 Un proceso produce cierta clase de cojines cuyo diámetro interior es de 3 cm.

Se seleccionaron de
forma aleatoria 11 de ellos y se midieron sus diámetros internos que son:

3.01, 3.05, 2.99, 2.99, 3.00, 3.02, 2.98, 2.99, 2.97, 3.02, 3.01

Suponiendo que el diámetro es una variable aleatoria que proviene de una distribución con f.d.p.
𝑁~(𝜇 = 3, 𝜎 2 ). Determinar el intervalo de confianza del 99% para la varianza.

Sea 𝑋𝑖 = 𝑑𝑖á𝑚𝑒𝑡𝑟𝑜 𝑑𝑒𝑙 𝑐𝑜𝑗í𝑛

𝑋 𝑖 −𝜇 𝑋 𝑖 −𝜇 2 11 𝑋 𝑖 −𝜇
2
Ahora 𝑋𝑖 ~𝑁 𝜇, 𝜎 2 ⇒ ~𝑁 0,1 ⇒ ~𝜒21 ⇒ 𝑖=1 ~𝜒211 ← Cantidad Pivotal
𝜎 𝜎2 𝜎 2

11
2
𝑋𝑖 − 𝜇
⇒𝑃 𝜒211 ,1−𝛼 < < 𝜒211 ,𝛼 = 1 − 𝛼 = 0.99 ⇒ 𝛼 = 0.01
2 𝜎2 2
𝑖=1

𝜒211 ,1−𝛼 𝜒211 ,𝛼 11 2 11 2

2 1 2 𝑖=1 𝑋𝑖 − 𝜇 𝑖=1 𝑋𝑖 − 𝜇
⇒𝑃 < 2< ⇒𝑃 < 𝜎2 <
11
𝑖=1 𝑋𝑖 − 𝜇 2 𝜎 11
𝑖=1 𝑋𝑖 − 𝜇 2
𝜒211 ,1−𝛼 𝜒211 ,𝛼
2 2

𝛼 0.01
1− =1− = 0.995
2 2 𝜒211 ,0.995 = 26.8
⇒
𝛼 0.01 𝜒211 ,0.005 = 2.6
= = 0.005
2 2

0.0051 0.0051
⇒𝑃 < 𝜎2 < = 0.99 ⇒ 𝐼𝐶 𝜎 2 ,0.99 = (0.00019, .001961)
26.8 2.6

 Sea 𝑋 la media de una muestra aleatoria de tamaño 𝑛 de una población con f.d.p. 𝑁~(𝜇, 𝜎 2 = 16).
Encuentre 𝑛 talque 𝑃 𝑋 − 1 < 𝜇 < 𝑋 + 1 = 0.90

𝜎2
Sabemos que cada 𝑋𝑖 ~𝑁 𝜇, 𝜎 2 ⇒ 𝑋~𝑁 𝜇,
𝑛

𝑋 −𝜇
Estandarizando la media encontramos la cantidad pivotal 𝜎 ~𝑁(0,1). Así podemos ahora encontrar la
𝑛

siguiente probabilidad:

𝛼 𝑋−𝜇 𝛼
𝑃[−𝑍1−2 < 1−
𝜎 < 𝑍 2 ] = 0.90 = 1 − 𝛼 ⇒ 𝛼 = 0.10
𝑛
𝛼 𝜎 𝛼 𝜎
𝑃 𝑋 − 𝑍1−2 < 𝜇 < 𝑋 + 𝑍1− 2 = 0.90
𝑛 𝑛
𝛼 𝜎
⇒ 𝑍1−2 =1
𝑛

4
⇒ 𝑍 0.95 =1
𝑛

⇒ 1.645 4 = 𝑛

⇒ 6.6 = 𝑛
 ⇒ 𝑛 = 43.56

∴ 𝐶𝑜𝑛 𝑛 ≈ 44 𝑠𝑒 𝑐𝑢𝑚𝑝𝑙𝑒 𝑒𝑠𝑎 𝑝𝑟𝑜𝑏𝑎𝑏𝑖𝑙𝑖𝑑𝑎𝑑,

𝑖. 𝑒. 𝑝𝑎𝑟𝑎 𝑢𝑛𝑎 𝑚𝑢𝑒𝑠𝑡𝑟𝑎 𝑑𝑒 𝑡𝑎𝑚𝑎ñ𝑜 44 𝑙𝑎 𝑝𝑟𝑜𝑏𝑎𝑏𝑖𝑙𝑖𝑑𝑎𝑑 𝑑𝑒 𝑞𝑢𝑒 𝑒𝑙 𝑝𝑎𝑟á𝑚𝑒𝑡𝑟𝑜 𝜇

𝑠𝑒 𝑒𝑛𝑐𝑢𝑒𝑛𝑡𝑟𝑎 𝑒𝑛 𝑒𝑙 𝑖𝑛𝑡𝑒𝑟𝑣𝑎𝑙𝑜 𝑋 ± 1 𝑒𝑠 𝑑𝑒 0.90

 Suponga que después de un análisis de supuestos se concluye que el número de clientes que llegan
a un supermercado es una variable aleatoria 𝑋~𝑃𝑜𝑖(𝜆) con 𝜆 desconocida. A partir de la siguiente muestra
de tamaño 𝑛 = 35 construya un intervalo del 90% de confianza para el número de clientes esperados en un
determinado día.

401, 388, 414, 464, 471, 350, 389, 401, 460, 501, 480, 390, 280, 601, 451, 468, 404, 477,
456, 448, 402, 440,468, 429, 468, 402, 488, 423, 455, 460, 440, 492, 463, 408, 481.

Hint: Utilizar el Teorema de Límite Central

Sabemos que un estimador máximo verosímil para 𝜆 es 𝑋, entonces es necesario trabajar con él, además
sabemos que si:

𝑋𝑖 ~𝑃𝑜𝑖 𝜆 ⇒ 𝑋~𝑃𝑜𝑖 𝜆

También:
𝑛
𝑖=1 𝑋 𝑖
 𝐸 𝑋 =𝐸 =𝜆
𝑛
𝑛
𝑖=1 𝑋 𝑖 𝜆
 𝑉𝑎𝑟 𝑋 = 𝑉𝑎𝑟 =
𝑛 𝑛

𝑋 − 𝐸(𝑋 ) 𝑋− 𝜆
Entonces aplicamos el TLC y tenemos: ~𝑁 0,1 ⇒ ~𝑁(0,1)
𝑉𝑎𝑟 𝑋 𝜆
𝑛

𝛼 𝑋− 𝜆 𝛼
⇒ 𝑃 −𝑍1−2 < <𝑍
1−
2 = 0.90 = 1 − 𝛼 ⇒ 𝛼 = 0.10
𝑋
𝑛

𝛼 𝑋 𝛼 𝑋 𝛼 𝑋 𝛼 𝑋
⇒ 𝑃 −𝑍1−2 1−
<𝑋− 𝜆<𝑍 2 = 𝑃 𝑋−𝑍
1−
2
1−
<𝜆 <𝑋+𝑍 2 =1−𝛼
𝑛 𝑛 𝑛 𝑛

⇒ 𝑈𝑛 𝑖𝑛𝑡𝑒𝑟𝑣𝑎𝑙𝑜 𝑑𝑒 𝑐𝑜𝑛𝑓𝑖𝑎𝑛𝑧𝑎 𝑝𝑎𝑟𝑎 𝜆 𝑎𝑙 1 − 𝛼 × 100% 𝑑𝑒 𝑐𝑜𝑛𝑓𝑖𝑎𝑛𝑧𝑎 𝑒𝑠:

𝛼 𝑋 𝛼 𝑋
𝑋 − 𝑍1−2 , 𝑋 + 𝑍1−2
𝑛 𝑛

Ahora bien con los datos de la muestra vemos que 𝑋 = 440.26, 𝑛 = 35, 1 − 𝛼 = 0.90 y 𝑍 0.95 = 1.645
 𝛼 𝑋 𝛼 𝑋 440.26 440.26
⇒ 𝑋 − 𝑍1−2 , 𝑋 + 𝑍1−2 = 440.26 − 1.645 , 440.26 + (1.645)
𝑛 𝑛 35 35

⇒ 𝐼𝐶(𝜆,0.90) = (434.44, 446.11)

∴ 𝑆𝑒 𝑒𝑠𝑝𝑒𝑟𝑎𝑛 𝑒𝑛𝑡𝑟𝑒 434 𝑦 446 𝑐𝑙𝑖𝑒𝑛𝑡𝑒𝑠 𝑝𝑜𝑟 𝑑í𝑎 𝑒𝑛 𝑙𝑎 𝑡𝑖𝑒𝑛𝑑𝑎.

 Sea 𝑋1 , … , 𝑋𝑛 una muestra de una población con f.d.p. 𝐺𝑎𝑚𝑚𝑎 𝛼, 𝛽 , 𝛼 ∈ Ζ + conocido y 𝛽 > 0
desconocido, construya un intervalo al 1 − 𝛼 × 100% de confianza para 𝛽.

2𝑋
Hint: Utilice 𝑌 = para la construcción de la cantidad pivotal.
𝛽

2𝑋
Sabemos que 𝑋𝑖 ~𝐺𝑎𝑚𝑚𝑎 𝛼, 𝛽 y buscamos la distribución de 𝑌 = ¿Quién es 𝑓𝑌 𝑦 ?
𝛽

𝑑𝑥
Entonces utilizando un cambio de variable para encontrar 𝑓𝑌 𝑦 = 𝑓𝑋 𝑥|𝑦 , tenemos:
𝑑𝑦

1 −𝑥
𝑓𝑋 𝑥 = 𝛼
𝑥 𝛼−1 𝑒 𝛽
Γ 𝛼 𝛽

𝑦𝛽
− 2
𝛼−1 𝛽
1 𝑦𝛽 1 𝑦𝛼−1 𝛽𝛼−1 − 𝑦 1 𝑦𝛼−1 𝑦
⇒ 𝑓𝑋 𝑥|𝑦 = 𝛼 ∙ 𝑒 = ∙ 𝑒 2 = ∙ 𝛼−1 𝑒− 2
Γ(𝛼)𝛽 2 Γ(𝛼)𝛽𝛼 2𝛼−1 Γ(𝛼)𝛽 2

1 𝑦 𝛼−1 − 𝑦 𝛽
⇒ 𝑓𝑌 𝑦 = 𝑒 2 ∙
Γ(𝛼)𝛽 2𝛼−1 2
2𝑋 𝑌𝛽 𝛽 𝑑𝑥
Porque 𝑌 = ⇒ 𝑋= ⇒ = 𝑑𝑦
𝛽 2 2

1 𝑦 𝛼−1 − 𝑦
⇒ 𝑓𝑌 𝑦 = 𝑒 2
Γ(𝛼) 2𝛼
2𝛼
−1 𝑦
1 1 1 𝑦2
Recordemos: 𝜒 21 ~𝐺𝑎𝑚𝑚𝑎 , ⇒ 2𝛼 2𝛼 𝑒− 2 2
= 𝜒(2𝛼)
2 2 Γ( )
2 22

2 𝑛𝑖=1 𝑋 𝑖 2
Así pues tenemos que la cantidad pivotal 𝑌′ = ~𝜒(2𝛼𝑛 )
𝛽

𝑛
2 𝑖=1 𝑋𝑖
⇒ 𝑃 𝜒 22𝛼𝑛 𝛼 < < 𝜒 22𝛼𝑛 𝛼 =1−𝛼
,
2 𝛽 ,1−
2

𝑛 𝑛
2 𝑖=1 𝑋𝑖 2 𝑖=1 𝑋𝑖
⇔𝑃 <𝛽< =1−𝛼
𝜒2 𝛼 𝜒2 𝛼
2𝛼𝑛 ,1− 2𝛼𝑛 ,
2 2
 ∴ 𝑈𝑛 𝑖𝑛𝑡𝑒𝑟𝑣𝑎𝑙𝑜 𝑑𝑒 𝑐𝑜𝑛𝑓𝑖𝑎𝑛𝑧𝑎 𝑝𝑎𝑟𝑎 𝛽 𝑎𝑙 1 − 𝛼 × 100% 𝑑𝑒 𝑐𝑜𝑛𝑓𝑖𝑎𝑛𝑧𝑎 𝑒𝑠:

𝑛 𝑛
2 𝑖=1 𝑋𝑖 2 𝑖=1 𝑋𝑖
,
𝜒2 𝛼 𝜒2 𝛼
2𝛼𝑛 ,1− 2𝛼𝑛 ,
2 2

 Sea 𝑋1 , … , 𝑋10 una muestra de una población con f.d.p. 𝐺𝑎𝑚𝑚𝑎 3, 𝛽 , construya un intervalo al
1 − 𝛼 × 100% de confianza para 𝛽.

Aplicando el desarrollo anterior vemos claramente que:

10 10
2 𝑖=1 𝑋𝑖 2 𝑖=1 𝑋𝑖
⇒𝑃 <𝛽< =1−𝛼
𝜒2 𝛼 𝜒 2
𝛼
60 ,1− 60 ,
2 2

∴ 𝑈𝑛 𝑖𝑛𝑡𝑒𝑟𝑣𝑎𝑙𝑜 𝑑𝑒 𝑐𝑜𝑛𝑓𝑖𝑎𝑛𝑧𝑎 𝑝𝑎𝑟𝑎 𝛽 𝑎𝑙 1 − 𝛼 × 100% 𝑑𝑒 𝑐𝑜𝑛𝑓𝑖𝑎𝑛𝑧𝑎 𝑒𝑠:

10 10
2 𝑖=1 𝑋𝑖 2 𝑖=1 𝑋𝑖
,
𝜒2 𝛼 𝜒 2
𝛼
60 ,1− 60 ,
2 2

 Sea 𝑋1 , … , 𝑋𝑛 una muestra de una población con f.d.p. 𝐵𝑙𝑙𝑖(𝑝), queremos un intervalo al 90% de
confianza para 𝑝. Si deseamos que el radio del intervalo sea a lo más de 0.02. ¿Qué tamaño de la muestra
debemos tomar?

𝑛
Sea 𝑌 = 𝑖=1 𝑋𝑖 ~𝐵𝑖𝑛(𝑛, 𝑝).

1 1
Sabemos que un intervalo para 𝑝 es: 𝑋 − 𝑍1−𝛼 𝑋 1−𝑋 , 𝑋 + 𝑍1−𝛼 𝑋 1−𝑋
𝑛 𝑛

1
⇒ 𝑍1−𝛼 𝑋 1−𝑋 ≤ 0.02
𝑛

1 1
Sabemos que el valor máximo es ⇒ 𝑋 1−𝑋 <
2 2

𝑋 1−𝑋 1
Ahora bien si 𝛼 = 0.1 𝑦 𝑍0.95 ⇒ 𝑍1−𝛼 < 𝑍0.95 < 0.02
𝑛 2 𝑛

1.645
⇒ = 0.02 ⇔ 𝑛 = 1, 691.27
2 𝑛

∴ 𝐶𝑜𝑛 𝑢𝑛𝑎 𝑚𝑢𝑒𝑠𝑡𝑟𝑎 𝑑𝑒 𝑡𝑎𝑚𝑎ñ𝑜 𝑛 ≈ 1, 692 𝑒𝑙 𝑟𝑎𝑑𝑖𝑜 𝑑𝑒𝑙 𝑖𝑛𝑡𝑒𝑟𝑣𝑎𝑙𝑜 𝑑𝑒 𝑐𝑜𝑛𝑓𝑖𝑎𝑛𝑧𝑎 𝑝𝑎𝑟𝑎 𝑝 𝑒𝑠 𝑚𝑒𝑛𝑜𝑟 𝑖𝑔𝑢𝑎𝑙 𝑞𝑢𝑒 0.02.
  Sea 𝑋1 , … , 𝑋𝑛 una muestra aleatoria de tamaño 𝑛 = 8 de una población con f.d.p. 𝑁(𝜇, 𝜎 2 = 72),
produjo 𝑋 = 85. Encuentre los intervalos al 80% y 99% de confianza para 𝜇.

𝑋 −𝜇
Estandarizando tenemos : 𝜎 ~𝑁(0,1) , además 𝜎 = 8.48
𝑛

Para el intervalo de 99% de confianza:

𝛼 𝜎 𝛼 𝜎
⇒ 𝑃 𝑋 − 𝑍1−2 <𝜇<𝑋+𝑍
1−
2 = 1 − 𝛼 = 0.99 ⇒ 𝛼 = 0.01 ⇒ 𝑍0.995=2.57
𝑛 𝑛

8.48 8.48
⇒ 85 − 2.57 , 85 + 2.57
8 8

∴ 𝐼𝐶 𝜇 ,0.99 = 77.28 , 92.72 𝑦 𝑒𝑙 𝑡𝑎𝑚𝑎ñ𝑜 𝑑𝑒𝑙 𝑖𝑛𝑡𝑒𝑟𝑣𝑎𝑙𝑜 𝑒𝑠 15.4

Para el intervalo de 80% de confianza:

𝛼 𝜎 𝛼 𝜎
⇒ 𝑃 𝑋 − 𝑍1−2 <𝜇<𝑋+𝑍
1−
2 = 1 − 𝛼 = 0.80 ⇒ 𝛼 = 0.2 ⇒ 𝑍0.9=1.282
𝑛 𝑛

8.48 8.48
⇒ 85 − 1.282 , 85 + 1.282
8 8

∴ 𝐼𝐶 𝜇 ,0.99 = (81.154 , 88.846) 𝑦 𝑒𝑙 𝑡𝑎𝑚𝑎ñ𝑜 𝑑𝑒𝑙 𝑖𝑛𝑡𝑒𝑟𝑣𝑎𝑙𝑜 𝑒𝑠 7.692