PUNTUAL

CAPITULO 2 ESTIMACION

62

2.52. Sean X1 , . . . , Xn v.a. iid con distribuci

on B(1, p). Considere los siguientes estimadores
X1 + X2

p!2 =
.
p!1 = X,
2

CAPITULO 3
POR REGIONES DE CONFIANZA
ESTIMACION

(a) Estos estimadores son insesgados?

(b) Cual tiene menor varianza?
(c) Son consistentes?

En este captulo, interesa encontrar un subconjunto del espacio de par

ametros , de
ametro .
manera que este subconjunto C sea una estimacion del verdadero par
a) En el caso clasico, C contiene a con una conanza 1 , donde 0 < < 1;
peque
no (por ejemplo, = 0,05) o tambien C cubre a con probabilidad 1 .
b) En el caso bayesiano, pertenece C con probabilidad a posteriori, i.e.,

Pr( C |X = x) =
(|X)d = 1 .
C

El captulo se divide tomando en consideraci

on las diversas situaciones de interes que
puede presentar el caso clasico: metodo de la funci
on pivote, el caso normal y el caso
asint
otico (cuando n es grande). Luego se estudia el caso bayesiano.

3.1.

PIVOTE
METODO
DE LA FUNCION

Sea X = (X1 , . . . , Xn ) una m.a. proveniente de una densidad f (x|), donde ,

un intervalo real. Una funci
on pivote es una funci
on que depende de X y de , pero su
distribuci
on de probabilidad no depende de , i.e., (X; ) es una funci
on pivote si la ley
de (X; ) no depende de .
Ejemplo 3.1.
1. Sea X = (X1 , . . . , Xn ) m.a. N (, 2 ), con 2 conocida,



n N , 2 (X; ) = Xn N (0, 1)
X

63

 POR REGIONES DE CONFIANZA

CAPITULO 3 ESTIMACION

64

es una funci
on pivote para .

PIVOTE
3.1 METODO
DE LA FUNCION

De esta u
ltima ecuacion, uno puede obtener que

2. Sea X v.a. con distribuci

on exponencial de media > 0,
1 1
f (x|) = e x ;

Sea Y =

dx
dy

Pr(A(X) < < B(X)) = 1 .

x > 0.

Este metodo es conocido como el Metodo de Neyman.

Denici
on 3.1.1. IC(; 1 ) : (A(X); B(X)) se dice intervalo de conanza de nivel
1 para .

= > 0,
1 y
e = ey ; y > 0,

X
exponencial de media 1;
Y = (X, ) =

fY (y|) =

=
=

Ejemplo 3.2. Sea (X1 , . . . , Xn ) m.a. N (, 2 ), 2 > 0 conocida,

Z = (X, ) =

luego es una funci

on pivote para .
1

3. Sea X = (X1 , . . . , Xn ) m.a. exponencial de media , i.e., f (x|) = 1 e x ; x > 0,

> 0.
n
stica suciente para y adem
as
Sabemos que T =
i=1 Xi es una estad
 1
T Gamma n; , i.e.,
1
1
tn1 e t ,
(n)n

fT (t|) =

t > 0, > 0.

Sea

1
T,

i.e., Y =

2
T,

dt
2 y, dy

t=

fY (y|) =
=

1
(n)n
 1 n
2

(n)

n1

y n1 e 2 ;

e 2

 

;
2

y > 0,

donde z1 2 se determina de la tabla N (0, 1).

= 2,06, = 0,08 y z0,9750 = 1,96,
Con datos especcos, = 0,05, n = 8, X

y > 0,

0,08
IC(; 95 %) : 2,06 1,96
8
: 2,06 0,055



2
2
Xi Gamma n; 12 = 22n .
T =

IC(; 95 %) : (2,005 ; 2,115)

i=1

Nota: U 2 si U Gamma
As (X; ) =

n

i=1 Xi


1

2; 2

es una funci
on pivote para el par
ametro .

Dada la funci
on pivote (X; ), 0 < < 1 (peque
no) es posible encontrar a y b de
manera que

Pr((X; ) a) = , Pr((X; ) b) = ,
2
2
Pr(a < (X; ) < b) = 1 .

N (0, 1).

n z1 ,
IC(; 1 ) : X
2
n

Y = (X; ) =

El intervalo de conanza de nivel 1 para viene dado por

2,

y
2

n
X




X
< z1 = 1
Pr z1 2 <
2
/ n


n + z1 = 1 ,
n z1 < < X
Pr X
2
2
n
n

Uno podra procurar una funci

on pivote bas
andose en la distribuci
on chi-cuadrado.
Y
2

65

Por otra parte, el EMV de es

! = 2,06.
Sentencias en R:
> ici<-2.06-qnorm(0.975)*0.08/sqrt(8)
> ics<-2.06+qnorm(0.975)*0.08/sqrt(8)
> ic<-c(ici,ics)
> ic
[1] 2.004564 2.115436

 POR REGIONES DE CONFIANZA

CAPITULO 3 ESTIMACION

66

3.1.1.

Interpretaci
on Frecuentista

Si uno seleccionara todas las muestras de tama

no n = 8 de la poblaci
on respectiva y
calculara todos los intervalos de nivel 0,95 posibles, un 95 % de dichos intervalos contiene
al verdadero valor de .
Esto tambien se expresa diciendo que con una conanza de 95 % el intervalo calculado
contiene o cubre al verdadero valor de .
Ejemplo 3.3. Sea X = (X1 , . . . , Xn ) m.a. exponencial de media . Sabemos que

PIVOTE
3.1 METODO
DE LA FUNCION

67

Si !n es el EMV de (luego por invarianza g(!n ) es el EMV de g()) y se cumplen las

condiciones de regularidad, entonces


a
!n N ; (nI())1



(g ())2
a
g(!n ) N g();
,
nI()
donde I() es la informacion de Fisher asociada a una observaci
on X f (x|).
Esto dice que los EMV son asint
oticamente insesgados y ecientes. De esta forma se
calculan los IC para y para g() de nivel 1 , aproximado por
:



2
Xi Gamma n; 12 = 22n

(X; ) =

ICa ( ; 1 ) : !n

i=1

1
!
nI()

z1 2

!
g  ()
z1 2
ICa (g() ; 1 ) : g(!n ) '
!
nI()

es una funci
on pivote para .
Es posible encontrar los valores 22n; y 22n;1 en la tabla 22n ,
( 2)
(
2)

fY (y) =

( 12 ) 2 1 y
y 2 e 2 , y > 0, = 2n
( 2 )



= 1
Pr 2(2n; ) < Y < 2(2n;1 )
2
2




n
2 ni=1 Xi
2 ni=1 Xi
2
2
2

Pr (2n; ) <
<<
= Pr
Xi < (2n;1 )

22n;1
22n;
2
2
i=1
(
( 2)
2)
= Pr(A(X) < < B(X))

Ejemplo 3.4. Sea (X1 , . . . , Xn ) m.a. Bernoulli(p) con n grande.

'
p)
a) ICa (p; 1 ) : p! p!(1!
z1 2
n
n =
p! = X

N
umero de 1
,
n

n = 100, p! = 0,07, I(p) =

;

IC(p ; 90 %) : 0,07

1
p(1p) ,

I(!
p) =

0,07(0,93)
1,645.
100

Sentencias en R:

= 1 ,
luego,

IC(; 1 ) :

n
2nX
22n;1
(
2)

n
2nX

22n;
( 2)

Nota 2. Uno debe tener en claro la interpretaci

on frecuentista de los intervalos de conanza, como la que se di
o en el caso normal. Adem
as, se trata de tener probabilidad de
cubrimiento sobre el par
ametro, lo que es traducido como el llamado nivel de conanza.

> ici<-0.07-qnorm(0.95)*sqrt(0.07*(1-0.07)/100)
> ics<-0.07+qnorm(0.95)*sqrt(0.07*(1-0.07)/100)
> ic<-round(c(ici,ics),3)
> ic
[1] 0.028 0.112

b) La varianza de la poblaci
on es Var(X) = p(1 p) = g(p).
g(p) = p p2 1 2p = g  (p),
1 2!
p
p) '
z1 2 ,
ICa (g(p) ; 1 ) : g(!
n
p!(1!
p)

Si el despeje en el calculo del intervalo de conanza no es analticamente posible,

uno podra recolectar mas datos y usar resultados relativos a los EMV, cuando n es
sucientemente grande. Estos resultados son los siguientes.

n.
donde p! = X

1
p!(1!
p) ,

z0,95 = 1,645

 POR REGIONES DE CONFIANZA

CAPITULO 3 ESTIMACION

68

3.1.2.

Intervalos de Conanza para muestras grandes

Caso Asint
otico
:
ICa ( ; 1 ) : !M V z1 2

1
nI(!M V )

|g  (!M V )|
.
ICa (g() ; 1 ) : g(!M V ) z1 2 '
nI(!M V )
Esto se obtiene de
g(!M V ) N
a


g();

(g  ())2
nI()


.

Pr z 2 <

!n
n < z 2 |

69

> alpha<-0.05
> d<-qnorm(1-alpha/2)*sqrt(0.7*(1-0.7)/100)
> ici<-0.7-d
> ics<-0.7+d
> ic<-round(c(ici,ics),2)
> ic
[1] 0.61 0.79

Al estimar la varianza de la poblaci

on, i.e., g(p) = p(1 p) = p p2 , se debe calcular
g  (p) = 1 2p y luego,
;
p!(1 p!)
ICa (g(p) ; 1 ) : g(!
p) z1 2 |1 2!
p|
,
n
que para el caso resulta ser IC(g(p); 0,95) : (0,1741; 0,2459).

Ejemplo 3.5. Sea X = (X1 , . . . , Xn ) una m.a. de f (x|) = ex , x > 0, > 0. El EMV
as que n () = n , lo que permite escribir
de es ! = X1 . Se tiene adem

PIVOTE
3.1 METODO
DE LA FUNCION


1

3.1.3.

Intervalos de Conanza asociados a la Distribuci

on Normal

on N (, 2 ).
Situacion de una m.a. X = (X1 , . . . , Xn ) proveniente de una poblaci
Ya vimos que si 2 es conocida, entonces el intervalo de 100(1 ) % de conanza para
es
n z1 .
IC( ; 1 ) : X
2
n

Esta expresi
on se puede invertir obteniendo un intervalo de grado de conanza 1 para
,


n1
n1
X
X
.
IC(; 1 )
z/2 ;
z/2
1 + n 1 n

Otros problemas relevantes son la estimacion de cuando 2 es desconocida y la propia

estimacion de 2 . En esta situacion, es conveniente que uno se preocupe del trabajo con
muestras normal, i.e., resultados propios de esta poblaci
on.

Ejemplo 3.6. Sea X = (X1 , . . . , Xn ) m.a. Bernoulli(p), n grande.

3.1.4.

p: proporci
on poblacional, E(X) = p, Var(X) = p(1 p) = p p2 .
;
ICa (p ; 1 ) : p! z1 2

p!(1 p!)
.
n

Suponga que n = 100 hogares, 70 de ellos asistan a un cierto programa de TV. En este
caso, el intervalo para p, proporci
on de hogares (TV encendidos) que asisten al programa
;
ICa (p ; 95 %) : 0,7 1,96
: 0,7 0,089,

0,7 0,3
100

Acerca de la distribuci
on Chi-cuadrado

Ademas de ser denida como una particular distribuci

on Gamma, i.e., Y 2 signica


que Y Gamma 2 ; 12 .
Ahora, sean Z1 , . . . , Z v.a. iid N (0, 1), entonces
i) Y =

Zi2 2 .

i=1

ii) Las variables aleatorias

1
1
Zi y
(Zi Z )2 = Varianza;
Z =

1
i=1

ICa (p ; 95 %) : (0,611 ; 0,789).

Sentencias en R:

i=1



2 son independientes, media muestral independiente de
i=1 Zi y
i=1 (Zi Z )
varianza muestral.


 POR REGIONES DE CONFIANZA

CAPITULO 3 ESTIMACION

70

iii) Y =

i=1 (Zi

Z )2 21 .

PIVOTE
3.1 METODO
DE LA FUNCION

iii)

(n1) 2
S
2

71

2n1 .

En particular,

Demostraci
on.
1

1
2; 2

=
Gamma
y son iid, luego
i) Note que
seg
un la tecnica de la Funci
on Generadora de Momentos.
Zi2

21

2
i=1 Zi

2 ,

que se prueba

ii) Este resultado se prob

o rigurosamente en 1955 por Halmos & Savage, Annals of
Mathematical Statistics.
Se debe probar que la distribuci
on de probabilidad conjunta es el producto de las
distribuciones de probabilidades marginales.

(n 1)
E(S 2 ) = n 1 E(S 2 ) = 2 ,
2
2
i.e., S es un estimador insesgado de 2 ,
2 4
(n 1)2
Var(S 2 ) = 2(n 1) Var(S 2 ) =
.
4
n1
Se propone al lector (estudiante) vericar,
a) S 2 es eciente para 2 ?
b) S 2 es consistente? Si, E(S 2 ) = 2 y Var(S 2 ) 0 cuando n +.

iii)

i=1

i=1

(Zi Z )2 =

Zi2 2Z

Zi + Z2 =

i=1

Zi2 Z2

i=1

 2

(Zi Z )2 +
=
Zi2
1/
i=1

i=1

21 + 21 = 2 .
2a

Xi

N (0, 1),


(n 1)S 2 (n 1)S 2
.
IC( ; 1 ) :
;
2(n1;1 )
2(n1; )
2

2a + 2b 2a+b .

Sea 2 = Gamma

1
2; 2

, Y 2 ,

fY (y) =

( 12 ) 2 y 2 1 1 y
e 2 , y > 0.
( 2 )

Ahora sean X1 , . . . , Xn v.a. iid N (, 2 ), i.e., X = (X1 , . . . , Xn ) m.a. proveniente de la

distribuci
on N (, 2 ).
Es claro que ii) en esta situacion, es
n )2 pues
n = 1 n Xi S 2 = 1 n (Xi X
ii) X
i=1
i=1
n
n1
Xi N (, 2 ) Zi =
n
X
,

Xi
, i = 1, . . . , n

reemplazando,

n
n 
n


n 2
Xi X
1
n )2 = (n 1) S 2 .

(Zi Zn )2 =
= 2
(Xi X

2
i=1

Pues, Xi N (, 2 ) Zi =
2

2b

luego Zn =

De iii) se tiene que (X; 2 ) = (n1)s

es una funcion pivote para 2 .
2
2
Es posible encontrar en una tabla n1 , dos valores 2(n1; ) y 2(n1;1 ) tales que
2
2


(n 1)S 2
2

=
1

<

Pr 2(n1; ) <
(n1;1 2 )
2
2

i=1

i=1

Ejemplo 3.7. Sean n = 16 y S 2 = 0,063. Se pide IC( 2 ; 95 %).

Para 2(15;0,975) = 0,025 25 % 2(15;0,975) = 27,488.
Para 2(15;0,025) = 0,975 97,5 % 2(15;0,025) = 6,262.
Luego,


15 0,063 15 0,063
;
.
IC( 2 ; 95 %) :
27,488
6,262
Sentencias en R:
> alpha<-0.05
> q1<-qchisq(1-alpha/2,15)
> q2<-qchisq(alpha/2,15)
> q1
[1] 27.48839
> q2
[1] 6.262138
> ici<-15*0.063/q1
> ics<-15*0.063/q2
> ic<-round(c(ici,ics),3)
> ic
[1] 0.034 0.151

 POR REGIONES DE CONFIANZA

CAPITULO 3 ESTIMACION

72

3.1.5.

Distribuci
on t de Student

Se dice que la v.a. T sigue una distribuci

on t de Student con grados de libertad si
su funci
on de densidad viene dada por
fT (t) =

 

( +1
)
2
+1
t2
 2
1+
, t R.

Notaci
on: T t . Ademas, E(T ) = 0 y Var(T ) =

2 ,

> 2.

'Z

t .

Resultados acerca de la t-Student

i) t N (0, 1) cuando +.
ii) Z N (0, 1) independiente de Y 2 T =

iii) Consecuencia de ii). Considerar X = (X1 , . . . , Xn ) m.a. N (, 2 ),

<
n
<
X
N (0, 1) <<
Z =
/ n

<
< T = 'Z = Xn
tn1 ,
<
S/ n
Y
<
2
(n 1)S
n1
<
2
n1 <
Y =
2
donde

PIVOTE
3.1 METODO
DE LA FUNCION

De la tabla = 5 % y g.l. = n 1 = 15 t(15;0,975) = 2,131, luego



20
IC( ; 95 %) :
492 2,131
16
: (492 10,655),
el valor 500 gr. est
a includo en el intervalo, la m
aquina est
a bajo control.
Sentencias en R:
> alpha<-0.05
> t<-qt(1-alpha/2,15)
> round(t,3)
[1] 2.131
> ici<-492-t*20/sqrt(16)
> ics<-492+t*20/sqrt(16)
> ic<-round(c(ici,ics),3)
> ic
[1] 481.343 502.657

3.1.6.

i=1

i=1

As,
n t(n1;1 ) S .
IC( ; 1 ) : X
2
n

Situaci
on donde se dispone de dos muestras normales independientes

Sean
n , S12 ,
X = (X1 , . . . , Xn ) m.a. N (1 , 12 ) X

1
n )2 .
n = 1
Xi y S 2 =
(Xi X
X
n
n1
n

73

= (Y1 , . . . , Ym ) m.a. N (2 , 22 ) Ym , S22 .

Caso 12 , 22 conocidos

 <
2
n N 1 , 1 <<
X
n

<
2
n Ym N 1 2 , 1 +
<X
n

 <<
2

Ym N 2 , m2 <

Si n es grande,
n z1 S .
ICa ( ; 1 ) : X
2
n
Luego,

22
m

Ejemplo 3.8 (Control de un proceso de llenado). Una m

aquina llena paquetes de
cafe de 500 gr. Para saber si la m
aquina est
a bajo control, una muestra de 16 paquetes
a la m
aquina
di
o como resultado una media de 492 gr. y una varianza de 400 gr2 . Est
bajo control?

12 22
+ .
n
m
Toma de decision: Si el cero esta contenido en el intervalo, uno pensara que 1 = 2 con
una conanza de 1 .

Sea X : cantidad de cafe en un paquete, X N (, 2 ) (supuesto) donde y 2

= 492 gr. y
son desconocidos. Se dispone de una muestra aleatoria de n = 16 con X
S 2 = 400 gr2 .
Podramos construir un IC( ; 95 %), si el valor 500 gr. est
a contenido en dicho intervalo, se podra pensar que la m
aquina est
a bajo control, con una conanza del 95 %.

Caso 12 = 22 = 2 desconocidos

n Ym z1
IC(1 2 ; 1 ) : X
2

Calculemos el IC(1 2 ; 1 ). Como 12 = 22 = 2 , entonces

Z=

n Ym (1 2 )
X
' 
N (0, 1).

1
2 n1 + m

 POR REGIONES DE CONFIANZA

CAPITULO 3 ESTIMACION

74

Ademas, como X e Y son independientes,

<
<
(n 1)S12
2n1 <<
2
2
2

<
< (n 1)S1 + (m 1)S2 2n+m2 .
<
2
2
<
2
(m 1)S2
2m1 <<
2
Sea
Sp2 =

(n

+ (m
n+m2

1)S12

1)S22

la suma ponderada entre S12 y S22 que es un estimador insesgado de 2 , luego

Y =
As, T =

' Z

Y
n+m2

(n + m 2)Sp2
2n+m2 .
2

tn+m2 , i.e.,

T =

n Ym (1 2 )
X
'
tn+m2 ,
1
Sp n1 + m

luego

1
1
+ .
n m
Si el cero esta contenido en el intervalo, uno puede pensar que 1 = 2 con una conanza
de 100(1 ) %.
n Ym t(n+m2;1 ) Sp
IC(1 2 ; 1 ) : X
2

1
1
+ .
n m

Ejemplo 3.9.
= 71, S 2 = 395, n = 5.
Filial 1. X
1
Filial 2. Y = 62, S22 = 400, m = 7.
Se quiere saber si ambas liales tienen el mismo nivel de ingreso.
Sean X : ingreso lial 1 N (1 , 2 ) e Y : ingreso lial 2 N (2 , 2 ).
Calculamos IC(1 2 ; 95 %).
n + m 2 = 10 t(10;0,975) = 2,228,
Sp2

4S 2 + 6S22
= 1
= 398, Sp = 19,94,
10

75

luego,

1 1
+ .
5 7
El cero est
a contenido, 1 = 2 , las liales tienen el mismo ingreso con una conanza del
95 %.
IC(1 2 ; 95 %) : 71 62 2,228 19,94

Sentencias en R:
> alpha<-0.05
> n<-5
> m<-7
> s2p<-((n-1)*395+(m-1)*400)/(n+m-2)
> sp<-sqrt(s2p)
> sp
[1] 19.94994
> t<-qt(1-alpha/2,n+m-2)
> round(t,3)
[1] 2.228
> ici<-71-62-t*sp*sqrt(1/n+1/m)
> ics<-71-62+t*sp*sqrt(1/n+1/m)
> ic<-round(c(ici,ics),3)
> ic
[1] -17.028 35.028

3.1.7.

Si n y m son sucientemente grandes,

n Ym z1 Sp
IC(1 2 ; 1 ) : X
2

PIVOTE
3.1 METODO
DE LA FUNCION

Vericaci
on de la igualdad 12 = 22

En este caso, el referente usual es la distribucion F de Snedecor, cuya densidad viene

dada por
1
2
1
( 1 +
w 2 1 1
2 1 1
2 )
, w > 0.
2 22
f (w) =
1
( 21 )( 22 ) 1
(2 + 1 w) 2 (1 +2 )
Se dice que W sigue una F con (1 , 2 ) grados de libertad (1 : grados de libertad del
numerador y 2 : grados de libertad del denominador).
Notaci
on: W F (1 , 2 ).
Propiedades
i) W F (1 , 2 )

1
W

F (2 , 1 ).

Demostraci
on. Dena R =

1
W

y calcule fR (r) = fW (w(r))|w (r)|, r > 0.

ii) T t T 2 F (1, ).
Demostraci
on. Cambio de variable.

 POR REGIONES DE CONFIANZA

CAPITULO 3 ESTIMACION

76

iii) Sean
U 21
V 22

PIVOTE
3.1 METODO
DE LA FUNCION

77

A t(15;0,975) SA .
a) IC(A ; 95 %) : X
na

<
<
U/1
<
F (1 , 2 ).
<W =
<
V /2

Demostraci
on. Cambio de variable.
iv) Consecuencia de iii),
n , S12 ),
X = (X1 , . . . , Xn ) m.a. N (1 , 12 ) (X
= (Y1 , . . . , Ym ) m.a. N (2 , 22 ) (Ym , S22 ).
<
<
(n 1)S12
2n1 <<
U=
2
1
<
U/(n 1)
<
F (n 1, m 1).
<W =
<
V /(m 1)
2
<
(m 1)S2
2
<
V =
m1 <
22
Y

99
IC(A ; 95 %) : 50 2,131
16

96
IC(B ; 95 %) : 60 2,064
25
 2


2 
A
SA
1
1
b) Calculemos IC
.
; 90 % : 2
;
2
B
SB f(15,24;0,95) f(15,24;0,95)
La tabla no entrega directamente f(15,24);0,05 ,


1
1
= 0,05
Pr
<
F (15, 24)
f(15,24;0,05)


1
1
Pr
= 0,05
>
F (15, 24)
f(15,24;0,05)
Pr(F (15, 24) > f(15,24;0,05) ) = 0,05

Esto es

S12 /12
F (n 1, m 1).
S22 /22
 
S 2 2 1
F (n 1, m 1) es una funci
on pivote
Por lo tanto, W = (X, Y ) = S12 12
2

2
2
2

para 12 tambien lo es para 22 .

W =

Es posible encontrar f(n1,m1; 2 ) y f(n1,m1;1 2 ) en una tabla F (n 1, m 1) de

manera que


 1
S 2 12
= 1
< f(n1,m1;1 2 )
Pr f(n1,m1; 2 ) < 12
2
S2 2


1
S2
2
S2
1
= 1 ,
Pr
1 < 12 < 12
f(n1,m1;1 2 ) S22
f(n1,m1; 2 )
2
S2
luego


IC

12
; 1
22


:

S12
S22

1
f(n1,m1;1 2 )

1
f(n1,m1; 2 )


.

Si el uno esta contenido en este intervalo, uno puede pensar que 12 = 22 con una
conanza 1 .
En caso contrario, 12 = 22 ; esta situacion se trata mas adelante.


IC




2
A
99
1
; 0,90
:
; 2,29
2
96 2,11
B
: (0,48 ; 2,36).

2 = 2 con un 90 % de conanza.
El uno est
a contenido en el intervalo, luego A
B

Sentencias en R:
> alpha<-0.10
> n<-16
> m<-25
> f1<-qf(1-alpha/2,n-1,m-1)
> f2<-qf(alpha/2,n-1,m-1)
> round(f1,3)
[1] 2.108
> round(f2,3)
[1] 0.437
> ici<-99/96*1/f1
> ics<-99/96*1/f2
> ic<-round(c(ici,ics),3)
> ic
[1] 0.489 2.359

Ejemplo 3.10. Sean

2
2
A = 50[], SA
) nA = 16 latas, X
= 99[2 ],
X A N (A , A
2
2
B = 60[], SB
X B N (B , B
) nB = 25 latas, X
= 96[2 ].

F
ormula general
f(2 ,1 );1 2 =

1
.
f(1 ,2 ; 2 )

 POR REGIONES DE CONFIANZA

CAPITULO 3 ESTIMACION

78

;
A X
B t(n +n 2;0,975) Sp
c) IC(A B ; 95 %) : X
A
B
Sp2 =

1
1
+
.
nA nB

2 + (n 1)S 2
(nA 1)SA
1
B
B
= (15 99 + 24 96) = 97,15,
na + nB 2
39
=
Sp = 97,15 = 9,85

;
IC(A B ; 95 %) : 50 60 2,023 9,85

1
1
+
16 25

: (16,38 ; 3,62).

T =

12

donde
=

S1
n

2
S2
m

S12
S22
n + m


2 2

n1

2

m1

este es el famoso problema de Behrens-Fisher.

a
Ahora, si n, m son sucientemente grandes, T N (0, 1). Finalmente,
;
2
2
n X
m t(;1 ) S1 + S2 .
ICa (1 2 ; 1 ) : X
2
n
m
Ejemplo 3.11. Sea X una observaci
on f (x|) =

x1 ,

Pr(0 < Y < a) = 2 .

 a



ey dy = 1 ea = 1 = ea a = log 1 2
2
2
0
Pr(Y > b) = 2 .
+

ey dy = eb =

 

b = log 2 .
2

Ahora,

Pr

Pr(a < log X < b) = 1


a
b
<<
= 1
log X
log X


log(1 2 ) log 2
,
.
log X
log X


b) Sea Y = ( log X)1 , IC(; ) : Y2 ; Y Pr( Y2 < < Y ) = .


1
1
Pr
<<
=
2 log X
log X


1
< log X < 1
=
Pr
2


IC(; 1 ) :

1/2

e d = e 2 e1 = 0,238,

23.8 % de conanza.

0 < x < 1, donde > 0.

a) (X; ) = log X es una funci

on pivote para .
Y = log X, y > 0. Se debe probar que la distribuci
on de Y no depende de .
Y = log X log X =

C
alculo de IC(; 1 ). Se debe calcular a y b tales que

22 .

n Ym (1 2 ) a
X
'
t ,
S12
S22
n + m

79

luego Y exp(1).

Como el cero no est

a contenido en IC(A B ; 95 %) se concluye que los tiempos de
duraci
on de los alimentos del proceso A y del proceso B son diferentes. Del intervalo
calculado, uno puede pensar que el tiempo de duraci
on del proceso A es menor que
el tiempo de duraci
opn del proceso B.
Existe una f
ormula para calcular IC(1 2 ; 1 ) cuando
La funci
on pivote viene dada por

PIVOTE
3.1 METODO
DE LA FUNCION

y
1 y
dx
Y
x = e ,
= e ,

dy

< <
< dx <
fY (y) = fX (X(y)) << << , y > 0
dy
 y 1 1 y

e , y > 0
= e

y
= e , y > 0,

= 800
Ejemplo 3.12. Sea X: tiempo de vida, X N (, 2 ), = 100 horas, n = 400, X
horas.
n 1,96 .
a) IC(; 95 %) : X
n
b) IC(; 1 ) : 800 8,3, encontrar .

8,3 n
8,3 20
8,3

=
=
= 1,66.
z = 8,3 z =

100
5
n
z1 2 = 1,66 1

= 0,9515 = 0,097.
2

 POR REGIONES DE CONFIANZA

CAPITULO 3 ESTIMACION

80

PIVOTE
3.1 METODO
DE LA FUNCION

c) IC(; 95 %) : 800 8,0, encontrar n.

81

Pr(a < T < b) = 1





1
1
Pr T + log 2 < < T + log 1 2
= 1
n
n


 


1
1
.
IC( ; 1 ) : T + log 2 ; T + log 1 2
n
n


z
(1,96 100)
z = 8,0 n =
n=
= 24,5 n = 600,25 601.
8,0
8,0
n

Ejemplo 3.13. Sea X: resistencia, X N (, 2 ), = 2.

=
n 1,64 , n = 9, X
a) IC(; 90 %) : X
n

1
n

Ejemplo 3.15. Sean

Xi .

n | 0,01 con probabilidad

: |X
n |. Condici
on: |X
b) Error de estimar usando X
0,90. Se pide n.
n | 0,01) = 0,90
Pr(|X
<

<
< Xn <
0,01
<
= 0,90
Pr <<
/ n < / n


0,01
Pr |Z|
= 0,90
/ n

(X1 , . . . , Xn ) m.a. N (1 , 2 ),
(Y1 , . . . , Ym ) m.a. N (2 , 2 2 ).
Se sospecha que 1 = 22 . Idea, construir un IC(1 22 ; 1 ).
a) 2 conocido.



n N 1 , 2
X
n


2
2Ym N 22 , 42
m
n 2Ym (1 22 )
X
'
N (0, 1),
2
8 2
n + m
;
2
2
n 2Ym z1 + 8
IC(1 22 ; 1 ) : X
2
n
m

1,64
0,01
1,64 2
= 1,64 n =

= 328.
0,01
0,01
/ n
t(8;0,95) S .
c) IC(; 90 %) : X
n
Ejemplo 3.14. Sea (X1 , . . . , Xn ) m.a. f (x|) = e(x) , x . T = mn(Xi ).
Pr(T > t) =

n


b1) Varianzas distintas y desconocidas.

Pr(Xi > t) = (Pr(X1 > t))n = (1 FX (t))n .

i=1

d
fT (t) =
Pr(T > t) = n(1 FX (t))n1 (fX (t)),
dt

0,
0,
t<
t<
,
fT (t) =
FX (t) =
1 e(t) , t
nen(t) , t
Y = (X; ) = T exp(n),

0,
fY (y) =
neny ,


fY (y)dy =
0


b

b) 2 desconocido.

neny dy =

y<0
y0




1
1 ena = log 1 2 = a
2
2
n

 

1
fY (y)dy = enb = log 2 = b.
2
2
n

b2) Hacerlo directamente de a),

n 2Ym (1 22 )
X
'
.
2
8 2
n + m
Ahora,

(n1)S12
2

2n1

(m1)S22
2 2

2m1 ,

(n 1)S12 + (m 1)S22 /2
2n+m2
2
donde Sp2 =

(n + m 2)Sp2
2n+m2
2

(n1)S12 +(m1)S22 /2
,
n+m2

n 2Ym (1 22 )
X
'
tn+m2
8
Sp n1 + m
;
n 2Ym t(n+m2;1 ) Sp
IC(1 22 ; 1 ) : X
2

1
8
+
n m

 POR REGIONES DE CONFIANZA

CAPITULO 3 ESTIMACION

82

3.2.

3.2 REGIONES DE CREDIBILIDAD

83

REGIONES DE CREDIBILIDAD

La contraparte Bayesiana de los intervalos de conanza son las regiones de credibilidad,

las cuales se construyen usando como base la densidad a posteriori, (|x).
El modelo es el siguiente, X = (X1 , . . . , Xn ) m.a. f (x|), (), ,
(|x) =

f (x|)()
f (x|)(), ,
f (x)


donde
f (x) =

MONO

De lo contrario, uno tiene que realizar c

alculos numericos para la obtenci
on de una
RC1 que sea mdp.

Ejemplo 3.16. Sea X = (X1 , . . . , Xn ) m.a. N (, 2 ), con 2 conocida; N (, 2 ),

|X = x N (1 , 12 ), donde

f (x|)()d, x X.

Denici
on 3.2.1. Una region de credibilidad de nivel 1 para , es un subconjunto
RC( ; 1 ) del espacio de parametros tal que

2 = 2 + n 2 ,
1
1 =

Note que si anotamos RC1 = RC( ; 1 ), entonces RC1 debe cumplir que


(|X = x)d = 1 , si |X = x es continua,

RC1

Pr( RC1 |X = x) =

(|X = x) 1 ,
si |X = x es discreta.

RC1

RC1 : 1 a,
donde a se calcula de la ecuaci
on
Pr( RC1 |X = x) = Pr(1 a < < 1 + a|X = x) = 1 ,
m
as



a
1
a <<
<
< <X = 1
1
1
1


a
a
= 1 ,
<Z<
= Pr
1
1

Pr(1 a < < 1 + a|X = x) = Pr

Gr
acamente,
MONOS (6)

+ n 2 x
).

Es claro que la regi

on de credibilidad de nivel 1 de mdp para es de la forma

Pr( RC( ; 1 )|X = x) 1 ,

i.e., la probabilidad a posteriori de que pertenezca a RC( ; 1 ) es a lo menos 1 .

1
( 2
12

donde Z N (0, 1),

a
1

= z1 2 , con lo que a = 1 z1 2 .

As, la regi
on de credibilidad de nivel 1 de mdp para es
Denici
on 3.2.2. Se dice que RC1 es una region de maxima densidad a posteriori
(mdp) de nivel 1 para si

RC1 : 1 1 z1 2 .

i) RC1 es una region de credibilidad de nivel 1 para .

Lease, la probabilidad de que pertenezca a RC1 es 1 .

ii)

la priori de Jereys para , i.e., () cte., se tiene que |X = x


Si se2 considera
y luego la regi
on mdp para de nivel 1 queda
N X,
n

1
/ RC1
2 RC1

<
<
<
< (2 |x) (1 |x).
<

Nota 3. En el caso no-simetrico con moda en el interior de , uno podra conformarse

con una RC1 de colas simetricas 2 como lo muestra la siguiente gura.

z1 .,
RC1 : X
2
n
f
ormula coincidente con el IC( ; 1 ) cuando 2 es conocida.

 POR REGIONES DE CONFIANZA

CAPITULO 3 ESTIMACION

84

Ejemplo 3.17 (Asim

etrico). Sea X una observaci
on B(5, ); Beta(1, 9). Se
observa X = 0, la verosimilitud asociada a X = 0,
 
5
Pr(X = 0|) =
(1 )5 = (1 )5 , 0 < < 1.
0

3.3 EJERCICIOS

3.3.

85

EJERCICIOS

3.1. Sea X = (X1 , . . . , Xn ) m.a. exponencial truncada en > 0.

ametro de
f (x|) = ex , x > , que es un modelo de localizacion o posicion, con par
posicion ,

() (1 )8 () = 9(1 )8 , 0 < < 1,

(|X = 0) (1 )13 , 0 < < 1;

fX (x|) = fY (x ),
donde Y exp(1), i.e., fY (y) =

ey ,

y 0. Esto es, Y = X exp(1).

Construya una funci

on pivote para basandose en la estadstica suciente T = mn(Xi ),
i = 1, . . . , n.

|X = 0 Beta(1, 14),
(|X = 0) = 14(1 )13 , 0 < < 1

0

 a
(|X = 0)d = 1
14(1 )13 d = 1
0
<
a
(1 )14 <0 = 1 1 (1 a)14 = 1

3.2. Sea X = (X1 , . . . , Xn ) m.a. N (0, 2 ),

f (x| 2 ) =

(1 a)14 = a = 1 14 .

f (x|)

Xi n

donde Z N (0, 1), i.e., fZ (z) =



1 2 <<
X
= 1
Pr 2 < 2( + n) <
2
2


2
2
1 <

2
2
<X
Pr
<<
= 1 .
2( + n)
2( + n)

2
2

x R,

z
1 e 2
2

1 x
fZ
,

. Esto es Z =

N (0, 1).

Construya una funci

on pivote para 2 basandose en la estadstica suciente

T = ni=1 Xi2 .

() R1 e , > 0, donde R entero > 0.


(|x) R+ Xi 1 e(+n)

|X = x Gamma(R + Xi ; + n),
2
2( + n)|X = x 2(R+ Xi ) .

Una RC1 para es

fX (x| 2 ) =

, > 0,

priori conjugada para es la Gamma(R, ).

e 22 x ;

: par
ametro de escala, pues

RC1 : (0, a) es la regi

on mdp para . La conformidad X = (X1 , . . . , Xn ) m.a. P (),


1
2 2

21
2

2( + n) 2( + n)


.

3.3. Determine a partir de una m.a. de f (x|) = 3x2 3 , x > , > 0 un intervalo de
grado de conanza 1 para .

3.4. Determine un intervalo creble de probabilidad 1 para el par

ametro de una
distribuci
on Poisson, cuando la informaci
on inicial para viene dada por una Gamma(a, p).

3.5. Una maquina produce piezas metalicas de forma cilndrica. Se toma una muestra de
piezas cuyos diametros son (en centmetros),
1,01 ; 0,97 ; 1,03 ; 1,04 ; 0,99 ; 0,98 ; 0,99 ; 1,01 ; 1,03.
Suponga que el di
ametro de estas piezas distribuye normal. Encuentre un intervalo de
grado de conanza 95 % para el di
ametro medio de las piezas.

86

POR REGIONES DE CONFIANZA

CAPITULO 3 ESTIMACION

3.6. Un ingeniero hace pruebas con la resistencia a la compresion del concreto. Para ello
examina 12 especmenes y obtiene los siguientes resultados,
2216 , 2237 , 2249 , 2204 , 2225 , 2301 , 2281 , 2263 , 2318 , 2255 , 2275 , 2295.

3.3 EJERCICIOS

87

3.9. Suponga que la resistencia de un material se distribuye normal con desviaci

on estandar
de 2 unidades.
(a) Usando los datos 4.9, 7.0, 8.1, 4.5, 5.6, 6.8, 7.2, 5.7, 6.2 [unidades], determine un IC
para la resistencia media con una conanza de 0.90.

a) Construya un intervalo de conanza de 95 % para la resistencia media.

b) Construya un intervalo de conanza de 95 % para la proporci
on de especmenes que
superan una resistencia de 2230.

(b) Calcule el tama

no de la muestra necesario para que el error cometido al estimar la
resistencia media por la media muestral no sea superior a 0.01 con una probabilidad
de 0.90.
(c) Responda (a), pero sin conocer la desviacion estandar.

3.7. Un ingeniero asegura que el tiempo que tarda un operario en realizar una labor
especca tiene una desviacion tpica de 0.9338 minutos con una media de 6 minutos.
Para poder raticar su armaci
on decide realizar un estudio de tiempo en el cual
analiza a 7 operarios y obtiene los siguientes tiempos en minutos,
8,5 ; 7,5 ; 6,0 ; 6,8 ; 7,3 ; 6,6 ; 8,0.
Luego de realizar el estudio de tiempo, utilizando un intervalo de grado de conanza 90 %,
a) Estara a
un convencido el ingeniero de que la labor en estudio tiene una desviaci
on
tpica de 0.9338?
b) Que conclusion obtiene si no dispone del valor de la desviaci
on tpica y desea vericar si efectivamente el tiempo promedio es 6 minutos?
c) Bajo el supuesto que el tiempo distribuye normal con media 6 y desviaci
on tpica
0.9338 y que se toma una muestra aletoria de 36 tiempos, cual es la probabilidad
de que la media de esta muestra sea superior a 6.03 minutos y que la varianza de la
muestra sea inferior a 1.24 minutos?

3.10. Sea X una u

nica observaci
on proveniente de la densidad f (x|) = x1 , 0 < x < 1,
donde > 0.
(a) Muestre que log X es una funcion pivote para y u
sela para construir un intervalo
de conanza para de nivel = 1 .
(b) Sea Y = ( log X)1 . Encuentre el nivel de conanza del intervalo (Y /2, Y ).
3.11. Sea X = (X1 , . . . , Xn ) una m.a.s. de la variable aleatoria f (x|) = e(x) , x .
on pivote para .
(a) A partir la estadstica T = mn(Xi ), encuentre una funci
(b) Determine un intervalo de conanza de nivel 1 para .

3.12.
(a) Demuestre que T t si solo si T 2 F (1, ).
(b) Demuestre que W F (, ) si solo si 1/W F (, ).

3.8. Suponga que la desviaci

on estandar del tiempo de vida de una v
alvula fabricada por
una cierta industria es del orden de 100 horas. Se selecciona una muestra de 400 v
alvulas
obteniendose una media de 800 horas.
(a) Determine un IC de nivel 95 % de conanza para el tiempo de vida medio de una
valvula.
(b) Con que conanza la vida media de una v
alvula es cubierta por el intervalo 8008.3?
(c) Que tama
no debe tener la muestra para sea 95 % la conanza en la estimativa
8008.0?

3.13. Est
an siendo estudiados dos procesos para conservar alimentos. En el proceso A, el
2 ), y en el proceso B,
tiempo de duracion de esos alimentos sigue una distribucion N (A , A
2 ). Se seleccionaron dos muestras aleatorias
el tiempo de duracion se distribuye N (B , B
independientes: la de A, con 16 latas, present
o un tiempo medio de 50[u] con una varianza
on media fue de 60[u] y una varianza de 96[u2 ].
de 99[u2 ], y la de B, con 25 latas, la duraci
(a) Construir IC de nivel 0.95 para A y B , respectivamente.
2 / 2 . Qu
e conclusion
(b) Construir un IC de nivel 0.95 para la raz
on de varianzas, A
B
puede Ud. obtener de este intervalo de conanza?

 POR REGIONES DE CONFIANZA

CAPITULO 3 ESTIMACION

88

(c) Construir un IC de nivel 0.95 para la diferencia A B . Que conclusion puede Ud.
obtener de este intervalo de conanza?

3.14. Una cadena de supermercados posee dos locales en un cierto radio del sector poniente
de la ciudad. Las respectivas ventas (en u.m.) de estos locales son las variables aleatorias
independientes, X N (1 , 2 ) y Y N (2 , 2 2 ) .
Se sospecha que el volumen de ventas del local 1 es practicamente el doble del total ventas
de local 2. Considere los siguientes datos de ventas, que corresponden a las respectivas
medias y varianzas observadas en cada local los perodos indicados.
Local 1: x
= 786, s21 = 530, n = 5 semanas.
Local 2: y = 382, s22 = 960, m = 7 semanas.
Con una conanza de 0.95, se puede armar que las ventas verican la relaci
on planteada?
(a) Si 2 = 490.
(b) Si 2 es desconocido.
(c) Sean ahora, X N (1 , 2 ), Y N (2 , k 2 ), donde k es una constante conocida,
poblaciones normales independientes. Basandose en los calculos anteriores, elabore
un metodo general para construir un intervalo de conanza para 1 a2 , a jo,
considerando los casos 2 conocido y 2 desconocido.
on exponencial de par
ametro .
3.15. Sea X = (X1 , . . . , Xn ) una m.a.s. de la distribuci
Encuentre un intervalo de conanza aproximado de nivel 1 para .
on exponen3.16. Sean X = (X1 , . . . , Xn ) muestra aleatoria proveniente de la distribuci
on
cial de parametro y Y = (Y1 , . . . , Ym ) muestra aleatoria proveniente de la distribuci
exponencial de par
ametro . Suponga que las muestras son mutuamente independientes.

(a) Demuestre que T = 2 ni=1 Xi 22n .
n /Ym F (2n, 2m).
(b) Demuestre que S = X
(c) Construya un intervalo de conanza de nivel 1 para /, considerando los datos
n = 10, x
=5.5 y m = 13, y =4.2.

3.17. Considere una observaci

on X de la distribuci
on de la distribuci
on Binomial de
par
ametros (n, p), donde p U (0, 1). Suponga que se observa x = n.
(a) Muestre que la region de credibilidad de m
axima densidad a posteriori de nivel 1
para p es de la forma (a, 1). Determine el valor de a.

3.3 EJERCICIOS
p
(b) Si = 1p
, muestre Pr{|X = x
de nivel 1 para ?

89
a
1a }

= 1. Cual es una region de credibilidad

(c) Obtenga la distribuci

on de |X = x y discuta si la region de credibilidad obtenida
en (b) es de maxima densidad a posteriori.

3.18. Considere una m.a.s de la densidad dada en el Ejercicio 3.10. Considere que
Gamma(r, ), i.e., () = r r1 e /(r), > 0, donde r y son positivos y conocidos.
(a) Determine la distribuci
on a posteriori y el EB bajo perdida cuadr
atica de . Calcule
Var[|X = x].
(b) Escriba las ecuaciones para determinar una regi
on de credibilidad de nivel 1 para
.