Professional Documents
Culture Documents
DISTRIBUCIONES MUESTRALES
Conceptos Básicos
Parámetro es una medida de resumen numérica que se calcularía usando todas las
unidades de la población.
Objetivos de la inferencia:
Estimación de parámetros
Intervalos de confianza y
Docimasia, test de hipótesis o pruebas de significación estadística.
La docimasia de hipótesis consiste en conocer la probabilidad de ocurrencia, bajo la hipótesis nula, del
resultado obtenido en la investigación, basándose en la distribución muestral de la estadística utilizada
para medir tal resultado.
Distribuciones muéstrales
Una estadística muestral proveniente de una muestra aleatoria simple tiene un patrón de
comportamiento (predecible) en repetidas muestras. Este patrón es llamado la distribución
muestral de la estadística.
1
ESTADISTICA II – DISTRIBUCIONES MUESTRALES PROF. JULIA MARCANO – 2014
Las distribuciones muéstrales adoptan diferentes formas según las estadísticas investigadas
y las características de la población estudiada.
Con 𝝈 conocida
Teorema del límite central: Si 𝑋̅ es la media de una muestra aleatoria de tamaño n tomada
de una población con media µ y varianza finita σ2, entonces la forma límite de la distribución
de
𝑋̅ − 𝜇
𝑧= 𝜎
√𝑛
Se cumple:
Donde:
2
ESTADISTICA II – DISTRIBUCIONES MUESTRALES PROF. JULIA MARCANO – 2014
Con el proceso de elección de las unidades muéstrales pueden hacerse a partir de una
población finita o infinita, con o sin reposición. Si n es el tamaño de la muestra y N el de la
𝑛
población > 0.05, entonces es necesario emplear un Factor de Corrección para
𝑁
𝑁−𝑛
población Finita para la desviación estándar √
𝑁−1
Extracción
Población Con reemplazo Sin reemplazo
Infinita 𝜇𝑋̅ = 𝜇 𝜇𝑋̅ = 𝜇
𝜎𝑋̅ = 𝜎⁄ 𝜎𝑋̅ = 𝜎⁄
√𝑛 √𝑛
Finita (N) 𝜇𝑋̅ = 𝜇 𝜇𝑋̅ = 𝜇
𝜎𝑋̅ = 𝜎⁄ (𝑁 − 𝑛 )
√𝑛 𝜎𝑋̅ = (𝜎⁄ ) . √ ⁄(𝑁 − 1)
√𝑛
3
ESTADISTICA II – DISTRIBUCIONES MUESTRALES PROF. JULIA MARCANO – 2014
Con 𝝈 desconocida
∑(𝑋𝑖 − 𝑋̅)2
𝑆=√
𝑛−1
Teorema del límite central: Si 𝑋̅ es la media de una muestra aleatoria de tamaño n tomada
de una población con media µ y varianza finita σ2, entonces la forma límite de la distribución
de
𝑋̅ − 𝜇
𝑡= 𝑠
√𝑛
𝜎 𝜎
𝜇𝑋̅1 −𝑋̅2 = 𝜇1 − 𝜇2 𝑦 𝜎𝑋̅1 −𝑋̅2 = √𝑛1 + 𝑛2
1 2
De aquí
4
ESTADISTICA II – DISTRIBUCIONES MUESTRALES PROF. JULIA MARCANO – 2014
𝑝−𝜋
𝑧=
𝑝𝑞
√
𝑛
𝑐−𝜋
𝑃 (𝑝 ≤ 𝑐 ) ≅ 𝑃 𝑧 ≤
𝑝𝑞
√
( 𝑛 )
1
𝑐 + 2𝑛 − 𝜋
𝑃 (𝑝 ≤ 𝑐 ) ≅ 𝑃 𝑧 ≤
𝑝𝑞
√
( 𝑛 )
Extracción
Población Con reemplazo Sin reemplazo
Infinita 𝜇𝑝 = 𝜇 𝜇𝑝 = 𝜇
𝑝𝑞 𝑝𝑞
𝜎𝑝 = √ 𝜎𝑝 = √
𝑛 𝑛
Finita (N) 𝜇𝑝 = 𝜇 𝜇𝑝 = 𝜇
𝑝𝑞 𝑝𝑞 (𝑁 − 𝑛 )
𝜎𝑝 = √ 𝜎𝑝 = (√ ) . √ ⁄(𝑁 − 1)
𝑛 𝑛
5
ESTADISTICA II – DISTRIBUCIONES MUESTRALES PROF. JULIA MARCANO – 2014
El factor de corrección se utiliza si se la población es finita y sin reemplazo o 𝑁⁄𝑛 < 20.
𝑥1 𝑥2
𝑝1 = 𝑝2 =
𝑛1 𝑛2
𝑝1 𝑞1 𝑝2 𝑞2
𝑝1 − 𝑝2 ~ 𝑁 (𝜋1 − 𝜋2 , + )
𝑛1 𝑛2
De aquí
(𝑝1 − 𝑝2 ) − (𝜋1 − 𝜋2 )
𝑧=
𝑝1 𝑞1 𝑝2 𝑞2
√ 𝑛 + 𝑛
1 2
2
∑𝑛𝑖=1(𝑋𝑖 − 𝑋̅)2
𝑆 =
𝑛
𝑛𝑆 2 ∑𝑛𝑖=1(𝑋𝑖 − 𝑋̅)2
= 𝑒𝑐. 1
𝜎2 𝜎2
6
ESTADISTICA II – DISTRIBUCIONES MUESTRALES PROF. JULIA MARCANO – 2014
∑𝑛𝑖=1(𝑋𝑖 − 𝜇 )2
𝑒𝑐. 2
𝜎2
Que tiene distribución chi-cuadrado con n grados de libertad. La diferencia es que en uno
interviene la media muestral 𝑋̅ y en el otro la media poblacional 𝜇.
Una variable aleatoria con distribución normal estándar, elevada al cuadrado, tiene
distribución chi-cuadrado y sus grados de libertad dependen del número de observaciones.
Si una variable aleatoria X tiene distribución normal, N(𝜇, 𝜎 2 ), por el teorema central del
límite:
2 (𝑋̅ − 𝜇 )
𝑋̅ ~ 𝑁 (𝜇, 𝜎 ⁄𝑛) → 𝜎 ~ 𝑁(0,1)
⁄ 𝑛
√
(𝑋̅ − 𝜇 ) 𝑛(𝑋̅ − 𝜇 ) 2
= ~ 𝜒(1)
𝜎 2⁄ 𝜎 2
𝑛
La distribución de la estadística de
(𝑛 − 1)𝑆 2
𝜎2
Desarrollando el binomio
Por lo tanto
𝑛𝑆 2 ∑𝑛𝑖=1(𝑋𝑖 − 𝑋̅)2 2
= ~ 𝜒(𝑛−1)
𝜎2 𝜎2
Es decir que la sustitución de la media poblacional por la media muestral reduce en 1 los
grados de libertad de la chi-cuadrado. Lo anterior nos indica que cada vez que se reemplaza
un parámetro por un estimador, se reduce en 1 los grados de libertad de la distribución chi-
cuadrado.
(𝑛 − 1) 𝑆 2 ∑𝑛𝑖=1(𝑋𝑖 − 𝑋̅)2
𝜒2 = =
𝜎2 𝜎2
De dos poblaciones con distribución normal y varianzas poblacionales 𝜎12 y 𝜎22 se toman
dos muestras aleatorias independientes de tamaños n 1 y n2.
𝑛1 𝑆12 2 𝑛2 𝑆22 2
~ 𝜒(𝑛 1 −1)
~ 𝜒(𝑛 2 −1)
𝜎12 𝜎22
8
ESTADISTICA II – DISTRIBUCIONES MUESTRALES PROF. JULIA MARCANO – 2014
𝑛1 𝑆12
𝜎12
𝑛1 − 1 𝑛1 (𝑛2 − 1)𝑆12 𝜎22
= ~ 𝐹((𝑛1−1, 𝑛2 −1)
𝑛2 𝑆22 𝑛2 (𝑛1 − 1)𝑆22 𝜎12
𝜎22
𝑛2 − 1
9
ESTADISTICA II – DISTRIBUCIONES MUESTRALES PROF. JULIA MARCANO – 2014
INTRODUCCIÓN
En el contraste de hipótesis, se hace una hipótesis sobre el valor del parámetro θ y se utiliza
la información proporcionada por la muestra para decidir si la hipótesis se acepta o no.
Ambos métodos de inferencia estadística utilizan las mismas relaciones teóricas entre
resultados muéstrales y valores poblacionales. Así pues, una muestra es sacada de la
población y un estadístico muestral es utilizado para hacer inferencias sobre el parámetro
poblacional. En estimación, la información muestral es utilizada para estimar el valor del
parámetro θ. En el contraste de hipótesis, primero se formula la hipótesis sobre el valor de
θ y la información muestral se utiliza para decidir si la hipótesis formulada debería ser o no
rechazada.
Pero cuando se utiliza la inferencia para estimar un parámetro poblacional debemos decir
cómo de buena es esa inferencia, o sea debemos dar una medida de su bondad. Para ello
será necesario conocer la diferencia existente entre la estimación del parámetro
poblacional, calculada a partir de una muestra específica de tamaño n, y el valor verdadero
del parámetro poblacional.
Hay dos tipos de inferencia: la deductiva y la inductiva. Una inferencia deductiva es un juicio
o generalización que se basa en un razonamiento o proceso dialéctico a priori. Por ejemplo,
10
ESTADISTICA II – DISTRIBUCIONES MUESTRALES PROF. JULIA MARCANO – 2014
Es muy probable que una estadística muestral sea diferente del parámetro de la población
y sólo por coincidencia sería el uno exactamente igual al otro. La diferencia entre el valor
de una estadística muestral y el correspondiente parámetro de la población se suele llamar
error de estimación. Sólo se sabría cuál es el error si se conociera el parámetro poblacional,
pero éste por lo general se desconoce. La única manera de tener alguna certeza al respecto
es hacer todas las observaciones posibles del total de la población en la mayoría de las
aplicaciones prácticas, lo cual, desde luego, es imposible o impracticable.
Cualquier colección o agregación grande de cosas que deseamos estudiar o de las cuales
deseamos hacer inferencias, se llama población. El término población tiene más significado
11
ESTADISTICA II – DISTRIBUCIONES MUESTRALES PROF. JULIA MARCANO – 2014
cuando se lo junta con la definición de muestra de una población: una muestra es una parte
o subconjunto de una población.
ESTIMACION PUNTUAL
Una estimación puntual del valor de un parámetro poblacional desconocido (puede ser la
media µ, o la desviación estándar σ), es un número que se utiliza para aproximar el
verdadero valor de dicho parámetro poblacional. A fin de realizar tal estimación, se toma
una muestra de la población y se calcula el parámetro muestral asociado ( 𝑥̅ para la media,
s para la desviación estándar). El valor de este parámetro muestral será la estimación
puntual del parámetro poblacional.
Por ejemplo, se desea estimar la edad media de los estudiantes de Estadística II de la sección
01. Se selecciona una muestra de 18 estudiantes de un total de 40, y se calcula la media de
esta muestra, este valor será un estimador puntual de la media de la población.
𝜃̂ = 𝑔(𝑋1 , 𝑋2 , … , 𝑋𝑛 )
𝜃̂ = 𝑔(𝑥1 , 𝑥2 , … , 𝑥𝑛 )
Un parámetro describe una población de la misma manera que una estadística describe a
una muestra.
Es costumbre simbolizar las estadísticas con letras romanas y los parámetros con letras
griegas.
12
ESTADISTICA II – DISTRIBUCIONES MUESTRALES PROF. JULIA MARCANO – 2014
Estadística Parámetro
Media aritmética ̅
𝑿 µ
Variancia S² σ2
Desviación estándar S σ
Coeficiente de correlación R r
Parámetro
Estimador Estimación
poblacional
n n
Media
Xi x i
̂ X i 1
x i 1
n n
1 n
( X i X )2
1 n
xi x
2
Varianza
2
̂ 2 S 2 s2
n 1 i 1 n 1 i 1
X númeroéxitos 𝑥
Proporción p p 𝑝̂ =
n númeropruebas 𝑛
Para que una muestra sirva adecuadamente como base para obtener estimadores de
parámetros poblacionales, debe ser representativa de la población.
El muestreo al azar de una población producirá muestras que a la larga son representativas
de la población.
13
ESTADISTICA II – DISTRIBUCIONES MUESTRALES PROF. JULIA MARCANO – 2014
Para poder utilizar la información que se tenga de la mejor manera posible, se necesita
identificar las estadísticas que sean buenos estimadores, cuyas propiedades son:
a) Estimador insesgado
b) Estimador eficiente
Se dice que los estimadores son eficientes cuando generan una distribución muestral con
el mínimo error estándar, es decir, entre dos estimadores insesgado de un parámetro dado
es más eficiente el de menor varianza.
c) Estimador consistente
Un estimador se dice consistente cuando su valor tiende hacia el verdadero valor del
parámetro a medida que aumenta el tamaño de la muestra. Es decir, la probabilidad de que
la estimación sea el verdadero valor del parámetro tiende a 1.
d) Estimador suficiente
Se dice de un estimador que es suficiente cuando es capaz de extraer de los datos toda la
información importante sobre el parámetro.
Dentro del primer procedimiento, la estimación de un parámetro puede tener por resultado
un solo punto (estimación puntual), o un intervalo dentro del cual exista cierta probabilidad
de encontrarlo (estimación por intervalos).
Estimar un parámetro a través de un único valor, no es muy conveniente pues con ella no
se puede determinar el error de muestreo, ni la precisión de la estimación, ni la confianza
que merece tal estimación.
14
ESTADISTICA II – DISTRIBUCIONES MUESTRALES PROF. JULIA MARCANO – 2014
Existen otros métodos para estimar parámetros poblacionales que son mucho más precisos.
Por ejemplo:
𝑃{𝜃̂𝐼 ≤ 𝜃 ≤ 𝜃̂𝑆 } = 1 − 𝛼
Donde:
Se puede pensar que 1 significa certeza, seguridad y α significa riesgo. La seguridad menos
el riesgo, es decir 1 – α da, por lo tanto, el coeficiente de confianza de nuestras
afirmaciones.
En el caso anterior, se tiene una confianza de que 90 de cada 100 intervalos que se extraigan
como muestra, contendrán el verdadero valor del parámetro. Pero una vez determinado el
intervalo, es decir, una vez calculados numéricamente los extremos, ya no debe hablarse
en términos de confiabilidad ni en términos probabilísticos, pues la situación pasa a ser
completamente determinística. De tal manera, asociado a un intervalo de confianza ya
15
ESTADISTICA II – DISTRIBUCIONES MUESTRALES PROF. JULIA MARCANO – 2014
Resumiendo, los extremos del intervalo son variables aleatorias, mientras que el parámetro
a determinar es constante.
En general, los pasos a seguir para estimar un parámetro por el método de los intervalos de
confianza, son:
Si 𝑋̅ es la media de una muestra aleatoria de tamaño n tomada de una población con media
µ y varianza finita σ2, entonces la forma límite de la distribución de
𝑋̅ − 𝜇
𝑧= 𝜎
√𝑛
Sea x1, x2, ... , xn una muestra aleatoria de la variable aleatoria X y sea 𝑋̅ la media muestral.
𝜎
Por el Teorema del Limite Central se sabe que 𝑋̅~𝑁 (𝜇, )
√𝑛
independientemente del valor de n.
16
ESTADISTICA II – DISTRIBUCIONES MUESTRALES PROF. JULIA MARCANO – 2014
𝑃 {−𝑧𝛼⁄2 ≤ 𝑧 ≤ 𝑧𝛼⁄2 } = 1 − 𝛼
Por lo tanto
𝑋̅ − 𝜇
𝑃 {−𝑧𝛼⁄2 ≤ 𝜎 ≤ 𝑧𝛼⁄2 } = 1 − 𝛼
√𝑛
𝜎
Multiplicando por
√𝑛
𝜎 𝜎
𝑃 {−𝑧𝛼⁄2 ≤ 𝑋̅ − 𝜇 ≤ 𝑧𝛼⁄2 }=1−𝛼
√𝑛 √𝑛
Restar 𝑋̅
𝜎 𝜎
𝑃 {−𝑋̅ − 𝑧𝛼⁄2 ≤ −𝜇 ≤ −𝑋̅ + 𝑧𝛼⁄2 } = 1−𝛼
√𝑛 √𝑛
Multiplicando por -1
𝜎 𝜎
𝑃 {𝑋̅ − 𝑧𝛼⁄2 ≤ 𝜇 ≤ 𝑋̅ + 𝑧𝛼⁄2 }=1−𝛼
√𝑛 √𝑛
P(Z z / 2 )
2
17
ESTADISTICA II – DISTRIBUCIONES MUESTRALES PROF. JULIA MARCANO – 2014
𝝈 𝝈
̅ − 𝒛𝜶⁄
(𝑿 , ̅ + 𝒛𝜶⁄
𝑿 )
𝟐 √𝒏 𝟐 √𝒏
𝜎
𝑋̅ ± 𝑧𝛼⁄2
√𝑛
𝜎
El error estándar de 𝑋̅ es
√𝑛
Observaciones:
- Si las muestras se toman sin reposición de una población finita de tamaño N, debe
emplearse el factor de corrección por finitud y el intervalo será:
𝜎 𝑁−𝑛 𝜎 𝑁−𝑛
(𝑋̅ − 𝑧𝛼⁄2 × ×√ , ̅𝑋 + 𝑧𝛼⁄ × ×√ )
√𝑛 𝑛−1 2
√𝑛 𝑛−1
∑(𝑋𝑖 − 𝑋̅)2
𝑆=√
𝑛−1
18
ESTADISTICA II – DISTRIBUCIONES MUESTRALES PROF. JULIA MARCANO – 2014
𝑃 {−𝑡𝛼⁄2 ≤ 𝑡 ≤ 𝑡𝛼⁄2} = 1 − 𝛼
Por lo tanto
𝑋̅ − 𝜇
𝑃 {−𝑡𝛼⁄2 ≤ ≤ 𝑡𝛼⁄2 } = 1 − 𝛼
𝑆
√𝑛
𝜎
Multiplicando por
√𝑛
𝑆 𝑆
𝑃 {−𝑡𝛼⁄2 ≤ 𝑋̅ − 𝜇 ≤ 𝑡𝛼⁄2 } = 1−𝛼
√𝑛 √𝑛
Restar 𝑋̅
𝑆 𝑆
𝑃 {−𝑋̅ − 𝑡𝛼⁄2 ≤ −𝜇 ≤ −𝑋̅ + 𝑡𝛼⁄2 }=1−𝛼
√𝑛 √𝑛
Multiplicando por -1
𝑆 𝑆
𝑃 {𝑋̅ − 𝑡𝛼⁄2 ≤ 𝜇 ≤ 𝑋̅ + 𝑡𝛼⁄2 }=1−𝛼
√𝑛 √𝑛
𝛼
Donde 𝑃(𝑡 > 𝑡𝛼⁄2 ) = 2
𝑆 𝑆
(𝑋̅ − 𝑡𝛼⁄2 , 𝑋̅ + 𝑡𝛼⁄2 )
√𝑛 √𝑛
𝑆
𝑋̅ ± 𝑡𝛼⁄2
√𝑛
𝑆
El error estándar de 𝑋̅ es
√𝑛
19
ESTADISTICA II – DISTRIBUCIONES MUESTRALES PROF. JULIA MARCANO – 2014
CASO 1:
𝑃 {−𝑧𝛼⁄2 ≤ 𝑧 ≤ 𝑧𝛼⁄2 } = 1 − 𝛼
Por lo tanto
𝜎1 𝜎2
Multiplicando por √ +
𝑛1 𝑛2
𝜎1 𝜎2 𝜎1 𝜎2
𝑃 {−𝑧𝛼⁄2 √ + ≤ (𝑋̅1 − 𝑋̅2 ) − (𝜇1 − 𝜇2 ) ≤ 𝑧𝛼⁄2 √ + } = 1 − 𝛼
𝑛1 𝑛2 𝑛1 𝑛2
𝜎1 𝜎2 𝜎1 𝜎2
𝑃 {−(𝑋̅1 − 𝑋̅2 ) − 𝑧𝛼⁄2 √ + ≤ −(𝜇1 − 𝜇2 ) ≤ −(𝑋̅1 − 𝑋̅2 ) + 𝑧𝛼⁄2 √ + } = 1 − 𝛼
𝑛1 𝑛2 𝑛1 𝑛2
Multiplicando por -1
20
ESTADISTICA II – DISTRIBUCIONES MUESTRALES PROF. JULIA MARCANO – 2014
𝜎1 𝜎2 𝜎1 𝜎2
𝑃 {(𝑋̅1 − 𝑋̅2 ) + 𝑧𝛼⁄2 √ + ≥ (𝜇1 − 𝜇2 ) ≥ (𝑋̅1 − 𝑋̅2 ) − 𝑧𝛼⁄2√ + } = 1 − 𝛼
𝑛1 𝑛2 𝑛1 𝑛2
Se obtiene
𝜎1 𝜎2 𝜎1 𝜎2
𝑃 {(𝑋̅1 − 𝑋̅2 ) − 𝑧𝛼⁄2 √ + ≤ (𝜇1 − 𝜇2 ) ≤ (𝑋̅1 − 𝑋̅2 ) + 𝑧𝛼⁄2√ + } = 1 − 𝛼
𝑛1 𝑛2 𝑛1 𝑛2
P(Z z / 2 )
2
y la variable aleatoria Z→N(0,1).
𝜎1 𝜎2 𝜎1 𝜎2
((𝑋̅1 − 𝑋̅2 ) − 𝑧𝛼⁄2 √ + , (𝑋̅1 − 𝑋̅2 ) − 𝑧𝛼⁄ √ + )
𝑛1 𝑛2 2 𝑛1 𝑛2
𝜎1 𝜎2
(𝑋̅1 − 𝑋̅2 ) ± 𝑧𝛼⁄ √ +
2 𝑛1 𝑛2
𝜎1 𝜎2
El error estándar de (𝑋̅1 − 𝑋̅2 ) es√ +
𝑛1 𝑛2
CASO 2.a:
Sea 𝑋̅1 ~𝑁(𝜇1 , 𝜎1 ) y 𝑋̅2 ~𝑁(𝜇2 , 𝜎2 ) donde 𝝁𝟏 y 𝝁𝟐 son desconocidos y varianzas iguales
pero desconocidas, es decir, 𝜎1 2 = 𝜎2 2 = 𝜎 2
𝑃 {−𝑡𝛼⁄2 ≤ 𝑡 ≤ 𝑡𝛼⁄2} = 1 − 𝛼
21
ESTADISTICA II – DISTRIBUCIONES MUESTRALES PROF. JULIA MARCANO – 2014
Por lo tanto
1 1
Multiplicando por 𝑆𝑝 × √𝑛 + 𝑛
1 2
1 1 1 1
𝑃 {−𝑡𝛼⁄2 𝑆𝑝 × √ + ≤ (𝑋̅1 − 𝑋̅2 ) − (𝜇1 − 𝜇2 ) ≤ 𝑡𝛼⁄2𝑆𝑝 × √ + } = 1 − 𝛼
𝑛1 𝑛2 𝑛1 𝑛2
1 1 1 1
𝑃 {−(𝑋̅1 − 𝑋̅2 ) − 𝑡𝛼⁄2 𝑆𝑝 × √ + ≤ −(𝜇1 − 𝜇2 )𝜇 ≤ −(𝑋̅1 − 𝑋̅2 ) + 𝑡𝛼⁄2 𝑆𝑝 × √ + } = 1 − 𝛼
𝑛1 𝑛2 𝑛1 𝑛2
Multiplicando por -1
1 1 1 1
𝑃 {(𝑋̅1 − 𝑋̅2 ) − 𝑡𝛼⁄ 𝑆𝑝 × √ + ≤ (𝜇1 − 𝜇2 ) ≤ (𝑋̅1 − 𝑋̅2 ) − 𝑡𝛼⁄ 𝑆𝑝 × √ + } = 1 − 𝛼
2 𝑛1 𝑛2 2 𝑛1 𝑛2
𝛼
𝑃(𝑡 > 𝑡𝛼⁄2 ) =
2
1 1 1 1
((𝑋̅1 − 𝑋̅2 ) − 𝑡𝛼⁄2 𝑆𝑝 × √ + , (𝑋̅1 − 𝑋̅2 ) − 𝑡𝛼⁄ 𝑆𝑝 × √
2
+ )
𝑛1 𝑛2 𝑛1 𝑛2
22
ESTADISTICA II – DISTRIBUCIONES MUESTRALES PROF. JULIA MARCANO – 2014
1 1
(𝑋̅1 − 𝑋̅2 ) ± 𝑡𝛼⁄ 𝑆𝑝 × √ +
2 𝑛1 𝑛2
1 1
El error estándar de (𝑋̅1 − 𝑋̅2 ) es 𝑆𝑝 × √𝑛 + 𝑛
1 2
Caso 2.b:
𝑃 {−𝑡𝛼⁄2 ≤ 𝑡 ≤ 𝑡𝛼⁄2} = 1 − 𝛼
Con
2
𝑆2 𝑆 2
( 1 + 2 )
𝑛1 𝑛2
𝑣= 2 2
𝑆2 𝑆 2
( 1 ) ( 2 )
𝑛1 𝑛2
+
(𝑛1 − 1) (𝑛2 − 1)
Por lo tanto
23
ESTADISTICA II – DISTRIBUCIONES MUESTRALES PROF. JULIA MARCANO – 2014
𝑆 𝑆
Multiplicando por √𝑛1 + 𝑛2
1 2
𝑆1 𝑆2 𝑆1 𝑆2
𝑃 {−𝑡𝛼⁄2 √ + ≤ (𝑋̅1 − 𝑋̅2 ) − (𝜇1 − 𝜇2 ) ≤ 𝑡𝛼⁄2√ + } = 1 − 𝛼
𝑛1 𝑛2 𝑛1 𝑛2
𝑆1 𝑆2 𝑆1 𝑆2
𝑃 {−(𝑋̅1 − 𝑋̅2 ) − 𝑡𝛼⁄ √ + ≤ −(𝜇1 − 𝜇2 ) ≤ −(𝑋̅1 − 𝑋̅2 ) + 𝑡𝛼⁄ √ + } = 1 − 𝛼
2 𝑛1 𝑛2 2 𝑛1 𝑛2
Multiplicando por -1
𝑆1 𝑆2 𝑆1 𝑆2
𝑃 {(𝑋̅1 − 𝑋̅2 ) + 𝑡𝛼⁄ √ + ≥ (𝜇1 − 𝜇2 ) ≥ (𝑋̅1 − 𝑋̅2 ) − 𝑡𝛼⁄2 √ + } = 1 − 𝛼
2 𝑛1 𝑛2 𝑛1 𝑛2
Se obtiene
𝑆1 𝑆2 𝑆1 𝑆2
𝑃 {(𝑋̅1 − 𝑋̅2 ) − 𝑡𝛼⁄ √ + ≤ (𝜇1 − 𝜇2 ) ≤ (𝑋̅1 − 𝑋̅2 ) + 𝑡𝛼⁄2 √ + } = 1 − 𝛼
2 𝑛1 𝑛2 𝑛1 𝑛2
𝛼
𝑃(𝑡 > 𝑡𝛼⁄2 ) = 2
𝑆1 𝑆2 𝑆1 𝑆2
((𝑋̅1 − 𝑋̅2 ) − 𝑡𝛼⁄2 √ + , (𝑋̅1 − 𝑋̅2 ) + 𝑡𝛼⁄ × √ + )
𝑛1 𝑛2 2 𝑛1 𝑛2
𝑆1 𝑆2
(𝑋̅1 − 𝑋̅2 ) ± 𝑡𝛼⁄ √ +
2 𝑛1 𝑛2
𝑆 𝑆
El error estándar de (𝑋̅1 − 𝑋̅2 ) es √𝑛1 + 𝑛2
1 2
24
ESTADISTICA II – DISTRIBUCIONES MUESTRALES PROF. JULIA MARCANO – 2014
𝑝̂ 𝑞̂ 𝑝̂ 𝑞̂
𝑃 {𝑝̂ − 𝑧𝛼⁄2 √ ≤ 𝑝 ≤ 𝑝̂ − 𝑧𝛼⁄2 √ } = 1 − 𝛼
𝑛 𝑛
Donde
𝛼
𝑃(𝑡 > 𝑧𝛼⁄2 ) =
2
𝑝̂ 𝑞̂ 𝑝̂ 𝑞̂
(𝑝̂ − 𝑧𝛼⁄2√ , 𝑝̂ + 𝑧𝛼⁄2 √ )
𝑛 𝑛
𝑝̂ 𝑞̂
𝑝̂ ± 𝑧𝛼⁄2 √
𝑛
𝑝̂𝑞̂
El error estándar de 𝑝̂ es √ 𝑛
𝑝̂ 𝑞̂ 𝑝̂ 𝑞̂
𝑃 {𝑝̂ − 𝑧𝛼⁄2 √ ≤ 𝑝 ≤ 𝑝̂ − 𝑧𝛼⁄2 √ } = 1 − 𝛼
𝑛 𝑛
25
ESTADISTICA II – DISTRIBUCIONES MUESTRALES PROF. JULIA MARCANO – 2014
Donde
𝛼
𝑃(𝑡 > 𝑧𝛼⁄2 ) =
2
𝑝̂ 𝑞̂ 𝑝̂ 𝑞̂
(𝑝̂ − 𝑧𝛼⁄2√ , 𝑝̂ + 𝑧𝛼⁄2 √ )
𝑛 𝑛
𝑝̂ 𝑞̂
𝑝̂ ± 𝑧𝛼⁄2 √
𝑛
𝑝̂𝑞̂
El error estándar de 𝑝̂ es √ 𝑛
𝑃 {−𝑡𝛼⁄2 ≤ 𝑡 ≤ 𝑡𝛼⁄2} = 1 − 𝛼
26
ESTADISTICA II – DISTRIBUCIONES MUESTRALES PROF. JULIA MARCANO – 2014
∑(𝑑𝑖 −𝑑̅)2
𝐷𝑖 = 𝑋1𝑖 − 𝑋2𝑖 𝑆𝑑 = √ 𝑛−1
Por lo tanto
̅ − 𝜇𝐷
𝐷
𝑃 {−𝑧𝛼⁄2 ≤ ≤ 𝑧𝛼⁄2 } = 1 − 𝛼
𝑆𝑑
√𝑛
𝑆𝑑
Multiplicando por
√𝑛
𝑆𝑑 𝑆𝑑
𝑃 {−𝑡𝛼⁄2 ̅ − 𝜇𝐷 ≤ 𝑡𝛼⁄
≤𝐷 } = 1−𝛼
2
√𝑛 √𝑛
̅
Restar 𝐷
𝑆𝑑 𝑆𝑑
̅ − 𝑡𝛼
𝑃 {−𝐷 ̅ + 𝑡𝛼
≤ − 𝜇𝐷 ≤ −𝐷 }=1−𝛼
⁄ 2 ⁄ 2
√𝑛 √𝑛
Multiplicando por -1
𝑆𝑑 𝑆𝑑
̅ − 𝑡𝛼
𝑃 {𝐷 ̅ + 𝑡𝛼
≤ 𝜇𝐷 ≤ 𝐷 }=1−𝛼
⁄2 ⁄ 2
√𝑛 √𝑛
𝛼
𝑃(𝑡 > 𝑡𝛼⁄2 ) = 2
𝑆𝑑 𝑆𝑑
̅ − 𝑡𝛼⁄
(𝐷 , ̅ + 𝑡𝛼⁄
𝐷 )
2 2
√𝑛 √𝑛
𝑆𝑑
̅ ± 𝑡𝛼
𝐷 ⁄ 2 √𝑛
𝑆𝑑
̅ es
El error estándar de 𝐷
√𝑛
Si se extrae una muestra de tamaño n de una población normal con varianza 𝜎 2 , y se calcula
la varianza muestral 𝑠 2 se obtiene un valor de la estadística 𝑆 2 . La varianza muestral
calculada se usará como estimación puntual de 𝜎 2 , entonces el intervalo de confianza para
la varianza poblacional 2 al nivel de confianza del 100(1-α)% viene dado por:
27
ESTADISTICA II – DISTRIBUCIONES MUESTRALES PROF. JULIA MARCANO – 2014
2 2 2
𝑃 {𝜒1−𝛼⁄ ≤ 𝜒 ≤ 𝜒𝛼⁄ } = 1 − 𝛼
2 2
Por lo tanto
2
(𝑛 − 1)𝑆 2
𝑃 {𝜒1−𝛼⁄ ≤ ≤ 𝜒𝛼2⁄ } = 1 − 𝛼
2 𝜎2 2
2
𝜒1−𝛼⁄ 1 𝜒𝛼2⁄
2 2
𝑃{ ≤ 2 ≤ } =1−𝛼
(𝑛 − 1)𝑆 2 𝜎 (𝑛 − 1)𝑆 2
(𝑛 − 1)𝑆 2 (𝑛 − 1)𝑆 2
𝑃{ 2 ≥ 𝜎2 ≥ }=1−𝛼
𝜒1−𝛼⁄ 𝜒𝛼2⁄
2 2
(𝑛 − 1)𝑆2 (𝑛 − 1)𝑆2
( , )
𝜒21−𝛼⁄ 𝜒2𝛼⁄
2 2
28
ESTADISTICA II – DISTRIBUCIONES MUESTRALES PROF. JULIA MARCANO – 2014
(𝑛 − 1)𝑆 2 (𝑛 − 1)𝑆 2
𝑃{ ≤ 𝜎2 ≤ }=1−𝛼
𝜒𝛼2⁄ 2
𝜒1−𝛼⁄
2 2
𝜒𝛼2⁄ y 𝜒1−
2 2
𝛼⁄ son valores 𝜒 con 𝜗 = 𝑛 − 1 grados de libertad.
2 2
De dos poblaciones con distribución normal y varianzas poblacionales 𝜎12 y 𝜎22 se toman
dos muestras aleatorias independientes de tamaños n 1 y n2.
𝜎2
Una estimación para el intervalo de 𝜎22 se obtiene mediante el uso de la estadística F de
1
Snedecor.
𝑆12 𝜎22
𝐹= 2 2
𝑆2 𝜎1
𝑆12 𝜎22
𝑃 {𝐹1−𝛼⁄2 ,(𝜗1 ,𝜗2 ) ≤ ≤ 𝐹𝛼⁄2 ,(𝜗1 ,𝜗2 ) } = 1 − 𝛼
𝑆22 𝜎12
Por lo tanto
29
ESTADISTICA II – DISTRIBUCIONES MUESTRALES PROF. JULIA MARCANO – 2014
𝑆12 𝜎22
𝑃 {𝐹1−𝛼⁄2 ,(𝜗1 , 𝜗2 ) ≤ ≤ 𝐹𝛼⁄2 ,(𝜗1 , 𝜗2 ) } = 1−𝛼
𝑆22 𝜎12
𝑆2
Multiplicado por por 𝑆22
1
Se reemplaza
Se obtiene
𝑆12 1 𝑆12
( , 𝐹𝛼 𝜗1 ) )
𝑆22 𝐹𝛼
⁄2 ,(𝑛1 −1, 𝑛2 −1) 𝑆22 ⁄2 ,(𝜗2,
30
ESTADISTICA II – DISTRIBUCIONES MUESTRALES PROF. JULIA MARCANO – 2014
31
ESTADISTICA II – DISTRIBUCIONES MUESTRALES PROF. JULIA MARCANO – 2014
32
ESTADISTICA II – DISTRIBUCIONES MUESTRALES PROF. JULIA MARCANO – 2014
33
ESTADISTICA II – DISTRIBUCIONES MUESTRALES PROF. JULIA MARCANO – 2014
٧ α
0.1 0.05 0.025 0.01 0.005
34