UNIVERSIDAD DE SANTIAGO DE CHILE

FACULTAD DE CIENCIA
DEPARTAMENTO DE MATEMÁTICA Y CIENCIAS DE LA COMPUTACIÓN

ANÁLISIS ESTADÍSTICO PARA INGENIERÍA

FRANCISCO VALENZUELA ROJAS

Primer Semestre 2016
Presentación 09: Estimación puntual y por intervalo

FRANCISCO VALENZUELA ROJAS 0

ESTIMACIÓN PUNTUAL DE PARÁMETROS

Una estimación puntual de un parámetro θ es un número único que puede ser

considerado como un valor estimado de θ. Se obtiene seleccionando un estimador
(estadístico) adecuado y calculando su valor con los datos muestrales dados.

El estadístico seleccionado se llama estimador puntual de θ.

SESGO DE UN ESTIMADOR: Se define el sesgo de un estimador de 

como
 
sesgo ˆ  E ˆ  

Ejemplo: Para el siguiente estimador de la varianza: ̂ 2 


n
x X
i 1 i
2

n
 n 1  2
se puede probar que  
E ˆ 2    , y su sesgo es:
 n 

 2   n  1  2 2 n 
Sesgo        
2
0 cuando
   n  n
FRANCISCO VALENZUELA ROJAS 1
PROPIEDADES DE LOS ESTIMADORES

ESTIMADORES INSESGADOS: Una característica deseable de un estimador

es que su valor esperado sea el parámetro que se intenta estimar. Por ello, se dice



que  es un estimador insesgado para si se cumple que E    
 

Naturalmente, si  es un estimador insesgado de  se tiene que


Sesgo   0
 
Ejemplo: Si  X1, X 2 ,..., X n  es una muestra aleatoria, donde E(Xi)=µ, tenemos
n

X i
que X i 1
es un estimador insesgado de µ, puesto que:
n

 
1  n  1
E X  E   X i    n  
n  i 1  n
FRANCISCO VALENZUELA ROJAS 2
Ejemplo:

Demostraremos que el estimador de la varianza muestral S2 es un estimador

insesgado para 2 , disponiendo de una m.a. (n):

E S  
2 1  n

 E  X i  X  
n  1  i 1

2 1  n

E   X i     X     
2

 n  1  i 1 


1  n
 2
E   X i     n X   
n  1  i 1
2




1 n
 i
n  1  i 1
E  X   2
 nE 
X  
2



Como E  X i       Var  X i  y
2 2

E X   
2 2
n
 Var X 
1  2 2
 
ES  2

n 1 
n  n  
1
n  n 1
n  1 2   2  

FRANCISCO VALENZUELA ROJAS 3

ESTIMADOR DE VARIANZA MÍNIMA

Sean ˆ1 y ˆ2 estimadores de θ. Si   

Var ˆ1  Var ˆ2 , diremos que ˆ1
es un estimador de menor varianza.

Entre varios estimadores insesgados de θ, el más eficiente ES EL ESTIMADOR

INSESGADO DE VARIANZA MÍNIMA.

Ejemplo: (X1,X2,X3,X4,X5,X6,X7) m.a. (7), X i ~ N , 2  

7

x i
10 x6  3x4
Si tenemos los estimadores de µ: ˆ1  i 1
ˆ 2 
7 7
1 7
E ˆ 2   E 10 x6  3x4   10  3   
1 1
E ˆ1    E xi   
7 i 1 7 7

Ambos estimadores son insesgados

FRANCISCO VALENZUELA ROJAS 4

Calculando las varianzas de ambos estimadores:

1 7 2
Var ˆ1   Var xi    7 
1 2

49 i 1 49 7
Var ˆ 2  
1
49

100 Var x6   9 Var x4   1 100 2  9 2
49

109 2
 
49

(puesto que si (X1,X2,…Xn) m.a. (n), entonces Xi son independientes, luego

por la independencia de las Xi, se puede calcular la varianza de una combinación
lineal de variables aleatorias de la siguiente forma:

Var a1 X 1  a2 X 2  ...  an X n   i 1 ai2 Var  X i 

n

2
Var ˆ1    Var ˆ 2  
109 2
En vista de lo anterior, se tiene que 
7 49

FRANCISCO VALENZUELA ROJAS 5

ERROR CUADRÁTICO MEDIO (también llamado Riesgo Cuadrático)

Si  es un estimador de , entonces se define el error cuadrático medio

^

^
(abreviado E.C.M. de  ) como:

2
  ^
  ^
E.C.M .   E    
   
Desarrollando la expresión anterior (ejercicio: verificar detalles):
2
       
2
 ^
 ^ ^ ^
E      E    E     E       

         
2 2
^
     
^ ^
 E   E      E      
      
2
   ^
  ^
 Var     sesgo 
    
FRANCISCO VALENZUELA ROJAS 6
 ^
E    
^
Recordando que si el estimador  es insesgado, se tiene que
 
En consecuencia, el error cuadrático medio se convierte en:

2
  ^
    ^ 
^
^
E.C.M .   Var     sesgo   Var  
        
Ejemplo: Para los siguientes estimadores de la media μ, de una

muestra aleatoria de tamaño 7, donde X i ~ N , 2  

7

x i 10 x6  3x4
ˆ1  i 1 ˆ 2 
7 7
Ambos estimadores son insesgados (por lo visto anteriormente). Luego:
2
E.C.M .ˆ1   Var ˆ1   sesgoˆ1   Var ˆ1  
2

7
E.C.M .ˆ 2   Var ˆ 2   sesgoˆ 2   Var ˆ 2  
109 2
2

49
FRANCISCO VALENZUELA ROJAS 7
En general, si ˆ1 y ˆ2 son estimadores de un parámetro, se define

La EFICIENCIA RELATIVA de ˆ2 , relativa a ˆ1 , a la razón:

 
E.C.M . ˆ1
 
E.C.M . ˆ2
(si esta razón es menor que 1, ˆ1 es más eficiente que ˆ2
  
para estimar  , puesto que E.C.M . ˆ1  E.C.M . ˆ2 )

Ejemplo: Para una muestra aleatoria (X1,X2,…,X10) de una variable aleatoria

donde X~N(μ,σ2) se proponen los siguientes estimadores para μ :

X 1  X 10 X 1  2 X 5  X 10
ˆ1  y ˆ2 
2 4
Analicemos el insesgamiento de cada estimador:


E 1  E  X 1  X 10   E  X 1   E  X 10   2   
ˆ 1
2
1
2
1
2
 
E ˆ2  E  X 1  2 X 5  X 10     2     4   
1
4
1
4
1
4
FRANCISCO VALENZUELA ROJAS 8
Esto es, ambos estimadores son insesgados. Si para cada uno de los estimadores
anteriores calculamos su varianza, tenemos:

   

2
Var ˆ1  Var  X 1  X 10      
1 1 2 2

4 4 2

 
Var ˆ2  Var  X 1  2 X 5  X 10  
1
16 16

1 2
  4 2   2  
1
16
  3
6 2   2
8
    2
ˆ 3 ˆ
Note que Var  2    Var 1 
2
( ˆ2 es estimador de menor
8 2
varianza)

Como ambos estimadores son insesgados, se aprecia que sus errores

cuadráticos medios coinciden con sus respectivas varianzas, por lo tanto:

 
E.C.M . ˆ1 2 2 4
 2  1 (es decir, ˆ2 es un estimador más eficiente
 
ˆ
E.C.M .  2 3 8 3 para estimar  que ˆ1 )

FRANCISCO VALENZUELA ROJAS 9

MÉTODO DE ESTIMACIÓN PUNTUAL

ESTIMACIÓN POR MÁXIMA VEROSIMILITUD (abreviado E.M.V)

Se basa en utilizar información ofrecida por la muestra, de tal manera de elegir

una estimación del parámetro que maximiza la probabilidad (o la densidad de
probabilidad) de obtener dicho resultado muestral.

Método de máxima verosimilitud: Disponiendo de la distribución conjunta,

y por la independencia de las variables aleatorias involucradas en la muestra:

  ~
n
L  ; x   f X xi |  
i 1
corresponde a la función de verosimilitud de la muestra.

Calculamos la derivada de Ln L, con respecto a el (los) parámetros a estimar.

Igualando dicha derivada a cero, y resolviendo la ecuación resultante, se obtiene(n)

el EMV (Estimador Máximo Verosímil) de θ.

FRANCISCO VALENZUELA ROJAS 10

Ejemplo 1: Si (X1,X2,…,Xn) es una muestra aleatoria de tamaño n, donde
Xi ~Geo(p), determinar el estimador máximo verosímil de p.

Solución: La función de verosimilitud está dada por

n n
L p | X 1 ,..., X n    P X  X i    p1  p 
X i 1

i 1 i 1
n

 p n 1  p 
 X i 1
i 1

El logaritmo natural de la función anterior queda:

 n  X i 1 
n


ln L p | X 1 ,..., X n   ln  p 1  p  i1 
 
n
 n ln p  ln 1  p   X i  1
i 1

FRANCISCO VALENZUELA ROJAS 11

Calculando la derivada de la función anterior, con respecto a p:

   n

ln L p | X 1 ,..., X n   n ln p  ln 1  p   X i  1
p p  i 1 
1 n
n
    X i  1
p 1  p i 1
Igualando la derivada anterior a cero:
n
n1  pˆ   pˆ   X i  1

ln L p | X 1 ,..., X n   0  i 1
0
p pˆ 1  pˆ 
n
 n1  pˆ   pˆ   X i  1  0
i 1
n
 n  npˆ  pˆ  X i  npˆ  0
i 1
1
n
n 1 pˆ  E.M .V .( p) 
 n  pˆ  X i  n
 pˆ   pˆ X
i 1
X
i 1
i
X
FRANCISCO VALENZUELA ROJAS 12
Ejemplo 2: Si (X1,X2,…,Xn) es una muestra aleatoria de tamaño n, donde
Xi ~N(µ;σ2), determinar el estimador máximo verosímil de µ y σ2.

Solución: La función de verosimilitud está dada por:

1  X  
2

    
n n
1   i 
L  ,  | X 1 ,..., X n   f xi |  , 
2 2
e 2  

i 1 i 1 2 2

n n

  X i   2
1

  1 2 2 2
 2 
e i 1

 2 
El logaritmo natural de la función anterior resulta:

 n
 2   X i   2 
1
n


ln L  ,  2 | X 1 ,..., X n   1  2 i1
 ln  
 2 2 
2
e 

 

2

  ln 2  2   X i   
n 2 1 n
2 i 1
 2

FRANCISCO VALENZUELA ROJAS 13

Calculando la derivada de la función anterior, con respecto a µ:

   n


ln L  ,  | X 1 ,..., X n 
2
 
  2
 ln 2 2
 
1 n
2 
2 i 1
 
X i   2


 2   X i   
1 n

2 2
i 1

Igualando la derivada anterior a cero:


 
ln L  ,  | X 1 ,..., X n  0    X i  ˆ   0
n
2

 i 1

n
  X i  nˆ  0
i 1
n

X i
 ˆ  i 1
X E.M .V .( )  X
n

FRANCISCO VALENZUELA ROJAS 14

Repitiendo el proceso de derivación para el cálculo del EMV de σ2

   n

ln L  ,  |X 1 ,..., X2
n  2 
  2
 ln 2 
 2

1 n

2 
2 i 1
 X i   2


2

n
 2 
1 n
4 
 X   2

2 2 i 1
i

Igualando la derivada anterior a cero:

Note que estamos usando
el estimador de la media

 2

ln L  ,  2 | X 1 ,..., X n  0  muestral

n
 2 
1 n
  X  
ˆ 2
 0 /  2ˆ 4

2ˆ 2ˆ 4 i 1
i

  X  X   nˆ
n
n

 Xi  X 
2

 
2 2

i 1
i EMV  2  i 1
n
 X  X 
n 2
i
 i 1
 ˆ 2 (note que este estimador es
n sesgado para σ2 )

FRANCISCO VALENZUELA ROJAS 15

Ejercicios:

1. Si (X1, X2,…,Xn) es una muestra aleatoria simple, de tamaño n, donde

Xi ~Bin(k,p). Encuentre el estimador máximo verosímil de p

Solución: x X i
pˆ M .V .  i 1

nk k

1I. Si (X1, X2,…,Xn) es una muestra aleatoria simple, de tamaño n, donde

Xi ~ Exp(). Determine el estimador de máxima verosimilitud de .

n 1
Solución: ˆM .V .  n

x
i 1
i
X

FRANCISCO VALENZUELA ROJAS 16

PROPIEDADES DE LOS ESTIMADORES DE MÁXIMA VEROSIMILITUD

INVARIANZA

Si ˆ es el estimador máximo verosímil de  , entonces g ˆ  es el

estimador máximo verosímil de g  

Ejemplo: Para una m.a. (X1,X2,…,Xn), donde Xi ~N(µ;σ2),

se tiene que:

 X   X 
n 2 n 2
i  X i  X
ˆ 2  EMV  2   i 1  ˆ  EMV    i 1
n n

FRANCISCO VALENZUELA ROJAS 17

 ESTIMACIÓN INTERVALAR DE PARÁMETROS
(CÁLCULO DE INTERVALOS DE CONFIANZA)

Motivación: En lugar de estimar un valor particular de un parámetro, puede

estimarse un intervalo en base a una muestra aleatoria que, con probabilidad
definida, contenga al parámetro a estimar.

Para construir intervalos de confianza para un parámetro, se utiliza una estimación

puntual de éste, más la distribución de muestreo del estimador. Esto permite obtener
intervalos aleatorios que, con una probabilidad del 100(1 – α)%, contengan al
parámetro a estimar. Lo anterior, tal que:

 
P ˆ1    ˆ2  1  
Interpretación de un intervalo de confianza: si se obtienen muestras del mismo
tamaño en forma repetida, y cada vez que éstas se seleccionan, se calculan los
valores específicos del intervalo aleatorio, se espera que el 100(1-α)% de los
intervalos obtenidos, contengan al parámetro a estimar.

FRANCISCO VALENZUELA ROJAS 18

INTERVALO DE CONFIANZA PARA LA MEDIA DE UNA POBLACIÓN
NORMAL
 2  X 
Caso 1:Varianza conocida X ~ N   ,   Z  ~ N 0,1
 n   n

P  z1 2  Z  z1 2   1  
 X  
P  z1 2   z1 2   1  
  n 
   
P  z1 2   X    z1 2    1
 n n
   
P  z1 2   X     z1 2   X   1
 n n 
   
P X  z1 2     X  z1 2    1
 n n

   
I .C.    X  z1 2  , X  z1 2  , varianz a conocida
 n n
FRANCISCO VALENZUELA ROJAS 19
Ejemplo: Se sabe que el coeficiente intelectual (CI) de la población de estudiantes
de enseñanza media es una variable aleatoria X, que se distribuye normal con
varianza 9. Se aplicó una prueba para medir el CI a una muestra aleatoria de 10
estudiantes de enseñanza media, con el siguiente resultado:

110 116 110 108 114 112 114 112 113 111

a) Estime el CI medio, con 95% de confianza.

b) ¿Qué tamaño de muestra se requiere para estimar la media del CI en la
población de estudiantes de enseñanza media, con una precisión de 0,8 y con-
fianza del 95%.

Ayuda: la precisión en este caso está definida por

 z1 2   
2
 z 
     n   1 2 
 n    

FRANCISCO VALENZUELA ROJAS 20

Solución:

X  112  2  9   3 1    0,95    0,05

z1 2  z0,975  1,96

a) Con los datos anteriores, resulta el siguiente intervalo de confianza de 95% de

confianza para µ

     3 3 
 X  z1 2  , X  z1 2  
  112  1,96  ,112  1,96  
 n n  10 10 
 110,14;113,86


2
z   1,96  3 
2
b) El tamaño muestral necesario es: n   1 2      54,0225  55
 
   0,8 
(aproximamos al entero siguiente)
FRANCISCO VALENZUELA ROJAS 21
INTERVALO DE CONFIANZA PARA LA MEDIA DE UNA POBLACIÓN
NORMAL
X 
Caso 2:Varianza desconocida T ~ tn 1
S n

 X  
P  t1 2;n 1   t1 2;n 1   1  
 S n 
 S S 
P  t1 2;n 1   X    t1 2;n 1    1
 n n
 S S 
P  t1 2;n 1   X     t1 2;n 1   X   1
 n n 
 S S 
P X  t1 2;n 1     X  t1 2;n 1    1
 n n

 S 
I .C.    X  t1 2;n1 
S
, X  t1 2;n1  , varianz a desconocid a
 n n
FRANCISCO VALENZUELA ROJAS 22
Ejemplo: La cámara de comercio de una ciudad se encuentra interesada en estimar
la cantidad promedio de dinero que gasta la gente que asiste a convenciones,
calculando gasto en comidas, alojamiento y entretenimiento por día. De las
distintas convenciones que se llevan a cabo en la ciudad, se seleccionaron 16 personas
y se les preguntó la cantidad que gastaban por día.

Se obtuvo la siguiente información, en dólares:

150 175 163 148 142 135 189 168 174 184 158 152 134 146 155 163

Suponiendo que la cantidad de dinero gastada en un día es una variable aleatoria

con distribución normal, obtenga un intervalo de confianza del 99% para el
gasto promedio real.

FRANCISCO VALENZUELA ROJAS 23

 Solución:

X  158,5 n  16 S  16,415 1    0,99    0,01

t1 2;n1  t0,995;15  2,9467

a) Con los datos anteriores, queda el siguiente intervalo de confianza de 99% de

confianza para µ (varianza poblacional desconocida)

 S S   16,415 16,415 
 X  t1 2; n 1  , X  t1 2;n 1  
 158,5  2,9467  ;158,5  2,9467  
 n n  16 16 

 146,407;170,593

FRANCISCO VALENZUELA ROJAS 24

INTERVALO DE CONFIANZA PARA LA VARIANZA DE UNA
POBLACIÓN NORMAL

2 
n  1S 2
~  2n1 , podemos construir el intervalo de
Recordando que
2
confianza para la varianza σ2:

 
P 2 2   2  12 2  1  
 2
P  2 
n  1S 2


1 2   1  
 2

  2

 1  2
1 

P 2    1
  2 n  1S 2 12 2 
 
 n  1S 2 n  1 S 2 
P 2  
2   1
   2 
2
 1 2
Por lo tanto, un intervalo de confianza del 100(1-α)% para la varianza de una
población normal, en base a una muestra aleatoria de tamaño n es:

 n  1S 2 n  1S 2 
 
I .C.  2
 2

,
 2 
 1 2  2 
FRANCISCO VALENZUELA ROJAS 25
Ejemplo: Un proceso produce cierta clase de cojinetes de bola, cuyo diámetro
Interior es de 3 cm. Se seleccionan de forma aleatoria 12 de estos cojinetes, y se
midieron sus diámetros internos, que resultan ser (en cm):

3.01 3.05 2.99 2.99 3.00 3.02 2.98 2.99 2.97 2.97 3.02 3.01

Suponiendo distribución normal de los diámetros, encontrar un intervalo del 99%

de confianza para la varianza σ2

Solución:

n  12 1    0,99    0,01
S  0,0005
2 2 2;n1   02,005;11  2,603
12 2;n1   02,995;11  26,757

11 0,0005 11 0,0005 

 
I .C.  2   ,   0,0002;0,002
 26,757 2,603 

FRANCISCO VALENZUELA ROJAS 26

INTERVALO DE CONFIANZA PARA EL PARÁMETRO DE PROPORCIÓN DE
UNA DISTRIBUCIÓN BERNOULLI (BINOMIAL (1,p)
X n de éxitos
pˆ  
n n
  pˆ  p T .C .L.
  Z ~ N 0,1
P  z1 2 
ˆ
p  p
 z1 2   1   pˆ 1  pˆ 
 pˆ 1  pˆ   n
 
 n 
 pˆ 1  pˆ  pˆ 1  pˆ  
P  z1 2   pˆ  p  z1 2    1

 n n 
 pˆ 1  pˆ  pˆ 1  pˆ  

P  z1 2   p   p  z1 2 
ˆ  p   1  
ˆ
 n n 
 pˆ 1  pˆ  pˆ 1  pˆ  

P pˆ  z1 2   p  pˆ  z1 2    1
n n 
 
 pˆ 1  pˆ  pˆ 1  pˆ  
I .C. p    pˆ  z1 2  , pˆ  z1 2  
 n n 
FRANCISCO VALENZUELA ROJAS 27
Ejemplo: Se realizó un estudio para estimar la proporción de familias que poseen
un PC en cierta comuna. De las 350 familias encuestadas, se encontró que 75
tienen PC. Estime con un 95% de confianza la proporción poblacional de familias
que poseen PC.

Solución: Siendo X = número de familias que poseen PC

75 275
pˆ  1  pˆ  1    0,95    0,05
350 350
z1 2  z0,975  1,96

  75  275   75  275  
      
 1,96  
350  350  75
 1,96  
350  350  
I .C. p   
75
,
 350 350 350 350 
 
 
 0,1713 ; 0,2573

FRANCISCO VALENZUELA ROJAS 28

CÁLCULO DEL TAMAÑO MUESTRAL NECESARIO PARA ESTIMAR P

Del intervalo de confianza calculado anteriormente:

 pˆ 1  pˆ  pˆ 1  pˆ  
I .C. p    pˆ  z1 2  , pˆ  z1 2  
 n n 

pˆ 1  pˆ 
Se tiene que la precisión de estimación  está dada por   z1 2 
n

 z1 2  pˆ 1  pˆ  
2

Despejando n: n 
  

Si no contamos con una estimación de p, elegimos p de tal modo que p(1-p)

sea máximo. Lo anterior se consigue cuando p=1/2. (verifíquelo).

FRANCISCO VALENZUELA ROJAS 29

INTERVALO DE CONFIANZA PARA LA DIFERENCIA DE
MEDIAS DE DOS POBLACIONES NORMALES
X  Y   X  Y 
Caso 1:Varianzas conocidas Z  ~ N 0,1
2 2 X
 Y
nX nY

 
 
 X  Y   X  Y  
P  z1 2   z1 2   1  
  X Y
2 2

  
 n X nY 
  2
 2
 2
 2 
P  z1 2  X
 Y
 X  Y   X  Y   z1 2  X
 Y   1
 n X nY n X nY 

 
 
   
 
2 2 2 2
P  z1 2  X
 Y  X  Y   X  Y   z1 2  X
 Y  X Y   1
 n X nY n X nY 
 
 2 
   
 
 
2 2 2
P X  Y  z1 2  X
 Y
  X  Y  X  Y  z1 2  X
 Y   1
 n X nY n X nY 

  X2  Y2 
 
IC  X  Y    X  Y  z1 2 
 X2  Y2
  
  X  Y  X  Y  z1 2   
 n X nY n X nY 
FRANCISCO VALENZUELA ROJAS 30
INTERVALO DE CONFIANZA PARA LA DIFERENCIA DE
MEDIAS DE DOS POBLACIONES NORMALES

Caso 2:Varianzas desconocidas (pero iguales)

T
X  Y   X  Y 
~ t v  S 2

n X  1S X2  nY  1SY2
n X  nY  2
p
1 1
Sp 
n X nY
(Sp2 es el estimador combinado de la varianza)
v  nX  nY  2

 
 
 X  Y   X  Y  
P  t1 2;v   t1 2;v   1  
 1 1 
 S p  
 n X nY 
 1 
 
P X  Y  t1 2;v  S p
1

1
n X nY
 
  X  Y  X  Y  t1 2;v  S p
1
   1  
n X nY 


 1 
 
IC  X  Y    X  Y  t1 2;v  S p
1

1
n X nY
 
  X  Y  X  Y  t1 2;v  S p
1
 
nX nY 

FRANCISCO VALENZUELA ROJAS 31
INTERVALO DE CONFIANZA PARA LA RAZÓN DE VARIANZAS
DE DOS POBLACIONES NORMALES INDEPENDIENTES

S X2  Y2
F  2  2 ~ Fn 1;n 1
SY  X X Y

 S X2  Y2 
P F 2;n X 1;nY 1  2  2  F1 2;n X 1;nY 1   1  
 SY  X 
 SY2  Y2 SY2 
P F 2;n X 1;nY 1  2  2  F1 2;n X 1;nY 1  2   1  
 SX  X SX 

  Y2   SY2 SY2 
I .C. 2    F 2;n X 1;nY 1  2 , F1 2;n X 1;nY 1  2 
 X   SX SX 

FRANCISCO VALENZUELA ROJAS 32

Ejemplo: En dos ciudades se llevó a cabo una encuesta sobre el costo de la vida
para obtener el gasto promedio en alimentación, en familias constituidas por 5
personas. De cada ciudad, se seleccionó aleatoriamente una muestra de 25 familias
y se observaron los gastos en miles de pesos semanales en alimentación. Algunos
resultados parciales son:

Ciudad n n n

 Yi
i 1
i
Y 2

i 1
1 25 2.700 368.775

2 25 2.240 252.780

a) Analice la homogeneidad de las varianzas de las dos ciudades, con 95% de

confianza.

b) Estime con un 95% de confianza µ1 - µ2

FRANCISCO VALENZUELA ROJAS 33

Solución:
a) La homogeneidad de las varianzas es sinónimo de la igualdad de ellas, esto

puede probar observando si el valor 1 es parte del intervalo de confianza para

 22
la razón 2 . Si el nivel de confianza es de 1 – α = 0,95
1
S X2  Y2 1 1
F  2  2 ~ F24; 24 F0,025; 24; 24    0,4407
SY  X F0,975; 24; 24 2,2693

F0,975;24;24  2,2693

368.775 
2.700
2
252.780 
2.240
2

S12  25  3.215,625 S 22  25  2.169,833

25  1 25  1
  Y2   2.169,833 
  0,2974;1,5313
2.169,833
I .C. 2   0,4407  ;2,2693 
 X   3.215,625 3.215,625 

Como 1 pertenece al intervalo anterior, se puede suponer homogeneidad de

varianzas, con un 95% de confianza. FRANCISCO VALENZUELA ROJAS 34
b) Como podemos suponer igualdad de varianzas (en base al punto anterior),
calculamos en base a las muestras, el intervalo de confianza para la diferencia
de medias (varianzas desconocidas, pero iguales):

2.700 2.240 v  25  25  2  48
Y1   108 Y2   89,6
25 25

243.215,625  242.169,833
S p2   2.692,729  S p  2.692,729  51,892
48

Si el nivel de confianza es de 1 – α = 0,95 t0,975;48  2,0106

 1 
IC 1   2   108  89,6  2,0106  51,892  ; 108  89,6  2,0106  51,892
1 1 1
 
 25 25 25 25 

 1 
 108  89,6  2,0106  51,892  ; 108  89,6  2,0106  51,892
1 1 1
 
 25 25 25 25 
  11,110;47,910

FRANCISCO VALENZUELA ROJAS 35