117 13 16032011001612

Parte 2 Estimacin puntual Prof. Mara B.
Pintarelli
124
PARTE 2 - ESTADISTICA

7- Estimacin puntual

7. 1 Introduccin

Supongamos la siguiente situacin: en una fbrica se producen artculos, el inters est en la
produccin de un da, especficamente, de todos los artculos producidos en un da nos interesa una
caracterstica determinada, si el artculo es o no defectuoso. Sea p la proporcin de artculos
defectuosos en la poblacin, es decir en la produccin de un da.
Tomamos una muestra de 25 artculos, podemos definir la v.a. X: nmero de artculos defectuosos
en la muestra, y podemos asumir que ) , 25 ( ~ p B X .
En Probabilidades se conocan todos los datos sobre la v.a. X, es decir conocamos p. De esa forma
podamos responder preguntas como: cul es la probabilidad que entre los 25 artculos halla 5
defectuosos?. Si, por ejemplo, 1 . 0 = p entonces calculbamos ) 5 ( = X P donde ) 1 . 0 , 25 ( ~ B X .
En Estadstica desconocemos las caractersticas de X total o parcialmente, y a partir de la muestra
de 25 artculos tratamos de inferir informacin sobre la distribucin de X, o dicho de otra forma
tratamos de inferir informacin sobre la poblacin.
Por ejemplo, en estadstica sabremos que X tiene distribucin binomial pero desconocemos p, y a
partir de la muestra de 25 artculos trataremos de hallar informacin sobre p.
En Estadstica nos haremos preguntas tales como: si en la muestra de 25 artculos se encontraron 5
defectuosos, ese hecho me permite inferir que el verdadero p es 0.1?.
El campo de la inferencia estadstica est formado por los mtodos utilizados para tomar decisiones
o para obtener conclusiones sobre el o los parmetros de una poblacin. Estos mtodos utilizan la
informacin contenida en una muestra de la poblacin para obtener conclusiones.
La inferencia estadstica puede dividirse en dos grandes reas: estimacin de parmetros y pruebas
de hiptesis.

7.2 Muestreo aleatorio

En muchos problemas estadsticos es necesario utilizar una muestra de observaciones tomadas de la
poblacin de inters con objeto de obtener conclusiones sobre ella. A continuacin se presenta la
definicin de algunos trminos

En muchos problemas de inferencia estadstica es poco prctico o imposible, observar toda la
poblacin, en ese caso se toma una parte o subconjunto de la poblacin

Para que las inferencias sean vlidas, la muestra debe ser representativa de la poblacin. Se
selecciona una muestra aleatoria como el resultado de un mecanismo aleatorio. En consecuencia, la
seleccin de una muestra es un experimento aleatorio, y cada observacin de la muestra es el valor
observado de una variable aleatoria. Las observaciones en la poblacin determinan la distribucin de
probabilidad de la variable aleatoria.
Una poblacin est formada por la totalidad de las observaciones en las cuales se tiene cierto
inters
Una muestra es un subconjunto de observaciones seleccionada de una poblacin
Parte 2 Estimacin puntual Prof. Mara B. Pintarelli
125
Para definir muestra aleatoria, sea X la v.a. que representa el resultado de tomar una observacin de
la poblacin. Sea ) (x f la f.d.p. de la v.a. X. supongamos que cada observacin en la muestra se
obtiene de manera independiente, bajo las mismas condiciones. Es decir, las observaciones de la
muestra se obtienen al observar X de manera independiente bajo condiciones que no cambian,
digamos n veces.
Sea
i
X la variable aleatoria que representa la i-sima observacin. Entonces
n
X X X ,..., ,
2 1

constituyen una muestra aleatoria, donde los valores numricos obtenidos son
n
x x x ,..., ,
2 1
. Las
variables aleatorias en una muestra aleatoria son independientes, con la misma distribucin de
probabilidad f(x) debido a que cada observacin se obtiene bajo las mismas condiciones. Es decir las
funciones de densidad marginales de
n
X X X ,..., ,
2 1
son todas iguales a f(x) y por independencia, la
distribucin de probabilidad conjunta de la muestra aleatoria es el producto de las marginales
) ( )... ( ) (
2 1 n
x f x f x f

El propsito de tomar una muestra aleatoria es obtener informacin sobre los parmetros
desconocidos de la poblacin. Por ejemplo, se desea alcanzar una conclusin acerca de la proporcin
de artculos defectuosos en la produccin diaria de una fbrica. Sea p la proporcin de artculos
defectuosos en la poblacin, para hacer una inferencia con respecto a p, se selecciona una muestra
aleatoria (de un tamao apropiado) y se utiliza la proporcin observada de artculos defectuosos en
la muestra para estimar p.
La proporcin de la muestra p se calcula dividiendo el nmero de artculos defectuosos en la
muestra por el nmero total de artculos de la muestra. Entonces p es una funcin de los valores
observados en la muestra aleatoria. Como es posible obtener muchas muestras aleatorias de una
poblacin, el valor de p cambiar de una a otra. Es decir p es una variable aleatoria. Esta variable
aleatoria se conoce como estadstico.

Estadsticos usuales

Sea
n
X X X ,..., ,
2 1
una muestra aleatoria de una v.a. X donde = ) ( X E y
2
) ( = X V
Si desconocemos un estadstico que se utiliza para estimar ese parmetro es la media o promedio
muestral
=
=
n
i
i
X
n
X
1
1

Anlogamente si se desconoce
2
un estadstico usado para tener alguna informacin sobre ese
parmetro es la varianza muestral que se define como ( )
=
n
i
i
X X
n
S
1
2
2
1
1

Otro estadstico es la desviacin estndar muestral ( )
=
n
i
i
X X
n
S
1
2
1
1

Como un estadstico es una variable aleatoria, ste tiene una distribucin de probabilidad, esperanza
y varianza.
Las variables aleatorias ( )
n
X X X ,..., ,
2 1
constituyen una muestra aleatoria de tamao n de una
v.a. X si
n
X X X ,..., ,
2 1
son independientes idnticamente distribuidas
Un estadstico es cualquier funcin de la muestra aleatoria
126
Una aplicacin de los estadsticos es obtener estimaciones puntuales de los parmetros
desconocidos de una distribucin. Por ejemplo como se dijo antes se suelen estimar la media y la
varianza de una poblacin.
Cuando un estadstico se utiliza para estimar un parmetro desconocido se lo llama estimador
puntual. Es habitual simbolizar en forma genrica a un parmetro con la letra y al estadstico que
se utiliza como estimador puntual de , simbolizarlo con
.
Por lo tanto
es una funcin de la muestra aleatoria: ( )

n
X X X h ,..., ,
2 1
=
Al medir la muestra aleatoria se obtienen
n
x x x ,..., ,
2 1
, y entonces el valor que toma
es
( )
n
x x x h ,..., ,
2 1
= y se denomina estimacin puntual de
El objetivo de la estimacin puntual es seleccionar un nmero, a partir de los valores de la muestra,
que sea el valor ms probable de .
Por ejemplo, supongamos que
4 3 2 1
, , , X X X X es una muestra aleatoria de una v.a. X. Sabemos que X
tiene distribucin normal pero desconocemos .
Tomamos como estimador de al promedio muestral X , es decir X =
Tomamos la muestra (medimos
4 3 2 1
, , , X X X X ) y obtenemos 32 , 27 , 30 , 24
4 3 2 1
= = = = x x x x
Entonces la estimacin puntual de es 25 . 28
4
32 27 30 24
=
+ + +
= x
Si la varianza
2
de X tambin es desconocida, un estimador puntual usual de
2
es la varianza
muestral, es decir ( )
=
n
i
i
X X
n
S
1
2
2
1
1
, para la muestra dada la estimacin de
2
es 12.25.
Otro parmetro que a menudo es necesario estimar es la proporcin p de objetos de una poblacin
que cumplen una determinada caracterstica.
En este caso el estimador puntual de p sera
=
=
n
i
i
X
n
p
1
1
donde

=
contrario caso
ers de tica caracters la tiene n observaci sima la si
X
i
0
int 1
n i ,..., 2 , 1 =
Por lo tanto
=
=
n
i
i
X
n
p
1
1
es la proporcin de objetos en la muestra cumplen la caracterstica de
inters

Puede ocurrir que se tenga ms de un estimador para un parmetro, por ejemplo para estimar la
media muestral se pueden considerar el promedio muestral, o tambin la semisuma entre
1
X y
n
X ,
es decir
2
1 n
X X +
= . En estos casos necesitamos de algn criterio para decidir cul es mejor
estimador de .

7.3 Criterios para evaluar estimadores puntuales

Lo que se desea de un estimador puntual es que tome valores prximos al verdadero parmetro.
Podemos exigir que el estimador
tenga una distribucin cuya media sea .

127

Notar que si un estimador es insesgado entonces su sesgo es cero

Ejemplos:
1- Sea
n
X X X ,..., ,
2 1
2
) ( = X V
Si desconocemos un estadstico que se utiliza usualmente para estimar este parmetro es la media
o promedio muestral
=
=
n
i
i
X
n
X
1
1
. Veamos si es un estimador insesgado de . Debemos ver si
( ) = X E .

Usamos las propiedades de la esperanza, particularmente la propiedad de linealidad.

( ) ( )

= = =
= |
\
|
= |
\
|
=
n
i
i
n
i
i
n
i
i
X E
n
X E
n
X
n
E X E
1 1 1
1 1 1
.
Pero, tratndose de las componentes de una muestra aleatoria es:

( ) ( ) n ,..., , i X E X E
i
2 1 = = = . Luego:
( ) . n
n
X E = =
1

2- Sea X una variable aleatoria asociada con alguna caracterstica de los individuos de una poblacin
y sean ( ) X E = y ( )
2
X V = . Sea ( )
2
1
2
1
1
=
n
i
i
X X
n
S la varianza muestral (con
n / X X
n
i
i
|
\
|
=

=1
la esperanza muestral) para una muestra aleatoria de tamao n, ( )
n
X ,..., X , X
2 1
.
Entonces ( )
2 2
S E = es decir ( )
2
1
2
1
1
=
n
i
i
X X
n
S es un estimador insesgado de ( )
2
X V =
pues:

( ) ( ) ( )
|
|
\
|
=
|
|
\
|
=

= =
2
1
2
1
2
1
1
1
1
n
i
i
n
i
i
X X E
n
X X
n
E S E .
Reescribiremos la suma de una forma ms conveniente. Sumamos y restamos y desarrollamos el
cuadrado:

( ) ( ) | | | | ( ) = + = + =

= = =
2
1
2
1
2
1
n
i
i
n
i
i
n
i
i
X X X X X X
| | | || | | |
=
)
`
+ + =
n
i
i i
X X X X
1
2
2
2 | | | | | | | | = + + =

= =
2
1 1
2
2 X n X X X
n
i
i
n
i
i

Se dice que el estimador puntual
es un estimador insesgado del parmetro si ( ) =
E
cualquiera sea el valor verdadero de
La deferencia ( )
E se conoce como sesgo de estimador
. Anotamos ( ) ( ) =

E b
128
| | | | | | | |
2
1
2
2 X n X n X X
n
i
i
+ + =

=
| | | | | |
2 2
1
2
2 X n X n X
n
i
i
+ =
=
.

Esto es:

( ) | | | |
2
1
2
2
1
X n X X X
n
i
i
n
i
i
=

= =

Entonces:

( ) ( ) | | | | = |
\
|

=
|
|
\
|
=

= =
2
1
2
2
1
2
1
1
1
1
X n X E
n
X X E
n
S E
n
i
i
n
i
i

| | | | = |
\
|

=

=
2
1
2
1
1
X nE X E
n
n
i
i
( ) ( ) | | ( ) ( ) = |
\
|

= |
\
|

=

= =
X nV X V
n
X E X nE X V
n
n
i
i
n
i
i
1
2
1
1
1
1
1

|
|
\
|
n
n n
n
2
2
1
1
,

donde en la ltima igualdad tuvimos en cuenta que ( ) ( ) n ,..., , i X V X V
i
2 1
2
= = = y que
( )
n
X V
2
= . Luego llegamos a lo que se deseaba demostrar: ( )
2 2
S E = .

3- Supongamos que tomamos como estimador de
2
a ( )
2
1
2
1

=
=
n
i
i
X X
n

Entonces notar que podemos escribir ( )
( )
2 1
2
2
1
2
1
1
1 1
S
n
n
n
X X
n
n
X X
n
n
i
i n
i
i

=
= =

=
=

Por lo tanto ( ) ( )
2 2 2 2 2
1 1 1

= |
\
|
=
n
n
S E
n
n
S
n
n
E E
Es decir
2
no es un estimador insesgado de
2
, es sesgado, y su sesgo es
( ) ( )
2 2 2 2 2 2
1 1

n n
n
E b = |
\
|
= =
Como el sesgo es negativo el estimador tiende a subestimar el valor de verdadero parmetro

En ocasiones hay ms de un estimador insesgado de un parmetro
Por lo tanto necesitamos un mtodo para seleccionar un estimador entre varios estimadores
insesgados.

Varianza y error cuadrtico medio de un estimador puntual

Supongamos que
1
y
2
son dos estimadores insegados de un parmetro . Esto indica que la

distribucin de cada estimador est centrada en el verdadero parmetro . Sin embargo las varianzas
de estas distribuciones pueden ser diferentes. La figura siguiente ilustra este hecho.
129

-15 -10 -5 5 10 15
0.1
0.2
0.3
0.4

Como
1
tiene menor varianza que

2
, entonces es ms probable que el estimador

1
produzca
una estimacin ms cercana al verdadero valor de . Por lo tanto si tenemos dos estimadores
insesgados se seleccionar aquel te tenga menor varianza.

Ejemplo: Sea
n
X X X ,..., ,
2 1
2
) ( = X V
Suponemos desconocido.
Estimamos al parmetro con la media o promedio muestral
=
=
n
i
i
X
n
X
1
1
. Sabemos que es un
estimador insesgado de . Anotamos
=
= =
n
i
i
X
n
X
1
1
1

Supongamos que tomamos otro estimador para , lo anotamos
2
1
2
n
X X +
=
Entonces como
( ) ( ) ( ) ( ) ( ) = = + = + = |
\
| +
= 2
2
1
2
1
2
1
2
2 1
1
2
X E X E
X X
E E
n
,
2
1
2
n
X X +
= es tambin un estimador insesgado de
Cul de los dos estimadores es mejor?
Calculamos la varianza de cada uno utilizando las propiedades de la varianza.
Ya sabemos cul es la varianza de
=
=
n
i
i
X
n
X
1
1
(se la hall para T.C.L.):
( ) = X V ( ), X V
n
X V
n
X
n
V
n
i
i
n
i
i
n
i
i
= = =
= |
\
|
= |
\
|
1
2
1
2
1
1 1 1

donde en la ltima igualdad hemos tenido en cuenta que, por tratarse de una muestra aleatoria, las
i
X con i=1,2,,n son variables aleatorias independientes y, en consecuencia, la varianza de la suma
de ellas es la suma de las varianzas. Si tenemos en cuenta que adems todas tienen la misma
distribucin que X y por lo tanto la misma varianza:

( ) ( ) n ,..., , i X V X V
i
2 1
2
= = = , tenemos
( ) = X V .
n
n
n
2
2
2
1
=
Distribucin de
1

Distribucin de
2

130
Anlogamente calculamos la varianza de
2
1
2
n
X X +
= :
( ) ( ) ( )
2 4
1
) ( ) (
4
1
2
2
2 2
2 1
1
2

= + = + = |
\
| +
= X V X V
X X
V V
n

Vemos que si 2 > n entonces ) ( ) (
2 1
V V < . Por lo tanto si 2 > n es mejor estimador
1

Supongamos ahora que
1
y
2
son dos estimadores de un parmetro y alguno de ellos no es

insesgado.
A veces es necesario utilizar un estimador sesgado. En esos casos puede ser importante el error
cuadrtico medio del estimador.

El error cuadrtico medio puede escribirse de la siguiente forma:

( ) ( ) ( ) ( )
2

+ = b V ECM

Dem.) Por definicin ( ) ( )
(
=
2

E ECM . Sumamos y restamos el nmero ( )
E :
( ) ( ) ( ) ( )
(
+ =
2

E E E ECM , y desarrollamos el cuadrado:

( ) ( ) ( ) ( ) ( ) ( ) ( ) ( ) ( ) ( ) ( ) ( ) =
(
+ + =
(
+ =

2

2 2 2
E E E E E E E E ECM

Aplicamos propiedades de la esperanza:

( ) ( )
( )
( ) ( )
( )
( ) ( ) ( ) ( ) ( ) ( ) ( )
2
0
2

2

2
+ = + +
(
b V E E E E E E
b
V
43 42 1 43 42 1
4 4 3 4 4 2 1

El error cuadrtico medio es un criterio importante para comparar estimadores.

Si la eficiencia relativa es menor que 1 entonces
1
tiene menor error cuadrtico medio que

2

Por lo tanto
1
es ms eficiente que
2

El error cuadrtico medio de un estimador
de un parmetro est definido como

( ) ( )
(
=
2

E ECM
Si
1
y
2
son dos estimadores de un parmetro .

La eficiencia relativa de
2
con respecto a
1
se define como
( )
( )
2
1
ECM
ECM

131
Observaciones:
1- Si
es un estimador insesgado de , entonces ( ) ( ) =

V ECM
2- A veces es preferible utilizar estimadores sesgados que estimadores insesgados, si es que tienen
un error cuadrtico medio menor.
En el error cuadrtico medio se consideran tanto la varianza como el sesgo del estimador.
Si
1
y
2
son dos estimadores de un parmetro , tales que ( ) =

1
E ; ( )
2
E y
( ) ( )
1 2

< V V , habra que calcular el error cuadrtico medio de cada uno, y tomar el que tenga
menor error cuadrtico medio. Pues puede ocurrir que
2
, aunque sea sesgado, al tener menor

varianza tome valores mas cercanos al verdadero parmetro que
1

-7.5 -5 -2.5 2.5 5 7.5
0.1
0.2
0.3
0.4

Ejemplo:
Supngase que
1
,
2
y
3
son dos estimadores de un parmetro , y que

( ) ( ) ;

2 1
= = E E ( )
3
E , 10 )
(
1
= V , 6 )
(
2
= V y ( ) 4
2
3
=
(
E . Haga una comparacin

de estos estimadores. Cul prefiere y por qu?

Solucin: Calculamos el error cuadrtico medio de cada estimador
( ) ( ) 10

1 1
= = V ECM pues
1
es insesgado
( ) ( ) 6

2 2
= = V ECM pues
2
es insesgado
( ) ( ) 4

2
3 3
=
(
= E ECM es dato
En consecuencia
3
es el mejor estimador de los tres dados porque tiene menor error cuadrtico
medio.

Consistencia de estimadores puntuales

Distribucin de
1

Distribucin de
2

Sea
n
un estimador del parmetro , basado en una muestra aleatoria ( )

n
X ,..., X , X
2 1
de
tamao n. Se dice que
n
es un estimador consistente de si

( ) 0
lim =

n
n
P para todo 0 >
132
Observacin:
Este tipo de convergencia, que involucra a una sucesin de variables aleatorias, se llama
convergencia en probabilidad y es la misma que consideramos en relacin a la ley de los grandes
nmeros Suele escribirse tambin
P
n

.
Este tipo de convergencia debe distinguirse de la considerada en relacin al teorema central del
lmite. En este ltimo caso tenamos una sucesin de distribuciones: ( ) ( ) z Z P z F
n Z
n
= y se
considera el lmite ( ) ( ) ( ) z z Z P lim z F lim
n
n
Z
n
n
= =

.
Se habla, entonces, de convergencia en distribucin y suele indicarse Z Z
d
n
( ) 1 0, N .

Teorema. Sea
n
un estimador del parmetro basado en una muestra aleatoria ( )

n
X ,..., X , X
2 1
.
Si ( ) =

n
n
E
lim y ( ) 0
lim =

n
n
V , entonces
n
es un estimador consistente de .
Dem.)
Utilizamos la desigualdad de Chebyshev 0 > :

( )
( )
( ) ( ) ( )
(
+ = =

2
2 2 2
2

1
n n n
n
n
b V ECM
E
P

Entonces, al tomar el lmite
n
lim y teniendo presente que ( ) =

n
n
E
lim y ( ) 0
lim =

n
n
V , vemos que
( ) 0
lim =

n
n
P 0 > , es decir
n
es un estimador convergente de .

Ejemplo:
Sea X una variable aleatoria que describe alguna caracterstica numrica de los individuos de una
poblacin y sean ( ) X E = y ( ) X V =
2
la esperanza poblacional y la varianza poblacional,
respectivamente. Sea
=
=
n
i
i
X
n
X
1
1
la esperanza muestral basada en una muestra aleatoria
( )
n
X ,..., X , X
2 1
. Entonces X es un estimador consistente de la esperanza poblacional ( ) X E = .

Sabemos que
a) ( ) ( ) X E X E = = n
b) ( )
( )
n
X V
n
X V = =
2
n
La propiedad a) ya me dice que X es un estimador insesgado de ( ) X E = .
Por otra parte si a) vale para todo n, tambin vale en particular en el lmite n :
( ) ( ) X E X E lim
n
= =

.
Adems, de b) deducimos inmediatamente que
( ) 0 =

X V lim
n
.
Por lo tanto vemos que X es un estimador consistente de ( ) X E = .

133
7.4 Mtodos de estimacin puntual

Los criterios anteriores establecen propiedades que es deseable que sean verificadas por los
estimadores. Entre dos estimadores posibles para un dado parmetro poblacional es razonable elegir
aqul que cumple la mayor cantidad de criterios o alguno en particular que se considera importante
para el problema que se est analizando. Sin embargo estos criterios no nos ensean por s mismos a
construir los estimadores. Existen una serie de mtodos para construir estimadores los cuales en
general se basan en principios bsicos de razonabilidad. Entre stos podemos mencionar:

- Mtodo de los momentos

- Mtodo de mxima verosimilitud

Mtodo de los momentos

Se puede probar usando la desigualdad de Chebyshev el siguiente resultado:

Definimos los momentos de orden k de una variable aleatoria como:

( ) ( )
= =
X i
R x
i
k
i
k
k
x p x X E ( ) ,... , , k 2 1 0 = Si X es discreta

( ) ( )
+

= = dx x f x X E
k k
k
( ) ,... , , k 2 1 0 = Si X es continua,

y definimos los correspondientes momentos muestrales de orden k como:

=
=
n
i
k
i k
X
n
M
1
1
( ) ,... , , k 2 1 0 = ,

Entonces la ley dbil de los grandes nmeros se puede generalizar:

( ) 0 lim =

k k
n
M P ( ) ,... , , k 2 1 0 = .

De acuerdo con esto parece razonable estimar los momentos poblacionales de orden k mediante los
momentos muestrales de orden k:
k

k
M ( ) ,... , , k 2 1 0 = .

Ley dbil de los grandes nmeros:
Sean ( )
n
X ,..., X , X
2 1
n variables aleatorias independientes todas las cuales tienen la misma
esperanza ( ) X E = y varianza ( ) X V =
2
. Sea
=
=
n
i
i
X
n
X
1
1
. Entonces
( ) 0 lim =

X P
n

Decimos que X converge a en probabilidad y lo indicamos: X
p
.
134
Supongamos, entonces, una variable aleatoria X y supongamos que la distribucin de X depende de r
parmetros
r
,..., ,
2 1
, esto es la fdp poblacional es ( )
r i
x p ,..., , ,
2 1
si X es discreta o
( )
r
x f ,..., , ,
2 1
si es continua. Sean
r
,..., ,
2 1
los primeros r momentos poblacionales:

( ) ( )
= =
X i
R x
r i
k
i
k
k
x p x X E ,..., , ,
2 1
( ) r ,..., , k 2 1 = Si X es discreta

( ) ( )
+

= = dx x f x X E
r
k k
k
,..., , ,
2 1
( ) r ,..., , k 2 1 = Si X es continua,
y sean

=
=
n
i
k
i k
X
n
M
1
1
( ) r ,..., , k 2 1 = los r primeros momentos maestrales para una muestra de tamao n
( )
n
X ,..., X , X
2 1
. Entonces el mtodo de los momentos consiste en plantear el sistema de ecuaciones:

=
=
=
r r
M
M
M
M M M
2 2
1 1

Es decir

( )
( )
( )
=
=
=

=
=
=
n
i
r
i
R x
r i
r
i
n
i
i
R x
r i i
n
i
i
R x
r i i
X
n
x p x
X
n
x p x
X
n
x p x
X i
X i
X i
1
2 1
1
2
2 1
2
1
1
2 1
1
,..., , ,
1
,..., , ,
1
,..., , ,

M M M
Si X es discreta,

o

( )
( )
( )
=
=
=
=
+

=
+

=
+

n
i
r
i r
r
n
i
i r
n
i
i r
X
n
dx x f x
X
n
dx x f x
X
n
dx x xf
1
2 1
1
2
2 1
2
1
1
2 1
1
,..., , ,
1
,..., , ,
1
,..., , ,

M M M
Si X es continua.

135
Resolviendo estos sistema de ecuaciones para los parmetros desconocidos
r
,..., ,
2 1
en funcin de
la muestra aleatoria ( )
n
X ,..., X , X
2 1
obtenemos los estimadores:

( )
( )
( )
=
=
=
n r r
n
n
X X X H
X X X H
X X X H
,..., ,
,..., ,
,..., ,
2 1
2 1 2 2
2 1 1 1
M

Observacin:
En la forma que presentamos aqu el mtodo necesitamos conocer la forma de la fdp poblacional, por
lo tanto estamos frente a un caso de estimacin puntual paramtrica.

Ejemplos:
1- Sea X una variable aleatoria. Supongamos que X tiene distribucin gama con parmetros y :
X ( ) , , es decir su fdp est dada por:

( )
>
|
\
|
=

valores dems
x e
x
) x ( f

x
0
0
1
1

con 0 > ; 0 > y ( )

=
0
1
dx e x
x
.
Sea ( )
n
X X X ,..., ,
2 1
una muestra aleatoria de tamao n. Deseamos calcular los estimadores de y
dados por el mtodo de los momentos.

Solucin:
Como tenemos dos parmetros desconocidos a estimar, planteamos el sistema de ecuaciones:

=
=
2 2
1 1
M
M

Se puede probar que

. =
1

2 2 2
2
. . + =

Tenemos, entonces, el sistema de ecuaciones

= +
=
=
=
n
i
i
n
i
i
X
n
. .
X
n
.
1
2 2 2 2
1
1
1

= +
=
=
n
i
i
X
n
X
1
2 2 2 2
1
. .
.

136
Reemplazando en la segunda ecuacin:
=
= +
n
i
i
X
n
X X
1
2 2
1

X
X X
n
n
i
i
=

=
1
2 2
1

Y despejando de la primera ecuacin y reemplazando la expresin hallada para

( )
( )
=
=
X n
X X
X X
X n
n
i
i
n
i
i
1
2
1
2
2

2- Sea ( )
n
X X X ,..., ,
2 1
una muestra aleatoria de tamao n de una v.a. X donde | | , 0 ~U X ,
desconocido. Hallar el estimador de por el mtodo de los momentos.

Solucin:
Planteamos la ecuacin:
1 1
M =
Sabemos que
2 2
0
) (
1

=
+
= = X E . Entonces X =
2
X 2
=
Observacin: notar que el estimador X 2
= es un estimador consistente de , pues

( ) ( ) ( )
= = = =
2
2 2 2
X E X E E y ( ) ( ) ( )
( )
0
3 12
0
4 4 2
2 2

=
= = =
n
n n
X V X V V

3- Sea ( )
n
X ,..., X , X
2 1
una muestra aleatoria de una v.a. X~ ) , (
2
N .
Encuentra los estimadores de y por el mtodo de momentos.

Solucin:
Planteamos las ecuaciones

=
=
2 2
1 1
M
M

( )
=
=
=
n
i
i
X
n
X E
X
1
2 2
1

pero en general es vlido que
2 2
) ( ) ( = X E X V + = ) ( ) (
2
X V X E
Entonces las ecuaciones quedan

= +
=
=
n
i
i
X
n
X
1
2 2 2
1

=
=
=
2
1
2 2
1
X X
n
X
n
i
i

4- Sea ( )
n
X ,..., X , X
2 1
una muestra aleatoria de una v.a. X~ ) , 0 (
2
N .
Hallar un estimador por el mtodo de los momentos de
2

Solucin: en este caso no es conveniente plantear
1 1
M = pues quedara
137
la ecuacin X = 0 que no conduce a nada.
Entonces podemos plantear
2 2
M = es decir
=
=
n
i
i
X
n
X E
1
2 2
1
) (
=
= +
n
i
i
X
n
1
2 2
1
0
=
=
n
i
i
X
n
1
2 2
1

Observacin: si
es un estimador por el mtodo de los momentos de un parmetro , el estimador

de los momentos de ( ) g es ( )
g , si ) (x g es una funcin inyectiva.

Por ejemplo, en el ejemplo anterior un estimador de por el mtodo de los momentos sera
=
= =
n
i
i
X
n
1
2 2
1
. Notar que x x g = ) ( es inyectiva para los reales positivos.

Mtodo de mxima verosimilitud

Uno de los mejores mtodos para obtener un estimador puntual de un parmetro es el mtodo de
mxima verosimilitud.

La interpretacin del mtodo sera: el estimador de mxima verosimilitud es aquel valor del
parmetro que maximiza la probabilidad de ocurrencia de los valores muestrales

La adaptacin para el caso en que X es una v.a. continua sera la siguiente

Notacin: abreviamos estimador de mxima verosimilitud con EMV

Supongamos que X es una v.a. discreta con funcin de distribucin de probabilidad ) , ( x p ,
donde es un parmetro desconocido. Sean
n
x x x ,..., ,
2 1
los valores observados de una muestra
aleatoria de tamao n.
Se define la funcin de verosimilitud como la funcin de distribucin conjunta de las
observaciones:
( ) ) , ( )..... , ( ). , ( ) ( )... ( ) ( , ,..., ,
2 1 2 2 1 1 2 1

n n n n
x p x p x p x X P x X P x X P x x x L = = = = =
Notar que la funcin de verosimilitud es una funcin de .
El estimador de mxima verosimilitud de es aquel valor de que maximiza la funcin de
verosimilitud
Supongamos que X es una v.a. continua con funcin de densidad de probabilidad ) , ( x f , donde
es un parmetro desconocido. Sean
n
x x x ,..., ,
2 1
los valores observados de una muestra
aleatoria de tamao n.
Se define la funcin de verosimilitud como la funcin de distribucin conjunta de las
observaciones:
( ) ) , ( )..... , ( ). , ( , ,..., ,
2 1 2 1

n n
x f x f x f x x x L =
La funcin de verosimilitud es una funcin de .
El estimador de mxima verosimilitud de es aquel valor de que maximiza la funcin de
verosimilitud
138
Ejemplos:
1- Sea ( )
n
X ,..., X , X
2 1
una muestra aleatoria de una v.a. X~ ) , 1 ( p B
Por ejemplo, se eligen al azar n objetos de una lnea de produccin, y cada uno se clasifica como
defectuoso (en cuyo caso 1 =
i
x ) o no defectuoso (en cuyo caso 0 =
i
x ).
Entonces ) 1 ( = =
i
X P p , es decir es la verdadera proporcin de objetos defectuosos en la produccin
total.
Queremos hallar el EMV de p

Solucin:
Si X~ ) , 1 ( p B entonces
k k
p p
k
k X P

|
|
\
|
= =
1
) 1 (
1
) ( 1 , 0 = k
Planteamos la funcin de verosimilitud

( ) ( ) ( ) ( ) ( ) | | ( ) | | ( ) | |
n n
x x x x x x
n n
p p p p p p p x p p x p p x p p x x x L

= =
1 1 1
2 1 2 1
1 ... 1 1 ; ... ; ; ; ,.., ,
2 2 1 1

Esto puede escribirse:

( ) ( )

=
=
=

n
i
i
n
i
i
x n
x
n
p p p x x x L
1
1
1 ; ,..., ,
2 1

Para maximizar la funcin de verosimilitud y facilitar los clculos tomamos el logaritmo natural de L
Pues maximizar L es equivalente a maximizar ln(L) y al tomar logaritmos transformamos productos
en sumas.
Entonces
( ) ( ) ( ) p x n p x p x x x L
n
i
i
n
i
i n
|
\
|
+ |
\
|
=

= =
1 ln ln ; ,..., , ln
1 1
2 1

Y ahora podemos maximizar la funcin derivando e igualando a cero

( )
0
1
; ,..., , ln
1 1 2 1
=

= =
p
x n
p
x
p
p x x x L
n
i
i
n
i
i
n

de donde despejando p
x
n
x
p
n
i
i
= =
=1
la proporcin de defectuosos en la muestra
Por lo tanto se toma como estimador a
=
= =
n
i
i
X
n
X p
1
1

2- El tiempo de fallar T de una componente tiene una distribucin exponencial con parmetro :
T ( ) Exp , es decir la fdp es

( )
<
=

valores dems
t e
t f
t
0
0
;

Recordemos que la esperanza y varianza son:
139

( )

1
= T E y ( )
2
1
= T V , respectivamente.

Se desea calcular el estimador de mxima verosimilitud del parmetro para una muestra de
tamao n.

Solucin:
La funcin de probabilidad es:
( ) ( ) ( ) ( ) | | | | | |
n
t t t
n n
e e e t f t f t f t t t L

= = ... ; ... ; ; ; ,..., ,
2 1
2 1 2 1
,

que puede escribirse:

( ) ( )

=
=
n
i
i
t
n
n
e t t t L
1
; ,..., ,
2 1

Nuevamente tomamos logaritmo natural

( ) =
=
n
i
i n
t n t t t L
1
2 1
ln ; ,..., , ln

( )
0
1 ; ,..., , ln
1
2 1
= =
=
n
i
i
n
T n
t t t L

de donde podemos despejar :

t
t
n
n
i
i
= =
=1
, entonces el estimador de es
=
=
n
i
i
T
n
1

El mtodo de mxima verosimilitud presenta, algunas veces, dificultades para maximizar la funcin
de verosimilitud debido a que la ecuacin obtenida a partir de 0 ) ( =
L
d
d
no resulta fcil de
resolver. O tambin puede ocurrir que los mtodos de clculo para maximizar ) ( L no son
aplicables.

Por ejemplo:
Sea ( )
n
X X X ,..., ,
2 1
una muestra aleatoria de tamao n de una v.a. X donde | | , 0 ~U X ,
desconocido. Hallar el estimador de por el mtodo mxima verosimilitud.
Solucin:
La f.d.p. de X es

< <
=
contrario caso
x si
x f
0
0
1
) (

Planteamos la funcin de verosimilitud
140
( )
( )
<
=
< <
=
contrario caso
x si
contrario caso
i x si
x x x L
i
i
n i n
n
0
max
1
0
0
1
, ,... ,
2 1

Si derivamos con respecto a obtenemos
1 +
=
n
n
n
d
d
que es siempre menor que cero. Por lo

tanto la funcin de verosimilitud es una funcin decreciente para todos los ( )
i
i
x max >
Si hacemos un grfico de la funcin de verosimilitud

Vemos que donde la funcin tiene el mximo hay una discontinuidad no evitable.
Por lo tanto ( )
i
i
x max
=

El mtodo de mxima verosimilitud puede emplearse en el caso donde hay ms de un parmetro
desconocido para estimar. En ese caso la funcin de verosimilitud es una funcin de varias variables.
Especficamente si tenemos para estimar k parmetros
k
,... ,
2 1
, entonces la funcin de
verosimilitud es una funcin de k variables ( )
k n
x x x L ,... , , ,..., ,
2 1 2 1
y los estimadores de mxima
verosimilitud
k

,...
2 1
se obtienen al plantear ( si existen las derivadas parciales) y resolver el
sistema de k ecuaciones con k incgnitas
k
,... ,
2 1

( ) k i x x x L
d
d
k n
i
,.. 2 , 1 0 ,... , , ,..., ,
2 1 2 1
= =

Ejemplo:
La variable aleatoria X tiene distribucin ( )
2
, N con y
2
ambos parmetros desconocidos para
los cuales se desea encontrar los estimadores mxima verosimilitud. La fdp es

( )
2
2
1
2
2
1
|
\
|
=

x
e

, ; x f < < x ,
La funcin de verosimilitud para una muestra aleatoria de tamao n es

( )
i
i
x max
) ( L
141
( )
( )
2
1
2 2
2
2
1
2
1
2
2
2
1
2
1
2
1
2
2 1
2
2
1
...
2
1
2
1
, ; ,..., ,
|
\
|
\
|
|
\
|
|
\
|
=
= =
=

i
n
i
n
x
n
x x x
n
e
e e e x x x L

Luego
( ) ( )
2
1
2 2
2 1
2
1
2 ln
2
, ; ,..., , ln

=
|
\
|
=
n
i
i
n
x n
x x x L

y el sistema de ecuaciones de verosimilitud queda:

( )
( ) ( )
+ =
= |
\
|
=
=
=
0
2
1
2
, ; ,..., , ln
0
, ; ,..., , ln
1
4
2
2 2
2
2 1
1
2
2 1
n
i
i n
n
i
i n
x n x x x L
x x x x L

Resolvemos con respecto a y
2
:

( ) ( )
= =
= =

= =
=
n
i
n
i
i i
n
i
i
x x
n
x
n
x x
n
1 1
2 2 2
1
1 1
1

Entonces los estimadores mxima verosimilitud de y
2
son

( )
=
= =
=
=
n
i
i
n
i
i
X X
n
X X
n
1
2
2
1
1

Propiedades de los estimadores mxima verosimilitud

1- Los EMV pueden ser sesgados, pero en general si
es el EMV de un parmetro basado en

una muestra de tamao n, entonces =

)
( limE
n
, es decir son asintticamente insesgados
2- Bajo condiciones bastantes generales se puede probar que los EMV son asintticamente
consistentes
3- Bajo condiciones bastantes generales se puede probar que los EMV asintticamente tienen
varianza mnima
4-Los EMV cumplen la propiedad de invarianza es decir:
si
es un EMV de un parmetro , el EMV de ( ) g es ( )
g , si ) (x g es una funcin inyectiva.

Ejemplos:
1- Si consideramos nuevamente la situacin considerada en el Ejemplo 2, donde tenamos una v.a. T
cuya distribucin es una exponencial: T ( ) Exp , entonces, si queremos el EMV de la varianza
142
poblacional, podemos calcularlo recordando que ( )
2
1
= T V , es decir, ( ) ( )
2
1
= = g T V . Vimos
que
T
T
n
n
i
i
1
1
= =
=
. Por lo tanto el EMV de la varianza es
2
2
= .

2- Sea
n
X X X ,........, ,
2 1
una muestra aleatoria de una v.a. ) , 1 ( p B . Un EMV de p es
=
= =
n
i
i
X
n
X p
1
1

Se selecciona una muestra aleatoria de n cascos para ciclistas fabricados por cierta compaa.
Sea X : el nmero entre los n que tienen defectos , y p = P(el casco tiene defecto).
Supongamos que solo se observa X ( el nmero de cascos con defectos).
Si n = 20 y x = 3, es la estimacin de p es
20
3
= p
El E.M.V. de la probabilidad (1-p)
5
, de que ninguno de los siguientes cinco cascos que se examinen
tenga defectos ser ( )
5
1 p y su estimacin en este caso
5
20
3
1
|
\
|

8- Intervalos de confianza

8.1 Introduccin

Se ha visto como construir a partir de una muestra aleatoria un estimador puntual de un parmetro
desconocido. En esos casos necesitbamos dar algunas caractersticas del estimador, como por
ejemplo si era insesgado o su varianza.
A veces resulta ms conveniente dar un intervalo de valores posibles del parmetro desconocido, de
manera tal que dicho intervalo contenga al verdadero parmetro con determinada probabilidad.
Especficamente, a partir de una muestra aleatoria se construye un intervalo ( )
2 1
donde los
extremos
1
y
2
son dos estadsticos, tal que ( ) ( ) = 1
2 1
P donde es el parmetro
desconocido a estimar y es un valor real entre cero y uno dado de antemano. Por ejemplo si
05 . 0 = , se quiere construir un intervalo ( )
2 1
tal que ( ) ( ) 95 . 0
2 1
= P , o escrito de otra
forma ( ) 95 . 0

2 1
= P
Esta probabilidad tiene el siguiente significado: como
1
y
2
son estadsticos, los valores que

ellos toman varan con los valores de la muestra, es decir si
n
x x x ,..., ,
2 1
son los valores medidos de
la muestra entonces el estadstico
1
tomar el valor
1
y el estadstico
2
tomar el valor
2
. Si
medimos nuevamente la muestra obtendremos ahora valores
, ,
2
,
1
,..., ,
n
x x x y por lo tanto
1
tomar
el valor
,
1
y el estadstico
2
tomar el valor
,
2
, diferentes en general de los anteriores. Esto
significa que si medimos la muestra 100 veces obtendremos 100 valores diferentes para
1
y
2
y
por lo tanto obtendremos 100 intervalos distintos, de los cuales aproximadamente 5 de ellos no
contendrn al verdadero parmetro.
Al valor 1 se lo llama nivel de confianza del intervalo. Tambin se suele definir como nivel de
confianza al ( ) % 100 1
143
La construccin repetida de un intervalo de confianza para se ilustra en la siguiente figura

8.2 Intervalo de confianza para la media de una distribucin normal, varianza conocida.

El mtodo general para construir intervalos de confianza es el siguiente llamado mtodo del pivote:

Supongamos el siguiente caso particular, sea ( )
n
X X X ,..., ,
2 1
una muestra aleatoria de tamao n de
una v.a. X donde ) , ( ~
2
N X ,
2
conocido, se quiere construir un intervalo de confianza para
de nivel 1 . Supongamos 05 . 0 = .
1- tomamos un estimador puntual de , sabemos que X = es un estimador con buenas
propiedades.
2- a partir de X = construimos el estadstico
n
X
Z

= . Notar que Z (pivote) contiene al
verdadero parmetro y que bajo las condiciones dadas ) 1 , 0 ( ~ N Z
3- como conocemos la distribucin de Z, podemos plantear: hallar un nmero z tal que
( ) 95 . 0 = z Z z P
Por la simetra de la distribucin normal estndar podemos escribir
( ) ( ) ( ) ( ) 95 . 0 1 2 = = = z z z z Z z P ( ) 975 . 0 = z 96 . 1 = z

Por lo tanto ( ) 95 . 0 96 . 1 96 . 1 96 . 1 96 . 1 =
|
|
|
\
|
=
n
X
P Z P

Despejamos :

144
95 . 0 96 . 1 96 . 1 96 . 1 96 . 1
96 . 1 96 . 1 96 . 1 96 . 1
=
|
|
\
|
+ =
|
|
\
|
=
=
|
|
\
|
=
|
|
|
\
|

n
X
n
X P X
n
X
n
P
n
X
n
P
n
X
P

Entonces
95 . 0 96 . 1 ; 96 . 1 96 . 1 96 . 1 =
|
|
\
|
|
|
\
|
+ =
|
|
\
|
+
n
X
n
X P
n
X
n
X P

Es decir el intervalo de confianza para es
|
|
\
|
+
n
X
n
X

96 . 1 ; 96 . 1 y tiene nivel de confianza
0.95 o 95%.
Aqu
n
X

96 . 1
1
= y
n
X

96 . 1
2
+ =

Repetimos el procedimiento anterior y construimos un intervalo de confianza para con nivel de
confianza 1
1-Partimos de la esperanza muestral
=
=
n
i
X
n
X
1 1
1
para una muestra aleatoria ( )
n
X ,..., X , X
2 1
de
tamao n. Sabemos que es un estimador insesgado y consistente de .
2-Construimos el estadstico
N ~
n /
X
Z

= (0,1)

La variable aleatoria Z cumple las condiciones necesarias de un pivote
Para construir un intervalo de confianza al nivel de confianza 1- partiendo del pivote Z,
comenzamos por plantear la ecuacin

( ) = z Z z P 1- ,

donde la incgnita es el nmero real z.

Si reemplazamos la v.a. Z por su expresin tenemos:

= |
\
|
+ = |
\
|
=
|
|
\
|
z X
n
z X P
n
z X
n
z P z
n /
X
z P 1-

Multiplicando todos los miembros de la desigualdad por -1 (el orden de los miembros se invierte)
llegamos a:
= |
\
|
+
n
z X
n
z X P 1-
Evidentemente, si definimos
145
+ =
=
n
z X
n
z X
2
1
, hemos construido dos estadsticos

1
y
2
tales que ( ) =
2 1

P 1- ,
es decir hemos construido el intervalo de confianza bilateral deseado | |
2 1
. Todos los elementos

que forman los estadsticos
1
y
2
son conocidos ya que el nmero z verifica la ecuacin

anterior, es decir (ver figura):

( ) ( ) ( ) z z z Z z P = =1- donde ( ) z es la Fda para la v.a. N ~ Z (0,1)

Recordando que ( ) ( ) z z = 1 , esta ecuacin queda:
( ) ( ) z z = ( ) 1 2 z =1- , o bien (ver figura anterior),
( )
2
1

z = o de otra forma
2
) (

= > z Z P .
Al valor de z que verifica esta ecuacin se lo suele indicar
2
z . En consecuencia, el intervalo de
confianza bilateral al nivel de significacin 1- queda:

| |
(
+ =
n
z X
n
z X

2 2
2 1
,

En consecuencia:

Ejemplo:
Un ingeniero civil analiza la resistencia a la compresin del concreto. La resistencia est distribuida
aproximadamente de manera normal, con varianza 1000 (psi)
2
. Al tomar una muestra aleatoria de 12
especmenes, se tiene que 3250 = x psi.
a) Construya un intervalo de confianza del 95% para la resistencia a la compresin promedio.
Si ( )
n
X X X ,..., ,
2 1
una muestra aleatoria de tamao n de una v.a. X donde ) , ( ~
2
N X ,
2

conocido, un intervalo de confianza para de nivel 1 es

(
+
n
z X
n
z X

2 2
, (8.1)
z
2
z

2
z

2
z z =
146
b) Construya un intervalo de confianza del 99% para la resistencia a la compresin promedio.
Compare el ancho de este intervalo de confianza con el ancho encontrado en el inciso a).

Solucin:
La v. a. de inters es X
i
: resistencia a la compresin del concreto en un espcimen i
Tenemos una muestra de 12 = n especmenes.
Asumimos que ) , ( ~
2
N X
i
para 12 ,..., 3 , 2 , 1 = i con 1000
2
=
a) Queremos un intervalo de confianza para de nivel 95%. Por lo tanto 05 . 0 =
El intervalo a utilizar es
(
+
n
z X
n
z X

2 2
, .
Buscamos en la tabla de la normal estndar el valor de 96 . 1
025 . 0
2
= = z z

Reemplazando:

(
=
(
+ 89227 . 3267 , 10773 . 3232

12
1000
96 . 1 3250 ,
12
1000
96 . 1 3250
b) repetimos lo anterior pero ahora 01 . 0 =
El intervalo a utilizar es
(
+
n
z X
n
z X

2 2
, .
Buscamos en la tabla de la normal estndar el valor de 58 . 2
005 . 0
2
= = z z

Reemplazando:

(
=
(
+ 55207 . 3273 , 44793 . 3226

12
1000
58 . 2 3250 ,
12
1000
58 . 2 3250

La longitud del intervalo encontrado en a) es: 35.78454
La longitud del intervalo encontrado en b) es: 47.10414
Notar que la seguridad de que el verdadero parmetro se encuentre en el intervalo hallado es mayor
en el intervalo b) que en el a), pero la longitud del intervalo b) es mayor que la del intervalo a).
Al aumentar el nivel de confianza se perdi precisin en la estimacin, ya que a menor longitud hay
mayor precisin en la estimacin.
En general la longitud del intervalo es
n
z L

2
2 =
Notar que:
a) si n y estn fijos, a medida que disminuye tenemos que
2
z aumenta, por lo tanto L

aumenta.
b) si y estn fijos, entonces a medida que n aumenta tenemos que L disminuye.

Podemos plantearnos la siguiente pregunta relacionada con el ejemplo anterior: qu tamao n de
muestra se necesita para que el intervalo tenga nivel de confianza 99% y longitud la mitad de la
longitud del intervalo hallado en a)?
Solucin: el intervalo hallado en a) tiene longitud 35.78454, y queremos que el nuevo intervalo
tenga longitud 17.89227 aproximadamente. Planteamos:
147
89227 . 17
1000
58 . 2 2 89227 . 17 2
2
=
n n
z L

Despejando n :
170 . 83
89227 . 17
1000
58 . 2 2
2

|
|
\
|
n n
O sea, hay que tomar por lo menos 84 especmenes para que el intervalo tenga la longitud pedida.

Si estimamos puntualmente al parmetro con X estamos cometiendo un error en la estimacin
menor o igual a
n
z
L
2
2
= , que se conoce como precisin del estimador
Ejemplo: Se estima que el tiempo de reaccin a un estmulo de cierto dispositivo electrnico est
distribuido normalmente con desviacin estndar de 0.05 segundos. Cul es el nmero de
mediciones temporales que deber hacerse para que la confianza de que el error de la estimacin de
la esperanza no exceda de 0.01 sea del 95%?

Nos piden calcular n tal que 01 . 0
2
2
< =
n
z
L
con 05 . 0 = .
Por lo tanto
2
025 . 0
01 . 0
05 . 0
|
\
|
z n .
Adems
025 , 0
z =1.96. Entonces ( ) 04 96 5 96 1
01 0
05 0
2
2
975 0
. .
.
.
z n
.
= =
|
\
|
.
O sea hay que tomar por lo menos 97 mediciones temporales.

Ejemplo:
Supongamos que X representa la duracin de una pieza de equipo y que se probaron 100 de esas
piezas dando una duracin promedio de 501.2 horas. Se sabe que la desviacin estndar poblacional
En general, si queremos hallar n tal que l
n
z L =

2
2 , donde l es un valor dado, entonces
despejando n

2
2
2
|
|
|
\
|
l
z
n

Para muestras tomadas de una poblacin normal, o para muestras de tamao 30 n , de una
poblacin cualquiera, el intervalo de confianza dado anteriormente en (8.1), proporciona buenos
resultados.
En el caso de que la poblacin de la que se extrae la muestra no sea normal pero 30 n , el nivel
de confianza del intervalo (8.1) es aproximadamente 1 .
Pero para muestras pequeas tomadas de poblaciones que no son normales no se puede garantizar
que el nivel de confianza sea 1 si se utiliza (8.1).
148
es =4 horas. Se desea tener un intervalo del 95% de confianza para la esperanza poblacional
( ) X E = .
Solucin:
En este caso, si bien no conocemos cul es la distribucin de X tenemos que el tamao de la muestra
es 30 100 > = n (muestra grande) por lo tanto el intervalo buscado es
(
+
n
z X
n
z X

2 2
,

Puesto que 1- =0.95 025 . 0
2
05 . 0 95 . 0 1 = = =

De la tabla de la normal estandarizada obtenemos
025 , 0
z =1.96. Entonces reemplazando:

(
+
100
4
96 . 1 ,
100
4
96 . 1 X X

Para el valor particular x =501.2 tenemos el intervalo

(
=
(
+ =
(
+ 0 . 502 , 4 . 500
10
4
96 . 1 2 . 501 ,
10
4
96 . 1 2 . 501
4
96 . 1 ,
100
4
96 . 1
n
x x .

Al establecer que
(
0 502 4 500 . , . es un intervalo al 95% de confianza de estamos diciendo que la

probabilidad de que el intervalo
(
0 502 4 500 . , . contenga a es 0.95. O, en otras palabras, la

probabilidad de que la muestra aleatoria ( )
n
X ,..., X , X
2 1
tome valores tales que el intervalo aleatorio
(
+
100
4
96 . 1 ,
100
4
96 . 1 X X defina un intervalo numrico que contenga al parmetro fijo
desconocido es 0.95.

8.2 - Intervalo de confianza para la media de una distribucin normal, varianza desconocida

Nuevamente como se trata de encontrar un intervalo de confianza para nos basamos en la
esperanza muestral
=
=
n
i
X
n
X
1 1
1
que sabemos es un buen estimador de . Pero ahora no podemos
usar como pivote a

n /
X
Z

=
porque desconocemos y una condicin para ser pivote es que, excepto por el parmetro a estimar (
en este caso ), todos los parmetros que aparecen en l deben ser conocidos. Entonces proponemos
como pivote una variable aleatoria definida en forma parecida a Z pero reemplazando por un
estimador adecuado.
Ya vimos que la varianza muestral definida

149
( )
2
1 1
2
1
1
=
n
i
X X
n
S ,
donde X es la esperanza muestral, es un estimador insesgado de la varianza poblacional ( ) X V , es
decir, ( ) ( )
2 2
X V S E = = n . Entonces estimamos con S y proponemos como pivote a la
variable aleatoria

n / S
X
T

= .

Pero para poder usar a T como pivote debemos conocer su distribucin.
Se puede probar que la distribucin de T es una distribucin llamada Student con parmetro n-1.

Nota: Una v.a. continua tiene distribucin Student con k grados de libertad, si su f.d.p. es de la
forma

( )
< <
(
+
|
|
\
| |
\
|
=
+
x
k
x
k
k
k
x f
k

1
1
2
2
1
) (
2
1
2

Notacin:
k
t T ~
La grfica de la f.d.p. de la distribucin Student tiene forma de campana como la normal, pero tiende
a cero ms lentamente. Se puede probar que cuando k la fdp de la Student tiende a la fdp de la
) 1 , 0 ( N .
En la figura siguiente se grafica f(x) para diferentes valores de k

1 = k

6 = k

- - - - - = k

Anotaremos
k
t
,
al cuantil de la Student con k grados de libertad que deja bajo la fdp a derecha un
rea de , y a su izquierda un rea de 1 .

-3 -2 -1 1 2 3
0.1
0.2
0.3
0.4

150
Luego, para construir el intervalo de confianza buscado a partir del pivote T procedemos como en
los casos anteriores:

Comenzamos por plantear la ecuacin

( ) = t T t P 1- ,
donde la incgnita es el nmero real t.

Si reemplazamos la v.a. T por su expresin, tenemos sucesivamente (multiplicando por n / S y
restando X ):
= |
\
|
+ = |
\
|
=
|
|
\
|

n
S
t X
n
S
t X P
n
S
t X
n
S
t P t
n / S
X
t P 1-
llegamos a:
= |
\
|
+
n
S
t X
n
S
t X P 1-
+ =
=
n
S
t X
n
S
t X
2
1
, hemos construido dos estadsticos

1
y
2
tales que ( ) =
2 1

P 1- ,
veamos quien es el nmero t que verifica la ecuacin, es decir (ver figura):

( ) ( ) ( ) t F t F t T t P = =1- donde ( ) t F es la Fda para la v.a. T
1 n
t .

Por la simetra de la distribucin t de Student se deduce fcilmente de la figura anterior que
( ) ( ) t F t F = 1 , entonces:

( ) ( ) t F t F = ( ) 1 2 t F =1- , o bien (ver figura anterior),

( )
2
1

t F = .

2
t
2
t
libertad de grados 4 = k
2

151
Al valor de t que verifica esta ecuacin se lo suele indicar
1 ,
2
n
t
. En consecuencia, el intervalo de
confianza bilateral al nivel de significacin 1- queda:

(
+

n
S
t X
n
S
t X
n n 1 ,
2
1 ,
2
,

con
2
1
1 ,
2
=
|
|
\
|
n
t F .
En consecuencia:

Ejemplo:
Se hicieron 10 mediciones sobre la resistencia de cierto tipo de alambre que dieron valores
10 2 1
x ,..., x , x tales que
=
= =
10
1
48 10
10
1
i
i
. x x ohms y ( )
=
=
10
2
9
1
! i
i
x x S = 1.36 ohms. Supngase que
X~N(,
2
).
Se desea obtener un intervalo de confianza para la esperanza poblacional al 90 %.

Tenemos que = 90 0 1 . = 1 0. 05 . 0 2 / =
De la Tabla de la t de Student tenemos que 8331 . 1
9 , 05 . 0
= t . Entonces el intervalo de confianza
buscado es:
(
+ =
(
+

10
36 . 1
8331 . 1 48 . 10 ,
10
36 . 1
8331 . 1 48 . 10 ,
1 ,
2
1 ,
2
n
S
t X
n
S
t X
n n

Esto es: | | 27 . 11 , 69 . 9 .

8.3 Intervalo de confianza para la diferencia de dos medias, varianzas conocidas

Supongamos que tenemos dos variables aleatorias independientes normalmente distribuidas:
Si ( )
n
X X X ,..., ,
2 1
una muestra aleatoria de tamao n de una v.a. X donde ) , ( ~
2
N X ,
2
desconocido, un intervalo de confianza para de nivel 1 es

(
+
n
S
t X
n
S
t X
2 2
,

(8.2)
Si la muestra aleatoria se toma de una distribucin normal,
2
es desconocido y el tamao de la
muestra grande, entonces se puede probar que al reemplazar por S, el estadstico

( ) 1 0, N
n / S
X
Z
= aproximadamente

y puedo construir el intervalo para como antes:
(
+
n
S
z X
n
S
z X
2 2
,

, pero su nivel es aproximadamente 1
152
( )
( )
2
2 2 2
2
1 1 1
, N ~ X
, N ~ X
y suponemos que las varianzas
2
1
y
2
2
son conocidas.

Sean adems
( )
1
1 12 11 n
X ,..., X , X una muestra aleatoria de tamao
1
n de
1
X
( )
2
2 22 21 n
2
n de
2
X .

Deseamos construir un intervalo al nivel de confianza 1 para la diferencia de esperanzas
2 1
.
Ya sabemos cul es la distribucin del promedio de variables aleatorias normales independientes:

|
|
\
|
=
|
|
\
|
=
=
=
2
1
1 2
2
2
2 2
2
2
1 1
2
1
1 1
1
1
1
1
n
i
i
n
i
i
n
, N ~ X
n
X
n
, N ~ X
n
X

Consideremos ahora la diferencia
2 1
X X Y = . Si
1
X y
2
X tienen distribucin normal y son
independientes, su diferencia tambin es normal, con esperanza igual a la diferencia de las
esperanzas y la varianza es la suma de las varianzas:

|
|
\
|
+
2
2
2
1
2
1
2 1 2 1
, N ~
n n
X X

.
Por lo tanto

( )
( ) 1 , 0 N ~
2
2
2
1
2
1
2 1 2 1
n n
X X
Z

+

= , es decir, tiene distribucin normal estandarizada.

La v.a. Z cumple con toda las condiciones para servir de pivote y construiremos nuestro intervalo en
forma anloga a cmo hicimos en los casos anteriores:
Comenzamos por plantear la ecuacin

( ) = z Z z P 1- ,
donde la incgnita es el nmero real z.

Reemplazamos la v.a. Z por su expresin y tenemos sucesivamente (multiplicando por n / y
restando X ):

( )
( )
( ) ( ) ( )

=
|
|
\
|
+ + + =
=
|
|
\
|
+ + =
|
|
|
|
|
\
|
+

1
2
2
2
1
2
1
2 1 2 1
2
2
2
1
2
1
2 1
2
2
2
1
2
1
2 1 2 1
2
2
2
1
2
1
2
2
2
1
2
1
2 1 2 1
n n
z X X
n n
z X X P
n n
z X X
n n
z P z
n n
X X
z P

153
llegamos a:
( )

=
|
|
\
|
+ + + 1
2
2
2
1
2
1
2 1 2 1
2
2
2
1
2
1
2 1
n n
z X X
n n
z X X P

+ =
+ =
,
2
2
2
1
2
1
2 1 2
2
2
2
1
2
1
2 1 1
n n
z X X
n n
z X X

habremos construido dos estadsticos
1
y
2
tales que ( ) ( ) =
2 2 1 1

P 1- , es decir
habremos construido el intervalo de confianza bilateral deseado | |
2 1
A
, A
. Todos los elementos que

forman los estadsticos
1
y
2
son conocidos ya que el nmero z verifica la ecuacin anterior, es

decir:

( ) ( ) ( ) z z z Z z P = =1- donde ( ) z es la Fda para la v.a. N ~ Z (0,1)

o bien, segn vimos:
( )
2
1

z = que anotamos
2
z
En consecuencia, el intervalo de confianza bilateral al nivel de significacin 1- queda:

(
(
+ + +
2
2
2
1
2
1
2
2 1
2
2
2
1
2
1
2
2 1
,
n n
z X X
n n
z X X

Por lo tanto

Ejemplo:
Se utilizan dos mquinas para llenar botellas de plstico con detergente para mquinas lavaplatos. Se
sabe que las desviaciones estndar de volumen de llenado son 10 . 0
1
= onzas de lquido y
15 . 0
2
= onzas de lquido para las dos mquinas respectivamente. Se toman dos muestras
aleatorias, 12
1
= n botellas de la mquina 1 y 10
2
= n botellas de la mquina 2. Los volmenes
promedio de llenado son 87 . 30
1
= x onzas de lquido y 68 . 30
2
= x onzas de lquido.
Si
1
X y
2
X son dos variables aleatorias independientes normalmente distribuidas:
( )
2
1 1 1
, N ~ X , ( )
2
2 2 2
, N ~ X y suponemos que las varianzas
2
1
y
2
2
son conocidas. Un
intervalo de confianza para la diferencia
2 1
de nivel 1 es

(
(
+ + +
2
2
2
1
2
1
2
2 1
2
2
2
1
2
1
2
2 1
,
n n
z X X
n n
z X X

r
(8.3)
154
Asumiendo que ambas muestras provienen de distribuciones normales
Construya un intervalo de confianza de nivel 90% para la diferencia entre las medias del volumen de
llenado.

Solucin:
Como 90 . 0 1 = entonces 10 . 0 =
Por lo tanto 65 . 1
05 . 0
2
= = z z

El intervalo ser ( ) ( )
(
(
+ + +
10
15 . 0
12
10 . 0
65 . 1 68 . 30 87 . 30 ;
10
15 . 0
12
10 . 0
65 . 1 68 . 30 87 . 30
2 2 2 2

O sea
(
281620 . 0 ; 09837 . 0

Si se conocen las desviaciones estndar y los tamaos de las muestras son iguales (es decir
n n n = =
2 1
), entonces puede determinarse el tamao requerido de la muestra de manera tal que la
longitud del intervalo sea menor que l

( )
2
2
2
1
2
2
2
2
2
1
2
2
2

+
|
|
|
\
|
+ =
l
z
n l
n n
z L

Ejemplo:
Para muestras tomadas de dos poblaciones normales, o para muestras de tamao 30
1
n y
30
2
n , de dos poblaciones cualesquiera, el intervalo de confianza dado anteriormente en (8.3),
proporciona buenos resultados.
En el caso de que la poblacin de la que se extrae la muestra no sea normal pero 30
1
n y
30
2
n , el nivel de confianza del intervalo (8.3) es aproximadamente 1 .

Si las muestras aleatorias se toma de una distribucin normal, donde
1
y
2
son desconocidos,
30
1
n y 30
2
n , entonces se puede probar que al reemplazar
1
por S
1
y
2
por S
2
, el
estadstico

) 1 , 0 (
) (
1
2
1
1
2
1
2 1 2 1
N
n
S
n
S
X X
+

.
aproximadamente

y puedo construir el intervalo para
2 1
como antes:

(
(
+ + +
1
2
1
1
2
1
2
2 1
1
2
1
1
2
1
2
2 1
,
n
S
n
S
z X X
n
S
n
S
z X X

, (8.4)
pero su nivel es aproximadamente 1
155
De una muestra de 150 lmparas del fabricante A se obtuvo una vida media de 1400 hs y una
desviacin tpica de 120 hs. Mientras que de una muestra de 100 lmparas del fabricante B se obtuvo
una vida media de 1200 hs. y una desviacin tpica de 80 hs.
Halla los lmites de confianza del 95% para la diferencia las vidas medias de las poblaciones A y B.

Solucin:
Sean las variables aleatorias:
:
1
X duracin en horas de una lmpara del fabricante A
:
2
X duracin en horas de una lmpara del fabricante B
No se dice cul es la distribucin de estas variables, pero como 150
1
= n y 100
2
= n
podemos usar el intervalo dado en (8.4)

Tenemos que 1400
1
= x , 1200
2
= x , 120
1
= s y 80
2
= s .
Adems 95 . 0 1 = 1.96 z z
0.025
2
= =

Entonces el intervalo es
(
=
(
(
+ + 7922 . 224 ; 2077 . 175

100
80
150
120
96 . 1 1200 1400 ;
100
80
150
120
96 . 1 1200 1400
2 2 2 2

Observacin: como este intervalo no contiene al cero, podemos inferir que hay diferencia entre las
medias con probabilidad 0.95, es ms, podemos inferir que la media del tiempo de duracin de las
lmparas del fabricante A es mayor que la media del tiempo de duracin de las lmparas del
fabricante B con probabilidad 0.95 .

8.4 Intervalo de confianza para la diferencia de dos medias, varianzas desconocidas

Nuevamente supongamos que tenemos dos variables aleatorias independientes normalmente
distribuidas:

( )
( )
2
2 2 2
2
1 1 1
, N ~ X
, N ~ X
y suponemos que las varianzas
2
1
y
2
2
son desconocidas .

Sean adems
( )
1
1 12 11 n
1
n de
1
X
( )
2
2 22 21 n
2
n de
2
X .
Pero ahora
1
n o
2
n no son mayores que 30
Supongamos que es razonable suponer que las varianzas desconocidas son iguales, es decir
= =
2 1

Deseamos construir un intervalo al nivel de confianza 1 para la diferencia de esperanzas
2 1

Sean
1
X y
2
X las medias muestrales y
2
1
S y
2
2
S las varianzas muestrales. Como
2
1
S y
2
2
S son los
estimadores de la varianza comn
2
, entonces construimos un estimador combinado de
2
. Este
estimador es

( ) ( )
2
1 1
2 1
2
2 2
2
1 1 2
+
+
=
n n
S n S n
S
p

156
Se puede comprobar que es un estimador insesgado de
2
.
Se puede probar que el estadstico

( )
2 1
2 1 2 1
1 1
n n
S
X X
T
p
+

=

r
tiene distribucin Student con 2
2 1
+ n n grados de libertad
Por lo tanto se plantea la ecuacin

=
|
|
\
|

+ +
1
2 ,
2
2 ,
2
2 1 2 1
n n n n
t T t P
o

( )

=
|
|
|
|
|
\
|
+

+ +
1
1 1
2 ,
2
2 1
2 1 2 1
2 ,
2
2 1 2 1
n n
p
n n
t
n n
S
X X
t P
r

Despejamos
2 1
y queda la expresin

=
|
|
\
|
+ +
+ +
1
1 1 1 1
2 1
2 ,
2
2 1
2 1
2 ,
2
2 1
2 1 2 1 n n
S t
n n
S t X X P
p
n n
p
n n

Entonces

Ejemplo:
Se piensa que la concentracin del ingrediente activo de un detergente lquido para ropa, es afectada
por el tipo de catalizador utilizado en el proceso de fabricacin. Se sabe que la desviacin estndar
de la concentracin activa es de 3 g/l, sin importar el tipo de catalizador utilizado. Se realizan 10
observaciones con cada catalizador, y se obtienen los datos siguientes:
Catalizador 1: 57.9, 66.2, 65.4, 65.4, 65.2, 62.6, 67.6, 63.7, 67.2, 71.0
Catalizador 2: 66.4, 71.7, 70.3, 69.3, 64.8, 69.6, 68.6, 69.4, 65.3, 68.8
a) Encuentre un intervalo de confianza del 95% para la diferencia entre las medias de las
concentraciones activas para los dos catalizadores. Asumir que ambas muestras fueron extradas de
poblaciones normales con varianzas iguales.
b) Existe alguna evidencia que indique que las concentraciones activas medias dependen del
catalizador utilizado?
Si
1
X y
2
( )
2
1 1 1
, N ~ X , ( )
2
2 2 2
2
1
y
2
2
son desconocidas e
iguales, es decir = =
2 1

Un intervalo de confianza para la diferencia
2 1
de nivel 1 es

2 1
2 ,
2
2 1
2 1
2 ,
2
2 1
1 1
;
1 1
2 1 2 1 n n
S t X X
n n
S t X X
p
n n
p
n n
+ +
+ +

(8.5)
157
Solucin:
Sean las variables aleatorias
:
1
X concentracin del ingrediente activo con catalizador 1
:
2
X concentracin del ingrediente activo con catalizador 2
Asumimos que ambas variables tienen distribucin normal con varianzas iguales
Estamos e3n las condiciones para usar (8.5)
Tenemos que 22 . 65
1
= x , 42 . 68
2
= x , 444 . 3
1
= s , 224 . 2
2
= s , 10
2 1
= = n n
Calculamos
( ) ( )
4036 . 8
2 10 10
224 . 2 9 444 . 3 9
2
1 1
2 2
2 1
2
2 2
2
1 1 2
=
+
+
=
+
+
=
n n
S n S n
S
p

Por lo tanto 89890 . 2 4036 . 8 = =
p
S
Buscamos en la tabla de la Student 060 . 2
18 , 025 . 0
2 ,
2
2 1
= =
+
t t
n n

| | 52935 . 0 ; 8706 . 5
10
1
10
1
89890 . 2 060 . 2 42 . 68 22 . 65 ;
10
1
10
1
89890 . 2 060 . 2 42 . 68 22 . 65
=
=
(
+ +

b) Existe alguna evidencia que indique que las concentraciones activas medias dependen del
catalizador utilizado, pues el 0 no pertenece al intervalo.

En muchas ocasiones no es razonable suponer que las varianzas son iguales. Si no podemos
garantizar que las varianzas son iguales, para construir un intervalo de confianza de nivel 1 para
2 1
utilizamos es estadstico

1
2
1
1
2
1
2 1 2 1 *
) (
n
S
n
S
X X
T
+

=

Se puede probar que
*
T tiene aproximadamente una distribucin Student con grados de libertad
donde

( )
( ) ( )
1 1
2
2
2
2
2
1
2
1
1
1
2
2
2
2 1
2
1
+
=
n
n S
n
n S
n S n S
si no es entero, se toma el entero ms prximo a

Por lo tanto planteamos la ecuacin

=
|
|
\
|
1
,
2
*
,
2
t T t P

Y despejando
2 1
el intervalo es

(
(
+ + +
2
2
2
1
2
1
,
2
2 1
2
2
2
1
2
1
,
2
2 1
,
n
S
n
S
t X X
n
S
n
S
t X X

158
Entonces

Ejemplo:
Una muestra de 6 soldaduras de un tipo tena promedio de prueba final de resistencia de 83.2 ksi y
desviacin estndar de 5.2. Y una muestra de 10 soldaduras de otro tipo tena resistencia promedio
de 71.3 ksi y desviacin estndar de 3.1. supongamos que ambos conjuntos de soldaduras son
muestras aleatorias de poblaciones normales. Se desea encontrar un intervalo de confianza de 95%
para la diferencia entre las medias de las resistencias de los dos tipos de soldaduras.

Solucin:
Ambos tamaos muestrales son pequeos y las muestras provienen de poblaciones normales. No
podemos asumir igualdad de varianzas. Entonces aplicamos (8.6)
Tenemos que 2 . 83
1
= x , 3 . 71
2
= x , 2 . 5
1
= s , 1 . 3
2
= s , 10 ; 6
2 1
= = n n
Como 95 . 0 1 = entonces 025 . 0
2
=

Adems
( )
( ) ( )
( ) ( )
7 18 . 7
9
10
1 . 3
5
6
2 . 5
10
1 . 3
6
2 . 5
1 1
2 2
2
2 2
2
2
2
2
2
1
2
1
1
1
2
2
2
2 1
2
1
=
+
|
|
\
|
+
=
+
=
n
n S
n
n S
n S n S

Entonces buscamos en la tabla de la Student 365 . 2
7 , 025 . 0
= t
Por lo tanto el intervalo es

(
=
(
(
+ + + =
=
(
(
+ + +
43 . 17 , 37 . 6
10
1 . 3
6
2 . 5
365 . 2 3 . 71 2 . 83 ;
10
1 . 3
6
2 . 5
365 . 2 3 . 71 2 . 83
,
2 2 2 2
2
2
2
1
2
1
,
2
2 1
2
2
2
1
2
1
,
2
2 1
n
S
n
S
t X X
n
S
n
S
t X X

Si
1
X y
2
( )
2
1 1 1
, N ~ X , ( )
2
2 2 2
2
1
y
2
2
son desconocidas y
distintas
Un intervalo de confianza para la diferencia
2 1
de nivel aproximadamente 1 es

(
(
+ + +
2
2
2
1
2
1
,
2
2 1
2
2
2
1
2
1
,
2
2 1
,
n
S
n
S
t X X
n
S
n
S
t X X
(8.6)
Donde

( )
( ) ( )
1 1
2
2
2
2
2
1
2
1
1
1
2
2
2
2 1
2
1
+
=
n
n S
n
n S
n S n S

159
8.5 Intervalo de confianza para
2 1
para datos pareados

Hasta ahora se obtuvieron intervalos de confianza para la diferencia de medias donde se tomaban
dos muestras aleatorias independientes de dos poblaciones de inters. En ese caso se tomaban
1
n
observaciones de una poblacin y
2
n observaciones de la otra poblacin.
En muchas situaciones experimentales, existen solo n unidades experimentales diferentes y los datos
estn recopilados por pares, esto es cada unidad experimental est formada por dos observaciones.
Por ejemplo, supongamos que se mide el tiempo en segundos que un individuo tarda en hacer una
maniobra de estacionamiento con dos automviles diferentes en cuanto al tamao de la llanta y la
relacin de vueltas del volante. Notar que cada individuo es la unidad experimental y de esa unidad
experimental se toman dos observaciones que no sern independientes. Se desea obtener un
intervalo de confianza para la diferencia entre el tiempo medio para estacionar los dos automviles.
En general, supongamos que tenemos los siguientes datos ( ) ( ) ( )
n n
X X X X X X
2 1 22 12 21 11
, ;...; , ; ,
1
.
Las variables aleatorias
1
X y
2
X tienen medias
1
y
2
respectivamente.
Sea
j j j
X X D
2 1
= con n j ,..., 2 , 1 = .
Entonces
( ) ( ) ( ) ( )
2 1 2 1 2 1
= = =
j j j j j
X E X E X X E D E
y

( ) ( ) ( ) ( ) ( ) ( )
2 1
2
2
2
1 2 1 2 1 2 1
, 2 , 2 X X Cov X X Cov X V X V X X V D V
j j j j j j j
+ = + = =

Estimamos ( )
2 1
=
j
D E con ( )
2 1
1
2 1
1
1 1
X X X X
n
D
n
D
n
j
j j
n
j
j
= = =

= =

En lugar de tratar de estimar la covarianza, estimamos la ( )
j
D V con ( )
=
n
j
j D
D D
n
S
1
2
1
1

Anotamos
2 1
=
D
y ( )
j
D D V =
2

Asumimos que ( )
2
, N ~
D D j
D con n j ,..., 2 , 1 =

Las variables aleatorias en pares diferentes son independientes, no lo son dentro de un mismo par.
Para construir el intervalo de confianza notar que

1
/

=
n
D
D
t
n S
D
T

entonces al plantear la ecuacin ( ) = t T t P 1- , deducimos que
1 ,
2

=
n
t t

Por lo tanto el intervalo de confianza para
2 1
=
D
de nivel 1 se obtendr al sustituir T en
la ecuacin anterior y despejar
2 1
=
D

El intervalo resultante es

(
+

n
S
t D
n
S
t D
D
n
D
n 1 ,
2
1 ,
2
;

Entonces

160
Ejemplo:
Consideramos el ejemplo planteado al comienzo. Deseamos un intervalo de nivel 0.90
j
X
1
: tiempo en segundos que tarda el individuo j en estacionar automvil 1 con n j ,..., 2 , 1 =
j
X
2
: tiempo en segundos que tarda el individuo j en estacionar automvil 2 con n j ,..., 2 , 1 =
Medimos estas variables de manera que tenemos las siguientes observaciones

Automvil 1 Automvil 2 diferencia
sujeto (observacin
j
x
1
) (observacin
j
x
2
)
j
D
1 37.0 17.8 19.2
2 25.8 20.2 5.6
3 16.2 16.8 -0.6
4 24.2 41.4 -17.2
5 22.0 21.4 0.6
6 33.4 38.4 -5.0
7 23.8 16.8 7.0
8 58.2 32.2 26.0
9 33.6 27.8 5.8
10 24.4 23.2 1.2
11 23.4 29.6 -6.2
12 21.2 20.6 0.6
13 36.2 32.2 4.0
14 29.8 53.8 -24.0

A partir de la columna de diferencias observadas se calcula 21 . 1 = D y 68 . 12 =
D
S

Adems 771 . 1
13 , 05 . 0
1 ,
2
= =
t t
n
, entonces el intervalo para la diferencia

2 1
=
D
de nivel 0.90
es

(
=
(
+ 21 . 7 ; 79 . 4
14
68 . 12
771 . 1 21 . 1 ;
14
68 . 12
771 . 1 21 . 1

8.6 Intervalo de confianza para la varianza de una distribucin normal

Supongamos que se quiere hallar un intervalo de confianza para la varianza
2
de una distribucin
normal.
Sea ( )
n
X ,..., X , X
2 1
una muestra aleatoria de una v.a. X, donde ) , ( ~
2
N X .
Cuando las observaciones se dan de a pares ( ) ( ) ( )
n n
X X X X X X
2 1 22 12 21 11
, ;...; , ; ,
1
, y las diferencias
j j j
X X D
2 1
= son tales que ( )
2
, N ~
D D j
D para n j ,..., 2 , 1 = , un intervalo de confianza de
nivel 1 para
2 1
=
D
es

(
+

n
S
t D
n
S
t D
D
n
D
n 1 ,
2
1 ,
2
;

(8.7)
161
Tomamos como estimador puntual de
2
a ( )
2
1 1
2
1
1
=
n
i
X X
n
S
Luego a partir de este estimador puntual construimos el estadstico
( )
2
2
1
S n
X

=
Este estadstico contiene al parmetro desconocido a estimar
2
y tiene una distribucin conocida,
se puede probar que X tiene una distribucin llamada ji-cuadrado con n-1 grados de libertad

Observacin: Si X es una v.a. continua se dice que tiene distribucin ji-cuadrado con k grados de
libertad si su f.d.p. es

( )
0
2
2
1
) (
2
1
2
2
>
|
\
|
=

x e x
k
x f
x k
k

Notacin: X~
2
k

La distribucin ji-cuadrdo es asimtrica. En la figura siguiente se grafica la densidad para diferentes
valores de k

10 20 30 40 50 60
0.02
0.04
0.06
0.08
0.1
0.12

Anotaremos k ,
2
al cuantil de la ji-cuadrado con k grados de libertad que deja bajo la fdp a derecha
un rea de , y a su izquierda un rea de 1 .
Propiedades:
1- Se puede probar que si
n
X X X ,..., ,
2 1
son variables aleatorias independientes con distribucin
) 1 , 0 ( N entonces
2 2
2
2
1
...
n
X X X Z + + + = tiene distribucin ji-cuadrado con n grados de libertad.
2- Si
n
X X X ,..., ,
2 1
son variables aleatorias independientes tal que
i
X tiene distribucin ji-cuadrado
con
i
k grados de libertad, entonces
n
X X X Z + + + = ...
2 1
tiene distribucin ji-cuadrado con k
grados de libertad donde
n
k k k k + + + = ...
2 1

3- Si
2
~
k
X entonces para k grande |
\
|
1 , 1 2 ~ 2 k N X aproximadamente.

Para desarrollar el intervalo de confianza planteamos hallar dos nmeros a y b tales que
( ) = 1 b X a P es decir
( )

=
|
|
\
|
1
1
2
2
b
S n
a P

30
15
2
=
=
=
k
k
k

162
Se puede probar que la mejor eleccin de a y b es:
2
1 ,
2
1
=
n
a

y
2
1 ,
2

=
n
b

Por lo tanto

( )

=
|
|
\
|

1
1
2
1 ,
2
2
2
2
1 ,
2
1 n n
S n
P
y despejando
2
se llega a

( ) ( )

=
|
|
|
\
|

1
1 1
2
1 ,
2
1
2
2
2
1 ,
2
2
n n
S n S n
P

Entonces

Observacin: un intervalo de confianza para de nivel 1 , es
( ) ( )
|
|
|
|
\
|

2
1 ,
2
1
2
2
1 ,
2
2
1
;
1
n n
S n S n

Ejemplo:
Un fabricante de detergente lquido est interesado en la uniformidad de la mquina utilizada para
llenar las botellas. De manera especfica, es deseable que la desviacin estndar del proceso de
llenado sea menor que 0.15 onzas de lquido; de otro modo, existe un porcentaje mayor del deseable
de botellas con un contenido menor de detergente. Supongamos que la distribucin del volumen de
llenado es aproximadamente normal. Al tomar una muestra aleatoria de 20 botellas, se obtiene una
Si ( )
n
X ,..., X , X
2 1
es una muestra aleatoria de una v.a. X, donde ) , ( ~
2
N X , un intervalo de
confianza para
2
de nivel 1 es

( ) ( )
|
|
|
\
|

2
1 ,
2
1
2
2
1 ,
2
2
1
;
1
n n
S n S n

(8.8)

2

1
2
1 ,
2
1 n

2
1 ,
2
n

5 = k
163
varianza muestral 0153 . 0
2
= S . Hallar un intervalo de confianza de nivel 0.95 para la verdadera
varianza del volumen de llenado.

Solucin:
La v.a. de inters es X: volumen de llenado de una botella
Se asume que ) , ( ~
2
N X con desconocido.
Estamos en las condiciones para aplicar (8.8)

Tenemos que 95 . 0 1 = 05 . 0 = 91 . 8
2
19 , 975 . 0
2
1 ,
2
1
= =

n
y 85 . 32
2
19 , 025 . 0
2
1 ,
2
= =
n

Adems 0153 . 0
2
= S

Por lo tanto el intervalo es

( ) ( ) ( ) ( )
( ) .0326 0 ; 00884 . 0
91 . 8
0153 . 0 1 20
;
85 . 32
0153 . 0 1 20 1
;
1
2
1 ,
2
1
2
2
1 ,
2
2
= |
\
|
=
|
|
|
\
|

n n
S n S n

Y un intervalo para es ( ) ( ) 1805 . 0 ; 09 . 0 0326 . 0 ; 00884 . 0 =

Por lo tanto con un nivel de 0.95 los datos no apoyan la afirmacin que 15 . 0 <

8.7 Intervalo de confianza para el cociente de varianzas de dos distribuciones normales

Supongamos que se tienen dos poblaciones normales e independientes con varianzas desconocidas
2
1
y
2
2
respectivamente. Se desea encontrar un intervalo de nivel 1 para el cociente de las dos
varianzas
2
2
2
1
.
Se toma una muestra aleatoria de tamao
1
n de una de las poblaciones y una muestra de tamao
2
n
de la otra poblacin. Sean
2
1
S y
2
2
S las dos varianzas muestrales.
Consideramos el estadstico

2
1
2
1
2
2
2
2
S
S
F =
Notar que F contiene al parmetro de inters
2
2
2
1
, pues
2
2
2
1
2
1
2
2
=
S
S
F
Se puede probar que F tiene una distribucin llamada Fisher con 1
2
n y 1
1
n grados de libertad.

164
Observacin:
Sea X una variable aleatoria continua, se dice que tiene distribucin Fisher con u grados de libertad
en el numerador y v grados de libertad en el denominador si su fdp es de la forma

< <
(
+ |
\
|
|
\
|
|
\
|
\
|
|
\
| +
=
+
x
x
v
u v u
x
v
u v u
x f
v u
u
u
0
1
2 2
2
) (
2
1
2
2

En particular si W e Y son variables aleatorias independientes ji-cuadrado con u y v grados de
libertad respectivamente, entonces el cociente

v
Y
u
W
F =
Tiene una distribucin Fisher con u grados de libertad en el numerador y v grados de libertad en el
denominador.
Notacin:
v u
F F
,
~

La grfica de una distribucin Fisher es similar a la de una ji-cuadrado, es asimtrica. Anotamos
v u
f
, ,
al cuantil que deja a su derecha un rea de bajo la curva de densidad.

Existe la siguiente relacin entre los cuantiles de una
v u
F
,
y de una
u v
F
,

u v
v u
f
f
, ,
, , 1
1

Planteamos la siguiente ecuacin ( ) = 1 b F a P y se pede probar que la mejor eleccin de a
y b es:
1 , 1 ,
2
1
1 2

=
n n
f a

y
1 , 1 ,
2
1 2

=
n n
f b

20 ; 15 = = v u

v u
f
, ,

165

Entonces

=
|
|
\
|

1
1 , 1 ,
2
2
1
2
1
2
2
2
2
1 , 1 ,
2
1
1 2 1 2
n n n n
f
S
S
f P

Despejando el cociente
2
2
2
1
queda :

=
|
|
\
|

1
1 , 1 ,
2
2
2
2
1
2
2
2
1
1 , 1 ,
2
1
2
2
2
1
1 2 1 2
n n n n
f
S
S
f
S
S
P

Por lo tanto

Ejemplo:
Una compaa fabrica propulsores para uso en motores de turbina. Una de las operaciones consiste
en esmerilar el terminado de una superficie particular con una aleacin de titanio. Pueden emplearse
dos procesos de esmerilado, y ambos pueden producir partes que tienen la misma rugosidad
superficial promedio. Interesara seleccionar el proceso que tenga la menor variabilidad en la
rugosidad de la superficie. Para esto se toma una muestra de 12 partes del primer proceso, la cual
tiene una desviacin estndar muestral 1 . 5
1
= S micropulgadas, y una muestra aleatoria de 15 partes
del segundo proceso, la cual tiene una desviacin estndar muestral 7 . 4
2
= S micropulgadas. Se
desea encontrar un intervalo de confianza de nivel 90% para el cociente de las dos varianzas.
Suponer que los dos procesos son independientes y que la rugosidad de la superficie est distribuida
de manera normal.

Solucin:
Estamos en las condiciones para aplicar (8.9)

20 ; 15 = = v u
2

1 , 1 ,
2
1
1 2
n n
f

1 , 1 ,
1 2
n n
f

Si se tienen dos poblaciones normales e independientes con varianzas desconocidas
2
1
y
2
2

respectivamente, entonces un intervalo de nivel 1 para el cociente de las dos varianzas
2
2
2
1
es

(
1 , 1 ,
2
2
2
2
1
1 , 1 ,
2
1
2
2
2
1
1 2 1 2
;
n n n n
f
S
S
f
S
S

(8.9)
166
Buscamos en la tabla de la Fisher 39 . 0
58 . 2
1 1
14 , 11 , 05 . 0
11 , 14 , 95 . 0
1 , 1 ,
2
1
1 2
= = = =

f
f f
n n

y 74 . 2
11 , 14 , 05 . 0
1 , 1 ,
2
1 2
= =

f f
n n


| | 23 . 3 ; 46 . 0 2.74
7 . 4
1 . 5
; 39 . 0
7 . 4
1 . 5
2
2
2
2
=
(

Como este intervalo incluye al 1, no podemos afirmar que las desviaciones estndar de los dos
procesos sean diferentes con una confianza de 90%.

8.8 Intervalo de confianza para una proporcin

Sea una poblacin de tamao N (eventualmente puede ser infinito) de cuyos individuos nos interesa
cierta propiedad A. Supongamos que la probabilidad de que un individuo de la poblacin verifique A
es ( ) A P p = .El significado del parmetro p es, en consecuencia, el de proporcin de individuos de
la poblacin que verifican la propiedad A. Podemos definir una variable
aleatoria
i
X que mide a los individuos de la poblacin la ocurrencia o no de la propiedad A.
La variable aleatoria tendr la distribucin:

( )
( ) ( )
( ) ( )
= = =
= = =
=
, 1 0 0
1 1
p X P p
p X P p
x p
i
i

es decir, X
i
es una v.a. que toma slo dos valores: 1 (si el individuo verifica A) con probabilidad p y
0 (cuando no verifica A) con probabilidad 1-p. Esto es equivalente a decir que X
i
tiene una
distribucin binomial con parmetros 1 y p: X
i
~ B(1,p).

Supongamos que consideramos una muestra aleatoria ( )
n
X X X ..., ,
2 1
de tamao n . Si formamos el
estadstico = X
n
X X X + + + ...
2 1
, es evidente que esta v.a. mide el nmero de individuos de la
muestra de tamao n que verifican la propiedad A. Por lo tanto por su significado X es una v.a. cuya
distribucin es binomial con parmetros n y p: X~B(n,p). De acuerdo con esto, la variable aleatoria
P
definida:
n
X
P
= representa la proporcin de individuos de la muestra que verifican la propiedad

A.
Observemos que siendo X
i
~ B(1,p) es ( ) p X E
i
= . Y, dado que X~B(n,p), tambin es
( ) ( ) p np
n
X E
n n
X
E P
E = = = |
\
|
=
1 1
, es decir P
es un estimador insesgado de p . Esto es de esperar

pues
=
= =
n
i
i
X
n n
X
P
1
1
.
Pero adems, es fcil ver que P
es estimador consistente de p . En efecto, tenemos que ( ) p P
E = ,
pero tambin es
167
( ) ( )
( )
n
p p
p np
n n
X
V P
V

= = |
\
|
=
1
1
1
2
.

Deseamos construir un intervalo de confianza de p. Es razonable basarnos en el estimador insegado
P
. Consideramos como pivote a la variable aleatoria

( )
n
p p
p P
=
1
cuya distribucin es, para n suficientemente grande, aproximadamente N(0,1). En
efecto:
Siendo
n
X
n
X
n
X
P
n
+ + + = ...
2 1
, es ( )

=
= |
\
|
=
n
i
i
p
n
X
E P E
1
y ( )
( )
= |
\
|
=
n
i
i
n
p p
n
X
V P V
1
1

Por lo tanto:

( )
( ) 1 , 0 ~
1
N
n
p p
p P
Z
grande n
= ,

El pivote puede ponerse en una forma ms conveniente si tenemos en cuenta que, segn vimos
recin, P
es estimador consistente de p y en consecuencia, en el denominador reemplazamos el

parmetro desconocido p por su estimador P
, y se puede probar que :

( )

=
n
P P
p P
Z
N(0,1). aproximadamente si n es grande

Partiendo de este pivote podemos seguir los mismos pasos de los casos anteriores para llegar al
siguiente intervalo de confianza al nivel 1 de p:

( ) ( )
(
(
n
P P
z P
n
P P
z P
2 2

con
2
1
2
=
|
|
\
|
z .
Entonces

Si P
es la proporcin de observaciones de una muestra aleatoria de tamao n que verifican una

propiedad de inters, entonces un intervalo de confianza para la proporcin p de la poblacin que
cumple dicha propiedad de nivel aproximadamente 1 es

( ) ( )
(
(
n
P P
z P
n
P P
z P
2 2

(8.10)
168

Observaciones:
1- Este procedimiento depende de la aproximacin normal a la distribucin binomial. Por lo tanto el
intervalo (8.10) se puede utilizar si 10
> P n y 10 )
1 ( > P n , es decir, la muestra debe contener un

mnimo de diez xitos y diez fracasos.
2- La longitud del intervalo es
( )
n
P P
z L
2
2
=

, pero esta expresin est en funcin de P

Si nos interesa hallar un valor de n de manera tal que la longitud L sea menor que un valor
determinado, podemos hacer dos cosas:
a) tomar una muestra preliminar, con ella estimar p con P
y de la expresin anterior despejar n, lo

que lleva a

( )
( ) P P
l
z
n l
n
P P
z L
2
2
2
2
|
|
|
\
|

b) si no tomamos una muestra preliminar, entonces acotamos ( ) ( ) 5 . 0 1 5 . 0
P P , entonces

( ) ( )
2
2
2 2

5 . 0 1 5 . 0
2
2
|
|
|
\
|

=
l
z
n l
n
z
n
P P
z L

Ejemplo:
Un fabricante de componentes compra un lote de dispositivos de segunda mano y desea saber la
proporcin de la poblacin que estn fallados. Con ese fin experimenta con 140 dispositivos elegidos
al azar y encuentra que 35 de ellos estn fallados.
a) Calcular un intervalo de confianza del 99% para la proporcin poblacional p.
b) De qu tamao deber extraerse la muestra a fin de que la proporcin muestral no difiera de la
proporcin poblacional en ms de 0.03 con un 95% de confianza?

Solucin:
a) El tamao de la muestra es 140 = n (muestra grande)
La proporcin muestral es 25 . 0
140
35
= = P
El nivel de confianza es 99 0 1 . = 01 0. = 005 0
2
.
= .
De la tabla de la normal estandarizada vemos que 58 . 2
005 . 0
= z . Entonces el intervalo buscado es:

( ) ( )
| | 34441 . 0 , 15558 . 0
140
25 . 0 1 25 . 0
58 . 2 25 . 0 ,
140
25 . 0 1 25 . 0
58 . 2 25 . 0 =
(

b) Buscamos el tamao n de la muestra tal que con un 95% de confianza la proporcin muestral P

est a una distancia 0.03 de la proporcin poblacional p, es decir buscamos n tal que

169
03 . 0
2

L
, por lo tanto como 05 . 0 = 025 . 0
2
=
si tomamos la muestra anterior como

preliminar :

( ) ( ) 3333 . 800 25 . 0 1 25 . 0
03 . 0 2
96 . 1 2
2
2
2
2
= |
\
|
=
|
|
|
\
|
P P
l
z
n

Por lo tanto hay que tomar una muestra de tamao por lo menos 801. como ya se tom una muestra
de tamao 140, hay que tomar otra adicional de tamao 661 140 801 =
Supongamos que no tomamos una muestra inicial, entonces directamente planteamos

1111 . 1067
03 . 0 2
96 . 1
2
2
2
= |
\
|
=
|
|
|
\
|
l
z
n

Entonces hay que tomar una muestra de tamao 1068 por lo menos.

8.9 Intervalo de confianza para la diferencia entre dos proporciones

Supongamos que existen dos proporciones de inters
1
p y
2
p y es necesario obtener un intervalo de
confianza de nivel 1 para la diferencia
2 1
p p .
Supongamos que se toman dos muestras independientes de tamaos
1
n y
2
n respectivamente de dos
poblaciones.
:
1
X nmero de observaciones en la primera muestra que tienen la propiedad de inters
:
2
X nmero de observaciones en la segunda muestra que tienen la propiedad de inters
Entonces
1
X y
2
X son variables aleatorias independientes y X
1
~B(n
1
,p
1
) ; X
2
~B(n
2
,p
2
)
Adems
1
1
1
n
X
P = y
2
2
2
n
X
P = son estimadores puntuales de
1
p y
2
p respectivamente.
Vemos que ( )
2 1 2 1

p p P P E = y ( )
( ) ( )
2
2 2
1
1 1
2 1
1 1

n
p p
n
p p
P P V

+
=
Aplicando la aproximacin normal a la binomial podemos decir que
( )
( ) ( )
) 1 , 0 (
1 1

2
2 2
1
1 1
2 1 2 1
N
n
p p
n
p p
p p P P
Z

=
, y como en el caso de intervalo para una proporcin estimamos
( ) ( )
2
2 2
1
1 1
1 1
n
p p
n
p p
+
con
( ) ( )
2
2 2
1
1 1
1

1
n
P P
n
P P
+
y entonces

( )
( ) ( )
) 1 , 0 (
1

1

2
2 2
1
1 1
2 1 2 1
N
n
P P
n
P P
p p P P
Z

=
aproximadamente.
Planteamos la ecuacin ( ) ( ) ( ) z z z Z z P = =1- , lo que lleva a
170
2
z z = , y con una deduccin anloga a las anteriores se llega al intervalo

( ) ( ) ( ) ( )
(
(

2
2 2
1
1 1
2
2 1
2
2 2
1
1 1
2
2 1
1

1
1

1

n
P P
n
P P
z P P
n
P P
n
P P
z P P

Entonces

Ejemplo:
Se lleva a cabo un estudio para determinar la efectividad de una nueva vacuna contra la gripe. Se
administra la vacuna a una muestra aleatoria de 3000 sujetos, y de ese grupo 13 contraen gripe.
Como grupo de control se seleccionan al azar 2500 sujetos, a los cuales no se les administra la
vacuna, y de ese grupo 170 contraen gripe. Construya un intervalo de confianza de nivel 0.95 para la
diferencia entre las verdaderas proporciones de individuos que contraen gripe.

Solucin:
:
1
X nmero de personas que contraen gripe del grupo que recibi la vacuna
:
2
X nmero de personas que contraen gripe del grupo que no recibi la vacuna
Entonces X
1
~B(n
1
,p
1
) ; X
2
~B(n
2
,p
2
) donde 3000
1
= n ; 2500
2
= n
Adems
3000
13
1
= P ;
2500
170
2
= P
Y 96 . 1 95 . 0 1
025 . 0
2
= = = z z

Entonces
( ) ( ) ( ) ( )
(
=
(
(
(
(
(
(
|
\
|

+
|
\
|

+
|
\
|

+
|
\
|

=
=
(
(

0535222 . 0 ; 0738112 . 0
2500
2500
170
1
2500
170
3000
3000
13
1
3000
13
96 . 1
2500
170
3000
13
;
2500
2500
170
1
2500
170
3000
3000
13
1
3000
13
96 . 1
2500
170
3000
13
1

1
1

1

2
2 2
1
1 1
2
2 1
2
2 2
1
1 1
2
2 1
n
P P
n
P P
z P P
n
P P
n
P P
z P P

Si
1
P y
2
P son las proporciones muestrales de una observacin de dos muestras aleatorias

independientes de tamaos
1
n y
2
n respectivamente que verifican la propiedad de inters,
entonces un intervalo de confianza de nivel 1 aproximadamente es

( ) ( ) ( ) ( )
(
(

2
2 2
1
1 1
2
2 1
2
2 2
1
1 1
2
2 1
1

1
1

1

n
P P
n
P P
z P P
n
P P
n
P P
z P P

(8.11)

117 13 16032011001612

Uploaded by

Document Information

Original Title

Copyright

Available Formats

Share this document

Share or Embed Document

Sharing Options

Did you find this document useful?

Is this content inappropriate?

Copyright:

Available Formats

117 13 16032011001612

Uploaded by

Copyright:

Available Formats

Parte 2 Estimacin puntual Prof. Mara B.

es una funcin de la muestra aleatoria: ( )

tenga una distribucin cuya media sea .

es un estimador insesgado del parmetro si ( ) =

E se conoce como sesgo de estimador

son dos estimadores insegados de un parmetro . Esto indica que la

tiene menor varianza que

, entonces es ms probable que el estimador

son dos estimadores de un parmetro y alguno de ellos no es

tiene menor error cuadrtico medio que

de un parmetro est definido como

son dos estimadores de un parmetro .

es un estimador insesgado de , entonces ( ) ( ) =

son dos estimadores de un parmetro , tales que ( ) =

, aunque sea sesgado, al tener menor

son dos estimadores de un parmetro , y que

E . Haga una comparacin

un estimador del parmetro , basado en una muestra aleatoria ( )

un estimador del parmetro basado en una muestra aleatoria ( )

= es un estimador consistente de , pues

es un estimador por el mtodo de los momentos de un parmetro , el estimador

g , si ) (x g es una funcin inyectiva.

que es siempre menor que cero. Por lo

es el EMV de un parmetro basado en

es un EMV de un parmetro , el EMV de ( ) g es ( )

g , si ) (x g es una funcin inyectiva.

son dos estadsticos, tal que ( ) ( ) = 1

son estadsticos, los valores que

, hemos construido dos estadsticos

. Todos los elementos

son conocidos ya que el nmero z verifica la ecuacin

+ 89227 . 3267 , 10773 . 3232

+ 55207 . 3273 , 44793 . 3226

z aumenta, por lo tanto L

0 502 4 500 . , . es un intervalo al 95% de confianza de estamos diciendo que la

0 502 4 500 . , . contenga a es 0.95. O, en otras palabras, la

, hemos construido dos estadsticos

. Todos los elementos que

son conocidos ya que el nmero z verifica la ecuacin anterior, es

+ + 7922 . 224 ; 2077 . 175

, entonces el intervalo para la diferencia

= representa la proporcin de individuos de la muestra que verifican la propiedad

es un estimador insesgado de p . Esto es de esperar

es estimador consistente de p . En efecto, tenemos que ( ) p P

. Consideramos como pivote a la variable aleatoria

es estimador consistente de p y en consecuencia, en el denominador reemplazamos el

, y se puede probar que :

N(0,1). aproximadamente si n es grande

es la proporcin de observaciones de una muestra aleatoria de tamao n que verifican una

1 ( > P n , es decir, la muestra debe contener un

y de la expresin anterior despejar n, lo

si tomamos la muestra anterior como

z z = , y con una deduccin anloga a las anteriores se llega al intervalo

P son las proporciones muestrales de una observacin de dos muestras aleatorias

You might also like