Beruflich Dokumente
Kultur Dokumente
INTERVALOS DE CONFIANZA
1
Nivel de Confianza Gráficamente :
L1 L2
θ Podemos considerar el nivel de confianza (1-α) que
hemos prefijado para la expresión anterior como la
probabilidad que existe (antes de tomar la muestra) de
que el intervalo a construir a partir la muestra
incluya el verdadero valor del parámetro a estimar.
p
El complementario del “nivel de confianza”,, es “α”,, denominado nivel de significancia,
g ,
supone la probabilidad de cometer el error de concluir que el intervalo no contiene el
verdadero valor del parámetro cuando realmente si esta contenido.
P(θ1 ≤ μ ≤ θ 2 ) = 1 − α
2
Entonces :
4)Para “n”
4)P “ ” suficientemente
fi i t t grande
d (n≥30)
( ≥30) por ell teorema
t central
t l del
d l limite
li it
se tiene que:
σ2
X ≈ N ( μ, )
n
( X − μ) n
Z= ≈ N (0,1)
σ
P ( − z0 ≤ Z ≤ z0 ) = 1 − α , …….. (*)
3
Por la simetría de la curva normal se tiene:
P(− z0 ≤ Z ≤ z0 ) = 2 P[ Z ≤ z0 ] − 1 = 1 − α
Es decir:
2 P[ Z ≤ z0 ] = 1 + 1 − α
2 −α
P[ Z ≤ z0 ] =
2
2 −α α
P[ Z ≤ z0 ] = f ( z0 ) = = 1−
2 2
( X − μ) n
Z= ≈ N (0,1)
σ
en la siguiente expresión: P (− z0 ≤ Z ≤ z0 ) = 1 − α
( X − μ) n
P(− z0 ≤ Z ≤ z0 ) = P(− z 0 ≤ ≤ z0 ) = 1 − α
σ
z0σ zσ
P(− ≤ X − μ ≤ 0 ) = 1−α
n n
z0σ zσ
P(− X − ≤ −μ ≤ − X + 0 ) = 1 − α
n n
z0σ zσ
P( X − ≤ μ ≤ X + 0 ) = 1−α
n n
ESTADISTICA NO PARAMETRICA LIC. RITA GUZMAN LOPEZ
4
z0σ zσ
P(− X − ≤ −μ ≤ − X + 0 ) = 1 − α
n n
z0σ zσ
P( X − ≤ μ ≤ X + 0 ) = 1−α
n n
z0σ zσ
[X − ,X + 0 ]
n n
z0σ zσ
x− ≤μ≤x+ 0
n n
5
Teorema que resume y formaliza el resultado anterior:
α
f ( z0 ) = 1 −
2
z0 S zS
μ ∈ IC [ x − ,x + 0 ]
n n
Con un nivel de confianza del 100(1
100(1-α)%.
α)%.
6
3)Cuando el muestreo es sin reemplazo en poblaciones finitas de N
elementos se usa el factor de corrección :
( N − n)
( N − 1)
i. Entonces, para una población finita de N elementos y un muestreo
sin reposición, además siendo la desviación estándar poblacional
σ conocida y n ≥ 30, el intervalo que contiene el parámetro ”µ” es:
⎡ σ ( z0 ) N − n σ ( z0 ) N − n ⎤
μ ∈ IC ⎢ X − ,X + ⎥
⎣ n N −1 n N −1 ⎦
⎡ S ( z0 ) N −n S ( z0 ) N −n⎤
μ ∈ IC ⎢ X − ,X + ⎥
⎣ n N −1 n N −1 ⎦
7
Observaciones:
Solución:
Del enunciado (1-α)=0.95
Sabemos: P ( Z ≤ z0 ) = f ( z0 ) = 1 − α , reemplazando:
2
0.05
P( Z ≤ z0 ) = f ( z0 ) = 1 − = 0.975
2
De tabla de la distribución normal se obtiene:
z0 = 1.96
8
Dado que conocemos σ =10 y n=64, entonces:
z0σ zσ
μ ∈ IC [ x − ,x + 0 ]
n n
Calculando los limites:
(1.96)(10)
L1 = 48.5 − = 46.05
8
(1.96)(10)
L2 = 48.5 + = 50.95
8
Sea X v.a
v a con distribución aproximadamente normal con media μ y
varianza σ2 (desconocida). Sabemos que cuando σ2 es desconocida se
usa el estimador puntual s2.
Entonces:
1. Establecemos el nivel de significación para el análisis.
2. Consideramos una m.a. X1,X2,…,Xn de tamaño n (n<30), y sus
respectivas media muestral X y desviación típica muestral “S”.
9
3. Sabemos que X es adecuada para estimar μ, pero como σ2 es
desconocida usaremos la distribución muestral de la variable aleatoria
(X − μ) n
T = ≈ t ( n −1 ) g .l .
s
4 T v.a.
4. v a que depende de μ pero su distribución no,
no entonces establecido
el nivel de confianza (1-α), podemos determinar dos valores t1 y t2 tal
que:
P[t1 ≤ T ≤ t 2 ] = 1 − α
6. Sustituyendo T:
(X − μ) n t0 s ts
P[ −t 0 ≤ T = ≤ t0 ] = 1 − α P[− ≤ X − μ ≤ 0 ] = 1−α
s n n2
ts ts
P[ X − 0 ≤ μ ≤ X + 0 ] = 1 − α Donde: t0 = t α
1− ,( n −1) g .l .
n n2 2
t0 s N −n ts N −n
μ ∈ IC [ X − ;X + 0 ]
n N −1 n N −1
ESTADISTICA NO PARAMETRICA LIC. RITA GUZMAN LOPEZ
10
ERROR DE ESTIMACIÓN Y MÁXIMO ERROR DE ESTIMACIÓN
Error
z0σ μ X z0σ
x− x+
n n
Sabemos: X −μ
− z0 ≤ ≤ z0
σ
Máximo error de estimación
n (e0)
σ σ σ
− z0 ≤ X − μ ≤ z0 X − μ ≤ z0
n n n
Error de estimación
(e)
P( X − e0 ≤ μ ≤ X + e0 )
σ s
Donde: e
0 = z0 ó e0 = t0 según las condiciones del
problema. n n
ESTADISTICA NO PARAMETRICA LIC. RITA GUZMAN LOPEZ
11
TAMAÑO DE MUESTRA PARA ESTIMAR LA MEDIA DE LA POBLACIÓN (µ)
Para determinar el tamaño de una muestra para estimar µ, empleando el muestreo aleatorio
simple, es necesario partir de dos supuestos:
2° Cual es el error máximo (e) que estamos dispuestos a admitir en nuestra estimación.
⎛zσ ⎞
2
σ zσ n≤⎜ 0 ⎟
e ≤ e0 e ≤ z0 n≤ 0
n e ⎝ e ⎠
σ N −n z02σ 2 N
e ≤ z0 n=
n N −1 z0σ 2 + e 2 ( N − 1)
S ú las
Según l condiciones
di i d
dell problema
bl se usara σ ó s
12
Aplicación 1:
Solución:
n=100, X = 0.2210 , s=0.0240, 1-α=0.95
s s Donde: z0=z1-α/2
a) P [ x − z 0 ≤ μ ≤ x − z0 ]
n n valor de tabla zo.975=1.96
s ( 0 . 0240 )
z0 = 1 . 96 = 0 . 0047
n 100
Reemplazando:
μ ∈ I .C .[ 0 . 2163 ;0 . 2257 ]
13
b) X − μ ≤ e0 X − μ ≤ z0
s
= 0 . 0047
n
e ≤ 0.0047
Aplicación 2:
Un ingeniero mecánico cree haber perfeccionado un programa de
adiestramiento que puede reducir considerablemente el tiempo de
montaje de ciertos mecanismos empleados por los trabajadores. Para
comprobar esta creencia, escoge 10 trabajadores al azar y realiza
estudios de tiempo antes y después del adiestramiento, obteniendo
como resultado las siguientes reducciones de tiempo en minuto:
TABAJADOR 1 2 3 4 5 6 7 8 9 10
REDUCCION
DE TIEMPO 3 5 -1 0 7 4 8 3 -1 2
14
Solución:
10
(1-α)=0.95
∑x i
30
x = i =1
= =3
n 10
s 2
=
∑ (x − x) i
2
=
88
= 9.778
n −1 9
s = 3. 127
Calculamos: t 0 = t 0 .975 ;( 9 ) g . l = 2 . 262
t0 s ( 2 . 262 )( 3 . 127 )
= = 2 . 237
n 10
L 1 = 3 − 2 . 237 = 0 . 763
L 2 = 3 + 2 . 237 = 5 . 237
(n − 1)S 2
Sabemos que la v.a. ≈ χ(2n−1) g .l entonces consideramos dos
σ2
cuantiles de esta distribución que nos dejen una probabilidad (1-α) en la
zona central de la distribución, luego se puede encontrar L1 y L2 tal que:
α⎫
P[χ 2 < L1 ] =
2 ⎪⎪
⎬ ⇒ P[L1 ≤ χ ≤ L2 ] = 1− α
2
α
P[χ 2 > L2 ] = ⎪⎪
2⎭
L1 L2
15
Entonces:
P [ χ α2 ≤ χ2 ≤ χ2α ] = 1−α
, ( n −1 ) g . l . 1− , ( n −1 ) g . l .
2 2
( n − 1) s 2
P[ χ α2 ≤ ≤ χ2 α ] = 1−α
2
,( n −1) g .l . σ2 1− ,( n −1) g .l .
2
1 σ 2
1
P[ ≥ ≥ ] = 1−α
χα 2
( n − 1) s 2
χ 2
α
, ( n −1 ) g . l . 1− , ( n −1 ) g . l .
2 2
1 σ2 1
P[ ≤ ≤ ] = 1−α
χ 2
α ( n − 1) s 2
χα 2
1− ,( n −1) g .l . ,( n −1) g .l .
2 2
Entonces:
( n − 1) s 2 ( n − 1) s 2
P[ ≤σ2 ≤ ] = 1−α
χ2α χ α2
1− ,( n −1) g .l . ,( n −1) g .l .
2 2
( n − 1) s 2 ( n − 1) s 2
Luego: L1 = L2 =
χ2α y χ α2
,( n −1) g .l .
1− ,( n −1) g .l . 2
2
16
II. Caso de Población normal o no y muestra grande (n≥30).
Si n es grande : la distribución muestral de S se aproxima a la
normal N(σ;σ2/2n), entonces :
S −σ
Z = ≈ N ( 0 ;1 )
σ
2n
Si n es grande : la distribución muestral de “S” se aproxima a
la normal N(σ;σ2/2n), entonces :
P[− z0 ≤ Z ≤ z0 ] = 1 − α
S −σ
P[ − z0 ≤ ≤ z0 ] = 1 − α Recordar: Z0=z(1-α/2)
σ
2n
2n S
P[ − z0 ≤ − 2n ≤ z 0 ] = 1 − α
σ
2n S
P[ 2n − z0 ≤ ≤ z0 + 2n ] = 1 − α
σ
1 σ 1
P[ ≥ ≥ ] = 1−α
2n − z 0 2n S z0 + 2n
1 σ 1
P[ ≤ ≤ ] = 1−α
z 0 + 2n 2n S 2n − z 0
2n S 2n S
P[ ≤σ ≤ ] = 1−α
z0 + 2n 2n − z0
17
S S
P[ ≤σ ≤ ] = 1−α
z z
1+ 0 1− 0
2n 2n
S2 S2
P[ 2
≤σ 2 ≤ 2
] = 1−α
⎛ z ⎞ ⎛ z ⎞
⎜1 + 0 ⎟ ⎜1 − 0 ⎟
⎝ 2n ⎠ ⎝ 2n ⎠
Entonces : S2 S2
L1 = y L2 = 2
⎛ z ⎞
2
⎛ z ⎞
⎜1 + 0 ⎟ ⎜1 − 0 ⎟
⎝ 2n ⎠ ⎝ 2n ⎠
Aplicación:
Los siguientes números son las notas de 15 estudiantes del curso de
Estadística No Parametrica.
13, 08, 10, 12, 15,07, 16, 09, 14, 11, 08, 11, 17, 13, 11
Solución:
Para un nivel de confianza (1-α)=0.95 α=0.05
Haciendo cálculos encontramos: S =9.09524
2
Valores de tabla:
18
Reemplazando en:
( n − 1) s 2 (14)(9.09524)
L1 = = = 4.879
χ 2
0.975,(14 ) g .l . 26.1
( n − 1) s 2 (14)(9.0952)
L2 = = = 22.617
χ 2
0.025,(14 ) g .l . 5.63
( n − 1) s 2 (14 )( 9 . 0952 )
L2 = = = 22 . 617 = 4 . 756
χ 02. 025 , ( 14 ) g . l . 5 . 63
19