraste de nivel de significación del 5% de que las
resistencias de banda marrón proceden de una población de media
igual al valor nominal 1000.
𝑋 =impedancia de una resistencia eléctrica de banda marrón de valor nominal 1000 Ohmios
𝐻0 : 𝜇 = 1000
𝐻1 : 𝜇 ≠ 1000
Rechazo H0
Acepto H0 Rechazo H0
𝑥ҧ − 1000 999.14 − 1000
𝑡0 = = = −0.87
𝑠/
Ƹ 50 6.99/ 50 𝛼ൗ = 0.025 𝛼ൗ = 0.025
2 2
−0.87
−1.96 1.96
𝑋 =impedancia de una resistencia eléctrica de banda marrón de valor nominal 1000 Ohmios
𝐻0 : 𝜇 = 1000
𝐻1 : 𝜇 ≠ 1000
Rechazo H0
Acepto H0 Rechazo H0
𝑥ҧ − 1000 999.14 − 1000
𝑡0 = = = −0.87
𝑠/
Ƹ 50 6.99/ 50 𝛼ൗ = 0.025 𝛼ൗ = 0.025
2 2
−0.87 +0.87
−1.96 1.96
𝑋 =impedancia de una resistencia eléctrica de banda marrón de valor nominal 1000 Ohmios
Rechazo H0 Rechazo H0
𝐻0 : 𝜇 = 1000
𝐻1 : 𝜇 ≠ 1000
pvalor/2=0.19 pvalor/2=0.19
Acepto H0
𝑥ҧ − 1000 999.14 − 1000
𝑡0 = = = −0.87
𝑠/
Ƹ 50 6.99/ 50 𝛼ൗ = 0.025 𝛼ൗ = 0.025
2 2
−0.87 +0.87
−1.96 1.96
Nuestra muestra nos da mucha seguridad de que la
pvalor=0.19+0.19=0.38
hipótesis nula es cierta
ESTADÍSTICA BÁSICA www.edbudep.com
83
1
Los intervalos de confianza para la media y contrastes bilaterales usan la misma información
𝜎2 𝑋ሜ − 𝜇
𝑋ሜ ∼ 𝑁 𝜇; 𝑇=
መ
~𝑁(0,1)
𝑛 𝑆/ 𝑛
𝑆መ 𝑋ሜ − 𝜇0
𝐼𝐶 1 − 𝛼 : 𝜇 ∈ 𝑋ത ± 𝑧𝛼Τ2 𝑇0 = ~𝑁(0,1)
𝑛 መ
𝑆/ 𝑛
𝐻0 : 𝜇 = 𝜇0 ; 𝐻1 : 𝜇 ≠ 𝜇0
Se puede demostrar que la realización de un
contraste de hipótesis bilateral
Rechazo H0 Rechazo H0
𝐻0 : 𝜇 = 𝜇0 ; 𝐻1 : 𝜇 ≠ 𝜇0
𝛼/2 Acepto H0 𝛼/2
Contraste de hipótesis
Rechazo H0
Rechazo H0
α/2=0.025 α/2=0.025
Acepto H0
Rechazamos
H0:μ=290
-3 -2 -1 0 1 2 3
-2.78 -1.96 1.96
No contiene al 290
1+1+1+0+0+0
𝑝Ƹ = = 0.5
6
ሜ =𝜇
𝐸(𝑋)
𝑋ത − 𝐸 𝑋ത 𝐸 𝑝Ƹ = 𝑝 𝑝Ƹ − 𝐸 𝑝Ƹ
∼ 𝑁(0,1) ∼ 𝑁(0,1)
ሜ = 𝜎 2 /𝑛
𝑉𝑎𝑟(𝑋) ത
𝑉𝑎𝑟(𝑋) 𝑝(1 − 𝑝) 𝑉𝑎𝑟 𝑝Ƹ
𝑉𝑎𝑟 𝑝Ƹ =
𝑛
𝑠Ƹ
𝜇 ∈ 𝑋ሜ ± 𝑧𝛼Τ2 𝑉𝑎𝑟 𝑋ሜ ⇒ 𝜇 ∈ 𝑋ത ± 𝑧𝛼Τ2
𝑛 𝑝Ƹ 1 − 𝑝Ƹ
𝐼𝐶 1 − 𝛼 : 𝑝 ∈ 𝑝Ƹ ± 𝑧𝛼Τ2
𝑛
𝑝Ƹ 1 − 𝑝Ƹ
𝐼𝐶 1 − 𝛼 : 𝑝 ∈ 𝑝Ƹ ± 𝑧𝛼Τ2
𝑛
2
𝑝(1 − 𝑝) 𝑧 𝛼Τ2 𝑝 1 − 𝑝
𝐿 = 𝑧 𝛼 Τ2 ⇒𝑛= Estimación
𝑛 𝐿 previa con una
muestra piloto
Ejemplo Con el objeto de determinar la proporción de personas que poseen auto en una provincia determinada se
realizó un muestreo aleatorio simple, de tal forma que de los 100 encuestados, 30 de ellos tienen auto.
Calcula n para que en un intervalo del 95%, se tenga L=0.02
2
1.96 0.3 1−0.3
𝑛= = 2017 encuestados
0.02
2
𝑧 𝛼Τ2 0.5 1 − 0.5 𝑧 𝛼Τ2 2
𝑛= =
𝐿 2𝐿
0.5 𝒑
PASO 2:
PASO 1:
Rechazo H0 Rechazo H0
(a) 𝐻0 : 𝑝 = 𝑝0 ; 𝐻1 : 𝑝 ≠ 𝑝0 𝑝ො − 𝑝0 Acepto H0
𝑍0 =
𝑝0 𝑞0 /𝑛
(a) −𝑧𝛼/2 𝑧𝛼/2
Rechazo H0
(b) Acepto H0
𝐻0 : 𝑝 ≤ 𝑝0 ; 𝐻1 : 𝑝 > 𝑝0
(b)
𝑧𝛼
PASO 3:
N(0,1)
(c) 𝐻0 : 𝑝 ≥ 𝑝0 ; 𝐻1 : 𝑝 < 𝑝0 Rechazo H0 Acepto H0
𝑛𝑝0 𝑞0 > 5
(c) −𝑧𝛼
Dos opciones
𝑝 ≥ 0.02
La nueva máquina NO mejora el proceso
ó 𝑝 = 0.02
𝑝Ƹ − 𝑝0 0.01 − 0.02
𝑧0 = = = −1.24
𝑝0 𝑞0 /𝑛 (0.02)(0.98)/300
Rechazo H0
Acepto H0
No podemos rechazar, con un nivel de significación del 5%, que el proceso siga
igual.
La diferencia observada no es significativa, y puede deberse al azar (a la -1.645
casualidad).
-1.24