CONTROL DE CALIDAD

INFERENCIA ESTADISTICA

IIMPI- Facultad de Ingeniera - 2008

11-ago-14 1
 Objetivos:
Definir conceptos bsicos de inferencia estadstica.
Comprender y aplicar los teoremas fundamentales.

Analizar distribuciones muestrales de probabilidad para su

posterior aplicacin en la resolucin de problemas.

Comprender y manipular herramientas de Inferencia

estadstica acerca de la calidad de los procesos: estimacin
por punto, estimacin por intervalo y Test de Hiptesis.

11-ago-14 2
 Teorema de Aditividad de Varianzas:
(Ley de Propagacin de Errores)

Sea y una funcin de n variables aleatorias independientes xi

2
con promedios y varianzas i y i :
y = f (x1, x2, , xn)

Aproximando la funcin f(xi) a una funcin lineal mediante una

serie de Taylor alrededor de (1,2,,n), y despreciando los
trminos de orden superior surge que:

y ~ f (1, 2, , n)
f
n

2 2
)
2
y
( i
i 1 x i 1 ,..., n
11-ago-14 3
Caso Particular:

y = f(xi) = a1x1 + a2x2 + + anxn

es decir, y es una combinacin lineal de n variables aleatorias

independientes xi con promedios y varianzas i y i2

Entonces se cumple:
Y = a1 1 + a2 2 + + an n
Y2 = a12 12 + a22 22 + + an2 n2

11-ago-14 4
Ejemplo 1:
Determinar el voltaje entre dos puntos a y b de un circuito,
siendo R e I dos variables aleatorias distribuidas normalmente:

V = R . I (Ley de Ohm) I N (I, I2)

R N (R, R2)
( IR ) ( IR )
V I . R ( I I ) (R R )
I I,R R I,R

I . R ( I I ). R ( R R ). I

v ~ I . R
V2 ~ R2 I2 + I2 R2

11-ago-14 5
Ejemplo 2:
Sea y = la longitud de una pieza que se obtiene de ensamblar un
componente A de longitud xA y otro B de longitud xB
y = xA + xB con: xA N(A, A2 )
xB N(B, B2 )
Entonces: Y = A + B
Y2 = A2 + B2
Ejemplo 3:
Sea la variable y la luz entre un eje y la cavidad del cojinete en que
va inserto, con xB = dimetro de la cavidad; xA dimetro del eje:
y = xB - xA con: xA N(A, A2 )
xB N(B, B2 )
Entonces: Y = B - A
Y2 = B2 + A2
11-ago-14 6
 Teorema Central del Limite:

Sean x1, x2,, xn n variables aleatorias independientes y sea

y = a1x1 + a2x2 + + anxn

Sin importar las distribuciones de las xi, y tiene distribucin

aproximadamente Normal.
La aproximacin es tanto mejor cuanto mayor sea n:
n n

N ( ai i , ai
2 2
y n
i
)

En el caso general la aproximacin es buena para n > 30

Si las xi tienen la misma distribucin y esta no se aparta
demasiado de la Normal alcanzar con n 4
11-ago-14 7
Parmetros poblacionales y Parmetros muestrales:
Parmetros poblacionales: se considera que se conoce una
poblacin cuando se conoce la distribucin de probabilidades (o la
densidad de probabilidad, segn el caso) de la variable aleatoria X
asociada a la poblacin.

Ejemplo: X podra ser la variable aleatoria correspondiente a la

estatura de los estudiantes del saln. Si la f(x) correspondiente fuera
conocida, sabramos cmo es la poblacin estatura.

En las distintas expresiones que adopta f(x) segn el caso, aparecen

cantidades tales como promedio, desviacin estndar, proporcin,
etc.: son los parmetros poblacionales.

11-ago-14 8
 En muchos casos no se conocen los parmetros poblacionales,
entonces se obtienen parmetros muestrales o estadsticos
que permiten estimar los parmetros poblacionales.

Las variables aleatorias x1, x2,, xn constituyen una muestra

aleatoria de tamao n si:

i) Las xi son variables aleatorias independientes,

ii) Si todas las xi tienen la misma distribucin de Probabilidad

Se define un estadstico muestral como una funcin de los

valores obtenidos en una muestra de tamao n. Dicha funcin
tambin es una variable aleatoria g = (x1,,xn)

En general, a cada parmetro poblacional le corresponder un

estadstico muestral calculado en forma similar a l. Pero esto no
siempre producir el mejor estimador del parmetro poblacional.
11-ago-14 9
La cuestin es: decidir como formar el estadstico muestral
apropiado que mejor estime un parmetro poblacional dado.

La Distribucin de Probabilidad de un Estadstico Muestral se

denomina Distribucin Muestral de probabilidad.

Grados de libertad de un estadstico: Para calcular un estadstico

es necesario basarse tanto en observaciones extradas
directamente de las muestras como en ciertos parmetros
poblacionales que pueden ser desconocidos y por tanto se estiman
a partir de la propia muestra.
El nmero de grados de libertad de un estadstico de define como el
nmero de observaciones independientes en la muestra (o sea el
tamao muestral) menos el nmero de parmetros de la poblacin
que deben estimarse a partir de las observaciones de la muestra.
11-ago-14 10
 DISTRIBUCIONES MUESTRALES DE PROBABILIDAD

1) Distribucin Muestral de Promedios:

x 1 x 2 ... x n
Sea la variable aleatoria x definida como: x
n
con xi obtenidos al tomar una muestra de tamao n de una poblacin
infinita (por tanto las xi tienen la misma distribucin de parmetros
y 2 de la poblacin)

Entonces la distribucin muestral del estdistico x cumple con lo

siguiente:
x x
Con y 2 parmetros poblacionales

2
2
X

n
11-ago-14 11
Esto es genrico para cualquier distribucin de las xi (por el Teo.
de Aditividad de Varianzas). Si adems las xi estn distribuidas
N(, 2) x N(, 2/n) (por Teo. Central del Lmite)
n4
x
x tambin se puede normalizar: Z

n

y se cumple Z N(0,1) si las xi son normales o

Z tiende a N(0,1) con n en el caso general.

11-ago-14 12
 2) Distribucin Muestral de Proporciones:

De modo similar se llega a que la distribucin del

estadstico p (proporcin muestral) definido como la
proporcin de xitos obtenidos en una muestra de
tamao n extrada de una poblacin de distribucin
B(p,p2) es:
p
p

p .q p (1 p )
p

n n
pq
y si n p N ( p , 2 )
n

11-ago-14 13
 3) Distribucin Chi-cuadrado:

Sean x1, x2,, xn variables aleatorias independientes

todas con N(0,1)

Considrese la variable aleatoria: 2 = x12 + x22 + + xn2

2 tendr una distribucin chi-cuadrado de n grados de

libertad

Con =n y 2=2n

(la funcin f(2) se obtiene de la distribucin gamma

para =n/2 y =2)

11-ago-14 14
11-ago-14 15
Teorema: si V1 y V2 son variables aleatorias independientes
con distribucin 2 de v1 y v2 grados respectivamente V =
V1+V2 tiene distribucin chi-cuadrado con v1+v2 grados de
libertad.

Resultado de inters (*): la expresin

(n-1) S2/2

tiene distribucin chi-cuadrado con n-1 grados de libertad

11-ago-14 16
 4) Distribucin t de Student:
Si x y 2 son variables aleatorias donde x N(0,1) y 2 2n

2
n
t x
La variable aleatoria n tiene una distribucin t con n
grados de libertad.

La funcin f(t) es simtrica respecto a t=0, y sus parmetros son

= 0 y 2 = n/(n-2)

Para n 30 se aproxima mucho a la distribucin Normal

Resultado de inters (**): aplicando (*) se llega a que la expresin

(x-)/(S/n) tiene distribucin t con n-1 grados de libertad

11-ago-14 17
11-ago-14 18
 5) Distribucin F de Fisher:
Si 2u y 2v son 2 variables aleatorias independientes, con
distribucin 2 con u y v grados de libertad respectivamente:

2
/u
la variable aleatoria F
u
tiene una distribucin F con u y v

2
v /v

grados de libertad con 0<F<

v
Con:
v 2
2 v (u v 2 )
2

u ( v 4 )( v 2 )
2

F1 , v 2 , v 1 1
F ,v1,v 2

11-ago-14 19
11-ago-14 20
 Aplicacin:
Se tienen 2 procesos Normales independientes:
1 N( 1,12) y
2 N( 2,22)
Interesa saber si sus varianzas son iguales.
Tomamos una muestra de tamao n1 del proceso 1 y de
tamao n2 del proceso 2 y obtenemos las varianzas
muestrales S12 y S22 a partir de ellas se desmuestra que la
variable aleatoria: 2
s1
2
1
2
Fn 1,n 2 2
1
s2
2
2
11-ago-14 21