4.1. Distribució de la mitjana mostral 4.2. La distribució t-Student
4.3. Intèrval de confiança 1-α per la µ 4.4. La llei de Chi-Quadrat
4.5. Distribució de la variança mostral 4.6. Intèrval de confiança 1-α per la σ
2En acabar aquest tema seràs capaç de:
1. Deduir la distribució de la mitjana mostral i de la variança mostral i saber identificar les seves implicacions.
2. Calcular probabilitats sobre la mitjana o la variança mostral.
3. Estimar puntualment i per interval de confiança la mitjana i la variança de la població a partir de les dades d'una mostra.
4. Enumerar les característiques de les distribucions t-student, Chi-quadrat i F-Snedecor.
5. Demostrar com es distribueix la diferència de dos mitjanes o el
quocient de dues variances.
Concepte intuitiu de mostra aleatòria simple (m a s ) Distribució d’estadístics mostrals en m.a.s
na
Concepte intuitiu de mostra aleatòria simple (m.a.s.)
strial de Barcelon
Població Mostra
Enginyeria Indusstica de l’ETS d’E
m.a.s.: Tot element de la població té la mateixa probabilitat de ser escollit per formar part de la mostra
fessors d’estadís
Y1, Y2, ..., Yn són INDEPENDENTS
© Prof
Mètodes estadístics de l’enginyeria I / Estadística. Distribució d’estadístics mostrals 2
Distribució de mitjanes i variances y
f
na
Població
y
Mostres aleatòries
strial de Barcelon y
1n 12
11
, Y , ..., Y Y
2n 22 21
, Y , ..., Y Y
2
S
1 2S
2Y1
o Y2
o
Enginyeria Indus
2n 22 21
, , ,
2 2
stica de l’ETS d’E
Kn K2 K1
, Y , ..., Y Y
?
2
S
K?
YK
o
fessors d’estadís
0 ? ?
S2 S2
?
?
?
?
© Prof
Mètodes estadístics de l’enginyeria I / Estadística. Distribució d’estadístics mostrals 3
S2 S2
?
?
y y
Exemple introductori: distribució de l’alçada de persones
M t 1 M t 2 M di t l
na
Muestra 1 Muestra 2 Medias muestrales
183,7 171,9 170,9
178,5 188,5 172,8
160,0 168,3 169,5
171,9 176,4 168,8
176,6 173,0 171,1
160 0 171 0 171 1
strial de Barcelon 160,0 171,0 171,1
174,3 161,8 172,5
160,0 169,2 170,4
170,1 169,0 170,5
170,1 177,6 170,7
160,3 165,5 172,4
165 5 171 7 169 6
Enginyeria Indus 165,5 171,7 169,6
172,3 181,9 ... 169,7
176,5 173,7 166,7
175,5 185,5 170,6
173,8 169,1 169,8
181,1 184,0 171,2
166,7 163,0 169,4
stica de l’ETS d’E , , ,
166,3 153,8 170,4
174,0 186,5 168,7
173,4 167,9 170,7
171,6 176,0 173,6
174,0 171,0 168,2
173,2 177,5 171,5
fessors d’estadís
162,2 165,7 170,7
Mitjana = 170,9 Mitjana = 172,8
© Prof
Mètodes estadístics de l’enginyeria I / Estadística. Distribució d’estadístics mostrals 4
Exemple introductori: distribució de l’alçada de persones
na
Les mitjanes de mostres de 25 individus
strial de BarcelonEnginyeria Indus
160 170 180
Els 25 valors d’una de les mostres
stica de l’ETS d’E Els 25 valors d una de les mostres
Hi ha més dispersió en els valors individuals que en
fessors d’estadís Hi ha més dispersió en els valors individuals que en
les mitjanes mostrals
© Prof
Mètodes estadístics de l’enginyeria I / Estadística. Distribució d’estadístics mostrals 5
Exemple introductori: distribució de l’alçada de persones
na
Distribució de l’alçada mitjana de mostres de tamany 25
strial de Barcelon
25
Y25~ N(170; 1,6)
Enginyeria Indus 20
15
Distribució d’alçades individuals Y ~ N(170; 8)
stica de l’ETS d’E
10
5
fessors d’estadís
2.0 1.9 1.8 1.7 1.6 1.5 1.4 0
Altura
© Prof
Mètodes estadístics de l’enginyeria I / Estadística. Distribució d’estadístics mostrals 6
Si i (Y Y Y Y ) d
Distribució de la mitjana mostral
;
N
~ Y
na
Sigui (Y1, Y2, Y3, ..., Yn) una m.a.s. de
Com que sóc una c.l. de v.a. que segueixen una normal també
i
1 Y + Y + + Y
Y =
= Y ¦
;
N
~ Y
strial de Barcelon segueixen una normal, també
sóc normal
1 2 ni
Y + Y + ... + Y
= n
= n Y ¦
Enginyeria Indus
Esperança matematica de Y
P P
P
P ... ) n (
) 1 Y ( E
n cops
stica de l’ETS d’E
n
Variança de Y n cops
fessors d’estadís
n n ) ...
n ( ) 1 Y (
V
Y2 2
2 2 2
V V V
V
V
V
© Prof
Mètodes estadístics de l’enginyeria I / Estadística. Distribució d’estadístics mostrals 7
Distribució de mitjanes i variances y
f
na
Població m.a.s. (tamany n)
Fins i tot si y
f
strial de Barcelon Fins i tot si
les dades originals no
1 1n
12
11
, Y , ..., Y Y
Y o
Y Y
Y
Y o
Enginyeria Indus
segueixen una normal, les mitjanes
2 2n
22
21
, Y , ..., Y Y
Y o
stica de l’ETS d’E
sí (a partir d’un cert valor de n),
K Kn
K2
K1
, Y , ..., Y Y
Y o
¸¹
¨ ·
©
§ n
;
N
~ Y
fessors d’estadís valor de n),
pel teorema central del límit
n V
© Prof
Mètodes estadístics de l’enginyeria I / Estadística. Distribució d’estadístics mostrals 8 límit
Activitat: Cas Mercamona (1ª part)
Mercamona produeix sacs de terra per a gats amb un pes que es distribueix segons una llei N(10kg; 0.25kg) on els sacs passen un estricte control de qualitat. El control
consisteix en prendre una mostra de 4 sacs a l’atzar de cada lot produït i pesar-los. Es produeix un lot cada hora, així es van recollint mostres de 4 sacs cada hora.
Quina és la probabilitat de que el pes promig dels quatre sacs estigui per sobre de 10.38 kg.?
I la probabilitat de que més d’una mitjana del pes dels quatre sacs de 5 mostres consecutives estigui per sota de 9.755 Kg o per sobre de 10.245 Kg?
Distribució de la mitjana mostral
·
§
na
és el millor estimador puntual de
Y
El barret indica que
¸ ¹
¨ ·
©
§ n
;
N
~ Y Y
=
ˆ
strial de Barcelon
és un estimador
Per què?
Y
=
Enginyeria Indus Per què?
1. És no esbiaixat.
E Y =
stica de l’ETS d’E
2. És consistent
lim
nofV Y = lim
nofn
2= 0
fessors d’estadís© Prof
Mètodes estadístics de l’enginyeria I / Estadística. Distribució d’estadístics mostrals 12
La distribució t-Student
Jo em vaig
na
Jo em vaig inventar la distribució t-Student
Y
1
; 0 N
~
-
= Y Z
;
N
~ Y
·
§
o
strial de Barcelon
William Gosset (1876 – 1937)
0 ; 1
N
~ n
-
= Y Z n
; N
~
Y ¸ o
¹
¨ ·
©
§
Enginyeria Indus
Si V es desconeguda i s’estima mitjançant una mostra de tamany n:
2
stica de l’ETS d’E
1 - n
y -
= y llibertat de
graus
quadrats de
= suma s
2
¦
ifessors d’estadís
Quina és la distribució de i de ? s
-
= Y t
n s
-
= Y t
© Prof
Mètodes estadístics de l’enginyeria I / Estadística. Distribució d’estadístics mostrals 13
n
4.2 La distribució t-Student
La distribució t-Student
na
3REODFLµ S’estima mitjançant s, V calculada en una
d t
V
y
f
strial de Barcelon
<
<
m.a.s. de tamany n
< W
W P
s
-
=Y t1 1
Y
y
Enginyeria Indus
< <
W
s
-
=Y t2 2
t
f
stica de l’ETS d’E
<.
"
s
-
=Y tK K
Y
t
fessors d’estadís
Les Yii s són independents
s
-
=Y
t i
t
© Prof
Mètodes estadístics de l’enginyeria I / Estadística. Distribució d’estadístics mostrals 14
Tenim una mostra de 5 elements: 3 4 5 6 7
Per què els graus de llibertat es diuen graus de llibertat?
na
Tenim una mostra de 5 elements: 3, 4, 5, 6, 7
Sempre s’acompleix:
y - y = 0
n
1 i
㺌
istrial de Barcelon
0
= 5) - (7 + 5) - (6 + 5) - (5 + 5) - (4 + 5) - (3 0
= y - y
n
㺌
㹢1
= i
Enginyeria Indus
0 = 5) - (7 + 5) - (6 + 5) - (5 + 5) - (4 + 5) - (3 0 = y - y
1
= i
i 㹢
㺌
Es pot “tapar” qualsevol dels números
stica de l’ETS d’E Es pot tapar qualsevol dels números
amb el cercle vermell (però només un), i recuperar-lo.
Els altres 4 es poden “moure” lliurement.
fessors d’estadís Els altres 4 es poden moure lliurement.
Per això tenim 4 graus de llibertat.
© Prof
Mètodes estadístics de l’enginyeria I / Estadística. Distribució d’estadístics mostrals 15
La distribució t-Student
Y
na 1-n
1 - n
Student -
t s ~
-
= Y t
Student -
t s ~
-
=Y t
strial de Barcelon
Com més g.l., més s’assembla
a la normal n
s
Enginyeria Indus a la normal
estandaritzada
stica de l’ETS d’E
t-Student amb Q graus de llibertat
2 1 1
1 ¸
¹
¨ ·
©
§ Q
*
f o
Q f(t)
oNormal
0
= E(t)
fessors d’estadís
2 1
t2
1 1 2
1 2
f(t) Q
¸¹
¨ ·
©
§
Q
¸¹
¨ ·
©
*§ Q
¹
©
QS
> 2
2
= - Var(t)
0 E(t)
Q Q Q
© Prof
Mètodes estadístics de l’enginyeria I / Estadística. Distribució d’estadístics mostrals 16
Distribució de Y quan V és desconeguda
Y
na
t-Student amb Q graus de llibertat (Q = n-1)
~ n s
-
= Y t
strial de Barcelon
Quan no coneixemV i l’estimem a
n
Enginyeria Indus Quan no coneixem V i l estimem a
partir d’una mostra (tenim s, per tant), la normal estandaritzada es converteix en un t-Student
stica de l’ETS d’E
També hi ha taules amb converteix en un t Student
fessors d’estadís taules amb
àrees de cua per la t-Student
© Prof
Mètodes estadístics de l’enginyeria I / Estadística. Distribució d’estadístics mostrals 17
Interval de confiança (IC) 1 –D per la P
1 -D Distribució de
na
Prenem valors de la
distribució de les mitjanes.
Sumem i restem
Distribució de les mitjanes
mostrals n
; N
~
Y ¸
¹
¨ ·
©
§
strial de Barcelon
D/ 2 D/ 2
aquest segment a cada punt.
Una proporció 1-D d’intervals n
z/2
¹
©
Enginyeria Indus Una proporció 1-D d intervals
contenen el veritable valor de P
y/2
stica de l’ETS d’E
y/2 és el valor de que deixa una àrea de cua a la dreta deD/2
Y
fessors d’estadís a la dreta de D/2
n z
=
- Y n
-
=Y
z/2 /2 /2 /2
© Prof
Mètodes estadístics de l’enginyeria I / Estadística. Distribució d’estadístics mostrals 18 n
Interval de confiança (IC) 1 –D per la P z
=
-
Y -
=Y
z /2
Distribució de les mitjanes
na -1=
z +
Y z -
Prob
z n
=
- Y n
= z
/2
/2
/2
/2
/2
¸¹
¨ ·
©
§ d d
les mitjanes mostrals
n
; N
~
Y ¸
¹
¨ ·
©
§
strial de Barcelon
- 1 n = z + Y -
n - z - Y - Prob
n n
/2
/2
/2
/2
·
§
¸¹
¨ ·
©
§ d d
¹
©
1
y
y
Enginyeria Indus
- 1 n = z - Y n z + Y
Prob /2 /2 ¸
¹
¨ ·
©
§ t t
-2
1
2
y
stica de l’ETS d’E
IC 1- per μ
quan coneixem V
»¼ º
«¬ ª
z + Y
; z -
Y
/2 /2fessors d’estadís
quan V és desconeguda, i l’estimem amb s
»¼ º
«¬ ª
»¼
«¬
n t s
+ Y n ; t s
- Y
; n n
/2 1;
- n
/2 1;
- n
/2
/2
© Prof
Mètodes estadístics de l’enginyeria I / Estadística. Distribució d’estadístics mostrals 19
¼
¬ n n
Interval de confiança (IC) 1 –D per la P
Q è i l é fi i ll d l’IC d l 95%
na
Què passa si vols més confiança, i en lloc de l’IC del 95%
trobes l’IC del 97%, o del 99%?
strial de Barcelon
Quanta més confiança, més ample és l’intèrval, i menys ens informa d’on és el veritable valor de P
Enginyeria Indus
IC 95%
Y
stica de l’ETS d’E
IC 97%
IC 99%
fessors d’estadís
IC 99%
© Prof
Mètodes estadístics de l’enginyeria I / Estadística. Distribució d’estadístics mostrals 20
Exemple
Tenim una mostra del temps de caiguda de 8 helicòpters de
na
Tenim una mostra del temps de caiguda de 8 helicòpters de paper:
2,06 2,03 2,01 2,12 1,94 1,76 2,08 2,01
°
°®
0 012 0,11
= s
2,00
= y
2
strial de Barcelon
> Quin és el millor estimador puntual de μ? = y = 2,00ˆ
°¯s2=0,012
Enginyeria Indus
> Entre quins valors es troba μ amb una confiança del 95%?
IC del 95% per a μ: 1 – = 0,95 = 0,05 /2 = 0,025
stica de l’ETS d’E
taules
2,365
= t
=
t
8-1;0,025 8-1;0,025 t s+ Y s ; t
-
Y n1;/2 n1;/2 »¼º
«¬ª
fessors d’estadís
>
1,91;2,09@
8 2,3650,11 + 2,00 8 ; 2,3650,11 - 2,00
; n
n n-1;/2
/2 1;
- n
»¼
«¬ º ª
»¼
«¬
© Prof
Mètodes estadístics de l’enginyeria I / Estadística. Distribució d’estadístics mostrals 21
f y f y
La llei de Chi-quadrat
f y
2
F
Qna
N (0;1)
ȝ ı
y ȝı y N (0;1) ȝı y N (0;1)
strial de Barcelon
12 11
Y Y
22 21
Y Y
2 1
Y Y
Q Q
¦
Yi21¦ Y
i22Enginyeria Indus
i
Y
1i
Y
2Y
Qi¦
YiQ2stica de l’ETS d’E
0;1
N
~ Y
i¦
Q 22
Y
2
f F
Qfessors d’estadís
i independents
F
Q¦
1
= i
2 i
2
= Y
F
Q0 2
F
Q© Prof
Mètodes estadístics de l’enginyeria I / Estadística. Distribució d’estadístics mostrals 22
La llei de Chi-quadrat
F
2Q2
f
na
2
f F
QQ
2
Q
20
strial de Barcelon
20
QEnginyeria Indus
2
F
Qstica de l’ETS d’E
Q Q
o
F
2N ; 2
La forma de la densitat de 2depèn de QuanQ Æ aleshores
fessors d’estadís
Q Q o F
Q2 ; N
Q
= Q = V
Q= 2 Q
E
2 2Quan Q Æ aleshores
© Prof
Mètodes estadístics de l’enginyeria I / Estadística. Distribució d’estadístics mostrals 23
Taules de la llei de Chi-quadrat
na Q
2f QF
strial de Barcelon
2
FQ
Enginyeria Indusstica de l’ETS d’E
Valors que deixen l’àrea de cua indicada en
fessors d’estadís de cua indicada en
funció dels graus de llibertat.
© Prof
Mètodes estadístics de l’enginyeria I / Estadística. Distribució d’estadístics mostrals 24
Aproximacions de la llei de Chi-quadrat F2Q
na
Per Q 200 taules
strial de Barcelon
Per 30 Q < 200
Q ¨¨©§ Q Q ¸¸¹·
; 2 ln N
~
ln 2
Enginyeria Indus
Per Q > 200
Q2
~ N
Q; 2
Qstica de l’ETS d’E
A b d d “ ’ t ”
fessors d’estadís
Amb dades que “s’apreten” cap a l’esquerra, transformar-les amb el logaritme sovint les converteix en normals. És una altra possibilitat.
© Prof
Mètodes estadístics de l’enginyeria I / Estadística. Distribució d’estadístics mostrals 25
Distribució de la variança mostral s2
na < < <Q
2 2
s1
1
n
N ;
strial de Barcelon <<<Q
<<<Q
V2
2
2
s2
1 n V
;
N
Enginyeria Indus
1 s2k
stica de l’ETS d’E
<N<N<NQ 2
sk
1 n V
2 n
1 i
2 i 2
y s y
1)
(n
¦
n 1 s
2fessors d’estadís 2
1 2 n
1 i
2 ~
1)
(n
2
1 - n
Si tinguessim
2 n
1 i
2 i
~
¦
y© Prof
Mètodes estadístics de l’enginyeria I / Estadística. Distribució d’estadístics mostrals 26
2 ~n
Tranparència 20
Per què la distribució de la variança mostral és la que és?
Per què 2 ? S b
2
s ~ ) 1 n
(
F¦
n yi-2¦
n z2na
Per què ? Sabem que
on z~ N(0;1), segueix una
1 2
~
n) 1 n
(
FV
¦
i=1 2¦
i=1z2
F
nstrial de Barcelon
2º
ª
»¼º
«¬ª
¦
¦
¦
¦
¦
¦
1
- y + y -
y 1
- y + y - y
- y
n n
n 2
n
1
= i
2 2 i
n
1
= i
2 2 i
n
1
= i
2 2 i
Enginyeria Indus
2
2
2 2
»
« º
ª
»¼º
«¬ª
¦
¦
¦
¦
¦
¦
- y y
- y
- y y - 1 y
- y
- y y - y y
-
y 1
n n
i
n 2
i
1
= i 1
= i
i 1
= i
2 2 i
stica de l’ETS d’E
2 2
2
¸¸·
¨¨§
¸·
¨§
¸·
¨§
»¼
«¬
¦ ¦
¦
¦
¦
¦
- + y 1)s - (n
- y
- y y
-
y - y
y y
y
y y
y
n 2 i 2
n
1
= i
2
n 2 i
i
1
= i 1
= i
i 1
= i 2 i
0
fessors d’estadís
¸¸
¨ ¹
¨
©
¸¹
¨ ·
©
§
¸¹
¨ ·
©
§
¦ ¦
n
+ y
)
=(
y
n y
y
2 1
= i
i 2
1
= i 1
= i
2 i
1)s2
- (n
2
- x
¸¸
¸·
¨¨
¨§ 2
F F
2F
2© Prof
Mètodes estadístics de l’enginyeria I / Estadística. Distribució d’estadístics mostrals 27
2 ¨¨© n¸¸¹
F
nF
n1F
1Activitat: Cas Mercamona (2ª part)
Reprenem el cas de Mercamona. (Repassa la 1ª Part)
Mercamonadecideix també monitoritzar la variança del pes de les mostres que es prenen de cada lot. Recordeu que el pes d’un sac segueix una N(10kg; 0.25kg.).
Quina és la probabilitat de que la variança d’una mostra de 4 sacs estigui per sobre de 0.1948?
Distribució de la variança mostral s2
na
s2és el millor estimador puntual de V2
2 1 2 n
2
s ~ ) 1 n
( F
V
2 2
= s
ˆ
strial de Barcelon
Per què?
1. És no esbiaixat.
Enginyeria Indus
s2 = E n
2n-
-11
2 = n -
21 E
n2-1 = n -
21 n - 1 =
2E
¸ F¹
¨ ·
©
§ F
2 É i t t
stica de l’ETS d’E
2. És consistent
( ) ( ) ( )
1 n
= 2
1) (n
1 - n
= 2 1)
(n
= 1
V n
= V
4 2
4 2
1 n- 2 4 2
2 1 n-
2 V
s
fessors d’estadís
1 - n 1) - (n 1) - (n 1 - n
s = n 2 - 1 lim V s = 0
V
2n 4 2
f
o© Prof
Mètodes estadístics de l’enginyeria I / Estadística. Distribució d’estadístics mostrals 30
1 n
Interval de confiança (IC) 1 –D per la V
2
na
2 1 2 n
2
s ~ ) 1 n
( F
V
2 1 n
F
strial de Barcelon
D/ 2
D/ 2 Prob 2 =1-
2 1; - n 2
1 - n 2
2 - 1;1 -
n ¸¸¹·
¨¨©§F dF dF
Enginyeria Indus 2
2 - 1;1 -
Fn 2
2 1; -
Fn
=1-
1 s - n Prob
2 2
2
2 1; - 2 n 2 2
2 - 1;1 - n
¸·
¨§ F F
¸¸¹·
¨¨©§F d dF
stica de l’ETS d’E
IC 1- per V2
» º
« ª
2 2s s
- 1 1)s = - (n
1 1)s -
Prob (n 2 2
1; - n 2 2 2 - 1;1 - n
·
§
¸¸
¸
¹
·
¨¨
¨
©
§ F
d d F
fessors d’estadís
» »
»
« ¼
« «
¬ F F
22 - 1;1 - n 2
2 1; - n
1) s - (n s ; 1) - (n
- 1 1)s = -
(n 1)s -
Prob (n 2
2 1; - n
2 2
2
2 - 1;1 - n
2
¸¸
¸
¹
·
¨¨
¨
©
§
t F F t
© Prof
Mètodes estadístics de l’enginyeria I / Estadística. Distribució d’estadístics mostrals 31
2
2 ¹
©