• No se han encontrado resultados

Métodos Estadísticos de la Ingeniería Tema 10: Inferencia Estadística, Intervalos de Confianza Grupo B

N/A
N/A
Protected

Academic year: 2021

Share "Métodos Estadísticos de la Ingeniería Tema 10: Inferencia Estadística, Intervalos de Confianza Grupo B"

Copied!
11
0
0

Texto completo

(1)

M´etodos Estad´ısticos de la Ingenier´ıa

Tema 10: Inferencia Estad´ıstica,

Intervalos de Confianza

Grupo B

´

Area de Estad´ıstica e Investigaci´on Operativa Licesio J. Rodr´ıguez-Arag´on

Abril 2010

Contenidos. . . 2

Estimaci´on por Intervalos 3 Intervalos de Confianza . . . 4

Intervalos para Medias 5 Intervalo paraµ cuandoσ es Conocida . . . 6

Ejemplo de intervalo de confianza con R . . . 7

Intervalo paraµ cuandoσ es Desconocida . . . 8

Ejemplo de intervalo de confianza con R . . . 9

Ejemplo de intervalo de confianza con R . . . 10

Intervalo paraµ1−µ2 con σ1 yσ2 Conocidas. . . 11

Intervalo paraµ1−µ2 con σ1 yσ2 Desconocidas . . . 12

Intervalo paraµ1−µ2 con σ1 yσ2 Desconocidas . . . 13

Intervalos para Varianzas 14 Estimaci´on de la Varianza . . . 15

Estimaci´on de Proporciones 16 Estimaci´on de una Proporci´on . . . 17

(2)

Contenidos

Estimaci´on por Intervalos. Intervalos para la Media. Intervalos para Varianzas. Estimaci´on de Proporciones.

A´un el estimador centrado m´as eficiente es improbable que estime con exactitud el valor del par´ametro de la poblaci´on, de ah´ı nace la necesidad de obtener un intervalo

dentro del cual se espera hallar el valor del par´ametro.

Instead of estimating the parameter by a single value, a Confidence Interval likely to include the parameter is given.

Licesio J. Rodr´ıguez-Arag´on Tema 10, M.E.I. – 2 / 17

Estimaci´

on por Intervalos

3 / 17

Intervalos de Confianza

Una estimaci´on por intervalos, de un par´ametroθ, es un intervalo de la forma ˆθI< θ <θˆS tal que

se verifique,

P(ˆθI < θ <θˆS) =γ

con γ suficientemente pr´oximo a 1.

Los valores ˆθI y ˆθS se denominan L´ımites de Confianza,Confidence Limits.

Mientras que γ es el Coeficiente de Confianza,Confidence Level.

En ocasiones, en lugar de fijarγ se fija su valor complementario,α= 1γ, que normalmente ser´a un valor peque˜no. ´Este es elCoeficiente de Significaci´on,Significance, y representa la

probabilidad de fallar en la estimaci´on.

(3)

Intervalos para Medias

5 / 17

Intervalo para µ cuando σ es Conocida

SeaX1, X2, . . . , Xn una m.a.s. procedente de una N(µ, σ), conµ desconocida yσ conocida.

Queremos estimar µcon un nivel de confianzaγ.

Estimaremos la media poblacional µa partir de la media muestral ˆµ=X. El Teorema Central del Limite nos asegura que X≡ N(µ, σ/√n).

Buscamos ˆµI =ay ˆµS =b, extremos del intervalo de confianza, tales que:

P(a≤X≤b) =γ = 1−α P(aXb) = P((aµ)/(σ/√n)/(Xµ)/(σ/√n)(bµ)/(σ/√n)) P(aXb) = P((aµ)/(σ/√n)/Z (bµ)/(σ/√n)) =γ Con Z≡ N(0,1). entonces: (aµ)/(σ/√n) =z1−γ 2 ⇒ a=µ+ (σ/√n)z1−γ 2 (b−µ)/(σ/√n) =z1+γ 2 ⇒ b=µ+ (σ/√n)z1+γ 2 −3 −2 −1 0 1 2 3 0.0 0.1 0.2 0.3 0.4 Z Densidad γ Z((1− γ)2) Z((1+ γ)2)

Teniendo en cuenta que para laN(0,1), z1+γ

2 =−z 1−γ 2 . P(aX b) = P(µ(σ/√n)z1+γ 2 ≤ Xµ+ (σ/√n)z1+γ 2 ) = = P(X(σ/√n)z1+γ 2 ≤ µX+ (σ/√n)z1+γ 2 ) =γ Luego tenemos que el intervalo de confianza para el nivelγ ser´a,

I = [X−(σ/√n)z1+γ 2 , X+ (σ/ √ n)z1+γ 2 ] Recordemos que z1+γ 2 es tal que, Φ(z) = 1+2γ. Los Coeficientes de Confianza m´as usuales son: γ = 0.95,z1+γ

2

=z0.975= 1.96,

γ = 0.99,z1+γ

2 =z0.995= 2.58.

(4)

Ejemplo de intervalo de confianza con R

Sea una m.a.s de tama˜non= 10 proveniente de una poblaci´on de varianza σ2 = 4.9 y media desconocida:

> x <- c(17.7, 17.3, 13.6, 12.3, 14, 13.1, 13, 15.4, 19.7, 19.5) > xbarra <- mean(x)

> sigma <- sqrt(4.9) > n <- length(x)

> c(xbarra - sigma/sqrt(n) * qnorm(0.975), xbarra + sigma/sqrt(n) *

+ qnorm(0.975))

[1] 14.18803 16.93197

> c(xbarra - sigma/sqrt(n) * qnorm(0.995), xbarra + sigma/sqrt(n) *

+ qnorm(0.995))

[1] 13.75692 17.36308

(5)

Intervalo para µ cuando σ es Desconocida

SeaX1, X2, . . . , Xn una m.a.s. procedente de una N(µ, σ), conµ yσ desconocidas.

Queremos estimar µcon un nivel de confianzaγ.

Estimaremos la media poblacional µa partir de la media muestral ˆµ=X y la varianza poblacional σ2 a partir de la cuasivarianza muestral ˆσ2 =S2c.

Buscamos ˆµI =ay ˆµS =b, extremos del intervalo de confianza, tales que:

P(aXb) =γ = 1α P(aX b) = P((aµ)/(Sc/√n)/≤(X−µ)/(Sc/√n)≤(b−µ)/(Sc/√n)) P(aXb) = P((aµ)/(Sc/√n)/≤T ≤(b−µ)/(Sc/√n)) =γ Con T tn−1. entonces: (aµ)/(Sc/√n) = tn1,1−γ 2 ⇒ a=µ+ (Sc/√n)tn1,1−γ 2 (b−µ)/(Sc/√n) = tn1,1+γ 2 ⇒b=µ+ (Sc/ √ n)tn −1, 1+γ 2 −3 −2 −1 0 1 2 3 0.0 0.1 0.2 0.3 0.4 T Densidad γ t(n−1, (1− γ)2) t(n−1, (1+ γ)2)

Teniendo en cuenta que para la tn−1, tn1,1+γ 2 =tn −1, 1−γ 2 . P(a≤X≤b) = P(µ−(Sc/√n)tn1,1+γ 2 ≤X≤µ+ (Sc/ √ n)tn −1, 1+γ 2 ) = = P(X−(Sc/√n)tn1,1+γ 2 ≤µ≤X+ (Sc/ √ n)tn −1, 1+γ 2 ) =γ

Luego tenemos que el intervalo de confianza para el nivelγ ser´a, I = [X(Sc/√n)tn1,1+γ 2 , X+ (Sc/√n)tn1,1+γ 2 ] Recordemos que tn −1, 1+γ

2 son los cuantiles

1+γ

2 de una distribuci´on tn−1.

Los Coeficientes de Confianza m´as usuales son: γ = 0.95, por ejemplo para n=20, tn

−1, 1+γ

2

= t19,0.975 = 2.09,

γ = 0.99, por ejemplo para n=20, tn

−1, 1+γ

2

= t19,0.995 = 2.86.

(6)

Ejemplo de intervalo de confianza con R

Sea una m.a.s de tama˜non= 10 proveniente de una poblaci´on de varianza y media desconocidas:

> x <- c(17.7, 17.3, 13.6, 12.3, 14, 13.1, 13, 15.4, 19.7, 19.5) > xbarra <- mean(x) > Sc <- sqrt(var(x)) > n <- length(x) > c(xbarra - Sc/sqrt(n) * qt(0.975, n - 1), xbarra + Sc/sqrt(n) * + qt(0.975, n - 1)) [1] 13.56776 17.55224 > c(xbarra - Sc/sqrt(n) * qt(0.995, n - 1), xbarra + Sc/sqrt(n) * + qt(0.995, n - 1)) [1] 12.69793 18.42207

(7)

Ejemplo de intervalo de confianza con R

> x <- c(17.7, 17.3, 13.6, 12.3, 14, 13.1, 13, 15.4, 19.7, 19.5) > t.test(x, conf.level = 0.95)

One Sample t-test

data: x

t = 17.6681, df = 9, p-value = 2.702e-08

alternative hypothesis: true mean is not equal to 0 95 percent confidence interval:

13.56776 17.55224 sample estimates: mean of x

15.56

Licesio J. Rodr´ıguez-Arag´on Tema 10, M.E.I. – 10 / 17

Intervalo para µ1−µ2 con σ1 y σ2 Conocidas

SeanX1 yX2 medias de muestras aleatorias independientes de poblaciones normales N(µ1, σ1),

N(µ2, σ2) de tama˜nosn1, n2 extra´ıdas de poblaciones con varianzas conocidasσ12, σ22.

Queremos estimar µ1−µ2 con un nivel de confianzaγ a partir de la diferencia entre las medias

muestrales µ\1−µ2 =X1−X2. Consideremos la variable: Z = (X1−qX2)−(µ1−µ2) σ2 1 n1 + σ2 2 n2 , tal queZ ≡ N(0,1). Entonces P(z1γ 2 ≤Z ≤z 1+γ 2 ) =γ = 1−α.

De esta forma tendremos: P((X1−X2)−( s σ12 n1 + σ 2 2 n2 )z1+γ 2 ≤µ1−µ2≤(X1−X2) + s σ21 n1 +σ 2 2 n2 z1+γ 2 ) =γ

Luego tenemos que el intervalo de confianza para el nivelγ ser´a,

I =  (X1−X2)−   s σ2 1 n1 +σ 2 2 n2  z1+γ 2 ,(X1−X2) +   s σ2 1 n1 +σ 2 2 n2  z1+γ 2  

(8)

Intervalo para µ1−µ2 con σ1 y σ2 Desconocidas

SeanX1 yX2 medias de muestras aleatorias independientes de poblaciones normales N(µ1, σ1),

N(µ2, σ2) de tama˜nosn1, n2 extra´ıdas de poblaciones con varianzas desconocidasσ12, σ22.

Queremos estimar µ1−µ2 con un nivel de confianzaγ a partir de la diferencia entre las medias

muestrales µ\1−µ2 =X1−X2.

Caso I: Varianzas desconocidas pero iguales,σ =σ1 =σ2, consideremos la variable:

Z = (X1r−X2)−(µ1−µ2) σ21 n1 + 1 n2 ,

Las variables aleatorias de la forma, (n−1)Sc2

σ2 siguen distribucionesχ2n1. R= (n1−1)S 2 c1 σ2 + (n2−1)Sc22 σ2 ≡χ 2 n1+n2−2

Las variables aleatorias Z yR son independientes y el estad´ıstico, T = q Z R n1+n2−2 = (X1r−X2)−(µ1−µ2) σ21 n1 + 1 n2 : s (n1−1)Sc21 + (n2−1)S 2 c2 σ2(n 1+n2−2) T ≡tn1+n2−2.

La varianza σ2 se estima mediante la expresi´on, Sp2 = (n1−1)S 2 c1 + (n2−1)S 2 c2 n1+n2−2 .

Con lo que el estimador T resulta,

T = (X1r−X2)−(µ1−µ2) S2 p 1 n1 + 1 n2 ≡ tn1+n2−2

Luego tenemos que el intervalo de confianza para el nivelγ ser´a,

I = " (X1−X2)− s S2 p 1 n1 + 1 n2 tn1+n2 −2, 1+γ 2 , (X1−X2) + s S2 p 1 n1 + 1 n2 tn 1+n2−2,1+2γ # Equivalentemente,

(9)

Intervalo para µ1−µ2 con σ1 y σ2 Desconocidas

Caso II:Varianzas desconocidas y distintas,σ16=σ2, consideremos la variable:

T = (X1r−X2)−(µ1−µ2) S2 c1 n1 + S2 c2 n2 ,

sigue, aproximadamente, una tg, dondeg est´a dado por la aproximaci´on de Welch:

g= S2 c1 n1 + S2 c2 n2 2 (S2 c1/n1) 2 n1−1 + (S2 c2/n2) 2 n2−1

El valor deg se puede redondear al valor entero m´as cercano. Luego tenemos que el intervalo de confianza para el nivelγ ser´a,

I = " (X1−X2)− s S2 c1 n1 +S 2 c2 n2 tg,1+γ 2 ,(X1−X2) + s S2 c1 n1 +S 2 c2 n2 tg,1+γ 2 # Equivalentemente, (X1−X2)± s S2 c1 n1 +S 2 c2 n2 tg,1+γ 2

(10)

Intervalos para Varianzas

14 / 17

Estimaci´on de la Varianza

SeaX1, X2, . . . , Xn una muestra aleatoria simple de una distribuci´onN(µ, σ).

Queremos estimar σ2 para un nivel de confianza γ.

Caso I: Mediaµ, conocida. Teniendo en cuenta que nSσ22 ≡χ2n. Podemos encontrar dos cuantiles

ayb de la χ2n tales que: P(a≤ nS 2 σ2 ≤b) = P(a≤ P (Xi−µ)2 σ2 ≤b) =γ.

Siendo entonces el intervalo de confianza paraσ2:

I =   P (Xi−µ)2 χ2 n,1+γ 2 , P (Xi−µ)2 χ2 n,1−γ 2  .

Caso II:Media µ, desconocida. Teniendo en cuenta que (n−1)Sc2

σ2 ≡χ2n1. Podemos encontrar

dos cuantiles ayb de laχ2n1 tales que:

P(a (n−1)S

2

c

σ2 ≤b) =γ.

Siendo entonces el intervalo de confianza paraσ2:

I =   (n−1)Sc2 χ2 n−1, 1+γ 2 ,(n−1)S 2 c χ2 n−1, 1γ 2  .

(11)

Estimaci´

on de Proporciones

16 / 17

Estimaci´on de una Proporci´on

Si muestreamos una poblaci´on binomialB(n, p), de la que desconocemos p, tomando una observaci´on X, buscamos estimar un intervalo de confianza parap∈(0,1).

Sabemos que E(X) =np, con lo que tomaremos como estimador ˆp=X/n.

Paransuficientemente grande ˆp se distribuye siguiendo unaN(µ=p, σ2 =pq/n), luego Z = ppˆ−p

pq/n ≡ N(0,1). Luego el intervalo de confianza para la p ser´a,

I = " ˆ p r ˆ pqˆ nz1+γ 2 ,pˆ+ r ˆ pqˆ nz1+γ 2 # .

Referencias

Documento similar

Proporcione esta nota de seguridad y las copias de la versión para pacientes junto con el documento Preguntas frecuentes sobre contraindicaciones y

Entre nosotros anda un escritor de cosas de filología, paisano de Costa, que no deja de tener ingenio y garbo; pero cuyas obras tienen de todo menos de ciencia, y aun

o Si dispone en su establecimiento de alguna silla de ruedas Jazz S50 o 708D cuyo nº de serie figura en el anexo 1 de esta nota informativa, consulte la nota de aviso de la

De hecho, este sometimiento periódico al voto, esta decisión periódica de los electores sobre la gestión ha sido uno de los componentes teóricos más interesantes de la

Las manifestaciones musicales y su organización institucional a lo largo de los siglos XVI al XVIII son aspectos poco conocidos de la cultura alicantina. Analizar el alcance y

Products Management Services (PMS) - Implementation of International Organization for Standardization (ISO) standards for the identification of medicinal products (IDMP) in

Products Management Services (PMS) - Implementation of International Organization for Standardization (ISO) standards for the identification of medicinal products (IDMP) in

This section provides guidance with examples on encoding medicinal product packaging information, together with the relationship between Pack Size, Package Item (container)