Clase 2. Inferencias para la combinación lineal de medias de dos poblaciones normales.

Inferencias para la
combinación lineal de medias de dos poblaciones Bernoulli. Inferencias para la razón de varianzas de
normales.

En esta clase nos limitaremos a explicitar cantidades pivotales para los casos que mostraremos a continuación, dejando
como ejercicio la obtención de intervalos de confianza , regiones críticas y p-valor

01. Combinación Lineal de Medias de Poblaciones Normales.

Sean X N  X , X2  , Y N  Y , Y2  poblaciones normales. Se está interesado en hacer inferencias con respecto a

la combinación lineal   a X  b Y . Consideremos los siguientes casos:

1.1. X e Y poblaciones independientes


Considere las muestras X 1 ,..., X nX  , Y ,...,Y 
1 nY de tamaños nx y ny, respectivamente.
1.1.1. Varianzas Poblacionales Conocidas.

 a x  b y    a X  b Y 
Q N  0,1 
 X2  Y2
a 2
b 2

nx nY
1.1.2. Varianzas Poblacionales Desconocidas pero conocida la razón de la varianza de X a la varianza de Y

Sean :
 X2
k la razón de varianzas
 Y2
 nX  1  SC2X  k  nY  1  SC2Y
SP2  la cuasivarianza ponderada
k  nx  nY  2 
 a x  b y    a X  b Y 
Q t nX  nY  2
k 1
SP a2  b2
nX ny

1.1.3. Varianzas Poblacionales Desconocidas y desconocida la razón de la varianza de X a la varianza de Y

Sea el estadístico de Welch ,

 
 2 
  2 SCX SC2Y 
2

  a n  b n 
2

v  el entero más próximo a  
x Y  
  S 2 2  S 2 2 
  a 2 CX  C
 b2 Y  
 n  n 

x 

Y 

 nX  1 nY  1 

 a x  b y    a X  b Y 
Q tv
2
S SC2Y
b
2 CX 2
a
nx nY
1.2. X e Y poblaciones no independientes
Considere una muestra apareada de tamaño n :  X 1 ,Y1  ,...,  X i ,Yi  ,...,  X n ,Yn  . Se Di  a X i  bYi , entonces:

D   a  X  b Y 
Q t n 1
SCD
n

02. Combinación Lineal de Medias de Poblaciones Bernoulli Independientes . Muestras Grandes.

Sean X B  X  , Y B  Y  poblaciones normales. Se está interesado en hacer inferencias con respecto a la

combinación lineal   a  X  b  Y cuando los tamaños de muestra son grandes.


Considere las muestras X 1 ,..., X nX  , Y ,...,Y 
1 nY de tamaños nx y ny, respectivamente.

 a px  b pY    a  X  b  Y 
Q N  0,1 
pX 1  pX  pY 1  pY 
a 2
b 2

nX nY

03. Distribución F de Snedecor.

Sean “m” y “n” dos números enteros positivos. Decimos que la variable aleatoria W tiene una distribución F de
Snedecor o simplemente F, de grados de libertad m y n, lo cual denotamos por W Fm,n sí y sólo si su función de
densidad es de la forma:

 mn
   2   m 2
m
m 1


2

   , 0
  mn
 m n n 
   
  2  2    m  2
1   
  n 
fW     


0 , 0




al parámetro m se le suele llamar “grados de libertad del numerador” y al parámetro n , “grados de libertad del
denominador” en virtud del siguiente teorema.

Teorema 1. Sean U y V dos variables aleatorias chi-cuadrado con grados de libertad m y n , respectivamente. La
variable W definida como :

U
W  m
V
n
sigue una distribución Fm ,n

Teorema 2. Si W Fm,n , entonces:

n n2  2m  2n  4 
E W   , n2 Var W   ,n4
n2 m n  2  n  4 
2

Dada la complejidad de la función de densidad de una distribución F , las probabilidades y percentiles de esta
distribución, al igual que la normal, la chi-cuadrado y la t de student, deberán calcularse con un programa
computacional (Minitab, SPSS, Excel, etc.) , mediante una calculadora científica y en el peor de los casos mediante el
uso de tablas. A tal efecto, revisemos los siguientes resultados con su máquina calculadora :
 P F5 ,8  2,5   0,880246  F5 ,8;0 ,90  2,72645

En virtud del Teorema 1, podemos establecer las siguientes propiedades de la distribución F:

1
a) W Fm ,n  Fn,m
W
b) Fm ,n; Fn.m:1   1

Verifique que:
a) P F4 ,6  2   P F6.4  1 
 2
1
b) F3 ,7 ;0 ,95 
F7 ,3;0 ,05

04. Cociente de Varianzas de Poblaciones Normales Independientes

Sean X N  X , X2  , Y N  Y , Y2  , dos poblaciones normales independientes. Considere las muestras

 X ,..., X  , Y ,...,Y 
1 nX 1 nY de tamaños nx y ny, respectivamente. Estamos interesados en obtener inferencias
 X2
relacionadas con   .
 Y2
Habrá que distinguir cuatro casos, según:

04.1. Se conocen  X y Y
04.2. Se conoce  X y no se conoce Y
04.3. Se conoce Y y no se conoce  X
04.4. No se conocen ni  X ni Y

Para obtener cantidades pivotales adecuadas, debemos tener presente los siguientes resultados:

  X i  X   Yi  Y 
nX 2 nY 2

i 1
 2 i 1
 n2
 X2 nX
 Y2 Y

 X   Y  Y 
nX 2 nY 2
i X i
i 1
 2
nX 1
i 1
 n2 1
 X2  Y2 Y

Así por ejemplo para el caso 04.2 , la cantidad pivotal adecuada se deduce de las siguientes operaciones algebraicas:

 Y  Y 
nY 2

 Y  Y 
i
i 1 nY 2
 Y2 2  i
  X2  i 1

  X i  X   Y 
 X   
nX 2 nX 2
i X
i 1 i 1

 X2

 Y  Y 
nY 2
2  i
Q   X2  i 1
FnY 1 , nx
 Y 
 X   
nX 2
i X
i 1

 X2
Ahora se podrá obtener el intervalo de confianza para   en el caso 04.2 y realizar los mismos procedimientos para
 Y2
los tres casos restantes.