MODULO DE ESTADISTICA

Ing. Sandra Garca

Estadstica
Ciencia inductiva que permite hacer
inferencias de un conjunto a travs de un
subconjunto del mismo.
Poblacin
Muestra
Ejemplo:
Si una poblacin objetivo tiene tamao N=6 y
supngase que una medida de inters X toma
valores a, b, c, d, e, f. Indicar cules son las
muestras de tamao 3 que se pueden tomar de esa
poblacin.
Tipos de Datos
Datos Cualitativos: Corresponden a respuestas
categricas. Ejemplo: Estado civil, tipo de vivienda.
Datos Cuantitativos: Pueden ser discretos o
continuos.
Discretos: Se obtienen mediante conteos.
Continuos: Se obtienen mediante mediciones.
Estadstica Descriptiva
Tcnicas para recopilar, organizar, procesar y
presentar datos obtenidos en muestras.
Los datos pueden ser descritos tabularmente,
grficamente y mediante nmeros.
Tabla de Distribucin de Frecuencias
Obtener el rango de los datos:
R=X
(n)
-X
(1)
Seleccionar el nmero de intervalos (K)
Obtener el ancho de cada intervalo.
Se forman los k intervalos de manera que sean
excluyentes y exhaustivos.
K R Ancho / =
Tabla de Distribucin de Frecuencias
Se obtienen las frecuencias de cada intervalo (f
i
)
Se calculan las marcas de clase para cada
intervalo, que es el promedio de los lmites del
intervalo.
Se obtienen las frecuencias relativas de cada clase
i (f
i
/n), donde n es el tamao de la muestra.
Se calculan las frecuencias acumuladas de cada
clase i: F
i
=F
i-1
+f
i
Se obtienen las frecuencias acumuladas relativas
para cada clase i.
Fi
Histogramas de Distribucin de
Frecuencia
Se lo construye dibujando rectngulos cuya base
corresponde a cada intervalo de clase y su altura
al valor de la frecuencia.
POLIGONO DE FRECUENCIA
Representa el perfil de la distribucin de los datos.
Para cerrar el polgono se agrega un intervalo en
cada extremo con frecuencia 0.
OJIVA
Sirve para representar la frecuencia acumulada
relativa.
Cuantiles de una Muestra
Nmeros que dividen al grupo de datos ordenados,
en subgrupos de aproximadamente igual tamao,
con el fin de resaltar su ubicacin. Estos pueden ser
cuartiles, deciles y percentiles.
Cuartiles: Nmeros que dividen al grupo de datos
en grupos de aproximadamente 25% de datos.
Cuartiles
Primer Cuartil: Valor de la caracterstica X tal que
no ms del veinticinco por ciento de las
observaciones de la muestra toman valores menores
o iguales que l.
25%datos
X
(1)
Q
1
X
(n)
Cuartiles
Segundo Cuartil: Valor de la caracterstica X tal
que no ms del cincuenta por ciento de las
observaciones de la muestra toman valores menores
o iguales que l.
50%datos
X
(1)
Q
2
X
(n)
Cuartiles
Tercer Cuartil: Valor de la caracterstica X tal que
no ms del setenta y cinco por ciento de las
observaciones de la muestra toman valores menores
o iguales que l.
75% datos
X
(1)
Q
3
X
(n)
Deciles
Nmeros que dividen al grupo de datos en
subgrupos de aproximadamente 10% de datos.
Existen nueve deciles.
Primer Decil: A la izquierda de D
1
estn incluidos
el 10% de los datos y a la derecha el 90% de los
datos.
Percentiles
Son nmeros que dividen al grupo de datos en
grupos de aproximadamente 1% de los datos.
Existen 99 percentiles.
Primer Percentil: A la izquierda de P
1
estn
incluidos 1% de datos (aproximadamente), a la
derecha de P
1
estn el 99% de datos.
Algoritmo para el clculo de
Percentil
Posicin del Percentil j =(0.j)*(n+1)
Si la posicin del percentil es un valor decimal:
X
(i.a)
=X
(i)
+0.a*(X
(i+1)
-X
(i)
)
Medidas de Tendencia Central
Media Muestral: Es el promedio de los datos.
Moda Muestral: Es el valor que ms se repite.
Mediana Muestral: Es el valor que est en el centro
de los datos ordenados.
Es equivalente al segundo cuartil, quinto decil y
percentil cincuenta.

=
=
n
i
i
x
n
x
1
1
Medidas de Dispersin
Rango: Es la diferencia entre el mayor valor y el
menor valor de los datos de la muestra.
R=X
(n)
-X
(1)
Varianza Muestral: Cuantifica las distancias de los
datos con respecto al valor de la media.
1
) (
1
2
2

=
n
x x
s
n
i
i
Medidas de Dispersin
Desviacin Estandar Muestral: Es la raz de la
varianza muestral.
Coeficiente de Variacin: Sirve para comparar la
variabilidad de los datos de diferentes grupos.
x
s
V =
Rango Intercuartlico y Valores
Aberrantes
Rango Intercuartlico=Q
3
-Q
1
Un valor se dice aberrante, si se ubica a 1.5RI
debajo de Q
1
o 1.5 arriba de Q
3
Diagrama de Cajas
Grfico que se usa para expresar en forma
resumida algunas medidas de posicin:
X
(1)
Q
(1)
Q
(2)
Q
(3)
X
(n)
Covarianza y Coeficiente de Correlacin
Lineal
Sean X, Y variables muestrales:
Si r est cercano a -1, X y Y tienen correlacin
lineal negativa fuerte
1 r 1 -
1
) )( (
1
=

=
y x
XY
n
i
i i
XY
s s
s
r
n
y y x x
s
Covarianza y Coeficiente de Correlacin
Lineal
Si r est cercano a 1, X y Y tienen correlacin lineal
positiva fuerte.
Si r est cercano a 0, X y Y no estn
correlacionadas linealmente, o es muy dbil.
Experimento Estadstico y Espacio
Muestral
Experimento: Conjunto de acciones con las que
utilizando procedimientos claramente establecidos,
se efecta algn tipo de observacin o medida.
Espacio Muestral: Se denomina as al par (,),
donde:
a) es el conjunto de todos los resultados posibles
del experimento; y,
b) es el conjunto potencia de y se denomina
espacio de eventos de
Conjunto Contable y Espacio
Muestral Discreto
Un conjunto es contable si y slo si es posible
establecer una correspondencia uno a uno entre sus
elementos y un subconjunto de los nmeros enteros
positivos.
Un espacio muestral es discreto si y slo si es
contable.
Un evento es todo subconjunto de
Los eventos de que no tienen elementos en comn
se denominan mutuamente excluyentes.
Probabilidad de un Evento
Si tiene N elementos y E es un evento en un
espacio muestral (,), tal que E tiene k elementos,
k N, entonces;

0 ,
) (
) (
) ( = =
O
= N
N
k
N
E N
E P
Funcin de Probabilidades
Es una funcin cuyo dominio es y cuyo conjunto de
llegada es el intervalo cerrado de nmeros reales
de cero a uno, y que cumple las siguientes axiomas:
a)P()=1:
b)
c)

V E E P , 1 ) ( 0
=
+ =
2 1
2 1 2 1
que siempre ); ( ) ( ) (
E E
E P E P E E P
Otras Propiedades de la Funcin
de Probabilidades
) ( ) ( entonces
) ( ) ( ) ( ) (
) ( 1 ) (
2 1 2 1
2 1 2 1 2 1
E P E P E E Si
E E P E P E P E E P
E P E P
c
_
+ =
=
Regla de Multiplicacin de
Opciones
Sean E
1
, E
2
,E
k
, k eventos (conjuntos) cuyas
cardinalidades son respectivamente n
1
, n
2
,,n
k
; si
se debe tomar primero un elemento de E
1
, luego un
elemento de E
2
y as sucesivamente hasta tomar el
ltimo elemento en E
k
, entonces el nmero de
opciones que es posible elegir es igual a
n
1
*n
2
*..*n
k
Permutaciones
Subconjuntos ordenados de tamao n tomados de
un conjunto de tamao N.
Sea el conjunto M=
El nmero de permutaciones de tamao 2 se lo
calcula como
_ a d c b a , , ,
12
)! 2 4 (
! 4
2 4
=

= = P P
r n
Permutaciones
Las permutaciones seran

) ( ); ( ); ( ); ( ); ( ); (
); ( ); ( ); ( ); ( ); ( ); (
dc cd db bd cb bc
da ad ca ac ba ab
Permutaciones con n elementos y k grupos
con elementos repetidos
Sean n: el total de elementos distribuidos en k grupos
n
1
: Nmero de elementos repetidos tipo 1
n
2
: Nmero de elementos repetidos tipo 2
.
.
n
k
: Nmero de elementos repetidos tipo
Siendo n
1
+n
2
++n
k
=n
Cantidad de arreglos diferentes que se pueden obtener:
! !..... !
!
2 1 k
n n n
n
Combinaciones
Arreglo que se pueden hacer con los elementos de
un conjunto, en el cual el orden no es de inters.
Sea el conjunto M=
El nmero de combinaciones de tamao 2 se lo
calcula como
_ a d c b a , , ,
6
! 2 )! 2 4 (
! 4
! )! (
!
2 4
=

=
C
r r n
n
C
r n
Combinaciones
Las combinaciones seran:
_ a ) ( ); ( ); ( ); ( ); ( ); ( cd bd bc ad ac ab
Probabilidad Condicional
Sean E
1
, E
2
eventos de
La probabilidad condicional del evento E
1
dado el
evento E
2
y es:
0 ) ( ,
) (
) (
) \ (
2
2
2 1
2 1
=

= E P
E P
E E P
E E P
EVENTOS INDEPENDIENTES Y REGLA
MULTIPLICATIVA DE LA PROBABILIDAD
E
1
y E
2
son independientes si P(E
1
E
2
)=P(E
1
)P(E
2
)
REGLA MULTIPLICATIVA DE PROBABILIDAD
P(E
1
E
2
)=P(E
1
)P(E
2
\E
1
)

PROBABILIDAD TOTAL
Sean E1, E2,, Ek eventos mutuamente excluyentes
de y que constituyen una particin de , es decir
cumplen las siguientes propiedades:

Sea A un evento cualquiera de y que depende

de los eventos E
1
,E
2
,E
k ,
entonces:
O =
= = V
k
j i
E E E
j i E E j i
.....
) , ( ,
2 1

=
=
k
i
i i
E A P E P A P
1
) \ ( ) ( ) (
TEOREMA DE BAYES
Sean E1, E2,, Ek eventos mutuamente excluyentes
de y que constituyen una particin de y sea A
un evento cualquiera de .
K 1,2..., i
) \ ( ) (
) \ ( ) (
) (
) \ ( ) (
) \ (
1
= = =

=
K
i
i i
i i i i
i
E A P E P
E A P E P
A P
E A P E P
A E P
VARIABLES ALEATORIAS
Es una Funcin X cuyo dominio es , y cuyo conjunto
de llegada es R.
X: R
El Soporte S de una variable aleatoria discreta es
el conjunto de valores reales que ocurren con
probabilidad distinta de cero.
Si el soporte S de una variable aleatoria es un
conjunto contable, entonces es discreta.
p
Funcin de Distribucin de
Probabilidades
Con cada variable aleatoria se asociar una
funcin f: R [0,1], que se denomina Funcin de
Distribucin de Probabilidades de X, funcin que
debe cumplir las siguientes condiciones:
i) f(x)=P(X=x);
ii)
iii)
p

=
= = =
A x
S x S x
x f A x P
y x X P x f
) ( ) (
; 1 ) ( ) (
Distribucin Acumulada de X
Una funcin de variable real F:R [0,1], es
definida como Distribucin Acumulada de X, si y
slo si F(x)=P(X x), para todo valor x real, est o
no en el soporte S de X.
p

Valor Esperado y Varianza de una

Variable Aleatoria Discreta
Sea X una variable aleatoria discreta con funcin
de probabilidades f(x), se define el Valor
esperado y varianza de X como:
2
) ( ) (
) ( ) (
Q
Q
=
= =

V
x E x V
x xf x E
x
Momentos alrededor del origen y
de la media
El k-simo momento alrededor del origen, defnase:
El k-simo momento alrededor de la media,
defnase:

V
= =
x
r r
r
x f x x E ) ( ) (
'
Q

V
= =
x
r r
r
x f x x E ) ( ) ( ) ( Q Q Q
Funcin Generadora de Momentos
Sea X una variable aleatoria discreta con funcin
de probabilidades f(x), se define la funcin
Generadora de Momentos de la siguiente forma:

= =
X x
tx tx
x
x f e e E t M ) ( ) ( ) (
Variable Aleatoria Uniforme
La Variable Aleatoria Uniforme Discreta con
parmetro N tiene como Distribucin de
Probabilidades a la siguiente funcin:
N 1,2,..., x Para
1
) ( ) (
=
= = =
N
x f x X P
Variable Aleatoria Bernoulli
Sean X una variable aleatoria cuyos valores
pueden ser 1: xito, 0: fracaso; y sea p el valor
de probabilidad de que el resultado del ensayo
sea xito. Entonces, la distribucin de
probabilidad de X es:
1 0, x ) 1 ( ) (
1
= =
x x
p p x f
Experimento Binomial
Las caractersticas son:
a) La cantidad de ensayos que se realizan es finita.
Sea esta cantidad n.
b) Cada ensayo tiene nicamente dos resultados
posibles: xito o fracaso
c) Todos los ensayos realizados son independientes.
d) La probabilidad de xito en cada ensayo
permanece constante. Sea este valor p
Variable Aleatoria Binomial
Sean X: Variable aleatoria discreta cuyo valor
representa la cantidad de ensayos considerados
xitos en una serie de n ensayos realizados.
Entonces, la distribucin de probabilidad de X es:
n x p p
x
n
x f
x n x
..... 2 , 1 , 0 ) 1 ( ) ( =

'
+

'

=

Distribucin Binomial Negativa
Sea X una Variable aleatoria discreta con
distribucin binomial negativa, que representa la
cantidad de ensayos realizados hasta obtener k
xitos. Sea p, la probabilidad de xito constante
en cada ensayo. Entonces la distribucin de
probabilidad de X es:
2.... k 1, k k, x , ) 1 (
1
1
) ( + + =

'
+

'

= =
k x k
p p
k
x
x X P
Media y Varianza de una
Distribucin Binomial Negativa

'
+

'

=
=
1
1
2
p p
k
p
k
W
Q
Distribucin Geomtrica
Sea X una variable aleatoria discreta con
distribucin geomtrica que representa la cantidad
de ensayos realizados hasta obtener el primer
xito. Sea p la probabilidad de xito (constante)
en cada ensayo. Entonces la distribucin de
probabilidad de X es:
2,3,..... 1, x ) 1 ( ) (
1
= = =
x
p p x X P
Media y Varianza de la
Distribucin Geomtrica

'
+

'

=
=
1
1 1
1
2
p p
p
W
Q
Distribucin Hipergeomtrica
Sean N: Cantidad de elementos del conjunto del que se toma
la muestra
K: Cantidad de elementos existentes que se consideran
xitos
n: Tamao de la muestra.
X: Variable aleatoria discreta que es la cantidad de
resultados exitosos que se obtienen en la muestra
n 2,....., 1, 0, x , ) ( =

'
+

'

'
+

'

'
+

'

=
n
N
x n
K N
x
K
x f
Media y Varianza Distribucin
Hipergeomtrica

'
+

'

'
+

'

=
=
1
1
2
N
n N
N
K
N
K
n
N
K
n
W
Q
Distribucin Poisson
Sea X una variable aleatoria discreta con
distribucin de Poisson que representa la Cantidad
de xitos en una regin o intervalo especificados.
Sea la cantidad promedio de xitos en la regin
o intervalo especificados; entonces la distribucin
de X es:
P
... 2,........ 1, 0, x ,
!
) ( = =

x
e
x f
x P
P
VARIABLES ALEATORIAS
CONTINUAS
Una Variable Aleatoria X, definida sobre un Espacio
Muestral (, ) es continua cuando y slo cuando
Para todo x real su Distribucin Acumulada F es una
funcin continua en R. Ejemplos: Variable Peso, Edad,
Estatura, etc.
Funcin de Densidad de una
Variable Aleatoria Continua
Con cada variable aleatoria se asociar una
funcin f: R [0,1], que se denomina Funcin de
densidad de Probabilidades de X, funcin que
debe cumplir las siguientes condiciones:
i) f(x)>0;
ii)
iii)
p
0 ) (
1 ) (
= =
=

a X P
dx x f
Distribucin Acumulada de una
Variable Continua
Si X es continua, entonces existe una funcin
continua y no negativa F tal que para todo x real
F(x)=P(X x)

Se puede afirmar que

=
x
dt t f x F ) ( ) (
) ( ) ( ) ( a F b F b X a P =
Valor Esperado y Varianza de una
Variable Aleatoria Continua
Sea X una variable aleatoria continua con funcin
de densidad f(x), se define el Valor esperado y
varianza de X como:

= =
= =
dx x f x x E
dx x xf x E
) ( ) ( ) (
) ( ) (
2 2 2
Q Q W
Q
Momentos alrededor del origen y
de la media
El k-simo momento alrededor del origen, defnase:
El k-simo momento alrededor de la media,
defnase:

= = dx x f x x E
r r
r
) ( ) (
'
Q

= = dx x f x x E
r r
r
) ( ) ( ) ( Q Q Q
Funcin Generadora de Momentos
Sea X una variable aleatoria continua con funcin
de densidad f(x), se define la funcin Generadora
de Momentos:

= = dx x f e e E t M
tx tx
x
) ( ) ( ) (
Variable Aleatoria Uniforme
Una Variable Aleatoria Continua es denominada
Uniforme con parmetros y cuando y slo
cuando su densidad f se define como:
E
F
;
1
) ( F E
E F

= x x f
Distribucin Acumulada de la
Variable Aleatoria Uniforme
Si X~U( ), entonces:
F E ,

=
F
F E
E F
E
E
x , 1
x ,
-
- x
x , 0
) (x F
Valor Esperado y Varianza de una
Variable Uniforme
12
) (
2
2
2
E F
W
E F
Q

=
+
=
Variable Aleatoria Normal
Se dice que X es una Variable Aleatoria Normal,
cuando su funcin de densidad es:

|
=

x ;-
2
1
) (
2
2
2
) (
W
Q
W
x
e x f
Variable Aleatoria Gamma
Decimos que X es una variable aleatoria gamma
con parmetros y , cuando y slo cuando su
densidad es:
E F

= I
>
I
=
0
) 1 (
1
) (
0 x ;
) (
1
) (
dy e y
e x x f
y
x
E
F E
E
E
F E
Media y Varianza de la Gamma
2
) (
) (
EF
EF
=
=
x V
x E
Variable Aleatoria Exponencial
Es una variable aleatoria gamma con parmetro
, =1 y >0, es decir su densidad est dada
por:
E F
0 x ;
1
) ( > =

F
F
x
e x f
Media y Varianza de la
Exponencial
2
) (
) (
F
F
=
=
x V
x E
Variable Aleatoria Ji Cuadrado
Es una variable aleatoria gamma con parmetro
, =v/2 y =2, es decir su densidad est dada
por:
v es el nmero de grados de libertad
E F
0 x ;
2 ) 2 / (
1
) (
2
1
2
2 /
>
I
=

x v
v
e x
v
x f
Media y Varianza de la Ji
cuadrado
v x V
v x E
2 ) (
) (
=
=
Variable Aleatoria Beta
Decimos que X es una variable aleatoria Beta con
parmetros y , cuando y slo cuando su
densidad es:
E F
1 x 0 ; ) 1 (
) ( ) (
) (
) (
1 1

I I
+ I
=
F E
E
F E
x x
b
x f
Media y Varianza de la Beta
1
) (
) (
+ +
=
+
=
F E
EF
F E
E
x V
x E
Muestra Aleatoria
Es el conjunto de n variables aleatorias X
1
,
X
2
,..,X
n
tales que sean independientes y
provengan de la misma poblacin, es decir tengan
la misma funcin de probabilidad.
Esta definicin se da cuando N es muy grande y el
muestreo se hace sin reemplazo; o si N es pequeo y
el muestreo se hace con reemplazo.
PARAMETRO Y ESTIMADOR
Parmetro: Es una medida estadstica poblacional,
cuyo valor es de inters conocer.
Estadstico o Estimador: Es una variable aleatoria
definida con las variables aleatorias de la muestra
Distribucin de Muestreo de la
Media Muestral
Sean X
1
,X2,,Xn una muestra aleatoria tomada
de una poblacin con media y varianza
entonces, la media muestral es una variable
aleatoria que se define:
Q
2
W
n
X V
X E
X
n
X
X
X
n
i
i
2
2
1
) (
) (
1
W
W
Q Q
= =
= =
=

=
Media de la muestra tomada de
una poblacin normal
Si la muestra proviene de una poblacin con
distribucin normal con media y varianza
entonces, la media muestral tiene distribucin
normal y su media y varianza son:
Q
2
W
n
X V
X E
X
X
2
2
) (
) (
W
W
Q Q
= =
= =
Teorema del Lmite Central
Si es la media de una muestra aleatoria de
tamao n extrada de una poblacin que tiene
media y varianza , entonces
Es una variable aleatoria cuya funcin de
probabilidad se aproxima a la de la distribucin
normal estndar a medida que n aumenta.
X
Q
2
W
n
X
Z
W
Q
=
Distribucin T
Sean y la media y la varianza de una
muestra aleatoria de tamao n<30 tomada de una
poblacin normal con media y varianza
desconocida, entonces la variable aleatoria
Tiene distribucin T con v=n-1 grados de libertad.
X
2
S
Q
n
S
X
T
Q
=
Estimadores y sus Propiedades
El estimador es una variable aleatoria cuyas
propiedades permiten estimar el valor del
parmetro poblacional de inters. Si la muestra
aleatoria proporciona nicamente un valor de esta
variable se denomina entonces esta estimacin
puntual.
Estimador Insesgado: Se dice que el estimador
es un estimador insesgado del parmetro si
U

U
U U = )

( E
Estimador ms eficiente
Se dice que un estimador es ms eficiente que
otro estimador si ambos son insesgados y
adems V( )<V( )
1

U
2

U
1

U
2

U
Estimacin por Intervalos
Con el valor de un estimador se construye un
intervalo que contenga al parmetro que se
desea estimar con algn nivel de certeza
especificado.
En donde Li y Ls son los lmites inferior y superior
del intervalo.

U
Ls Li U
Intervalos de confianza para
medias
Intervalo de confianza para con nivel 1- , con
una muestra de tamao n 30,
Los valores extremos se denominan lmites de
confianza.
Q
E
u
n
z x
n
z x
W
Q
W
E E 2 / 2 /
+
Intervalos de confianza unilaterales
para medias
Intervalo de confianza para con nivel 1- , con
una muestra de tamao n 30,
Intervalo de confianza unilateral inferior
Intervalo de confianza unilateral superior
Q
E
u
n
z x
W
Q
E
+
n
z X
W
Q
E
u
Intervalos de confianza para
muestras pequeas
Intervalo de confianza para con nivel 1- , con
n<30, poblacin normal y varianza desconocida,
Q
E
n
s
t X
n
s
t X
n n 1 , 2 / 1 , 2 /
+
E E
Q
Intervalo de confianza para la
diferencias de medias
Muestras grandes (n
1
y n
2
30)
u
2
2
2
1
2
1
2 / 2 1 2 1
2
2
2
1
2
1
2 / 2 1
) ( ) (
n n
z X X
n n
z X X
W W
Q Q
W W
E E
+ + +
Intervalo de confianza para la
diferencias de medias
Muestras pequeas (n
1
y n
2
30), y
desconocidas.

2
) 1 ( ) 1 (
1 1
) (
1 1
) (
2 1
2
2 2
2
1 1
2
2 1
2
2 , 2 / 2 1 2 1
2 1
2
2 , 2 / 2 1
2 1 2 1
+
+
=

'
+

'

+ +

'
+

'

+
+ +
n n
S n S n
S
n n
S t X X
n n
S t X X
p
p n n p n n E E
Q Q
2
2
2
1
W W =
Las Proporciones
En ocasiones es interesante estimar la proporcin de datos
que consideramos favorables del total de datos de una
poblacin, para lo cual se utiliza como modelo la distribucin
binomial.
La variable aleatoria con distribucin binomial tiene media
y np = Q ) 1 (
2
p np = W
Intervalos de confianza para
proporciones
Intervalo de confianza para con nivel 1- , con
una muestra de tamao n 30,
Los valores extremos se denominan lmites de
confianza.
p
E
u
n
p p
z p p
n
p p
z p
) 1 (

) 1 (

2 / 2 /

E E
Intervalos de confianza para
Varianzas
Intervalo de confianza para con nivel 1- ,
poblacin normal y varianza desconocida,
2
W
E
2 / 1 2 /
2
2
2
2
2
) 1 ( ) 1 (
E E
G
W
G


s
n
s
n
Inferencia para dos Varianzas
Intervalo de confianza para con nivel 1- ,
poblacin normal y varianzas desconocidas,
2
2
2
1
W
W
E
1 , 2 , 2 /
2
2
2
1
2
2
2
1
2 , 1 , 2 /
2
2
2
1
1
v v
v v
F
S
S
F
S
S
E
E
W
W

Pruebas de Hiptesis
Consiste en suponer algn valor para el parmetro
de inters y usar los datos de la muestra para
aceptar o rechazar esta afirmacin.
Hiptesis Nula: Hiptesis que se propone para el
parmetro de inters.
Hiptesis Alterna. Es la Hiptesis que se plantea en
oposicin a la Hiptesis nula.
Pruebas de Hiptesis
Sea parmetro de inters para la prueba y
algn valor supuesto para el parmetro.
Pruebas de una cola
Pruebas de dos colas
U
0
U
0 1
0 0
:
:
U U
U U

=
H
H
0 1
0 0
:
:
U U
U U
>
=
H
H
0 1
0 0
U U
U U
= =
= =
H
H
Error Tipo I o Nivel de Significancia
y Error Tipo II
Se define al error tipo I como la probabilidad de
Rechazar H
0
dado que H
0
es verdadero.
Se define al error Tipo II como la probabilidad de
no rechazar Ho dado que Ho es falso.
) \ (Re era Hoesverdad chazarHo P = E
) \ ( Hoesfalsa Ho Norechazar P = F
Potencia de la Prueba
Mide la probabilidad de Rechazar una Hiptesis
Falsa. De manera general:

) \ (Re
a
chazarHo P U U =
Pruebas de Hiptesis relacionadas
con medias (n>30)
1)Formular Ho:
2)Formular una Hiptesis alterna que es de inters
probar.
3)Especificar un nivel de significancia de la prueba
0 0
: Q Q = H
0 1
0 1
0 1
: ) 3 (
: ) 2 (
: ) 1 (
Q Q
Q Q
Q Q
=

>
H
H
H
E
Pruebas de Hiptesis relacionadas
con medias (n>30)
4) Seleccionar el estadstico de prueba
5)Se Rechaza Ho si
n
X
Z
/
0
W
Q
=
) 3 ( o
) 2 (
) 1 (
2 / 2 / E E
E
E
Z Z Z Z
Z Z
Z Z
>

>
Pruebas de Hiptesis relacionadas
con medias (n<30)
1)Formular Ho:
2)Formular una Hiptesis alterna que es de inters
probar.
3)Especificar un nivel de significancia de la prueba
0 0
: Q Q = H
0 1
0 1
0 1
: ) 3 (
: ) 2 (
: ) 1 (
Q Q
Q Q
Q Q
=

>
H
H
H
E
Pruebas de Hiptesis relacionadas
con medias (n<30)
4) Seleccionar el estadstico de prueba
5)Se Rechaza Ho si
n s
X
T
/
0
Q
=
) 3 ( o
) 2 (
) 1 (
1 , 2 / 1 , 2 /
1 ,
1 ,

>

>
n n
n
n
T T T T
T T
T T
E E
E
E
Pruebas de Hiptesis relacionadas
con la proporcin (n>30)
1)Formular Ho:
2)Formular una Hiptesis alterna que es de inters
probar.
3)Especificar un nivel de significancia de la prueba
0 0
: p p H =
0 1
0 1
0 1
: ) 3 (
: ) 2 (
: ) 1 (
p p H
p p H
p p H
=

>
E
Pruebas de Hiptesis relacionadas
con la proporcin (n>30)
4) Seleccionar el estadstico de prueba
5)Se Rechaza Ho si
n
p p
p p
Z
) 1 (

0 0
0

=
) 3 ( o
) 2 (
) 1 (
2 / 2 / E E
E
E
Z Z Z Z
Z Z
Z Z
>

>
Pruebas de Hiptesis relacionadas
con diferencia de medias (n>30)
1)Formular Ho:
2)Formular una Hiptesis alterna que es de inters
probar.
3)Especificar un nivel de significancia de la prueba
0 2 1 0
: d H = Q Q
0 2 1 1
0 2 1 1
0 2 1 1
: ) 3 (
: ) 2 (
: ) 1 (
d H
d H
d H
=

>
Q Q
Q Q
Q Q
E
Pruebas de Hiptesis relacionadas
con diferencia de medias (n>30)
4) Seleccionar el estadstico de prueba
5)Se Rechaza Ho si
2
2
2
1
2
1
0 2 1
) (
n n
d X X
Z
W W
+

=
) 3 ( o
) 2 (
) 1 (
2 / 2 / E E
E
E
Z Z Z Z
Z Z
Z Z
>

>
Pruebas de Hiptesis relacionadas con diferencia de
medias (n<30).Varianzas desconocidas e iguales
1)Formular Ho:
2)Formular una Hiptesis alterna que es de inters
probar.
3)Especificar un nivel de significancia de la prueba
0 2 1 0
: d H = Q Q
0 2 1 1
0 2 1 1
0 2 1 1
: ) 3 (
: ) 2 (
: ) 1 (
d H
d H
d H
=

>
Q Q
Q Q
Q Q
E
Pruebas de Hiptesis relacionadas con diferencia de
medias (n<30).Varianzas desconocidas e iguales
4) Seleccionar el estadstico de prueba
5)Se Rechaza Ho si
1
) 1 ( ) 1 (
1 1
) (
2 1
2
2 2
2
1 1
2
2 1
0 2 1
+
+
=
+

=
n n
S n S n
S
n n
S
d X X
T
p
p
) 3 ( o
) 2 (
) 1 (
1 2 1 , 2 / 1 2 1 , 2 /
1 2 1 ,
1 2 1 ,
+ +
+
+
>

>
n n n n
n n
n n
T Z T Z
T Z
T T
E E
E
E
Pruebas de Hiptesis relacionadas
con varianzas
1)Formular Ho:
2)Formular una Hiptesis alterna que es de inters
probar.
3)Especificar un nivel de significancia de la prueba
0
2 2
0
: W W = H
0
2 2
1
0
2 2
1
0
2 2
1
: ) 3 (
: ) 2 (
: ) 1 (
W W
W W
W W
=

>
H
H
H
E
Pruebas de Hiptesis relacionadas
con varianzas
4) Seleccionar el estadstico de prueba
5)Se Rechaza Ho si
2
0
2
2
) 1 (
W
G
S
n =
) 3 ( o
) 2 (
) 1 (
1 , 2 / 1
2 2
1 , 2 /
2 2
1 , 1
2 2
1 ,
2 2

>

>
n n
n
n
E E
E
E
G G G G
G G
G G
Pruebas de Hiptesis para dos
varianzas
1)Formular Ho:
2)Formular una Hiptesis alterna que es de inters
probar.
3)Especificar un nivel de significancia de la prueba
2
2
2
1 0
: W W = H
2 2
1
2 2
1
2 2
1
2 1
2 1
2 1
: ) 3 (
: ) 2 (
: ) 1 (
W W
W W
W W
=

>
H
H
H
E
Pruebas de Hiptesis relacionadas
con varianzas
4) Seleccionar el estadstico de prueba
5)Se Rechaza Ho si
2
2
2
1
S
S
F =
) 3 ( o
) 2 (
) 1 (
2 , 1 , 2 / 1 2 , 1 , 2 /
2 , 1 , 1
2 , 1 ,



>

>
n n n n
n n
n n
F F F F
F F
F F
E E
E
E
Bibliografa
Zurita, G. (2008), Probabilidad y Estadstica,
Primera Edicin; Guayaquil, Ecuador.
Rodrguez, L. (2007), Probabilidad y Estadstica
Bsica para Ingenieros; Guayaquil, Ecuador.