Documenti di Didattica
Documenti di Professioni
Documenti di Cultura
*
Escuela de Estadı́stica y Ciencias Actuariales de la Universidad Central de Venezuela
Índice general
i
Capı́tulo 2
2.1. Introducción
En el capı́tulo anterior presentamos métodos para hallar estimadores,
definimos propiedades deseables para ellos y establecimos criterios para en-
contrar un “buen”estimador para un parámetro dado. Las estimaciones pun-
tuales proporcionadas por estos estimadores son muy útiles, pero resultan
insuficientes en el sentido de que no tienen asociadas una medida del posible
error que se comete en el proceso de estimación. No se tiene una idea clara
acerca de la distancia de esa estimación al verdadero valor del parámetro.
45
Capı́tulo 2 Estimación por intervalo 46
i) P (T1 < T2 ) = 1
que habrı́a que convertir en una desigualdad del primer tipo para poder
evaluarla. El proceso de modificación de una desigualdad de un tipo para
convertirla en una desigualdad del otro tipo se denomina “pivoteo”.
Dos ideas importantes a tener en cuenta en este momento son las sigu-
ientes:
ii) P (0 < θ < 1.61/X) = P (0 < θX < 1.61) = P (0 < X < 1.61/θ) =
FX (1.61/θ) = 1 − e−1.61 = 1 − 0.20 = 0.80
que no depende de θ.
ii) P (x̄ − 1.96 < θ < x̄ + 1.96) = P (−1.96 < θ − x̄ < 1.96) =
P (−1.96 < x̄ − θ < 1.96) = φ(1.96) − φ(−1.96) = 2φ(1.96) − 1 = 0.95
que no depende de θ.
ii) P (Yn < θ < 1.17Yn ) = P (1 < θ/Yn < 1.17) = P (0.85 < Yn /θ < 1) =
P (0.85θ < Yn < θ) = 1 − FYn (0.85θ) = 1 − (0.85)n =
1 − 0.09 = 0.91
que no depende de θ.
Q = q(X1 , X2 , . . . Xn ; θ)
d fQ (q2 )
(q1 ) =
dq2 fQ (q1 )
En efecto, como en el caso continuo:
Z q2
P (q1 < Q < q2 ) = fQ (q)dq = r
q1
no depende de θ.
2. Pivoteando:
q1 < Q < q2 ⇒ q1 < θX < q2 ⇒ q1 /X < θ < q2 /X ⇒
I = [q1/X; q2 /X] es un intervalo de confianza del 100r % para θ.
d d fQ (q1 )
L = (1/X) ( q2 − 1) = (1/X) ( − 1)
dq1 dq1 fQ (q2 )
e−q1
= (1/X) ( −q2 − 1) = (1/Xe−q2 ) (e−q1 − e−q2 )
e
que es positiva, lo que quiere decir que L es una función creciente en
q1 y por tanto su mı́nimo se halla en el mı́nimo valor de q1 que es cero.
Para hallar el correspondiente valor de q2 hacemos uso de:
Z q2
P (q1 < Q < q2 ) = e−q dq = 1 − e−q2 = r
0
2. Pivoteando:
d d fQ (q2 )
L = (1 − q1 ) = (1 − )
dq2 dq2 fQ (q1 )
no depende de θ.
2. Pivoteando:
FT (t0 ; θ) = p1
1 − FT (t0 ; θ) = p2
Capı́tulo 2 Estimación por intervalo 53
t0 t0
ntn−1 tn0
Z Z
fT (t; θ)dt = n
dt = = p1
−∞ −∞ θ θn
Z ∞ Z ∞ n−1
nt tn0
fT (t; θ)dt = dt = 1 − = p2
t0 t0 θn θn
de donde:
t0
θ= √
n p
= v1
1
y:
t0 t0
θ= √ = √ = v2
n
1 − p2 n
p1 + r
por lo tanto:
t0 t0
I= √ ; √
n
p1 + r n p1
es un intervalo de confianza del 100r % para θ1 .
Desconocida la varianza
En este caso se utiliza la cantidad pivotal:
x̄ − µ
Q = q(x̄, µ) = √ ∼ tn−1
s/ n
y se obtiene el intervalo del 100r % para µ, y de mı́nima longitud promedio:
s
I = [ x̄ ± tn−1; 1+r √ ]
2 n
La longitud del intervalo:
s
L = 2tn−1; 1+r √ (que es una variable aleatoria)
2 n
No puede despejarse ahora n, pero puede hallarse la probabilidad de que en
una muestra de tamaño n obtengamos un intervalo de longitud menor a un
determinado múltiplo de σ:
s
P (L < aσ) = P (2tn−1; 1+r √ < aσ)
2 n
√
s a n
= P( < )
σ 2tn−1; 1+r
2
s2 na2
= P( 2 < 2 )
σ 4tn−1; 1+r
2
2
(n − 1)s n(n − 1)a2
= P( < )
σ2 4t2n−1; 1+r
2
n(n − 1)a2
= P (χ2n−1 < )
4t2n−1; 1+r
2
ii) ¿Cuál deberı́a ser el tamaño de la muestra para reducir la longitud del
intervalo a 300?
4(500)2
n= (1, 96)2 = 43
(300)2
(n − 1)s2
Q = q(s2 , σ 2 ) = ∼ χ2n−1
σ2
y se obtiene el intervalo del 100r % para σ 2 :
(n − 1)s2 (n − 1)s2
I= ;
χ2n−1; 1+r χ2n−1; 1−r
2 2
1 1 √
P (L < aσ) = P ( q −q s n − 1 < aσ)
χ2n−1; 1−r χ2n−1; 1+r
2 2
√ s 1 1 −1
= P ( n − 1 < a( q −q
σ χ2
χ2n−1; 1+r
n−1; 1−r
2 2
2
(n − 1)s 1 1 −2
= P( 2
< a2 ( q −q
σ χ2 χ2n−1; 1+r
n−1; 1−r
2 2
1 1 −2
= P (χ2n−1 < a2 ( q −q
χ2n−1; 1−r χ2n−1; 1+r
2 2
Muestras independientes
Dadas dos muestras independientes X1 , X2 , ...Xm y Y1 , Y2 , ...Yn de las
poblaciones normales N (µx , σx2 ) y N (µy , σy2 ) respectivamente, nuestro obje-
tivo es hallar un intervalo de confianza para la diferencia de medias µx − µy .
Distinguiremos dos casos según sean conocidas o no las varianzas.
El intervalo queda:
r
1 1
I = [ (x̄ − ȳ) ± tm+n−2; 1+r sp + ]
2 m n
Si se asume que las varianzas desconocidas son diferentes, sólo se dispone del
siguiente intervalo aproximado propuesto por Welch:
r
s2x s2y
I = [ (x̄ − ȳ) ± tg; 1+r + ]
2 m n
donde los grados de libertad de la distribución t:
(a + b)2
g= a2 b2
−2
m−1
+ n−1
entonces:
I = [1000 ± 2577.23]
= [−1577.23; 3577.23]
Como este intervalo contiene al cero, podemos concluir que no hay difer-
encia significativa entre los kilometrajes promedio recorridos por los cauchos
de ambas marcas hasta que se desgastan.
Muestras apareadas
En este caso se considera una muestra de pares (X1 , Y1 ), (X2 , Y2 ), ...(Xn , Yn )
de una población normal bivariante con vector de medias y matriz de vari-
anzas y covarianzas:
2
µx σx σxy
µ= yV=
µy σxy σy2
di = Xi − Yi i = 1, 2 . . . n
d¯ − µd
Q= √ ∼ tn−1
sd / n
s2y σx2
Q= ∼ Fn−1,m−1
s2x σy2
obteniéndose el intervalo:
s2x s2x
I=[ F 1−r ; F 1+r ]
s2y n−1,m−1; 2 s2y n−1,m−1; 2
Tn − τ (θ)
Qn = ∼ N (0, 1)
σn (θ)
h p(1 − p)
= p ± z 1+r Bbig]
2 n
siendo p la proporción muestral.
1−θ 1 1
τ (θ) = = − 1 ⇒ = 1 + τ (θ)
θ θ θ
1
⇒θ=
1 + τ (θ)
de allı́ que:
1
θ̂ =
1 + x̄
y por tanto:
1 x̄
1 − ( x̄+1 ) ( x̄+1 ) x̄(1 + x̄)
σn2 (θ̂) = 1 2 = 1 2 =
n( x̄+1 ) n( x̄+1 ) n
Ejercicios 2.1