Inferencia Estadstica
Nota para el profesor: se sugiere que los temas contengan: (Contenido, objetos y materiales
multimedia, actividades y por ltimo, algn examen o quiz)
Introduccin al tema
CONTENIDO:
Al conjunto de procedimientos estadsticos en los que interviene la aplicacin de modelos de probabilidad
y mediante los cuales se realiza alguna afirmacin sobre poblaciones con base en la informacin producida
por muestras se le llama Inferencia Estadstica o Estadstica Inferencial.
No
usa
Us
a
Fecha de entrega:
Observaciones:
= 0 para x xi
se denomina funcin de distribucin de probabilidad discreta (FDP) de X, donde P(X
=xi) significa la probabilidad de que la va discreta X tome el valor de x i.
Por ejemplo: Tenemos una moneda que al lanzarla puede dar slo dos resultados: o
cara (50%), o cruz (50%). Entonces la variable puesto que es una funcin- asigna
al resultado sol una probabilidad de 0.5 y al resultado guila una probabilidad de
0.5.
Otro ejemplo de una funcin de distribucin de variable aleatoria discreta
En un lanzamiento de dos dados la variable aleatoria X, la suma de los nmeros
que aparecen
en dos dados, puede tomar uno de los 11 valores mostrados.
f ( x) 0
f ( x)dx 1
f ( x) dx P (a x b)
P ( a x b)
significa la probabilidad
Para una variable aleatoria continua, en contraste con una va discreta, la probabilidad de
que X tome un valor especfico es cero; la probabilidad para tal variable slo se mide sobre
un rango o intervalo dado, como (a, b) que aparece en la grfica siguiente:
E ( X ) x f ( x)
x
Ejemplo:
Considere la distribucin de probabilidades de la suma de dos nmeros en el
lanzamiento de dos dados. Al multiplicar los diversos valores de X, dados all por
sus correspondientes probabilidades, y sumar sobre todas las observaciones,
obtenemos:
1
2
3
1
E ( x) 2
3
4
... 12
7
36
26
36
36
que es el valor promedio de la suma de los nmeros observada en un lanzamiento
de dos dados.
En el caso de una variable aleatoria continua el valor esperado se define como:
E ( X ) x f ( x)dx
Ejemplo:
f ( x)
Determinemos el valor esperado de la FDP continua de
a 3. Se multiplica por x y se realiza la integral:
1 2
x
9
en el rango de 0
2
3 x
dx
E ( X ) x
0
9
1
9
x4
9
2.25
4
Varianza:
Sea X una variable aleatoria y sea E(X)=. La distribucin o dispersin de los
valores de X alrededor del valor esperado se mide por la varianza, la cual se defi ne
como
var( X ) x2 E ( x ) 2
La varianza defi nida anteriormente se calcula de la siguiente forma:
var( X ) X f ( x)
2
var( X ) ( X ) 2 f ( x)dx
var( X ) E ( X 2 ) 2
E ( X 2 ) E ( X )
La varianza del ejemplo para una variable aleatoria discreta definida anteriormente se
calcula de la siguiente forma:
1
2
3
1
E ( x 2 ) 4
9
16
... 144
54.83
36
26
36
36
E( X ) 7
Puesto que:
3
0
x2
dx
9
x2
3
0
x4
dx
9
1 x5
9 5
243 / 45
27 / 5
E(X)
Puesto que
9
4
, tenemos al final:
var( X )
243 9
45 4
xy
f x
i
x yi y
N
Observaciones:
3.1 Actividad
CONTENIDO:
Ejercicio 1:
Estime E(X) y E(Y) para la siguiente informacin.
x
f(x)
-2
0.27
0
0.12
y
f(y)
3
0.51
6
0.49
2
0.26
3
0.35
Ejercicio 2:
Considerando la siguiente FDP, estime la esperanza matemtica y la varianza.
x
f(x)
-2
5/8
1
1/8
2
2/8
Tipo de
actividad:
Individual
Grupal
Herramienta
de Bb:
Actividad
o
SafeAssig
ment
Nombre de archivo:
Nota para el profesor: llenar el recuadro por cada actividad planeada para el tema. Es
importante cuestionarse sobre la funcin pedaggica de cada herramienta, sus lineamientos,
retroalimentacin y calificacin
Observaciones:
Donde:
P(X)= es la probabilidad de ocurrencia del evento.
p = es la probabilidad de xito del evento (en un intento)
q = es la probabilidad de fracaso del evento (en un intento) (se define como
q=1p)
X = ocurrencia del evento o xitos deseados
n = nmero de intentos
Ejemplo:
Cul es la probabilidad de obtener exactamente 2 caras al lanzar una misma
moneda 6 veces ?
Donde:
P(X)= Probabilidad de que ocurra el evento
p = (0.5)
q = (se define como q = 1 p ) (0.5)
X=2
n=6
Al sustituir los valores en la frmula obtenemos:
10
Donde:
p(X) = probabilidad de que ocurran x xitos, cuando el nmero promedio de
ocurrencia de ellos es
= media o promedio de xitos por unidad de tiempo, rea o producto.
e = 2.718 (base de logaritmo neperiano o natural).
X = variable que nos denota el nmero de xitos que se desea que ocurra.
Hay que hacer notar que en esta distribucin, el nmero de xitos que ocurren por
11
Por lo tanto la probabilidad de que el banco reciba cuatro cheques sin fondo en un
da dado es de 0.133853 (13.39%)
La distribucin normal es tambin un caso particular de probabilidad de variable
aleatoria contnua, fue reconocida por primera vez por el francs Abraham de
Moivre (1667-1754). Posteriormente, Carl Friedrich Gauss (1777-1855) elabor
desarrollos ms profundos y formul la ecuacin de la curva; de ah que tambin se
le conozca, ms comnmente, como la "campana de Gauss".
La distribucin de una variable normal est completamente determinada por dos
parmetros, su media () y su desviacin estndar ().
Con esta notacin, la densidad de la normal viene dada por la ecuacin:
Esta notacin fue estimada por los matemticos misma que es importante
conocerla.
Existen razones bsicas por las cuales la distribucin normal ocupa un lugar tan
12
prominente en la estadstica:
13
Donde:
X = valor de la variable aleatoria que nos preocupa.
= media de la distribucin de la variable aleatoria.
= desviacin estndar de la distribucin.
Z = nmero de desviaciones estndar que hay desde X a la media de la
distribucin. El uso de Z es solamente un cambio de escala de medicin del
eje horizontal).
Por convencin, denotamos una variable distribuida normalmente como
X N(, 2)
Donde:
signifi ca distribuido como,
N significa distribucin normal y
las cantidades en los parntesis son los dos parmetros de la distribucin normal, a
saber: la media y la varianza.
Segn esta convencin,
X N(0, 1)
significa que X es una variable normalmente distribuida con media cero y varianza unitaria.
En otras palabras, es una variable Z normal estandarizada.
Ejemplo 2:
14
X 650 500
1.5
100
Desviaciones estndar
Ejemplo 3:
Suponga que X N(8, 4). Cul es la probabilidad de que X tome un valor entre
X1=4 y X2=12? Para calcular la probabilidad requerida, obtenemos los valores Z
como:
X1 4 8
X 2 12 8
15
x
s/ n
x
hecho de que si bien s2 est basada en n
cantidades (x1
x
), (x2
), .(xn
x
), stas suman cero, as que especificar los valores de cualquier n-1 de las
cantidades determina el valor restante.
x
Por ejemplo, si n=4 y (x1
x
= 8), (x2
x
= -6),
y (x3
= -4); , entonces
x
automticamente tenemos (x3
x
de (xi ); estn libremente determinadas, la otra debe tomar el valor que haga
esta suma cero, es por esto que solo tenemos 3 grados de libertad. Grados de
libertad = nmero de mediciones - 1
Las propiedades de la distribucin t de Student son las siguientes:
1. Como indica la fi gura A.6, la distribucin t, lo mismo que la distribucin
normal, es simtrica, pero es ms plana que la normal. Sin embargo, a
medida que aumentan los grados de libertad (gl), la distribucin t se
aproxima a la distribucin normal.
2. La media de la distribucin t es cero y su varianza es k/(k 2).
Ejemplo:
Cual es la probabilidad acumulada de una Distribucin t de Student de 9 grados de
16
P(t 9 0.25)
libertad, de que x < 0.25 esto es:
del 9 y la fila de 0.25 tenemos que:
)
Observaciones:
3.1 Actividad
CONTENIDO:
Resuelve los siguientes ejercicios de cada una de las funciones de distribucin
citadas anteriormente:
Distribucin Binomial:
Si la probabilidad de que cualquier elector registrado (seleccionado al azar de las
listas oficiales) vote en una eleccin para representante de Pueblos Mgicos es
0.70, cul es la probabilidad de que dos de cinco electores voten en la eleccin?
Distribucin Poisson:
Los registros demuestran que la probabilidad de que un automvil donde viajan
turistas, tenga una ponchadura de llanta mientras pasa por un tnel es 0.00006.
17
a)
b)
c)
d)
a
a
a
a
la
la
la
la
izquierda de z=0.94
derecha de z=-0.65
derecha de z=1.76
izquierda de z=-0.85
Distribucin t-Student
Un fabricante de focos afirma que un producto durar un promedio de 500 horas
de trabajo. Para conservar este promedio esta persona verifica 25 focos cada mes.
Si el valor y calculado cae entre t 0.05 y t 0.05, l se encuentra satisfecho con
esta afirmacin. Qu conclusin deber l sacar de una muestra de 25 focos cuya
duracin fue:
Tipo de
actividad:
Individual
Grupal
Herramienta
de Bb:
Actividad
o
SafeAssig
ment
18
Qu debo hacer? Resolver los ejercicios utilizando tanto las frmulas planteadas
como los datos proporcionados en tablas.
Recomendaciones: Utiliza las tablas para obtener los valores de Z y t-Student.
Cmo lo entrego? Puedes enviarlo en un archivo pdf a correo electrnico.
Cundo lo entrego?
Archivo adjunto (opcional)
Nombre de archivo:
19
que el promedio
y qu hiptesis
que el promedio
y qu hiptesis
454
a) Las palabras diferente que sugieren que la hiptesis
es necesaria
454
20
H 0 : 454
H 1 : 454
gramos
gramos
454
b) Las palabras menor que sugieren que necesitamos la hiptesis
gramos, pero para la otra hiptesis hay muchas posibilidades, incluyendo
454
454
456
gramos,
gramos y, digamos,
gramos. Dos de stas (y
muchas otras) son hiptesis simples, pero dado que para la pastelera sera
una desventaja poner muchas galletas en las cajas, la alternativa razonable
sera:
H 0 : 454
gramos
H 1 : 454
gramos
Ntese que la hiptesis nula es una hiptesis simple y que su rechazo (y la
aceptacin de la alternativa) confirma la sospecha de la gerencia.
Ejemplo 1:
El administrador de un hotel estima que el nmero promedio diario de huspedes
es de 780, con una desviacin estndar de 80 huspedes. Para aceptar lo anterior
se tom una muestra de 60 das y se encontr que el promedio de huspedes
diario fue de 765. Existir diferencia significativa entre lo estimado por el
administrador del hotel y el resultado del muestreo simple a un coeficiente de
confianza del 90%?
Solucin
Al aplicar el procedimiento descrito se tiene:
Primero. Formulacin de la hiptesis nula y alternativa.
Si se considera que cualquier valor mayor o menor a 780 rechazara la estimacin
del administrador del hotel, la hiptesis nula ser una igualdad, esto es:
H0 : X
21
H1 : X
Segundo. Dado que la hiptesis nula es una igualdad, se aplicar una prueba de
dos extremos.
Tercero. Puesto que se conoce la desviacin estndar de la poblacin (valor
estimado por el administrador del hotel) el mtodo a aplicar es el de la distribucin
normal o z.
Cuarto. Se pide una confiabilidad del 90%, por tanto el valor estndar de
normalizacin ser: para 2 colas= 0.9/2= 0.45, entonces z= 1.645 de la tabla 2,
del anexo, de reas bajo la curva normal. Por tanto, al ser prueba de dos extremos,
el intervalo de confianza ser:
z x 780 1.645
80
780 17
60
z1
X 765 780 15
1.45
80
10.33
n
60
22
23
H 0 : X 1;
Primero
H1 : X 1
1.25
s1
20
4 ser:
Quinto. El valor estndar
t-student
n1 1
26 1
24
3.1 Actividad
CONTENIDO:
Lea el archivo sobre pruebas de significancia, llamado Lectura Tema 3.pdf.
Resuelve el siguiente ejercicio sobre prueba de hiptesis.
Se quiere investigar la hiptesis de que las mujeres de bajo ingreso, tienen nios
con un peso menor al normal. Para esto se adquiri una muestra de 100 nios
nacidos en hospitales localizados en reas de bajo ingreso. La media del peso de
los nios fue 115 oz, con una desviacin estndar de 24 oz. La media nacional para
el peso de los recin nacidos es de 120 oz.
25
Tipo de
actividad:
Individual
Grupal
Herramienta
de Bb:
Actividad
o
SafeAssig
ment
Nombre de archivo:
Observaciones:
26
CONTENIDO:
Ibarra, Mario. (1998). Estadstica para la Administracin Turstica. Mxico: Editorial
Diana.
Freunn, John y Simon, Gary. (1994). Estadstica Elemental. Mxico: Prentice Hall
Hispanoamaericana, S.A.
Pliego, Javier. (2004). Estadstica Econmica y Empresarial. Madrid: International
Thomson Editores Spain, S.A.
Spiegel, Murray. (1991). Estadstica. Espaa: McGraw-Hill, Inc.
Anderson, David, Sweeney, Dennis y Williams, Thomas. (2003). Essentials of
Statistics for Business and Economics. United States of America: Thomson.
Observaciones:
27