Professional Documents
Culture Documents
1
! me"i muest%l $estim"o% '
10
10
1
xi
x
( $)*+,,-.,' ( )*+, /o%s- componente. $ Estimcin'.
PRPIEDADES DE UN 0UEN ESTIMADOR.
:n buen estimador debe poseer ciertas propiedades convenientes , tales como
1. INSES1A0ILIDAD. $e dice que
es un estimador inses"ado de , si el valor
esperado de
es i"ual a . Es decir
E +
- .
Ejemplo. La media muestral x , es un estimador inses"ado de .
'. CONSISTENCIA. $e dice que un estimador es consistente si proporciona
estimaciones que conver"en en probabilidad 8acia el parmetro poblacional que se
est estudiando a medida que )n* crece. Es decir
Ejemplo. La media es un estimador consistente de , se"n la ley de los "randes
1
( ) 1
lim
P
n
nmeros.
3. E2ICIENCIA. $e dice que
& y
& es
ms e#iciente que
' si
', si
Ejemplo. $e determina la e#iciencia relativa de ' estimadores de la media poblacional
e
M x
2 1
n
x V
2
) (
,
n
M V
e
2
) (
2
6. ESTIMADOR RO0USTO. $e dice que
es un estimador robusto de , cuando
vulneraciones de los supuestos de partida en la que se basa el proceso de
estimacin no alteran de manera si"ni#icativa los resultados que proporciona el
estimador.
Ejemplo. $i no se conoce la varianza en una poblacin <+,
'
-, para 8acer
in#erencias respecto a la media , se recurre a la estadstica
n s
x
T
/
t+n =&-
>lteraciones moderadas de los supuestos de normalidad no alteran seriamente a las
in#erencias basadas en la distribucin t de $tudent, sobre todo para valores altos de
n, indicando que los procedimientos sustentados en la estadstica ? son robustos.
METODOS DE ESTIMACION PARAMETRICA
;ara determinar los valores numricos de los ;armetros de la distribucin terica, a
partir de los datos muestrales, se usan varios mtodos, los dos mtodos analticos
considerados #recuentemente son
@ Atodo de momentos.
@ Atodo de mxima verosimilitud.
2
( ) ( )
2 1
Var Var
METODO DE MOMENTOS
$upon"amos que % es una variable aleatoria continua con densidad de probabilidad #+x0
B&, B', ... , BC- o una variable aleatoria discreta con distribucin p+x0 B&, B', ... , BC- caracD
terizada por E parmetros desconocidos. $ea %&, %', ... , %n una muestra aleatoria de tama(o
FnF obtenida de %, y de#nase los C momentos muestrales con respecto al ori"en como
n
x
m
n
t
i
t
1 '
0 t . &, ', .... , C
Los primeros C momentos de la poblacin con respecto a ori"en son
GtH . E+%
t
- .
t
x
#+x0 B&, B', ... , BC-dx0 t&,C0 v. continua
. I %
t
p+x0 B&, B', ... , BC-0 t . &, ', .... , C0 v. discreta
Los momentos de la poblacin JGtHK sern en "eneral #unciones de los C parmetros
desconocidos JBiK. L"ualando los momentos muestrales y los momentos de la poblacin se
obtendr C ecuaciones simultneas con C inc"nitas +a los JBiK-0 esto es
GtH . mtH t . &, ', .... , C 0 +@-
La solucin de la ecuacin +@- es
&,
', ... ,
. +I%i -Rn .
_
x
0
P . +I%iP D n
_
x
P-Rn . S I+%i D
_
x
-P TRn
! tambin
_
x
. + I%i - Rn 0 $P . SI+%i D
_
x
-P T Rn
METODO DE MA5IMA 3EROSIMILITUD
:no de los mejores mtodos para obtener un estimador por puntos es el de mxima
verosimilitud.
$upon"amos que % es una v.a. con distribucin probabilstica #+%,B-, en la cual B es un slo
parmetro desconocido, como en la #uncin exponencial #+x- . e
D x
.
$ean %&, %', ... , %n los valores observados en una muestra de tama(o FnF. Entonces, la
#uncin de verosimilitud de la muestra es
3
L+B- . L+%&, %', ... , %n- . #+%&0B- #+%'0B- ... #+%40B- +@-
9onde la #uncin de verosimilitud es slo #uncin del parmetro desconocido. El
estimador de mxima verosimilitud de B es el valor de B que maximiza la #uncin L++B-.
Uundamentalmente, el estimador de mxima verosimilitud es el valor de B que maximiza la
probabilidad de ocurrencia de los resultados muestrales.
Este estimador puede ser obtenido di#erenciando L++%&, %', ... , %n0 B- con respecto a B y
8aciendo la derivada i"ual a 30 es decir
L +%&, %', ..., %n0 B- . 3 +@@-
MMM
B
1
9etermine el estimador +AEW- del tiempo medio entre arribos.
9e la ecuacin +@- la #uncin de verosimilitud de las siete observaciones es
L+t&, t', ..., t70 - .
7
1
) exp(
i
t
. + -
D7
Exp +D I ti-R
9onde ti es el iDsimo tiempo observado entre arribos sucesivos de acuerdo a +@@-
4
L
. D7
DX
exp+D ItiR- Q
D7
Exp +D ItiR-
2
i
t
. 3
DX
SD7 QtiR T Exp +DIti R- . 3
9e los cuales obtenemos
7
1
7
i
t
. 2.35 se".
;or lo tanto el estimador mximo verosmil
desde una muestra de tama(o n es
n
i
t
n
1
1
n
Ejemplo 6 4
:n espcimen triDaxial de arena saturada es sometido a car"as verticales cclicas en un
es#uerzo de amplitud Y'33 libRpieP en una prueba de laboratorio. El nmero de car"as cclicas
aplicadas 8asta que el espcimen de arena #alla 8an sido reco"idos para 2 especmenes
independientes como si"ue '2, '3, 'X, 44, '6 ciclos
$upn"ase que el nmero de car"a cclicas para #allas para la arena se supone que
si"ue una distribucin lo"normal, estimar los parmetros y por el mtodo de mxima
verosimilitud.
Solucin
9e este modo primero derivamos la expresin "eneral de los estimados mximos
verosmiles. y para una distribucin lo"Dnormal. la #uncin de verosimilitud es dada por
L+%&,..., %n0 ,
- .
n
i
i
X
X
i
1
2
2
1
ln
2
1
exp
'
1
1
]
1
,
_
. ( )
1
]
1
,
_
,
_
n
i
i
n
i
i
n
x X
1
2
2
1
1
ln
2
1
exp
2
1
La presencia de exponenciales su"iere que es ms conveniente trabajar con la #orma
lo"artmica0 de este modo
ln L+%&,..., %n0 , -. Dn ln 2 Dn ln D
n
i
x
1
ln D
( )
n
i
x
1
2
2
ln
2
1
;ara maximimizar la #uncin de verosimilitud tenemos
( )
2
2
ln
1 ln
i
x
L
. 3 ........................................................... +&-
( )
2
1
2
ln
1 ln
n
i
x
n L
. 3 ...................................................... +'-
;uesto que 3, la solucin de las ' ecuaciones sera
n
x
n
i
1
ln
( )
2
1
ln
1
n
i
x
n
$ustituyendo los valores de los datos observados, se tendra
. &R2 +ln '2 Q ... Q ln '6- . 4.'60
p ( />
1 ? / 2
@ > @ >
1 ? / 2
), sustitu!en#o)
n
X
Z
0
p ( />
1 ? / 2
@
n
X
0
@ >
1 ? / 2
) 4 p (
n
Z X
0
2
1
O O
n
Z X
0
2
1
+
) 4 1 ?
*s un intervalo #e con-ian.a #e 100 ( 1 ? ) para tambiAn pue#e ser #enota#o por)
1 ?
)
n
Z X
0
2
1
N
n N
n
X
9(0, 1)
"san#o la anterior como -uncin pivotal, se #etermina el intervalo #e con-ian.a #e
p (
1
0
2
1
N
n N
n
Z X
+ +
1
0
2
1
N
n N
n
Z X
) 4 1 ?
tambiAn)
7
1 ?
)
1
0
2
1
N
n N
n
Z X
X
estima a , se #e-ine como error #e estimacin al valor numArico)
X
error
L
X
"
X
Z X
2
1
+
X
Z X
2
1
*l valor #el error
X
no #ebe ser superior a
X
Z
2
1
,i
X
estima a , se tiene una con-ian.a #e ( 1 ? ) x 100 #e 'ue el error #e estimacin
no superar$ a
X
Z
2
1
(error est$n#ar #e
X
)
TA)A-% &E )UE,TRA
X
4 *, 4
X
B *
*l tama7o #e muestra % n % #e tal manera 'ue
X
estime a con ( 1 ? ) x 100 #e
con-ian.a ! con un error #e estimacin m$ximo tolerable #e *, est$ #a#o por)
11
2
2 2
2
1
E
Z
n
Z E N
N Z
n C si el muestreo es sin reempla.o #e una poblacin -inita
#e tama7o 9
INTER3ALO DE CON2IAN7A DEL TOTAL PO0LACIONAL $ N '
,i la muestra aleatoria #e tama7o n, se esco2e #e una poblacin -inita #e tama7o 9,
entonces el total #e la poblacin Xi es estima#o puntualmente por 9
X
X
B D
Z
!
es el error est$n#ar #e
X
, entonces el intervalo #e con-ian.a #el (1?
) 100 para el total poblacional 9 es)
9 (
X
/ D
) + 9 + N(
X
E D
)
E.e!lo) "n analista #e investi2acin #e merca#o 'uiere estimar el prome#io #el in2reso
-amiliar mensual #e una #etermina#a poblacin
a) 0etermine el intervalo #e con-ian.a #el FGH si en una muestra aleatoria #e tama7o 100
#e esa poblacin se encuentra 'ue el prome#io #el in2reso -amiliar era #e I G000
,upon2a 'ue el in2reso -amiliar mensual se #istribu!e normalmente con
0
4 I 1000
8
b) 0etermine el intervalo #e con-ian.a al FGH como en (a) si se supone 'ue la poblacin
consiste #e 2000 in2resos -amiliares
c) Jue tama7o #e muestra se necesita para estimar la me#ia #e los in2resos mensuales #e
la poblacin con una con-ian.a #el FGH ! a#mitien#o un error m$ximo #e I 1K0, si se
asume 'ue
0
4 I 1000
d) *stimar un intervalo #el FGH #e con-ian.a para el total poblacional si 9 4 2000 !
X
4 I G000 a#em$s
0
4 I 1000
,oluci"n
a) 0atos) n 4 100,
X
4 G000 ,
0
4 I 1000 C >
FG
4 1FL ( tabla normal )
3or tanto como
X
9 ( ,
n
0
), entonces)
,
_
n
Z X
0
2
1
,
_
n
Z X
0
2
1
n N
n N
n
X
X
Z X
N
n N
n
Z X
11 G1F ) 7G F ( FL 1 G00
2
1
+ +
X
Z X
FGH
) MK0KF , G1F11
c) i)
Finita Poblacin
E
Z
n 11F GL7F 11K
) 1K (
) 100 ( ) FL 1 (
2
2 2
2
2 2
2
1
ii) 112 FKG 111
) 1 2000 ( ) 1K ( ) 100 ( ) FL 1 (
) 2000 ( ) 100 ( ) FL 1 (
) 1 (
2 2 2
2 2
2 2
2
1
2
2 2
2
1
+
Z E N
N Z
n
d) 9
FGH
) 9 (
X
Z X
2
1
) ) FL1 7K0 , 1O05K 220
9
X
4 2000 (G00) 4 I 1O000 000
9
X
F
X
Z N
2
1
42000 x G00 F 2000 x 1F11 4 1O000 000 F 5K 220
Lue2o) ( FL1 7K0 + 9 + 1O05K 220 )
,i el total poblacional se estima en I 1O000 000, se tiene una con-ian.a #el FGH #e 'ue el
error #e estimacin no ser$ superior a I 5K 220
9
"
( Pntervalo #e )
L x
/ 2
1 /
<
x
/ 2
*( Intervalo de Confianza !ara la )edia . $ARIAN(A &esconocida.
/.0. P%*LACI%N N% N%R)AL.
,i X no es normal pero n es su-icientemente 2ran#e ( n : 50 ), entonces por el <L=,
) 1 , 0 ( N
X
X
+
X X
Z X Z X
2
1
2
1
#on#e)
X
se sustitu!e por
n
S
X
,
_
N
n N
n
S
X
S
) #esviacin est$n#ar inses2a#a
/./. P%*LACI%N N%R)AL
,i
X
!
S
son la me#ia ! la #esviacin est$n#ar respectivamente para una muestra
aleatoria #e tama7o n esco2i#a #e la poblacin normal con varian.a 8 #esconoci#a,
entonces el intervalo #e con-ian.a #e ( 1/ ) 100 para es )
n
S
t X
n
S
t X
n n
+
1 ,
2
1 1 ,
2
1
#on#e)
1 ,
2
1 n
t
es un valor 'ue se #e#uce #e la tabla t/stu#ent con n/1 2ra#os #e
liberta#, tal 'ue 3 ( <+
1 ,
2
1 n
t
) 4 1 ? / 2
N%TA: La consi#eracin #e
normali#a# es importante sobre
to#o para muestras pe'ue7as
-
1 ,
2
1 n
t
1 ,
2
1 n
t
E.e!lo) Los conteni#os #e 0G latas #e ca-A instant$neo #e un pro#ucto (an #a#o los
si2uientes pesos) 2K0, 2F0, 2KG, 27G, 2KM 2ramos
A)Qallar un intervalo #el FGH #e con-ian.a para la me#ia #el conteni#o
R) S =on 'uA 2ra#o #e con-ian.a se estima 'ue el conteni#o prome#io #e ca-A ten2a
los l1mites #e con-ian.a 277M52 , 2KK1LK T Usumir #istribucin normal
,oluci"n
a) X) peso #e los conteni#os en 2ramos
m) se 'uiere estimar ( ver#a#ero conteni#o me#io )
n 4 G
10
1 /
x
/ 2
- (x )
3ara 100 ( 1 ? ) H 4 FG H #e la tabla se obtiene)
1 ,
2
1 n
t
4 M , F7G 0
t
4 277L
0e la muestra se tiene)
X
42K2K,
S
4GL5
X
(error est$n#ar #e
X
) 4
G1K 2
25L 2
L5 G
G
S
Los l1mites #e con-ian.a ser$)
L)
X
/
1 ,
2
1 n
t
X
42K2K ? 277L x 2G1K 4 27GK1
")
X
E
1 ,
2
1 n
t
X
42K2K E 277L x 2G1K 4 2KF7F
FGH
) 27GK1 , 2KF7F
b) Los l1mites #e con-ian.a #e , in-erior ! superior, son respectivamente) 277M52 !
2KK1LK
X
E
1 ,
2
1 n
t
n
S
42K2K E
M ,
2
1
t
x 2G1K 4 2KK1LK
#e #on#e resulta 'ue)
M ,
2
1
t
4 2152, lue2o 1 ? / 2 4 0FG, #e #on#e) 4 010 !
el 2ra#o #e con-ian.a 1 ? 4 0F0 F0H
+( Intervalo de Confianza !ara la $arianza 1 2 3
,ea
X
la me#ia #e la muestra X
1
, X
2
, 6, X
n
#e tama7o n selecciona#a #e una poblacin
normal con varian.a 8 ( par$metro #esconoci#o )
"n estima#or inses2a#o #e 8 es)
1
) (
2
2
n
X X
S
i
U#em$s para ( n : 2 ) , la va
) 1 (
) 1 (
2
2
2
n X
S n
X
,
_
1
2
1 ,
2
2
1 ,
2
1 n n
X X X P
C sustitu!en#o
2
2
) 1 (
S n
X
,ea
,
_
1
) 1 ( ) 1 (
2
1 ,
2
1
2
2
2
1 ,
2
2
n n
X
S n
X
S n
P
11
1 /
x
/ 2
- (x )
0on#e)
1 ,
2
1
2
n X
!
1 ,
2
2
n X
son valores #e la tabla c(i/cua#ra#o
4. Intervalo de Confianza !ara la Raz"n de 5/ $arianzas
,i
2
1
S
!
2
2
S
son las varian.as #e 02 muestras aleatorias in#epen#ientes #e tama7os n
1
! n
2
selecciona#os respectivamente #e 02 poblaciones normales, entonces el intervalo #e
con-ian.a #e (1 ? ) 100H para
2
2
2
1
S
S
F V (
1
,
2
)
1 2 2 1 2 2
, , 2
2
2
1
2
2
2
1
, , 1 2
2
2
1
F
S
S
F
S
S
0on#e)
2 1 2
1 2 2 1 2 2
, ,
, , 1 , ,
1
, ,
F
F y F
2 1 2
, , 1 V V
F
2 1 2
, , V V
F
E.e!lo 0) 0ie. obWetos #e -orma cil1n#rica ele2i#os al a.ar entre los pro#uci#os en cierta
planta in#ustrial (an #a#o los si2uientes #i$metros en cm
101, F7, 105, 10M, FF, FK, FF, 101, 105, FF
*ncuentre un intervalo #e con-ian.a #el FGH para la varian.a #e los #i$metros #e to#os los
obWetos pro#uci#os por esa planta (su2) X) #i$metros normal )
,oluci"n
=on a 4 00G, n 4 10 , 4 n/1 4 F 2l en la c(i/cua#ra#o
1 ,
2
2
n X
4
F , 02G 0
2
X
4 270 !
1 ,
2
1
2
n X
4
F , F7G 0
2
X
4 1F02
/ 0e los #atos maestrales se tiene
2
S
4 00GL
/ Los l1mites #e con-ian.a para
2
es )
12
( )
02LG 0
02 1F
) 0GL 0 ( F 1
2
1 ,
2
2
n
X
S n
L
( )
1KL7 0
70 2
) 0GL 0 ( F 1
2
1 , 1
2
2
n
X
S n
U
8
FGH
) 002LG , 01KL7
FGH
) 01L2K , 0M52
E.e!lo /) ,upon2a 'ue #os m$'uinas U ! R, pro#ucen in#epen#ientemente el mismo
tipo #e obWeto ! 'ue el tiempo 'ue ca#a una emplea en pro#ucirlos se #istribu!e
normalmente con varian.as respectivas
2
1
!
2
2
#esconoci#as ,e (an toma#o #os
muestras aleatorias, una #e U ! otra #e R, obteniAn#ose los si2uientes tiempos en
minutos)
Nuestra #e U) 17, 25, 21, 1K, 22, 20, 21, 1F
Nuestra #e R) 15, 1L, 1M, 12, 1G, 1M
=onstruir un intervalo #e con-ian.a #el FGH para
,
_
2
2
2
1
,oluci"n
X ( tiempo pro#uccin ) m$'uina U 9 (
1
,
2
1
) n
1
4 K
X ( tiempo pro#uccin ) m$'uina R 9 (
2
,
2
2
) n
2
4 L
=on 4 00G 2l
1
4 n
1
? 1 4 K !
2
4 n
2
/ 1 4 G C en tabla V se encuentra)
2 1 2
, , 1 V V
F
4 G , 7 , F7G 0
F
4 LKG !
1 2 2
, , 1 V V
F
4 7 , G , F7G 0
F
4 G2F
*ntonces) 7 , G , 02G 0
F
4
1ML 0
KG L
1 1 1
G , 7 , F7G 0 , , 1
, ,
2 1 2
1 2 2
F F
F
V V
V V
#e la muestra)
2
1
S
4 M15 !
2
2
S
4 20 0501MF
2
2
2
1
10F25F
6. Intervalo de Confianza !ara la &iferencia entre / )edias
,(1( Intervalo de Confianza !ara : varianzas
2
1
7
2
2
conocidas.
,ean
1
X
!
2
X
las me#ias #e #os muestras aleatorias in#epen#ientes #e tama7os n
1
!
n
2
selecciona#as #e 2 poblaciones con me#ias
1
!
2
! varian.as
2
1
!
2
2
supuestas
conoci#as
Y
1
X
/
2
X
es un estima#or puntual #e
1
/
2
/ ,i las 02 poblaciones son normales, entonces
1
X
!
2
X
tienen) #istribuciones
normales 9 (
1
,
1
2
1
n
) ! 9 (
2
,
2
2
2
n
), respectivamente ( para n
1
P 2 ! n
2
P 2 )
1
X
/
2
X
9 (
1
/
2 ,
2
2
2
1
2
1
n n
+
)
/ ,i las poblaciones no son normales, pero n
1
! n
2
son su-icientemente 2ran#es ( n
1
P 50
13
! n
2
P 50 ) entonces
1
X
/
2
X
9 (
1
/
2 ,
2
2
2
1
2
1
n n
+
), por tanto)
2
2
2
1
2
1
2 1 2 1
) (
n n
X X
+
tiene #istribucin exacta o aproxima#a 9 ( 0, 1 )
*l intervalo #e con-ian.a #el (1? ) 100H #e 1 ? 2, es)
,
_
,
_
x x
Z X X Z X X
2 2
1 2 1 2 1 1 2 1
*l valor #e
2
1
Z
es 9 ( 0, 1 ) tal 'ue 3 ( > +
2
1
Z
) 4 1 ? / 2
E.e!lo) "na compa71a -abricante #e automviles (a re2istra#o observaciones #e 02 marcas #e
bater1as usa#as en sus coc(es M0 observaciones #e la marca U mostraron una
A
X
4 52 mesesC MG
observaciones #e la marca R mostraron
B
X
4 50 meses LU experiencia in#ica 'ue las
#esviaciones est$n#ar para ambas marcas #e bater1as son i2uales a 0M meses S =u$les son los
l1mites #e con-ian.a para la #i-erencia ver#a#era en vi#a me#ia entre los 02 tipos #e bater1as con 1
? Z 4 0FG T
,oluci"n
3ara este tipo #e problema se tiene
X
=
A
X
/
B
X
4 52 ? 50 4 2C
2
1
Z
4 1FL
KG 0
MG
M
M0
M
2 2
+
X
, sustitu!en#o #atos en -rmula)
2 B 1FL ( 0K7 ) 4 2 B1.7
FGH
) 05 + + 57
,(*( Intervalo de Confianza !ara :
2
1
7
2
2
&esconocidos.
A3 Po#laciones No Norales.
,i
1
X
!
2
X
son me#ias #e muestras aleatorias in#epen#ientes #e tama7os n
1
! n
2
selecciona#as #e poblaciones cu!a #istribucin no es normal con
2
1
!
2
2
supuestas #esconoci#as, entonces siempre 'ue ( n
1
: 50 ! n
2
: 50 )
) 1 , 0 (
) (
2
2
2
1
2
1
2 1 2 1
N
n
S
n
S
X X
+
( Vuncin 3ivotal)
*l intervalo #e con-ian.a #e ( 1 ? ) x 100H para
1
?
2
es el valor anterior,
#on#e
1
!
2
se estiman particularmente por
2
1
S
!
2
2
S
esto es)
FGH
)
2
2
2
1
2
1
1 2 1 2 1
2
2
2
1
2
1
1 2 1
2 2
n
S
n
S
Z X X
n
S
n
S
Z X X
+ +
,
_
+
*3 Po#laciones Norales.
*.03 $arianzas ,u!uestas Iguales:
2
1
8
2
2
8
2
14
*l intervalo #e con-ian.a ( 1 ? ) x 100H para , se basa en la -uncin pivotal)
2 , 1
2
2
1
2
2 1 2 1
2 1 2
) ( ) (
+
n n
c c
t
n
S
n
S
X X
T
#on#e)
2
) 1 ( ) 1 (
2 1
2
2 2
2
1 1
2
+
+
n n
S n S n
S
c
(1/ )100H
)
2 1
2 , 1 2 1
1 1
) (
2 1 2
n n
S t X X c
n n
+
+
, 1
2
2
2
1
2
1
2 1 2 1
2
) (
+
t
n
S
n
S
X X
#on#e)
2
1 1
2
2
2
2
2
1
2
1
2
1
2
2
2
2
1
2
1
+
1
1
]
1
+
+
1
1
]
1
1
1
1
]
1
n
n
S
n
n
S
n
S
n
S
X
t X X
, 1 2 1
2
) (
E.e!lo) "na empresa -abrica un mismo pro#ucto en 02 m$'uinas "na muestra
aleatoria #e F pro#uctos #e la m$'uina 1, (a #a#o los si2uientes tiempos #e
-abricacin en se2un#os)
12, 2K, 10, 2G, 2M, 1F, 22, 55, 17
mientras 'ue una muestra aleatoria #e K pro#uctos #e la m$'uina 2, (a #a#o los
si2uientes tiempos #e -abricacin en se2un#os)
1L, 20, 1L, 20, 1L, 17, 1G, 21
a) =onstruir un intervalo #el FGH para ) supon2a 'ue
2
1
8
2
2
,oluci"n
a) X1 ! X2 son los tiempos emplea#os para las m$'uinas 1 ! 2 respectivamente,
#e las muestras se tiene)
n
1
4 F,
1
X
421111,
1
S
47M257C n
2
4 K,
2
X
417L2G,
2
S
4252L
15
La #i-erencia #e me#ias maestrales
1
X
/
2
X
4 21111 ? 17L2G 4 5MKL
,i asumimos 'ue
2
1
8
2
2
+ entonces
ser$)
K
1
F
1
2 K F
) 55 2 ( 7 ) M2 7 ( K
1 1
2 2
2 1 2 1
+
+
+
+
x
n n
S c
X X
t t
L 4
1
X
/
2
X
/2151 ( 27M ) 4 5MKL ? GKMLK 4 /25L0K
, 4
1
X
/
2
X
E2151 ( 27M ) 4 5MKL E GKMLK 4 F552K
FGH
) /25L0K , F552K
b) ,i asumimos 'ue
2
1
9
2
2
C el error est$n#ar #e
1
X
/
2
X
ser$)
L 2
K
) 55 2 (
F
) M2 7 (
2 2
2
2
2
1
2
1
2 1
+ +
n
S
n
S
X X
11 17 10 2 17 12 2
1 K
K
) 55 2 (
1 F
F
) M2 7 (
K
) 55 2 (
F
) M2 7 (
2
2
2
2
2
2 2
+
1
]
1
+
+
1
]
1
1
]
1
+
*l intervalo para FGH #e con-ian.a t
0F7G,11
4 2201, por tanto )
722L G 57G 5 ) L 2 )( 201 2 ( MKL 5 ) (
), 1 (
2 1
2
X
t
X X
FGH
) /25M7L , F0F7L
;. Intervalo de Confianza !ara una Pro!orci"n.
,i
n
X
p
,
_
+
n
p p
p p
n
p p
p
Z Z
) 1 ( ) 1 (
2 2
1 1
/ ,i n es su-icientemente 2ran#e ( n : 50 ) por <L= se tiene 'ue
n
p p
p p
) 1 (
tiene #istribucin aprox 9 ( 0, 1 )
*sta es usa#a como -uncin pivotal para construir el intervalo #e (1?) 100H #e
con-ian.a
16
>
Pntervalo #e (1 / )100H #e con-ian.a 3
p L "
0
p
( )
1
2 2
1 1 Z Z
p P
2
1
Z
2
1
,
_
+
1
) 1 ( ) 1 (
2 2
1 1
n
p p
p p
n
p p
p P
Z Z
p
( 1 ? ) 100H
)
n
p p
p
Z
) 1 (
2
1
<. Intervalo de Confianza !ara la diferencia entre / !ro!orciones 1P
0
= P/3
,ean
1
p
!
2
p
las proporciones #e Axitos en #os muestras aleatorias in#epen#ientes #e
tama7os n
1
! n
2
selecciona#os #e #os poblaciones binomiales R ( n
1
, p
1
) ! R ( n
2
, p
2
) si n
1
! n
2
son su-icientemente 2ran#es, entonces
,
_
1
1 1
1 1
) 1 (
,
n
p p
p N p
!
,
_
2
2 2
2 2
) 1 (
,
n
p p
p N p
, entonces
1
p
/
2
p
tiene #istribucin aproxima#amente
normal
1
p
/
2
,
_
2
2 2
1
1 1
2 1
) 1 ( ) 1 (
,
n
p p
n
p p
p p N
,
por tanto)
Piotal F!ncin N
n
" p
n
" p
p p p p
Z ) 1 , 0 (
) (
1
2 2
1
1 1
2 1 2 1
3or tanto el intervalo #e con-ian.a #e (1/)100H para 3
1
/3
2
, es)
p
( 1 ? ) 100H
)
2
2 2
1
1 1
1
2 1
2
n
" p
n
" p
p p
Z
E.e!lo) "na muestra aleatoria #e 7G eWes, 12 tienen un acaba#o super-icial m$s $spero
#e lo 'ue las especi-icaciones permiten 3or tanto una estimacin puntual #e la
proporcin #e eWes en la poblacin 'ue exce#en las especi-icaciones #e ru2osi#a# p es
1L 0
7G
12
n
X
p =alcule un intervalo bilateral #el FGH #e con-ian.a para p
,oluci"n
n
p p
p p
n
p p
p
Z Z
) 1 ( ) 1 (
F7G 0 F7G 0
+
17
7G
KM 0 1L 0
FL 1 1L 0
7G
KM 0 1L 0
FL 1 1L 0
x
p
x
+
p
(FGH)
)
2M 0 0K 0 p
18
INTER$AL% &E C%N'IAN(A PARA LA
#
1%*,ER$ACI%NE,
PAREA&A,)
*ste es un proce#imiento #e estimacin para la #i-erencia #e #os me#ias cuan#o las muestras
son #epen#ientes ! las varian.as #e las #os poblaciones no necesariamente son i2uales
Las muestras parea#as involucran un proce#imiento en el cual varios pares #e observaciones se
e'uiparan #e la manera m$s prxima posible, en tArminos #e caracter1sticas relevantes Los #os
2rupos #e observaciones son #i-erentes slo en un aspecto o [tratamiento[ <o#a #i-erencia
subsi2uiente en los #os 2rupos se atribu!e a #ic(o tratamiento Las ventaWas #e las muestras
parea#as son)
1) 3ue#en utili.ar muestras mu! pe'ue7as
2) ,e encuentran varian.as m$s pe'ue7as
5) Nenos 2ra#os #e liberta# se pier#en en el an$lisis
M) \esulta un error #e muestreo m$s pe'ue7o (la variacin entre observaciones re#uce
#ebi#o a 'ue correspon#en #e la -orma m$s prxima posible)
]tro mAto#o para utili.ar muestras parea#as a #i-erencia #e la situacin 'ue se #escribi
cuan#o las muestras son in#epen#ientes, las con#iciones #e las #os poblaciones no se si2nan #e
-orma aleatoria a las uni#a#es experimentales N$s bien, ca#a uni#a# experimental (omo2Anea
recibe ambas con#iciones poblacionalesC como resulta#o, ca#a uni#a# experimental tiene un
par #e observaciones, una para ca#a poblacin 3or eWemplo, si reali.amos una prueba #e una
nueva #ieta con 1G in#ivi#uos, el peso antes ! #espuAs #e llevar a cabo la #ieta -orman la
in-ormacin #e nuestras #os muestras *stas #os poblaciones son [antes[ ! [#espuAs[ ! la
uni#a# experimental es el in#ivi#uo ]bviamente las observaciones en un par tienen al2o en
com^n 3ara #eterminar si la #ieta es e-ectiva consi#eramos las #i-erencias #
1
, #
2
, 66#
n
en las
observaciones parea#as *stas #i-erencias son los valores #e una muestra aleatoria 0
1
, 0
2
,
0
n
#e una poblacin #e #i-erencias 'ue supon#remos #istribui#as normalmente con me#ia
2 1
#
! varian.a
2
#
*stimamos
2
#
me#iante
2
$
s
, la varian.a #e las #i-erencias 'ue constitu!en nuestra muestra *l
estima#or puntual #e
#
#
)100H para
#
- t
/2
t
/2
P (- t
/2
! t
/2
)
"#$de
19
! =
n s
$
$
#
/
c#$ n - 1 g%ad#& de '(be%tad
n
$
$
i
1
) (
2
n
$ $
S
i
$
n
S
t $
n
S
t $
$
#
$
2 2
+ < <
)e a&*+e ,*e &e t(e$e$ -*$ta.e& de 'a -%*eba de 10 e+-'ead#& a$te& /
de&-*0& de 1ab0%&e'e& (+-a%t(d# ca-ac(tac(2$ 'ab#%a' ad(c(#$a' .
E&tab'e3ca *$ ($te%4a'# de c#$5(a$3a de' 906 -a%a 'a +ed(a de 'a d(5e%e$c(a
e$ '#& -*$ta.e a$te& / de&-*0& de 'a ca-ac(tac(2$.
7#& -*$ta.e& a-a%ece$ e$ 'a tab'a8
)#'*c(2$
"at#&
E+-'ead# P*$ta.e a$te& de
7a ca-ac(tac(2$ de'
e+-'ead#
P*$ta.e de&-*0& de
7a ca-ac(tac(2$ de'
e+-'ead#
i
$
2
i
$
1 9.0 9.2 -0.2 0.04
2 7.3 8.2 -0.9 0.81
3 6.7 8.5 -1.8 3.24
4 5.3 4.9 0.4 0.16
5 8.7 8.9 -0.2 0.16
6 6.3 5.8 0.5 0.25
7 7.9 8.2 -0.3 0.09
8 7.3 7.8 -0.5 0.25
9 8.0 9.5 -1.5 2.25
10 8.5 8.0 -0.5 0.25
7.4 7.9 -5.0
7.38
1. E$c#$t%a% e&t(+ad#% -*$t*a' ($&e&gad#
$
=
10
0 G
= - 0.5 (e&t(+ad#% -*$t*a' ($&e&gad# de
$
)
2. "ete%+($a% 'a 4a%(ab'e a'eat#%(a 5*$c(2$ de' e&t(+ad#% / de' -a%9+et%#
c*/a d(&t%(b*c(2$ e&te de5($(da.
20
! =
n s
$
$
#
/
c#$ n - 1 g%ad#& de '(be%tad
3. "ete%+($a% '#& 4a'#%e& de 'a 4a%(ab'e a'eat#%(a de5($(da e$ e' -a&#
(2) de ac*e%d# a 'a -%#bab('(dad e&tab'ec(da.
P ( -1.833
t
1.833 ) = 0.90
4. E&tab'ece% 'a de&(g*a'dad c#$ '#& 4a'#%e& de 'a 4a%(ab'e a'eat#%(a
de5($(d#& e$ e' -a&# (3) / 'a e:-%e&(2$ de5($(da e$ e' -a&# (2).
n
S
t $
n
S
t $
$
#
$
2 2
+ < <
5. E$c#$t%a% '#& ';+(te& ($5e%(#%e& / &*-e%(#%e& de$t%# de '#& c*a'e& &e
e$c*e$t%a e' -a%9+et%#
n
$
$
i
=
10
0 G
= -0.5
1
) (
2
n
$ $
S
i
$
=
75L 0
F
) G 0 ( 10 5K 7
2
7;+(te &*-e%(#% de c#$5(a$3a
$