8/18/2019 10. Estimadores de Parámetros
http://slidepdf.com/reader/full/10-estimadores-de-parametros 1/61
8/18/2019 10. Estimadores de Parámetros
http://slidepdf.com/reader/full/10-estimadores-de-parametros 2/61
Suponga que X es una variable aleatoria con media y varianza f2. Sea Xl X 2 , ••• , XIIuna muestra alea
de X de tamaño
n.
Demuestre que la media de la muestra
X
y la varianza de la muestra
son estimadore
sesgados de
y
f2,
respectivamente. Considere
Esto es, es un estimador insesgado de 8 si en promedio sus valores son iguales a J. Obs
que esto equivale a requerir que la media de la distribución de la muestra de sea igual a 8.
1e = 8.
Una propiedad deseable de un estimador es que debe estar cerca , en cierto sentido, del valor
dadero del parámetro desconocido. Formalmente, decimos que es un estimador insesg o o
tral
del parámetro 8 si
10 1 1 Propiedades de los estimadores
Puede haber varios estimadores puntuales potenciales diferentes para un parámetro. Por e
plo, si deseamos estimar la media de una variable aleatoria, podríamos considerar la media d
muestra, la mediana de la muestra, o quizá el promedio de las observaciones más pequeña
y
grande en la muestra como estimadores puntuales. Para decidir cuál es el mejor estimador pun
que puede usarse de un parámetro particular, necesitamos examinar sus propiedades estadístic
desarrollar algunos criterios para estimadores comparativos.
Las siguientes son estimaciones por puntos razonables de estos parámetros:
• para
/ 1
la estimación es {l=
la media de la muestra
• para 0 2, la estimación es 2
5 1 la varianza de la muestra
• para p la estimación es
p
=
X/n, la proporción de la muestra, donde X es el número de o
tos en una muestra aleatoria de tamaño n que pertenece a la clase de interés
• para / 1 1 - / 1 2 la estimación es { l1 { l2
X I - X2 la diferencia entre las medias de la mu
de dos muestras aleatorias independientes
• para
P I - P2
la estimación es
P I - P2
la diferencia entre dos proporciones de la muestra ca
ladas a partir de dos muestras aleatorias independientes
Los problemas de estimación ocurren con frecuencia en ingeniería. A menudo necesitamos es
los siguientes parámetros
• la media
/ 1
de una sola población
• la varianza
0 2
o desviación estándar de
a
de una sola población
• la proporción
p
de artículos en una población que pertenece a la clase de interés
• la diferencia entre las medias de dos poblaciones, / 1 1 - / 1 2
• la diferencia entre dos proporciones de población, p¡ -
P2
6
PROBABILIDAD Y ESTADíSTICAPARA INGENIERíA
8/18/2019 10. Estimadores de Parámetros
http://slidepdf.com/reader/full/10-estimadores-de-parametros 3/61
ECM e E[e - E e ]2
+ [8
E e ]2
El error cuadrático medio puede reescribirse como sigue:
10-2
El error cuadrático medio ECM, conocido también como MSE, por sus siglas en inglés) de un
e se define como
Por tanto, la varianza de la muestra es un estimador insesgado de la varianza de la población 0 2. Sin
bargo, la desviación estándar S de lamuestra es un estimador sesgado de la desviación estándar O de la po-
ación. En el caso de muestras grandes, este sesgo es despreciable.
n/12
+
n0 2 - n/12 - 0 2)
n
= 0 2.
Sin embargo, puesto que E X7) =
/1 2 +
0 2 YE X2) =
/1 2 +
0 2/n, tenemos
= n ~
1
E ±XT - nX2)
= [ L n E c x b
nECX2)] .
n
i=1
L n
2
=--E X . +X2-2 XX)
n 1
i=l
n
=-E~CX-X )2
n
i=1
[
±C X ¡
_X)2]
EC S2
E _i=_I _
n
En consecuencia, la media de la muestra
X
es un estimador insesgado de la media de la población
/1 .
Con-
ere ahora
n
E X)
:L /1
/1 .
n i=1
puesto que ECX i) /1 para toda
i
1, 2, ... , n,
11
:L ECX ¡
n i=1
ESTIMACiÓN
DE
PARÁMETROS
6
8/18/2019 10. Estimadores de Parámetros
http://slidepdf.com/reader/full/10-estimadores-de-parametros 4/61
Puesto que 1/n < 1 para tamaños de muestra n ~ 2 concluiríamos que la media de la mue
es un mejor estimador de
J i
que una sola observación
X;
Dentro de la clase de estimadores insesgados nos gustaría encontrar el estimador que tien
varianza más pequeña. Éste se llama estimador insesgado de varianza mínima. La figura 10 1m
tra la distribución de probabilidad de dos estimadores insesgados
y e 2, teniendo
una vari
más pequeña que e
2.
El estimador
producirá con mayor probabilidad que e
2
una estimación
cercana al valor verdadero del parámetro desconocido
Es posible obtener una cota inferior en la varianza de todos los estimadores insesgados
un estimador insesgado del parámetro
e
basado en una muestra aleatoria de
n
observacione
ECM X 2/n 1
= =
ECM X¡
a2 n
Si esta eficiencia relativa es menor que uno concluiríamos que é l es un estimador más efi
te de
e
que é
2
en el sentido de que tiene un error cuadrático medio más pequeño. Por ejemplo
ponga que deseamos estimar la media J i de una población. Tenemos una muestra aleatoria
observaciones l
X 2 .•• Xn
y deseamos comparar dos estimadores posibles para J i la media
muestra
X
y una sola observación de la muestra digamos
Xi
Observe que tanto
X
como
Xi
so
timadores insesgados de
J i ;
en consecuencia el error cuadrático medio de ambos estimadores es
plemente la varianza. Para la media de la muestra tenemos
ECM X V X
o- n donde a
2
varianza de la población; en una observación individual tenemos
ECM X
i =
V X¡
=
2.
Por t
la eficiencia relativa de
X ¡
a es
ECM el
ECM e2 ·
Esto es el error cuadráticomedio de e es igual a la varianza del estimadormás el sesgo al cu
do. Si
e
es un estimador insesgadode e el error cuadrático medio de
e
es igual a la varianza de
El error cuadrático medio es un criterio importante para comparar dos estimadores. Sean
dos estimadores del parámetro
e
y
ECM el
y
ECM e2
los errores cuadráticos medios de
Entonces la eficiencia relativa de
a
se define como
PROB BILID D Y EST DíSTIC P R INGENIERí
8/18/2019 10. Estimadores de Parámetros
http://slidepdf.com/reader/full/10-estimadores-de-parametros 5/61
1
[
X
1 l ] 2
nE
2
V X ) ~ _ _ :- -
1 -:-
nE ~
[ ln GJ2i l ~ X :~
n
Al sustituir en la ecuación 10-4 obtenemos
X 1 l 2
In O v 2]t) - 0 .
Demostraremos que la media de la muestra
es el estimador insesgado de varianza mínima de la media de
una distribución normal con varianza conocida.
En el ejemplo 10.1 observamos que es un estimador insesgado de Observe que
Esta desigualdad se denomina cota inferior de Cramér-Rao. Si un estimador insesgado é satis
face la ecuación 1 4 como una igualdad, se tratará del estimador insesgado de varianza mínima
de 8.
l0-4
considere que
¡ x
8) denota la distribución de probabilidad de la variable aleatoria X. Entonces una
cota inferior en la varianza de é es
1
ESTIMACiÓN DE PARÁMETROS
7
8/18/2019 10. Estimadores de Parámetros
http://slidepdf.com/reader/full/10-estimadores-de-parametros 6/61
Distribución de
1
Uno de los mejores métodos para obtener un estimador puntual es el de máxima verosimilitud. Sup
ga que X es una variable aleatoria con distribución de probabilidad
f x e
donde
e
es un paráme
10 1 2 Método de máxima verosimilitud
La consistencia es una propiedad de muestras grandes, puesto que describe el comportamien
en el límite del estimador é conforme el tamaño de la muestra tiende al infinito. Suele ser difícil
mostrar que un estimador es consistente usando la definición de la ecuación 10-5. Sin embargo,
estimadores cuyo error cuadrático medio o varianza, si el estimador es insesgado tiende a c
cuando el tamaño de la muestra se acerca al infinito, son consistentes. Por ejemplo, X es un estim
dor consistente de la media de una distribución normal, puesto que X es insesgado
y
lím
V X
lím J2 /n
O
n--7~
n--7~
lO
Encontramos algunas veces que los estimadores sesgados son preferibles a los insesgados
que tienen un error cuadrático medio más pequeño. Esto es, podemos reducir la varianza del esti
dor de manera considerable introduciendo una cantidad relativamente pequeña de sesgo. En t
que la reducción en la varianza sea mayor que el sesgo al cuadrado, se obtendrá un estimador m
rado en el sentido de error cuadrático medio. Por ejemplo, la figura 10-2 muestra la distribución
probabilidad de un estimador sesgado
{j
con varianza menor que el estimador insesgado
{j2
S
más probable que una estimación basada en
{jl
estuviera más cerca del valor verdadero de
e
que
basada en
{j2
Veremos una aplicación de la estimación sesgada en el capítulo 15.
Un estimador
{ j
con un error cuadrático medio menor o igual al error cuadrático medio de c
quier otro estimador
{j
para todos los valores del parámetro
e
se llama estimador óptimo de
e
Otra manera de definir la cercanía de un estimador
{ j
a un parámetro
e
se da en términos d
consistencia. Si
{jn
es un estimador de e basado en una muestra aleatoria de tamaño n decimos
én
es consistente para e si, para
e >
O
Pu~to que sabemos que, de manera general, la varianza de la media d e la muestra es
V X J2/n
vemo
V X
satisface la cota inferior de Cramér-Rao con una igualdad. En consecuencia,
X
es el estimador
gado de varianza mínima de 1 1 para la distribución normal donde
J2
es conocida.
8 PROBABILIDAD Y ESTADíSTICA PARA INGENIERíA
8/18/2019 10. Estimadores de Parámetros
http://slidepdf.com/reader/full/10-estimadores-de-parametros 7/61
n
L Jl)
II
_1_e- xi-Jl 2/2r:Jl
i
1 .,fiii
=
e- I/2r:Jl i xi-Jl 2
2na2 n /2 i=1 •
Sea X distribuida normalmente con media u desconocida y varianza a
2
conocida. La función de verosimilitud
de una muestra de tamaño
n
es
que, intuitivamente, es una respuesta satisfactoria. Por supuesto, se debe realizar una prueba de segunda deri-
vada, pero aquí la obviaremos.
Al igualar esto a cero y despejarp, se obtiene el estimador de máxima verosimilitud, p , como
i x ¡ n - i x ¡
d InL P) __ i_=I_ _ =1
dp _ p --- -:l;---p- ---
Luego,
Observamos que si
maximiza L P), entonces
también maximiza In L P), ya que el logaritmo es una
función monótona creciente. Por tanto,
i=1
n L x ; n I x ¡
L p) p ¡ 1_p)J-x¡ P i=1 1_p) i=l
donde
p
es el parámetro que se va a estimar. La función de verosimilitud de una muestra de tamaño n sería
x
=
0 1
en otro caso,
O
p x)
p 1_
p)I-x,
Sea X una variable aleatoria de Bemoulli. La función de probabilidad es
Observe que la función de verosimilitud es ahora función únicamente del parámetro descono-
cido 8. El estimador de máxima verosimilitud EMV,o MLE, por sus siglas en inglés de 8 es el valor
de 8 que maximiza la función de verosimilitud L 8 . E n esencia, el estimador demáxima verosimili-
tud es el valor de 8 que maximiza la probabilidad de ocurrencia de los resultados de la muestra.
00-68
f xl
8 .
f X2
8 · ... .
f x
n,
8).
desconocido único. Sean
XI X
2, ••. ,
X
n los valores observados en una muestra aleatoria de tamaño
n. Entonces, lafunción de verosimlitud de la muestra es
ESTIM CiÓN DE P RÁMETROS
9
8/18/2019 10. Estimadores de Parámetros
http://slidepdf.com/reader/full/10-estimadores-de-parametros 8/61
Considere que X se distribuye normalmente con media Ji y varianza 0 2, donde tanto Ji como
0 2
se de
cen. Encuentre los estimadores de máxima verosimilitud de
Ji
y
0 2.
La función de verosimilitud pa
El método de máxima verosimilitud puede emplearse en situaciones en las que se requiere es
varios parámetros desconocidos por ejemplo 8
1
8
2 ... 8k.
En tales casos la función de verosim
es una función de los
k
parámetros desconocidos 81, 82, ••• ,
8
k
los estimadores de máxima vero
1itud { ¡} se encontrarían igualando a cero las primeras
k
derivadas parciales
aLc81 ,
82 ...
8
1 2 ...
k ,
resolviendo el sistema de ecuaciones resultante.
Observe que la pendiente de esta función no es cero en todas partes por lo que no podemos utiliz
todos de cálculo para encontrar el estimador de máxima verosimilitud á. Sin embargo la función de v
militud aumenta cuando
a
disminuye. Por tanto maximizaríamos
L a)
fijando á como el valor más pe
que podría suponerse en forma razonable. Por supuesto a no puede ser más pequeña que el valor más g
de la muestra de modo que usaríamos la observación más grande como
á.
Así
á máx X¡
es el EMV
n
L a) n
;=1 a a
Considere que X se distribuye uniformemente en el intervalo de a
a.
La función de verosimilitud d
muestra aleatoria de
Xl
X2 X
n
de
tamaño
n
es
No siempre es posible utilizar métodos de cálculo para determinar el máximo de
L 8 .
E
ilustra en el siguiente ejemplo.
como el estimador de máxima verosimilitud de Ji.
n _
fl=-~X.=X
n ¿_
;=1
d n L Ji) _
2)-1~ )
---- - - - O ¿ _
X ; - Ji .
dJi ;= 1
. Al igualar a cero este último resultado y despejar
Ji
se obtiene
y
n
n L Ji) - n/2)ln 2Jr0 2)_ 20 2)-1 L x; Ji)2
;=1
Ahora
7 PROBABILIDAD Y ESTADíSTICA PARA INGENIERíA
8/18/2019 10. Estimadores de Parámetros
http://slidepdf.com/reader/full/10-estimadores-de-parametros 9/61
grande. Los estimadores de máxima verosimilitud también son consistentes. Además, tienen
propiedad de invarianza; esto es, si es el estimador de máxima verosimilitud de e y u e es una
nción de
e
que tiene un inverso de un valor único; entonces el estimador de máxima verosimilitud
u e)
es
u e .
Se puede demostrar en forma gráfica que la máxima verosimilitudse ubicará en el valor del má
o estimadorde verosimilitud.Considereuna muestra de tamaño
n
=
10de una distribuciónnormal:
Los estimadores de máxima verosimilitudno son necesariamenteinsesgados véase el estimador
máximaverosimilitud de
2
en el ejemplo 10.6 ,pero es usual que puedan modificarse con facili
ad para hacerlos insesgados. El sesgo se aproxima a cero en muestras grandes. En general, los esti
adores demáxima verosimilitud tienen buenaspropiedades de muestra grande, llamadas sintótic s
specíficamente,los EMV se distribuyenen forma asintótica, son insesgadosy tienenuna varianzaque
e aproxima a la cota inferior de Cramér-Raopara n grande. De modo más preciso, decimos que si
el estimador de máxima verosimilitud para
e . . ¡n
e
e
se distribuye normalmente con media ce
y varianza
e están muy relacionados con la varianza insesgada
de la muestra, a saber:
a
2
= n - 1 /n S2.
~ ~
fl
= ; ;:~ x, =
X
=
Las soluciones de las ecuaciones anteriores producen los estimadores de máxima verosimilitud
dln L fl,a2
=
_l_i, xi _ fl)
=
0,
dfl
0 2 i=1
dln L ji,a2
=
-n
_ _
±
X _
2 = o
d 0 2) 20 2 20 4 i=1
fl
Luego,
n
~
In L fl,a
2 =
-ln 2n-a
2 - -- ~ X i -
fl)2.
2 20 2 ;=1
y
ESTIMACiÓN DE PARÁMETROS 7
8/18/2019 10. Estimadores de Parámetros
http://slidepdf.com/reader/full/10-estimadores-de-parametros 10/61
Los momentos { 1 1 ; } de la población serán en general funciones de los k parámetros desco
dos
{e
i}. Al igualar los momentos de la muestra y los momentos de la población se produci
discreta. 1 2 ...
k,
X continua1 2 ... k,
1 ; E X
t)
f~ x
t
f x; e 1 , e 2 , , e k dx,
X
p x; ~1,e2 ,
k
X x
Los primeros
k
momentos de la población en tomo al origen son
1 2 ...
k.
Suponga que X es una variable aleatoria continua con densidad de probabilidadf x; e l e 2 , . . .
o una variable aleatoria discreta con distribuciónp x;
el
2 ••• k caracterizada por k parám
desconocidos. SeaXI
2 ... , X;
una muestra aleatoria deX de tamaño n; definimos los prime
momentos de muestra respecto del origen como
10 1 3 Método de momentos
Figura 1 3 Log de la función de verosimilitud de diferentes medias.
Media de la muestra
-700 22
J
-600
87
6
4
3
-500
Suponga que se sabe que la varianza de la población es igual a 4. Según se ha demostra
EMV para la media 1 1 . de una distribución normal es igual a
X
Para este conjunto de datos
La figura 10-3presenta ellog de la función de verosimilitud para diferentes valores de la media
serve que el valor máximo de la función log de verosimilitud está aproximadamente en 2
gunas veces. la función de verosimilitud es relativamente plana en una región alrededo
máximo. Esto se puede deber al tamaño de la muestra tomada de la población. Una muestra
maño pequeño puede conducir a un log de verosimilitud muy plano. lo que implica menor
sión en la estimación del parámetro de interés.
PROBABILIDAD y ESTADíSTICA PARA INGENIERíA
8/18/2019 10. Estimadores de Parámetros
http://slidepdf.com/reader/full/10-estimadores-de-parametros 11/61
El método de momentos suele producir estimadores razonablemente buenos. En el ejemplo 10.7,
por mencionar un caso, los estimadores de momento son idénticos a los estimadores de máxima
verosimilitud. En general, los estimadores de momento se distribuyen aproximadamente de man
era normal y asintótica, y son consistentes. Sin embargo, su varianza puede ser mayor que la varian
za de los estimadores obtenidos por otros métodos, tales como el método de máxima verosimilitud.
o el estimador del momento de a es exactamente el doble de la media de la muestra.
a
= X
El primer momento de la muestra es justamente Por consiguiente,
Considere que X se distribuye uniformemente en el intervalo O,a Para encontrar un estimador de a por el
método de momentos, tenga en cuenta que el primer momento de población alrededor de cero es
; :
~ Í , X f - n X 2 = Í, X ¡_X 2.
~l
con la solución
f . 1 ; ; : f . 1 ,
/12;: } J i
Los momentos de la muestra son m i ; :
lIn L7=¡X¡
y
m;;: lln L7=¡X7.
De acuerdo con la ecuación 10-9 ob
tenemos
Sea X - N f . 1 ,
}2 ,
donde f . 1 y
}2
se desconocen. Para obtener estimadores para J i y
}2
por el método de mo
mentos, recuerde que para la distribución normal
La solución de la ecuación 10-9, denotada 81, 82, ... ,
produce los estimadores de momen
to de e l e 2 , . . . , e k .
ESTIM CiÓN DE P RÁMETROS
7
8/18/2019 10. Estimadores de Parámetros
http://slidepdf.com/reader/full/10-estimadores-de-parametros 12/61
La distribución conjunta de la muestra y
j
en el numerador de la ecuación 10-10, son producto
la distribución anterior de
j, y
la verosimilitud
(lO-l
Definimos la
distribuciónposterior
de
j,
como la distribución condicional de
j
dada por los
sultados de la muestra. Esto es exactamente
En los capítulos anteriores hemos hecho un amplio estudio del uso de la probabilidad. Hasta ah
hemos interpretado las probabilidades en el sentido de la frecuencia; es decir, si se refieren a un
perimento que se puede repetir un número indefinido de veces: si la probabilidad de que ocurra
evento
A
es 0.6, entonces podríamos esperar que
A
ocurriera aproximadamente en 60 de los en
yos experimentales. Con frecuencia, esta interpretación de la probabilidad se llama objetivismo
punto de vista clásico.
La inferencia bayesiana requiere una interpretación diferente de la probabilidad, que se lla
punto de vista subjetivo. Con frecuencia encontramos enunciados subjetivos, tales como: Exi
30 de posibilidades de que llueva hoy . Los enunciados subjetivos miden un grado de confi
za personal respecto de algún evento, más que una interpretación de la frecuencia. La inferencia
yesiana requiere hacer uso de la probabilidad subjetiva para medir nuestro grado de confian
respecto de un estado de la naturaleza. Es decir, debemos especificar una distribución de probab
dad para describir nuestro grado de confianza respecto de un parámetro desconocido. Este proce
miento es totalmente diferente de lo que hemos analizado con anterioridad. Hasta ahora,
parámetros se han tratado como constantes desconocidas; la inferencia bayesiana requiere consi
rarlos como
variables aleatorias
Suponga que
f
j
es la distribución de probabilidad del parámetro o estado de la naturaleza
j
distribución f
j
resume nuestra información objetiva de
j
antes de obtener los datos de la mues
Obviamente, si tenemos cierta certeza en relación con el valor de
j,
podemos elegir f
j
con una
rianza pequeña, en tanto que si tenemos duda respecto del valor de
j,
podemos elegir f
j
con
varianza más grande. Llamamos f
j
la distribución anterior de
j.
Ahora consideremos la distribución de la variable aleatoria X. La distribución de X denotada
f x
j
indica que la distribución depende del parámetro desconocido
j.
Suponga que tomamos
muestra aleatoria X, digamos Xl'
X2 • X
La función de verosimilitud
conjunta
de la muestra e
10 1 4 Inferencia bayesiana
El estimador en ese ejemplo no siempre genera una estimación compatible con nuestro cono
miento de la situación. Por ejemplo, si nuestras observaciones de la muestra fueran XI 60, X
10 y
x
5, entonces
50, que no es razonable, puesto que sabemos que
a
60.
7 PRO ILID D Y EST DíSTIC P R INGENIERí
8/18/2019 10. Estimadores de Parámetros
http://slidepdf.com/reader/full/10-estimadores-de-parametros 13/61
Por tanto, usando la ecuación 10-12, la densidad posterior para íl es
donde k se debe elegir dependiendo del conocimiento exacto o del grado de confianza que se tiene en relación
con el valor de íl La densidad conjunta de la muestra y de íles
f( x l x2 ... , X n;A ) kílne-A (D ,+ k).
y la densidad marginal de la muestra es
f(xl x2 ... , xn
=
kíl e-A(Lx,+ k) díl
r n
1
(LX i
kr
l
en otro caso,
íl>
A I x
f( x l X2 .. . , xnlíl) = íl ne = •
Suponga que, según nuestras consideraciones, la distribución anterior también es exponencial para íl,
Se sabe que el tiempo de vida útil de un transistor se distribuye de manera exponencial con parámetro
í
Pa
ra una muestra aleatoria de n transistores, la densidad conjunta de los elementos de la muestra, teniendo en
cuenta íl, es
Observamos que se ha usado el teorema de Bayes para transformar o actualizar la distribución an
terior en la posterior. La distribución posterior refleja nuestro grado de confianza de 8 de acuerdo
con la información proporcionada. Además, la distribución posterior es proporcional al producto de
la distribución anterior y la verosimilitud. La constante de proporcionalidad está dada por la cons
tante de normalización de f( x l x2 ... , xn .
Así, la densidad posterior de e expresa nuestro grado de confianza respecto del valor de e to
mando en cuenta el resultado de la muestra.
10-12
10-11
{ ~
f (8 )f (X I x 2 ... , x
n
l8 ) d8 , x
c.ontinua,
f( x l x2 .•• Xn -
Lf(8)f(Xl X2 . .. , xnI8), x discreta.
e
En consecuencia, podemos escribir la distribución posterior de 8 como
El denominador de la ecuación 10-10, que es la distribución marginal de la muestra, es exacta
nte una constante de normalización obtenida a partir de
ESTIMACiÓN DE PARÁMETROS
7
8/18/2019 10. Estimadores de Parámetros
http://slidepdf.com/reader/full/10-estimadores-de-parametros 14/611
f~e{d XI x2 .. . , xn);O}t x¡, x2 .. . , xn 10)r O)dO
= f~e e;o)r x l x2 ... , xn ;O)dO
=
f xl, x2 ... , xn ) e e ;o )r O lx¡, x2 ... , x n)d O .
La función B será minimizada si podemos encontrar una función d que minimice la can
dentro de las llaves más grandes de la ecuación 10-14 para cada conjunto de valores Es de
estimador bayesiano de
O
es una función
d
de las
Xi
que minimiza
Definimos
al
estimad o r d e B a yes del parámetro O ,como una función d de la muestra l X2 ,
que minimiza el riesgo esperado. 0, intercambiando el orden de integración de la ecuación 10-1
tenemos
1
B d )
E [ R d ;O )]
f
R d ;O) f O) d O
= f ~ { f ~ f ~ e{d x), x2 .. . , xn ); O } f X I x 2 .. . , xn l O )dx
l
d x2 .. . d X n } f O ) d O .
R d ; O )
E [e é;O)]
f ~ f ~ . . .~
e{d X I X 2 ... , xn );o } f xl X 2 .. . , X n O )d x) , d X 2 ... d xn ,
donde la función d xl, x2 ... , xn ) una notación alterna para el estimador e, es simplemente un
ción de las observaciones. Puesto que O es considerada una variable aleatoria, el riesgo en sí m
es una variable aleatoria. Nos gustaría encontrar la función d que minimice el riesgo esperado
cribimos el riesgo esperado como
10 1 5 Aplicaciones de la estimación
En esta sección analizaremos la aplicación de la inferencia bayesiana al problema de la estim
de un parámetro desconocido de una distribución de probabilidad. Sea
X X
2 •
X ;
una m
aleatoria de la variable aleatoria X que tiene una densidadf x
lO
Queremos obtener un punto
timación de O . S e a f O ) la distribución anterior de O , y sea e e; O ) la fu n ció n d e p érdid a . La fu
de pérdida es una función de penalización que refleja el pago que debe hacerse por no iden
O como una realización de su estimador puntual e. Elecciones comunes para e e; O ) son e -
l 2. Generalmente, entre menor es la precisión de una realización de
e
más se debe pag
conjunción con una función de pérdida particular, el riesgo se define como el valor esperado
función de pérdida respecto de las variables aleatorias XI x
2 ... ,
X ; que contienen a
e
En otr
labras, el riesgo es
276
PROBABILIDAD Y ESTADíSTICAPARAINGENIERíA
8/18/2019 10. Estimadores de Parámetros
http://slidepdf.com/reader/full/10-estimadores-de-parametros 15/61
<
/l
<
=.
/l _1_
e- 1/2 ¡.P
v 2 1 t
Sea
XI
X2, ... , Xn una muestra aleatoria de densidad normal con media /l y varianza 1, donde /l se desconoce.
Suponga que la densidad anterior para /l es normal con media y varianza 1; es decir
Observe que el resultado que produce cada uno de los métodos es diferente. La estimación de Bayes es
ligeramente más cercana a la estimación anterior que el estimador de máxima verosimilitud.
A = _ _
= 0.06667.
n 1500
i
;=1
En consecuencia, el estimador de máxima verosimilitud de A,con base en la muestra de datos anterior, es
Podemos comparar este resultado con los que obtendríamos mediante métodos clásicos. El estimador de
máxima verosimilitud del parámetro
A
en una distribución exponencial es
1
x¡ k
i=1
n l = 10 1 = 0.06707.
1500
140
Suponga que, en el problema del tiempo de vida útil del ejemplo 10-9, una distribución anterior razona
ble es una exponencial para A que tiene un parámetro k = 140.Esto es equivalente a decir que la estimación
anterior para
A
es 0.07142. Una muestra aleatoria de tamaño n = 10 da por resultado I . } ~ l x¡= 1500. La esti
mación bayesiana de es
1 1 1
A==
Considere la situación que se planteó en el ejemplo 10-9, donde se mostró que si la variable aleatoria X está
distribuida exponencialmente con parámetro A y si lad istribución anterior para A es exponencial con paráme
tro k la distribución posterior para A es una distribución gamma con parámetros 1 1 1 YI . ; ~ I X¡ k Por tan
to, si se supone una función de pérdida del error cuadrático, el estimador de Bayes para
A
es la media de esta
distribución gamma
Si la función de pérdida f O ; O es la pérdida del error cuadrático O - 0 2, podemos mostrar que
el estimador bayesiano de O,digamos O , es la media de la densidad posterior para O véase el ejer
cicio 10-78 .
ESTIMACiÓN DE PARÁMETROS
8/18/2019 10. Estimadores de Parámetros
http://slidepdf.com/reader/full/10-estimadores-de-parametros 16/61
n
L X i
n X =
11
= = .
n + 1 n + 1
Por tanto, la densidad posterior para 1 1es una densidad normal con media nX/ n 1 Yvarianza n
Si la función de pérdida C f l 1 1 )es el error cuadrático, el estimador de Bayes de 11es
n
1)1/2
{ l
[2 2n ,i1 1 n
,i2 )}
-----,-,-- exp - - n+
1
1 1 - --- ---
2 n )
1/2
2
n +
1
n + 1 )2
n
1)1/2
exp{-
_ _
n 1) [11- x ] 2 }
2 n ) 1/2 2 n + 1
{
1( n2,i2)}
2 n)-n /2 n 1 -112 exp - 2 : x f ; ; : ; : ¡
2n)- n+I)/2 ex
p{-
-i[L x f+ n+
1 112
2n.i11]}
usando el hecho de que el valor de la integral es 21t)1/2/ n
1 1/2
ya que una densidad normalizada se
gra a 1 .Ahora la densidad posterior para 11es
1 [ 1 ,i2 )]
exp--
2:r---
n 1)1/2 2n)n/2 2 n + 1
¡(XI x 2 ... , x n)
_1 -
exp[- _ _(2:x f n2,i2)] x
[_1_
f = exp[- _ _ n +
1 11-
n ,i 2 ] d l1 ]
2n) nl2 2 n + 1 2n)1/2 .c.co 2 n+ 1
Completando el-cuadrado en el exponente dentro de la integral, obtenemos
¡(XI X 2 . . . X n 1 exp {- _ _ _ _ _ 2 : X ¡ } f = exp {- _ _ _ _ _ [ e n + 1 1 1 2
2 J n X l }
d u .
2n) n+I)/2
2 ~ 2
La densidad marginal de la muestra es
Así, la densidad conjunta de la muestra y 1 1es
¡ x
1
) =__ e - 1 /2 )L x , 11 )
l 2 n
2n)n/2
La densidad condicional conjunta de la muestra dada 1 1es
8 PROBABILIDAD Y ESTADíSTICAPARA INGENIERíA
8/18/2019 10. Estimadores de Parámetros
http://slidepdf.com/reader/full/10-estimadores-de-parametros 17/61Observe que el error estándar es aproximadamente 0.2 de la media de la muestra, lo que implica que he
os obtenido una estimación puntual más o menos precisa de la conductividad térmica.
¡
= =
0.~4
=
0.0898.
v n
viO
El error estándar de la media de la muestra es Ji
J/ln
y
puesto que
se desconoce, podemos sustituir
a por la desviación estándar de la muestra para obtener el error estándar estimado de
x
41.924 Btu/h-ft-°F.
Una estimación por puntos de la conductividad térmica media a 100°F
y
550 W, es la media de la
, o
41.60,41.48,42.34,41.95,41.86,
42.18,41.72,42.26,41.81,42.04.
n artículo del Journal of Heat Transfer (Trans. ASME, Ses. 96, 1974, p. 59) describe un método para me
ir la conductividad térmica de hierro Arrnco. Al emplear una temperatura de 100°F
y
una entrada de poten
ia de 550 W, se obtuvieron las siguientes 10 mediciones de conductividad térmica (en Btu/hr-pie-f F):
Si o involucra cualesquiera parámetros desconocidos, entonces si sustituimos estimaciones de
stos parámetros en la ecuación 10-17, obtenemos el
error estándar estimado de ,
digamos a { j o Un
rror estándar pequeño implica que se ha presentado una estimación relativamente precisa.
(10-17)
uando presentamos el valor de una estimación puntual, suele ser necesario dar alguna idea de su
recisión. El error estándar es la medida de precisión más usual. Si () es un estimador de e el error
tándar de es justamente la desviación estándar de (), o
10 1 6 Precisión de la estimación: el error estándar
a diferencia entre los dos estimadores es pequeña comparada con 1 I J Y i En problemas prácticos, una
uestra de tamaño moderado produce aproximadamente la misma estimación, ya sea usando el mé
odo de Bayes o el método de máxima verosimilitud si los resultados de la muestra son consistentes
on la información que se asumió previamente; de lo contrario, la estimación de Bayes puede dife
ir considerablemente de la estimación de máxima verosimilitud. En tales circunstancias, si los re
ultados de la muestra se aceptan como correctos, la información previa debe ser errónea. Entonces,
a mejor estimación a usar es la estimación de máxima verosimilitud.
Si los resultados de la muestra no están de acuerdo con la información anterior, el estimador de
s tenderá a producir una estimación que esté entre la estimación de máxima verosimilitud y los
upuestos previos. Si hay más inconsistencia entre la información anterior y la muestra, habrá una
an diferencia entre las dos estimaciones. Para analizar una muestra de esto, véase el ejemplo 10-10.
ESTIM IÓN DE P RÁMETROS 9
8/18/2019 10. Estimadores de Parámetros
http://slidepdf.com/reader/full/10-estimadores-de-parametros 18/61
100 2
: ¿ } . , ; -
0.00551)
: } . ; -
X 2
La media de la distribución exponencial está dada por
E X)
= 1/A También se sabe que
E X)
=
l/A.
estimación razonable para A es entonces }.,=1/x.A partir de los datos de la muestra, encontramos = 19
lo que da como resultado}.,= 1/192.44= 0.00520. Se generaron B = 100muestras bootstrap de tamaño n
usando Minitab conf x;0.00520 = 0.00520e-O·00520x.Algunas estimaciones bootstrap semuestran en
bla 1O-l. 100
Se encuentra que el promedio de las estimaciones bootstrap es de
X
= I :/100=0.0055l. El error e
dar de la estimación es i=l
195.2, 20l.4, 183.0, 175.1,205.1,191.7,188.6,173.5,200.8,210.0.
Se sabe que los tiempos de falla X de un componente electrónico siguen una distribución exponencial co
parámetro desconocido A Una muestra aleatoria de 10componentes da como resultado los siguientes tiem
de falla (en horas):
En los textos sobre estadística, con frecuencia se reemplaza B - 1 por B; para valores gran
de sin embargo, se obtiene una pequeña diferencia práctica en la estimación.
l
S{J=
t {j: -
e
i=l
Cuando la distribución de
{j
es desconocida o complicada, puede ser difícil estimar el erro
tándar de {j usando la teoría de la estadística estándar. En este caso, se puede usar una técnica
tensiva de cálculo llamada
bootstrap.
Efron
y
Tibshirani (1993) hicieron una excelente introducc
a ella.
Suponga que el error estándar de {j se denota por
J{J
Además, suponga que la función de
sidad de probabilidad de la población está dada por f x;8). A partir de estos datos, se puede c
truir fácilmente la estimación bootstrap de J {J
1.
Dada una muestra aleatoria de f x; j),
Xl
X2 •.. , x
n
estime 8 denotado por {j.
2. Usando la estimación j, genere una muestra de tamaño n de la distribución j (x.é). Ést
la muestra bootstrap.
3. Usando la muestra bootstrap, estime 8. Esta estimación se denota por {j:.
4. Genere muestras bootstrap
B
para obtener las estimaciones bootstrap,
{j:
para
i
1, 2, .
(con frecuencia se usa
B
100 o 200).
B
5. Sea e ~{j: l B la representación de la media de la muestra de las estimaciones bootst
6. El error bootstrap estándar de e se encuentra con la fórmula usual de desviación están
8 PROBABILIDAD ESTADíSTICA PARA INGENIERíA
8/18/2019 10. Estimadores de Parámetros
http://slidepdf.com/reader/full/10-estimadores-de-parametros 19/61
se llama intervalo de confianza de 1
1 -
a
para el parámetro desconocido
A L YU se les de
nomina límites de confianza inferior y superior, respectivamente, y 1-
recibe el nombre de coefi-
ciente de confianza La interpretación del intervalo de confianza es que, si se recopilan muchas
muestras aleatorias y se calcula un intervalo de confianza de 100 1 - a en de cada muestra,
100 1- a de estos intervalos contendrán el valor verdadero de La situación se ilustra en la fi
gura 10-4, la cual muestra varios intervalosde confianza de 100 1- a para la media J i de una dis
tribución. Los puntos en el centro de cada intervalo indican la estimación puntual de
J i
en este caso,
X
Observe que uno de los 15 intervalos no contiene el valor verdadero de
J i
Si éste fuera un inter
valo de confianza de 95 , a la larga sólo 5 de los intervalos no contendrían
J i
Ahora bien, en la práctica obtenemos sólo una muestra aleatoria y calculamos un intervalo de
confianza. Puesto que este intervalo contendrá o no el valor verdadero de
no es razonable atri
buir un nivel de probabilidad a este evento específico. El enunciado apropiado sería que se en
cuentra en el intervalo observado [L,
U]
con confianza de 100 1 - a . Este enunciado tiene una
interpretación de frecuencia: esto es, no sabemos si el enunciado es verdadero para esta muestra es
pecífica, pero el método utilizado para obtener el intervalo [L U] produce enunciados correctos el
100 1-
a
de las veces.
El intervalo de confianza en la ecuación 10-19podría llamarse con mayor propiedad un
interva-
lo de confianza de dos lados en cuanto a que especifica tanto un límite inferior como uno superior
10-1 9)
:::;
e
U
El intervalo resultante
10-18 )
{L:::;
e
U } =
En muchas situaciones, una estimación puntual no proporciona suficiente información acerca del pa
rámetro de interés. Por ejemplo, si nos interesa estimar la resistencia media del concreto a la com
presión, tal vez un solo número no tenga mucho significado. Una estimación del intervalo de la
forma L :::;
i :::;
U podría resultar más útil. Los puntos extremos de este intervalo serán variables alea
torias, puesto que son funciones de datos de muestra.
En general, para construir un estimador de intervalo del parámetro desconocido
debemos en
contrar dos estadísticas, L y U tales que
1 2 EST IM AC iÓ N D EL IN TER VALO DE C O NF IAN ZA D E U N A SO LA M UESTR A
0 00489
04 390
00
0 00411
0 00650
0 00790
243 407
153 821
126 554
2
3
~
I
edia de la muestra
uestra
Tabla 10 1
Estimaciones bootstrap del ejemplo 10 13
ESTIMACiÓN DE PARÁMETROS 281
8/18/2019 10. Estimadores de Parámetros
http://slidepdf.com/reader/full/10-estimadores-de-parametros 20/61
La longitud de un intervalo-de confianza observado de ambos lados es una medida impor
te de la calidad de la información obtenida de la muestra. La longitud de medio intervalo J -
U- J se denomina precisión del estimador. Cuanto más largo sea el intervalo de confianza, m
confianza tendremos de que el intervalo contiene en realidad el verdadero valor de
J .
Por otra
te, cuanto más largo sea el intervalo, tanto menor será la información que tenemos en tomo al v
00
{ J 5 U} =
donde el límite de confianza superiorU se elige de manera que
10
De manera similar, un intervalo de confianza superior de 100 1 - a de un lado para J
dado por el intervalo
10
{L 5
J} = 1
donde el límite de confianza inferior
se elige de modo que
10
5 J
en
J .
En ocasiones, un intervalo de confianza
de un l do
podría ser más apropiado. Un interval
confianza inferior de 1OO1 - a de un lado para J está dado por intervalo
Figura 1 4 onstrucción repetid de un interv lo de confi nz p r 1
282 PROBABILIDAD Y ESTADíSTICAPARAINGENIERíA
8/18/2019 10. Estimadores de Parámetros
http://slidepdf.com/reader/full/10-estimadores-de-parametros 21/61
z
a
Considere los datos de conductividad térmica del ejemplo 10-12.Suponga que deseamos encontrar un interva
lo de confianza de 95 en la conductividad térmica media de hierroArmco. Imagine que conocemos que la
10-25)
Al comparar las ecuaciones 10-24y 10-18,vemos que el intervalo de confianza de dos lados de
100 1-
a)
en
es
10-24)
Esto puede reacomodarse como
p { X ZoJ a/m
X
ZaJ a/m} =
1
a
o
se toma como una distribución normal estándar.
La distribución de
Z
=
X-
1l / a/.J1i
se muestra en la figura 10-5.Al examinar esta figura ve
mos que
X-Il
z= r
a¡vn
Sea X una variable aleatoria normal con media desconocida
y varianza conocida
2
y suponga
que se toma una muestra aleatoria de tamaño
n
Xl
X
2, •• . ,
Xn
Puede obtenerse un intervalo de con
fianza de 100 1-
a)
en
considerando la distribución muestral de la media de la muestra
En
la sección 9-3 se dijo que la distribución muestral de
es normal si X es normal
y
aproximadamen
te normal si las condiciones del Teoremadel Límite Central se cumplen. La media de es y la va
rianza es
o- ».
Por tanto, la distribución de la estadística
10 2.1 Intervalo de confianza sobre la media de una
distribución normal conocida la varianza
ESTIMACiÓN DE PARÁMETROS
8
8/18/2019 10. Estimadores de Parámetros
http://slidepdf.com/reader/full/10-estimadores-de-parametros 22/61
El intervalo de confianza de 99 es más largo que el intervalo de confianza de 95 . Est
porque tenemos un nivel más alto de confianza en el intervalo de confianza de 99 . En general
ra una muestra fija de tamaño n y una desviación estándar a entre más alto es el nivel de conf
za, más largo será el intervalo de confianza resultante.
Puesto que la longitu del intervalo de confianza mide la pre isión de la estimación, vemos
la precisión se relaciona inversamente con el nivel de confianza. Como se comentó antes, es m
2 2.58a/vn 5.l5a/-Jii.
en tanto que la longitud del intervalo de confianza de 99 es
2 1.96alJri 3.92a/Fn
Nivel de confianza y precisión de la estimación
Observe que, en el ejemplo previo, nuestra elección de 95 del nivel de confianza fue, en esen
arbitraria. ¿Qué habría sucedido si hubiéramos elegido un nivel de confianza más alto, digamo
99 ? De hecho, ¿no es razonable desear un nivel de confianza más alto? Para
a
0.01, encon
mos Za/2 =
ZO.01l2
=
ZO.005
= 2.58, en tanto que para a = 0.05,
ZO.025
= 1.96. En consecuencia, la
gitud del intervalo de confianza de 95 es
41.862 ~
~
41.986.
Éste es nuestro intervalo de valores razonables para la conductividad térmica media con una confianz
95 por ciento.
Por consiguiente, el límite de confianza de 95 de los dos lados es
u
= i Za/2 j /J n
41.924
1.96 0.1O)/JTo
41.924 0.062
=
41.986.
y el límite de confianza superior es
= i Za/2
j / I f i
41.924 - 1.96 0.1O)/JTo
41.924 - 0.062
41.862
desviación estándar de la conductividad térmica a 100°F Y550W es o 0.10Btu h pie F Si suponemo
la conductividad térmica se distribuye normalmente o que las condiciones del Teorema del Límite Cent
cumplen), podemos utilizar la ecuación 10-25para construirel intervalode confianza. Un intervalo de 95
plica que 1 - a 0.95, así que a 0.05 y, de acuerdo con la tabla II del apéndice Za/2 ZO 05/2 ZO 025
El límite de confianza inferior es
8 PROBABILIDAD y ESTADíSTICAPARA INGENIERíA
8/18/2019 10. Estimadores de Parámetros
http://slidepdf.com/reader/full/10-estimadores-de-parametros 23/61
10-27)
1s
X
z; J . .¡n,
y el intervalo de confianza inferior de 100 1 - a para )1 es
Intervalos
de confianza de un lado
También es posible obtener intervalos de confianza de un lado para )1, ajustando L
00
o U
00
y reemplazando
ZaJ2
por Zu. El intervalo de confianza superior de 100 1 - a para
)1
es
Observe cómo, en general, el tamaño de la muestra se comporta como una función de la longi
tud del intervalo de confianza E el nivel de confianza como 100 1 - a , y la desviación estándar
J
como sigue:
• cuando la longitud deseada del intervalo E se reduce, el tamaño de la muestra requerida n
aumenta para un valor fijo de Jy una confianza especificada;
• cuando Jaumenta, el tamaño de la muestra requerida
n
aumenta para una longitud fija E
y
una confianza especificada,
y
• cuando el nivel de confianza aumenta, el tamaño de la muestra requerida
n
se incrementa pa
ra una longitud fija
Ey
una desviación estándar
J.
ZaJ2 J 2
[ 1.96)0.10]2
n= = =15.37=16.
E 5
Si el lado derecho de la ecuación 10-26 no es un entero, debe redondearse hacia arriba. Observe
que E es la longitud del intervalo de confianza resultante.
Para ilustrar el empleo de este procedimiento, suponga que deseamos que el error en la esti
mación de la conductividad térmica media del hierro Armco del ejemplo 10-14 sea menor a 0.05
Btu/h-pie-c f con confianza de 95 . Puesto que
J
= 0.10 YZO.025 1.96, podemos encontrar que
el tamaño de muestra requerido a partir de la ecuación 10-26 es
10-26 )
Elección del tamaño de la muestra
La precisión del intervalo de confianza en la ecuación 10-25 es ZaJ2 J lJii . Esto significa que al
usar
para estimar
11 ,
el error
E
= x 111es menor que
ZaJ2 J /F n
con confianza de 100 1- a .Es
to semuestra gráficamenteen la figura 10-6.En situacionesdonde el tamañode la muestra puede con
trolarse, podemos elegirncomo 100 1- a confiablede que el error al estimar serámenor que un
error especificadoE El tamaño de muestra apropiadoes
Figura 1 6 Error al estimar J con
u x +
Za
a vn
x
Za
a vn
E error x ¡ J
1----+1
ESTIMACiÓN DE PARÁMETROS
8
8/18/2019 10. Estimadores de Parámetros
http://slidepdf.com/reader/full/10-estimadores-de-parametros 24/61
o
P{
aJ
n ] ::;t::; t
aJ
n ]} 1 - a
es la distribución
t
con 1 grados de libertad. Mostraremos ahora cómo se obtiene el interva
confianza en
f l .
La distribución de
t
=
X
f l )/ ( S / v r i ) semuestra en la figura 10-7.Al dejar que
t
aJ
n ]
sea el p
to porcentual superior Ctl de la distribución t con n 1 grados de libertad, observamos en la fi
10-7 que
t
_ X - - - ; - - . . . . . . f l _
S v n
Suponga que deseamos determinar un intervalo de confianza o la media de una distribución, pe
desconoce la varianza. Se dispone, de manera específica, de una muestra aleatoria de tamañon
X2 ••. X
n
y X y S 2 son la media y la varianza de la muestra, respectivamente. Una posibilida
ría reemplazar aen las fórmulas del intervalo de confianza para
f l
con varianza conocida ecu
nes 10-25, 10-27Y10-28 con la desviación estándar s de la muestra. Si el tamaño de muestra,
relativamente grande, digamos
n
30, éste es un procedimiento aceptable. En consecuencia, lla
mos a menudo a los intervalos de confianza en las secciones 10·2.1 y 10-2.2intervalos de conf
za de muestra grande debido a que son aproximadamente válidos, incluso si las varianza
población desconocidas se reemplazan por las varianzas de muestra correspondientes.
Cuando los tamaños de muestra son pequeños, este enfoque no funciona y debemos utilizar
procedimiento. Para producir un intervalo de confianza válido, debemos hacer una suposición
fuerte relativa a la población base. La suposición usual es que la población base se distribuye
malmente.
Esto conduce a intervalos de confianza basados en la distribución
t.
Específicamente
X ] , X 2 ... X; una muestra aleatoria de una distribución normal con media f l y varianza o? desc
cidas. En la sección 9-4 se mencionó que la distribución muestral de la estadística
10 2 2 Intervalo de confianza sobre la media de una
distribución normal con varianza desconocida
8
PROB BILID D Y EST DíSTIC P R INGENIERí
8/18/2019 10. Estimadores de Parámetros
http://slidepdf.com/reader/full/10-estimadores-de-parametros 25/61
x
9.8475,
s
0.0954.
Deseamos encontrar un intervalo de confianza de 95 respecto de la media del tiempo residual de flama.
La media
la desviación estándar de la muestra son
9.85, 9.93, 9.75, 9.77, 9.67,
9.87, 9.67,
9.94,
9.85,
9.75,
9.83,
9.92, 9.74, 9.99, 9.88,
9.95,
9.95, 9.93, 9.92,
9.89.
Un artículo del Joumal ofTesting and Evaluation ol. 10,núm . 4, 1982,p. 133)presenta las siguientes20 me
diciones del tiempo residual de flama en segundos) en muestras tratadas de ropa de dormir para niños:
Recuerde que estos procedimientos suponen que estarnos realizando el muestreo en una pobla
ción normal. Esta suposición es importante para muestras pequeñas. Por fortuna, la suposición de
normalidad se cumple en muchas situaciones prácticas, Cuando ese no es el caso, debernos utilizar
intervalos de confianza de
distribución libre
o
no paramétricos.
Los métodos no paramétricos se es
tudian en el capítulo 16, Sin embargo, cuando la población es normal, los intervalos de distribución
t son los intervalos de confianza de 100 1 - a más cortos posibles, y por ello son superiores a los
métodos no paramétricos.
La selección del tamaño demuestra
n
requerido para brindar un intervalo de confianza de la lon
gitud necesaria no es tan fácil como en el caso de la
conocida, porque la longitud del intervalo de
pende del valor de desconocido antes de recopilar los datos) y de
n
Además,
n
entra al intervalo
de confianza a través de
1 / v n
y de t
aJ2 n-l
En consecuencia, la
n
requerida debe determinarse me
diante ensayo y error.
1 0-32)
y intervalo de confianza superior de 100 1-
a
en
J i
es
J i ;
t
an
S / v n
10-31)
Un intervalo de confianza inferior de 100 1 -
a
en
J i
está dado por
tan S / v n : : : ; J i
10-30)
t
aJ2 n-l
S / . . ¡ n : : : ; i ;
t
aJ2 n-l
S / J i i
Al comparar las ecuaciones 10-29 y 10-18, vernos que el intervalo de confianza de dos lados de
100 1- a en J i es
1 0-29)
{ X -
taJ2 n-l S / J ñ : : : ; J i ;
taJ2 n-l S / J ñ } a
Al reacomodar esta última ecuación se obtiene
ESTIMACIÓN DE PARÁMETROS 8
8/18/2019 10. Estimadores de Parámetros
http://slidepdf.com/reader/full/10-estimadores-de-parametros 26/61X~/2
n
Xf a/2 n
a/2
2
2
2 } - 1 _
X l aJ2 n 1 X XaJ2 n l a
es ji cuadrada con n 1 grados de libertad. Esta distribución se ilustra en la figura 10-8.
Para desarrollar el intervalo de confianza, observamos en la figura 10-8 que
SupongaqueX se distribuyenormalmenteconmedia l y varianza
j2
desconocidas.SeaXl
2, ... ,
una muestra aleatoria de tamaño
n,
y
S 2
la varianza de la muestra. En la sección 9-3 se mostró q
la distribución muestral de
10 2 3 Intervalo de confianza sobre la varianza de una distribución norma
Tenemos una confianza de 95 de que la media del tiempo residual de flama está entre 9.8025 9.8
segundos.
9.8029 seg ~
l ~
9.8921 seg
Por tanto, el intervalo de confianza de 95 es
x ta/2,n-1 s / J ñ
9.8475
2.093 0.0954 /50
9.8921 seg
y
L x ta/2,n-1 s / J ñ
9.8475 -
2.093 0.0954 /50
9.8029 seg.
De acuerdo con la tabla IV del apéndice, encontramos que
tO 025 19
2.093. Los límites de confianza i
rior
superior de 95 son
288 PROB BILID D
EST DíSTIC P R INGENIERí
8/18/2019 10. Estimadores de Parámetros
http://slidepdf.com/reader/full/10-estimadores-de-parametros 27/61
a 0.21 onzas de líquido
Este último enunciado puede convertirse en un intervalo de confianza en la desviación estándar
a,
toman
do la raíz cuadrada en ambos lados, lo que resulta en
o? -:;(19)0,0225 0.0423 (onzas de líquidoj-.
10.117
2 n
S
a -
2
XO 95 9
Un embotellador de refrescos está interesado en el funcionamiento uniforme de la máquina que se utiliza pa
ra llenar latas, En particular, le interesa que la desviación estándar adel proceso de llenado sea menor de 0,2
onzas de líquido; en otro caso, habrá un porcentaje más alto que el tolerable de latas que no estarán comple
tamente llenas, Supondremos que el volumen de llenado sedistribuye aproximadamente en forma normal. Una
muestra aleatoria de 20 latas resulta con una varianza de S 0.0225 (onzas de líquidoj-. Un intervalo de con
fianza superior de 95 se encuentra a partir de la ecuación 10-36, del siguiente modo:
(10-36)
n
1)52
2
Xl-a n-l
El intervalo de confianza superior a 100(1 - a se encuentra asignando L = Oy sustituyendo
2 2
1 bti
Xl-a 2 n-l con X
l-a n-l
con o que se o tiene
(10-35)
n
1)52
2
2 s rr .
Xa n-l
(10-34)
n-l S2< n-l 52
2 _ J 2
X
a 2 n-
1
X
1-
a 2 n -
1
Para determinar un intervalo de confianza inferior a 100(1 - a en a2, determinamos U y
reemplazamos
X~2 n-l
con
X~ n-l
lo que resulta en
Al comparar la ecuaciones 10-33 y 10-18, vemos que el intervalo de confianza de dos lados de
100(1 - a en a2 es
(10-33)
n
1)52 )
1 _ a,
Xta 2 n-l
Esta última ecuación puede reacomodarse para producir
(
2
<
n
1)52<
2 ) _
p
Xl-a 2 n-l - a2 -
X
a 2 n-l -
a
o
ESTIMACiÓN DE PARÁMETROS
9
8/18/2019 10. Estimadores de Parámetros
http://slidepdf.com/reader/full/10-estimadores-de-parametros 28/61
el intervalo de confianza de los dos lados de 1
O O
1 -
a
aproximado en
p
es
(1
JPO-P J P l -P
P
p
-Z aJ2 . n ~
p ~p
ZaJ2 n
1 -
a
Reconocemos la cantidad .. j
p
1 - P /n como el error estándar del estimador puntual p. De
tunadamente los límites superior e inferior del intervalo de confianza obtenido a partir de la
ción 10-37 contendrían el parámetro desconocido p. Sin embargo, una solución satisfacto
sustituir p por p en el error estándar, lo que resulta en un error estándar estimado. Por tanto,
0
J p O - P l - J p I - P l
P p -ZaJ2 n ~p ~p ZaJ2 n a
Esta expresión puede reacomodarse como
p
p
P -Za12 S p I n- Za12 ~ I
a .
o
P{-ZaJ2 ~
Z~
ZaJ2 }
a
es aproximadamente normal estándar. .
Para construir el intervalo de confianza en p, observe que
z
~p---=-p
{P l
n-
P
10 2 4 Intervalo de confianza sobre una proporción
A menudo es necesario construir un intervalo de confianza de 1000 - a en una proporción
ejemplo, suponga que se ha tomado una muestra aleatoria de tamaño n de una gran población
siblemente infinita), que X ~ n observaciones en esta muestra pertenecen a la clase de interé
tonces p X /n es el estimador puntual de la proporción de la población que pertenece a esta
Observe que n
p
son los parámetros de la distribución binomial. Además, en la sección 7-5
que la distribución de p es aproximadamente normal con media p varianza muestral p (1 - p
p no está demasiado cerca de
O
o 1, si n es relativamente grande. De tal modo, la distribuci
Por tanto, en el nivel de confianza de 95 , los datos no soportan el requerimiento de que la des
estándar del proceso sea menor de 0.20 onzas de líquido.
9 PROBABILIDAD Y ESTADíSTICA PARA INGENIERíA
8/18/2019 10. Estimadores de Parámetros
http://slidepdf.com/reader/full/10-estimadores-de-parametros 29/61
Esta función es relativamente plana de p 0.3 a p 0.7. Se requiere una estimación de p para uti
izar la ecuación 10-42. Si se dispone de una estimación p de una muestra previa, podría sustituirse
on ella la
p
en la ecuación 10-42, o quizá sería posible realizar una estimación subjetiva. Si estas al
ernativas no son satisfactorias, podría tomarse una muestra preliminar, calcularse
p
y
emplearse lue
o la ecuación 10-42 para determinar cuántas observaciones adicionales se requieren para estimar
10-42 )
Defina el error al estimar p por medio de p como E
Ip p l Observe que tenemos una confian
a de aproximadamente
IODO
a) de que este error es menor que
ZaJ
.Jp 1 - p)/n. Por tanto, en
situaciones en las que puede seleccionarse el tamaño de la muestra, podemos elegir n de manera que
xista una confianza de 100 1 -
a)
de que el error sea menor que algún valor especificado
E.
El
amaño de muestra apropiado es
0.08
p
0.24.
la cual se simplifica a
0.16 -1.96
0.16 0.84 ::::p:: : :
0.16
1.96 0.16 0.84)
75 75
o
p l - p p l -
p ZO 25
n::::
P ::::P ZO 25
n
En una muestra aleatoria de 75 ejes de árbol, 12 tienen un acabado superficial más rugoso que lo permitido
por las especificaciones. Por tanto, una estimación puntual de la proporción de los ejes en la población que ex
cede las especificaciones de rugosidad pes x/n 12/75 0.16. Un intervalo de confianza de 95 de dos
lados parap se calcula a partir de la ecuación 10-39 como
10-41)
A Z p 1 fJ)
n .
y un intervalo de confianza superior de 100 1 - a) aproximado es
10-40 )
z
PO-P <p
aJ
n -,
Un intervalo de confianza inferior de 100 1 - a) aproximado es
ESTIM CiÓN DE P RÁMETROS
9
8/18/2019 10. Estimadores de Parámetros
http://slidepdf.com/reader/full/10-estimadores-de-parametros 30/61
0.16 0.84)
--- -----
75
0.16+ 1.96)2 1.96
2 75
p 1- p
Z~
; ___ =
--
2
A Z~ Z
p --± aJ2
2n
Los autores se refieren a esto como elpuntaje del intervalo de confianza. Los intervalos de
fianza de un lado se pueden construir reemplazando simplementeZaJ2con Za
Para ilustrar este intervalo de confianza, reconsidere el ejemplo 10-17, en el que se anal
acabado superficial de un eje deárbol con n = 75 Y 0.16. Los límites inferior y superior d
intervalo de confianza de 95 usando el enfoque deAgresti y Coull son
Z~
1+-
n
p 1- p ZaJ2
2
A
Z~J
p --±ZaJ2
2n
El procedimiento desarrollado en esta sección depende de la aproximación normal a la bino
En situaciones en las que esta aproximación es inapropiada, particularmente en casos donde n e
queña, deben utilizarse otros métodos. Podrían emplearse, por ejemplo, tablas de la distribució
-nomial para obtener un intervalo de confianza para
p.
Si
n
es grande pero
p
es pequeña, podría u
la aproximación de Poisson a la binomial para construir intervalos de confianza. Duncan 1986
tra estos procedimientos.
Agresti y Coull 1998) presentaron una forma alternativa de un intervalo de confianza en l
porción de una poblaciónp, basada en una prueba de hipótesis de grandes muestras enp véase
pítulo 11).Agresti y Coull mostraron que los límites superior e inferior de un intervalo de conf
aproximado de 1OO1 - a enp son
Z 2 196) 2
.025 A l_A)= _._ 0.16 0.84)=207.
E p p 0.05
Considere los datos del ejemplo 10-17. ¿Qué tan grande se requiere que sea la muestra si deseamos
una confianza de 95 de que el error al emplearp para estimar
p
es menor que 0.05?Al usarp
0.16 com
estimación inicial de
p,
encontramos, de acuerdo con la ecuación 10-42,que el tamaño de muestra requeri
Con la finalidad demantener al menos un nivel de confianza de 100 1- a , el valor de n
pre se redondea al entero siguiente.
)
2
ZaJ2
n=
0.25 .
en n. En otras palabras, tenemos al menos una confianza de 100 1- a de que el error al es
p
por medio de
p
es menor que
E
si el tamaño de la muestra es
292 PROBABILIDAD Y ESTADíSTICA PARAINGENIERíA
8/18/2019 10. Estimadores de Parámetros
http://slidepdf.com/reader/full/10-estimadores-de-parametros 31/61
normal estándar si y
2
son normales o aproximadamente normales estándar si se aplican las
ndiciones del Teorema del Límite Central, respectivamente. De acuerdo con la figura 10-5, esto
plica que
0 3 1 Intervalo de confianza de la diferencia entre las medias
~
de dos distribuciones normales con varianzas conocidas
f l
sidere dos variables aleatorias independientes,
XI
con media desconocida /11
y
varianza conoci-H
O I y X2 con media desconocida lzy varianza conocida O ~ . Deseamos encontrar un intervalo de
nfianza de 100 1- a de la diferencia entre las medias
/11 -
lz· Sea XII X
12, ... ,
X n una mues-
a aleatoria de nl_obs~vaciones de
XI y
sea
X
21,
22 2n2
una muestra aleatoria de
n2
observa-
ones de
2
Si XI YX2 son medias de la muestra, la estadística
EST IM AC iÓ N D EL IN TER VALO D E C ON FIAN ZA D E D OS M UESTR AS
3
Los límites de confianza inferior superior resultantes son 0.094 0.260, respectivamente.
Agresti y Coull argumentan que el intervalo de confianza más complicado tiene varias ventajas
obre el intervalo estándar más grande de la muestra dado en la ecuación 10-39). Una ventaja es
sus intervalos de confianza tienden a conservar el nivel indicado de confianza mejor que el in
rvalo estándar más grande de la muestra. Otra ventaja es que el límite de confianza inferior siem
será no negativo. El intervalo de confianza más grande de la muestra puede dar como resultado
es de confianza inferiores negativos, que el profesionista en general determina como cero. Un
todo que podemos reportar como límite inferior negativo de un parámetro que es inherentemen
no negativo tal como una proporción, p se considera con frecuencia un método inferior. Por úl
, los requisitos de que no esté cercano a o 1
de que sea relativamente grande, no son
isitos para el enfoque sugerido por Agresti y Coull. En otras palabras, su enfoque da como re
ultado un intervalo de confianza apropiado para cualquier combinación de n y p
0.186
±
0.087
1.051
0.177 ± 0.083.
ESTIMACiÓN DE PARÁMETROS 9
8/18/2019 10. Estimadores de Parámetros
http://slidepdf.com/reader/full/10-estimadores-de-parametros 32/61 1.0) 2 1.5) 2
- - ~2
x
1 x2 Za 2
13.1 - 0.88
=
12.22 kg/mm-,
1.0 )2 1.5 )2
87.6 -74.5 -1.645 --
lO
12
Se realizaron pruebas de tensión en dos barras de aluminio de diferente calidad, usadas en la fabricación d
avión de transporte comercial. Con base en experiencias anteriores en el proceso de fabricación de barras
la fase de pruebas, supondremos que se conoce la desviación estándar de la tensión. En la tabla 10-2sem
tran los datos obtenidos.
Si f 1 1
f i
denotan la media de las tensiones para las dos calidadesde las barras, podemos encontrar u
tervalo de confianza de 90 en la diferencia de la media de la tensión f 1 1 f i como sigue:
10-4
y un intervalo de confianza inferior a 1OO 1 - a es
10-4
Los intervalos de confianza unilaterales de
1 1 1
J z
también se pueden obtener. Un intervalo
confianza superior a 100 1 - a en 1 1 1 J z es
10-4
J
- JI J2 - - JI J2
XI - X
2 -
Z a J 2
~
1 1 1
J z ;
XI - X
2
Z a J 2
.
ni n2 ni n2
Comparando las ecuaciones 10-43 y 10-18, observamos que el intervalo de confianza 100 1 -
para J z es
10-4
J2 J2
I
=1-a.
ni n2
Esta ecuación se puede reacomodar como
9 PROBABILIDAD Y ESTADíSTICAPARA INGENIERíA
8/18/2019 10. Estimadores de Parámetros
http://slidepdf.com/reader/full/10-estimadores-de-parametros 33/61
nsidere dos variables aleatorias independientes normales, digamos Xl con media f . 1 1 y varianza
I
y
X
2
con media
f . 1 2
y
varianza
a~
Tanto las medias
f 1 1
y
f . 1 2
como las varianzas
aI
y
a~
son des
aso
J1
J2
J
ora ampliaremos los resultados de la sección 10-2.2al caso de dos poblaciones con medias y va
nzas desconocidas, y deseamos encontrar los intervalos de confianza en la diferencia de las me
f . 1 1 f . 1 2 .
Si ambos tamaños de muestra,
Y
n 2
exceden a 30, se pueden usar los intervalos de
distribuciónnormalde varianzaconocidade la sección 10-3.1.Sinembargo, cuando se tomanmues
s pequeñas,debemos suponerque laspoblacionessubyacentesson distribuidasnormalmentecon va
as desconocidasy con base en los intervalos de confianza en la distribución
t
0 3 2 Intervalo de confianza de la diferencia entre las medias de
dos distribuciones normales con varianzas desconocidas
Recuerde redondear hacia arriba si n no es un entero.
(10-47)
Si se conocen las desviaciones estándar l Ya (al menos de manera aproximada) y si los tama
s de lamuestra Yn 2 soniguales (digamos, n 2 n , podemosdeterminarel tamañode lamues
requerida, de manera que elerror en la estimación f 1 1 f . 1 2 usando
X l - 1 2
será menor que en
0(1 -
a
de confianza. El tamaño de la muestra requerida de cada población es
n 2 ; 2 f a a~ .
Media de la
Calidad de Tamaño de
muestra de la Desviación estándar
la barra la muestra tensión kg/mm2
kg/mm2
1
1 x
1
87 6
<
= = 1
2
= = 12
x
= = 74 5
<
= = 1 5
bla 1 2 Resultados de la prueba de tensión en barras de aluminio
12.22 kg/mrn?~ -112s 13.98kg/mm .
Tenemos 90 de confianza de que la media de la tensión de la barra de aluminio (calidad 1)excede a la
e la barra de aluminio (calidad 2) entre 12.22
y
13.98 kg/mm-,
Por tanto, el intervalo de confianza de 90 sobre la diferencia de la media de la tensión es
13.1+ 0.88
13.98 kg/mm-,
ESTIMACiÓN DE PARÁMETROS 95
8/18/2019 10. Estimadores de Parámetros
http://slidepdf.com/reader/full/10-estimadores-de-parametros 34/61
Un intervalo de confianza inferior con 100 1 - a unilateral para 1 1 1 2 es
10
Por tanto, un intervalo de confianza con 1OO1-
a
de dos lados para la diferencia entre las
dias 1 1 1
2
es
10
Esta ecuación se puede reacomodar como
o
es la distribución t con
nI
nz
2 grados de libertad. Por tanto,
tica
Para desarrollar el intervalo de confianza para 1 1 1 1 1 2 observe que la distribución de la est
10
z
nI
l Si
nz l S~
P nI n2 - 2
Las muestras aleatorias de tamaño
nI nz
se toman en X y X
respectivamente. Se denota
medias de las muestras medianteXI y X y las varianzas de la muestra con s i y ~ Yaque s i y S
estimaciones de la varianza común a podemos obtener un estimador combinado mezclado d
9 PROBABILIDAD ESTADíSTICAPARAINGENIERíA
8/18/2019 10. Estimadores de Parámetros
http://slidepdf.com/reader/full/10-estimadores-de-parametros 35/61
1.76minutos fl¡ -
J : : ;
3.24 minutos.
Esto es, el intervalo de confianza de 95 en la diferencia de la media de los tiempos de inmersión es
= 3.24minutos.
f F ; 1
XI - X2 taJ2•
n n
-2 sp
2 n2
y
= 1.76minutos
1
f F ;
XI - x2 taJ 2 2
.n¡ n,-
nI n2
La desviación estándar compartida es
sp
J
0.8557
=
0.925. Yaque
taJ2•
n¡ n
2 2
=
tO.025 .25
=
2.060, podemos
calcular 95 de los límites de confianza superior e inferior como
12 15 - 2
0.8557.
11 0.85)2 14 0.98)2
nI
l sf
n2
l si
n¡
n2 -
2
En un proceso químico por lotes usado para imprimir tarjetasde circuitería, se han comparado dos diferentesca
talizadorespara determinar si requieren diferentes tiempos de inmersión para eliminar cantidades idénticas de
material fotorresistente. Se analizaron 12 lotes con el catalizador 1 y se obtuvo como resultado una media
del tiempo de inmersión de la muestra de ¡ = 24.6 minutos
y
una desviación estándar de s¡ = 0.85 minutos.
Se analizaron 15 lotes con el catalizador 2 y se obtuvo como resultado una media del tiempo de inmersión de
la muestra de
= 22.1 minutos una desviación estándar de s2 = 0.98 minutos. Encontraremos un intervalo
de confianza de 95 en la diferencia entre las medias fl¡ - fl2 suponiendo que la desviación estándar o va
rianza) es igual en las dos poblaciones. La estimación compartida de la varianza común se encuentra usando
la ecuación 10-48 como se indica a continuación:
lO-52)
y
un intervalo de confianza superior a 100 1 -
a
unilateral para / 1 1 z es
ESTIMACiÓN DE PARÁMETROS
9
8/18/2019 10. Estimadores de Parámetros
http://slidepdf.com/reader/full/10-estimadores-de-parametros 36/61
En las secciones 10-3.1 y 10-3.2 desarrollamos intervalos de confianza para las diferencias de
dias cuando se han seleccionadolas dos muestras aleatorias independientes de las dos poblacion
interés.Es decir, se han seleccionadonI observacionesaleatoriamentede laprimera población y se
seleccionadocompletamenteindependientesn2 observacionesaleatoriamentede la segundapobla
Hay también un número d e casos experimentales en donde sólo hay n unidades experimentales
rentes y los datos se han reunido en
parejas;
así, se han hecho dos observacionesde cada unidad
Por ejemplo, en la revista
Human Factors
1962, p. 375) se reporta un estudio en el que se p
a 14 personas estacionar dos autos con diferentes distancias entre ejes y radios de giro. Se reg
el tiempo en segundos para cada auto y persona; en la tabla 10-3 se muestran los datos obten
Observe que cada persona es la unidad experimental a la que nos referimos anteriormente. De
mos obtener un intervalo de confianza de la diferencia entre las medias de los tiempos en que s
tacionan los dos autos, digamos J . 1 112.
En general, suponga que los datos consisten en n parejas Xli X21), X I2, X
22 ...
X n X2n
supone que tanto X¡ comoX2 están distribuidos normalmente con medias
J i ]
y 112,respectivam
Las variables aleatorias con
parejas diferentes
son
independientes
Sin embargo, ya que hay dos
didas de la misma unidad experimental, las dos medidas dentro del mismo par pueden no ser i
10 3 3 Intervalo de confianza en J L ¡
J l l
para observaciones pareadas
El límite de confianza superior inferior) se puede encontrar reemplazando el límite de con
za inferior superior) por -
00 00)
y cambiando
aJ2
por
lO
En consecuencia,un intervalode confianza aproximadode dos lados de 100 1-
a
para J i ,
cuando J f * J i es
- - { sr si - - { S r si
XI - X 2 - tC J i 2 ,v n
n ::; J i , - 112::;XI - X 2
tC J i 2 ,v n
n
, 2 , 2
lO
está distribuida aproximadamente como t con grados de libertad dados por
x \ -
X
2 - J i , - J i2 )
V S¡jn Syn2
En muchos casos no es razonable suponer que J f J i Aun cuando no se cumpla esta suposi
podemos encontrar un intervalo de confianza de 100 1 - a para u, - 112usando el hecho de
la estadística
Caso
j f j i
9 PROB BILID D Y EST DíSTIC P R INGENIERí
8/18/2019 10. Estimadores de Parámetros
http://slidepdf.com/reader/full/10-estimadores-de-parametros 37/61
Volvamos ahora a la tabla 10-3, que contiene los datos del tiempo para 11
14 personas que estacionan para
lelamente dos automóviles. A partir de la columna de diferencias observadas, di calculamos J = l.21 Y
sd
=
12.68.De acuerdo con la ecuación 10-55,el intervalo de confianza de 90 para
J . l D
=
J .l 1
J . l 2 se encuentra co
mo se indica a continuación:
donde y son la media de la muestra y la desviación estándar de las diferencias i respec
tivamente. Este intervalo de confianza es válido para el caso en que ( J i
J~
ya que s b estima
( J b = V X¡ - X
2 .
Asimismo, para muestras grandes digamos n ~ 30 pares), la condición de norma
lidad es innecesaria.
lO -55)
ya que el valor esperado de XI X 2 es la diferencia en los valores esperados sin considerar siXI X 2
son independientes.En consecuencia,podemos construir un intervalo de confianza para u¡ J 1 2 exac
tamente como se encuentra un intervalo de confianza para
1D
Debido a que las diferencias i están
distribuidas normalmente y son independientes, podemos usar el mismo procedimiento que emplea
mos en la distribución de la sección 10-2.2para encontrar el intervalo de confianza en 1D Por ana
logía con la ecuación 10-30, el intervalo de confianza de 100 1 - a en 1D 11
J 1 2
es
Automóvil
Persona
1
2
Diferencia
37 0
17 8 19 2
2 25 8
20 2 5 6
3
16 2
16 8 0 6
4 24 2
41 4 17 2
5
22 0
21 4 0 6
6
33 4
38 4 5 0
7 23 8
16 8 7 0
8
58 2
32 2 26 0
9
33 6
27 8 5 8
10 24 4
23 2 1 2
11 23 4
29 6 6 2
12 21 2
20 6 0 6
13
36 2
32 2 4 0
14 29 8
53 8
24 0
1D = E D = E X
I -
X
2
= E X
1 -
E X
2
= 1 1
J 1 2
Tabla 1 3 Tiempo en segundos para estacionar paralelamente dos automóviles
ESTIM CiÓN DE P RÁMETROS 299
8/18/2019 10. Estimadores de Parámetros
http://slidepdf.com/reader/full/10-estimadores-de-parametros 38/61
a/2
¡
s i / a i
P F1_ aJ2 n2-I n¡-1 5 . ~ 2 5 .F aJ2 n2-J n¡-1
=
a.
S
al
o
P{FI-aJ2n-In-l 5.F 5.FaJ2 I_In_l}
=
~2 2
es F con n2 - 1Yn 1 grados de libertad. En la figura 10-9se muestra la distribución. A part
ella, vemos que
Suponga que
X
y
X
2 son variables aleatorias normales independientes con medias desconocid
y fl2 y varianzas desconocidas y
a i
respectivamente. Deseamos encontrar un intervalo de
fianza de 100 1 - a de la razón a r / a i . Sean dos muestras aleatorias de tamaños n Y
2
tom
de
X
y
2
y sean y si las varianzas de la muestra. Para encontrar el intervalo de confianza
servamos que la distribución muestral de
10 3 4 Intervalos de confianza de la razón de varianzas
de dos distribuciones normales
Observe que, cuando se parean los datos, se pierden grados de libertad en comparación co
intervalos de confianza de las dos muestras, pero normalmente se logra un aumento en la prec
de estimación, ya que
S d
es más pequeño que
S p -
Observe que el intervalo de confianza en
u D
incluye al cero. Esto implica que a un nivel de confian
90 , los datos no soportan la demanda de que los dos autos tengan medias de tiempo de estacionamien
y
u 2
Es decir, el valor
u D ,ul - ,u2 O
es consistente con los datos observados.
1.21 - 1.771 12 .68)/.JT4
: S ; u D s
1.21 1.771 12.68)/.JT4,
-4.79:S;,uD:S; 7.21.
3
PROBABILIDADY ESTADíSTICAPARA INGENIERíA
8/18/2019 10. Estimadores de Parámetros
http://slidepdf.com/reader/full/10-estimadores-de-parametros 39/61
0 2
o
0 . 8 5 )2 l 0 .8 5 )2
--0.39~-~--2.74,
0 . 9 8 )2 a i 0 .9 8 )2
S 2 0 2 s 2
F <_1<_1 F
2 0.95,14,11 2- 2 0.05,14,11
S 2 0 2 S 2
Considere
el
proceso químico por lotes descrito en el ejemplo 10-20.Recuerde que s e compara la medida de su
efectividad para reducir los tiempos de inmersión para la impresión de tarjetas de circuitería; la prueba de
= 12 lotes se realizó con el catalizador 1 y la de z = 15 lotes se realizó con el catalizador 2, dando como
resultado
=
0.85 minutos
y
S 2
=
0.98 minutos. Encontraremos un intervalo de confianza de 90 de la razón
de las varianzas
l
aI A partir de la ecuación 10-57, encontramos que
10-60)
mientras que un intervalo de confianza superior a 100 1 -
a)
de
O t O i
es
0 2 S2
_I::;;_IF
S2 a,n
-I,n¡-1
0 2 2
lO-59)
Podemos también construir los intervalos de confianza de un lado, Un límite de confianza infe
rior a 100 1 -
a)
de
O r O i
es
lO-58 )
FI~at2,1J2-1,1J¡-1
=
-
at2,n¡-I,n2-1
donde el punto de la cola inferior 1 - a de la distribución
Fn2-1,n¡-1
está dado por véase la ecua
ción
9-22
lO-57)
Comparando las ecuaciones 10-56 10-18,vemos que el intervalo de confianza de 100 1- a)
de dos lados para
O t O i
es
S2 0 2 S2
_ _ _I
S
2 l-at2 n2-1 1J¡-1 2 - S2
at2,n -I,n¡-I
2 0 2 2
lO-56)
Por tanto
ESTIM iÓN DE P RÁMETROS 3
8/18/2019 10. Estimadores de Parámetros
http://slidepdf.com/reader/full/10-estimadores-de-parametros 40/61
Considere los datos del ejemplo 10-17. Suponga que se efectúa una modificación en el proceso de a
0
y un intervalo de confianza superior de 1000 -
a
aproximado para PI - P2 es
1
Un intervalo de confianza inferior de 100 1- a aproximado para PI -
P 2
es
I l P
P 2 l - P 2 )
se distribuye aproximadamente en forma normal estándar. Al emplear un planteamiento anál
de la sección previa, resulta que un intervalo de confianza de dos lados de 1000 - a apro
do para PI - P2 es
PI -
P 2 - PI - P2
z
; = = = = = = = = = = = _
pIO -
P I) P 2 1 - P 2 )
Si hay dos proporciones de interés, digamos
PI
y
P2
es posible obtener un intervalo de confia
100 1 - a respecto de su diferenciaPI - P2 Si dos muestras independientes de tamaños n
se toman de poblaciones infinitas, de manera que X¡ y X
sean variables aleatorias binomiale
pendientes con parámetros ni PI) y n2 P2) respectivamente, donde
X I
representa el número
servaciones de muestra de la primera población que pertenece a una clase de interés, y X
2
repr
el número de observaciones de muestra de la segunda población que pertenece a una clase d
rés, entonces PI
X¡fn l
y
P 2 X 2 / n 2
son estimadores independientes de
P I
y
P 2
respectiva
Además, bajo la suposición de que se aplica la aproximación normala la binomial, la estadís
10 3 5 Intervalo de confianza sobre la diferencia entre dos proporciones
usando el hecho de que F
O .9 5 ,14,¡¡
IIF
O .0 5, 1 1 ,1 4
1/2.58
0.39. Yaque este intervalo de confianza inclu
dades, no podríamos exigir que las desviaciones estándar de los tiempos de inmersión para los dos cata
res sean diferentes al nivel de confianza de 90 .
3 PROB BILID D Y EST DíSTIC P R INGENIERí
8/18/2019 10. Estimadores de Parámetros
http://slidepdf.com/reader/full/10-estimadores-de-parametros 41/61
Recuerde el ejemplo 10-3, donde se mostró que el estimador de máxima verosimilitud del parámetro P de una
distribución de Bemoulli es
P
lIn I.7:¡
X¡
Al emplear la cota inferior de Cramér-Rao, podemos com
probar que la cota inferior para la varianza de
es
Usualmente, V
j
es una función del parámetro desconocido J En estos casos, sustituya J por
{j
10-64)
Si se utiliza el método de máxima verosimilitud para la estimación de parámetros, pueden emplear
se las propiedades asintóticas de estos estimadores para obtener intervalos de confianza aproxima
dos. Sea
{j
el estimador de máxima verosimilitud de
J
En muestras grandes,
{j
se distribuye
aproximadamente de manera normal con media J y varianza
V j
dada por la cota inferior de Cra
mér-Rao ecuación 10-4). Por consiguiente, un intervalo de confianza aproximado de 100 1-
a
para J es
1 4 IN TE RV ALO SD E C ON FIA NZA A PR OX IM AD OS
E N LA E STIM AC iÓ N D E M ÁX IM A V ER OS IM IL IT UD
Este intervalo incluye el cero, de modo que, con base en los datos de la muestra, parece poco probable
que los cambios realizados en el proceso de acabado de la superficie hayan reducido la proporción de los ejes
de árbol defectuosos que se están produciendo.
- 0.07
~p¡ -
P ~ 0.15.
Esto se simplifica a
~p¡ -
P ~ 0.16 - 0.12 1.96
0.16 0.84) 0.12 0.88)
.
75 85
0.16 0.84) 0.12 0.88)
75 85
0.16 - 0.12 - 1.96
o
Piel-PI fiz l-P2
1
p ¡
P2 -
ZO.025
P¡ l-PI P2 1-P2
n¡ n2
P2 10/85 0.12, podemos obtener un intervalo de confianza aproximado de 95 en la diferencia de la pro
porción de defectos producidos bajo los dos procesos, utilizando la ecuación 10-61 como
ESTIMACiÓN DE PARÁMETROS
8/18/2019 10. Estimadores de Parámetros
http://slidepdf.com/reader/full/10-estimadores-de-parametros 42/61 10
m
P
{todos los enunciados
m
son simultáneamente correctos}
1 -
a ~
1 -
La;
;=1
En ocasiones es necesario construir varios intervalos de confianza respecto de más de un parám
y deseamos que haya una probabilidad de 1 - a de que la
tot li
de tales intervalos de con
za produzca de manera simultánea enunciados correctos. Por ejemplo, suponga que estamos tom
do una muestra de una población normal con media y varianza desconocidas, y que desea
construir intervalos de confianza para J y 0 2, tales que la probabilidad de que ambos intervalos
duzcan simultáneamente conclusiones correctas sea l a . Puesto que y S son independie
podríamos asegurar este resultado construyendo intervalos de confianza de
100 1- a)I/2
par
da parámetro por separado, y ambos intervalos producirían de manera simultánea conclusione
rrectas con probabilidad
1 - a)I/2 1 -
a I 2 1 -
a).
Si las estadísticas de la muestra en las cuales sebasan los intervalos de confianza no son v
bles aleatorias independientes, los intervalos de confianza no son independientes y deben emp
se otros métodos. En general, suponga que se requieren m intervalos de confianza. La desigua
de Bonferroni establece que
IN TE RV ALO S D E C O NF IA NZ A S IM U LT ÁN EO S
5
~ Z P l-P < < A Z P l-P
p- aJ2 -p-p+ aJ2 .
n n
Este resultado no debe ser sorprendente, ya que sabemos directamente que para la distribución deBe
lli V X) V X¡)In p l - p)/n. En cualquier caso, reemplazando p por P en V P), el intervalo de conf
aproximado con 100 1 - a para p se encuentra a partir de la ecuación 10-64 como
p l
p
n
P) ~
1
n [ ~
- -1 __P ]
De acuerdo con la distribución de Bernoulli, observamos que
E X)
p
y
E X2)
p.
Por tanto, esta ú
expresión se simplifica a
n E [ +
l X 2 _ 2 X l X ]
p2
l
p)2
p l
p)
1
n E [ ~
ln[r l -
p I X ]r
1
=
E [ X
l_X ]2
n
¡;
l-p
1
V P)
4 PROBABILIDAD Y ESTADíSTICA PARA INGENIERíA
8/18/2019 10. Estimadores de Parámetros
http://slidepdf.com/reader/full/10-estimadores-de-parametros 43/61
¡ Ji e- 1/2 /J-2 2 •
.J2ii
pongaque la variable aleatoriaXestá distribuida normalmenteconmedia
Ji y
varianza4. El valor de
Ji
es des
nocido, pero una razonable densidad anterior podría ser normal con media 2
y
varianza l. Esto es
Previamente presentamos las técnicas bayesianas para la estimación puntual. En esta sección, pre
sentaremos el enfoque bayesiano para construir intervalos de confianza.
Podemos usar métodos bayesianos para construir intervalos estimados de los parámetros que son
similares a los intervalos de confianza. Si se haobtenido la densidad posterior para e podemos cons
ruir un intervalo, usualmente centrado en la media posterior, que contiene 100 1 - a de la posi
ilidad posterior. Este intervalo se llama intervalo bayesiano de 100 1 -
a
para el parámetro
esconocido e
Mientras que en muchos casos el intervalo estimado de Bayes para
es muy similar al interva
o de confianza clásico con el mismo coeficiente de confianza, la interpretación de los dos es muy
iferente.Un intervalo de confianza es un intervalo que, antes de que se tome la muestra, incluirá la
esconocida con probabilidad 1 - a Es decir, el intervalo de confianza clásico se relaciona con la
cuencia relativa de un intervalo que incluye a e Por otra parte, un intervalo de Bayes es un inter
alo que contiene 100 1 - a de la probabilidad posterior para e Puesto que la densidad de pro
ilidad posterior mide un grado de confianza respecto de
a partir de los resultados de la muestra
ada, el intervalo de Bayes proporciona un grado subjetivo de confianza respecto de
e
más que una
erpretación de la frecuencia. El intervalo de Bayes estimado de
se ve afectado por los resulta
s de la muestra, pero no está completamente determinado por ellos.
IN TERV LOS DE CONF I NZ YES I NOS
6
donde 1 - a¡ es el nivel de confianza utilizado en el intervalo de confianza i-ésimo. En la práctica,
seleccionamos un valor para el nivel de confianza simultáneo 1 - a, y después elegimos la a¡ indi
vidual, tal que I ¡ ¡
Usualmente, hacemos ¡
cdm
Como ejemplo, suponga que deseamos construir dos intervalos de confianza respecto de las me
dias de dos distribuciones normales, de manera que tengamos al menos 90 de confianza de que
ambos enunciados serán simultáneamente correctos. Por lo tanto, puesto que 1 -
a
0.90, tenemos
a
0.10, y puesto que se requieren dos intervalos de confianza, cada uno de éstos debe construirse
con a¡ al 0.10/2 0.05, 1,2. Esto es, dos intervalos de confianza individuales de 95 de
u¡
y
conducirán simultáne mente a enunciados correctos con una probabilidad de por lomenos 0.90.
ESTIM iÓN DE P RÁMETROS 5
8/18/2019 10. Estimadores de Parámetros
http://slidepdf.com/reader/full/10-estimadores-de-parametros 44/61
Pueden generarse muestras bootstrap para estimar los valores de 1y S.
Suponga que
B
muestras bootstrap se generan y se calculan é~ é; ... é~y 0 . A partir d
tas estimaciones, calculamos las diferencias
é~
0 ,
é;
0 .. . ,
é~
iJ , ordenamos las diferen
en orden creciente y encontramos los percentiles necesarios 100 1-
aJ2)
Y100
aJ2)
para
1
y S
ejemplo, si B
=
200 Yse desea un intervalo de confianza de 90 , 100 1 - 0.10/2)
nonages
quinto percentil
100 0.10/2)
quintopercentil sería la diferencia 190a.
diferencia lOa.,respec
mente.
1
=
é -
100 1 - aJ2) percentil de
é -
8),
S =
é -
100 aJ2) percentil de
é -
8).
pectivamente,
En la sección 10-1.6 se presentó la técnica bootstrap para estimar el error estándar de un parám
f). La técnica bootstrap se puede usar también para construir un intervalo de confianza para 8.
Para un parámetro arbitrario 8, los límites generales inferior y superior de 100 1- a) son,
1 7 INTERVALOSDE CONF IANZA BOOTSTRAP
Vemos que el intervalo de Bayes es ligeramente más corto que el intervalo de confianza clásico, ya
la información anterior es equivalente a aumentar un poco el tamaño de la muestra si no se supone co
miento anterior.
1.52
s l
3.48.
Si ignoramos la información anterior, el intervalo de confianza clásico para
l
es
1.52
s u s
3.28.
Si se toma una muestra aleatoria de tamaño 16 y se encuentra que
2.5, la ecuación 10-66 se red
10
X+8
2
nX+8+Z
2
__ - - ZO.025
s l s
0025 __ -
n+4 ~ n+4 . ~
usando los métodos de la sección 10-1.4.Así, la distribución posterior para
l
es normal con media
nX
n 4) y varianza 4/ n 4). Un intervalo de Bayes de 95 para u que es simétrica respecto de la media
terior, sería
Podemos ahora mostrar que la densidad posterior para l es
6
PROB BILID DY EST DíSTIC P R INGENIERí
8/18/2019 10. Estimadores de Parámetros
http://slidepdf.com/reader/full/10-estimadores-de-parametros 45/61
0.0650.0750.0850.0950.105 0.1150.1250.135 0.1450.155
lambda
r
c
Q
10
20
Nuestro interés es construir un intervalo de confianza de 90 de una exponencial con parámetro A.Por de
finición, la suma de T variablesaleatorias independientese idénticasdistribuidasexponencialmentesigueunadis
tribucióngamma, T A Por tanto, T
4, pero senecesita estimar el valor deA.Se puedeencontraruna estimación
bootstrappara Ausando la técnica dada en la sección 10-1.6.Empleando los datos de tiempode vida útil indica
dos con anterioridad, encontramos que el tiempopromedio de vida útil es de
x
42.545. La media de la distri
bución gamma es E X TIAYA se calcula para cada muestra bootstrap. Al utilizar Minitab para B 100
bootstraps, encontramos que la estimación bootstrap ~* 0.0949. Usando las estimaciones bootstrap para ca
da muestra, se pueden calcular las diferencias;en la tabla 10-4se muestran algunos de los cálculos.
Cuando se organizan las 100diferencias en orden creciente, el quinto percentil y el nonagesimoquinto per
centil serán -0.0205 y 0.0232, respectivamente. Por tanto, los límites de confianza resultantes son:
78.7778, 13.5260,6.8291,47.3746, 16.2033,27.5387,28.2515,38.5826,
35.4363,80.2757,50.3861,81.3155,42.2532,33.9970,57.4312.
Un dispositivo electrónico consiste en cuatro componentes. El tiempo de vida útil de cada componente sigue
una distribución exponencial, y todos ellos son idénticos e independientes unos de los otros. El dispositivo
electrónico fallará sólo después de que cuatro componentes hayan rebasado su vida útil. Se han recopilado los
tiempos de vida útil de los componentes electrónicos de 15de estos dispositivos. Los tiempos totales de vida
útil son:
100
Muestra
l·¡ x
0.087316
0.0075392
0.090689 0.0 041660
0.096664
0.0018094
0.090193
0.0046623
1
2
3
Tabla 10 4 Estimaciones bootstrap para el ejemplo 10 26
ESTIMACiÓN DE PARÁMETROS 307
8/18/2019 10. Estimadores de Parámetros
http://slidepdf.com/reader/full/10-estimadores-de-parametros 46/61
y
Hasta ahora, en este capítulo se han presentado estimadores de intervalos de los parámetros de la
blación, como la media, u. Existen muchas situaciones en las que al interesado le gustaría pred
una sola observación futura para la variable aleatoria de interés, en lugar de predecir o estima
promedio de esta variable aleatoria. Para ello, se puede construir un interv lo de predicción
cualquier observación única en algún tiempo futuro.
Considere una muestra aleatoria dada de tamaño
Xl
2 •
n
de una población normal
media J l y variaza ;2. Denotemos con
elpromedio de la muestra. Suponga que deseamos pred
la observación futura n
+
l.Puesto que es el punto que se ha predicho para esta observación, el e
de predicción está dado por X
n
1 El valor esperado
la varianza del error de predicción son
E Xn+
1 -
X E Xn+
l -
E X J l J l
10 8 1 Intervalosde predicción
1 8 O TR O S P R O BLE M AS D E ES T IM AC iÓ N D E IN TE R VA LO S
Tenemos aproximadamente 90 de confianza de que el valor real de Aestá entre 0.0717 y 0.1154. E
figura lO-lOse representa el histograma de las estimaciones para bootstrap
A :
mientras que en la fi
10-11 se muestran las diferencias
A ;
x .
Las estimaciones bootstrap son razonables cuando el estimado
insesgado
el error estándar es aproximadamente constante.
0.0949 - 0.0232 0.0717,
S 0.0949 - --0.0205) 0.1154.
Figura 10 11 Histograma de las diferencias
;
t
o
0 03 0 02 0 01 0 00 0 01 0 02 0 03 0 04
diferencias
.
.
~
I I
I
I
I I
I I
20
308 PROBABILIDADY ESTADíSTICA PARAINGENIERíA
8/18/2019 10. Estimadores de Parámetros
http://slidepdf.com/reader/full/10-estimadores-de-parametros 47/61
10-69
El intervalo de predicción superior de un lado 100 1 -
a)
en X +
1
está dado por
é
J i
+ . -, 1+
10-68
El intervalo de predicción inferior de un lado 100 1 - a) en
+
1 está dado por
J i - ~ V S (
~
X
Reacomodando la desigualdad, obtenemos la forma final para el intervalo de predicción de dos
lados 100 1-
a) :
J i -
1 2 _ /
. 1 (
I
X~ ~
J i
, , , , , , . - . J
. 1 (
I
10-67
sigue la distribución t con n 1 grados de libertad.
Siguiendo el procedimiento usual para construir intervalos de confianza, el intervalo de predic
ción de dos lados de 100 1 - a) es
X
n 1
X
T ~
y es normal estándar. Si (1 2 es desconocida, es posible estimarla mediante la varianza de la muestra,
5 1
y
entonces
X n+ -X - O _ Xn+ - X
~~
z
Ya que
X
n+ y
X
son variables aleatorias independientes distribuidas normalmente, el error de
predicción también está distribuido de la misma manera y
ESTIMACiÓN DE PARÁMETROS
9
8/18/2019 10. Estimadores de Parámetros
http://slidepdf.com/reader/full/10-estimadores-de-parametros 48/61
Como ya hemos mencionado antes en este capítulo, los intervalos de confianza son los interva
los que esperamos que se ubique el parámetro de población verdadero, tal como
u.
En contrast
interv los de toler n i son los intervalos en los que esperamos se encuentre unpor ent je de l
blación.
Suponga queX es una variable aleatoria normalmente distribuida con mediau y varianza
J2
peraríamos que aproximadamente95 de todos los valores de X estén contenidos en el interva
1.645
J.
Pero, ¿qué pasa si
u
y rr son desconocidasy debemos estimarlas? Usando la estimación
tual x y s parauna muestrade tamañon podemosconstruirel intervalox 1.645s.Desafortunada
te, debido a la variabilidad en la estimación de
f 1
y
J
el intervalo resultante puede contenermen
95 de los valores. En este ejemplo particular, un valor más grande que 1.645 necesitará ga
zar 95 de cobertura cuando se usan las estimaciones puntuales para los parámetros de la pobl
Podemos construir un intervalo que contenga los valores del porcentaje de la población indica
tener confianza relativa en el resultado. Por ejemplo, podemos querer que sea 90 confiable y
intervalo resultante cubra al menos 95 de los valores de la población.A este tipo de interval
llama
interv lo de toler n i
y se puede construir para diferentes niveles de confianza.
En general, para
°
q 100, el intervalo de tolerancia de dos lados cubre al menosq d
valores de una población normal con un 100(1 -
a)
de confianza de
x ± ks.
El valor
k
e
constante tabulada para diferentes combinaciones de
q
y 100(1 - a . En la tabla XIV del ap
ce se presentan los valores de k para q 90, 95 Y99, Ypara 100(1 -
a
90, 95 y 99.
El intervalo de tolerancia inferior de un lado que cubre al menos
q
de los valores de una p
ción normal con una confianza .100(1- a) es x ks. El intervalo de tolerancia superior de un
que cubre al menos
q
de los valores de una población normal con una confianza 100(1 -
a)
ks
Se calcularon diferentes valores de
k
para intervalos de tolerancia de un lado usando la té
en Odeh y Owens (1980), y se proporcionan también en la tabla XIV del apéndice.
10 8 2
nterv los de toler nci
1.018
s
Xli
2.314.
0.273
1
1 ~
0.273)2(1 2 _ _
s
Xli
s
1.666
ta/2n~l
10
.666- ta/2,n~1
Según los cálculos, el promedio
y
la desviación estándar de la muestra son
1.666 Ys
0.273
pectivamente. Puede ser importante predecir la fuerza máxima experimentada por el avión. Puesto que
2.262, el intervalo de predicción 95 enXli es
U5, 1.23, 1.56, 1.69, 1.71, 1.83, 1.83, 1.85, 1.90, 1.91
Las fuerzas máximas experimentadas por un avión en 10vuelos a lo largo de una ruta particular son (e
dades de gravedad, g)
3 PROB BILID D EST DíSTIC P R INGENIERí
8/18/2019 10. Estimadores de Parámetros
http://slidepdf.com/reader/full/10-estimadores-de-parametros 49/61
Observe que hay una diferencia fundamental entre los límites de confianza y los límites de tole
rancia. Los límites de confianza y, por tanto, los intervalos de confianza) se usan para estimar un
parámetro de la población, en tanto que los límites de tolerancia y los intervalos de tolerancia) se
usan para indicar los límites entre los que podemos esperar encontrar una proporción de la pobla
ción. Conforme
n
tiende a infinito, la longitud de un intervalo de confianza tiende a cero, mientras
que los límites de tolerancia tienden a los cuantiles correspondientes de la población.
n
_ _
1.9 . 9.488 = 46.
2 1 4
Así, a fin de tener 95 de certeza de que al menos 90 de la población estará incluida entre los
valores extremos de la muestra, necesitamos un tamaño de muestra
10-70)
1
X~
n=- ---·_- .
2 l-P 4
Además, la
n
requerida es aproximadamente
npn-l - n - l pn
a.
Es posible construir intervalos de tolerancia
no p r métricos
basados en los valores extremos
en una muestra aleatoria de tamaño
n
a partir de cualquier población continua. Si
es la proporción
mínima de la población contenida entre la observación más grande y la más pequeña con confianza
1 - se puede demostrar que
Por tanto, concluimos que tenemos 95 de confianza de que al menos 99 de todas las fuerzas máximas
se ubicarían entre 0.456
Y2.876
0.456, 2.876).
o
1.666
4.433 0.273)
Reconsidere las fuerzas máximas para el avión del ejemplo 10-27. Se desea encontrar un intervalo de toleran
cia de dos lados que cubra 99 de todas las fuerzas máximas con confianza 95 . De acuerdo con la tabla XIV
del apéndice, con 1 - 0.95, q 0.99
y
n 10, encontramos que
4.z1.33.El promedio
y
la desviación
estándar de la muestra se calcularon como 1.666 y
s
0.273, respectivamente. El intervalo de tolerancia
resultante es, entonces,
ESTIM CiÓN DE P RÁMETROS
8/18/2019 10. Estimadores de Parámetros
http://slidepdf.com/reader/full/10-estimadores-de-parametros 50/61
10-6 Los mejores estimadores insesgados linea
Un estimador ° recibe el nombre de estima
lineal si es una combinación lineal de las ob
vaciones en la muestra. ° se llama el mejor e
mador insesgado lineal si, de todas las funcio
lineales de las observaciones, es insesgado y
ne varianza rrúnima. Demuestre que la media
la muestra
es el mejor estimador insesgado
neal de la media de la población J
es un estimador insesgado de 0 2
10-5 Considere que se toman tres muestras aleato
de tamaños
n¡
= 10,
n2
= 8
n3
= 6 de una
blación con media J y varianza O z . Sean s i
y S~las varianzas de muestra. Demuestre qu
s z = lOS¡ 8S~ 6S~
24
10-4 Suponga que
JI
°
2
Y °
3
son estimadores d
Sabemos que E OI)
E J2)
e E 03)
=
V O¡)
= 12,
V 02)
= 10 Y
E J3 - e)2
= 6. Co
pare estos tres estimadores. ¿Cuál prefiere
ted? ¿Por qué?
10-3
Suponga que
1
y
Jz
son estimadores del pa
rámetro e . Sabemos que
E O¡)
e
E 02)
¿Alguno de los estimadores es insesgado?
¿Cuál de los estimadores es el mejor ? ¿ En
qué sentido es el mejor?
10-2 Deje que XI
Xz ... ,
X7 denote una muestra
aleatoria de una población que tiene media J y
varianza 0 2 Considere los siguientes estima
dores de
J :
XI
X2
X7
l
7
° 2XI - X6
4
2 - 2
dos estimadores de J ¿Cuál es el mejor esti
mador de J ? Explique su elección.
_ 1
n
X
2 = -
n~
i=1
_ 1
n
X¡=-¿X¡
n i=1
10-1 Suponga que tenemos una muestra aleatoria de
tamaño nde una población denotada por X
y
E X = J y V X = 0 2 Sean
EJER C IC IO S
1
En este capítulo se han introducido las estimaciones por puntos
y
de intervalos para parámetros des
nocidos. Se han analizado varios métodos para la obtención de estimadores puntuales, incluidos el m
todo de máxima verosimilitud y el método de los momentos. El método de máxima verosimilitud su
llevar a estimadores que tienen buenas propiedades estadísticas. Se obtuvieron intervalos de confia
para una diversidad de problemas de estimación de parámetros. Estos intervalos tienen una interpre
ción de frecuencia. Los intervalos de confianza de dos lados, desarrollados en las secciones 10-
10-3, se resumen en la tabla 10-5. En algunos casos los intervalos de confianza de un lado pueden
apropiados. Éstos pueden obtenerse dejando un límite de confianza en el intervalo de confianza de
lados igual al límite inferior (o superior) de una región factible para el parámetro,
y
empleando aen
gar de a/2 como el nivel de probabilidad en el límite de confianza superior (o inferior) restante. T
bién se presentaron los intervalos de confianza usando la técnica bootstrap, así como, de manera bre
los intervalo~de confianza aproximados en la estimación de máxima verosimilitud
y
los intervalos
confianza aproximados.
1 9 R ESU M E N
312 PROBABILIDAD Y ESTADíSTICA PARAINGENIERíA
8/18/2019 10. Estimadores de Parámetros
http://slidepdf.com/reader/full/10-estimadores-de-parametros 51/61
Diferencia de dos proporciones o
dos parámetros binomiales
P1- P2
p
roporción o parámetro de una distribución
binomial
p
Cociente de dos varianzas a~/a~de dos
distribuciones normales
n-1)S2 n-1)S2
__ :::::
:::::
X~2 n- 1 X ~- a/ 2 n- 1
Varianza
a2
de una distribución normal
Diferencia entre las medias de dos distribuciones
normales para muestras en pares
I v
= 11 1 -
1 2
n
-1 S~
n 2
-1 Si
n
n
2
donde
Sp
=
Diferencia entre las medias de dos distribuciones
normales 111 - 112 varianza af
=
a~
desconocida
x t/2 n- 1
sj ¡¡¡ :::::
1 ta/ 2 n-1
sjFn
edia
11
de una distribución normal
varianza
a
2
desconocida
Diferencia entre las medias de dos distribuciones
normales 11 1 y 11 2 varianzas
a~
y
ai
conocidas
Media 11 de una distribución normal
varianza
a2
conocida
Intervalo de confianza de dos lados de 100 1 a
ipo de problema
Estimador
por puntos
Tabla 10 5 Resumen de procedimientos de intervalos de confianza
8/18/2019 10. Estimadores de Parámetros
http://slidepdf.com/reader/full/10-estimadores-de-parametros 52/6110-24 Sea X una variable aleatoria con media
f
y
rianza
o y XI
X
2 ...
X; una muestra a
10-23 Suponga que se conoce A en el ejercicio
vio, pero que Xc se desconoce. Obtenga el
mador de máxima verosimilitud de
xc.
f x A exp[-A X - xc ], x> Xc >
O
O
en otro caso.
Sea Xl X 2, .•• , X; una muestra aleatoria d
maño
n
Encuentre el estimador de máxima
rosimilitud de
10-22 Considere que X tiene la distribución expon
cial truncada a la izquierda en
x
Sea
XI X2 ... X;
una muestra aleatoria d
maño n. Obtenga el estimador de máxima v
similitud de
=0,
O<.f < 1,
en otro caso.
f x =
y+
l .P,
10-21 Suponga que la variable aleatoria X tiene la
ttibución de probabilidad
es un estimador insesgado de u. Suponie
que
X I
Y
X 2
son independientes, encuentre
valor de
a
que minimice la varianza de
o
<
a
<
1,
10-20 Sea X una variable aleatoria con media f y
rianza
2. Dadas dos muestras aleatorias d
maños
nI
Y
n2
con medias de muestra
X l
y
respectivamente, demuestre que
10-19 Demuestre que si {j es un estimador inses
de
J
y si lím
V
j
=
O entonces {j es u
> ~
timador consistente de
J .
10-18 Establezca la función de verosimilitud
una muestra aleatoria de tamaño
n
a partir
distribución de Weibull. ¿Qué dificultade
encontrarían al obtener los estimadores de
xima verosimilitud de los tres parámetros
distribución de Weibull?
10-17 Sea X una variable aleatoria binomial con pa
rámetros n desconocido) y p Obtenga el esti
mador de máxima verosimilitud de p con base
10-16 Sea X una variable aleatoria binomial con pará
metros n y p ambos desconocidos. Determine
estimadores de n y p por
método de momen
tos, con base en una muestra aleatoria de tama
ñoN
10-15 Sea X una variable aleatoria binomial con pa
rámetros
n
conocido)
y p
Obtenga un estima
dor de
p
por el método de momentos, con base
en una muestra aleatoria de tamaño N
10-14 Sea X una variable aleatoria de Bemoulli con
parámetro
p
Encuentre un estimador de
p
por
el método de momentos, con base en una
muestra aleatoria de tamaño
n
10-13 Sea X una variable aleatoria geométrica con
parámetro
p
Determine el estimador de máxi
ma verosimilitud de
p
con base en una mues
tra aleatoria de tamaño n.
10-12 Sea X una variable aleatoria geométrica con
parámetro p Encuentre un estimador de p por
medio de el método de momentos, con base en
una muestra aleatoria de tamaño n.
10-11 Determine estimadores de momento de los pa
rámetros
r
y
A
de la distribución gamma, con
base en una muestra aleatoria de tamaño
n.
1 lO Encuentre el estimador de A en la distribución
exponencial por el método de momentos, con
base en una muestra aleatoria de tamaño
n
10-9 Determine el estimador de máxima verosimili
tud del parámetro
A
en la distribución expo
nencial, con base en una muestra aleatoria de
tamaño
n.
10-8 Determine el estimador de e en la distribución
de Poisson por el método de momentos, basa
do en una muestra aleatoria de tamaño
n
4 PRO ILID D Y EST DíSTIC P R INGENIERí
8/18/2019 10. Estimadores de Parámetros
http://slidepdf.com/reader/full/10-estimadores-de-parametros 53/61
a Encuentre la densidad posterior para su
poniendo que n
b
Encuentre el estimador de Bayes para
O
suponiendo que la función de pérdida es
0< 0< eO 1,
la densidad anterior para O es
O<x<O
x lO 2x
2
10-35 La variable aleatoria X tiene una función de
densidad
10-34 Se sabe que el número de defectos que ocurren
en una oblea de silicón que se usa para la fabri
cación de circuitos integrados es una variable
aleatoria de Poisson con parámetro Suponga
que la densidad anterior para A es exponencial
con parámetro 0.25. En 10 obleas se observó
un total de 45 defectos. Establezca una integral
que defina un intervalo de Bayes de 95 para
¿Qué dificultades encontraría al evaluar es
ta integral?
10-33 El peso de unas cajas de dulces está distribui
do normalmente con media
J i
y varianza
~
Es
razonable suponer una densidad anterior para
J i
normal con una media de 10 libras y una va
rianza de
~
Determine la estimación de Bayes
de J i dado que una muestra de tamaño 25 pro
duce
x
10.05 libras. Si las cajas que pesan
menos de 9.95 libras son defectuosas, ¿cuál es
la probabilidad de que se produzcan cajas de
fectuosas?
10-32 El tiempo entre las fallas del motor de un mo
lino está distribuido exponencialmente con
parámetro J l Suponga que asumimos una ex
ponencial anterior en J l con una media de 3000
horas. Se observan dos motores y el tiempo
promedio entre las fallas es de x =3135 horas.
Suponiendo una pérdida del error cuadrático,
determine la estimación de Bayes para Jl
de tamaño 4 produce el valor x 1.05. Supo
niendo una pérdida del error cuadrático, deter
mine la estimación de Bayes para
J i.
ESTIMACiÓN DE PARÁMETROS 5
10-31 Un proceso se utiliza para la fabricación de tar
jetas de circuitería. Se taladra una muestra si
tuada a una distancia X de un hueco de la tarjeta.
La distancia es una variable aleatoria X -
N Jl
10-30 Suponga que X -
N Ji,
40 Y sea la densidad
anterior para J i igual a N 4, 8 . Para una mues
tra aleatoria de tamaño 25, se obtiene el valor
x
4.85. ¿Cuál es la estimación de Bayes de J i,
suponiendo una pérdida del error cuadrático?
10-29 Sea X una variable aleatoria de Poisson con pa
rámetro
La densidad anterior para
es una
distribución gamma con parámetros
m
1 Y
m
1 / v Determine la densidad posterior para A
dada una muestra aleatoria de tamaño
n
de
X
10-28 Sea X una variable aleatoria de Bemoulli con
parámetro p. Si la densidad anterior para pes
una distribución beta con parámetros a y b, de
termine la densidad posterior para
p
dando
una muestra aleatoria de tamaño n de X.
10-27 Sea X una variable aleatoria geométrica con pa
rámetro p Suponga que asumimos una distribu
ción beta con parámetros a y b con la densidad
anterior dep Determine la densidad posterior de
p dada una muestra aleatoria de tamaño n de X.
10-26 Sea X una variable aleatoria distribuida nor
malmente con media J i conocida y varianza o?
desconocida. Suponga que la densidad anterior
para
l/a
2
es una distribución gamma con pa
rámetros
m
1 Y
ma~
Determine la densidad
posterior para l/a2, dada una muestra aleato
ria de tamaño n de
X
10-25 Sea X una variable aleatoria distribuida nor
malmente con media
J i
y varianza
a
2. Supon
ga que se conoce a2 y que se desconoce a
J i.
La densidad anterior para
J i
se supone que es
normal con media y varianza a~ Determine
la densidad posterior para
J i,
dada una muestra
aleatoria de tamaño n de X.
para una elección apropiada de K Determine
el valor apropiado para K
8/18/2019 10. Estimadores de Parámetros
http://slidepdf.com/reader/full/10-estimadores-de-parametros 54/61
10-44 Suponga que en el ejercicio 10-41 se dese
timar la resistencia a la compresión con
error que sea menor que 15 psi. ¿Qué tam
10-43 Suponga que en el ejercicio 10-40 desea
que el ancho total del intervalo de confi
respecto de la vida media sea de ocho ho
¿Qué tamaño de muestra debe utilizarse?
10-42 Suponga que en el ejercicio 10-40 desea
tener una confianza de 95 de que el erro
la estimación de la vida media fuera m
que cinco horas. ¿Qué tamaño de muestra
be usarse?
10-41 Un ingeniero civil analiza la resistencia de
ta clase de concreto a la compresión. És
distribuye aproximadamente en forma no
con varianza J 1000 (psij .Una mu
aleatoria de 12 especímenes tiene una resi
cia media a l a compresión de
x
3250 psi
a Construya un intervalo de confianz
dos lados de 95 respecto de la resis
cia media a la compresión.
b
Construya un intervalo de confianz
dos lados de 99 respecto de la resis
cia media a la compresión. Compare e
cho de este intervalo de confianza co
ancho del encontrado en la parte a .
10-40 Se sabe que la vida, en horas, de una bom
eléctrica de 7 5watts se distribuye aproxim
mente en forma normalcon desviaciónestá
J=25 horas. Unamuestra aleatoriade 20b
billas tiene una vida media de
x
1014ho
a
Construya unintervalo de confianza de
lados de 95 respecto de la vida med
b
Construya un intervalo de confianza
rior de 95 respecto de la vida media
a Construyaun intervalodeconfianzade
lados de 99 respecto del diámetro m
de los anillos de pistón.
b Construya un límite de confianza inf
de 95 respecto del diámetro medi
los anillos de pistón.
10-39 Un fabricante produce anillos de pistón para un
motor de automóvil. Se sabe que el diámetro
de los anillos se distribuye aproximadamente
en forma normal y con una desviación están
dar J
0.001 mm. Una muestra aleatoria de
15 anillos tiene un diámetro medio de
x
=
74.036 mm.
b Emplee los resultados de a para encontrar
un intervalo de confianza de 100(1- a)
para
X
_
f n
10-38 Cuando XI
X
2
X ;
son variables aleatorias
de Poisson independientes, cada una con pará
metro A y cuando
n
es relativamente grande,
la media de muestra es aproximadamente
normal con media A y varianza )Jn.
a ¿Cuál es la distribución de la estadística
donde al
lX z
a.
Sea
a
0.05 y obtenga el
intervalo para al = lX z =
a/2
=0.025. Después
determine el intervalo para el caso al 0.01 y
lX z
0.04. ¿Cuál intervalo es el más corto?
¿Hay alguna ventaja para un intervalo de con
fianza simétrico ?
10-37 Considere el intervalo de confianza para
. l
con
desviación estándar Jconocida:
encuentre el estimador de Bayes de p si
n
l
€ jJ ;
p
2 j J _
p 2
Si la función de pérdida es el error cuadrático,
encuentre el estimador de Bayes de
p
si está
disponible una observación. Si la función de
pérdida es
=0,
o
<p
5 . 1
en otro caso.
f P 6p l - p),
10-36 Suponga que X sigue la distribución de Ber
noulli con parámetro
p
Asuma una razonable
densidad anterior parap de
6
PROB BILID D Y EST DíSTIC P R INGENIERí
8/18/2019 10. Estimadores de Parámetros
http://slidepdf.com/reader/full/10-estimadores-de-parametros 55/61
1 5
Un ingeniero de control de calidad midió el es-
pesor de la pared de 25 botellas de vidrio con
capacidad de dos litros. La media de la mues-
tra fue 4.05 mm y la desviación estándar de
la muestra s 0.08 mm. Determine un interva-
lo de confianza inferior de 90 respecto del
espesor de pared medio.
323,312,300,284,283,261,207,183,
180,179,174,167,167,157,120.
1 49 Un artículo del nnual Reviews Material Re-
search 2001 , p. 291) presenta las fuerzas de
adhesión para diferentes materiales energéti-
cos explosivos, propulsores y pirotécnicos). A
continuación se presenta la fuerza de adhesión
para 15 de estos materiales. Construya un in-
tervalo de confianza de dos lados de 95 para
la media de la fuerza de adhesión.
a
Construya un intervalode confianza de dos
lados de 95 respecto de laresistenciame-
dia.
b Construya un intervalo de confianza infe-
rior de 95 respecto de la resistencia me-
dia.
e) Construya un intervalo de confianza de
dos lados de 95 r especto de la resisten-
cia media, suponiendo que 36. Com-
pare este intervalo con el de la parte
a
Construya un intervalo de predicción de
dos lados con 95 para una sola resisten-
cia a la compresión.
e Construya un intervalo de tolerancia de
dos lados que cubra 99 de todas las re-
sistencias a la compresión con una con-
fianza de 95 por ciento.
2204
2263
2295
2217
2249
2281
2275
2300
2237
2301
2255
2238
2216 .
2225
2318
2250
1 48
Un ingeniero civil está probando la resistencia
de cierta clase de concreto a la compresión.
Realiza la prueba con 16especímenes y obtie-
ne los siguientes datos:
ESTIM iÓN DE P RÁMETROS 7
1 47
Dos diferentes compuestos de gasolina sin plo-
mo se están probando para estudiar sus núme-
ros de octanaje. La varianza del número de
octanaje para el compuesto 1 es d¡
l.5, y pa-
ra el compuesto 2, ~
1.2. Se prueban dos
muestras aleatoriasde tamañoni
15Yn2 20,
Y los números de octanaje medios son Xl
89.6 Yx 92.5.Construyaun intervalode con-
fianza de dos lados de 95 respecto de la dife-
rencia entre las medias de los números de
octanaje.
1 46 Se están estudiando las tasas de quemado de
dos diferentes propulsores de cohete a base
de combustible sólido. Se sabe que ambos pro-
pulsores tienenaproximadamentela mismades-
viaciónestándarde tasa de quemado; esto es, 1
2 3 cm/s. Se prueban dos muestras alea-
torias de ni 20 y n 20 especímenes, y las
tasas de quemado medias de muestra son X
18 cm/s y x 24 cm/s. Construya un intervalo
con 99 de confianza respecto de la diferencia
entre las medias de la tasa de quemado.
1 45
Se emplean dos máquinas para llenar botellas
de plástico con detergente lavatrastes. Se tie-
nen como datos que las desviaciones estándar
del volumen de llenado son 1 0.15 onzas de
líquido y
2
0.18 onzas de líquido para cada
una de las dos máquinas. Se seleccionan dos
muestras aleatorias de 12 botellas de la
máquina 1y n2 10 botellas de la máquina 2,
y las medias de muestra de los volúmenes de
llenado son X l
30.87 onzas de líquido y x
30.68 onzas de líquido.
a
Construya un intervalo de confianza de
dos lados de 90 re specto de la diferencia
entre las medias del volumen de llenado.
b Construya un intervalo de confianza de
dos lados de 95 respecto de la diferencia
entre las medias del volumen de llenado.
Compare el ancho de este intervalo con el
del intervalo de la parte a
e) Construya un intervalo de confianza supe-
rior de 95 respecto de la diferencia entre
las medias del volumen de llenado.
8/18/2019 10. Estimadores de Parámetros
http://slidepdf.com/reader/full/10-estimadores-de-parametros 56/61
1 59
Considere los datos del ejercicio 10-48. Co
truya lo siguiente:
Un intervalo de confianza de dos lados
1 58
Se extraen muestras aleatorias de tamaños
n
15 Y
n
10 de dos poblaciones normales in
pendientes. Las medias y varianzas de las mu
tras son
x ¡
300,
=
16, Xz
=
325 y
s~
Suponiendo que
Jr * J ~,
construya un inter
lo de confianza de dos lados de 95 en
J 1 ¡
1 57
Se está investigando el diámetro de barras
acero manufacturadas en diferentes máquin
de extrusión. Se seleccionan dos muestras al
torias de tamaños
n¡
15 y
nz
18, y las m
dias y varianzas de muestra son
x ¡
8.73,
0.30
x 8.68 Y 0.34, respectivament
Suponiendo que
J r J~ ,
construya un in
valo de confianza de dos lados de 95 resp
to de la diferencia entre las medias de
diámetros de las barras.
1 56
Se tomaron muestras aleatorias de tamaño
de dos poblaciones normales independiente
Las medias y las desviaciones estándar de
muestras fueron
X I
22.0, S 1.8, Xz
21.
z 1.5. Suponiendo que
Jr
J i obtenga
siguiente:
Un intervalo de confianza de dos lados
95 respecto de
J 1 1
f 1 2 .
b
Un intervalo de confianza superior
95 respecto de
J 1 ¡
f 1 2 .
Un intervalo de confianza inferior de 9
respecto de
J 1 ¡
f 1 2 .
1 55
Se está investigando el voltaje de salida de
tipos de transformadores. Diez transformad
res de cada tipo se seleccionan al azar para m
dir su voltaje. Las medias de muestra son
x
12.13 voltios y Xz
12.05 voltios. Sabemos
las varianzas del voltaje de salida para los dos
pos de transformadores son
J r =
0.7 Y
J i
respectivamente. Construya un intervalo
confianza de dos lados de 95 respecto de
diferencia entre las medias del voltaje.
e
Un intervalo de confianza superior de 9
en J 1 ¡ f 1 2 .
1 54
Dos muestras aleatorias independientes de ta
maños
n¡
18
Y n z
20 se toman de dos pobla
ciones normales. Las medias de las muestras
son
x ¡
200 YXz
190. Sabemos que las va
rianzas son
a f
15 Y
J~
12 Encuentre lo si
guiente:
Un intervalo de confianza de dos lados de
95 respecto de
J 1 ¡
f 1 2 .
1 53
Un artículo de
Computersin Cardiology 1993
p. 317) presenta los resultados de una prueba
de estrés en el corazón, en la que el estrés se in
duce mediante una droga en particular. Se han
registrado los ritmos del corazón en latidos
por minuto) de nueve pacientes de sexo mascu
lino después de que se les ha administrado la
droga. Se encontró que el ritmo promedio es de
x
=
102.9 lpm) con una desviación estándar
de la muestra de s
13.9 lpm). Encuentre un
intervalo de confianza de 90 sobre la media
del ritmo después de que se ha administrado la
droga.
1 52
Una muestra aleatoria de tamaño 15 de una po
blación normal tiene media
x
550 y varianza
s z
49. Determine lo siguiente:
Un intervalo de confianza de dos lados de
95 respecto de J 1 .
b
Un intervalo de confianza inferior de 95
respecto de J 1 .
Un intervalo de confianza superior de
95 respecto de J 1 .
l Un intervalo de predicción bilateral de
95 para una sola observación.
e Un intervalo de tolerancia bilateral que cu
briera 90 de todas las observaciones con
un 99 de confianza.
1 51
Un ingeniero industrial está interesado en esti
mar el tiempo medio requerido para ensamblar
una tarjeta de circuitería. ¿Qué tan grande de
be ser la muestra si el ingeniero desea tener
una confianza de 95 de que el error en la es
timación de la media es menor que 0.25 minu
tos? La desviación estándar del tiempo de
ensamblaje es 0.45 minutos.
8 PROBABILIDAD Y ESTADíSTICA PARA INGENIERíA
8/18/2019 10. Estimadores de Parámetros
http://slidepdf.com/reader/full/10-estimadores-de-parametros 57/61
1 72Resultados de un estudio sobre el desempeño
de una silla de ruedas se presentaron en el Pro-
ceedings of the IEEE 4th Annual Northeast
1 71 La fracción de productos defectuosos fabrica
dos por dos líneas de producción se está anali
zando. Una muestra aleatoria de 1000 unidades
de la línea
tiene 10 defectuosas, en tanto que
una muestra aleatoria de 1200 unidades de la
línea 2 tiene 25 defectuosas. Encuentre un in
tervalo de confianza de 99 respecto de la di
ferencia entre unidades defectuosas producidas
por las dos líneas.
1 7
Se realizó un estudio para determinar si hay
una diferencia significativa entre los miembros
de un sindicato con base en el sexo. Se tomó una
muestra aleatoria de 5000 empleados de una fá
brica y, de este grupo, 785 eran miembros del
sindicato. Se tomó una muestra aleatoria de 3000
empleadas y, de este grupo, 327 eran miembros
del sindicato. Construya un intervalo de con
fianza de 99 de la diferencia entre las propor
ciones
PI P2·
1 69
Se lleva a cabo un estudio para determinar el
porcentaje de familias que poseen al menos
dos aparatos de televisión. ¿Qué tan grande de
be ser la muestra si se desea tener una confian
za de 99 de que el error al estimar esta
cantidad sea menor que 0.01?
1 68
Un fabricante de calculadoras electrónicas está
interesado en estimar la fracción de unidades
defectuosas que se producen. Una muestra
aleatoria de 8000 calculadoras incluye 18 de
fectuosas. Calcule un intervalo de confianza
superior a 99 respecto de la fracción de uni
dades defectuosas.
1 67
¿Qué tan grande debe ser una muestra en el ejer
cicio 10-66 para tener una confianza de 95 de
que el error en la estimación de la tasa de chofe
res no asegurados sea menor que 0.03?
no estaban asegurados. Construya un intervalo
de confianza de 95 de dos lados sobre el pro
medio de la razón de choferes no asegurados.
1 65 Construya un intervalo de confianza de dos la
dos de 95 respecto del cociente de las varian
zas o ~/o ~ utilizando los datos del ejercicio
10-58.
1 64
Considere los datos en el ejercicio 10-57. Cons
truya
siguiente:
Un intervalo de confianza de dos lados de
90 para o ~/o ~
b
Un intervalo de confianza de dos lados de
95 para
a~/o ~
Compare el ancho de es
te intervalo con el ancho del intervalo en
la parte
a
Un intervalo de confianza inferior de 90
para o ~ /o ~
l Un intervalo de confianza superior de 90
para o ~ /o ~
1 63
Considere los datos del ejercicio 10-56. Cons
truya un intervalo de confianza de dos lados
de 95 respecto del cociente de las varianzas de
población o ~ /o ~
1 62
En una muestra aleatoria de 100 bombillas
eléctricas se encontró que la desviación están
dar de muestra de la vida de las mismas era de
12.6 horas. Calcule un intervalo de confianza
superior de 90 respecto de la varianza de la
vida de las bombillas.
1 61
Construya un intervalo de confianza de dos la
dos de 95 respecto de la varianza de los da
tos del espesor de pared del ejercicio 10-50.
1 6 Considere los datos del ejercicio 10-49. Cons
truya siguiente:
a
Un intervalo de confianza de dos lados de
99 para
b Un intervalo de confianza inferior de 99
para
2
Un intervalo de confianza superior de 99
para 2•
para
Un intervalo de confianza superior de 95
para
b
Un intervalo de confianza inferior de 95
1 66
De una selección aleatoria de 400 choferes, 48
ESTIMACiÓN DE PARÁMETROS 9
8/18/2019 10. Estimadores de Parámetros
http://slidepdf.com/reader/full/10-estimadores-de-parametros 58/61
1 78
Pruebe que si se usa la función de pér
error cuadrático, el estimador de Baye
la media de la distribución posterior p
1 77
Sea X una variable aleatoria distribu
malmente con media
J i
5 y una varia
conocida 2 . La densidad anterior para
una distribución gamma con parámetr
y
1.0.Determine la densidad post
ra
l
2 Si una muestra aleatoria de ta
da como resultado L X ¡ - 4)2
4.92, d
la estimacióndeBayes de
a
2
suponi
pérdida del error cuadrático. Establezc
tegral que defina el intervalo de Bayes
para l a2.
1 76
Una variable aleatoria X está distribu
malmente con media J i y varianza o ?
densidad anterior para
J i
es uniforme e
12.Una muestra aleatoria de tamaño 1
ce
x
8. Construya un intervalo de B
90 para
J i
¿Sería razonable aceptar
tesis de que
J i
9?
1 75 Considere los datos del ejercicio 10-56
ga que una muestra aleatoria de tamañ
se obtiene deuna tercera población nor
x 3
20.5 Y s3
1.2. Encuentre dos in
de confianza de dos lados respecto de
u
J i Y112- J J tales que haya al m
probabilidad de 0.95 de que los tres in
conduzcan simultáneamente a conclus
rrectas.
1 74 Considere los datos del ejercicio 10
cuentre intervalos de confianza respec
2, tales que tengamos al menos una
za de 90 de que ambos intervalos c
en forma simultánea a conclusiones co
Encuentre un intervalo de confianza
respecto de la diferencia en el millaj
¿Cuál marca prefiere usted?
Auto
Marca 1 Marca 2
36 925 34 318
2 45 300 42 280
3 36 240 35 500
4 32 100
31 950
5 37 210
38 015
6 48 360 47 800
7
38 200 37 810
8 33 500
33 215
1 73
El gerente que tiene a su cargo una flotilla de
automóviles está probando dos marcas de llan
tas radiales. Asigna al azar una llanta de cada
marca a las dos ruedas traseras de ocho autos y
corre estos mismos hasta que las llantas se des
gastan. Los datos se muestran a continuación
n kilómetros) :
Encuentre un intervalo de confianza de 95
de la diferencia entre los tiempos de realiza
ción. ¿Existe algún indicio de que una de las
palancas sea la preferida?
Persona PSF
PSP
25 9 33 4
2 30 2 37 4
33 7 48 0
4 27 6 30 5
5
33 3 27 8
6
34 6 27 5
7 33 1 369
8 30 6
31 1
9
30 5 27 1
10
25 4
38 0
tipos depalancas: de sensaciónde fuerza PSF)
y de sensación de posición PSP) para el con
trol de la silla de ruedas. Sepidió a 10personas
que probaran ambas palancas. Una respuesta
de interés es el tiempo en segundos)para com
pletar una trayectoria predeterminada. Los da
tos usuales en este tipo de experimento son los
siguientes:
32 PROBABILIDAD ESTADíSTICA PARA INGENIERíA
8/18/2019 10. Estimadores de Parámetros
http://slidepdf.com/reader/full/10-estimadores-de-parametros 59/61
10-9. f)-l.
1
A x,
a
.
n
i=1
10-7.
1
10-3. e
2, porque se tendría un ECM más pequeño.
C
0-1. Ambos estimadores son insesgados. Ahora, V Xl T2/2n, mientras que V X2 cfl/n.
Puesto que
V X
1
V X
2
X l
es un estimador más eficiente que
X
2.
Capítulo 10
d 0.588.
e 0.241.b 2.85.-25. a 1.63.
d 20.48.e 34.17.b 11.34.-23. a 2.73.
9-21.
f
t)
1- e-nA t
F t)
1- e-A t n .
JX ll
X n)
2 2n
2
m
+
n -
2)
Para
F
m n
tenemos
J i
nltn -
2 para
n
>
2
y
a
=
2
para
n
>
4.
, m n -
2)
n -
4)
9-17.
1
1
2
9-15. J i
=
u,
T
2u.
-13. se ft = ~p 1 - p /n, se ft = ~p 1 - p /n.
1.5 2 2.0 2
-- + --
0.47. 9-11.
N O, 1 .
25 30
T~ T~
=
ni n2
El error estándar de XI - X
2
es-9.
9-7. Use S ¡ n
-5.
N 5.00, 0.00125 .
i=l
s
9-1. f xl X2 ... , xs)
1/ 2na2 5/2e-l/2cr2
Xi - 11)2.
apítulo 9
8-31. Para 8-29,
cv
0.0198; para 8-30, cv 9.72. 8-33.
22.41, s2 208.25,
x
22.81,
moda 23.64.
8-25.
8-29.
a
120.22, s2 5.66, s 2.38. b
x
120,moda 121.
b La media de la muestra y la desviación estándar serán de 100 unidades de longitud. La
varianza de la muestra será de 10,000unidades de longitud.
8-23. a El promedio de la muestra se reducirá en 63.
8-21. 74.002, s2 6.875 X 10-6, s 0.0026.
-1.
131.30, S2 113.85,s 10.67.
Capítulo 8
768 PROBABILIDAD
ESTADíSTICA PARA INGENIERíA
8/18/2019 10. Estimadores de Parámetros
http://slidepdf.com/reader/full/10-estimadores-de-parametros 60/61
11-7. a
Zo
1.349, no se rechaza Ho. b 2. e 1.1-5.
Zo
2.50, se rechaza Ho.
11-1. a Zo -1.333, no se rechaza Ho. b 0.05. 11-3. a
Zo
-12.65, se rechaza Ho. b 3.
apítulo
10-73. -2038:::; J il - J i ~ 3774.8.
10-75. -3.1529:::; Jil - J i ; 0.1529; -1.9015:::; Jil - J i ; 0.9015; -0.1775 ~ Ji] - J i ~ 2.1775.
10-69. 16577. 10-71. -0.0244:::;
P I - P 2:::; 0 .0 024 .
0-67.
0 .0 8 8 :: :;p ::: ; 0 .1 5 2 .
10-61. 0.0039:::;
o? :::;
0.0124. 10-63. 0.574:::; J2 ~ 3.614. 10-65. 0.11:::;af aI ;
0.86 .
e a
2 ::: ; 2 4 6 0 .6 2 .
b 714.56:::; J2
0-59. a 649.60:::; J2 :::;2853.69
10-53. 94.282:::;Ji:::; 111.518. 10-55. -0.839:::;J i¡ - J i ; -0.679. 10-57. 0.355:::;u sJi2 : : : ;0.455.
10-51. 13.0-47. -3.68:::; J i - J i ~ -2.1210-49. 183.0 ~ J i ~ 256.6.
10-45. a 0.0723 :::; i] - J i ;3267.89. b 0.0499
<
Jil - J i ;0.33. e u - J i ;0.3076.
10-43.1500151.b 1004.80sJ i.
0-41. a 3232.11su s ; 3267.89.
10 35. (a )f(8 Ix )
f~~l~
e 2 (2 2 ~ 2 x)· . b [ J
1/2. 10-37. a¡
a/2 es más corto.
10-39. a 74.03533 :::; i:::; 74.03666. b 74.0356 :::; i.
10-31. 0.967. 10-33.0.3783.
10-29. La densidad posterior para Aes gamma con parámetros
r
m
L x i
1Y8
n m
l /Av.
1 11_
X / [ 1 l n )
~ X ¡ x ] . r
X / [ l / n )
~Xl-
X 2 ]
10 13. l / X 10-15. X t / n 10-17. X / n o
10-21. -1 -
ñ l 1 n
x;
10-23. X l .
i=l
10 25. f(J iI x ], x2 ... , x
n
Cl/2 2n - l/2 exp{ ~ [Ji-
~ ~ n
n 1
donde C .
a? J~
10-27. La densidadposterior parap es una distribuciónbeta con parámetros
n
y
b
L Xi
n
RESPUESTASA EJERCICIOS SELECCIONADOS 769
8/18/2019 10. Estimadores de Parámetros
http://slidepdf.com/reader/full/10-estimadores-de-parametros 61/61
Capítulo 3
12-15. a { 20.47, tI 0.33, t2 1.73, t3 2.07. b tI - t2 -1.40.
12 11 n = 3.
2-9. a
Fa
2.38. b Ninguno.
12-7. a Fa
4.01. b La media 3 difiere de la media 2. e SSc2
246.33. d 0.88.
12-5. a Fa 2.62. b { 2l.70, tI 0.023, t2 -0.166, t3 0.029, t4 0.059.
12-1. a
Fa
3.17. 12-3. a
Fa
12.73. b La técnica de mezclado 4 es diferente de 1,2 Y3.
Capítulo
11 59 X~
22.06, se rechaza H a 1 57
X~ =
34.896, se rechaza H a·
11 53 X ~
0.0331, no se rechaza
H a
11-55.
X ~
2.465, no se rechaza
H a
11 47 X~
2.915, no se rechaza
H a
11-49.
X~
4.724, no se rechaza
H a
11-37. o = 1.333, no se rechaza H a 11-41. o = -2.023, no se rechaza H a
11 33 2.4465, no se rechaza H a 11-35. t 5.21, se rechaza H a
11 31 Fa =
30.69, se rechaza
H a;
0.65.
b
0.58.
1-29. a
x
2.28, se rechaza
H a
d 17.
e 0.30.
1-27. a x 43.75, se rechaza H a b 0.3078 x 10-4.
11 25
fa
=
0.56, no se rechaza H a
11 21 Fa
0.8832, no se rechaza
H a
11-23. a
Fa
l.07, no se rechaza
H a
b 0.15. e 75.
11-19. a t 8.49, se rechaza H a b -2.35, no se rechaza H a e 1. d 5.
11 13
o 1.842,no se rechaza H a 11-15. fa 1.47, no se rechaza H a en J 0.05. 11-17. 3.
11-11.Zo
-7.25, se rechaza
H a
1-9. Zo
=
2.656, se rechaza
H a
PROBABILIDADY ESTADíSTICAPARAINGENIERíA