Академический Документы
Профессиональный Документы
Культура Документы
tn
G. L.
2
8
200
-5
-4
-3
-2
-1
161
ESTADSTICA
GRADOS EN INGENIERA MECNICA, INGENIERA QUMICA E
INGENIERA EN ORGANIZACIN INDUSTRIAL
162
ESTADSTICA
GRADOS EN INGENIERA MECNICA, INGENIERA QUMICA E
INGENIERA EN ORGANIZACIN INDUSTRIAL
EL MODELO ESTADSTICO
En todos los problemas de la Estadstica Inferencial encontraremos los siguientes ingredientes:
1.- Poblacin en estudio.
- X variable aleatoria de inters definida sobre la poblacin.
- PX ley de probabilidad desconocida de la v. a. X.
- Tenemos inters en conocer, hasta dnde sea posible, la ley de X (o sus parmetros).
2.- Muestra representativa de la poblacin: X1, , Xn.
- Habitualmente tendremos una muestra aleatoria simple (m.a.s.), formada por v.a. independientes
e igualmente distribuidas (i.i.d.), con la misma ley de X.
- Los datos o realizaciones de la muestra, x1, , xn contienen informacin sobre PX.
3.- El OBJETIVO es extraer la informacin que contienen los datos acerca de PX:
- Obtener una aproximacin razonable del modelo de X (normal, exponencial)
- Estimar los parmetros u otras cantidades de inters de ese modelo ( P(a<X<b), mediana...)
- Comparar la ley de X en esta poblacin con la ley en otra poblacin de inters (efecto innovacin)
La Estadstica Inferencial aporta metodologa para conseguir este objetivo mediante tcnicas de:
- Estimacin (puntual o por intervalos)
para asignar valores a un parmetro desconocido
- Contraste o Test de Hiptesis (paramtricos, de ajuste )
para decidir entre dos opciones
A veces sabemos que la ley PX est en una determinada familia (normal, exponencial) y el
problema es slo determinar (estimar o contrastar) los parmetros: , , Decimos entonces que
estamos ante un Problema o Modelo Paramtrico.
Tema 10. Introduccin a la Estadstica Inferencial.
163
ESTADSTICA
GRADOS EN INGENIERA MECNICA, INGENIERA QUMICA E
INGENIERA EN ORGANIZACIN INDUSTRIAL
EJEMPLO: Una planta industrial envasa detergente en polvo en paquetes que se etiquetan con:
CONTENIDO 4 Kg.
El proceso viene siguiendo un patrn normal y se considera bajo control mientras cumpla:
=4.01 Kg. y =0.005 Kg.
Pero el proceso se puede desajustar (aumento o disminucin de o , aparicin de asimetra, etc.) e
interesa poder chequear en cualquier momento el estado del proceso de envasado.
La Estadstica Inferencial aporta herramientas para dar respuesta a preguntas naturales como stas:
1. Cunto valen y ?
(ESTIMACIN PUNTUAL)
2. Entre qu valores se encuentran y con ciertas garantas de acierto (95% 99%)?
(ESTIMACIN por INTERVALOS DE CONFIANZA)
3. Los datos soportan que =4.01, o por el contrario son ms crebles si =5.01?
Los datos soportan que <0.005, o quizs ser0.005?
(CONTRASTE DE HIPTESIS PARAMETRICOS)
4. El modelo es ciertamente normal?
(TEST DE AJUSTE)
Para responder a estas preguntas tendremos que tomar una muestra de la variable X = Contenido
envasado y estudiar la informacin que nos aporta sobre el modelo poblacional. Surgen entonces
otras preguntas adicionales:
5. De qu tamao tiene que ser la muestra para garantizar cierta confianza? Cmo elijo la muestra?
(MUESTREO)
Tema 10. Introduccin a la Estadstica Inferencial.
164
ESTADSTICA
GRADOS EN INGENIERA MECNICA, INGENIERA QUMICA E
INGENIERA EN ORGANIZACIN INDUSTRIAL
165
ESTADSTICA
GRADOS EN INGENIERA MECNICA, INGENIERA QUMICA E
INGENIERA EN ORGANIZACIN INDUSTRIAL
ESTADSTICOS Y ESTIMADORES
Estadstico. Es cualquier funcin de la muestra. T T ( X 1 ,..., X n ) . (Es una v.a.; depende del azar).
Operando los valores X 1 ,..., X n de la muestra, extraemos la informacin que sta posee sobre la
poblacin (sobre la ley PX desconocida, sus parmetros u otras caractersticas de inters).
n
Ejemplos de estadsticos: T1 X i ; T2 X ;
i 1
i 1
2
i
1 n
1 n
2
X X i ; S ( X i X ) 2 ; Me; ...
n i 1
n i 1
1 n
( X i X )2
n i 1
varianza poblacional
2 S 2
p = proporcin poblacional
p = proporcin muestral
mediana poblacional
Me mediana muestral
1
n
i 1
( X i X ) 2 varianza muestral
166
ESTADSTICA
GRADOS EN INGENIERA MECNICA, INGENIERA QUMICA E
INGENIERA EN ORGANIZACIN INDUSTRIAL
1
n
X satisface E ( X ) ,
i 1
Var ( X ) 2 / n,
X / n , es decir:
P X
0 para cada 0 .
n
P Xn
Var ( X n )
2
2 n
0.
6
Ley de probabilidad de
X n para n grande
167
ESTADSTICA
GRADOS EN INGENIERA MECNICA, INGENIERA QUMICA E
INGENIERA EN ORGANIZACIN INDUSTRIAL
168
ESTADSTICA
GRADOS EN INGENIERA MECNICA, INGENIERA QUMICA E
INGENIERA EN ORGANIZACIN INDUSTRIAL
169
ESTADSTICA
GRADOS EN INGENIERA MECNICA, INGENIERA QUMICA E
INGENIERA EN ORGANIZACIN INDUSTRIAL
Distribucin muestral de T
0,8
Distribucin de la Poblacin
0,6
parmetro
de inters de
la poblacin
0,4
0,2
0
0
t2
Muestra 1 :
Muestra 2 :
...
...
Muestra m : xm ,1 ,..., xm ,n
...
...
tm
t1
T ( x m ,1 ,..., x m ,n ) t m
...
...
170
ESTADSTICA
GRADOS EN INGENIERA MECNICA, INGENIERA QUMICA E
INGENIERA EN ORGANIZACIN INDUSTRIAL
n) .
n ) por el TCL.
X
n
n
1 2
P X P X P
n n n
Distribucin de la poblacin
1
0.75
0.5
n=100
n=25
0.25
n=4
para
diferentes
tamaos
muestrales
n= 4, 25, 100
171
ESTADSTICA
GRADOS EN INGENIERA MECNICA, INGENIERA QUMICA E
INGENIERA EN ORGANIZACIN INDUSTRIAL
n=25
n=5
n=2
n=1
2
Distribucin de promedios de observaciones de una v.a. con densidad f ( x) 1.5( x 1) , x (0,2)
n=1
0,4
0,8
1,2
1,6
n=2
0,4
0,8
1,2
1,6
n=5
0,4
0,8
1,2
1,6
n=25
0,4
0,8
1,2
1,6
172
ESTADSTICA
GRADOS EN INGENIERA MECNICA, INGENIERA QUMICA E
INGENIERA EN ORGANIZACIN INDUSTRIAL
Ejemplo:
El editor de una revista profesional de ingeniera desea estimar el salario medio de los graduados en
Ingeniera Industrial en su primer empleo. Se conoce que el Salario es una variable con ley normal y
=250 . Se toma una muestra de n=25 titulados de los que obtiene la informacin sobre su salario.
El editor querra que la estimacin (media muestral) obtenida a partir de esta muestra le diera un
valor que se desve a lo sumo en 50 respecto al valor real con cierta probabilidad controlada.
a) Hallar la probabilidad de que el error est efectivamente entre 50 .
b) De qu tamao tiene que ser la muestra para tener garantizado un error mximo de 50 con
una probabilidad de 0.95.
Solucin:
Utilizamos la distribucin de la media muestral: X n N ( ,
n)
Xn
N (0,1)
n
a)
250
250
25
25
n
50 X n 50 1 2(0.2 n ).
0.95
50
50
P
X
P
n
b)
250
250
n
n
n
173
ESTADSTICA
GRADOS EN INGENIERA MECNICA, INGENIERA QUMICA E
INGENIERA EN ORGANIZACIN INDUSTRIAL
174
ESTADSTICA
GRADOS EN INGENIERA MECNICA, INGENIERA QUMICA E
INGENIERA EN ORGANIZACIN INDUSTRIAL
1 n
(X i X )2 , S
1.1.2.- S
n 1 i 1
2
2
n
1
X
X
estimadores de y
i
i 1
n 1
Nota: Se divide por n1 para conseguir E(S2)= Se llama cuasivarianza o varianza corregida.
A partir de ahora siempre las utilizaremos y las llamaremos varianza y desviacin tpica.
1.2.- Comparacin de poblaciones normales con muestras independientes.
1.2.1.- Comparacin de medias:
X1 X 2
estimador de 12.
1.2.2.- Comparacin de varianzas con muestras independientes:
S12 S 22
estimador de 12 22
2.-VARIABLES CUALITATIVAS DICOTOMICAS O ATRIBUTOS (PROPORCIONES)
2.1.- Inferencias sobre una proporcin p.
1 n
p X X i (proporcin muestral) estimador de p.
n i 1
175
ESTADSTICA
GRADOS EN INGENIERA MECNICA, INGENIERA QUMICA E
INGENIERA EN ORGANIZACIN INDUSTRIAL
Estimador
Distribucin
X N ( ,
n)
Distribucin bis
X
N ( 0,1)
/ n
X
S/ n
(n 1)
S2
Observaciones
conocida
desconocida
t n 1
S 2 n21
Estimador
Distribucin
Distribucin bis
X 1 X 2 ( 1 2 )
12
n1
12
X1 X 2
12 22
X 1 X 2 N 1 2 ,
n
n 2
1
22
N (0,1)
1
1
n1 n2
t n1 n2 2
X 1 X 2 ( 1 2 )
S12 S 22
n1 n2
12 22
2
1
2
2
S12 12
Fn1 1,n2 1
S 22 22
1, 2 conocidas
n2
X 1 X 2 ( 1 2 )
Observaciones
1=2= desconocida
(n1 1) S12 (n2 1) S 22
S
n1 n2 2
2
p
12 desconocidas
S n S n 2
S n S n
2
1
2
1
2
2
1
2
2
2
n1 1
n2 1
176
ESTADSTICA
GRADOS EN INGENIERA MECNICA, INGENIERA QUMICA E
INGENIERA EN ORGANIZACIN INDUSTRIAL
Distribucin
X i N (0,1)
X
i 1
2
i
(n 1) S 2
n21
2
2
2
Est tabulada. En las tablas encontramos para distintos valores de n y n , P n n ,
Distribucin Chi-Cuadrado
Distribucin Chi-Cuadrado
0,16
0,1
G. L.
5
10
25
0,08
densidad
densidad
0,12
0,08
0,04
2
n
0,06
0,04
0,02
0
0
10
15
20
25
30
35
40
45
50
n2,
177
ESTADSTICA
GRADOS EN INGENIERA MECNICA, INGENIERA QUMICA E
INGENIERA EN ORGANIZACIN INDUSTRIAL
Distribucin t de Student.
Se obtiene del cociente
N (0,1)
1
n
2
n
X i N ( , )
X
(n -1) S 2
N (0,1) ,
n21 indeps.
n)
2
X N ( ,
X
tn 1
S n
Distribucin t de Student
0,4
0,4
G. L.
2
8
200
tn
0,3
densidad
densidad
0,3
0,2
0,2
0,1
0,1
0
-5
-4
-3
-2
-1
t n ,
178
ESTADSTICA
GRADOS EN INGENIERA MECNICA, INGENIERA QUMICA E
INGENIERA EN ORGANIZACIN INDUSTRIAL
Distribucin F de Fisher-Snedecor
1
n1
1
n2
n2
Fn ,n : Distribucin F con n y n grados de libertad.
2
1
2
n
1
2 : X ,... X
2 ,1
2 , n2 v.a. i.i.d ., X 2 ,i N ( 2 , 2 ),
S 12 12
S 22 22
Fn1 1,n2 1
Est tabulada. Para distintos valores de n1, n2 y encontramos Fn1 ,n2 , P Fn1 ,n2 Fn1 ,n2 , .
Para obtener valores en la cola izquierda se usa: Fn1 ,n2 ,1 1 Fn2 ,n1 , .
Distribucn F de Fisher-Snedecor
Distribucn F de Fisher-Snedecor
0,8
1,2
densidad
densidad
0,8
0,6
Fn1 ,n2
0,6
0,4
0,4
0,2
0,2
0
0
Fn1 ,n2 ,
179
ESTADSTICA
GRADOS EN INGENIERA MECNICA, INGENIERA QUMICA E
INGENIERA EN ORGANIZACIN INDUSTRIAL
Ejemplo: Dos modelos de pilas, M1 y M2, estn diseados para tener el mismo voltaje 1.5 V. El
Voltaje de una pila elegida al azar es una variable aleatoria con ley normal con =0.01 V para
ambos modelos. Para estudiar si las medias 1 y 2 son tambin iguales, se toman dos muestras de 50
pilas de cada modelo y se mide su voltaje.
a) Si las medias son iguales, 12, calcula la probabilidad de que la diferencia entre las medias
muestrales sea mayor de 0.01V.
b) Si 12=0.1V, calcula la probabilidad de que las medias muestrales difieran en menos de 0.05V.
c) Qu tamao muestral (n=n1=n2) habra sido suficiente en a) para que la probabilidad calculada
sea menor que 0.05?
Solucin:
Conocemos la distribucin de la diferencia de medias:
12 22
X 1 X 2 N 1 2 ,
n
n 2
1
X 1 X 2 ( 1 2 )
P X 1 X 2 0.01 P
2
2
n
n2
1
0.01 0
0.01
2 5 0.
2
0.0001 0.0001
2
0.01
50
50
50
0.05 0.1
X X 2 ( 1 2 )
0.05 0.1
P X 1 X 2 0.05 P 0.05 X 1 X 2 0.05P
1
25 75 0.
0.0001 0.0001
12 22
0.0001 0.0001
50
50
50
50
n
n
1
2
a)
b)
c)
0.01
n
0.05 P X 1 X 2 0.01 2
1.96 n 8 .
0.01 2 n
2
180
ESTADSTICA
GRADOS EN INGENIERA MECNICA, INGENIERA QUMICA E
INGENIERA EN ORGANIZACIN INDUSTRIAL
p
p1p2
Distribucin lmite
aprox
p N p,
p
p 1 p 2
p 1 p 2 N p1 p 2 ,
aprox
p(1 p)
p1 (1 p1 ) p 2 (1 p 2 )
n1
n2
~ N (0,1)
p(1 p)
n
p 1 p 2 ( p1 p2 )
p1 (1 p1 ) p2 (1 p2 )
n1
n2
~ N (0,1)
Observaciones
Slo para
Muestra grande
Se basa en TCL
Slo para
Muestras grandes
Se basa en TCL
12
Distribucin lmite
aprox
X N ( ,
X1 X 2
n)
12 22
X 1 X 2 N 1 2 ,
n1 n 2
aprox
N (0,1)
X 1 X 2 1 2 ~
N (0,1)
2
2
S1 S 2
n1 n 2
Observaciones
Slo para
Muestra grande
Se basa en TCL
Slo para
Muestra grande
Se basa en TCL
181
ESTADSTICA
GRADOS EN INGENIERA MECNICA, INGENIERA QUMICA E
INGENIERA EN ORGANIZACIN INDUSTRIAL
Ejemplo: Un proveedor suministra envos que deberan aceptarse slo si contienen a lo sumo un
10% de productos defectuosos. Un inspector de calidad acepta envos siempre que una muestra de
tamao 100 contenga a lo sumo 10 productos defectuosos (10%) y los rechaza en otro caso.
a) Si el proceso tiene una tasa de defectos del 10%, hallar la probabilidad de que la proporcin
muestral se desve de este valor en menos de 2 puntos porcentuales.
b) Hallar la probabilidad de que acepte un envo si la tasa de defectuosos es de un 12%?
c) Hallar la probabilidad de que rechace un envo en el que slo un 8% son defectuosos?
Solucin:
Utilizamos la distribucin lmite
a) P p 0,1 0.02 P0.08 p 0.12
p 0.1 P
p 0.1 P
b) P
c) P
aprox
p N p,
p(1 p)
p 0.1
0.125 0.10
0.075 0.10
0.1(1 0.1)
0.1(1 0.1)
0.1(1 0.1)
100
100
100
p 0.12
0.10 0.12
0.12(1 0.12)
0.12(1 0.12)
100
100
0.10 0.08
p 0.08
0.081 0.08
0.08 * 0.92
100
100
0.105 0.12
0.12(1 0.12)
100
0.46
100
2(0.83) 1 0.599.
0.323.
0.18.
182