Diapositivas Tema 5. Inferencia Estadística PDF

INFERENCIA
ESTADSTICA
INTRODUCCIN A LA INFERENCIA
Un ingeniero de estructuras est analizando la resistencia a la tensin de

un componente utilizado en el chasis de un coche. Debido a que la
variabilidad en la resistencia a la tensin est presente en cada
componente (debido a los distintos lotes de materias primas, el proceso de
manufactura, etc.), el ingeniero est interesado en estimar la
resistencia media de los componentes.
Cuando en estadstica se puede observar todos los elementos de un
colectivo (observacin exhaustiva) entonces la tarea de la estadstica se
reduce a describir las caractersticas y regularidades: Estadstica
Descriptiva.
Pero frecuentemente, NO podemos conocer TODOS los elementos
El estudio de los elementos del colectivo puede implicar la
destruccin del propio elemento:
Estudiar la vida media de una partida de bombillas
La tensin de rotura de un cable
Los elementos pueden existir conceptualmente, pero No en la realidad
Poblacin de piezas defectuosas que producir una mquina
Puede ser inviable econmicamente (coste) estudiar todos los
elementos del colectivo
Un ingeniero de estructuras est analizando la resistencia a la tensin de

un componente utilizado en el chasis de un coche. Debido a que la
variabilidad en la resistencia a la tensin est presente en cada
componente (debido a los distintos lotes de materias primas, el proceso de
manufactura, etc.), el ingeniero est interesado en estimar la
resistencia media de los componentes.
En la prctica, el ingeniero tomar una muestra de la
poblacin para calcular un nmero que sea, de algn modo,
una buena aproximacin del verdadero valor de la media.
La poblacin o colectivo estudiado, es el conjunto de personas u
objetos que se desea investigar.
La muestra, es un subconjunto representativo de la poblacin.
Dependiendo del tamao de la poblacin y del tipo de estudio
se trabajar con una muestra o con toda la poblacin.
Razones para tomar muestras:

tiempo, dinero, accesibilidad,
Esquema de cmo se lleva a cabo un estudio estadstico
Se denomina muestreo al procedimiento mediante el cual se elige
una muestra.
La muestra debe ser representativa de la poblacin que se desea
estudiar y reflejar las caractersticas de los elementos que la
componen.
Existen muchos tipos de muestreo que se pueden resumir en dos
grandes grupos: muestreo probabilstico y no probabilstico.
Muestreo no probabils0co
La seleccin de la muestra no
es aleatoria, sino que se basa,
en parte, en el juicio del
responsable de la invesEgacin.
Muestreo probabils0co
Se eligen las unidades muestrales a
travs de un proceso aleatorio.
Cada elemento de la poblacin Eene
una probabilidad conocida de ser
elegido
Se denomina muestreo al procedimiento mediante el cual se elige
una muestra.
La muestra debe ser representativa de la poblacin que se desea
estudiar y reflejar las caractersticas de los elementos que la
componen.
Existen muchos tipos de muestreo que se pueden resumir en dos
grandes grupos: muestreo probabilstico y no probabilstico.
Muestreo no probabils0co
La seleccin de la muestra no
es aleatoria, sino que se basa,
en parte, en el juicio del
responsable de la invesEgacin.
Muestreo probabils0co
Se eligen las unidades muestrales a
travs de un proceso aleatorio.
Cada elemento de la poblacin Eene
una probabilidad conocida de ser
elegido
Muestreo probabilstico
Este tipo de muestreo se base en la estadstica terica, lo que
permite acotar los errores cometidos o evaluar la precisin.
Es el nico mtodo que puede evaluar la representatividad de la
muestra.
Existen diversos procedimientos, pero todos ellos se basan en un
proceso de azar.
Procedimientos de muestreo probabilstico
Muestreo aleatorio.
Sistemtico.
Estratificado.
Conglomerados.
Muestreo Aleatorio Simple - M.A.S
Es un muestreo sin reemplazamiento
Todas las unidades que componen la poblacin tienen la misma
probabilidad de ser elegidas
Para realizar un M.A.S se necesita la enumeracin de las N unidades
que componen la poblacin para obtener aleatoriamente una muestra
de nmeros comprendidos entre 1 y N hasta formar una muestra de n
unidades.
La dificultad consiste en la localizacin previa de todos los elementos
de la poblacin, lo cual suele resultar muy difcil en la prctica. Por eso
se acude a procedimientos pseudoaleatorios, intentando que todas las
unidades de la poblacin tengan la misma probabilidad de ser elegidas.
En lo que sigue trabajaremos con m.a.s.
INFERENCIA
Partimos del hecho de que una Muestra (m.a.s.), en general, no da

una informacin exacta de las caractersticas de la poblacin que
deseamos estudiar.
La Inferencia es el Proceso mediante el cual se utiliza la
informacin de una muestra para extraer conclusiones de la
poblacin:
1. Utilizar la Muestra para estimar las caractersticas de la
Poblacin (Teora de la Estimacin)
2. Emitir Hiptesis sobre las caractersticas tomando como base la
experiencia, otras informaciones o incluso el presentimiento o
la corazonada (Contrastacin de Hiptesis)
Qu conozco?
DISTRIBUCIN
(NORMAL,
POISSON)
Estimar parmetros
de la distribucin
INFERENCIA
PARAMTRICA
NO SABEMOS
NADA DE LA
DISTRIBUCIN
INFERENCIA NO
PARAMTRICA
Qu conozco?
DISTRIBUCIN
(NORMAL,
POISSON)
Estimar parmetros
de la distribucin
INFERENCIA
PARAMTRICA
NO SABEMOS
NADA DE LA
DISTRIBUCIN
INFERENCIA NO
PARAMTRICA
Un ingeniero est interesado en conocer la velocidad media de
transmisin de datos a travs de un nuevo sistema ptico.
Mide la tasa de transferencia de datos en 20 ocasiones, obteniendo una
tasa media de 148 Mbps.
148 Mbps es un estimador puntual de la verdadera tasa
de transmisin.
IC95%=[145,150]: tenemos una confianza del 95 % de
que el verdadero valor de la velocidad media est entre 145
y 150 Mbps.
La tasa media de transmisin es como mucho 150 Mbps?
Un ingeniero est interesado en conocer la velocidad media de
transmisin de datos a travs de un nuevo sistema ptico.
Mide la tasa de transferencia de datos en 20 ocasiones, obteniendo una
tasa media de 148 Mbps.
ESTIMACIN
PUNTUAL
ESTIMACIN
POR
INTERVALOS
148 Mbps es un estimador puntual de la verdadera tasa

de transmisin.
IC95%=[145,150]: tenemos una confianza del 95 % de
que el verdadero valor de la velocidad media est entre 145
y 150 Mbps.
CONTRASTE DE La
HIPTESIS
tasa media de transmisin es como mucho 150 Mbps?
ESTIMACIN
PUNTUAL Y POR
INTERVALOS
ESTIMACIN
El objetivo de la estimacin de parmetros es proveer de
mtodos que permitan determinar, con cierta precisin, el valor de
los parmetros de un modelo a partir de una muestra extrada de la
poblacin.
En la muestra
En la poblacin
Su equivalente
Media poblacional:
2
Varianza poblacional:
Proporcin poblacional:
Media muestral: x
2
Varianza muestral: S
Proporcin muestral: p
La estimacin puede ser:

ESTIMACION PUNTUAL
ESTIMACION POR INTERVALOS
ESTIMACIN PUNTUAL
Muestra de tamao n
Cada X i es una variable aleatoria
- Son independientes
Muestra
concreta (x1 , x2 , , xn )
- Todas tienen la misma distribucin
Un estadstico es cualquier funcin de las observaciones en una
n
muestra aleatoria
X
(X1 , X 2 ,, X n )
f ( X 1 , X 2 ,..., X n ) = X i ;
f ( X 1 , X 2 ,..., X n ) =
i =1
i =1
Un estimador es un estadstico que se utiliza para estimar un

parmetro desconocido de la poblacin n
Notacin
f ( X 1 , X 2 ,..., X n ) =
X
i =1
= X =
Una estimacin es un valor concreto del estimador para una

muestra particular
(x1, x2 , x3 ) = (1,1, 4) x = 2
ESTIMACIN PUNTUAL
Ejemplos de esEmadores
T = X = i=1
n
2
Estimadores de la varianza poblacional
Estimador de la media poblacional
T1 =
(X
i =1
X)
= S ; T2 =
(X
i =1
X)
n 1
=S
Cuasivarianza
2
c
ESTIMACIN PUNTUAL
Los estadsticos y estimadores son variables aleatorias que tendrn una
distribucin de probabilidad con una media y una desviacin tpica.
Ejemplo
Sea X= n de hermanos. Tomamos muestras de tamao 3 y calculamos su media.
Muestra 1:
Muestra 2:
Muestra 3:
(x1, x2 , x3 ) = (3,1, 5);

(x1, x2 , x3 ) = (1,1, 4);
(x1, x2 , x3 ) = (2, 3, 2);
x=3
x=2
x = 2.33
Muestra k:
(x1, x2 , x3 ) = (2,1, 2);
x = 1.66
es a su vez una variable aleatoria cuyos valores resultan de obtener las

medias de muestras del mismo tamao (en este caso 3), y por tanto tendr
una media X y una varianza X2 .
ESTIMACIN PUNTUAL
Propiedades de los estimadores
Ser un estimador adecuado no significa ...
significa ...
... manejo de la incertidumbre y de la

imprecisin
ESTIMACIN PUNTUAL
Un estimador debera estar cerca, en algn sentido, del verdadero
valor del parmetro: INSESGADEZ.
Un estimador es insesgado o centrado si su media coincide con el
verdadero valor del parmetro (para cualquier tamao muestral)
T es un estimador insesgado del parmetro si E[T ] =
Llamamos Sesgo a la diferencia:
E[T ]
ESTIMACIN PUNTUAL
Otra propiedad deseable es que la varianza de un estimador sea lo
ms pequea posible: EFICIENCIA.
La eficiencia o precisin de un estimador T es la inversa de su
varianza:
1
Efic[T ] =
Var[T ]
Dados dos estimadores T1 y T2 de un parmetro poblacional ,

diremos que T1 es ms eficiente que T2 si Var[T1 ] < Var[T2 ]
ESTIMACIN PUNTUAL
Y si tenemos dos estimadores, T1 y T2, del mismo parmetro, ,
siendo T1 insesgado pero T2 ms eficiente que T1, cul escogemos?
Preciso y centrado
(insesgado y eficiente)
Preciso pero no centrado

(eficiente)
T2
Caso ideal
Centrado pero no preciso

(insesgado)
T1
ESTIMACIN PUNTUAL
El que tenga un menor ERROR CUADRTICO MEDIO.
Error cuadrtico Medio (tiene en cuenta lo preciso que es un

estimador y lo prximo que est al verdadero valor del parmetro)
Error
Cuadrtico
2
2$
"
ECM [T ] = E #(T ) % = VAR [T ] + ( sesgo [T ])
Medio
ESTIMACIN PUNTUAL
El que tenga un menor ERROR CUADRTICO MEDIO.
Seleccionaremos el estadstico T1 si verifica
ECM[T1 ] < ECM[T2 ]
ESTIMACIN PUNTUAL
Y si el estimador no es insesgado, qu es lo mnimo que le
podemos exigir? La CONSISTENCIA.
Diremos que un estimador es consistente cuando se aproxima al
valor del parmetro al crecer el tamao muestral. Describe el
comportamiento del estimador cuando el tamao de la muestra
crece.
Se puede considerar como el requisito mnimo que se exige a un
estimador
lim E[Tn ] =
n
lim Var[Tn ] = 0
n
ESTIMACIN PUNTUAL
Cmo se puede medir la fiabilidad de un estimador? Con el ERROR
ESTNDAR del estimador.
Este error trata de captar la variabilidad que tienen los valores del
estimador en todas las posibles muestras de un tamao
determinado.
El error estndar de un estimador es la desviacin tpica de dicho
estimador. Si la desviacin tpica depende del parmetro, la
sustitucin del parmetro por su estimacin da lugar al error
estndar estimado.
ESTIMACIN PUNTUAL
Estimadores para la media y la varianza
MEDIA
Dadas X1,,Xn variables independientes con media y desviacin tpica .
n
Para estimar consideramos el siguiente estimador: T = X =

INSESGADO
i =1
E [X ] =
Var [ X ] =
EE(X) =
2
n
ES CONSISTENTE
s
Error estndar de la media
n
ESTIMACIN PUNTUAL
Estimadores para la media y la varianza
VARIANZA
Dadas X1,,Xn variables independientes con media y desviacin tpica .
Para estimar consideramos dos estimadores:
n
T1 =
SESGADO
INSESGADO
(X
i =1
X)
= S 2 ; T2 =
n 1 2
E [T1 ] = E S =
n
E [T2 ] = E S c2 = 2
[ ]
[ ]
2
(X
i =1
X)
n 1
= Sc2
2(n 1) 4
Var[T1 ] = Var S =
2
n
2
Var[T2 ] = Var Sc2 =
4
n 1
[ ]
2
[ ]
Var[T1 ] < Var[T2 ]

T1 es ms eficiente que T2
ESTIMACIN PUNTUAL
Algunas distribucin en el muestreo.
Si tenemos X 1 ,...X n variables aleatorias normales, entonces
X
X=
n

~ N ,
Equivalentemente:
Z=
X-
~ N (0,1)
ESTIMACIN PUNTUAL
Y si no son normales?

X
X=
n
" %
~ N $ ,
'
#
n&
Equivalentemente:
Z=
X-
~ N (0,1)
ESTIMACIN PUNTUAL
Si las X i no son normales pero n es suficientemente grande, por el
Teorema Central del Lmite tambin sera aproximadamente cierto:

X N ,
o Z=
N (0,1)
ESTIMACIN PUNTUAL
(n 1)Sc2
2
2
Donde S c
(
X
~ n21
i X)
es la cuasivarianza muestral.
n 1
2
n1
Se conoce como la distribucin Chi-cuadrado

con (n-1) grados de libertad
ESTIMACIN PUNTUAL
Distribucin Chi-Cuadrado con n grados de libertad.
Funcin densidad de distribuciones Chi-cuadrado
0,1
E [ n ] = n
0,08
0,06
Var[ n ] = 2n
0,04
0,02
0
0
20
40
60
80
Si tenemos X 1 ,...X n
entonces
v.a. independientes que siguen una distribucin N(0,1),

n
2
2
X
~
i n
i =1
Teniendo esto en cuenta, es fcil ver que
(n 1)S
2
2
c
X X
= i

~ n21
ESTIMACIN PUNTUAL
T=
Donde
t n 1
X-
~ t n 1
Sc
n
se conoce como la distribucin t- student con (n-1)

grados de libertad
Si Z sigue una distribucin Normal N(0,1) y X sigue

una distribucin Chi-cuadrado con n grados de libertad, entonces
Z
~ tn
X
n
ESTIMACIN PUNTUAL
Distribucin t-Student con n grados de libertad
Es simtrica, con mayor dispersin que la normal estndar y
tiende a sta al aumentar el valor de n
(prcticamente coinciden si n > 100).
Para valores de n > 30 se puede considerar que la normal estndar da una buena
aproximacin de la t de Student.
E[t n ] = 0
Var[t n ] = n
(n 2)
ESTIMACIN POR INTERVALOS

Los estimadores proporcionan una estimacin puntual de los
parmetros de la poblacin, pero no proporcionan ninguna idea de
la precisin de tal estimacin ni de la probabilidad de que tal
estimacin sea la correcta.
Los intervalos de confianza son un medio de conocer el valor de
un parmetro en una poblacin, midiendo el grado de error debido
al azar que lleva implcito el proceso.
PARAMETRO
ESTIMADOR
INTERVALO

En el contexto de estimar un parmetro poblacional, un intervalo
de confianza es un rango de valores (calculado a partir de una
muestra) entre los cuales se encuentra el verdadero valor del
parmetro, con una probabilidad determinada.
Ahora bien, cun grande habr de ser el intervalo de confianza?
Evidentemente, si decimos que el intervalo de confianza va de
menos infinito a ms infinito, seguro que acertamos...pero eso no es
muy til.
La idea es crear unos intervalos de confianza de manera que
sepamos en qu porcentaje de casos el parmetro estar dentro del
intervalo.

Ejemplo
Medimos 20 veces la temperatura en un recipiente, y calculamos su media
que resulta ser 120C.
La media de 120C es un estimador puntual de la verdadera
temperatura del recipiente.
Un Intervalo de Confianza al 95% para la media sera: I.C.=[ 100, 140]
Esto quiere decir que tenemos una confianza del 95 % de que el
verdadero valor del parmetro est entre 100C y 140C.

Ejemplo
Interpretacin: si continuamos tomando muestras de 20 temperaturas y
calculamos su media y el I.C. asociado a cada una, entonces el 95% de los
I.C. contendran el verdadero valor de la temperatura.


Ejemplo
Expresado en trminos de probabilidad,
Si el Intervalo de Confianza al 95% para la media es I.C.=[ 100, 140],
P(100 140)=095 Nivel de confianza: 095
En tal caso, la probabilidad de que no pertenezca a dicho intervalo ser
de 0'05; se ser por lo tanto el riesgo asumido con esa estimacin (nivel
de significacin).

Obje0vo:
Obtener un intervalo (intervalo de conanza) tal que haya una
determinada probabilidad conocida (nivel de conanza) de que
contenga al verdadero valor del parmetro poblacional.
Intervalo de confianza al 100(1-)% de confianza para el parmetro :

IC1 ( ) = [a, b]
P(a b) = 1

Nivel de confianza 1-
Nivel de significacin:

El nivel de confianza lo fija el investigador

95% de confianza:
Nivel de confianza 095
Nivel de significacin: 005
90% de confianza:
99% de confianza:

IC1 ( ) = [a, b]
P(a b) = 1
La longitud de un intervalo de confianza, b-a, es una importante medida

de la calidad de la informacin obtenida de la muestra.
La mitad de esta longitud se conoce como precisin.
- cuanto mayor sea la longitud de un intervalo, mayor confianza
tendremos en que contenga al verdadero valor del parmetro.
- cuanto mayor sea la longitud del intervalo, tendremos menos
informacin acerca del verdadero valor del parmetro.
Qu nivel escoger?
Cmo afecta a la longitud del intervalo?
Y el tamao de la muestra, cmo influye?

Ejemplo
Queremos estimar la media poblacional, .
I.
Para un nivel de confianza del 95% se toman muestras de media 49 y

desviacin tpica 10, se tiene:
- Muestra de tamao 25:
IC0'95 ( ) = [ 44'87, 53'13]
IC0'95 ( ) = [ 46'37, 51'63]
IC0'95 ( ) = [ 48'12, 49'88]
Al aumentar el tamao muestral, la longitud o

anchura del intervalo es menor y el intervalo por
tanto, ms preciso.
Ya veremos
cmo se
obtienen.

Ejemplo
Queremos estimar la media poblacional, .
II. Para una muestra de tamao n=100, con media 49 y desviacin
tpica 10, se tiene:
- Nivel de confianza del
95%: IC0'95 ( ) = [ 47'02, 50'98]
- Nivel de confianza del 99%: IC0'99 ( ) = [ 46'37, 51'63]

- Nivel de confianza del 99.9%: IC0'999 ( ) = [ 45'61, 52'39 ]
Al aumentar la confianza, la longitud o anchura del
intervalo es mayor y el intervalo por tanto, menos
preciso.
Ya veremos
cmo se
obtienen.

Obje0vo:
Obtener un intervalo (intervalo de conanza) tal que haya una
determinada probabilidad conocida (nivel de conanza) de que
contenga al verdadero valor del parmetro poblacional.
IC1 ( ) = [a, b]
P(a b) = 1
Cmo calcular a y b?
Para poblaciones Normales, vamos a ver cmo calcular:
IC para la media

IC para la varianza 2
IC para la proporcin p

1. IC para la media, cuando conocemos la varianza
Supongamos que la poblacin sigue una distribucin normal, donde se
conoce la varianza pero no su media.

Queremos estimar la media a travs de un intervalo de confianza.
Fijamos la confianza al 100(1-)%.
IC1 ( ) = [a, b]
Cunto vale a y b?
P ( a b) = 1
1 n
Un estimador de la media poblacional es la media muestral, x = xi
n i =1
y sabemos que tiene la siguiente distribucin
o equivalentemente, z =
x
~ N (0,1)
/ n
x ~ N ,


IC1 ( ) = [a, b]
P ( a b) = 1
N (0,1)
z=
/2
/2
P( z1 / 2 Z z1 / 2 ) = 1
1-
-z1-/2
x
~ N (0,1)
/ n
z1-/2


P( z1 / 2 Z z1 / 2 ) = 1
Despejando
P z1 / 2
z1 / 2 = 1
/ n
P x
z1 / 2 x +
z1 / 2 = 1
n
n

IC1 ( ) = x
z1 / 2 , x +
z1 / 2
n
n
IC1 ( ) = x
z1 /2
n
Precisin
Nota: Vlido tambin cuando la poblacin no sea Normal y n

sea suficientemente grande (Teorema Central del Lmite)

Ejemplo
Para estimar la media de una poblacin normal cuya varianza es 5, se toma
una muestra de tamao 100, cuya media resulta 20. Encontrar un intervalo
para la media poblacional con un nivel de confianza del 95%.
IC1 ( ) = x
z1 / 2 , x +
z1 / 2
n
n
Nivel de confianza: 095;
1-=095;
=005;
/2=0025;
IC0.95 ( ) = x
z0'975 , x +
z0'975
n
n
Buscamos en la tabla de la N(0,1)

Ejemplo
N (0,1)
0025
0025
095
-z0975
z0975
z0.975 = +1.96

Ejemplo
IC0.95 ( ) = x
z0'975 , x +
z0'975
n
n
x
x+
z1 / 2
z1 / 2
5
= 20
1.96 = 19.56
100
5
= 20 +
1.96 = 20.44
100
[19'56, 20'44]
Con una confianza del 95%

Determinacin del tamao muestral para controlar el error de estimacin
x
z1 / 2 x +
z1 / 2
n
n
x
z1 /2
n
x+
z1 /2
n
Error mximo que cometemos al estimar un parmetro mediante su

estimador es:
n=
2
E
z1 / 2 = E
Despejando n
2
1 / 2

Ejemplo
La duracin de la batera de cierto modelo de telfono mvil se puede
aproximar por una distribucin normal con una desviacin tpica de 2
meses.
Cuntas bateras de ese modelo debo tomar para determinar su

duracin media con una precisin de 025 y una confianza del 95%?
n=
2
1 / 2
=2
E = 0'25
z1 / 2 = z0'975 = 1'96
n=24586~246 bateras

2. IC para la media, cuando NO conocemos la varianza
Supongamos que la poblacin sigue una distribucin normal, donde NO
se conoce ni la varianza ni su media.

El procedimiento es anlogo al caso de que conozcamos :
-Sustituimos por la cuasidesviacin tpica Sc
-Teniendo ahora en cuenta que:
x
~ tn1
Sc n
Sc
Sc
IC1 ( ) = x
t n 1,1 / 2 , x +
tn 1,1 / 2
n
n
Para estimar el tamao muestral en este caso,
Sc2 2
n = 2 t n 1,1 / 2
E

Ejemplo
Se sabe que la tasa de transmisin de datos de un medio ptico es una v.a.
que se distribuye segn una Normal. Se toma una muestra de tamao 25
y se obtiene que la velocidad de transmisin media de esa muestra es
1513 y una varianza de 16 Mbps. Se fija un nivel de significacin de 002.
Obtener un IC para la velocidad de transmisin media.
Sc
Sc
IC1 ( ) = x
t n 1,1 / 2 , x +
tn 1,1 / 2
n
n
Nivel de significacin : 002;
/2=001;
1-/2=099;
n 2
n = 25; x = 151'3; S = 16; S =
S = 16'67; Sc = 4'08
n 1
2
2
c

Ejemplo
Sc
Sc
IC1 ( ) = x
t n 1,1 / 2 , x +
tn 1,1 / 2
n
n
Buscamos en la tabla de la t-student con n-1=24 grados de libertad
t 24
001
001
098
-t099
t099
Ejemplo
t 24, 0'99 = 2'492

Ejemplo
Sc
x
t 24, 0 '99 = 151'3
n
Sc
x+
t 24, 0 '99 = 151'3 +
n
4'08
2'492 = 149'27
25
4'08
2'492 = 153'33
25
[149'27,153'33]

3. IC para la varianza
Supongamos que la poblacin sigue una distribucin normal, donde no
se conoce la varianza ni su media.

El procedimiento es anlogo a los anteriores, teniendo en cuenta que:
(n 1)Sc2
2
~ n21
/2

2 / 2
( )
IC1 2
1-

1-/2

12 / 2
(n 1)Sc2 (n 1)Sc2
= 2
, 2
n 1, / 2
n1,1 / 2

Ejemplo
Un ingeniero que trabaja para una fbrica de neumticos est investigado
la duracin de unas ruedas hechas con un nuevo tipo de caucho. Por
estudios anteriores se sabe que la duracin de las ruedas sigue una
distribucin Normal. Si el ingeniero fabrica 16 ruedas y mide los
kilmetros que duran, obteniendo una cuasivarianza de 364594, obtn
un intervalo para la varianza con un nivel de confianza del 90%.
Nivel de confianza 1-: 090;
( )
IC0.90
=010; 1-/2=095; n = 16; S c = 3645'94
15 3645'94 15 3645'94
=
,
2
2
15
,
0
'
95
15
,
0
'
05
Buscamos en la tabla de la Chi-cuadrado con n-1=15 grados de libertad

Ejemplo
005
2
0'05
2
15,0'05
= 7'26
2
15,0'95
= 25
095
02'95

Ejemplo
Un ingeniero que trabaja para una fbrica de neumticos est investigado
la duracin de unas ruedas hechas con un nuevo tipo de caucho. Por
estudios anteriores se sabe que la duracin de las ruedas sigue una
distribucin Normal. Si el ingeniero fabrica 16 ruedas y mide los
kilmetros que duran, obteniendo una cuasivarianza de 364594, obtn
un intervalo para la varianza con un nivel de confianza del 90%.
( )
IC0.90
15 3645'94 15 3645'94
=
,
= [2187'56,7532'93]
25
7'26
2 [2187'56,7532'93]

4. IC para la proporcin
Sean X1,X2,Xn ~Be(p). Queremos estimar el parmetro p.
Estimador de p: p = X/n, siendo X= X1+X2++Xn ~B(n, p)
Bajo ciertas condiciones (n grande y p no cercano a 0 ni 1):
X ~ B(n, p ) N np, np(1 p)

Por tanto,
#
p(1 p) &
p N % p,
(;
n '
$
z=
p p
N (0,1)
p (1 p)
n
Siguiendo procedimiento anlogo al caso de la media

4. IC para la proporcin
Sean X1,X2,Xn ~Be(p). Queremos estimar el parmetro p.
p (1 p )
p (1 p )
IC1 ( p ) = p z1 / 2
, p + z1 / 2
n
n
Para estimar el tamao muestral en este caso,
p p z1 / 2
p (1 p )
=E
n
n=z
2
1 / 2
p (1 p )
E2

Ejemplo
Si de un total de 100 piezas han resultado 36 defectuosas, hallar un intervalo
de confianza al 95% para la proporcin real de piezas defectuosas.
"
p (1 p )
p (1 p ) %
'
IC1 ( p) = $ p z1 /2
, p + z1 /2
n
n '&
$#
Nivel de confianza: 1-=095; =005;
p z1 /2
p + z1 /2
p = 0'36;
z1 / 2 = z0'975 = 1'96
p(1
p)
0'36 0'64
= 0'36 1'96
= 0'266
n
100
p [0'266, 0' 454]
p(1
p)
0'36 0'64
= 0'36 +1'96
= 0' 454 Con una confianza del 95%
n
100

Diapositivas Tema 5. Inferencia Estadística PDF

Încărcat de

Informații document

Titlu original

Drepturi de autor

Formate disponibile

Partajați acest document

Partajați sau inserați document

Opțiuni de partajare

Vi se pare util acest document?

Este necorespunzător acest conținut?

Drepturi de autor:

Formate disponibile

Diapositivas Tema 5. Inferencia Estadística PDF

Încărcat de

Drepturi de autor:

Formate disponibile

INFERENCIA

Un ingeniero de estructuras est analizando la resistencia a la tensin de

Un ingeniero de estructuras est analizando la resistencia a la tensin de

Razones para tomar muestras:

Partimos del hecho de que una Muestra (m.a.s.), en general, no da

148 Mbps es un estimador puntual de la verdadera tasa

tasa media de transmisin es como mucho 150 Mbps?

La estimacin puede ser:

Un estimador es un estadstico que se utiliza para estimar un

Una estimacin es un valor concreto del estimador para una

(x1, x2 , x3 ) = (3,1, 5);

(x1, x2 , x3 ) = (2,1, 2);

es a su vez una variable aleatoria cuyos valores resultan de obtener las

Ser un estimador adecuado no significa ...

... manejo de la incertidumbre y de la

Dados dos estimadores T1 y T2 de un parmetro poblacional ,

Preciso pero no centrado

Centrado pero no preciso

Error cuadrtico Medio (tiene en cuenta lo preciso que es un

Seleccionaremos el estadstico T1 si verifica

ECM[T1 ] < ECM[T2 ]

Para estimar consideramos el siguiente estimador: T = X =

Var[T1 ] < Var[T2 ]

Si tenemos X 1 ,...X n variables aleatorias normales, entonces

Se conoce como la distribucin Chi-cuadrado

v.a. independientes que siguen una distribucin N(0,1),

Teniendo esto en cuenta, es fcil ver que

se conoce como la distribucin t- student con (n-1)

Si Z sigue una distribucin Normal N(0,1) y X sigue

ESTIMACIN POR INTERVALOS

ESTIMACIN POR INTERVALOS

ESTIMACIN POR INTERVALOS

ESTIMACIN POR INTERVALOS

ESTIMACIN POR INTERVALOS

ESTIMACIN POR INTERVALOS

ESTIMACIN POR INTERVALOS

La longitud de un intervalo de confianza, b-a, es una importante medida

ESTIMACIN POR INTERVALOS

Para un nivel de confianza del 95% se toman muestras de media 49 y

- Muestra de tamao 25:

IC0'95 ( ) = [ 44'87, 53'13]

- Muestra de tamao 100:

IC0'95 ( ) = [ 46'37, 51'63]

- Muestra de tamao 500:

IC0'95 ( ) = [ 48'12, 49'88]

Al aumentar el tamao muestral, la longitud o

ESTIMACIN POR INTERVALOS

95%: IC0'95 ( ) = [ 47'02, 50'98]

- Nivel de confianza del 99%: IC0'99 ( ) = [ 46'37, 51'63]

ESTIMACIN POR INTERVALOS

ESTIMACIN POR INTERVALOS

conoce la varianza pero no su media.

ESTIMACIN POR INTERVALOS

conoce la varianza pero no su media.

ESTIMACIN POR INTERVALOS

conoce la varianza pero no su media.

ESTIMACIN POR INTERVALOS

Nota: Vlido tambin cuando la poblacin no sea Normal y n

ESTIMACIN POR INTERVALOS

Nivel de confianza: 095;

Buscamos en la tabla de la N(0,1)

ESTIMACIN POR INTERVALOS

ESTIMACIN POR INTERVALOS