

Prepara tus exámenes y mejora tus resultados gracias a la gran cantidad de recursos disponibles en Docsity
Gana puntos ayudando a otros estudiantes o consíguelos activando un Plan Premium
Prepara tus exámenes
Prepara tus exámenes y mejora tus resultados gracias a la gran cantidad de recursos disponibles en Docsity
Prepara tus exámenes con los documentos que comparten otros estudiantes como tú en Docsity
Encuentra los documentos específicos para los exámenes de tu universidad
Estudia con lecciones y exámenes resueltos basados en los programas académicos de las mejores universidades
Responde a preguntas de exámenes reales y pon a prueba tu preparación
Consigue puntos base para descargar
Gana puntos ayudando a otros estudiantes o consíguelos activando un Plan Premium
Comunidad
Pide ayuda a la comunidad y resuelve tus dudas de estudio
Ebooks gratuitos
Descarga nuestras guías gratuitas sobre técnicas de estudio, métodos para controlar la ansiedad y consejos para la tesis preparadas por los tutores de Docsity
Cómo calcular intervalos de confianza para la media de una distribución normal, tanto cuando la varianza es conocida como cuando es desconocida. Se utiliza la distribución t de student en el caso de varianza desconocida. Se incluyen ejemplos y gráficas.
Tipo: Apuntes
1 / 3
Esta página no es visible en la vista previa
¡No te pierdas las partes importantes!


Interpretaci´on del nivel de confianza: si tom´asemos todas las posibles muestras de tama˜no n = 10 de an´alisis repetidos de la cantidad presente de ´acido s´orbico en la botella de refresco, y para cada una de ellas hici´esemos el c´alculo anterior, el 95% de los intervalos encontrados, aproximadamente, contendr´ıan a μ. No sabemos si el que hemos encontrado la contiene o no, ya que μ es desconocida (si no lo fuese, no la estimar´ıamos ni buscar´ıamos intervalos de confianza para ella), pero tenemos una confianza de que sea as´ı del 95% (o de 0.95). Esta es la interpretaci´´ on del nivel de confianza γ en los intervalos de confianza. Es importante remarcar que NO podemos decir que μ ∈ (21. 39030 , 23 .24971) con una probabilidad de γ, puesto que “μ ∈ (21. 39030 , 23 .24971)” NO es ning´un suceso del que podamos calcular su probabilidad (es una afirmaci´on que ser´a cierta o falsa, aunque no lo sepamos, pero que no est´a sometida al azar). En el momento en que hemos substituido X¯ por ¯x, hemos dejado de poder hablar de “probabilidad”. Lo que hemos de decir, en su lugar, es que μ ∈ (21. 39030 , 23 .24971) con una confianza de γ.
Hemos comentado que si aumentamos γ, aumenta la longitud (lo que es l´ogico, ya que deseamos tener mayor confianza a partir de los mismos datos). Si aumentamos el tama˜no muestral n, disminuye la longitud (cosa deseable, pues tendremos menos incertidumbre al estimar μ por ¯x). Nos podemos preguntar en el ejemplo anterior cu´al ser´ıa el tama˜no de muestra n necesario para que la longitud del intervalo que se encuentra a partir de una muestra de ese tama˜no, con nivel de confianza 95% (γ = 0.95), no sea mayor que 1. 2. Para contestar a esta cuesti´on planteada imponemos que la longitud sea menor o igual que 1.2 :
2 × 1. 96 ×
n
n ⇔
n ≥
as´ı que con n = 25 ya se consigue (´este es el menor valor de n; cualquiera mayor tambi´en lo cumplir´a).
En general, la longitud es ≤ ℓ si
n ≥
2 b σ ℓ
Cuando σ^2 sea tambi´en un par´ametro desconocido, no podremos utilizar el Z− estad´ıstico para hacer inferencias sobre μ. En su lugar, usaremos el T −estad´ıstico, que se obtiene del
Z−estad´ıstico cambiando σ^2 , que es desconocida, por su estimador natural que denotamos por S^2 y es la varianza muestral (o lo que es lo mismo, cambiando σ por S =
S^2 , que es la desviaci´on muestral). La varianza muestral se define as´ı:
n − 1
∑^ n
i=
(Xi − X¯)^2 =
n − 1
( ∑n
i=
X i^2 − n ( X¯)^2
La realizaci´on de S^2 es la estimaci´on de σ^2 y es la medida de dispersi´on de las observaciones s^2. An´alogamente, la realizaci´on de S es la estimaci´on de σ y es la medida de dispersi´on de las observaciones s.
Entonces, el T −estad´ıstico se define como T = X¯−μ S/√n y su distribuci´on ya no es normal, como en el caso del Z−estad´ıstico, sino una distribuci´on “parecida” a la normal (tambi´en con forma de campana, centrada en 0), que es la llamada t de Student. Esta distribu- ci´on tiene un par´ametro, que recibe el nombre de “grados de libertad”. Resulta que el T −estad´ıstico tiene distribuci´on t de Student con par´ametro o grados de libertad n − 1, lo que se denota as´ı:
T =
X¯ − μ S/
n
∼ tn− 1
La siguiente gr´afica muestra la funci´on de densidad de una t de Student con ν grados de libertad. Para trabajar con esta distribuci´on usaremos una tabla con la que obtenemos el ´area rayada dado un valor z, para diferentes valores del par´ametro ν.
tν
z
F (z)
Es totalmente an´alogo al caso anterior, cambiando σ por la desviaci´on muestral est´andar, S, y la distribuci´on N(0, 1) (correspondiente al caso σ^2 conocida) por la tn− 1 (caso σ^2
desconocida) en la expresi´on del T −estad´ıstico T = X¯−μ S/√n ∼^ tn−^1.