Estadistica Inferencial Ignacio

ESTADÍSTICA INFERENCIAL
Conceptos Iniciales
PRUEBA DE HIPÓTESIS
Ignacio Osuna Vergara
Universidad de Córdoba
Ignacio Osuna Vergara iosuna@correo.unicordoba.edu.co ESTADÍSTICA INFERENCIAL

Conceptos Iniciales
Índice General
1 ESTADÍSTICA INFERENCIAL
2 Conceptos Iniciales
Deniciones
Distribución de la media muestral
Distribución muestral de las proporciones
3 PRUEBA DE HIPÓTESIS
Prueba de Hipótesis
Hipótesis sobre la media
Pruebas de Hipótesis sobre π
Logo.jpg

Conceptos Iniciales
Estadística Inferencial
Es el proceso por el cual se deducen (ineren) propiedades o carac-
terísticas de una población a partir de una muestra signicativa
Poblaci ón
Denición Colección de elementos considerados
Características Parámetros
Símbolos Tamaño de la población =N

Media de la población =µ
Desviación estándar de la población =σ
Muestra
Denición Porción de la población seleccionada para su estudio
Características Estadísticos
Símbolos Tamaño de la muestra =n

Media de la muestra =X Logo.jpg
Desviación estándar de la muestra =s
ESTADÍSTICA INFERENCIAL Deniciones
Conceptos Iniciales Distribución de la media muestral
PRUEBA DE HIPÓTESIS Distribución muestral de las proporciones
Conceptos Iniciales
Estimación Puntual
Estadístico calculado a partir de la información obtenida de la mues-

tra y que se usa para estimar el parámetro poblacional
Intervalo de conanza
Es un conjunto de valores obtenido a partir de los datos muestrales

en el que hay una determinada probabilidad de que se encuentre el
parámetro, a esta probabilidad se le conoce como el nivel de signi-
cancia
Error de muestreo
Diferencia entre un valor estadístico de muestra y su parámetro de

Logo.jpg
población correspondiente

Conceptos Iniciales
Estimación Puntual


cancia
Error de muestreo

Logo.jpg

Conceptos Iniciales
Estimación Puntual


cancia
Error de muestreo

Logo.jpg

Índice
Deniciones
Logo.jpg

Deniciones
Denición (Estadística)
Una estadística es cualquier función de las observaciones contenidas

en una muestra aleatoria.
Ejemplo
Si X1 X2 , · · · , Xn es una muestra aleatoria de tamaño n entonces, son

ejemplos de estadísticas:
La media muestral X.
La varianza muestral S2
La desviación estándar muestral S
La mediana. Logo.jpg
La proporción de éxitos en la muestra.

Deniciones
Denición (Estadística)
Una estadística es cualquier función de las observaciones contenidas

en una muestra aleatoria.
Ejemplo
Si X1 X2 , · · · , Xn es una muestra aleatoria de tamaño n entonces, son

ejemplos de estadísticas:
La media muestral X.
La varianza muestral S2
La desviación estándar muestral S
La mediana. Logo.jpg
La proporción de éxitos en la muestra.

Deniciones
Denición (Distribución de muestreo)
La distribución de probabilidad de una estadística se conoce como

distribución de muestreo.
Se asume que la población está caracterizada por un parámetro θ

que es desconocido y que es de nuestro interés conocer su valor.
Denición (Error de muestreo)
Es la diferencia entre el parámetro a estimar y el estadístico de la

muestra utilizado para estimar el parámetro.
Logo.jpg

Deniciones



Logo.jpg

Deniciones



Logo.jpg

Índice
Deniciones
Logo.jpg


Teorema
Si X1 X2 , · · · , Xn es una muestra aleatoria de una población normal

con media µ y varianza σ2 para todo i = 1, 2, · · · , n entonces la
media muestral
X1 + X2 + · · · + Xn
X=
n
Tiene Distribución Normal con media

E X =µ
y con varianza
σ2 Logo.jpg
Var X =
n
Ejemplo
Ejemplo
El llenado de las latas de una bebida lo hace una máquina automática,

con una desviación estándar de 0.5 onzas de líquido. Suponga que
los volúmenes con que se llenan las latas son variables aleatorias
normales independientes.
¾Cuál es desviación estándar del volumen de llenado promedio

de 100 latas?
Si el volumen de llenado promedio es 12.1 onzas, ¾cuál es la

probabilidad de que el volumen de llenado promedio de 100
latas sea menor que 12 onzas de líquido?
Logo.jpg

Solución
Solución
σ2

En este caso tenemos que σ = 0,5, sabemos que Var X = n
por tanto la desviación estándar es:
σ 0,5
SX = √ = √ = 0,05
n 100
µ = 12,1 y como
En este caso
los volúmenes de llenado son
0,52

normales entonces X ∼ N 12,1,
100 por tanto:

X − 12,1 12 − 12,1
P X < 12 = P < = P (Z < −2) = 0,0228 Logo.jpg
0,05 0,05

Teorema del Limite Central
Teorema
Si X1 X2 , · · · , Xn es una muestra aleatoria de tamaño n tomada de

una población (nita o innita) con media µ y varianza σ2 y si X
es la media muestral, entonces a medida que n se hace grande la
distribución la media muestral se aproxima a la distribución normal
σ2
con media µ y varianza , es decir
n
σ2
X tiende en distribución a N(µ, n )
cuando n→∞
Logo.jpg

Teorema del Limite Central
Otra forma de expresar el teorema del límite central es:
Teorema
Si X1 X2 , · · · , Xn es una muestra aleatoria de tamaño n tomada de

una población (nita o innita) con media µ y
2
varianza σ y si X es
la media muestral, entonces la forma límite de distribución de
X −µ
Z= √
σ/ n
cuando n→∞ es la disribución normal estándar
Logo.jpg

Teorema del Limite Central (Ejemplo)
Ejemplo
El tiempo que un pasajero invierte esperando en un punto de revisión

de un aeropuerto es una variable aleatoria con media 8.2 minutos y
desviación estándar 6 minutos. Suponga que se observa una muestra
aleatoria de n = 49 pasajeros. Encuentre la probabilidad de que el
tiempo de espera promedio en la la de estos clientes sea
Menor que 10 minutos
Entre 7 y 10 minutos
Menor que 6 minutos
Logo.jpg

Teorema del Limite Central (Ejemplo)
Solución
Se pregunta por la probabilidad de que la media de los 49

pasajeros esté en cierto intervalo
Hay que tener en cuenta que, por el teorema del límite central,
esta variable aleatoria (la media de la muestra) tiene
aproximadamente distribución normal con media µ = 8,2
minutos y desviación estándarσX = √6 = 0,8571
49
10−8,2

X −µ
P X < 10 = σX < 0,8571= P (Z < 2,1) = 0,9821
P 7 < X < 10 = 07,−8571

8,2 10−8,2

X −µ
< σ < 0,8571 =
X
P (−1,4 < Z < 2,1) = 0,9014
P X < 6 = Xσ−µ < 06,−8571
8,2

= P (Z < −2,5667) = 0,0051 Logo.jpg
X

Índice
Deniciones
Logo.jpg

Estimador de la proporción de éxitos en una binomial
Teorema
Si X es una variable aleatoria binomial de parámetros nyπ entonces

el estimador de la probabilidad de éxito (π) es:
X
Pb =
n
donde X es el número de éxitos en los n ensayos. La media y la
varianza del estimador son

E Pb = π
π(1 − π)
Var Pb = Logo.jpg
n

Distribución del estimador de π

Distribución del estimador
Por el teorema del límite central se sabe que la distribución de Pb es

π(1−π)
aproximadamente normal con media π y varianza
n cuando n es
grande, es decir

π(1 − π)
P ∼ N π,
b
n
Estandarizando
La estadistica
Pb − π
Z=q
π(1−π)
n Logo.jpg
Es aproximadamente Normal estándar cuando n es grande.

Distribución del estimador de π

Distribución del estimador
Por el teorema del límite central se sabe que la distribución de Pb es

π(1−π)
aproximadamente normal con media π y varianza
n cuando n es
grande, es decir

π(1 − π)
P ∼ N π,
b
n
Estandarizando
La estadistica
Pb − π
Z=q
π(1−π)
n Logo.jpg
Es aproximadamente Normal estándar cuando n es grande.

Ejemplo
Ejemplo
Un fabricante asegura, a una compañía que le compra un producto

en forma regular, que el porcentaje de productos defectuosos no
es mayor que 5 %. La compañía decide comprobar la armación del
fabricante seleccionando, de su inventario, 200 unidades del producto
y probándolas. ¾Deberá sospechar la compañía de la armación del
fabricante si se descubre un total de 19 o más unidades defectuosas
en la muestra?
Logo.jpg

Solución
Solución
Calculemos la probabilidad de una proporción de defectuosos mayor

o igual que 19/200 = 0, 095 , es decir P(Pb ≥ 0,095), bajo el supuesto
que lo que dice el fabricante es cierto, o sea que la proporción de
defectuosos es π = 0,05.
Si lo que arma el fabricante es cierto entonces la proporción en
la muestra sería una variable aleatoria aproximadamente normal con
0,05×(1−0,05)
media 0,05 y varianza = 0,00024.
200
Para calcular la probabilidad estandarizamos!
0,095−0,05

P Pb ≥ 0,095 = qP−π ≥ = P (Z ≥ 2,92) =
b
π(1−π) 0,05(1−0,05)
q
n 200
0,0018
Logo.jpg

Solución
Solución
Calculemos la probabilidad de una proporción de defectuosos mayor

o igual que 19/200 = 0, 095 , es decir P(Pb ≥ 0,095), bajo el supuesto
que lo que dice el fabricante es cierto, o sea que la proporción de
defectuosos es π = 0,05.
Si lo que arma el fabricante es cierto entonces la proporción en
la muestra sería una variable aleatoria aproximadamente normal con
0,05×(1−0,05)
media 0,05 y varianza = 0,00024.
200
Para calcular la probabilidad estandarizamos!
0,095−0,05

P Pb ≥ 0,095 = qP−π ≥ = P (Z ≥ 2,92) =
b
π(1−π) 0,05(1−0,05)
q
n 200
0,0018
Logo.jpg

Conclusión
Interpretación
Si en realidad la proporción de defectuosos es 5 % es muy poco pro-

bable que un una muestra de 200 artículos se obtengan 19 o mas
defectuosos, por tanto se debería sospechar de la armación del fa-
bricante. Los resultados son evidencia de que en realidad se está
produciendo más del 5 % defectuosos.
Logo.jpg

Algunos parámetros y sus estimadores
Par ámetro Sı́mbolo Estimador

Media de la población µ X
Varianza de la población σ2 S2
Proporción de éxitos π Pb
Diferencia entre de dos poblaciones µ1 − µ2 X1 −X2
Diferencia entre proporciones de dos poblaciones π1 − π2 Pb1 − Pb2
Logo.jpg

ESTADÍSTICA INFERENCIAL Prueba de Hipótesis
Conceptos Iniciales Hipótesis sobre la media
PRUEBA DE HIPÓTESIS Pruebas de Hipótesis sobre π
Índice
Deniciones
Logo.jpg

Denición (Hipótesis Estadística)
Es una proposición sobre uno o más parámetros de una o más po-

blaciónes
Denición (Prueba de Hipótesis)
Es el procedimiento que se sigue para probar una hipótesis y que

permite llegar a una desición sobre ésta.
Logo.jpg

Denición (Hipótesis Estadística)
Es una proposición sobre uno o más parámetros de una o más po-

blaciónes
Denición (Prueba de Hipótesis)
Es el procedimiento que se sigue para probar una hipótesis y que

permite llegar a una desición sobre ésta.
Logo.jpg

Procedimiento para probar una hipótesis
Se plantea la hipótesis.
Se toma una muestra aleatoria de la población.
Se calcula un estadístico de prueba.
Si el valor del estadístico es consistente con la hipótesis no se

rechaza (se concluye que esta es verdadera).
En caso contrario, se rechaza (se concluye que esta es falsa)
Logo.jpg


Logo.jpg


Logo.jpg


Logo.jpg


Logo.jpg

Prueba de hipótesis: Ejemplo
Ejemplo
Un ingeniero analiza la resistencia a la compresión de un nuevo ma-

terial. Desea probar la hipótesis que la resistencia a la compresión
promedio es
H0 : µ = 3500
Se sabe que resistencia está distribuida aproximadamente de manera
normal, con una varianza σ 2 = 1000. Para probar la hipótesis toma
una muestra de 12 espécimenes y obtiene X = 3250.
Logo.jpg

Prueba de hipótesis: Ejemplo
Solución
La situación puede plantearse en términos de una prueba de hipótesis

así:
H0 : µ = 3500
H1 : µ 6= 3500
El rechazo o no deH0 depende del criterio que se tenga para decidir

si el valor X = 3250 la respalda o no.
Logo.jpg

Prueba de hipótesis
X es el estadístico de prueba.
Un valor de X que respalde a H0 debe ser tal que se encuentre

cerca de 3500.
Para eso se establecen dos regiones: la región de rechazo y la

región de aceptación.
Los valores que de X que hagan parte de la región de rechazo,

se consideran lejanos al valor indicado en la hipótesis nula y
conllevarán al rechazo de H0 .
Por el contrario, valores de X que hagan parte de la región de
aceptación se consideran cercanos al valor indicado en H0 y
conllevan a la aceptación de ésta.
Logo.jpg

Ilustración Regiones de rechazo y de no rechazo
Logo.jpg

Suponga que en este caso, por ejemplo, se consideran valores

cercanos a 3500 aquellos que están entre 3482 y 3518.
Estos valores se denominan valores críticos, y la región: [3482 ;

3518] se denomina región de aceptación.
En este caso se distinguen dos regiones de rechazo: < 3482 y

> 3518.
Esta región de aceptación se establece de tal forma que
P(3482 ≤ X ≤ 3518) = 0,95
Logo.jpg

Prueba de hipótesis: Tipos de alternativa

Supóngase que para una población se tiene interés en probar si la
media es igual a un valor µ0 o no. Esto puede plantearse de manera
formal como
H0 : µ = µ0
H1 : µ 6= µ0
(1)
H0 se denomina Hipótesis nula
H1 se denomina Hipótesis Alternaiva

Logo.jpg
H1 Es una alternativa de dos colas


formal como
H0 : µ = µ0
H1 : µ 6= µ0
(1)

Logo.jpg


formal como
H0 : µ = µ0
H1 : µ 6= µ0
(1)

Logo.jpg


Otras opciones para la hipótesis, son
H0 : µ = µ0
H1 : µ < µ0
(2)
H1 se conoce como una alternativa de cola inferior
H0 : µ = µ0
H1 : µ > µ0
(3)
Logo.jpg
H1 se conoce como una alternativa de cola superior

El sistema de hipótesis (1) se denomina hipótesis bilateral, y el

rechazo de H0 se da cuando el estadístico de prueba cae en
la cola izquierda o en la cola derecha.
El sistema de hipótesis (2) se denomina hipótesis unilateral o

de una cola a izquierda, y el rechazo de H0 se da cuando el
estadístico de prueba cae en la cola izquierda.
El sistema de hipótesis (3) se denomina hipótesis unilateral o

de una cola a derecha, y el rechazo de H0 se da cuando el
estadístico de prueba cae en la cola derecha.
Logo.jpg

Tipos de Errores
En el procedimiento de prueba de hipótesis pueden darse las
situaciones siguientes:
La probabilidad de cometer un error tipo I se denota con la

letra α, es decir,
α = P(rechazar H0 | H0 es verdadera)
La probabilidad de cometer error tipo II se denota con la letra
β , es decir, Logo.jpg
Ignacio Osuna Vergara iosuna@correo.unicordoba.edu.co | H0 es falsa)

β = P(aceptar H0ESTADÍSTICA INFERENCIAL
Índice
Deniciones
Logo.jpg

Hipótesis sobre la media, varianza conocida

Suponga que se desea probar la hipótesis
H0 :µ = µ0
H1 :µ 6= µ0
con un nivel de signicancia α donde µ0 es una constante especíca.

Los pasos a seguir para la prueba de (4) son:
Se cuenta con una muestra aleatoria x1 , · · · , xn de la población.
Se calcula X y luego la cantidad
X − µ0
Z0 = √
σ/ n
Como la prueba es de dos colas, se calcula el valor de la normalLogo.jpg
α
estándar que deja a su derecha un área de
2 .
Se rechaza H0 si | Z0 |> Z α2 , en caso contrario se dice que los

datos no muestran evidencia en contra de H0 .
Si la prueba es de una cola (a derecha o a izquierda).
1 Se sigue exactamente el mismo procedimiento anterior.
2 En el caso de una prueba unilateral a la derecha se rechaza H0

si Z0 > Zα
3 En el caso de una prueba unilateral a la izquierda se rechaza
H0 si Z0 < −Zα
Logo.jpg

Resumén
Observación
Cuando no se conoce σ pero n es grande n > 30 se reemplaza por

Logo.jpg
S, la desviación estándar muestral.

Ejemplo
Considere la situación anterior de la resistencia a la compresión del

concreto, asumiendo α = 0,05. De acuerdo con el sistema de hi-
pótesis planteado, se tiene una prueba de dos colas, por lo que
Z α2 = Z0,025 = 1,96 y
X − 3500
Z0 = √ = −27,38
3,62/ 12
Al comparar este resultado con Z0,025 , se tiene que | Z0 |= 27,38 >

Z α2 = 1,96 puede concluir que los datos ofrecen evidencia para re-
chazar H0 .
Logo.jpg

Hipótesis sobre la media, varianza desconocida
Suponga que se tiene interés en una población que tiene distribución

normal con media µ y varianza desconocida σ 2. Se desea probar la
hipótesis
H0 :µ = µ0
H1 :µ 6= µ0
1 Se dispone de una muestra aleatoriax1 , · · · , xn de tamaño n.

2 2
X , S son la media y la varianza muestrales
Logo.jpg

Hipótesis sobre la media, varianza desconocida
Para probar la hipótesis se procede así:
Se calcula el valor t0 a partir de la expresión
X − µ0
t0 = √
s/ n
Esta expresión se compara con el valor t( α2 ,n−1) de la

distribución t.
Para la hipótesis planteada (bilateral), se rechaza H0 si
| t0 |> t( 2 ,n−1)
α
Logo.jpg

Resumén
Logo.jpg

Hipótesis sobre la media, varianza desconocida Ejemplo
Ejemplo
Se llevan a cabo pruebas con la resistencia a la compresión del con-

creto. Para ello examina 12 espécimenes y se obtiene los siguientes
datos:
2216 2237 2249 2204 2225 2301

2281 2263 2318 2255 2275 2295
Pruebe la hipótesis de que la resistencia media a la compresión del

concreto es igual a 2250. Utilice un nivel de signicancia de α = 0,05.
Logo.jpg

Hipótesis sobre la media, varianza desconocida Ejemplo

Solución
En este se quiere probar el sistema de hipótesis :
(
H0 : µ = 2250
H1 : µ 6= 2250
De la muestra se tiene que:
X = 2259,91 s = 35,56 t(0,025, 11) = 2,20 n = 12 por lo que:
X − µ0 2259,91 − 2250
t0 = √ = √ = 0,965
s/ n 35,56/ 12
Como | t0 |= 0,965 < t(0,025, 11) = 2,20, entonces se concluye que

los datos no ofrecen evidencia para rechazar H0 con un nivel de
Logo.jpg
signicancia del
5 %.
Índice
Deniciones
Logo.jpg

Resumén
En la fórmula del estadístico de prueba se tiene que p es la proporción

muestra q
Éxitos en la muestra X π0 (1−πo )
p= Tamaño de la muestra = n Donde, σp = n
Logo.jpg

Estadistica Inferencial Ignacio

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

Estadistica Inferencial Ignacio

Încărcat de

Drepturi de autor:

Formate disponibile

ESTADÍSTICA INFERENCIAL

Ignacio Osuna Vergara

Ignacio Osuna Vergara iosuna@correo.unicordoba.edu.co ESTADÍSTICA INFERENCIAL

Ignacio Osuna Vergara iosuna@correo.unicordoba.edu.co ESTADÍSTICA INFERENCIAL

Símbolos Tamaño de la población =N

Símbolos Tamaño de la muestra =n

Estadístico calculado a partir de la información obtenida de la mues-

Es un conjunto de valores obtenido a partir de los datos muestrales

Diferencia entre un valor estadístico de muestra y su parámetro de

Ignacio Osuna Vergara iosuna@correo.unicordoba.edu.co ESTADÍSTICA INFERENCIAL

Estadístico calculado a partir de la información obtenida de la mues-

Es un conjunto de valores obtenido a partir de los datos muestrales

Diferencia entre un valor estadístico de muestra y su parámetro de

Ignacio Osuna Vergara iosuna@correo.unicordoba.edu.co ESTADÍSTICA INFERENCIAL

Estadístico calculado a partir de la información obtenida de la mues-

Es un conjunto de valores obtenido a partir de los datos muestrales

Diferencia entre un valor estadístico de muestra y su parámetro de

Ignacio Osuna Vergara iosuna@correo.unicordoba.edu.co ESTADÍSTICA INFERENCIAL

Ignacio Osuna Vergara iosuna@correo.unicordoba.edu.co ESTADÍSTICA INFERENCIAL

Una estadística es cualquier función de las observaciones contenidas

Si X1 X2 , · · · , Xn es una muestra aleatoria de tamaño n entonces, son

Ignacio Osuna Vergara iosuna@correo.unicordoba.edu.co ESTADÍSTICA INFERENCIAL

Una estadística es cualquier función de las observaciones contenidas

Si X1 X2 , · · · , Xn es una muestra aleatoria de tamaño n entonces, son

Ignacio Osuna Vergara iosuna@correo.unicordoba.edu.co ESTADÍSTICA INFERENCIAL

Denición (Distribución de muestreo)

La distribución de probabilidad de una estadística se conoce como

Se asume que la población está caracterizada por un parámetro θ

Denición (Error de muestreo)

Es la diferencia entre el parámetro a estimar y el estadístico de la

Ignacio Osuna Vergara iosuna@correo.unicordoba.edu.co ESTADÍSTICA INFERENCIAL

Denición (Distribución de muestreo)

La distribución de probabilidad de una estadística se conoce como

Se asume que la población está caracterizada por un parámetro θ

Denición (Error de muestreo)

Es la diferencia entre el parámetro a estimar y el estadístico de la

Ignacio Osuna Vergara iosuna@correo.unicordoba.edu.co ESTADÍSTICA INFERENCIAL

Denición (Distribución de muestreo)

La distribución de probabilidad de una estadística se conoce como

Se asume que la población está caracterizada por un parámetro θ

Denición (Error de muestreo)

Es la diferencia entre el parámetro a estimar y el estadístico de la

Ignacio Osuna Vergara iosuna@correo.unicordoba.edu.co ESTADÍSTICA INFERENCIAL

Ignacio Osuna Vergara iosuna@correo.unicordoba.edu.co ESTADÍSTICA INFERENCIAL

Distribución de la media muestral

Si X1 X2 , · · · , Xn es una muestra aleatoria de una población normal

El llenado de las latas de una bebida lo hace una máquina automática,

¾Cuál es desviación estándar del volumen de llenado promedio

Si el volumen de llenado promedio es 12.1 onzas, ¾cuál es la

Ignacio Osuna Vergara iosuna@correo.unicordoba.edu.co ESTADÍSTICA INFERENCIAL

Ignacio Osuna Vergara iosuna@correo.unicordoba.edu.co ESTADÍSTICA INFERENCIAL

Teorema del Limite Central

Si X1 X2 , · · · , Xn es una muestra aleatoria de tamaño n tomada de

Ignacio Osuna Vergara iosuna@correo.unicordoba.edu.co ESTADÍSTICA INFERENCIAL

Teorema del Limite Central

Otra forma de expresar el teorema del límite central es:

Si X1 X2 , · · · , Xn es una muestra aleatoria de tamaño n tomada de

cuando n→∞ es la disribución normal estándar

Ignacio Osuna Vergara iosuna@correo.unicordoba.edu.co ESTADÍSTICA INFERENCIAL

Teorema del Limite Central (Ejemplo)

El tiempo que un pasajero invierte esperando en un punto de revisión

Menor que 10 minutos

Menor que 6 minutos

Denición (Distribución de muestreo)

Denición (Error de muestreo)

Denición (Distribución de muestreo)

Denición (Error de muestreo)

Denición (Distribución de muestreo)

Denición (Error de muestreo)

Denición (Hipótesis Estadística)

Denición (Prueba de Hipótesis)

Denición (Hipótesis Estadística)

Denición (Prueba de Hipótesis)