A Rial Resumenes y Ejemplos

UNED. CENTRO ASOCIADO DE LAS PALMAS.
ESTADSTICA EMPRESARIAL.
Ana M Ramrez Anaya

1

TEMA 1
VARIABLES ALEATORIAS Y SUS DISTRIBUCIONES

1. VARIABLE ALEATORIA UNIDIMENSIONAL.

Una variable aleatoria es una funcin que asigna un valor numrico a cada suceso
elemental del espacio muestral.
Podemos encontrar variables aleatorias de dos tipos: discretas y continuas.
Decimos que una variable aleatoria es discreta si toma un nmero finito o infinito,
pero numerable de valores. Ser continua si puede tomar un nmero infinito no
numerable de valores, o tomar valores en uno o ms intervalos de la recta real.

1.2. DISTRIBUCIN DE PROBABILIDAD DE VARIABLES ALEATORIAS
DISCRETAS.

1..1. DISTRIBUCIN DE PROBABILIDAD, FUNCIN DE PROBABILIDAD O
FUNCIN DE CUANTA.

Es una funcin que llamaremos P(x) y que asigna las probabilidades con la que la
variable aleatoria toma los posibles valores, de tal forma que las probabilidades
verifiquen:

1
0 ( ) 1 1, 2, 3,...,
( ) 1
i
r
i
i
P x i r
P x
=
=
=

Por lo tanto la probabilidad no puede ser negativa y para todos los valores posibles los
sucesos son excluyentes y exhaustivos( Significa que de todos ellos slo debe de
ocurrir uno y no pueden ocurrir dos de forma simultnea).

1..2. FUNCIN DE DISTRIBUCIN.

Una variable aleatoria queda definida cuando conocemos su campo de
variacin y el conjunto de probabilidades con que toma valores en ese campo.
La probabilidad del suceso ( ] ; X x recibe el nombre de funcin de
distribucin de la variable aleatoria y la denominaremos ( ) ( ) F x P X x = . La
funcin de distribucin, por definicin no puede ser negativa, al ser una
probabilidad, ni decreciente, ya que es acumulativa. Adems, por ser una
probabilidad, est acotada 0 ( ) 1 F x .
1..2.1. PROPIEDADES.

a) ( ) 0 ( ) 1 F F = + =
b)
1 2 2 1
( ) ( ) ( ) P x X x F x F x =
c) La funcin es montona no decreciente.
d) La funcin es continua por la derecha.

Ana M Ramrez Anaya

2

1.2. DISTRIBUCIN DE PROBABILIDAD DE VARIABLES ALEATORIAS
CONTINUAS.

1.2.1 FUNCIN DE DENSIDAD.

Si X es una variable aleatoria de tipo continuo y se verifica:

( ) 0
( ) 1
f x
f x dx
+

diremos que ( ) f x es la funcin de densidad de la variable aleatoria continua.
Grficamente representa la curva lmite correspondiente al histograma de
frecuencias relativas.
En el caso continuo la suma de densidades de probabilidad o rea bajo la
curva ( ) f x es igual a la unidad.
Como en el caso continuo no existen las probabilidades puntuales
( ) 0 P X a = = entonces ( ) ( ) P a X b P a X b = < <

1.2.1 FUNCIN DE DISTRIBUCIN
( ) ( ) ( )
x
F x P X x f x dx
= =
y representa el rea limitada por la curva

funcin de densidad y a la izquierda de la recta X x =

La funcin de distribucin conduce a la probabilidad a travs de una longitud,
mientras que si utilizamos la funcin de densidad el valor es el mismo pero
expresado como un rea.

1.2.1 DISTRIBUCIN SIMTRICA.

Se dice que una distribucin es simtrica respecto de un punto c si se verifica:
( ) ( ) P X c x P X c x x = +
Diremos que es simtrica respecto del punto cero si: ( ) ( ) f x f x =
(ver problemas 1 y 2)

2. VARIABLE ALEATORIA BIDIMENSIONAL

2.1.. DISTRIBUCIN DE PROBABILIDAD BIDIMENSIONAL.

Podemos encontrarnos con los dos casos ya mencionados, discretos y continuos.

En el caso discreto:
Distribucin de probabilidad conjunta:
1 1
0 ( , ) 1 ( , ) 1
r s
i j
P x y P x y =

Funcin de distribucin conjunta:
( ) ( , ) ; ( ; )
i j
F x y P X x Y y P X x Y y = = = =

En el caso continuo:
Ana M Ramrez Anaya

3

Funcin de densidad bidimensional:
( , ) 0
( , ) 1
+
- -
f x y - x y
f x y dxdy
+

< < + < < +
=

Funcin de distribucin bidimensional:
( , ) ( ; ) ( , )
x y
F x y P X x Y y f x y dxdy

= =

2.1.1 DISTRIBUCIONES MARGINALES.
Cuando queremos conocer por separado la distribucin de alguna o de ambas
variables partiendo de la informacin que nos da la distribucin conjunta.

CASO DISCRETO.

Distribucin de probabilidad marginal.
. ( ) ( ; )
. ( ) ( ; )
j
i
i i i j
y
j j i j
x
P P x P X x Y y
P P y P X x Y y
= = = =
= = = =

Funcin de distribucin marginal.
1
2
( ) ( , ) .
( ) ( , ) .
i
j
F x P X x Y P
F y P X Y y P
= < =
= < =

CASO CONTINUO.

Funcin de densidad marginal.
1
2
( ) ( , )
( ) ( , )
f x f x y dy
f y f x y dx
+
=
=

Funcin de distribucin marginal:
1 1
2 2
( ) ( )
( ) ( )
x
y
F x f x dx
F y f y dy
=
=

2.1.. DISTRIBUCIONES CONDICIONADAS.
Cuando nos interesa conocer cmo se distribuye una de las variables cuando se
imponen condiciones a la otra.

CASO DISCRETO.
Distribucin de probabilidad condicionada.
( ) ( )
( ; )
( ) 0
( ) .
ij
p
P X x Y y
x X x
P P siempre que P y y
y Y y
P Y y P j
= =
=
= = = = >
=
=

Funcin de distribucin condicionada.
Ana M Ramrez Anaya

4

( ) ( )
( , )
( )
P X x Y y
x X x
F P
y Y y
P Y y
= =
= =
=
=

CASO CONTINUO.

Funcin de densidad condicionada.
( )
( )
2
2
1
1
( , )
( ) 0
( )
0
( , )
( ) 0
( )
0
f x y
f y
x
f y f
y
en el resto
f x y
f x
y
f x f
x
en el resto
>
>

Funcin de distribucin condicionada.
( ) ( )
( ) ( )
2
1
( , )
( )
( , )
( )
x
x
y
y
f x y dx
x x
F f dx
y y
f y
f x y dy
y y
F f dy
x x
f x
= =
= =

2.1.. Independencia de variables aleatorias.

Se dice que dos variables aleatorias son independientes si y slo si se verifica que
la funcin de distribucin conjunta es igual al producto de sus distribuciones
marginales:

1 2
( , ) ( ) ( ) F x y F x F y =
Si las variables son discretas ( , ) ( ) ( )
i j
P x y P x P y =
Si las variables son continuas
1 2
( , ) ( ) ( ) f x y f x f y =

(ver problemas 3, 4 y 5)

TEMA 1. PROBLEMAS

1. En un dado trucado, la variable aleatoria puntuacin tiene la siguiente distribucin
de probabilidad.

x
i
1 2 3 4 5 6
P(X=x
i
) 0,10 0,40 0,10 0,20 0,05 0,15

Hallar la funcin de distribucin.
Ana M Ramrez Anaya

5

( ) ( )
( 1) 0,10
( 2) 0,10 0, 40 0, 50
( 3) 0,10 0, 40 0,10 0, 60
( 4) 0,80
( 5) 0,85
( 6) 1
i
F x P X x
P X
P X
P X
P X
P X
P X
=
=
= + =
= + + =
=
=
=

2. Se ha comprobado que un gran nmero de fenmenos fsicos tienen asociada una
variable aleatoria cuya funcin de densidad es:

0 0
( )
0
kx
Ke si x k
f x
en el resto
< < >

=

Se pide:
a) Qu valor puede tomar k.
b) P(X>10)
c) P(50<X<100)

Para que ( ) f x sea funcin de densidad se ha de cumplir que ( ) 1 f x dx
+
en este
caso
[ ]
0
0 0
1 1 1
1 1 1
0 1 1 1 1
kx kx
k k
Ke dx k e
k e e

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

Entonces k puede tomar cualquier valor mayor que cero.

10
10
10
100
100
100 50 50 100
50
50
1 1 1
( 10)
1 1 1 1 1 1
(50 100)
kx
kx k
kx
kx k k k k
P X Ke dx k
k e e
P X Ke dx k
k e e e e e
| | (
> = = =
|
(
\
| | ( (
< < = = = =
|
( (
\

3. Dada la variable aleatoria bidimensional ( ; ) X Y cuya distribucin viene dada por:
2 2
1
( )
2
0 0
( , )
0
x y
xye x y
f x y
en el resto
+

Calcular : ( 3; 1) P X Y ; Distribucin marginal de X e Y; ver si son
independientes.
Ana M Ramrez Anaya

6

a)
2 2 2 2
1 1 1
( ) 3 1 3 1
2 2 2
0 0 0 0
( 3, 1)
x y x y
P X Y xye dxdy xe dx ye dy
+
= =

hacemos un
cambio de variables
2
1
0 0
2
1
1
2
y t Si y t
ydy dt y t
= = =
= = =

2 2 2 2
1 1 1 1 1 1 1
3 3 3 3
0
2 2 2 2 2 2 2
0 0 0 0 0 0
1
1
x x x x
t t
xe dx e dt xe dx e xe dx e e xe dx
e

(
| |
( = = + =
( |

\

volvemos ha hacer un cambio de variables
2
1
0 0
2
9
3
2
x t x t
xdx dt x t
= = =
= = =

2
1 9 9
3
2 2 2
0 0 0 9
9
1 1 1 1 1
1 1 1 1 1
1 1
1 1
x
t t
xe dx e dt e
e e e e
e
e
e

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

\ \ \ \
\
| |
| |
=
|
|
\
\

b)
2 2 2 2 2
2 2 2 2 2
1 1 1 1
( )
2 2 2 2
1
0 0
1 1 1 1
( )
2 2 2 2
2
0 0 9
1
( ) 1
1
( ) 1
x y x y x
x y y x y
f x xye dy xe ye dy xe
e
f y xye dx ye xe dx ye
e
+
+
| |
= = =
|
\
| |
= = =
|
\

c)Debe cumplirse
1 2
( , ) ( ) ( ) f x y f x f y =
2 2 2 2
1 1 1
( )
2 2 2
9
1 1
1 1
x y x y
xye xe ye
e
e
+ | |
| |

|
|
\
\
Por lo tanto no son independientes.

4. Una empresa se dedica a la fabricacin de un producto X y otro accesorio Y. La
demanda de ambos productos tiene una funcin de densidad conjunta:
( , ) 2 2 ;
2
x
f x y xy para x y = Se pide: ( 1) P X , Si la demanda
de X = 15, hallar la probabilidad de que la demanda de 0' 5 Y . Ver si son
independientes.

X 0 2
Y 0 1

Observamos que aunque el campo de variacin viene de - hasta 2, la funcin
de demanda de un producto parte de 0. (no existe una demanda negativa)
Ana M Ramrez Anaya

7

En primer lugar hallamos las funciones de densidad marginal.
3
2 2
2
1
0
0
2
2 2
3
2
2
2
( ) 2 2 0 2
2
4
( ) 2 2 4( ) 0 1
2
x
x
y
y
x
y
f x xydy x si x
x
f y xydx y y y si y
(
= = = < <
(

(
= = = < <
(

a)
1
4
1 3
1
0
0
1
1
( 1) ( )
4 4
4 16
x
x
P X f x dx dx
+
(
= = = =
(

b)
( )
( )

( )

3 2
1
2
0' 5
2
0' 5
0
0
( , ) 2 8
0
2
( )
4
8
3' 55 0 0' 75
1' 5
(1' 5)
0' 5
3' 55 3' 55 0' 44
1' 5 2
f x y xy y
x Y
P y
X
f x x x
y
Y
P y y
X
y
Y
P ydy
X
= = =
= =
=
(
= = =
( =

c)
1 2
( , ) ( ) ( ) f x y f x f y =
3
3
2 4( )
4
x
xy y y No son independientes.

5. Dada la siguiente distribucin bidimensional discreta, hallar la distribucin marginal
de X e Y, La distribucin condicionada de X cuando Y = 2, la distribucin
condicionada de Y cuando X = 5

Y 5 10 15 p.j
1 025 015 032 072
2 01 005 013 028
pi. 035 020 045 1

La distribucin marginal de X ser:
X 5 10 15
P
i
. 035 02 045

La distribucin marginal de Y ser:

Y 1 2
p.j 072 028

La distribucin condicionada de X cuando Y = 2
P(X/Y=2)
036
018
046
Ana M Ramrez Anaya

8

( )
( )
( )
( 5, 2) 0'1
5
0' 36
2
( 2) 0' 28
( 10, 2) 0' 05
10
0'18
2
( 2) 0' 28
( 15, 2) 0'13
15
0' 46
2
( 2) 0' 28
P x y
X
P
Y
P y
P x y
X
P
Y
P y
P x y
X
P
Y
P y
= =
=
= = =
=
=
= =
=
= = =
=
=
= =
=
= = =
=
=

La distribucin condicionada de Y cuando X = 5

( )
( )
( 1, 5) 0' 25
1
0' 714
5
( 5) 0' 35
( 2, 5) 0'1
2
0' 285
5
( 5) 0' 35
P y x
Y
P
X
P x
P y x
Y
P
X
P x
= =
=
= = =
=
=
= =
=
= = =
=
=

6. Dada una distribucin bidimensional (X,Y) con una funcin de densidad
( )
( , ) 0; 0
x y
f x y e x y
+
= > > Hallar: distribucin marginal de X e Y. Distribucin de Y
condicionada por X = a; distribucin de X condicionada por Y = b.

( )
1
0 0 0
0
( )
2
0 0 0
0
1 1
( ) ( , ) 1
1
( ) ( . )
x y x y x x
y
x
x y y x y y
x
f x f x y dy e dy e e e e
e
e
f y f x y dx e dx e e e e
e

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

\
=
| |
( = = = = =
|

\

Observamos en este caso que s son independientes

1 2
( )
( , ) ( ) ( )
x y x y
f x y f x f y
e e e
+
=
=

( )
( )
( )
1
( )
2
( , )
( )
( , )
( )
a y
y
a
x b
x
b
f x y e
Y
f e
X a
f x e
f x y e
X
f e
Y b
f y e
+
= = =
=
= = =
=

TEMA 2.

CARACTERSTICAS DE LAS VARIABLES ALEATORIAS.

1. VALOR ESPERADO O ESPERANZA MATEMTICA.

En el caso discreto representa la media ponderada de los posibles valores que
puede tomar la variable aleatoria X.
En el caso continuo representa el centro de la funcin de densidad.
Para ambos casos es necesaria la condicin de convergencia absoluta, es decir
que tengan un valor finito.

P(Y/X=5)
0714
0285
Ana M Ramrez Anaya

9

1 CASO DISCRETO ( ) ( )
i i
i
E X x P x =

CASO CONTINUO
[ ] ( ) E X xf x dx
+

PROPIEDADES:
- La esperanza de una constante es la propia constante.
- Si la variable aleatoria est acotada ( ) a X b a E X b
- ( ) ( ) ( ) E a b E a E b + = +
- ( ) ( ) E kX kE X =
- Si tenemos dos funciones [ ] [ ] ( ) ( ) ( ) ( ) g X H X E g X E h X
- Si X es una variable aleatoria con distribucin simtrica respecto a un
punto c, entonces si existe su esperanza ( ) E X c =

2. VALOR ESPERADO DE UNA FUNCIN DE UNA VARIABLE ALEATORIA.

En este caso se calcula el valor esperado de una funcin, a diferencia del caso
anterior en el que se calcula el valor esperado de una variable.

CASO DISCRETO [ ] ( ) ( ) ( )
i i
i
E g x g x P x =

CASO CONTINUO
[ ] ( ) ( ) ( ) E g x g x f x dx
+

(ver problemas)

3. MOMENTOS

- CON RESPECTO AL ORIGEN

( )
r
r
E X r =1,2,3,...,n =

( )
( )
( )
r
i i
i r
r
r
x P x
E X
x f x dx
= =

- CON RESPECTO A LA MEDIA O MOMENTO CENTRAL

[ ]
( ) 2, 3,....,
r
R
E X E X r n
(
= =

[ ]
[ ]
[ ]
( ) ( )
( ) ( )
( ) ( )
r
i i i
r
r
r
x E x P x
E X X
x E X f x dx
(
= =

Importante:
1
( ) E X x = = =
2 2
2 2 1
( ) = =

4. VARIANZA
Ana M Ramrez Anaya

10

Es el momento central o con respecto a la media de orden dos. Es una medida de
dispersin absoluta de los valores de la distribucin con respecto a su media, nos
indica cmo representa la media a la distribucin. Como la varianza se encuentra
representada en una unidad distinta a la media, se introduce la desviacin tpica
2
=
La varianza est influenciada por el tamao de los valores que toma y por la
media.
PROPIEDADES
-
2 2
2 2 1
( ) = =
- La varianza de una constante es cero.
-
2
( ) ( ) V kX k V X =
-
2
( ) ( ) 0 V kX B k V X + = +
- Si X e Y son dos variables aleatorias independientes, cuyas varianzas existen,
entonces se verifica: ( ) ( ) ( ) V X Y V X V Y = +
- La varianza nunca es negativa.

5. COEFICIENTE DE VARIACIN.

Para eliminar la influencia que tiene la media con respecto a la varianza, se utiliza
otra medida de dispersin, esta vez relativa, que expresa la dispersin de una
variable aleatoria respecto a su media. Con el coeficiente de variacin podemos
comparar dos distribuciones distintas de probabilidad.
. . CV

=
El coeficiente no tendr sentido, cuando la variable aleatoria X tome valores
positivos y negativos( la media puede quedar compensada), slo cuando tome
valores positivos.

6. CAMBIOS DE ORIGEN Y ESCALA.

A veces es necesario para facilitar los clculos, realizar cambios de origen y
escala. Si desplazamos los valores de una variable X en O
T
unidades del eje.

T
T X O =
( ) ( )
T T X T
E T E X O O = =

Si realizamos un cambio de escala e>0
T
X O
Y
e
=
1
( ) ( )
T
T
X T
Y
X O
E Y E E X O
e e
O
e
(
= =
(

=
Por lo tanto la media se ver afectada ante
cambios de origen y escala.
Con respecto a la varianza:
2
2
2 2
1
( )
T X
Y
X O
V V X
e e e
| |
= = =
|
\

Por lo tanto no le afectan los cambios de origen, pero s los de escala.

Ana M Ramrez Anaya

11

Con respecto al coeficiente de variacin:
X
Y X
Y
X
Y X
e
CV
O
O
e

= = =

Por lo tanto no le afectan los cambios de escala, pero s los de origen.
( Exceptuando que O
T
= 0)
(ver problema 6)

7. TIPIFICACIN DE UNA VARIABLE

Las distribuciones poseen en general distintas medidas de posicin y de
dispersin. Puede ocurrir que muchas distribuciones sean anlogas, o sea, slo se
diferencian en sus orgenes o en sus escalas.
Cuando queremos comparar estas distribuciones debemos hacerlas homogneas,
a travs de la normalizacin o tipificacin.

X
Z

= (0,1) N
Es necesario que 0 > . Z no tiene asociada ninguna medida, con lo que puede
compararse con otras variables tipificadas.
(ver problema 7)

8. OTRAS MEDIDAS DE POSICIN Y DISPERSIN.

Cuantiles: mediana, cuartiles, deciles, percentiles.

( ) ( ) 1
) ( )
q q
q q
P X x q P X x q caso discreto.
P(X x q F x q caso continuo

= =

0 1 q
Moda: ser aquel valor de la variable para el cual la funcin de probabilidad o la
funcin de densidad se hace mxima. '( ) 0 ''( ) 0
o o
f M f M = <
Desviacin absoluta media respecto a la mediana.
( )
e e
E X M x M f x dx
+
( =

Recorrido intercuartlico.
3 1 Q
R Q Q = dentro de este intervalo intercuartlico se
encuentran el 50% de los valores centrales de la variable, prescindiendo del
25% de los valores ms pequeos y el 25% de los valores ms grandes.

9. MEDIDAS DE FORMA

Coeficiente de asimetra de Fisher:
1
3
1 1 3
1
0
0
simetrica
asimetrica negativa
asimetrica positiva
=
= <
>

Coeficiente de curtosis o apuntamiento:

4
2 4
3
=
2
2
2
0
0
0
mesocurtica o normal.
platicurtica
leptocurtica
=
<
>

Ana M Ramrez Anaya

12

10. TEOREMA DE MARKOV Y DESIGUALDAD DE CHEBYCHEV

Se utilizan cuando conocemos la media y varianza de una distribucin
desconocida y queremos calcular cotas superiores de ciertas probabilidades o la
probabilidad para algn intervalo relativo a la media.

Teorema de Markov: Sea X una variable aleatoria no negativa ( 0) 1 P X =
cuya media existe. Para cualquier k>0
( )
( )
E X
P X k
K

Desigualdad de Chebychev: Sea X una variable aleatoria con media
conocida y varianza finita; para cualquier k > 0

2 2
1 P X k P X k
k k

( < (

[ ] [ ]
[ ]
2
2
1
P X k P X k P X k
k
P k X k
k

( = + +

< < +

Si k crece, la probabilidad de que X se encuentre fuera del intervalo es menor.
La cota de probabilidad es la misma para cualquier variable aleatoria, ya que
slo depende de k. Y la amplitud del intervalo depende de la .
Para una menor, disminuye la amplitud del intervalo para una misma
probabilidad.
Para una mayor aumenta la amplitud del intervalo para una misma
probabilidad.

Si hacemos k = para cualquier 0 > la desigualdad resulta:

[ ]
2
2 2 2
2
1
1
1
P X
P X
( =

< < +

(ver ejercicios)

11. FUNCIN GENERATRIZ DE MOMENTOS

Se utiliza para calcular los momentos de la distribucin de una variable aleatoria, y
para obtener la distribucin de una funcin de variables aleatorias. Sea t un
nmero real, la funcin generatriz de X ser:
( ) ( )
tx
X
g t E e =
CASO DISCRETO ( ) ( )
i
tx tx
i
E e P x e =

la serie debe ser convergente
k

k +
Ana M Ramrez Anaya

13

CASO CONTINUO ( ) ( )
tx tx
E e e f x dx
+
la integral debe ser convergente

Teorema de la unicidad de la funcin generatriz.
Si la funcin generatriz existe, es nica y determina la distribucin de probabilidad
de la variable aleatoria.
Si dos variables tienen la misma funcin generatriz, entonces tienen la misma
distribucin de probabilidad y viceversa.
(ver ejercicios)

12. VALOR ESPERADO DE UNA V.A BIDIMENSIONAL.

CASO DISCRETO ( ) , ( , ) ,
i j i j
E g X Y g x y P X x Y y ( = = = (

CASO CONTINUO ( , ) ( , ) g x y f x y dxdy
+ +

Tanto la serie, como la integral deben ser absolutamente convergentes.

Propiedades.
Rigen las mismas propiedades que para el caso unidimensional.
Si X e Y son variables independientes, cuyos valores esperados existen,
entonces
[ ] ( ) ( ) E XY E X E Y =

13. MOMENTOS DE UNA V.A BIDIMENSIONAL

Con respecto al origen 0,1, 2....
r s
rs
E X Y r ( = =

Con respecto a la media
( ) ( )
, 0,1, 2....
r s
rs
E X X Y Y r s
(
= =
(

10
01
2
20
2
02
11
2
20 20 10
2
02 02 01
11 11 10 01
( )
( )
( )
( )
( )
( )
( )
( , )
X
Y
E X
E Y
E X
E Y
E XY
V X
V Y
Cov X Y

= =
= =
=
=
=
= =
= =
= =

14. COVARIANZA

Permite dar una medida de la fuerza de la relacin lineal entre las variables, aunque
al ser el producto de las unidades de dos variables aleatorias, esto hace difcil
determinar la fuerza de la relacin.

Cov(X;Y)>0 X aumenta, cuando aumenta Y o X disminuye cuando disminuye Y.
Ana M Ramrez Anaya

14

Cov(X;Y)<0 X disminuye cuando Y aumenta o X aumenta cuando Y disminuye.
Cov(X;Y)=0 cuando X e Y son independientes.

PROPIEDADES.
Si X e Y son dos variables aleatorias independientes, entonces Cov(X;Y) = 0.
No podemos decir que si la covarianza es nula entonces las variables son
independientes, ya que es posible que pares de variables dependientes tengan
covarianza cero, de la misma forma que si la covarianza es distinta de cero,
ello no implica que las variables sean dependientes.

Sean X e Y variables aleatorias, y tambin U aX V bY = = entonces:
( , ) ( ; ) Cov U V abCov X Y =
Cov(X;Y)= Cov(Y;X)
Cov(X;X) = V(X)
Cov(X,a) = 0
( , ) ( , ) ( ; ) ( ; ) Cov X Y Z Cov Z X Y Cov X Z Cov Y Z + = + = +
( ) ( ) ( ) 2 ( ; ) V X Y V X V Y Cov X Y = + En el caso de que las variables X e Y
fuesen independientes, entonces: ( ) ( ) ( ) V X Y V X V Y = +
Un cambio de origen, no afecta a la covarianza, aunque s le afecta los cambios
de escala.

15. COEFICIENTE DE CORRELACIN

Para eliminar el problema de tiene la covarianza como medida de la fuerza de la
relacin lineal entre las variables, si dividimos la covarianza por sus desviaciones
tpicas, estandarizamos dichas medidas, surgiendo as el coeficiente de correlacin
lineal.

11
20 02
( , )
xy
X Y
Cov X Y

= =
Propiedades:
Si las variables X e Y son independientes, el coeficiente de correlacin es nulo.
Si X e Y son variables aleatorias cuyas varianzas existen y son distintas de
cero, entonces: 1 1
XY

1
0
xy
relacion lineal perfecta. variables correlacionadas
No existe relacion lineal entre variables. Estan incorrelacionadas
>0 correlacion positiva
<0 correlacion negativa
=
=

El coeficiente de correlacin es invariante ante cambios de origen y escala.

16. FUNCIN GENERATRIZ

Caso discreto
1 2 1 2
1 2
( , ) ( , )
t X t Y t x t y
g t t E e e P x y
+ +
( = =

Caso continuo
1 2 1 2
1 2
( , ) ( , )
t X t Y t x t y
g t t E e e f x y dxdy
+ +
+ +

( = =

TEMA 3
ALGUNAS DISTRIBUCIONES DE TIPO DISCRETO.

Ana M Ramrez Anaya

15

1. DISTRIBUCIN UNIFORME DISCRETA.
Es la distribucin de una variable aleatoria discreta cuyos valores posibles son
equiprobables.

Funcin de cuanta
1
( ) ( )
0
i
i=1,2,..,n
P X P X x N
en el resto
= = =

Funcin de distribucin
1
( ) ( ) F X P X x
N
= =

2 Esperanza matemtica

1 1 1 1 1
( ) ( ) (1 2 3 ... )
2 2
i i i
n n
E X x P x x n n
N N N
+ +
= = = + + + + = =

Varianza
2
2
2
1 1 1
( )
12
i i
n
V X x x
N N
| |
= =
|
\

Funcin generatriz de momentos
1
( )
tx
x
g t e
N
=

(VER PROBLEMA 1)

2. DISTRIBUCIN DE BERNOUILLI.

Sea un experimento aleatorio que nicamente da lugar a dos posibles resultados,
que son mutuamente excluyentes y exhaustivos.
Suceso xito A
Suceso fracaso A

A A E
A A

Funcin de cuanta
1
( ) (1 ) 1, 2
x x
P X p p siendo x
= =
0 0
( ) 1 0 1
1 1
si x
F X p si x
si x
<
= <

Esperanza matemtica ( ) 0 ( 0) 1 ( 1) 0 (1 ) 1 E X P X P X p p p = = + = = + =
Varianza ( ) (1 ) V X p q p p = =
Funcin generatriz ( ) ( ) (1 )
i
tx t t
x i
g t e P x q pe p pe = = + = +

(ver problema 2)

Ana M Ramrez Anaya

16

3. DISTRIBUCIN BINOMIAL.

Este tipo de distribucin se da cuando se repite varias veces la prueba de
Bernouilli. La probabilidad de xito es ( ) P A p = que ser constante en todas las
repeticiones.
Se define la variable aleatoria Binomial X, como el nmero de xitos que tienen
lugar cuando se realizan n repeticiones de la prueba de Bernouilli.
( , ) X B n p

Funcin de cuanta ( ) ( ) (1 )
x n x
n
P X P X x p p
x
| |
= = =
|
\

0 0
( ) (1 ) 0
1 1
i n i
si x
n
F X p p si x n
x
si x
<
| |
= <
|
\

Esperanza matemtica
1 2
( ) ( .. ) ..
n
E X E x x x p p p np = + + + = + + + =
Varianza ( ) (1 ) (1 ) ... (1 ) (1 ) V X p p p p p p n p p = + + + =

3 Funcin generatriz
( ) ( ) (1 ) ... (1 ) (1 )
n
tx t t t
g t E e p pe p pe p pe ( ( ( = = + + + + = +

Propiedad reproductiva
Si tenemos dos variables aleatorias independientes X
1
y X
2
y se distribuyen segn
una B(n
1
,p) y B(n
2
, p), entonces la variable aleatoria X=X
1
+X
2
se distribuye segn
una B(n
1
+n
2
, p)

(ver problema 3)

4. DISTRIBUCIN DE POISSON.

En ciertos experimentos, el carcter aleatorio e independiente de los resultados se
obtiene en un intervalo de tiempo o en una regin especifica. Estos son los
experimentos de Poisson. En su origen este distribucin estaba determinada como
lmite de la distribucin Binomial en el caso de que n y p tenda a cero.
Tambin se la conoce como de los sucesos raros, ya que las probabilidades de
que la variable tome valores cada vez mayores decrecen de manera muy
acelerada, acumulndose entre muy pocos valores la mayora de la probabilidad,
dependiendo de .
( ) X P
Funcin de probabilidad ( ) ( )
!
x
P X P X x e
x

= = = siendo el nmero medio
de resultados que ocurren en un intervalo dado.

Ana M Ramrez Anaya

17

0 0
( ) ( )
1, 2,...
!
i
si x
F X P X x
e x
x

<
= =

=

Esperanza matemtica
0 0
( ) ( )
!
x
E X xP x x e
x
= = =

Varianza ( ) V X =
Funcin generatriz
( 1)
( )
t
e
g t e

=
3.2
3.2 Propiedad reproductiva

Si X
1
es P(
1
) y X
2
es P(
2
), entonces si X= X
1
+X
2
entonces la nueva variable
P(
1
+
2
)

(ver problema 4)

La distribucin Binomial se aproxima a la de Poisson cuando 30 n y 0'1 p
Binomial ( ) E X np =
Poisson ( ) E X =
En esta aproximacin se considera que la media np =
(ver problema 5)

TEMA 3. PROBLEMAS

1. Consideramos un dado perfecto en el que la probabilidad de cada cara es
1
6

Determinar la esperanza matemtica y la varianza.

2 2
1 6 1
( ) 3' 5
2 2
1 6 1
( ) 2' 917
12 12
n
E X
n
V X
+ +
= = =

= = =

2. Un agente de seguros realiza visitas a posibles clientes para contratar seguros
de vida. En el 60% de las visitas, se sabe que tiene xito. Definir la variable
aleatoria asociada a este experimento y obtener la esperanza y la varianza.

Suceso vende seguro A X = 1 contrata
Suceso no vende seguro A X = 0 no contrata

Ana M Ramrez Anaya

18

[ ]
2
2
2 2 2
2
( 1) ( ) 0' 6
( 0) ( ) 1 0' 6 0' 4
( ) 1 ( ) 0 ( ) 0' 6
( ) 0' 6 0' 4 0' 24
( ) ( ) ( )
( ) 0 0' 4 1 0' 6 0' 6
( ) 0' 6 (0' 6) 0' 24
P X P A
P X P A
E X P A P A
V X pq
V X E X E X
E X
V X
= = =
= = = =
= + =
= = =
=
= + =
= =

3. Tres personas lanzan al aire dos monedas cada una. Sea X, el nmero de
personas que obtienen dos caras. Determinar: funcin de cuanta, la tabla de
probabilidad, la esperanza, la varianza y la funcin generatriz.

Es una repeticin de un experimento aleatorio con dos posibles resultados ( cara o
cruz).

!
!( )!
n
m
m
m
C
n n m n
| |
= =
|
\
( , ) X B n p
existen doce posibles resultados al lanzar las monedas 3 12
cc
cx
xc
xx
=
3
(3, )
12
X B

3
3
3 3
3 3
( ) ( ) 1 0' 25 0' 75
12 12
r r
r r
f x P X r
r r
| | | |
| | | |
= = = =
| | | |
\ \
\ \

Tabla

0 3
1 2
2
3 0
3
(0) 0' 25 0' 75 0' 4219
0
3
(1) 0' 25 0' 75 0' 4219
1
3
(2) 0' 25 0' 75 0'1406
2
3
(3) 0' 25 0' 75 0' 0156
3
f
f
f
f
| |
= =
|
\
| |
= =
|
\
| |
= =
|
\
| |
= =
|
\

3
0
( ) 3 0' 25 0' 75
( ) ( ) 0 0' 4219 1 0' 4219 2 0'1406 3 0' 0156 0' 75
E X np
E X rP r
= = =
= = + + + =

Ana M Ramrez Anaya

19

( ) ( )
( )
2
3 3
2 2 2 2
0 0
2
( ) 3 0' 25 0' 75 0' 5626
( ) ( ) ( ) 0 0' 4219 1 0' 4219 2 0'1406 3 0' 0156
0' 75 0' 5625
V X npq
V X r P r rP r
= = =
(
= = + + +
(

=

( ) ( ) (0' 75 0' 25 )
t n t n
g t q pe e = + = + Si derivamos la funcin generatriz,
obtenemos los diferentes momentos.

0 0
'( ) 3(0' 75 0' 25 )(0' 25 )
'(0) 3(0' 75 0' 25 )(0' 25 ) 0' 75 ( )
t t
g t e e
g e e E X
= +
= + = =

4. El nmero medio de enfermos recibidos cada 10 minutos en un centro
sanitario, entre las 10 horas y las 15 horas es de 18. Calcular la probabilidad
de que entre las 12h40min y las 12h50min, haya: ningn enfermo, un enfermo,
dos enfermos, al menos dos enfermos, ms de dos enfermos.

0
1' 8
1'8
( 0) 0'1653
0!
P X e
= = =

1' 8
1' 8
( 1) 0' 2975
1!
P X e
= = =

2
1' 8
1' 8
( 2) 0' 2678
2!
P X e
= = =
[ ] ( 2) 1 ( 0) ( 1) 0' 5372 P X P X P X = = + = =
[ ] ( 2) 1 ( 0) ( 1) ( 2) 0' 2694 P X P X P X P X > = = + = + = =

5. Se sabe que el 1% de los artculos importados de un determinado pas tienen
algn defecto. Si tomamos una muestra de tamao 30 (artculos), determinar la
probabilidad de que tres o ms de ellos tengan algn defecto.

La distribucin es (30, 0' 01) B
3 27
( 3) ( 3) ( 4) ( 5) ...
30
( 3) 0' 01 0' 99 0' 0031
3
P X P X P X P X
P X
= = + = + = +
| |
= = =
|
\

4 26
5 25
30
( 4) 0' 01 0' 99 0' 0002
4
30
( 5) 0' 01 0' 99 0
5
P X
P X
| |
= = =
|
\
| |
= =
|
\

Las restantes son nulas.
( 3) 0' 0031 0' 0002 0' 0033 P X = +

Ana M Ramrez Anaya

20

Como 0'1 p y 30 n podemos aproximarla a travs de una distribucin de Poisson.

3
0 ' 3
4
0' 3
5
0 ' 3
30 0' 01 0' 3
( 3) ( 3) ( 4) ( 5) ...
0' 3
( 3) 0' 0033
3!
0' 3
( 4) 0' 0002
4!
0' 3
( 5) 0
5!
( 3) 0' 0035
np
P X P X P X P X
P X e
P X e
P X e
P X

= = =
= = + = + = +
= = =
= = =
= =

TEMA 4

ALGUNOS MODELOS DE DISTRIBUCIN DE TIPO CONTINUO.

I. DISTRIBUCIN UNIFORME

Aparece cuando una variable aleatoria toma valores equiprobables en un intervalo
finito. Su masa de densidad est uniformemente repartida en un intervalo ( ; ) a b
( , ) X U a b

Funcin de densidad:
1
( )
0
a x b
f x b a

Funcin de distribucin:
1
( ) ( )
x
x a
F x P X x dx a x b
b a b a
= = =

2
2
2
1
( )
2
1 ( )
( )
2 12
( )
( )
b
a
b
a
tb ta
a b
E X x dx
b a
a b b a
V X x dx
b a
e e
g t
t b a
+
= =
(
+ | |
= =
(
|
\
(

No cumple la propiedad reproductiva ( , ) ( , ) ( ; ) U a b U c d U a c b d + + +
(ver problemas 1 y 2)

II. DISTRIBUCIN NORMAL

Se da cuando en un fenmeno influye un nmero elevado de causas, independientes
entre s, y con efectos aditivo; teniendo cada una de estas causas un efecto
despreciable frente al conjunto total y siendo igualmente probables las desviaciones
positivas y negativas.
Ana M Ramrez Anaya

21

( , ) X N

Funcin de densidad.

2
1
2
1
( )
2
x
f x e x

| |
|
\
=
Existe un mximo en x =
Dos puntos de inflexin en x =
Es simtrica respecto a
( ) 0 f x
( ) 1 f x dx
+

A medida que la va tomando valores ms grandes (mayor dispersin) la curva
se ensancha y achata.
A medida que disminuye ( menor dispersin) los valores se concentran ms
en torno a la media, con lo que la curva se apunta ms y se estrecha.

Se dice que la variable aleatoria X sigue una distribucin normal tipificada, si
hacemos 0; 1 = =
2
1
2
1
( )
2
x
f x e x

=

3.2 Funcin de distribucin

2
1
2
1
( ) ( )
2
x
x
F x P X x e

| |
|
\
= =

2 2
2
1
2
( )
( )
( )
t t
E X
V X
g t e

+
=
=
=

Cumple la propiedad reproductiva:

( )
2 2 2
1 2 1 2 1 2
.. .. ; ..
n n n
X X X X N = + + + = + + + + + +
Ejemplo:
1 1 2
2 1 2
(6, 8) (6 7; 64 36) (13,10)
(7, 6) (6 7; 64 36) ( 1;10)
X N U X X N N
X N V X X N N
= + + +
= +

Para pasar de una ( ; ) N a una (0;1) N se tipifica
X
Z

=

Para determinar el signo de los valores de la abscisa:
Ana M Ramrez Anaya

22

3.3.1.1.1 Probabilidad 3.3.1.1 Suceso
> 05 <05 = 05
( ) P X a Negativa Positiva 0
( ) P X a Positiva Negativa 0

(ver problemas)

III. RELACIN ENTRE UNA BINOMIAL, POISSON Y NORMAL.

1. APROXIMACIN DE LA DISTRIBUCIN NORMAL A LA BINOMIAL.

Utilizamos el teorema de Moivre, siendo X una variable aleatoria Binomial, cuya
media es np y su desviacin tpica npq entonces cuando n la variable
aleatoria
(0,1)
X np
Y N
npq
=
Generalizando, podremos aproximar una distribucin Binomial a una normal,
cuando:

1
5
2
1
5
2
np p
nq p
>
> >

2. APROXIMACIN DE LA DISTRIBUCIN NORMAL A LA DE POISSON.

Aproximaremos una distribucin de Poisson a una normal, siempre que:
10 aunque algunos autores aceptan la aproximacin cuando 5 >
(ver problemas13 y 14)

Como al aproximar tanto una Binomial, como una Poisson, estamos pasando de
una distribucin discreta a una continua, debemos realizar una correccin de
continuidad:

1 1
( )
2 2
1 1
( )
2 2
1
( )
2
1
( )
2
P X x P x X x
P a X b P a X b
P X x P X x
P X x P X x
| |
= +
|
\
| |
+
|
\
| |
+
|
\
| |

|
\

IV. TEOREMA CENTRAL DEL LMITE

Ana M Ramrez Anaya

23

Para una muestra n suficientemente grande, si S
n
es la suma de n variables
aleatorias independientes que satisfacen ciertas condiciones generales, entonces
S
n
tiende hacia una distribucin normal.

2
( )
(0;1)
( )
( )
( )
n n
n
n
n
n
S E S
Y N
S
E S n
V S n
=
=
=
( ; )
n
S N n n

Se considera aceptable cuando n>30
(ver problema)

V. DISTRIBUCIONES ASOCIADAS A LA NORMAL

1. Distribucin
2
de Pearson.
Es una distribucin asociada a la suma de cuadrados de variables aleatorias
independientes y que siguen una distribucin normal.

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

Siendo su campo de variacin
2
0
n

Llamamos n a los grados de libertad y coinciden con el nmero de variables
normales e independientes que se utilizan.
Es una distribucin con forma asimtrica; a medida que aumenta n se va
haciendo ms simtrica.

Su funcin de densidad es:
1
2 2
2
1
( ) 0
2
2
n x
n
f x x e x
n

=
| |
|
\

2
2
2
( )
( ) 2
( ) (1 2 )
n
n
n
E n
V n
g t t
=
=
=

Cumple la propiedad reproductiva:
2
2 1 3
1 2 5
2
2 2
X
X X X
X
= +

Cuando n>30 se puede aproximar a una normal N(0;1)
(ver problemas)

2. Distribucin T de Student.

Sea U una variable aleatoria independiente que se distribuye segn una N(0;1);
y sea V una variable aleatoria que se distribuye segn una
2
n
entonces:
Ana M Ramrez Anaya

24

n
U
T T t
V
n
=
A medida que n aumenta, la distribucin t- Student tiende a una distribucin
normal N(0;1)
( ) 0 ( ) 2
2
n
E T V T n
n
= = >

es una distribucin simtrica respecto al origen (t = 0), siendo su
campo de variacin t
La variable aleatoria t-Student no depende de la varianza de las
variables normales e independientes que intervienen en ella.
Para valores grandes de n, las curvas de la distribucin tienden a la
curva normal tipificada N(0,1)
(ver problemas)

3. Distribucin F de Snedecor.

Se utiliza en problemas relacionados con la varianza.

( )
( )
2 2 2
2
1 2
,
2
2 2 2
1 2
1
..
1
( ..
m
m
m n
n
m m m n
X X X
n
m
F
m
X X X
n
+ + +
+ + +
= =
+ + +

estas variables son todas independientes entre s y normales.
La distribucin F- Snedecor no depende de la varianza de las variables x
i

que la componen.
Su campo de variacin es
,
0
m n
F

,
,
1
m n
n m
F
F
=

( ) 2
2
n
E F n
n
= >
es independiente de m
2
2
2 ( 2)
( )
( 4)( 2)
n m n
V F
m n n
+
=

n>4

(ver problemas)

4 TEMA 4. PROBLEMAS

1. El tiempo que tarda un alumno para ir de su domicilio a la facultad, vara entre
30 y 40 minutos. Diariamente debe llegar a clase a las 9 horas. Se pide: a) A
qu hora debe salir de su casa para tener una probabilidad de 080 de no llegar
tarde; b) Tiempo medio que tarda en ir a clase; c) Varianza.

La funcin de densidad es:
Ana M Ramrez Anaya

25

1 1
30 40
( ) 40 30 10
0
x
f x
(30, 40) X U
[ ] ( )
30
30
1 1 1
( ) 0' 80 0' 80 0' 80 30 0' 80
10 10 10
0' 80 10 30 38min
t
t
P X t dx x t
t
= = = =
= + =

debe salir de su casa a lasa 8 horas y 22 minutos, para no llegar tarde con una
probabilidad de 080.

b)
40
2
40
2 2
30
30
1 1 1
( ) (40 30 ) 35min
10 10 2 20
x
E X x dx
(
= = = =
(

c)Varianza
[ ]
40
2 2 3 40 3 3
30
30
2
2 2
1 1 1
( ) ( ) (40 30 ) 1.233' 33
10 30 30
( ) ( ) ( ) 1.233' 33 (35) 8' 33min
( ) 8' 33 2' 88min
E X x dx x
V X E X E X
X
= = = =
= = =
= =

2. Sea X una variable aleatoria que se distribuye de forma uniforme en el intervalo
3 9 x . Hallar: funcin de densidad, funcin de distribucin, Esperanza y
varianza.

1 1
3 9
( ) 9 3 6
0
x
f x

[ ]
3
3
1 1 3
( ) ( ) 3 9
6 6 6
x
x x
F X P X x dx x x
= = = =

9
2 9
3
3
9
2 2 3 9
3
3
2
1 1 72
( ) ( ) 6
6 12 12
1 1
( ) ( ) 39
6 18
( ) 39 (6) 3
E X x dx x
E X x dx x
V X
= = = =
= = =
= =

3. En una distribucin (0,1) N calcular .
( 1'85) P X >
( 1' 85) 1 ( 1' 85) 1 0' 9678 0' 032 P X P X > = < = =

( 1 1'85) P X

Ana M Ramrez Anaya

26

[ ]
( 1 1' 85) ( ) ( ) ( 1'85) ( 1) ( 1' 85)
1 ( 1) 0' 9678 (1 0'8413) 0' 8091
P X F b F a P X P X P X
P X
= = =
= =

4. Para una distribucin (5, 3) N calcular:
( 8) P X
( )
5 8 5
( 8) 1 0'8413
3 3
x
P X P P Z
| |
= = =
|
\

5 8 5
( 8) ( 8) 1 ( 8) 1 1 ( 1)
3 3
1 0' 8413 0'1587
x
P X P X P X P P Z
| |
= = = = =
|
\
= =

5. Hallar el valor de a en los siguientes casos:

( ) 0' 7324 0' 62
( ) 0' 0192 2' 07
( ) 0' 8485 1' 03
( ) 0' 2389 0' 71
P X a a
P X a a
P X a a
P X a a
= =
= =
= =
= =

6. Cules son los extremos del intervalo simtrico respecto a la media, que
contienen el 95% de las observaciones de ( ; ) N ?
[ ]
( ) 0' 95
( ) ( ) 0' 95 ( ) 1 ( ) 0' 95
0' 95 1
2 ( ) 1 0' 95 ( ) 0' 975
2
P a Z a
P Z a P Z a P Z a P Z a
P Z a P Z a
=
= =
+
= = =

Buscamos en las tablas el valor de a que nos da una probabilidad de 0975
( 1' 96) a =
Como
X
Z

= los extremos del intervalos sern:

1
2
1' 96
( 1' 96 1' 96 ) 0' 95
1' 96
x
P X
x

=
+ =
= +

7. Una variable aleatoria se distribuye segn una normal ( ; ) N calcular :
( ) P X +
Tipificando
X
Z

=
[ ]
( ) ( ) ( )
( 1 1) ( 1) ( 1) ( 1) 1 ( 1) 2 ( 1) 1
2 0' 8413 1 0' 6826
P Z P Z P Z
P Z P Z P Z P Z P Z P Z
+ + = + = =
= = = = =
= =

8. Sea una sucesin de variables aleatorias, independientes y distribuidas segn
una distribucin de Poisson de parmetro 2 = Se define la variable aleatoria
100
100
1
i
S x =

Hallar (190 210) P X
Ana M Ramrez Anaya

27

Como n = 100 podemos aproximar a una normal por el T.C.L
( ) 2
( ) 2 ( ) 2
( : ) (200;10 2)
E X
V X X
N n n N

= =
= = =
=

190 200 210 200 1 1
(190 210)
10 2 10 2 2 2
1 1 1 1 1
1 2 1
2 2 2 2 2
2 0' 7580 1 0' 516
P X P Z P Z
P Z P Z P Z P Z P Z
| | | |
= = =
| |
\ \
( | | | | | | | | | |
= = = =
( | | | | |
\ \ \ \ \
= =

9. Para un distribucin con 11 grados de libertad, calcular:

2 2 2
11;0' 05 11;0 ' 95 11;0' 75
( ) ( ) ( ) ( ) 0' 75 P X P X P X P X x =

2 2 2
11;0' 05 11;0 ' 95 11;0 ' 75
2
11;0 ' 25
( ) 4' 575 ( ) 19' 68 ( ) 13' 70
( ) 0' 75 1 ( ) 0' 25 7' 584
P X P X P X
P X x P X x

= = =
= = =

10. Obtener el valor de A que verifica para
2
9
X la relacin ( 5 ) 0' 75 P x A < =
2
2
( 5 ) (5 ) ( )
5
A
P x A P x A P X < = < = < para una probabilidad de 075 y 9
grados de libertad
2
11' 39 5 11' 39 7' 5465
5
A
A = =

11. En un distribucin t-Student con 15 grados de libertad, calcular:
( ) 0' 75 ( ) 0' 90 ( ) 0' 95 ( ) 0' 99 ( ) 0' 25
p p p p p
P T t P T t P T t P T t P T t = = = = =
( ) 0' 75 0' 691
( ) 0' 90 1' 341
( ) 0' 95 1' 753
( ) 0' 99 2' 602
( ) 0' 25 0' 691
p p
p p
p p
p p
p p
P T t t
P T t t
P T t t
P T t t
P T t t
= =
= =
= =
= =
= =

cuando p<05 como f(t) es una distribucin simtrica respecto al origen, los valores
t
p
sern negativos.

12. Para una variable distribuida segn una F- Snedecor con 10 y 15 grados de
libertad, calcular:
Ana M Ramrez Anaya

28

10,15 10,15
10,15 10,15
10,15 10,15
10,15 10,15
15,10;0' 90
10,15 10,15
15,10;0' 95
( ) 0' 90 2' 06
( ) 0' 95 2' 54
( ) 0' 99 3'80
1 1
( ) 0'10 0' 44
2' 24
1 1
( ) 0' 05 0' 35
2' 85
P X F F
P X F F
P X F F
P X F F
F
P X F F
F
= =
= =
= =
= = = =
= = = =

13. Una empresa dedicada a la fabricacin y venta de bebidas observa que el 40%
de los establecimientos que son visitados por sus vendedores realizan compras
de esas bebidas. Si un vendedor visita 20 establecimientos, determinar la
probabilidad de que por lo menos 6 de esos establecimientos realicen una
compra.
(20; 0' 4) X B
Observamos que: 5 0' 5 np p > en nuestro caso 8 5 0' 4 0' 5 np p = > =
Aproximando a una normal

20 0' 4 8
20 0' 4 0' 6 2'19
np
npq
= = =
= = =

[ ]
1
6 8
1 8 2' 5
2
( 6) 6 ( 1'14)
2 2'19 2'19 2'19
1 ( 1'14) 1 1 ( 1'14) ( 1'14) 0'8729
X
P X P X P P Z P Z
P Z P Z P Z
| |

|
| | | |
= = = = =
|
| |
\ \
|
|
\
= = = =

14. Un servicio dedicado a la reparacin de electrodomsticos en general, ha
observado que recibe cada da, por trmino medio 15 llamadas. Determinar la
probabilidad de que se reciban ms de 20 llamadas en un da.
(15) X P
Como 15 10 = aproximamos a una normal.

15
15 3' 87

= =
= = =

1
21 15
1
2
( 21) 21 ( 1' 42) 1 ( 1' 42)
2 3' 87
1 0' 9222 0' 0778
P X P X P Z P Z P Z
| |

|
| |
= = = = =
|
|
\
|
|
\
= =

TEMA 5.

MUESTREO Y DISTRIBUCIONES EN EL MUESTREO.

Ana M Ramrez Anaya

29

Muestra aleatoria.

Para saber qu modelo sigue una poblacin, nos basamos en una parte o subconjunto de sta, que
llamaremos muestra aleatoria.
Utilizaremos la informacin de la muestra para obtener conclusiones sobre las caractersticas
poblacionales. Dichas conclusiones sern inferidas a la poblacin.
La muestra que tomamos de la poblacin, est constituida por un subconjunto de observaciones
independientes e idnticamente distribuidas, de tamao n y que denominaremos muestra aleatoria
simple M.A.S.

Parmetros poblacionales y estadsticos muestrales.

Los parmetros poblacionales son las caractersticas numricas de la poblacin. El conocimiento del
parmetro permite describir parcial o totalmente la funcin de probabilidad.
Cuando no conocemos el parmetro, debemos estimarlo, a travs de los estadsticos muestrales, que
son funciones reales de variables aleatorias, que no contienen ningn valor o parmetro desconocido.
Como ejemplo de estadsticos tenemos:

Parmetros Estadsticos
Media
i
X
N
=

i
X
X
n
=

Varianza
2
2
( )
i
X
N

=

2
2
( )
1
i
X X
S
n
Por ser estimador

insesgado.
Proporcin
X
p
N
=
X
X
P
n
=

Recordemos que los estadsticos son variables aleatorias, y que tendrn por tanto, una cierta
distribucin de probabilidad.

Funcin de distribucin emprica.

La funcin de distribucin emprica tiene las mismas propiedades que la funcin de
distribucin de la variable aleatoria, lo que implica que cuando el tamao de la muestra
crece, la grfica de la funcin de distribucin emprica se aproxima bastante a la de la
funcin de distribucin de la poblacin, con lo que puede utilizarse como estimador de la
misma.

( )
( )
n
N x
F x
n
=
Siendo N(x) el nmero de valores observados menores o iguales que x.

Distribucin muestral de estadsticos.

Los estadsticos muestrales se calculan a partir de una muestra aleatoria, y como estos estadsticos
tambin son variables aleatorias, tendrn su distribucin de probabilidad. Esta distribucin depender
del tamao de la muestra.
Con esto se pone de manifiesto que existe diferencia entre la distribucin de la poblacin de la cual
se ha tomado la muestra y la distribucin de alguna funcin de esa muestra.

Ana M Ramrez Anaya

30

Media y varianza de algunos estadsticos.

2 2
2
2 2
( )
1
( )
( ) ( )
( )
C
E X
n
E S
n
V X X
n
n
E S por ser la cuasivarianza muestral estimador insesgado de la varianza
=
= =
=

( )
( )
2
2
2
2
E X
E X
n

=
=

La desviacin tpica de la media muestral es funcin decreciente del tamao de la muestra n. A
mayor n menor es la probabilidad de que la media muestral difiera de la media poblacional en una
cantidad fija.
Cuando 40 n esta disminucin se reduce. Por lo tanto, cuando utilizamos el estadstico media
muestral, no es conveniente tomar muestras demasiado grandes, ya que el coste no compensa la
escasa disminucin de la desviacin tpica.

Distribuciones de estadsticos muestrales de
poblaciones normales.

Distribucin de la media muestral.

Cuando se conoce la varianza poblacional:

Si tenemos una muestra aleatoria de tamao n procedente de una distribucin normal ( ; ) N entonces
la distribucin del estadstico ser:

,
x
X N
n n
| |
=
|
\

si tipificamos
(0,1)
X
Z N
n
=

Si la distribucin no es normal, basta que 30 n para que la media muestral sea normal, por el
Teorema Central del Lmite.

Cuando no se conoce la varianza poblacional

Calculamos la varianza muestral y la usamos como varianza poblacional (cuasivarianza)

Ana M Ramrez Anaya

31

1
30 (0,1)
30
n
X
n Z N
s
n
X
n T
s
n
t
< =

Distribucin de la varianza.

A partir de la definicin de la cuasivarianza muestral, obtenemos:
Cuando no se conoce la media poblacional.

2
2
2 2
2
2
2 2
2
1
( )
1
( 1) ( )
( )
( 1)
i
2
i
i
n
x x
S
n
n S x x dividimos todo por
x x
n S

Cuando se conoce la media poblacional.

2
2
2
( )
i
n
x

Estos estadsticos son independientes. Recordar que los grados de libertad, son los nmeros de
variables que integran, en este caso, el estadstico.

Distribucin de la proporcin muestral.

Sea una muestra aleatoria simple de tamao n procedente de una B(1, p)

,
( )
( )
X
X
x
X pq
P N p
n n
E P p
pq
V P
n
| |
=
|
|
\
=
=

Si tipificamos
(0,1)
X
P p
Z N
pq
n
= (ver problemas)

Resumen de distribuciones de estadsticos

Ana M Ramrez Anaya

32

2
2
2 2
2
2
2
2
1
2
1
, (0,1)
30 , (0,1)
( , )
30 ,
( )
( 1)
)
i 2
i
2
i
i
i
n
n
n
x
X
Si X N Z N
n
n
n
x
s X
n X N Z N
s
n
n
n
No
x
s X
N
n X N T
s
n
n
n
x x
n S
No
(x
Si
t

| |
= =
|
\

| |
= =

| |
< = =
|

\

TEMA 5. PROBLEMAS.

1. El nmero de libros encuadernados diariamente por una mquina automtica,
sigue una variable aleatoria cuya distribucin no se conoce, con una 16 =
libros por da. Si se selecciona una muestra aleatoria de 49 das, determinar la
probabilidad de que el nmero medio de libros encuadernados durante esos
das se encuentre a lo sumo a 3 libros de la verdadera media poblacional.

Hay que determinar la media poblacional, y conocemos: 49; 16 n = =
Como el tamao de la muestra es de 49 das, la distribucin se aproxima a una
normal por el T.C.L.
Usamos el estadstico media muestral: ( , )
x
X N
n n
y lo tipificamos,
obteniendo (0,1)
X
Z N
n
=
( ) ( )
( )
[ ]
3 3 3
3 3
1' 31 1' 31 ( 1' 31) ( 1' 31)
16 16
49 49
( 1' 31) 1 ( 1' 31) 0' 9049 (1 0' 9049) 0'8098
P X P X dividimos por
n
P Z P Z P Z P Z
P Z P Z
=
| |
|
= = = =
|
|
\
= = =

2. Con el ejemplo anterior determinar el tamao de la muestra para que la media
se encuentre a lo sumo a 3 libros de la media poblacional con una probabilidad
del 095.

Ana M Ramrez Anaya

33

( ) ( )
( )
3 3 3 0' 95
3 3
0'187 0'187 0' 95
16 16
P X P X dividimos por
n
P Z P n Z n
n n
= =
| |
|
= = =
|
|
\

Para una probabilidad de 095, en la tabla normal los puntos que corresponden son
1' 96
2
1' 96
0'187 1' 96 10' 48128 (10' 48128) 110
0'187
n n n = = = =

3. En una fbrica conservera se admite que la distribucin de pesos de las latas
de conserva es normal. El director comercial est muy interesado en que el
peso neto del producto incluido en el interior de las latas tenga poca
variabilidad, pues en ciertas ocasiones ha observado diferencias entre el peso
real y el anunciado en la etiqueta. Si se selecciona una muestra aleatoria de
25 latas, obtener los valores K
1
y K
2
, tales que:

2 2
1 2
2 2
0' 05 0' 05
S S
P K P K

| | | |
= =
| |
\ \

Si multiplicamos por (n-1) obtenemos el estadstico
2
2
2
1
( 1)
n
n S

2
2
1 24 1
2
( 1)
( 1) 0' 05 ( 24 ) 0' 05
n S
P n K P K
| |
= =
|
\
para 24 grados de
libertad y una probabilidad de 005 el valor ser 13848
1 1
24 13'848 0' 577 K K = =

Existe una probabilidad del 005 de que la varianza muestral difiera en un 0577 de
la varianza poblacional
2 2
( 0' 577 ) 0' 05 P S =
( )
( )
2
2
2 24 2 2
2
24 2 2 2
( 1)
( 1) 0' 05 24 0' 05
24 0' 95 24 36' 42 1' 517
n S
P n K P K
P K K K
| |
= =
|
\
= = = =

Existe una probabilidad de 095 de que la varianza muestral difiera en un 1517 de
la varianza poblacional.

4. Supongamos que el 30% de la poblacin de viviendas de un pas tienen ms
de una cuarto de aseo. Con el fin de obtener una informacin ms precisa se
toma una muestra aleatoria de tamao 400 viviendas. Obtener la probabilidad
de que la proporcin de viviendas de la muestra con ms de un aseo est
comprendida entre 025 y 032.
0' 3 ,
X
X pq
p P N p
n n
| |
= =
|
|
\

Ana M Ramrez Anaya

34

( )
[ ]
0' 25 0' 32
(0' 25 0' 32)
0' 25 0' 3 0' 32 0' 3
2'18 0' 873 ( 0' 873)
0' 3 0' 7 400 0' 3 0' 7
400
( 2'18) ( 0'873) 1 ( 2'18) 0'8078 1 0' 9854 0' 7932
X
x
P p p p
P P P
pq pq pq
n n n
P Z P Z P Z
P Z P Z P Z
| |
|
= =
|
|
\
| |

|
= = =
|

|
\
= = + =

TEMA 6

ESTIMACIN PUNTUAL.

I. INTRODUCCIN A LA INFERENCIA ESTADSTICA.

La inferencia estadstica consiste en el proceso de seleccin y utilizacin de un
estadstico muestral, a travs del cual, utilizando la informacin que nos da una
muestra, permite sacar conclusiones sobre caractersticas poblacionales.
La eleccin del estadstico, depende del parmetro a estimar. El valor del verdadero
parmetro ser desconocido y el objetivo ser estimar su valor, por eso al estadstico
se le denomina estimador.

II. EL PROBLEMA DE LA ESTIMACIN: ESTIMACIN PUNTUAL.

La estimacin estadstica se divide en dos grupos, la estimacin puntual y la
estimacin por intervalos.
En la estimacin puntual se obtiene un nico valor que ser utilizado como estimacin
del parmetro poblacional , pudindole asignar un valor sobre la recta real.
En la estimacin por intervalos, se obtienen dos puntos, definindose un intervalo
sobre la recta real. Este intervalo contendr con cierta seguridad el valor del parmetro
.

El estimador es un estadstico ( una variable aleatoria) y el valor de esta variable
aleatoria para una muestra concreta, ser la estimacin.

Parmetro poblacional Estimador
Media
i
x
X
n
= =

2
Varianza
2
2 2
( )
1
i
x x
S
n

= =

p Proporcin
X
x n exitos
p p
n n pruebas
= = =

(ver problema)

Ana M Ramrez Anaya

35

III. PROPIEDADES DE LOS ESTIMADORES.

a) Estimador insesgado y de varianza mnima. Cota de Cramer-Rao.

Se dice que un estimador es insesgado cuando no existe sesgo entre la esperanza
del estimador y el parmetro, o sea, la esperanza del estimador es el propio
parmetro.

( )
( )

0
E
Sesgo E

=
(
= =

Para obtener un estimador insesgado de varianza mnima, hay que determinar las
varianzas de todos los estimadores insesgados de y seleccionar el que posea la
varianza ms pequea. La cota de Cramer Rao permite obtener una cota inferior
de la varianza.

2
1
. .
( , )
C C R
Lnf x
n E

=
(

Siendo f(x,) la funcin de verosimilitud.

b) Estimador eficiente.

Un estimador es eficiente si se cumple que:
Es insesgado
E
(
=

Posee varianza mnima. Para calcular si el valor adquirido por la varianza es
mnimo, usamos la cota de Cramer-Rao.

c) Estimador Consistente.

Un estimador es consistente cuando su distribucin tiende a concentrarse
alrededor del verdadero valor del parmetro a medida que aumenta la muestra.

K K +

( )
0
n
P K
>
Cuando la muestra es suficientemente grande, la informacin que proporciona,
puede llegar a ser casi exacta a la poblacin, siendo el estimador coincidente
con el parmetro.

d) Estimador suficiente.

Un estimador es suficiente, si utiliza toda la informacin relevante contenida en la
muestra aleatoria. Utilizando el teorema de factorizacin de Fisher-Neyman.

i
T x =

Ana M Ramrez Anaya

36

(ver problemas)
TEMA 6. PROBLEMAS.

1. Las ventas de una muestra aleatoria de diez grandes establecimientos
comerciales, el da 5 de enero de 2002, fueron respectivamente: 16, 10, 8,12,
4, 6, 5, 4, 10, 5 u.m. respectivamente. Obtener estimadores puntuales dela
venta media, de la varianza de las ventas de todos los establecimientos
comerciales y de la proporcin de stos cuyas ventas fueron superiores a 5
u.m.

Venta media.

16 10 8 12 4 6 5 4 10 5
8
10
i
x
X
n
+ + + + + + + + +
= = = =

Varianza

( ) ( ) ( ) ( ) ( ) ( )
( ) ( ) ( ) ( )
2 2 2 2 2 2
2
2 2
2 2 2 2
( ) 16 8 10 8 8 8 12 8 4 8 6 8
1 9
5 8 4 8 10 8 5 8
15' 8
9
i
x x
S
n
+ + + + + +
= = = =
+ + + +
= =

Proporcin

6
0' 6
10
x
p
n
= = =

2. En una distribucin normal
( )
, 25 N se toman muestras aleatorias de
tamao 3, considerndose los siguientes estimadores de la media poblacional:

( )
1 2 3
3 1
1 2 3
0' 65 0' 25 0'10
2
1
3
A X X X
B X X
C X X X
= + +
=
= + +

Determinar cul de los tres estimadores es el mejor desde el punto de vista del
sesgo y de la eficiencia.

a) Insesgado.

[ ] [ ] [ ] [ ] [ ]
1 2 3
0' 65 0' 25 0'10 0' 65 0' 25 0'10 E A E A E X E X E X = = + + = + + =

[ ] [ ] [ ] [ ]
3 1
2 2 E B E B E X E X = = = =
[ ] [ ] ( ) [ ]
1 2 3
1 1
( ) ( )
3 3
E C E C E X E X E X = = + + = + + = (

Los tres son insesgados.

Ana M Ramrez Anaya

37

b) Eficiencia.

Para que sea eficiente debe ser insesgado y tener varianza mnima.

2 2 2
1 2 3 1 2 3
2 2
( ) (0' 65 0' 25 0'10 ) 0' 65 ( ) 0' 25 ( ) 0'10 ( )
0' 65 25 0' 25 25 0'10 25 12' 375
V A V X X X V X V X V X = + + = + + =
= + + =
2 2
3 1 3 1
( ) (2 ) 2 ( ) ( ) 2 25 25 125 V B V X X V X V X = = + = + =
( )
1 2 3 2
1 1 1 25
( ) 3 ( ) 3 25
9 9 3 3
V C V X X X V X = + + = = =

Obtenemos la cota de Cramer Rao

Como la distribucin es normal
2 2
2
( ) ( )
2 50
1 1
( , )
2 5 2
x x
f x e e

=
( )
2 2
( ) ( )
50 50
2 2
1 1
( , ) 1 5 2
5 2 5 2
( ) ( )
0 (5 2 )
50 50
x x
Lnf x Ln e Ln Ln e Ln Ln
x x
Lne L

( (
(
= = + = + ( (
(
( (

(
+ =
(

[ ]
( , ) 1 1
2( )( 1)
50 25( )
Lnf x
x
x
= =

( )
2
2
2 ( , ) 1 25
25 625 625
dLnf x x
E E E x

( (
= = =
(
(

1 25
. .
25
3
3
625
C C R = =

V(C)=C.C.R El estimador C es insesgado y eficiente.

3. En una distribucin de Poisson de parmetro y en muestras aleatorias
simples de tamao n, demostrar la suficiencia del estadstico
i
T x =

Por el teorema de factorizacin de Fisher-Neyman, si T es un estimador suficiente,
podemos descomponer la funcin de densidad conjunta de la muestra de la
siguiente forma:

1 2 1 2 1 2
( , ) ( , ) ... ( , ) ( , ) ( , ,.., )
n n
f x f x f x K T K x x x =

En la distribucin de Poisson:
1 2
1
1 2 1 2
1
( , ) ... ( , ) ...
! ! ! ! !.. !
i
n
x
x x x n
n
n n
e e e
f x f x e
x x x x x x

= =
Ana M Ramrez Anaya

38

Vemos que
n T
e

es una funcin que depende de y del estadstico T(recordar

que
i
T x =

) , y que
1 2 !
1
! !..
n
x x x
es una funcin que slo depende de las
variables x.
Por lo tanto T es suficiente.

4. Se toma una muestra aleatoria simple de tamao n de una poblacin ( , ) N
considerndose como estimador de la media la expresin
i
A K ix =

Determinar K para que el estimador sea insesgado.
Estudiar la consistencia si sabemos que la varianza del estimador es:

2
2 2 1
3 ( 1)
n
n n

+
+

(1) Insesgadez.
( ) ( )
1
(1 )
( )
2
n
i i
n n
E A E K ix K iE x K i K
+
= = = =

Para que el estimador sea insesgado se tiene que verificar que ( ) E A =
por lo tanto:
(1 ) 2
2 (1 )
n n
K K
n n

+
= =
+

El estimador ser insesgado si
2
(1 )
i
A ix
n n
=
+

(2) Consistencia.
Para demostrar la consistencia se debe probar que
( )
0
n
P
<
segn la desigualdad de Chebychev:
( )
2 2
2 2 2
( ) ( ) 2 2 1
0
3 ( 1)
n
E V n
P
n n

( +
> = =
(
+

Luego es consistente.
TEMA 7

MTODOS DE OBTENCIN DE ESTIMADORES

I. MTODO DE LOS MOMENTOS.

Es el mtodo ms sencillo y antiguo. Se suele utilizar para obtener una primera
aproximacin de los estimadores. Se igualan tantos momentos muestrales, como
parmetros se tengan que estimar.

A. Propiedades de los estimadores obtenidos por el mtodo de los momentos.

- Si los parmetros desconocidos son momentos poblacionales, entonces
los estimadores obtenidos sern insesgados y asintticamente
normales
- Bajo condiciones bastantes generales, los estimadores obtenidos sern
consistentes.
Ana M Ramrez Anaya

39

II. MTODO DE MXIMA VEROSIMILITUD.

Este mtodo consiste en elegir como estimador, el valor poblacional que hace
mxima la probabilidad de que aparezcan los valores observados de la muestra.

B. Propiedades de los estimadores obtenidos por el mtodo de mxima
verosimilitud.

- Los estimadores de mxima verosimilitud son consistentes.
- En general no son insesgados, pero si no son insesgados son
asintticamente insesgados ( el estimador
converge al parmetro , y
en el lmite coincide con su valor medio, que es el parmetro ).
- Todo estimador de mxima verosimilitud no es eficiente, pero s son
asintticamente eficientes.
- Son asintticamente normales.
- Son suficientes.

5 PROBLEMAS

1. Sea una muestra aleatoria obtenida de una poblacin que sigue una distribucin
de Poisson de parmetro desconocido. Obtener un estimador de dicho
parmetro por el mtodo de los momentos.

Igualamos el momento de orden 1 de la poblacin
1
( ) ( ) E X = con el momento de
orden 1 de la muestra a
1

1
1
0 0 0
1
1
1
( ) ( )
! !
i i
x x
i i i
i i
n
i
x P X x x e e e e
x x
x
a x
n

= = = = = =
= =

1 1
1
n
i
x
a x
n
= = =

1
2
0
1
1 ...
! 2!
i
x
i
Nota
e
x
= + + + =

2. Sea una muestra aleatoria procedente de una distribucin de Bernouilli B(1,p).
Obtener el estimador de p utilizando el mtodo de los momentos.
Ana M Ramrez Anaya

40

1
( ) ( ) ( ) 0 ( 0) 1 ( 1) 0 (1 ) 1
i i
p E X x P X x P X P X p p p = = = = = + = = + =

1
1 1

i
i
x
a x
n
x
a x p p
n
= =
= = =

3. Una variable aleatoria X se distribuye segn la ley de densidad
1
( )
x
b
f x e
b
=

para 0; 0. x b > Obtener el estimador
b por el mtodo de los momentos.

1
0
2
0 0
1
( ) ( )
1
(2) 1 1 2
x
b
t t
x
b E X x e dx t x bt dx bdt
b b
b
bt e bdt te dt b b p p
b b

= = = = =
= = = = = =

1
1 1
i
x
a x
n
x
a x b
n
= =
= = =

4. Sea una poblacin N(20,) donde la desviacin tpica es desconocida. Con la
ayuda de una muestra aleatoria de tamao n, obtener:

- Estimador de mxima verosimilitud de
2

- El estimador de mxima verosimilitud para n = 30, siendo

30
2
1
( 20) 3.000
i
x =

Hay que resolver la ecuacin de verosimilitud
2
1 2
2
( , ,.., ; )
n
Ln L x x x

2 2
2 2
2
2
( 20) ( 20)
2 2
2 2
1 2
1 1
( 20)
2
2
2
1 1
( , ,..., ; ) ( ; )
2 2
1
2
i i
i
n
x x
n n
n i
n
x
L x x x f x e e
e

| |
= = = =
|
\
| |
=
|
\

Ana M Ramrez Anaya

41

( )
2
2 2
1 2
2 2
2 2
2
2 2
( 20) 1
( , ,.., ; ) 1 2
2 2 2 2
( 20) ( 20)
2
2 2 2 2
i
n
i i
x n n
LnL x x x Ln Lne Ln Ln
x x n n
Ln Ln

| |
= =
|
\

=

2 2
2 2 4 3
2 2 2
3
2
3
4 ( 20) ( 20)
2
0
2 4
( 20) ( 20) ( 20)
i i
i i i
x x
LnL n n
x x x
n
n n
= + = + =

= = =

-
2
30
2
1
( 20) 3.000
100
30
i
x
n

= = =

5. Se considera la distribucin Binomial B(n, p) siendo p desconocida. Obtener el
estimador p por el mtodo de mxima verosimilitud.

( , ) (1 ) 0,1, 2,...,
x n x
n
B n p p p x n
x
| |
= =
|
\

Formamos la funcin de verosimilitud.
1 1 2 2
1 2 1 2 1 1
1 2
1 2
( )
... ( )( )... ( )
1 2
( , ,.., ; ) (1 ) (1 ) ... (1 )
... (1 ) (1 )
n n
n n
i i
n n
x n x x n x x n x
n
n
x n x
x x x n x n x n x
n
n n n
L x x x p p p p p p p
x x x
n n n
p p Cp p
x x x

| | | | | |
= =
| | |
\ \ \

| | | || |
= =
| | |
\ \ \

1 1
( )
1 1
(1 ) 0 ( ) (1 )
n n
i i
n n x n x
i i
LnL LnC Ln p Ln p xLnp n x Ln p

= + + = + +

1 1
( ) 0
(1 )
( )
(1 ) ( )
(1 )
i i
i i
i i i i i
i
i
LnL
x n x
p p p
x n x
p x p n x x p x pn p x
p p
x
x pn x p
n
= =
= = =
= = =

6. El parmetro de una distribucin de Poisson puede tomar uno de los cuatro
valores siguientes: 4 4' 5 5' 5 6 = = = = Decidir cul de ellos puede
Ana M Ramrez Anaya

42

ser estimador de mxima verosimilitud, considerando una muestra aleatoria
simple de tamao dos tal que
1 2
3 7 x x = =

Para =4

1 2
4 3 4 7
1 2
1 2
4 4
( 3, 7) 2 0'02326
! ! 3! 7!
x x
e e e e
PX X n
x x

( (
= = = = =
( (

Para =45
4'5 3 4'5 7
1 2
4'5 4'5
( 3; 7) 2 0'02780
3! 7!
e e
PX X

(
= = = =
(

Para =55

5'5 3 5'5 7
1 2
5'5 5'5
( 3; 7) 2 0'02798
3! 7!
e e
P X X

(
= = = =
(

Para =6
6 3 6 7
1 2
6 6
( 3; 7) 2 0'02457
3! 7!
e e
P X X

(
= = = =
(

Para =55 obtenemos la mayor probabilidad de extraer la muestra (3, 7).

TEMA 8

ESTIMACIN POR INTERVALOS DE CONFIANZA.

Cuando se utiliza la estimacin puntual, el valor del estimador
generalmente difiere
del parmetro , por lo que la informacin que proporciona no es suficiente.

Se hace necesario acompaar a la estimacin del parmetro con alguna medida que
indique el error asociado a la estimacin, movindonos en un intervalo.

Llamamos 1 al coeficiente de confianza y al nivel de significacin ( riesgo de
cometer error).

2
1
2

Ana M Ramrez Anaya

43

INTERVALOS DE CONFIANZA EN POBLACIONES NORMALES.

1.1 Intervalos de confianza para la media.

1.1.1 Siendo conocida.

Tomamos el estadstico que dependa de la media poblacional .

; (0;1)
i
x
x
x N Z N
n n
n
| |
= =
|
\

el intervalo de confianza ser:

2 2
x z x z
n n

| |
+
|
\

1.1.2 Siendo desconocida

Necesitamos un estadstico que dependa de la , pero no de la .
1
2 2
n
x
T t
s
n
s s
x t x t
n n

=
| |
+
|
\

INTERVALO DE CONFIANZA PARA LA VARIANZA.

2.2 Siendo la desconocida.

Usaremos un estadstico que dependa de
2
, siendo su distribucin no
dependiente de la varianza.

2
2
2
1
2 2
2 2
2
2 2
1;(1 ) 1;( )
2 2
( )
( 1)
( 1) ( 1)
i
n
n n
x x
n S
n S n S

=
| |

|

|
\

Ana M Ramrez Anaya

44

2
1;(1 )
2
n

(1 )
2
1;
2
n

2.2 Siendo conocida.

2
2
2
2 2
2
2 2
;(1 ) ;( )
2 2
( )
( ) ( )
i
n
i i
n n
x
x x

| |

|

|
\

ESTIMACIN DEL TAMAO MUESTRAL, PARA ESTIMAR LA MEDIA DE UNA
POBLACIN NORMAL CON CONOCIDA Y DESCONOCIDA.

3.2 Con conocida.

2
2
2
2
4 n z
L
=

3.2 Con desconocida.

2
2
2
2
4
s
n t
L
=

6 PROBLEMAS

1. De una poblacin N(;3) se tiene una muestra de tamao 9, cuya
20 x = Determinar el intervalo de confianza del parmetro con un
coeficiente de confianza del 095.

1 0' 95 0' 05 0' 025
2
= = =
El punto
2
z
que le corresponde para una probabilidad de 0025 es 196.

Ana M Ramrez Anaya

45

El intervalo ser:
[ ]
3 3
1' 96 1' 96 1' 96 1' 96
9 9
3 3
20 1' 96 20 1' 96 0' 95
9 9
18' 09 21' 96
x
P P x
n
P
| |
| |
|
= =
|
|
\
|
\
| |
= + =
|
\

2. Se desea obtener un intervalo de confianza de la para una poblacin N(;)
a partir de una muestra de tamao 10, con 5 x = y s = 6, siendo el coeficiente
de confianza de 090.

1 0' 90 0'10 0' 05
2
= = =

9;0' 05
2
1'833 t t
=

2 2
1
x
P t t
s
n

| |
|
=
|
|
\

[ ]
6 6
5 1'833 5 1' 833 0' 90
10 10
1' 522 8' 477
P
| |
+ =
|
\

3. Calcular el intervalo de confianza de para N(;3) conocida una muestra de
tamao 25 con 10' 2 x = . Hacerlo para un coeficiente de confianza de 090,
095 y 099.

- 1 0' 90 0'10 0' 05
2
= = =
0'05
2
1'65 z z
=

[ ]
3 3
10' 2 1' 65 10' 2 1' 65 0' 90
25 25
9' 21 11'19
P
| |
+ =
|
\

- 1 0' 95 0' 05 0' 025
2
= = =

0' 025
2
1'95 z z
=

Ana M Ramrez Anaya

46

[ ]
3 3
10' 2 1' 95 10' 2 1' 95 0' 95
25 25
9' 024 11' 376
P
| |
+ =
|
\

- 1 0' 99 0' 01 0' 005
2
= = =

0'005
2
2'58 z z
=

[ ]
3 3
10' 2 2' 58 10' 2 2' 58 0' 99
25 25
8' 652 11' 748
P
| |
+ =
|
\

A medida que aumenta el nivel de confianza (1-) el intervalo de confianza para la
media poblacional es mayor.

4. La oficina de control de calidad de una empresa dedicada al embotellamiento
de agua, con vistas a establecer los lmites mximos y mnimos vlidos de
agua contenida en botellas de 1 litro, tom muestras de tamao 10 con
3
998 x cm = y
3
5 s cm = Suponiendo que la cantidad de agua introducida en
una botella sigue una distribucin normal, calcular dichos lmites de confianza
a unos niveles de 99% y 95%

- 1 0' 99 0' 01 0' 005
2
= = = 9;0'005
2
3'250 t t
=

[ ] [ ]
5 5
998 3' 250 998 3' 250 0' 99
10 10
992'86 1003' 42 992' 86 1000
P

| |
+ =
|
\

-
9;0 ' 025
2
1 0' 95 0' 05 0' 025 2' 262
2
t t
= = = =

[ ] [ ]
5 5
998 2' 262 998 2' 262 0' 95
10 10
994' 42 1001' 77 994' 42 1000
P

| |
+ =
|
\

5. Dada una poblacin N(;) hallar el intervalo de confianza para
2
, a partir de
una muestra de tamao 8 con
2
25 9 x y s = = con un coeficiente de
confianza de 090.

Ana M Ramrez Anaya

47

0' 05
2
1 0' 90 0'10
1 0' 95
2
= =

=

2 2
2
1; 1;(1 )
2 2 2 2
2 2 2 2 1; 1;(1 )
2 2
2 2
2
2 2
1;(1 ) 1;
2 2
( 1) 1
0'90 0'90
( 1) ( 1)
( 1) ( 1)
0'90
n n
n n
n n
n S
P P
n S n S
n S n S
P

| |
| |
|
= =
|
|
\
\
| |

|
=
|
\

[ ]
2
2 2
7;0' 95 7;0' 05
2
(8 1)9 (8 1)9
0'90
72 72
0'90 5'118;33' 225
14' 067 2'167
P
P
(

=
(
(

(
=
(

6. De una poblacin N(;) se desea calcular un intervalo de confianza para la
varianza, siendo desconocida. Para ello, se tiene una muestra de tamao
12, con 40 x = y siendo
12
2
1
( ) 108
i
x x =
determinar el intervalo de
confianza para un nivel de significacin de 002 y 010.

- 0' 02 0' 01
2
= =
Ana M Ramrez Anaya

48

[ ]
12 12
2 2
2 1 1
2 2
1;(1 ) 1;( )
2 2
2 2
11;0 ' 99
1;(1 )
2
2 2
11;0 ' 01
1;( )
2
2
( ) ( )
0' 98
24' 72
3' 053
108 108
0' 98 4' 37;35' 37
24' 72 3' 053
i i
n n
n
n
x x x x
P
P

| |

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

-
0'10 0'10
1 0' 95 0' 05
2 2
= =
2 2
11;0' 95 11;0 ' 05
19' 68 4' 575
108 108
;
19' 68 4' 575
= =
(
(

7. Un estudio sobre los precios de un determinado tipo de camisetas, llevado a
cabo en diferentes zonas tursticas, nos da los siguientes precios de venta:

1100, 300, 950, 790, 840, 820, 550, 700, 775, 770, 780, 670

Determinar, (si sabemos de antemano que los precios de venta siguen una
distribucin normal), intervalos de confianza para el precio medio y para la varianza del
precio, con un nivel de significacin del 0,05.

12
670 780 770 775 700 550 820 840 790 950 300 1100 + + + + + + + + + + +
= =

n
x
x
i
75 , 753
12
045 . 9
= = x
( )
=
2
2
1
1
x x
n
S
i
[ ]
. 2 2 2 2 2
) 75 , 753 790 ( ) 75 . 753 950 ( ) 75 . 753 300 ( ) 75 , 753 1100 (
1 12
1
+ + +
= S
[ ]+ + + +
2 2 2 2
) 75 . 753 700 ( ) 75 . 753 550 ( ) 75 . 753 820 ( ) 75 . 753 840 (
[ ]
2 2
) 75 . 753 670 ( ) 75 . 753 780 ( + +
Ana M Ramrez Anaya

49

S = 197,773

Con lo cual calcularemos un intervalo de confianza para la media siendo
desconocida:
El intervalo ser:
Como =0,05 /2=0,025

En las tablas de la T-Student, buscar para 11 grados de libertad y una probabilidad de
0,025

11,0,025
2,201 t =

El intervalo para la media quedar:
197, 773 197, 773
753, 75 2, 201 753.75 2, 201
12 12
+

628, 09 879, 41
Que ser el intervalo en el que se mover el precio medio de las camisetas.

Para hallar un intervalo para la varianza, desconociendo la media utilizaremos el
estadstico:

El intervalo ser:

20 , 114 . 39 ) 25 . 430256 (
11
1
2
= = S
1
=
n
t
n
s
x
T

n
s
t x
n
s
t x +
2 2

1
2
2
2
) 1 (

n
S n
2
11, 1 0,05 2 0,05
21, 92 3, 816
2
11, 2

= =
(
816 , 3
) 20 , 114 . 39 ( 11
92 , 21
) 20 , 114 . 39 ( 11
2

Ana M Ramrez Anaya

50

( 19.628,47 112.750,58)

Que ser el intervalo para la varianza del precio.

(140,10 335,78)

TEMA 9

CONTRASTE DE HIPTESIS

INTRODUCCIN

A travs de los intervalos de confianza estimamos parmetros, y a travs del contraste
de hiptesis, tomamos decisiones acerca de las caractersticas poblacionales.

La hiptesis ser simple, si se refiere a un solo punto del espacio paramtrico,
quedando totalmente especificada la forma de la funcin de densidad.
Si la hiptesis se refiere a una regin del espacio probabilstico, estamos ante una
hiptesis compuesta.

En el contraste, se acepta provisionalmente una hiptesis como verdadera ( hiptesis
nula H
0
), siendo sometida a comprobacin frente a la otra hiptesis ( hiptesis
alternativa H
1
).

Las formas bsicas de establecer las hiptesis sobre el parmetro son:

0 0
1 0
0 0
1 0
0 0
1 0
:
:
:
:
:
:
H
I
H
H
II
H
H
III
H

=
<
>

Regin crtica es el conjunto de muestras para las que se rechaza H
0
.

Regin de aceptacin es el conjunto de muestras para las cuales se acepta H
0
.

Valores crticos son los puntos que separan la regin crtica de la regin de
aceptacin.

El contraste consiste en seleccionar una regin crtica y averiguar si la muestra
est o no en ella.

Contraste tipo I.

Ana M Ramrez Anaya

51

7 Contraste tipo II

8 Contraste tipo III

ERROR TIPO I, TIPO II Y POTENCIA DEL CONTRASTE.

Siempre que se tiene que tomar una decisin existe riesgo de equivocarse. La
decisin en contraste de hiptesis se realiza sobre la hiptesis nula H
0
, dando lugar a
cuatro posibles resultados:

1. Aceptamos H
0
, siendo H
0
verdadera. No hay error.
2. Rechazamos H
0
, siendo H
0
falsa. No hay error.
3. Aceptamos H
0
, siendo H
0
falsa. Error tipo II ().
4. Rechazamos H
0
, siendo H
0
verdadera. Error tipo I ().

0
0
0
0
Rechazar H
P
H Cierta
Aceptar H
P
H falsa
| |
=
|
\
| |
=
|
\

Ana M Ramrez Anaya

52

1 = Potencia del contraste: es la probabilidad de rechazar H
0
, cuando es
falsa.

Se dice que un contraste es ideal, cuando las probabilidades de cometer errores
de tipo I y tipo II son nulas.

FASES A REALIZAR EN UN CONTRASTE DE HIPTESIS.

1. Formular la hiptesis nula y alternativa, en trminos estadsticos.
2. Determinar el estadstico de prueba apropiado.
3. seleccionar el nivel de significacin.
4. Determinar la regin crtica.
5. Seleccionar aleatoriamente la muestra y calcular el valor del estadstico de
prueba.
6. Dar la regla de decisin y su interpretacin.

POTENCIA Y FUNCIN DE POTENCIA DEL CONTRASTE.

Cuando las hiptesis son compuestas, el error de tipo II tomar valores que vendrn
expresados como funcin ( ) de los diferentes valores alternativos de bajo la
hiptesis alternativa.

Se denomina funcin de potencia del contraste ( ) 1 y nos indica la potencia
del contraste para rechazar la hiptesis nula cuando es falsa.
El valor particular que toma ( ) 1 para cada uno de los valores del parmetro
que nos da la hiptesis alternativa, se denomina potencia del contraste, e indica
la probabilidad de rechazar la hiptesis nula cuando es falsa.

Se dir que la funcin de potencia es ideal cuando:

0
0
0
0
0
1
rechazarH
P
H cierta
rechazarH
P
H falsa
| |
=
|
\
| |
=
|
\
( )
( )
( )
0
1 1
C
P

=

=

Existen dos factores que afectan a la funcin de potencia:
- El nivel de significacin .
- El tamao de la muestra n.

A medida que aumenta el nivel de significacin , los valores ( ) disminuyen,
con lo que la potencia ( ) 1 aumenta en
1
.
Para un tamao de muestra n fijo, si aumenta el error de tipo I , disminuye el
error de tipo II y por lo tanto aumentar la potencia del contraste ( ) 1
Para un nivel de significacin fijo, cuando el tamao de la muestra n crece, la
potencia del contraste ( ) 1 aumenta, y el error de tipo II , disminuye.

Ana M Ramrez Anaya

53

(ver problemas)

DETERMINACIN DEL TAMAO DE LA MUESTRA PARA Y DADOS.

( )
2
1 0
z z
n

(
+
( =
(

(ver problema)

HIPTESIS SIMPLES Y EL LEMA DE NEYMAN- PEARSON.

Diremos que una hiptesis es simple, si se refiere a un solo valor del parmetro, es
decir, a un solo punto del espacio paramtrico, quedando totalmente especificada la
forma de la funcin de cuanta o de densidad de la poblacin al conocer el valor del
parmetro.

Hemos visto que para un tamao de muestra fijo, si aumenta el error de tipo I,
disminuye el error de tipo II, con lo que aumenta la potencia del contraste en
1
. Lo
que nos interesa es que la potencia sea mxima, pero esto no se puede obtener para
un tamao de muestra fijo, lo que se hace es fijar el error de tipo I y tratar de obtener el
test que haga mxima la potencia en
1
.

Para construir ese test se acude al Lema de Neyman Pearson. Deseamos contrastar:

0 0
1 0
:
:
H
H

=

siendo ( ) ; L x la funcin de verosimilitud de la muestra

0
1 2
1
0
1 2
1
2 0
( ; )
( , ,.., ) (
( ; )
( ; )
( , ,.., ) (
( ; )
, ,.., / )
n
n
1 n
L x
k si x x x C region critica)
L x
L x
K si x x x C region de aceptacion)
L x
P(X X X C

= =

La mejor regin crtica para realizar el contraste siendo
1 0
> vendr dada por la
expresin:

2 2 2
1 0
1 0
( ) 2 ln
2 ( )
C
n k
x x
n

=

TEMA 9. PROBLEMAS.

Ana M Ramrez Anaya

54

1. Supongamos una poblacin N(;18), contrastar la hiptesis de que la media
=8, siendo n =16 y =01, 22' 375 x =

0
1
: 8
: 8
H
H

Se va ha realizar un contraste para la media, conociendo la desviacin tpica, por
lo tanto el estadstico a utilizar ser:
( ; ) (0;1)
x x
x N Z N
n
n
n
= =
Estimador insesgado y eficiente.

Estamos ante un contraste de dos colas, por lo que tendremos que calcular dos
puntos o valores crticos.

i n f
s u p
( )
2
( )
2
P x x
P x x
< =
> =

Admitimos como cierto que H
0
: =8.
Si 0'1 0' 05
2
= = con lo que el estadstico ser

18
(8; )
16
x N

0
inf 0
2
2 2
x
x
P P Z z
n n

| |
| |
|
< = < =
|
|
\ |
\

Para z
005
=165 y despejamos
inf
x

inf
inf
8
18
1' 65 8 1' 65 0' 59
18 16
16
x
x
= = =

sup 0 0
2
2 2
x x
P P Z z
n n

| |
| |
|
> = > =
|
|
\ |
\

sup
sup
8
18
1' 65 8 1' 65 15' 40
18 16
16
x
x
= = + =

Entonces la regin de aceptacin ser [ ] 0' 59;15' 40 y las regiones de rechazo son
( ; 0' 59) y (15' 40; ) .
Aceptaremos H
0
si 0' 59 15' 40 X
Rechazamos H
0
si 0' 59 15' 40 X X < >

Ana M Ramrez Anaya

55

Como 22' 375 X = rechazamos la hiptesis nula.

2. De una poblacin N(;009) se obtiene una muestra de tamao 100, cuya
media es 170. Para un nivel de significacin de 005, se desea contrastar la
hiptesis

0
1
: 1' 68
: 1' 68
H
H

( ; ) (0;1)
x x
x N Z N
n
n
n
= =

las regiones crticas sern:
inf
sup
0' 05
( ) 0' 025
2
0' 05
( ) 0' 025
2
P x x
P x x
< = =
> = =

El estadstico queda:
0' 09
1' 68;
100
X N
| |
|
\

El punto z
0025
=196

inf 0 inf
inf
sup 0 sup
sup
1' 68
0' 09
1' 96 1' 68 1' 96 1' 662
10
0' 09
100
1' 68
1' 96 1' 68 1' 96 0' 09 10 1' 697
0' 09
100
x x
x
n
x x
x
n

= = = =

= = = + =

Regin de aceptacin ser: [ ] 1' 662;1' 697
Regiones crticas ( ) ( ) ;1' 662 1' 697; y
Como la media de la muestra 1' 70 X = rechazamos la hiptesis nula.

3. De una poblacin N(;100) tomamos una muestra de tamao 625, cuya media
es 10.225. Para un nivel de significacin de 005, contrastar
0
: 10.000 H
frente a
1
: 10.000 H <

( ; ) (0;1)
x x
x N Z N
n
n
n
= =

El estadstico queda:
100
10.000;
625
X N
| |
|
\

Este es un contraste de una sola cola ( ) ( ) 0' 05
C C
P x x P x x < = < =
Ana M Ramrez Anaya

56

( )
0 0
0' 05 0' 05
C
x x
P P Z z
n n

| |

|
< = < =
|
|
\

Para z
005
=165 despejamos el punto crtico.

10.000
100
1' 65 10.000 1' 65 9.993' 42
100 625
625
C
C
x
x
= = =

La regin de aceptacin ser: [ ] 9.993' 42;
La regin de rechazo ser: ( ) ; 9.993' 42
Como 10.225 X = aceptamos la hiptesis nula.

4. Sea una poblacin N(;), se desea contrastar la hiptesis
0
: 5 H = frente a
1
: 5 H , a un nivel de significacin de 001. Para ello se selecciona una
muestra de tamao 20, cuya media es 6 y su varianza 9.

En este caso se desea realizar un contraste para la media, pero no conocemos la
desviacin tpica de la poblacin. Por lo tanto el estadstico ser:

1 n
x
T t
s
n
=

Como el contraste es de dos colas, las regiones crticas sern:

inf
sup
( ) 0'005
2
( ) 0'005
2
P T t
P T t
< = =
> = =
Para t
19;0005
= 2861
El valor
0
exp
6 5
1' 49
3
20
x
T
s
n

= = =

La regin de aceptacin ser: [ ] 2' 861; 2'861 por lo tanto aceptamos la hiptesis
nula.
Ana M Ramrez Anaya

57

5. En una poblacin N(;) se desea contrastar la hiptesis
0
: 150 H frente a
1
: 150 H > . Se toma para ello una muestra de tamao 15 con una media de
151234 y una desviacin tpica de 4072. realizar para un nivel de significacin
de 010.

La regin crtica ser:
( ) ( )
0'10
0'10 PT t PT t
> = > =

El valor t
14;010
=1345.
El intervalo crtico ser: [ ] 1' 345;
El valor
0
exp
151' 234 150
1'174
4' 072
15
x
T
s
n

= = =
Como 1174<1345 aceptamos la hiptesis nula.

6. De una poblacin N(;20) se desea contrastar la hiptesis
0
: 10 H = frente a
1
: 10 H . Para ello tomamos una muestra de tamao 25, cuya media es 19.
Se admite un nivel de significacin de 005. calcular la potencia del contraste.

Hallamos la regin crtica de este contraste de dos colas, siendo el estadstico:
( ; ) (0;1)
x x
x N Z N
n
n
n
= =

20
10;
25
X N
| |
|
\

inf
sup
0'05
( ) 0' 025
2
0' 05
( ) 0'025
2
P x x
P x x
< = =
> = =

Para una probabilidad de 0025 el punto correspondiente ser z
0025
= 1' 96

inf 0 inf
inf
sup 0 sup
sup
10
20
1'96 10 1'96 2'16
5
20
25
10
1'96 10 1'96 20 5 17'84
20
25
x x
x
n
x x
x
n

= = = =

= = = + =

la regin de aceptacin ser [ ] 2'16;17'84
las regiones crticas ( ) ( ) ; 2'16 17'84; y
Como 19 X = rechazamos la hiptesis nula.

Para hallar la potencia del contraste calculamos el error tipo II
( )
0
0
aceptarH
P
H falsa

| |
=
|
\

Ana M Ramrez Anaya

58

Como 10 = es falso, tomamos otro valor para la media 12 = .

( )
2'16 17' 84
( )
12
X
P

=
=
ahora tipificamos:
( ) ( )
( ) ( ) ( )
2'16 12 17' 84 12
2' 46 1' 46 1' 46
20 20
25 25
2' 46 1' 46 1 2' 46 0' 9279 1 0' 9931 0' 921
P Z P Z P Z
P Z P Z P Z
| |

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

Cuando 12 = aceptamos como cierta la hiptesis nula en un 921%

La potencia del contraste 1 = para 12 = es:
1 0' 921 0' 079 = =

Entonces rechazamos la hiptesis nula cuando es falsa, en un 79% de las veces.

7. Supongamos dos publicaciones N(60, 40) y N(80, 40). Se selecciona una
muestra aleatoria simple de tamao 100; determinar:
Mejor regin crtica para realizar el contraste sobre:

0
1
: 60
: 80
H
H
=
=
siendo 0'1 =
Potencia del contraste.
Tamao de la muestra para determinar la regin crtica, de manera que
la talla sea 005 y la potencia de contraste sea 095, en 80 = .

a)
( )
2 2 2
1 0
1 0
( ) 2
2
C
n Lnk
x x
n

( )
40
60, 60, 4
100
X N N
| |

|
\

( )
60 60 60
0'1 / 60
4 4 4
C C
C
x x x
P X x P P Z
| | | |
= = = = =
| |
\ \

Para una probabilidad de 01, buscamos en las tablas y obtenemos 128:
60
1' 28 (1' 28)4 60 65'12
4
C
C
x
x
= = + =
La mejor regin crtica estara determinada por el conjunto de muestras para las
cuales 65'12 x .

Para hallar el valor de k:

Ana M Ramrez Anaya

59

2 2 2
6'1
100(80 60 ) 240
65'12
2100(80 60)
2.800 32
65'12 32 65'12 40 2.800
40
32 195' 2 6'1
Lnk
Lnk
Lnk
Lnk Lnk k e

=
= =
= = =

La mejor regin crtica tambin se puede definir como aquella regin para la cual:

6'1
( ,60)
( ,80)
L x
e
L x

b)
( ) ( )
( )
1
80 65'12 80
( ) / 80 3' 72
4 4
3' 72 1
C
x
P P x x P P Z
P Z

| |
= = = = =
|
\
=

c)
'
0
0
0' 05
60
C
rechazarH x x
P P
H es cierta
| |
| |
= = =
|
|
=
\
\

40
60, X N
n
| |
|
\

Tipificamos
' '
60 60 60
0' 05
40 40 40
C C
x x x
P P Z
n n n
| | | |

| |
= =
| |
| |
\ \

Buscamos en las tablas para una probabilidad de 005:

'
'
60
1'645 ( 60) 65'8
40
c
c
x
x n
n
= =

para la potencia:

'
0
1
0
'
( )
80
80 80
0' 95
40 40
C
c
rechazarH x x
P P P
H es cierta
x x
P
n n
| |
| |
= = =
|
|
=
\
\
| |

|
= =
|
|
\

buscamos en tablas para una probabilidad de 095:

'
'
80
1' 645 ( 80) 65'8
40
c
c
x
x n
n
= =

Ana M Ramrez Anaya

60

igualando los trminos obtenemos el nuevo punto crtico:

( )
' ' ' '
140
( 60) 80 2 80 60 140 70
2
c c c c
x n x n x x = = + = = =

ahora con el nuevo punto crtico, podemos calcular el tamao de la muestra:

( ) ( )
2 65' 8
70 60 65' 8 6' 58 6' 58 43
10
n n n = = = = =

TEMA 10

CONTRASTES DE HIPTESIS PARAMTRICAS. CONTRASTES DE SIGNIFICACIN

CONTRASTES DE SIGNIFICACIN.

En ocasiones es necesario decidir si aceptar o no una hiptesis que se ha
formulado, sin la existencia de una hiptesis alternativa. Esto puede suceder
cuando la informacin de la que disponemos sobre el parmetro desconocido de la
poblacin slo nos permite formular la hiptesis nula. Este tipo de contrastes se
denominan de significacin.

Si la diferencia existente entre el valor del parmetro segn la hiptesis
nula y el valor proporcionado por la muestra, es debido a variaciones
muestrales, entonces diremos que esa diferencia es no significativa y
aceptaramos la hiptesis nula.
Si la diferencia no est causada exclusivamente por variaciones
muestrales, entonces diremos que existe diferencia significativa y
rechazaramos la hiptesis nula.

Para determinar la regin crtica, fijado el nivel de significacin:
( )
0
/ P D d H
> = siendo
0
D =
La regla de decisin ser:

exp
D d
> rechazamos la hiptesis nula y diremos que la discrepancia

es significativa.

exp
D d
aceptamos la hiptesis nula y decimos que la discrepancia es

no significativa.

Ana M Ramrez Anaya

61

d

CONTRASTE DE SIGNIFICACIN PARA LA MEDIA DE UNA POBLACIN
NORMAL, CON CONOCIDA.

Consideramos una poblacin ( ; ) N con la desviacin tpica conocida, se desea
contrastar la hiptesis

0 0
1 0
:
:
H
H

=
>

como estadstico utilizaremos la medida de discrepancia D

0 0
D X = =
El estadstico media muestral
0
; X N
n
| |
|
\
siendo 0; D N
n
| |
|
\

Para obtener la regin crtica hacemos
0
0 0
X d
D d
P P
H H
| | > | |
>
= =
|
|
\
\

Tipificando obtenemos:
0
0 0 X d n
P P Z d
n n

| |
| |

|
> = > =
|
| |
\ |
\

Utilizaramos las tablas normales para obtener el valor d

9 PROBLEMAS

1. Sea una poblacin ( ;3) N y deseamos contrastar la hiptesis nula
0
: 2 H = a
un nivel de significacin 0' 05 = Para ello se selecciona una muestra aleatoria
simple de tamao 40 n = cuya media es 2' 25 x = .

Con los datos que nos proporciona la muestra consideramos la hiptesis
alternativa como

0
1
: 2
: 2
H
H
=
>

ya que la media muestral toma el valor 2' 25 x = .

La discrepancia quedara
0
3
0;
40
D X N
| |
=
|
\

Para hallar la regin crtica ( ) ( )
0
P D d P X d

> = > =
Ana M Ramrez Anaya

62

Tipificamos

( )
0' 05 0' 05 0' 05
2 40 40
2'1 0' 05
3
3 3
40
X
P d P Z d P Z d
| |
| |
|
> = > = > =
|
| |
\ |
\

En la tabla normal, para una probabilidad de 005, obtenemos los puntos 164 y 165.
calculamos la media aritmtica entre los puntos
1' 64 1' 65
1' 645
2
+
=

0' 05 0' 05
2'1 1' 645 0' 783 d d = =

La regin crtica ser ( ) 0' 783;
Calculamos ahora el estadstico de contraste
exp 0
2' 25 2 0' 25 D x = = =

Como
exp 0' 05
D d < aceptamos la hiptesis nula ya que no existe diferencia
significativa entre el valor que proporciona la muestra y el valor que nos da la
hiptesis nula.

2. En una poblacin ( ; 4) N se desea contrastar la hiptesis nula
0
: 5 H = a un
nivel de significacin 0' 01 = para ello se toma una muestra aleatoria simple de
tamao 20, cuya media es 6 x =

0
1
: 5
: 5
H
H
=
>

0
4
0;
20
D X N
| |
=
|
\

( ) ( )
0' 01 0' 01
20
4
P D d P D d P Z d

| |
> = > = >
|
|
\

( )
0' 01
1'12 P Z d > Buscamos en la tabla norma para una probabilidad de 001 y
obtenemos 229

0' 01 0' 01
1'12 2' 29 2' 044 d d = =

La regin crtica ser: ( ) 2' 044;

El estadstico de contraste
exp 0
6 5 1 D X = = =

Por lo tanto aceptamos la hiptesis nula ya que
exp 0 ' 01
D d <

A Rial Resumenes y Ejemplos

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

A Rial Resumenes y Ejemplos

Uploaded by

Copyright:

Available Formats

UNED. CENTRO ASOCIADO DE LAS PALMAS.

y representa el rea limitada por la curva

< < >

la integral debe ser convergente

= los extremos del intervalos sern:

Por ser estimador

es una funcin que depende de y del estadstico T(recordar

b por el mtodo de los momentos.

que le corresponde para una probabilidad de 0025 es 196.

UNED. CENTRO ASOCIADO DE LAS PALMAS.

Estimador insesgado y eficiente.

= = con lo que el estadstico ser

> rechazamos la hiptesis nula y diremos que la discrepancia

aceptamos la hiptesis nula y decimos que la discrepancia es

You might also like