Estadística Aplicada Ing Civil PDF

UNIVERSIDAD NACIONAL DE CAJAMARCA
Norte de la Universidad Peruana

FACULTAD DE INGENIERA
20
15
10
11
12
14
Mg. Miguel Angel Macetas Hernndez
16
17
19

I.
ESTIMACIN DE PARMETROS
1.1. Estimacin puntual

Para estimar los parmetros de una poblacin, es necesario disponer de algunos datos que
provengan de dicha poblacin. Cualquier muestra de observaciones proporciona cierto conocimiento
acerca de la poblacin de la cual proviene. Para medir el error muestral es necesario que dicha
muestra sea ALEATORIA.
Desde el punto de vista algebraico, el estimador de un parmetro es una funcin de las
observaciones muestrales t (x1, x2 ,........xn ) , que puede ser lineal, cuadrtica, etc.
Ejemplos:
1
xi funcion lineal de las observaciones X
n
1
2
S 2 xi X funcion cuadratica de las observaciones S 2 2
n
X
El resultado numrico que se obtiene es la estimacin del parmetro, en tanto que la expresin
matemtica (o algebraica) es el estimador del parmetro. Puede haber varios estimadores del
mismo parmetro, de los cuales se pretende elegir el mejor, en base a las caractersticas o
propiedades que se requiera del mismo.
1.2. Propiedades de los estimadores
a) Insesgado o no viciado:
Un estimador se dice Insesgado si su esperanza es igual al parmetro. Es decir:
es insesgado E ()
Por el contrario, el estimador se dice viciado si su esperanza es distinta al parmetro.
E () es viciado
b) Consistente:
Un estimador se dice consistente si converge al parmetro, es decir, si su distribucin se
concentra alrededor del parmetro a medida que aumenta el tamao de la muestra, de forma tal
que el error de muestreo tiende a desaparecer. Es decir:
es un estimador consistente de si :
P 1 , para n , arbitrariamente pequeo

Si un estimador es insesgado (o asintticamente insesgado), ser consistente si su variancia
tiende a cero. Es decir:
E () V ()0 es consistente
o bien : E () V ()0 es consistente
c) Eficiente:
Decimos que un estimador no viciado es eficiente si es de mnima variancia. O sea, el
estimador se dice eficiente si su variancia es menor que la de cualquier otro estimador del mismo
parmetro. Es decir:
Si es un estimador no viciado de , entonces es eficiente si * :

V ()
1
V ( * )
V ()V ( * ) , o sea,
Eficiencia relativa:
Dados dos estimadores no viciados del mismo parmetro, se dice que es ms eficiente aqul
que tiene menor variancia. Es decir:
Sean 1 y 2 dos estimadores de , decimos que
es mas eficiente que 2 ; si V (1 ) V (2 )
V (1 )
V (2 )
d) Suficiente:
Un estimador se dice suficiente si contiene (o absorbe) toda la informacin proporcionada por la
muestra, en lo que respecta al parmetro.
e) Invariancia:
Un estimador se dice invariante cuando una funcin del mismo es un buen estimador de la
funcin del parmetro. Es decir:
II.
es invariante g () g
Mtodos de estimacin puntual
1.-Mtodo de los momentos: Consiste en estimar los momentos poblacionales a travs de los momentos
muestrales.
2.-Mtodo de los Mnimos Cuadrados: Consiste en encontrar estimadores de los parmetros de forma tal
que minimicen la suma de los cuadrados de los desvos. Con este mtodo se obtienen estimadores
no viciados y consistentes, pues el mismo garantiza mnima variancia y suma de desvos igual a
cero.
3.-Mtodo de Mxima Verosimilitud: Consiste en encontrar estimadores de los parmetros de forma tal
que maximicen la funcin de probabilidad de la muestra. Para ello, es imprescindible conocer la
distribucin de la variable en la poblacin. Este mtodo proporciona los mejores estimadores, que
gozan excelentes propiedades: Insesgado (o bien, asintticamente insesgado), Consistente,
Eficiente, Suficiente, Invariantes y de distribucin asintticamente Normal.
Pasos a seguir para obtener los estimadores de mxima verosimilitud
n
Primero se obtiene la funcin de probabilidad de la muestra f x1 , x 2 ,..... x n f xi , tambin

i 1
llamada funcin de verosimilitud y su expresin est dada en trminos de los parmetros y de las
observaciones. Comnmente se la simboliza con L X ,
, donde X es el vector aleatorio que
representa a la muestra (o valores observados) y es el parmetro que se quiere estimar.
Luego se pretende hallar el valor de que maximice a L X , valor que tambin maximiza al
logaritmo de la funcin : ln L X , , (ya que el logaritmo es una funcin montona creciente). Por lo
tanto, el segundo paso es aplicarle logaritmo a la funcin de probabilidad de la muestra ( o de
verosimilitud) con el fin de simplificar la derivada.
Se sabe que una funcin continua y derivable alcanza su valor mximo en un punto para el cual se
anula su derivada. Si la funcin de probabilidad de la muestra satisface este requisito, entonces el tercer

paso es derivar la funcin obtenida ln L X ,

(o la expresin de
) para el cual se satisface:
respecto del parmetro , y luego hallar el valor de
LX ,
0.
Inconvenientes:
El mtodo de mxima verosimilitud asegura que los estimadores obtenidos son los de mnima
variancia, pero no indica cual sea esta variancia.
El mtodo de mxima verosimilitud asegura que los estimadores obtenidos son los que asignan
mxima probabilidad a la muestra, pero obviamente se admite que dicha muestra sea posible de
obtener an con diferentes valores del parmetro.
Estas son razones por las cuales la estimacin puntual se torna impracticable (sin inters prctico), y se
prefiere la estimacin por intervalos, ya que provee de ms informacin.
III.
Estimacin por Intervalos

Consiste en encontrar un conjunto de nmeros reales que conforman posibles valores del
parmetro.
La estimacin por intervalo se realiza utilizando un nivel de confianza, que simbolizamos con 1- y
que representa la probabilidad de que dicho intervalo contenga al verdadero valor del parmetro .
La construccin del intervalo de confianza consiste en hallar los lmites inferior y superior en funcin
de la muestra obtenida. Para su obtencin es necesario conocer la distribucin del estimador del
parmetro
(distribucin que obviamente depender del parmetro .). Generalmente se
construye una nueva variable en la cual intervienen el estimador y el parmetro , dicha variable
recibe el nombre de estadstica de prueba y la simbolizamos g( , ) .
Su ventaja reside en que la distribucin de la estadstica de prueba ya no depende del parmetro
siendo una distribucin standard con los valores de probabilidad tabulados correspondiente a un
gran nmero de valores posibles de la variable.
Construccin de los intervalos de confianza
3.1.1.Intervalo de Confianza para la media en poblaciones normales
Sea (X1, X2,..., Xn) una muestra aleatoria extrada de una poblacin normal, luego,
i = 1... n : X ~ N( , ) .
Por lo tanto tenemos que:
X1 , X2 , ... , Xn iid N( , ).
1
n
X ~ N(,
i
a) Si 2 es conocido, entonces el intervalo para se obtiene
X
P z
z
2
2
~ N 0,1

siendo z/2: el valor de la variable normal standarizada que est superado con una probabilidad /2.
De dicha expresin se obtiene que:
X z
X z
con el (1 )% de confianza
b) Si 2 es desconocido, se utiliza su estimador S2 y la distribucin :
X
s
~ t n 1
Entonces el intervalo para se obtiene de :
X
P t n 1,
t n 1,
s
2
2
siendo tn-1,/2 el valor de la variable t-student con n grados de libertad, superado con probabilidad /2
De dicha expresin se obtiene que :
X t n 1, .
2
s
n
X t n 1, .
con el (1 )% de confianza
Intervalo de Confianza para la proporcin

Sean X1 , X2 , ... , Xn iid Bi ( p ) . X = Xi ~ B ( n , p ) .
Para n suficientemente grande, la variable binomial se distribuye aproximadamente normal ,
1
pq
aproximadamente : X ~ N np , npq y h X i ~ N p,
n
n
pq
h es un valor desconocido puesto que no se conoce el valor del parmetro p, por lo
n
donde
tanto se utiliza el estimador del desvo sh h

aproximadamente normal:
h p
h (1 h )
h(1 h)
, obteniendo la siguiente distribucin, que es
~ N 0,1
Dicha aproximacin es buena para muestras de tamao suficientemente grandes, y el mnimo tamao de
muestra depende del valor de h. W.G. Cochran da una regla prctica para ser utilizada en la bsqueda de
intervalos de confianza del 95%, correspondientes a la proporcin poblacional p.
Proporcin emprica h
0.5
0.4 o 0.6
0.3 o 0.7
0.2 0 0.8
0.1 o 0.9
0.05 o 0.95
Tamao mnimo de muestra n

30
50
80
200
600
1400
Para estos valores de n se obtiene una buena aproximacin Normal vlida para la construccin de
intervalos del 95% de confianza.

h z 2
h(1 h)
p h z 2
n
h(1 h)
n
con el (1-).100% de confianza
Intervalo de Confianza para la diferencia de medias de dos poblaciones normales independientes

Sean ( X1 , X2 , ... , Xn ) y ( Y1 , Y2 , ... , Ym ) dos muestras aleatorias extradas de poblaciones
normales , luego :
i = 1 .. n : Xi ~ N(x, x ) .
j = 1 .. m : Yj ~ N(y, y ).
iid N( x, x )
X1 , X2 , ... , Xn
Por lo tanto tenemos que
Y1 , Y2 , ... , Ym
x
1
)
X i ~ N ( x ,
n
n
y
1
Y Yi ~ N ( y ,
)
m
m
iid N( y, y ) con Xi independiente de Yj
con X e Y independientes
2
2
x y
X Y ~ N x y ;
n
m
Entonces
X Y x y
2
x
a) Si 2x y 2y
N 0,1
x y se obtiene de la siguiente
son conocidos, el intervalo de confianza para
manera:
X Y z
2
2
2x y
2x y
x y X Y z
2
n
m
n
m
b) Si 2x y 2y son desconocidos pero iguales 2x 2y 2 , entonces el estimador de ambos es
2 S A2
Luego, como :
n 1S x2 m 1S y2
nm2
X Y x y
1 1
S A2
n m
el intervalo de confianza para
se obtiene de la siguiente manera :
1 1
1 1
x y X Y t 2, g . S A
n m
n m
con el (1-).100% de confianza , siendo g = n+m-2
1
n
2x y S A2
~ t nm2
x y
X Y t 2, g . S A
1
m

Nota:
t nm2 N 0,1
D
Para n y m suficientemente grandes,
Distribucin de la diferencia de proporciones muestrales de dos poblaciones independientes

X1 , X2 , ... , Xn
iid Bi(p1)
Y1 , Y2 , ... , Ym
iid Bi(p2)
Sean
h1
1
n
Xi
h2
con Xi independiente de Yj
i,j
Y j
Luego, h1 y h2 son independientes y se distribuyen aproximadamente normal :
h1 ~ N p1 ,
p1q1
n
p2 q2
m
y h2 ~ N p 2 ,
p2 q2
n
p q
p q
h1 h2 ~ N p1 p 2 ; 1 1 2 2
n
m
donde
p1 q1
n
independientes
h1 h2 es desconocido, ya que no se conocen los parmetros p1 y p2 . Luego se
utiliza el estimador de este desvo: S ( h1 h2 ) h1 h2
h1 (1 h1 ) h2 (1 h2 )
n
m
h1 h2 ( p1 p 2 )
obteniendo la siguiente distribucin aproximadamente normal
h1 (1 h1 )
n
h2 (1 h2 )
~ N ( 0,1)
vlida para muestras suficientemente grandes.

p1 p2
Los intervalos de confianza para

h1 h2 z S
h h
2
p1 p2
sern de la forma:
h1 h2 z S
h h
2
Intervalo de Confianza para la variancia en poblaciones normales

Sean
X1 , X2 , ... , Xn
n X 2
~ n2
i

i 1
X i X 2 n 1 S x 2

2
i 1
n
Como
iid N( , ). Entonces
Xi
i 1,.... n
Xi X
2
~ n1

i 1
tenemos que:
( n 1). S ( x )
Basado en esta informacin, sabemos que:
~ N (0,1)
~ n1

2
(n 1).S (2x )
2
P n 1;1 2
1
n
1
;
2
2
de donde se obtiene el intervalo de confianza para 2
1
2n 1; 2
2
1
2
2
(n 1).S ( x ) n 1;1 2
(n 1).S (2x )
2n 1; 2
(n 1).S (2x )
2n 1;1 2
con el (1-).100% de confianza .
Distribucin del cociente de variancias muestrales de poblaciones normales independientes

X1 , X2 , ... , Xn iid N(x, x );
Y1 , Y2 , ... , Ym iid N(y, y ) con Xi independiente de Yj
i,j
Luego se deduce que:

x x 2 ( n 1). S 2
( x)
2
i

~ n 1
2
i 1
x
x
n
y y 2 ( n 1). S 2
j
( y)
2

~ m1
2

y
j 1
y
m
Por ser independientes resulta que :

2
( n 1) S ( x )
2
S( x) y
. 2 ~ Fn 1,m1
2
2
( m 1) S
Sy
y
x
2
x ( n 1)
2
y ( m 1)
y anlogamente se deduce que:
S(2y ) 2
x
.
~ F m1, n 1
S2x y2
Basado en esta informacin, sabemos que:
que equivale a:
P
F
m1,n1;
( y) x
2 . 2 F m1,n 1;
S x y
S
P F m1,n 1;1
( y) x
. 2 F m1,n 1;
2
S x y
S
2
2 1
2 1
de donde se obtienen los intervalos de confianza para los cocientes de las variancias
y
2

2
S( x)
S
2
y
F m1,n 1;
( y)
2
S x
F m1,n 1;
S( x)
S
2
y
. F m1,n 1;
. F m1,n 1;
( y)
2
S x
Aplicaciones del Teorema Central del Lmite

Intervalo de confianza para la media en poblaciones de distribucin desconocida
Si la distribucin de X no se conoce, pero se trata de una muestra suficientemente grande, se aplica el
Teorema Central del Lmite y as se obtienen los intervalos para
a)
si se conoce 2 X z . x X z . x con el (1 )% de confianza

2
con x
en poblaciones infinitas y x
N n
en poblaciones finitas
N 1
b)
si no se conoce 2 X z .S x X z .S x con el (1 )% de confianza

2
con S x x
S x
n
en poblaciones infinitas y S x
S x
n
N n
en poblaciones finitas
N 1
Intervalo de confianza para la diferencia de medias en poblaciones de distribucin desconocida

Si las distribuciones de X y de Y no se conocen, pero se trata de muestras suficientemente grandes, se
aplica el Teorema Central del Lmite y as se obtienen los intervalos para la diferencia entre las medias
poblacionales usando la distribucin Normal:
a) si se conocen las variancias poblacionales
2
X Y z
2.
x y
X Y z
2.
b) si no se conocen las variancias poblacionales, pero se las supone iguales, entonces

X Y z
2 .S A
x y
X Y z
2 .S A
c) si no se conocen las variancias poblacionales, y tampoco puede suponrselas iguales, entonces

2
X Y z
2.
Sx
n
Sy
x y
X Y z
Sx
2
Sy
m

PRUEBAS DE HIPTESIS
Definicin:
Hiptesis estadstica es un supuesto acerca de la distribucin de una variable aleatoria. Podemos
especificar una hiptesis dando el tipo de distribucin y el valor del parmetro (o valores de los
parmetros) que la definen.
Ejemplos:
1. X est normalmente distribuida con 100 y 10 .
2. Y es una variable binomial con p = 0.25
Frecuentemente (en la prctica), la distribucin poblacional est implcita, y la hiptesis estadstica slo
especifica el valor del parmetro.
Ejemplos :
3. La tasa media salarial es $185..
4. La proporcin de productos defectuosos en cierto proceso es inferior a 0.05, o sea p < 0.05.
Una hiptesis estadstica puede considerarse como un conjunto de hiptesis elementales. Al respecto, una
hiptesis estadstica puede ser simple o compuesta .
Una hiptesis simple es una especificacin del valor de un parmetro, como en el ejemplo (3).
En cambio, una hiptesis compuesta contiene ms de un valor del parmetro, como en el ejemplo (4), y se
la considera constituida por el conjunto de todas las hiptesis simples compatibles con ella.
Con el objeto de probar la validez de tales hiptesis, se lleva a cabo un experimento, y la hiptesis
formulada es desechada si los resultados obtenidos del experimento son improbables bajo dicha hiptesis.
Si los resultados no son improbables, la hiptesis no es desechada por falta de evidencia.
Una hiptesis compuesta es considerada verdadera (lo cual significa que no ser rechazada o desechada)
cuando alguna de las hiptesis simples que la componen pueda considerarse verdadera.
Ejemplo :
Supongamos que queremos probar la hiptesis de que la probabilidad de obtener un as al arrojar un
dado, es de 1/6 , y con tal fin arrojamos un dado 600 veces .
Si se obtienen 600 ases , este resultado es improbable bajo la hiptesis supuesta, lo cual nos lleva a
rechazarla pues la evidencia indica que ella es falsa .
Si se obtienen 100 ases , este resultado no sera improbable bajo la hiptesis supuesta, y sin duda la
hiptesis no ser rechazada , por falta de evidencia.
Obteniendo resultados como stos, la intuicin y el sentido comn son suficientes para tomar una
decisin. Sin embargo, en la prctica los experimentos no conducen a conclusiones tan obvias, de donde
surge la necesidad de un mtodo para probar la hiptesis, y esto implica establecer reglas de decisin .
El hecho de rechazar una hiptesis no significa que sta sea falsa, como tampoco el no rechazarla
significa que sea verdadera. La decisin tomada no esta libre de error. A este respecto, consideraremos
dos tipos de error que pueden ser cometidos, y que los denominaremos error de tipo I y error de tipo II, y
que consisten en:
Error I :Rechazar una hiptesis que es verdadera .
Error II : No rechazar una hiptesis que es falsa .
La forma de medir estos errores es mediante la probabilidad. Simbolizaremos con a la probabilidad de
rechazar una hiptesis verdadera, y con a la probabilidad de no rechazar una hiptesis falsa; por lo
tanto = P( rechazar H / H es verdadera ) y = P( no rechazar H / H es falsa )
Es deseable que estas dos probabilidades de error sean pequeas. Una forma cmoda de especificar lo que
se requiere de un procedimiento de prueba es concentrar la atencin en dos conjuntos posibles de valores
del parmetro, es decir, en dos hiptesis estadsticas, a las cuales llamaremos hiptesis nula designada
por H0 e hiptesis alternativa designada por H1 .
La prueba de hiptesis es un procedimiento de toma de decisiones , relacionada principalmente con la
eleccin de una accin entre dos posibles . Por lo tanto, cada hiptesis (nula y alternativa) la asociaremos
con una de las acciones. Esta designacin, en principio, es arbitraria, pero tpicamente la hiptesis nula
10

corresponde a la ausencia de una modificacin en la variable investigada, pudiendo considerar que
nulifica el efecto de un tratamiento , y por lo tanto se especifica de una forma exacta : H0 : = 0 ; en
tanto que la hiptesis alternativa generalmente indica una variacin de valores que prevalecera si la
variable sufre alguna modificacin, pudiendo pensar que el tratamiento fue efectivo , por lo cual esta
hiptesis (alternativa) se especifica de manera ms general :
H1: 0 H1 : > 0 H1 : < 0.
Observemos que en general la hiptesis alternativa es compuesta. Raramente la hiptesis alternativa es

una hiptesis simple, como por ejemplo: H1 : = 1 , sino que, normalmente sta es el complemento de
la hiptesis nula .
ERRORES Y RIESGOS DE LA PRUEBA

La prctica de probar la hiptesis nula contra una alternativa, sobre la base de la informacin de la
muestra, conduce a dos tipos posibles de error, debido a fluctuaciones al azar en el muestreo. Es posible
que la hiptesis nula sea verdadera pero rechazada debido a que los datos obtenidos en la muestra sean
incompatibles con ella ; como puede ocurrir que la hiptesis nula sea falsa pero no se la rechace debido a
que la muestra obtenida no fuese incompatible con ella .
Cuadro de decisiones y errores
Estado Naturaleza
Ho es verdadera
Decisin
Rechazar Ho
error I incorrecto
No Rechazar Ho
Correcto
Ho es falsa
Correcto
error II - incorrecto
Las probabilidades de cometer errores de tipo I y II se consideran los "riesgos" de decisiones

incorrectas. As, la probabilidad de cometer un error de tipo I se llama nivel de significacin de la prueba
y se simboliza con . .
. = P( error I ) = P( rechazar Ho / H0 es verdadera )
y la probabilidad de cometer un error de tipo II se designa por . Entonces :
= P( error II ) = P( no rechazar Ho / Ho es falsa )
Prueba de hiptesis simple contra alternativa nica

Consideremos el caso de una hiptesis nula simple contra una hiptesis alternativa tambin simple.
H0 : = 0 ; H1 : = 1
Sea la variable aleatoria X con distribucin conocida : X ~ f(x , ) , y sea f ( x1 , x2 ,...., xn , ) un
estimador de . Entonces, la estadstica de prueba tiene distribucin conocida siempre que se

conozca el valor del parmetro . Luego, dicha distribucin queda completamente definida suponiendo
verdadera la hiptesis nula H0 : = 0. Las reglas de decisin sobre el rechazo o no de H o se
establecen respecto a la amplitud de y el resultado particular de la muestra. Se clasifica la amplitud de
en dos subconjuntos que son : R = regin de rechazo o regin crtica que contiene los resultados
menos favorables a Ho , y A = regin de aceptacin o regin de no rechazo que contiene los resultados
ms favorables a Ho . De esta forma, si R rechazamos Ho y si A no rechazamos Ho . El
valor de que separa R de A se denomina valor critico de la estadstica de prueba, y se representa

por c .
11

Si suponemos 1 > 0
, entonces :
P(eI ) P( c / o )
P(eII ) P( c / 1 )

P(eI ) P( c / o ) P(rech.H o / H o es verdadera) f o ( ).d
P(eII ) P( c / 1 ) P(no rech.H o / H o es falso)
f1 ( ).d
donde f o ( ) y f1 ( ) son las funciones de densidad del estimador del parmetro , segn sea = 0
o = 1 respectivamente.
UBICACION DE LA REGION CRTICA
Fijado el nivel de significacin P ( rech. H o / H o es verdadera ) ,debemos dividir (separar) el
recorrido de en dos subconjuntos disjuntos : R = regin de rechazo (o regin crtica) y A = regin de

no rechazo (o de aceptacin) , siendo A el complemento de R . Luego, se verifica que :
P( R / H o es verdadera) P( R / o )
Dnde ubicamos esta regin crtica R ?
Dada nuestra preocupacin de cometer un error de tipo II , deberemos escoger para R una ubicacin
donde la probabilidad de este error sea mnima :
P(eII ) P(no rech.H o / H o es falso) minimo

lo cual equivaleP( Ao / H o es falso) minimo
La regin de aceptacin A es el complemento de la regin de rechazo R , y la ubicacin de R depende

de la naturaleza de la hiptesis alternativa H .
Caso I
H o : o
H 1 : o
0
A
0
0
x
R
para 1 o : P( A / 1 ) P( c / 1 ) f1 ( / 1 ).d
Caso II
12

H o : o
H 1 : o
1
1
para 1 o : P( A / 1 ) P( c / 1 ) f 1 ( / 1 ).d
0
0
0
Caso III
0 0 H o : o
H 1 : o
c2
para 1 o : P( A / 1 ) P(c1 c 2 / 1 ) f 1 ( / 1 ).d

c1
PASOS A SEGUIR PARA PROBAR UNA HIPOTESIS

1. Formular las hiptesis de acuerdo con el problema.
2. Escoger un nivel de significacin () dependiendo de los costos de cometer errores de tipo I y tipo II.
3. Escoger el estimador del parmetro cuya distribucin por muestreo sea conocida en el supuesto de que
la hiptesis nula sea verdadera, es decir, se conoce f o ; o sea f dado que o .
4. Establecer la regla de decisin, que depende de la forma de la hiptesis alternativa y del nivel de
significacin. Esto se refiere a hallar los valores crticos.
5. En base a una muestra seleccionada al azar, calcular el valor del estadstico. Luego, comparar con el
valor crtico (o los valores crticos).
6. Decidir si rechazar o no la hiptesis nula.
Observaciones :
Slo se toma en cuenta el error de tipo I . Por lo tanto, el test es significativo si se rechaza la
hiptesis nula , pues en este caso se conoce la probabilidad de haber cometido un error. En
funcin de esto, se deber decidir cul de las hiptesis debe ser la nula y cul la alternativa, como
tambin cul debe ser el nivel de significacin.
13

CASOS PARTICULARES DE PRUEBAS DE HIPTESIS
Prueba de hiptesis de la media en poblaciones normales

Sea ( X1 , X2 , ... , Xn ) una muestra aleatoria extrada de una poblacin normal, luego, i = 1 .. n :
X ~ N( , ) .
Por lo tanto tenemos que:
X1 , X2 , ... , Xn iid N( , ).
Xi ~ N ( ,
) ,
n
n
H0 : = 0
vs
~ N (0 , 1)
H1 : 0
X 0
Si la hiptesis nula H0 es verdadera, entonces = 0 y por lo tanto
~ N (0 , 1)
Como la prueba es bilateral, se rechazar la hiptesis nula tanto como cuando se tenga evidencia de que la
media poblacional sea mayor que el valor postulado como cuando se tenga evidencia de que sea menor
que el valor postulado. Luego, se calculan dos valores crticos ( zc1 y zc2) para la variable pivotal o
estadstico de prueba, que son los valores de la distribucin Normal que dejan una probabilidad de
por debajo y por encima respectivamente: zc1 es tal que ( zc1) = y zc2 es tal que ( zc2) = 1-
zo
Se estandariza el valor observado de la media muestral
x obs 0
del cual depender la
decisin : si zo > zc2 zo < zc1

si zc1 < zo < zc2
Se rechaza H0
No se rechaza H0
Prueba de hiptesis de comparacin de medias de dos poblaciones normales

independientes.
Sean ( X1 , X2 , ... , Xn ) y ( Y1 , Y2 , ... , Ym )
poblaciones normales, luego:
i = 1 .. n : Xi ~ N(x, x )
dos muestras aleatorias extradas de
j = 1 .. m : Yj ~ N(y, y ).
1
X i ~ N ( x , x )
n
n
1
y
Y Yi ~ N ( y ,
)
m
m
X
con X eY independientes
Entonces
2
x2 y
X Y ~ N x y;
n
m
X Y ( x y )
2
x
14
y2
m
~ N 0 ; 1

H0 : x = y vs
H1 : x y
X Y
Si la hiptesis nula H0 es verdadera, entonces x = y y por lo tanto
2
x
y2
~ N 0 ; 1
Como la prueba es bilateral, se rechazar la hiptesis nula cuando se tenga evidencia de que las medias
poblacionales difieren entre s. Luego, se calculan dos valores crticos ( zc1 y zc2) para la variable pivotal
o estadstico de prueba, que son los valores de la distribucin Normal que dejan una probabilidad de
por debajo y por encima respectivamente: zc1 es tal que (zc1) = y zc2 es tal que (zc2) = 1-
Se estandariza el valor observado de la diferencia entre las medias muestrales
zo
x obs y obs
x2
n
del cual depender la decisin :
si zo > zc2
zo < zc1
si
zc1 < zo < zc2
y2
m
Se rechaza H0
No se rechaza
H0
Prueba de hiptesis de la proporcin

Sean X1 , X2 , ... , Xn iid Bi ( p ) .
Momentos se demuestra que :
A travs de las propiedades de la Funcin Generatriz de
X = Xi ~ B ( n , p ) .
Para n suficientemente grande, la variable binomial se distribuye aproximadamente normal ,

aproximadamente : X ~ N( n.p ,
npq ) .
h
De donde se deduce que la proporcin muestral
X Xi
n
n
tambin tiene una
distribucin aproximadamente normal :

h
H0 : p = p0 vs
1
X i ~ N p,
n
pq
h p
pq
n
H1 : p p0
~ N 0 , 1
h p0
~ N 0 , 1
p 0 (1 p 0 )
n
proporcin poblacional sea mayor que el valor postulado como cuando se tenga evidencia de que sea
menor que el valor postulado. Luego, se calculan dos valores crticos (zc1 y zc2) para la variable pivotal o
estadstico de prueba, que son los valores de la distribucin Normal que dejan una probabilidad de
por debajo y por encima respectivamente: zc1 es tal que (zc1) = y zc2 es tal que (zc2) = 1-
hobs p 0
Se estandariza el valor observado de la proporcin muestral z o
del cual depender
p 0 (1 p 0 )
n
la decisin : si zo > zc2
zo < zc1
Se rechaza H0
si
zc1 < zo < zc2
No se rechaza H0
Si la hiptesis nula H0 es verdadera, entonces
15
p = p0
y por lo tanto

Prueba de hiptesis de comparacin de proporciones de dos poblaciones
independientes
X1 , X2 , ... , Xn
iid Bi(p1)
Y1 , Y2 , ... , Ym
iid Bi(p2)
con Xi independiente de Yj i j
1
1
Xi
y
h2 Y j
n
m
son independientes y se distribuyen aproximadamente :
h1
Sean
Luego, h1 y h2
h1 ~ N p1 ,
p1 q1
n
y h2 ~ N p 2 ,
p2 q2
m
pq
p q
h1 h2 ~ N p1 p 2 ; 1 1 2 2
n
m
h1 h2 p1 p 2
p1 q1 p 2 q 2
n
m
H0 : p1 = p2 vs
~ N 0 ; 1
H1 : p1 p2
Si la hiptesis nula H0 es verdadera, entonces
donde p
p1 = p2
h1 h2
1 1
p (1 p )
n m
~ N 0 ; 1
n.h1 m.h2
es la proporcin de xitos (total) .
nm
Como la prueba es bilateral, se rechazar la hiptesis nula cuando se tenga evidencia de que las
proporciones poblacionales sean diferentes. Luego, se calculan dos valores crticos (zc1 y zc2) para la
variable pivotal o estadstico de prueba, que son los valores de la distribucin Normal que dejan una
probabilidad de por debajo y por encima respectivamente: zc1 es tal que ( zc1) = y zc2 es
tal que ( zc2) = 1-

Se estandariza el valor observado de la diferencia entre las proporciones muestrales
zo
h1obs h2obs
1 1
p (1 p )
n m
si zo > zc2
zo < zc1
si
zc1 < zo < zc2
16
Se rechaza H0
No se rechaza H0

Prueba de hiptesis de la variancia en poblaciones normales
Sean
iid N( , )
X1 , X2 , ... , Xn
Xi X
i 1
n
Entonces :
~ n21
S (2x )
La variancia muestral est definida como
(n 1) S (2x )
Xi X
i 1
~ n21
H0 : 2 = 20 vs
( xi x ) 2
i 1
de donde se obtiene que
n 1
~ n21
H1 : 2 20
Si la hiptesis nula H0 es verdadera, entonces 2 = 20 y por lo tanto
(n 1).S (2x )
2
~ n21
variancia poblacional sea mayor que el valor postulado como cuando se tenga evidencia de que sea menor
que el valor postulado. Luego, se calculan dos valores crticos (2c1 y 2c2) para la variable pivotal o
estadstico de prueba, que son los valores de la distribucin 2n-1 que dejan una probabilidad de
por debajo y por encima respectivamente : 2c1 es tal que P(2n-1 < 2c1) = y 2c2 es tal que
P(2n-1 > 2c2) = .
Se calcula el valor observado de la estadstica de prueba o variable pivotal que relaciona la variancia
2
(n 1).S obs
muestral con la poblacional
o2
2
si
si
>
c1
c2
<
<
<
c2
c1
Se rechaza H0
No se rechaza H0
Prueba de hiptesis de comparacin de variancias de poblaciones normales

independientes
X1 , X2 , ... , Xn iid N(x, x)
Luego :
17
Xi x
X1 x
x
,......,
, Y1 , Y2 , ... , Ym iid N(y, y) con Xi independiente de Yj
~ N (0,1) i 1..... n y
X n x
iid N (0,1) y
Yi y
Y1 y
~ N (0,1) j 1..... m
,......,
Ym y
iid N 0,1

(n 1).S (2x )
2
x
2
n 1
(n 1).S (2y )
2
y
~ m2 1
que por ser independientes resulta que el cociente :

(n 1) S (2x )
S (2x ) y2
2 . 2 ~ Fn1,m1
(m 1) S (2y )
S( y) x
x2 (n 1)
y2 (m 1)
H0 : 2x = 2y vs
H1 : 2x 2y
Si la hiptesis nula H0 es verdadera, entonces x =

2
y por lo tanto
S2
( x)
~ Fn 1,m1
S (2y )
Como la prueba es bilateral, se rechazar la hiptesis nula cuando se tenga evidencia de que las variancias
poblacionales difieren entre s. Luego, se calculan dos valores crticos (Fc1 y Fc2) para la variable pivotal
o estadstico de prueba, que son los valores de la distribucin F-Snedecor con n-1 y m-1 grados de
libertad, que dejan una probabilidad de por debajo y por encima respectivamente
Fc1 es tal
que P(Fn-1;m-1< Fc1) = y Fc2 es tal que P(Fn-1;m-1> Fc2) = .
Se calcula el valor observado de la estadstica de prueba o variable pivotal del cociente de las variancias
muestrales
Fo
S (2x ) obs
S (2y ) obs

si Fo > Fc2
Fo < Fc1
si
Fc1 < Fo < Fc2
Se rechaza H0
No se rechaza H0
Prueba de hiptesis de la media en poblaciones normales con variancia

desconocida.
Sean (X1 , X2 , ... , Xn ) una muestra aleatoria extrada de una poblacin normal, luego i=1,.,n
Xi ~ N( , ).
Por lo tanto tenemos que X1 , X2 , ... , Xn iid N( , ). de donde se deduce que:

X
que implica
X ~ N ,
~ N (0,1)
n
n
X X
i
i 1
2
n 1
(n 1) S (2x )
~ n21
Como X y S2(x) son independientes, lo son tambin
(n 1) S (2x )
, de distribucin normal
y chi cuadrado respectivamente. Luego, realizando el cociente entre ellas, obtenemos :
18

X
S ( x)
tn 1
H0 : = 0
vs
H1 : 0
X 0
Si la hiptesis nula H0 es verdadera, entonces = 0 y por lo tanto
S ( x)
t n 1
Como la prueba es bilateral, se rechazar la hiptesis nula cuando se tenga evidencia de que la media
poblacional sea mayor que el valor postulado como cuando se tenga evidencia de que sea menor que el
valor postulado. Luego, se calculan dos valores crticos (tc1 y tc2) para la variable pivotal o estadstico de
prueba, que son los valores de la distribucin t-Student con n-1 grados de libertad que dejan una
probabilidad de por debajo y por encima respectivamente: tc1 es tal que P(tn-1 < tc1) = y tc2 es
tal que P(tn-1 > tc2) = .
x obs
t o S ( x) 0
Se estandariza el valor observado de la media muestral
del cual depender la
n
decisin : si to > tc2 to < tc1

si tc1 < to < tc2
Se rechaza H0
No se rechaza H0
Nota: Para tamaos grandes de muestra, esta distribucin tiende a la distribucin normal con parmetros
=0 y =1 .
X 0
~ N (0,1)
S ( x)
n
Prueba de hiptesis de comparacin de medias de dos poblaciones normales

independientes, con variancias desconocidas pero supuestamente iguales.
Sean (X1 , X2 , ... , Xn ) y (Y1 , Y2 , ... , Ym ) dos muestras aleatorias extradas de
poblaciones normales independientes con igual variancia . Entonces x y
luego , i=1..n ,
Xi ~ N(x, )
i=1..m ,
Yj ~ N(y, ).
X1, X2, ... , Xn iid N(x, );
Y1, Y2, ... , Ym iid N(y, ). con Xi independiente de Yj
De la distribucin normal de las variables X e Y, se deduce que:
2 2
X Y ~ N ;
, y por lo tanto
y
x
n
m
como tambin
19
X Y ( x y )
1 1
n m
~ N (0,1)

(n 1) S (2x )
2
n 1
(m 1) S (2y )
~ m2 1
que por ser independientes:
(n 1) S (2x ) (m 1) S (2y )
resulta
Luego, realizando el cociente, obtenemos:
X Y (x y )
(n 1) S (2x ) (m 1) S (2y )
( n m 2)
donde
(n 1) S (2x ) (m 1) S (2y )
( n m 2)
H0 : x = y vs
~ t nm2
1 1
n m
es el estimador de la variancia comn 2, y lo simbolizaremos con S2A
H1 : x y
Si la hiptesis nula H0 es verdadera, entonces x = y
X Y
(n 1) S (2x ) (m 1) S (2y )
(n m 2)
~ n2 m 2
~ t n m2
y por lo tanto
X Y
~ t n m2
1 1
S A.
n m
o bien
1 1
n m
Como la prueba es bilateral, se rechazar la hiptesis nula cuando se tenga evidencia de que las medias
poblacionales sean diferentes. Luego, se calculan dos valores crticos (tc1 y tc2) para la variable pivotal
o estadstico de prueba, que son los valores de la distribucin t-Student con n+m-2 grados de libertad
que dejan una probabilidad de por debajo y por encima respectivamente :
tc1 es tal que P(tn+m-2 < tc1) = y
tc2 es tal que P(tn+m-2 > tc2) = .
Se estandariza el valor observado de la diferencia entre las medias muestrales
cual depender la decisin : si

si
to > tc2
to < tc1
tc1 < to < tc2
zo
x obs y obs
1 1
S A.
n m
del
Se rechaza H0
No se rechaza H0
Nota: Para tamaos grandes de muestra, esta distribucin tiende a la distribucin normal con parmetros
=0 y =1 .
X Y
~ N (0,1) (n m )
1 1
S A.
n m
20

Estadística Aplicada Ing Civil PDF

Enviado por

Dados do documento

Título original

Direitos autorais

Formatos disponíveis

Compartilhar este documento

Compartilhar ou incorporar documento

Opções de compartilhamento

Você considera este documento útil?

Este conteúdo é inapropriado?

Direitos autorais:

Formatos disponíveis

Estadística Aplicada Ing Civil PDF

Enviado por

Direitos autorais:

Formatos disponíveis

UNIVERSIDAD NACIONAL DE CAJAMARCA

Norte de la Universidad Peruana

Mg. Miguel Angel Macetas Hernndez

UNIVERSIDAD NACIONAL DE CAJAMARCA

1.1. Estimacin puntual

P 1 , para n , arbitrariamente pequeo

Mg. Miguel Angel Macetas Hernndez

UNIVERSIDAD NACIONAL DE CAJAMARCA

es mas eficiente que 2 ; si V (1 ) V (2 )

Mtodos de estimacin puntual

Primero se obtiene la funcin de probabilidad de la muestra f x1 , x 2 ,..... x n f xi , tambin

observaciones. Comnmente se la simboliza con L X ,

, donde X es el vector aleatorio que

representa a la muestra (o valores observados) y es el parmetro que se quiere estimar.

Mg. Miguel Angel Macetas Hernndez

UNIVERSIDAD NACIONAL DE CAJAMARCA

paso es derivar la funcin obtenida ln L X ,

) para el cual se satisface:

respecto del parmetro , y luego hallar el valor de

Estimacin por Intervalos

(distribucin que obviamente depender del parmetro .). Generalmente se

a) Si 2 es conocido, entonces el intervalo para se obtiene

Mg. Miguel Angel Macetas Hernndez

UNIVERSIDAD NACIONAL DE CAJAMARCA

b) Si 2 es desconocido, se utiliza su estimador S2 y la distribucin :

Entonces el intervalo para se obtiene de :

Intervalo de Confianza para la proporcin

tanto se utiliza el estimador del desvo sh h

, obteniendo la siguiente distribucin, que es

Tamao mnimo de muestra n

Mg. Miguel Angel Macetas Hernndez

UNIVERSIDAD NACIONAL DE CAJAMARCA

con el (1-).100% de confianza

Intervalo de Confianza para la diferencia de medias de dos poblaciones normales independientes

Por lo tanto tenemos que

iid N( y, y ) con Xi independiente de Yj

son conocidos, el intervalo de confianza para

con el (1-).100% de confianza

b) Si 2x y 2y son desconocidos pero iguales 2x 2y 2 , entonces el estimador de ambos es

el intervalo de confianza para

se obtiene de la siguiente manera :

con el (1-).100% de confianza , siendo g = n+m-2

Mg. Miguel Angel Macetas Hernndez

UNIVERSIDAD NACIONAL DE CAJAMARCA

Para n y m suficientemente grandes,

Distribucin de la diferencia de proporciones muestrales de dos poblaciones independientes

Luego, h1 y h2 son independientes y se distribuyen aproximadamente normal :

h1 h2 es desconocido, ya que no se conocen los parmetros p1 y p2 . Luego se

utiliza el estimador de este desvo: S ( h1 h2 ) h1 h2

obteniendo la siguiente distribucin aproximadamente normal

vlida para muestras suficientemente grandes.

Los intervalos de confianza para

con el (1-).100% de confianza

Intervalo de Confianza para la variancia en poblaciones normales

Basado en esta informacin, sabemos que:

Mg. Miguel Angel Macetas Hernndez

UNIVERSIDAD NACIONAL DE CAJAMARCA

de donde se obtiene el intervalo de confianza para 2

con el (1-).100% de confianza .

Distribucin del cociente de variancias muestrales de poblaciones normales independientes

Y1 , Y2 , ... , Ym iid N(y, y ) con Xi independiente de Yj

Luego se deduce que:

Por ser independientes resulta que :