Tema 0010

ESTADSTICA
GRADOS EN INGENIERA MECNICA, INGENIERA QUMICA E

INGENIERA EN ORGANIZACIN INDUSTRIAL
TEMA 10.- INTRODUCCIN A LA

ESTADSTICA INFERENCIAL
- De la Estadstica Descriptiva a la Estadstica Inferencial.
- El Modelo Estadstico.
- Estadsticos y Estimadores.
- Ley de los Grandes Nmeros.
- Distribucin muestral.
- Estimadores en modelos normales y proporciones.
tn
- Distribuciones muestrales en modelos normales.
G. L.
2
8
200
- Distribuciones muestrales para muestras grandes.
William S. Gosset (Student)
-5
Tema 10. Introduccin a la Estadstica Inferencial.
-4
-3
-2
-1
161
ESTADSTICA
DE LA ESTADSTICA DESCRIPTIVA A LA ESTADSTICA INFERENCIAL

ESTADSTICA DESCRIPTIVA
Analiza muestras describindolas y resumindolas grfica y numricamente.
Conjetura modelos para la poblacin que podran explicar el comportamiento de la muestra.
CLCULO DE PROBABILIDADES
Da forma matemtica a la idea de modelo y nos permite explicar y manejar la variabilidad.
Sugiere diferentes clases de modelos tericos para las variables aleatorias de inters en una poblacin.
Conocer el modelo de una poblacin, proceso o sistema sometido a variabilidad o aleatoriedad es muy
til para conocer sus propiedades y prever su comportamiento.
Nos surge una duda fundamental: Cmo podemos saber cul es el modelo de cada poblacin?
ESTADSTICA MATEMTICA O INFERENCIAL
Cuando queremos estudiar un fenmeno aleatorio (poblacin):
Lo ms habitual es que no conozcamos el modelo terico del mismo.
Pero seguramente podremos observarlo, tomar una muestra y describirla.
Utilizando la informacin dada por una pequea parte de la poblacin (la muestra disponible)
Se puede inferir el comportamiento de toda ella (conocer el modelo)?
La Estadstica Inferencial permite dar este paso validando o refutando las conjeturas de la Estadstica
Descriptiva:
Validar un posible modelo para la poblacin.
Estimar los parmetros de ese modelo.
162
ESTADSTICA
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.
163
ESTADSTICA
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)
164
ESTADSTICA
EJEMPLO: Dos proveedores A y B suministran a un fabricante el mismo producto qumico cuya

caracterstica de inters es la pureza (en %), que es una variable aleatoria con distribucin
supuestamente normal. El fabricante est interesado en comparar los productos suministrados por
ambos proveedores comparando los parmetros en ambos casos (a travs de AB y A /B).
De nuevo se nos plantean una serie de interrogantes naturales a los que slo podremos dar respuesta
mediante el uso de las tcnicas estadsticas apropiadas:
1. Cunto valen aproximadamente y en cada caso?
(ESTIMACIN)
2. Entre qu valores se encuentran con ciertas garantas de acierto AB y A /B (95 % 99%)?
(INTERVALOS DE CONFIANZA)
3. Es realmente cierto AB, o quizs AB? Anlogamente: Realmente AB, o quizsAB?
(CONTRASTE DE HIPTESIS)
4. Los modelos son normales?
(TEST DE AJUSTE)
Para responder a estas preguntas tendremos que tomar muestras de la variable X = Pureza para cada
uno de los proveedores y estudiar la informacin que nos aportan sobre los modelo de ambas
poblaciones. Surgen entonces otras preguntas adicionales:
5. De qu tamao tienen que ser las muestras? Cmo elijo las muestras?
(MUESTREO)
165
ESTADSTICA
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
Estimadores. Para aproximar o estimar un parmetro desconocido, , en una poblacin, se elige

un estadstico apropiado, ( X 1 ,..., X n ) . Se dice entonces que el estadstico es un estimador de .
1 n
Ejemplos de estimadores: X n X i ; S
i 1
1 n
( X i X )2
n i 1
(sern usados habitualmente como estimadores de los parmetros y , respectivamente).

Para obtener un estimador adecuado para un parmetro utilizaremos este sencillo razonamiento:
- Cualquier parmetro de inters resulta de realizar alguna operacin sobre la poblacin.
- El estimador se construye realizando una operacin paralela sobre la muestra.
Ejemplos:
PARMETRO
ESTIMADOR
n
media poblacional
X 1n i 1 X i media muestral
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
LEY DE LOS GRANDES NMEROS

Es la justificacin matemtica de la aproximacin de la media poblacional por la muestral X :
X variable aleatoria con =EX< y 2=Var(X) <. (poblacin con ley desconocida)
X1, ..., Xn, ... realizaciones independientes de X. (muestra aleatoria de la poblacin)
Xn
1
n
X satisface E ( X ) ,
i 1
Var ( X ) 2 / n,
X / n , es decir:
X toma valores centrados en el parmetro a estimar (es un estimador insesgado).

La dispersin (varianza) de X tiende a 0 al crecer n (hay un n en el denominador).
P
X converge hacia X n (estimador consistente), en el sentido:
P X

0 para cada 0 .
n
Ley de los Grandes Nmeros

8
La prueba se basa en la Desigualdad de Chebyshev:
P Xn
Var ( X n )
2
2 n
0.
Interpretacin probabilstica de la LGN:

Promediando un nmero suficientemente grande de
observaciones de un experimento, se obtiene un valor
que dista de la media poblacional una distancia tan
pequea como queramos, con una probabilidad tan alta
como queramos.
6
Ley de probabilidad de
X n para n grande
167
ESTADSTICA
Aplicacin estadstica de la Ley de los Grandes Nmeros:

La LGN Justifica que el valor concreto observado para la media muestral, X x se pueda utilizar
como estimacin del parmetro con el siguiente argumento:
Por las propiedades probabilsticas de la v.a. X y la aplicacin de la Ley de los Grandes
Nmeros sabemos que muy probablemente X tomar un valor prximo a (parmetro
desconocido); por lo tanto, una vez realizado el muestreo y obtenido el valor numrico
concreto (conocido) que toma la v.a. X ( X x ) , est justificado concluir que dicho valor es
una aproximacin razonable del parmetro
Ley de los Grandes Nmeros para otros estadsticos definidos a travs de promedios:
El razonamiento anterior se puede hacer extensivo de manera no muy complicada a todos los
estadsticos muestrales definidos como promedios (varianza muestral, proporciones muestrales, ).
La LGN tambin permite concluir que dichos estadsticos muestrales proporcionan aproximaciones o
estimaciones naturales de los correspondientes parmetros poblacionales definidos como promedios
de alguna funcin en la poblacin (varianza, probabilidad de un suceso, ).
Ley de los Grandes Nmeros para otros estadsticos en general:
Existen otras LGN que justifican las aproximaciones de otros parmetros poblacionales que no
adoptan directamente la forma de promedios, a partir de los correspondientes estadsticos muestrales
que tampoco adoptan la forma de promedios.
168
ESTADSTICA
DISTRIBUCIN DE ESTADSTICOS Y ESTIMADORES

Obtener estimadores de los parmetros ms comunes puede ser fcil, pero no es suficiente.
La muestra es aleatoria, es decir presenta variabilidad de unas ocasiones a otras.
Cualquier estadstico o estimador T es tambin una v. a. por ser funcin de la muestra aleatoria.
T, como toda v.a., seguir su propia distribucin o ley de probabilidad .
El resultado de la estimacin en cada ocasin concreta no tiene ningn valor por s mismo si no
valoramos la precisin de esa estimacin (la variabilidad del estimador).
Para ello necesitamos conocer la ley de probabilidad del estadstico que estamos empleando.
La ley de probabilidad de un estadstico a veces recibe el nombre de distribucin muestral.
Conocer la distribucin de los estadsticos es imprescindible para:
- Conocer sus propiedades.
- Poder compararlos entre s.
- Establecer la precisin de las estimaciones.
- Valorar los riesgos de error de los procesos inferenciales.
Ejemplo: El editor de una revista profesional de ingeniera desea estimar el salario medio () de los
graduados en Ingeniera Industrial en su primer empleo. Por razones de coste y tiempo necesario
para el estudio, en lugar de crear una base de datos completa de la ltima promocin de graduados,
decide trabajar con una muestra de 25 graduados, de los que obtiene su salario, y pretende utilizar el
valor que obtenga de X cmo estimacin de . El editor quiere saber qu posibilidades tiene de que
la estimacin obtenida se desve a lo sumo en 50 del valor real de . Para ello necesita conocer
la distribucin de la media muestral para calcular
P 50 X 50.
169
ESTADSTICA
Ilustracin del concepto de distribucin de un estadstico T estimador de un parmetro
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 :
x1,1 ,..., x1,n

x2,1 ,..., x2,n
...
...
Muestra m : xm ,1 ,..., xm ,n
...
...
tm
t1
T ( x1,1 ,..., x1,n ) t1

T ( x2,1 ,..., x2,n ) t 2
...
T ( x m ,1 ,..., x m ,n ) t m
...
...
170
ESTADSTICA
DISTRIBUCIN DE LA MEDIA MUESTRAL

Estamos interesados en estimar la media poblacional=EX a partir de una m.a.s. X1, X2, ..., Xn.
Sabemos que X ser utilizado como estimador de La LGN justifica la aproximacin.
Buscamos la distribucin de X para poder adems calibrar el error de la aproximacin:
Si conocemos que la ley de X es normal, N(,), entonces X N ( ,
aprox
Si la ley de X no es normal, pero n es grande, entonces X N ( ,
n) .
n ) por el TCL.
Entonces, podemos calcular la probabilidad de cometer a lo sumo un error en la estimacin:

n
X
n
n

1 2
P X P X P

n n n
Distribucin de medias muestrales
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
DISTRIBUCIN DE X n EN POBLACIONES NO NORMALES.

ILUSTRACIN DEL EFECTO LMITE CENTRAL (TCL).
Distribucin de promedios de observaciones de una v.a. con distribucin exp(1).
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
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
50 X n 50 P 1 N (0,1) 1 (1) (1) 0.68.

50
50
P
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
1 2(0.2 n ) 0.95 (0.2 n ) 0.025 0.2 n 1.96 n 97 .
173
ESTADSTICA
PROBLEMAS BSICOS DE ESTADSTICA INFERENCIAL

1.-VARIABLES CUANTITATIVAS (POBLACIONES NORMALES)
1.1.- Estudio de una poblacin normal. (Problemas de una muestra)
Poblacin: XN(,), Muestra: X1, ...,Xn X , S
1.1.1.- Inferencias sobre la media .
1.1.2.- Inferencias sobre la desviacin tpica
1.2.- Comparacin de poblaciones normales. (Problemas de dos muestras)
Poblacin 1: X1N(1, 1), Muestra 1: X 1,1 ,..., X 1, n X 1 , S1
Poblacin 2: X2N(2, 2), Muestra 2: X 2 ,1 ,..., X 2 ,n X 2 , S 2
1.2.1.- Comparacin de medias: Inferencias sobre 12 (12=0 12).
1.2.2.- Comparacin de varianzas: Inferencias sobre 12/22 (12/22 =1 1=2).
1
1.3.- Ajuste a la normal

2.- VARIABLES CUALITATIVAS O ATRIBUTOS (PROPORCIONES)
2.1.- Estudio de una proporcin. (Problemas de una muestra)
Poblacin: X B(p), Muestra: X1, ...,Xn. p X
Inferencias sobre la proporcin p.
2.2.- Comparacin de proporciones p1p2. (Problemas de dos muestras)
Poblacin 1: X1 B(p1), Muestra 1: X 1,1 ,..., X 1,n p 1 X 1
Poblacin 2: X2 B(p2), Muestra 2: X 2 ,1 ,..., X 2 ,n p 2 X 2
Inferencias sobre p1p2 (p1p2=0 p1p2).
1
174
ESTADSTICA
ESTIMADORES DE PARMETROS EN MODELOS NORMALES Y PROPORCIONES

1.-VARIABLES CUANTITATIVAS (POBL. NORMALES)
1.1.- Estudio de una poblacin normal.
1
1.1.1.- X n i 1 X i estimador de la media .

n
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
2.2.- Comparacin de proporciones: p1p2.

p 1 p 2 X 1 X 2 estimador de p1p2.
175
ESTADSTICA
DISTRIBUCIONES EN EL MUESTREO DE POBLACIONES NORMALES

1.- Estudio de una poblacin normal.
Parmetro
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
2.- Comparacin de dos poblaciones normales.

Parmetro
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
Distribucin
2 de Pearson (Chi cuadrado)
Se obtiene de sumar cuadrados de variables normales independientes.

X 1 ,... X n v.a. i.i.d .,
X i N (0,1)
X
i 1
2
i
n2 : Distribucin chi-cuadrado con n grados de libertad.
Aplicacin a la estimacin de : X 1 ,... X n v.a. i.i.d ., X i N ( , )
(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
Distribucin t de Student.
Se obtiene del cociente
N (0,1)
1
n
2
n
t n : Distribucin t de Student con n grados de libertad.
(siendo el numerador y el denominador independientes)

Aparece al estandarizar X cuando sustituimos desconocido por su estimador S (studentizacin).
X 1 ,... X n v.a. i.i.d .,
X i N ( , )
X
(n -1) S 2
N (0,1) ,
n21 indeps.
n)
2
X N ( ,
X
tn 1
S n
Est tabulada. En las tablas encontramos para distintos valores de n y t n , P t n t n ,

Para obtener valores en la cola izquierda se usa la simetra: t n ,1 t n , .
Para valores de n grande: t N (0,1)
Distribucin t de Student
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
Distribucin F de Fisher-Snedecor
1
n1
Se obtiene del cociente
1
n2
n2
Fn ,n : Distribucin F con n y n grados de libertad.
2
1
2
n
1
(siendo el numerador y el denominador independientes)

Aplicacin a la estimacin de 12
X 1,1 ,... X 1,n1 v.a. i.i.d . X 1,i N ( 1 , 1 ),

2
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
g.l. Num, g.l. Denom

5,5
5,25
25,5
25,25
densidad
densidad
0,8
0,6
Fn1 ,n2
0,6
0,4
0,4
0,2
0,2
0
0
Fn1 ,n2 ,
179
ESTADSTICA
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
DISTRIBUCIONES ASINTOTICAS (aproximaciones para MUESTRAS GRANDES)

MUESTREO DE PROPORCIONES
Parmetro Estimador
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
Distribucin lmite bis

p p
~ 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
MUESTREO DE VARIABLES CUANTITATIVAS CUALESQUIERA

Parmetro Estimador
12
Distribucin lmite
aprox
X N ( ,
X1 X 2
n)
12 22
X 1 X 2 N 1 2 ,
n1 n 2
aprox
Distribucin lmite bis

X ~
S
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
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)
que nos proporciona el TCL.
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
0.105 0.08 1 0.92

0.08 * 0.92
100
2(0.83) 1 0.599.
0.323.
0.18.
Nota: En todos los casos se ha utilizado la correccin por continuidad.

182

Tema 0010

Загружено:

Сведения о документе

Авторское право

Доступные форматы

Поделиться этим документом

Поделиться или встроить документ

Параметры публикации

Этот документ был вам полезен?

Это неприемлемый материал?

Авторское право:

Доступные форматы

Tema 0010

Загружено:

Авторское право:

Доступные форматы

ESTADSTICA

GRADOS EN INGENIERA MECNICA, INGENIERA QUMICA E

TEMA 10.- INTRODUCCIN A LA

- Distribuciones muestrales en modelos normales.

- Distribuciones muestrales para muestras grandes.

William S. Gosset (Student)

Tema 10. Introduccin a la Estadstica Inferencial.

DE LA ESTADSTICA DESCRIPTIVA A LA ESTADSTICA INFERENCIAL

EJEMPLO: Dos proveedores A y B suministran a un fabricante el mismo producto qumico cuya

Estimadores. Para aproximar o estimar un parmetro desconocido, , en una poblacin, se elige

(sern usados habitualmente como estimadores de los parmetros y , respectivamente).

Tema 10. Introduccin a la Estadstica Inferencial.

LEY DE LOS GRANDES NMEROS

X toma valores centrados en el parmetro a estimar (es un estimador insesgado).

Ley de los Grandes Nmeros

La prueba se basa en la Desigualdad de Chebyshev:

Interpretacin probabilstica de la LGN:

Tema 10. Introduccin a la Estadstica Inferencial.

Aplicacin estadstica de la Ley de los Grandes Nmeros:

Tema 10. Introduccin a la Estadstica Inferencial.

DISTRIBUCIN DE ESTADSTICOS Y ESTIMADORES

Ilustracin del concepto de distribucin de un estadstico T estimador de un parmetro

x1,1 ,..., x1,n

Tema 10. Introduccin a la Estadstica Inferencial.

T ( x1,1 ,..., x1,n ) t1

DISTRIBUCIN DE LA MEDIA MUESTRAL

Si la ley de X no es normal, pero n es grande, entonces X N ( ,

Entonces, podemos calcular la probabilidad de cometer a lo sumo un error en la estimacin:

Distribucin de medias muestrales

Tema 10. Introduccin a la Estadstica Inferencial.

DISTRIBUCIN DE X n EN POBLACIONES NO NORMALES.

Tema 10. Introduccin a la Estadstica Inferencial.

50 X n 50 P 1 N (0,1) 1 (1) (1) 0.68.

1 2(0.2 n ) 0.95 (0.2 n ) 0.025 0.2 n 1.96 n 97 .

Tema 10. Introduccin a la Estadstica Inferencial.

PROBLEMAS BSICOS DE ESTADSTICA INFERENCIAL

1.3.- Ajuste a la normal

Tema 10. Introduccin a la Estadstica Inferencial.

ESTIMADORES DE PARMETROS EN MODELOS NORMALES Y PROPORCIONES

1.1.1.- X n i 1 X i estimador de la media .

2.2.- Comparacin de proporciones: p1p2.

DISTRIBUCIONES EN EL MUESTREO DE POBLACIONES NORMALES

2.- Comparacin de dos poblaciones normales.

Tema 10. Introduccin a la Estadstica Inferencial.

2 de Pearson (Chi cuadrado)

Se obtiene de sumar cuadrados de variables normales independientes.

n2 : Distribucin chi-cuadrado con n grados de libertad.

Aplicacin a la estimacin de : X 1 ,... X n v.a. i.i.d ., X i N ( , )

Tema 10. Introduccin a la Estadstica Inferencial.

t n : Distribucin t de Student con n grados de libertad.

(siendo el numerador y el denominador independientes)

Est tabulada. En las tablas encontramos para distintos valores de n y t n , P t n t n ,

Tema 10. Introduccin a la Estadstica Inferencial.

Se obtiene del cociente

(siendo el numerador y el denominador independientes)

X 1,1 ,... X 1,n1 v.a. i.i.d . X 1,i N ( 1 , 1 ),

g.l. Num, g.l. Denom

Tema 10. Introduccin a la Estadstica Inferencial.

Tema 10. Introduccin a la Estadstica Inferencial.

DISTRIBUCIONES ASINTOTICAS (aproximaciones para MUESTRAS GRANDES)

Distribucin lmite bis

MUESTREO DE VARIABLES CUANTITATIVAS CUALESQUIERA

Tema 10. Introduccin a la Estadstica Inferencial.

Distribucin lmite bis