Estadistica II Apunts PERFECTES Xavier Vilà

Notes sobre Estadstica II
Xavier Vil Universitat Autnoma de Barcelona
Curs 2011-2012
Notes sobre Estadstica II
Reconeixement-NoComercial-CompartirIgual 3.0 No adaptada (CC BY-NC-SA 3.0)

Sou lliure de:
copiar, distribuir i comunicar pblicament l'obra fer-ne obres derivades
Amb les condicions segents:
Reconeixement:
Heu de reconixer els crdits de l'obra de la
manera especicada per l'autor o el llicenciador (per no d'una manera que suggereixi que us donen suport o rebeu suport per l's que feu l'obra).
No comercial:
comercials.
No podeu utilitzar aquesta obra per a nalitats
Compartir Igual:
Si altereu o transformeu aquesta obra, o
en genereu obres derivades, noms podeu distribuir l'obra generada amb una llicncia idntica a aquesta. Entenent que:
Renuncia
Es pot renunciar a alguna d'aquestes condicions
si obteniu el perms del titular dels drets d'autor.
Domini Pblic
Aquesta llicncia no afecta a la situaci de
l'obra o algun dels seus elements quan es trobi en el domini pblic, segons la legislaci vigent aplicable.
Altres drets
Els drets segents no queden afectats de cap
manera per la llicncia:
Els vostres drets de repartiment just o s just; Els drets morals de l'autor; Drets que altres persones poden ostentar sobre l'obra o sobre l's que se'n fa, com per exemple drets de publicitat
o privacitat.
Avs Quan reutilitzeu o distribuu l'obra,

clar els termes de la llicncia de l'obra. Copyright
heu de deixar ben
1998-2011 Xavier Vil.
Aix s un resum fcilment llegible del text legal (la llicncia completa) que podeu trobar a
http://creativecommons.org/licenses/ by-nc-sa/3.0/legalcode
ndex
Introducci a l'estadstica inferencial

1.1 1.2 Inferncia estadstica: denici i mtodes d'inferncia . . . . . . . Denici de mostra aleatria simple i propietats . . . . . . . . . . 1.2.1 1.2.2 1.2.3 1.2.4 1.3 Mostratge Aleatori Simple (MAS). . . . . . . . . . . . . . Mostratge sistemtic. Mostratge estraticat. Mostratge per etapes. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
7
9 11 11 12 13 13
Distribuci dels principals estadstics mostrals: mitjana, varincia i proporci. 1.3.1 1.3.2 1.3.3 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 14 17 19 20 21
Mitjana mostral
La Varincia mostral . . . . . . . . . . . . . . . . . . . . . La Proporci mostral . . . . . . . . . . . . . . . . . . . .
1.4
Teorema Central del Lmit . . . . . . . . . . . . . . . . . . . . . .
Estimaci
2.1 2.2 2.3 Objectiu de l'estimaci estadstica . . . . . . . . . . . . . . . . .
23
23 23 24 24 26 26 26 27 28 28
Denici i caracterstiques d'un estimador . . . . . . . . . . . . . Propietats dels estimadors: biaix, ecincia i consistncia 2.3.1 2.3.2 . . . .
Biaix . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . Ecincia 2.3.2.1 2.3.2.2 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
Estimadors no esbiaixats
Estimadors esbiaixats . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
2.3.3
Consistncia 2.3.3.1 2.3.3.2
Estimadors asimptticament inesbiaixats Estimadors consistents
. . . . . . . . . . . . . .
2.4
Mtodes d'estimaci puntual:
mxima versemblana i mtode 29
dels moments . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 3
NDEX
2.4.1 2.4.2 2.5
Estimaci per mxima versemblana . . . . . . . . . . . . Estimaci pel mtode dels moments . . . . . . . . . . . .
30 32 34 34 34
Mtodes d'estimaci per Intervals . . . . . . . . . . . . . . . . . . 2.5.1 Interval de conana per la mitjana 2.5.1.1 2.5.1.2 . . . . . . . . . . . .
Cas de poblaci Normal o mostra gran i
2 conegut 2
de-
Cas de poblaci Normal o mostra gran i sconegut
. . . . . . . . . . . . . . . . . . . . . .
35 36 38
2.5.2 2.5.3
Interval de conana per la varincia . . . . . . . . . . . . Interval de conana per la proporci . . . . . . . . . . .
Contrastos d'hiptesis paramtriques

3.1 Concepte de contrast paramtric: hiptesi nulla i hiptesi alternativa 3.2 3.3 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
41
41 43
Estadstic de prova i tipus d'error . . . . . . . . . . . . . . . . . .
Contrastos sobre la mitjana, la varincia i la proporci poblacional 45 3.3.1 3.3.2 3.3.3 Test de la mitjana () . . . . . . . . . . . . . . . . . . . . Test de la varincia ( ) . . . . . . . . . . . . . . . . . . . Test de la proporci poblacional ( ) . . . . . . . . . . . . 45 55 60 65 66 74 81 86 87 87 88 89 90
3.4
Contrastos de diferncies . . . . . . . . . . . . . . . . . . . . . . . 3.4.1 3.4.2 3.4.3 Contrast sobre la diferncia de mitjanes Contrast sobre la diferncia de varincies Contrast sobre la diferncia de proporcions . . . . . . . . . . . . . . . . . . . . . . . . . . .
3.5
Anlisi de la Varincia . . . . . . . . . . . . . . . . . . . . . . . . 3.5.1 3.5.2 3.5.3 3.5.4 3.5.5 Marc bsic . . . . . . . . . . . . . . . . . . . . . . . . . .
Contrast . . . . . . . . . . . . . . . . . . . . . . . . . . . . Estadstic de contrast . . . . . . . . . . . . . . . . . . . .
Resultat del contrast . . . . . . . . . . . . . . . . . . . . . La taula ANOVA . . . . . . . . . . . . . . . . . . . . . . .
Anlisi de la bondat d'ajust i de la relaci entre variables

4.1 4.2 4.3 4.4 El contrast de la bondat d'ajust. . . . . . . . . . . . . . . . . . .
93
93 97 98
Tipus de relaci entre variables . . . . . . . . . . . . . . . . . . . El Contrast d'independncia entre variables qualitatives. . . . . . L'anlisi de la correlaci entre variables quantitatives: coecient
de correlaci i contrast d'hiptesi . . . . . . . . . . . . . . . . . . 102
NDEX
Introducci al model de regressi

5.1 5.2 5.3
111
Objectiu del model . . . . . . . . . . . . . . . . . . . . . . . . . . 111 Hiptesis per l'especicaci del model . . . . . . . . . . . . . . . 113
Estimaci per Mnims Quadrats Ordinaris (MQO) i les seves propietats . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 115 5.3.1 5.3.2 5.3.3 5.3.4 Dades en diferncies amb respecte de la mitjana . . . . . 115
Obtenci dels estimadors MQO . . . . . . . . . . . . . . . 116 Estimaci de la varincia del terme d'error Propietats dels estimadors MQO 5.3.4.1 5.3.4.2 Propietats de Propietats de . . . . . . . . 117
. . . . . . . . . . . . . . 118
2 1
. . . . . . . . . . . . . . . . . . 118 . . . . . . . . . . . . . . . . . . 119
5.4
Contrastaci del model . . . . . . . . . . . . . . . . . . . . . . . . 120 5.4.1 5.4.2 Intervals de conana per Contrasts d'hiptesis per
1 i 2 1 i 2
. . . . . . . . . . . . . . 120 . . . . . . . . . . . . . . 121
5.5
Coecient de Bondat de l'ajust i relaci entre la correlaci i l'anlisi de la regressi . . . . . . . . . . . . . . . . . . . . . . . . 121 5.5.1 5.5.2 El Coecient de determinaci (o de Bondat d'ajust) Relaci entre la correlaci i l'anlisi de la regressi . . . 121 . . . . 123
5.6
Previsi 5.6.1 5.6.2
. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 124
Estimaci puntual de
Yn+1
. . . . . . . . . . . . . . . . . 125 . . . . . . . . . . . . . . . 125
Estimaci per intervals de
Yn+1
A Apndix: Taules Estadstiques

A.1 A.2 A.3 A.4 A.5
131
Distribuci Normal estndard . . . . . . . . . . . . . . . . . . . . 132 Distribuci Distribuci Distribuci
t student
2
. . . . . . . . . . . . . . . . . . . . . . . 133
(khi-quadrat) . . . . . . . . . . . . . . . . . . . . . 134 de Snedecor . . . . . . . . . . . . . . . . . . . . . . 135
Valors pel contrast Kolmogorov-Smirnov . . . . . . . . . . . . . . 138
NDEX
Captol 1
Introducci a l'estadstica inferencial
Imagineu un investigador que pretn explicar algun fet del mn real. Per exemple, podem imaginar a Newton intentant explicar perqu cauen les pomes o, com a cas ms familiar, un economista intentant explicar perqu hi ha atur. Normalment, el que un investigador fa es pot desglossar en tres parts:
1. Observar la realitat per tal de concretar el problema a estudiar i obtenir-ne informaci. 2. Reexionar sobre el problema. 3. Oferir una explicaci o Teoria sobre el problema.
El paper de l'Estadstica resulta de vital importncia pel primer d'aquests tres passos . Efectivament, per tal d'estudiar un problema cal observar el mn real i veure com es manifesta aquest problema. D'altra banda, no s difcil comprendre que un investigador no pot observar tota la realitat. Newton no pot observar totes les pomes que cauen ni un economista pot entrevistar tota la poblaci activa d'un determinat pas. Aix doncs cal fer un resum de la realitat, per cal fer-ho de tal manera que aquest resum sigui prou representatiu de la realitat com per que les conclusions que es puguin treure d'ell siguin aplicables amb abilitat a la realitat concreta de la que partim.
1
1 Moltes
vegades, en el primer d'aquests passos no s'obt cap informaci concreta de la
realitat mitjanant tcniques estadstiques, sin que tan sols s'observen pautes generals. A partir d'aquest coneixement l'investigador pot crear una teoria abstracta per tal d'explicar el problema que s'estudia. Aix s, per exemple, el qu va fer Newton o el qu fa la Teoria Econmica. Un cop es t aquesta teoria abstracta construda, es poden utilitzar diverses tcniques estadstiques per tal de comprovar si aquesta teoria s'ajusta a la realitat, com veurem en el Captol 5.
CAPTOL 1.
INTRODUCCI A L'ESTADSTICA INFERENCIAL
La inferncia estadstica s un conjunt de tcniques l'objectiu de les quals s treure conclusions sobre una realitat concreta a partir de l'estudi d'un resum d'aquesta realitat.
En el que segueix estudiarem amb detall aquest procs. En el primer captol estudiarem com es fa, de forma rigorosa, el resum de la
realitat esmentat abans i quines caracterstiques tenen els resultats de les anlisis
que es fan a partir d'aquest resum. En el segon captol veurem una primera aproximaci a com es poden treure conclusions sobre la realitat que volem estudiar a partir del resum que d'ella es fa. El tercer i quart captol presenten tcniques ms sosticades per a poder fer inferncia sobre la realitat a partir dels resultats ms elementals estudiats en el captol 2. Finalment, el cinqu captol constitueix una introducci a l'anlisi de la regressi lineal, una tcnica d'anlisi estadstica amplament utilitzada en economia (i d'altres disciplines) per a estudiar la relaci que existeix entre un parell de variables. Val a dir que el contingut d'aquest primer captol s de vital importncia tant per la bona comprensi dels captols que el segueixen com per a formar-se una idea global del mtode d'anlisi de la inferncia estadstica. Per aquest motiu, es recomana vivament que l'estudi d'aquest captol es faci amb cura i que els seus continguts s'assimilin correctament abans d'abordar l'estudi dels altres captols.
En aquest captol estudiarem com es fa, de forma rigorosa, el resum de la realitat esmentat abans i quines caracterstiques tenen els resultats de les anlisis que es fan a partir d'aquest resum. Resulta important entendre que l'estadstica es basa en eines matemtiques
probabilstiques. Aix doncs, les conclusions que es puguin extreure de l'estudi

d'aquest resum no seran certes per tota la realitat amb total seguretat, sin que ho seran amb una determinada probabilitat. Per exemple, quan es fa una enquesta electoral s clar que els resultats de l'enquesta no es corresponen exactament al resultat nal de les eleccions. No obstant aix, si l'enquesta est ben feta, s a dir, el resum de la realitat (qu en aquest cas correspon al conjunt de gent que s'ha entrevistat) s prou representatiu de la realitat en el seu conjunt (en aquest cas tot el cens electoral), hi haur una determinada probabilitat de que el resultat nal de les votacions sigui molt semblant al que prediu l'enquesta. En les seccions que segueixen veurem quins sn els components bsics de qualsevol anlisi estadstica i les caracterstiques matemtiques (probabilstiques) que tenen.
1.1.
INFERNCIA ESTADSTICA: DEFINICI I MTODES D'INFERNCIA9
1.1 Inferncia estadstica: denici i mtodes d'inferncia

Denirem i descriurem a continuaci els quatre conceptes que conguren la base de la inferncia estadstica. Aquests conceptes estan molt relacionats entre si, i resulta de vital importncia el comprendre aquesta relaci i no confondre'ls.
Poblaci s el conjunt d'elements que s'estudia2 i sobre el qual es vol treure

una conclusi amb respecte d'alguna caracterstica seva.
Exemple 1.1.1 Totes les pomes del mn. La caracterstica que es

vol estudiar s la de si cau o no cau.
Exemple 1.1.2 Poblaci activa a la Uni Europea. La caracterstica que es vol estudiar s la de si est aturat o no.
Exemple 1.1.3 Producci de xips Intel en un dia concret. La caracterstica que es vol estudiar s la de si estan defectuosos o no.
Mostra s un subconjunt de la poblaci utilitzat per aplicar les tcniques de la inferncia estadstica i treure conclusions sobre la poblaci. Exemple 1.1.4 50 pomes del jard de Newton. Exemple 1.1.5 Enquesta de Poblaci Activa a la U.E. Exemple 1.1.6 25 xips Intel dels produts en un dia concret. Parmetre s la caracterstica de la poblaci qu es vol estudiar. Aquesta
caracterstica ha de ser una caracterstica numrica valor ha de ser desconegut
4 3
i, evidentment, el seu
Exemple 1.1.7 Quina s la proporci de pomes que cauen. Exemple 1.1.8 Quina s la proporci d'aturats a la U.E. Exemple 1.1.9 Quina s la proporci de xips Intel dels produts en
un dia concret que surten defectuosos.
Estadstic s un clcul que es fa amb els elements de la mostra per tal d'obtindre una aproximaci al valor del parmetre que ens interessa. s important notar que aquest valor s conegut (ja qu el calculem) i serveix per a treure conclusions sobre el valor del el que ens interessa.
parmetre, que s desconegut i s

en el captol dedicat a la
2 En
aquest sentit, la
Introducci a l'estadstica
Poblaci s el que anomenvem realitat
3 Tamb 4 Si
es poden estudiar caracterstiques no numriques, per les tcniques utilitzades
sn diferents de les que veurem aqu. No obstant aix, en el Captol 4 veurem com fer alguns d'aquests anlisis el valor del
parmetre fos conegut no caldria fer cap anlisi estadstica.
10
CAPTOL 1.
Exemple 1.1.10 Quina s la proporci de pomes que cauen entre

les 50 pomes del jard de Newton.
Exemple 1.1.11 Quina s la proporci d'aturats que surt a l'Enquesta de Poblaci Activa a la U.E.
Exemple 1.1.12 Quina s la proporci de xips Intel dels 25 que

hem seleccionat d'entre tots els produts en un dia concret que surten defectuosos.
A partir d'aquests conceptes bsics, el procs de la inferncia estadstica opera de la segent manera:
1. A partir de la
mostratge que explicarem ms endavant, s'obt una 2. A partir de la l'obtenci d'un
poblaci que es vol estudiar, i mitjanant tcniques de mostra. mostra obtinguda es realitzen els clculs necessaris per estadstic. estadstic, i mitjanant alguna tcnica d'inferncia es-
3. A partir d'aquest sobre el
tadstica de les qu veurem en els altres captols, es treuen conclusions tica de la
parmetre poblacional desconegut que representa la caracterspoblaci que volem estudiar.
Aquest procs es pot representar amb el grc de la Figura 1.1.
Poblacio
Parametre (desconegut) Inferencia Estadistica
Mostreig
Mostra
Estadistic (conegut)
Figura 1.1: El procs de la inferncia Estadstica
Aix doncs, fent servir la terminologia que acabem d'introduir, podem re-denir la inferncia estadstica de manera ms precisa a la feta a la introducci
Denici 1.1.13 la inferncia Estadstica s una disciplina l'objectiu

de la qual s treure conclusions sobre una d'una
poblaci a partir de l'estudi mostra mitjanant tcniques probabilstiques.
1.2.
DEFINICI DE MOSTRA ALEATRIA SIMPLE I PROPIETATS
11
1.2 Denici de mostra aleatria simple i propietats

Veurem en qu consisteix un mostratge, s a dir, com es pot extreure una mostra a partir d'una poblaci. s important notar que aquest procs no es pot fer de qualsevol manera si el que pretenem s fer servir l'estudi d'aquesta mostra per a treure conclusions sobre la poblaci original. En aquest sentit existeixen tcniques rigoroses i sistemtiques dissenyades a l'efecte. Presentarem a continuaci les tcniques ms bsiques, ja que l'estudi en profunditat del mostreig s una disciplina extensa que s'escapa de l'abast d'aquestes notes. La segent denici explica en qu consisteix un mostratge
Denici 1.2.1 Un
treure una mostra a partir d'una poblaci donada de forma que resulti
sentativa d'aquesta poblaci
mostratge consisteix en una tcnica sistemtica per a exreprerepresentativa. Efectivament, si
La paraula clau en aquesta denici s la de
pretenem que l'estudi de la mostra ens serveixi per a treure conclusions ables sobre la poblaci, voldrem que aquesta mostra sigui (en la seva estructura) el ms del a la poblaci original. Per exemple, si volem fer una enquesta electoral i preguntem la intenci de vot noms als vens d'un barri ric, s clar que les seves respostes no seran la poblaci. Hi ha diferents tipus de mostratge, depenent de les caracterstiques de l'estudi que es vulgui realitzar. Els ms importants sn:
representatives de la intenci de vot del conjunt de
1.2.1 Mostratge Aleatori Simple (MAS).

s el ms aleatori de tots els mostratges i el que prendrem com a referncia. Consisteix en que tots els elements de la de forma part de la
poblaci tenen la mateixa probabilitat mostra. s a dir, la mostra es realitza totalment a l'atzar.
Si pensem en totes les possibles mostres diferents que es poden obtindre d'una poblaci determinada, cada una d'aquestes mostres t la mateixa probabilitat de ser la mostra seleccionada per l'estudi.
Exemple 1.2.2 Considerem la poblaci formada per noms quatre elements

Poblacio
= {A, B, C, D}
Si volem extreure una mostra de mida 2, per exemple, trobem que hi ha 6 mostres possibles (Taula 1.1)
Mostra 1 Mostra 2 Mostra 3 Mostra 4 Mostra 5 Mostra 6
{A, B }
{A, C }
{A, D}
{B, C }
{B, D}
{C, D}
Taula 1.1: Possibles mostres
Aix doncs, en un Mostratge Aleatori Simple (MAS), cada una d'aquestes mostres 1 t la mateixa probabilitat de ser la mostra seleccionada, 6 en aquest cas.
12
CAPTOL 1.
De forma equivalent podem dir que cada un dels quatre elements de la poblaci t la mateixa probabilitat de formar part de la mostra seleccionada. Efectivament, donat que cada un d'ells apareix en 3 de les possibles mostres i cada mostra 1 t probabilitat 6 de ser la mostra seleccionada, aleshores la probabilitat de que 1 1 1 1 qualsevol d'ells formi part de la mostra seleccionada s 6 + 6 + 6 = 2 .
1 Aquesta probabilitat de 2 que t cada element de la poblaci de formar part de la mostra seleccionada tamb es podria entendre com que cada element de la 1 poblaci t probabilitat 4 de ser el primer element de la mostra i probabilitat 1 3 3 4 de ser el segon element de la mostra donat que no ha estat el primer; en 1 3 1 1 total una probabilitat 4 + 3 4 = 2 de ser un dels 2 elements de la mostra.
1.2.2 Mostratge sistemtic.

s una variaci del MAS que es realitza en casos en que la mostra s'ha d'obtindre d'una poblaci que no s xa sin que varia amb el temps. El segent exemple illustra com funciona aquest tipus de mostratge.
Exemple 1.2.3 Imaginem una fbrica que produeix xips Intel i que vol estudiar quants d'aquests xips surten defectuosos al cap del dia. Aquesta fbrica t un procs de producci en cadena de manera que un cop el xip s produt a la cadena de producci entra automticament en la cadena d'embalatge i a continuaci en la d'enmagatzenament. Suposem que la fbrica produeix 100 xips al dia i que vol treure una mostra de 5 xips per tal de realitzar el seu estudi. Evidentment, el que no es pot fer s esperar que acabi el dia, aturar totes les cadenes del procs i seleccionar aleshores els 5 xips que formaran part de la mostra, ja que aix resultaria molt costs per l'empresa. Interessaria trobar una manera de seleccionar els xips que formaran part de la mostra sense haver d'aturar el procs. El que es fa en aquests casos s el segent:
1. Seleccionar a priori els xips que es desviaran de forma sistemtica del procs productiu per formar part de la mostra. En aquest exemple, si es produeixen 100 xips i es volen seleccionar 5, caldr seleccionar 1 de cada 20 xips produts 2. Se selecciona un nmero entre 1 i 20 a l'atzar (aqu s on interv la component aleatria del mostratge). Imaginem que surt el nmero 6. 3. D'acord amb l'obtingut en els passos anteriors, es decideix que els xips nmeros 6, 26, 46, 66 i 86 (s a dir, a partir del nmero 6 seleccionat es va sumant 20) seran els que formaran part de la mostra. 4. Es programen les mquines de la cadena productiva de forma que aquests xips seleccionats siguin desviats del procs productiu i no passin a la segent cadena d'embalatge. La resta de xips produts continuen el seu procs habitual.
D'aquesta manera es pot obtenir una mostra aleatria sense haver d'interrompre el procs de producci en cadena.
1.2.
DEFINICI DE MOSTRA ALEATRIA SIMPLE I PROPIETATS
13
1.2.3 Mostratge estraticat.

s una altra variaci del MAS que es realitza quan es t molta informaci sobre l'estructura de la poblaci, de manera que es pot obtenir una mostra ms representativa de la poblaci que la qu s'obtindria directament amb un MAS. El segent exemple illustra com funciona aquest tipus de mostratge.
Exemple 1.2.4 Imaginem que es vol realitzar una enquesta d'intenci de vot
a la ciutat de Barcelona. Se sap que la intenci de vot est molt correlacionada amb el districte de la ciutat on es viu. D'aquesta manera, un votant del districte de Pedralbes t una probabilitat ms alta de votar conservador que un votant del Poble Sec, qu probablement votar ms progressista. Per tal d'evitar que un MAS ens seleccioni molts votants del mateix barri i pocs d'un altre, la mostra que es vol obtenir (de mida exactament
n)
se subdivideix en varies submostres (una per
a cada districte de la ciutat) de forma que la suma d'aquestes submostres sigui
n.
Per a obtenir cada una d'aquestes submostres es realitza un MAS
independentment a cada districte de la ciutat. El resultat d'aquest tipus de mostratge s ms representatiu dels diferents votants de la ciutat, ja que cada districte segur que est representat a la mostra. L'nic problema s que cal tenir ms informaci de la que requereix un MAS. En aquest exemple caldria conixer quin pes t la poblaci de votants de cada districte de la ciutat amb respecte de la poblaci total de votants a Barcelona. Un cop aix es coneix, el pes de les diferents submostres amb respecte a la mostra total hauria d'ajustar-se al pes que cada districte de la ciutat t amb respecte al total de Barcelona.
1.2.4 Mostratge per etapes.

s una variaci ms del MAS que es realitza quan l'estructura de la poblaci s tal que la realitzaci directa d'un MAS resultaria molt costosa. El segent exemple illustra com funciona aquest tipus de mostratge.
Exemple 1.2.5 Imaginem que es vol realitzar una enquesta sobre la situaci
de les escoles pbliques a Catalunya. Donada la complexitat d'aquesta enquesta, cal desplaar-se a cada una de les escoles pbliques seleccionades a la mostra i entrevistar al seu director. En aquest context, un MAS podria seleccionar una mostra formada per escoles molt disseminades per tot el territori, el que suposaria una gran despesa en viatges. Per tal d'evitar aix, el procediment que es realitza s el segent: 1. Realitzar un MAS entre totes les comarques de Catalunya de forma que se seleccionin 10 comarques per visitar. 2. Dins de cada una de les 10 comarques seleccionades, realitzar un altre MAS per seleccionar 20 municipis per visitar. (El que dona un total de 200 municipis per visitar) 3. Dins de cada un dels 200 municipis seleccionats, realitzar un MAS per a seleccionar 1 escola pblica de cada municipi per visitar. (El que dna un total de 200 escoles)
14
CAPTOL 1.
D'aquesta manera s'ha seleccionat una mostra de 200 escoles pbliques de tot Catalunya per visitar reduint-se el cost dels desplaaments (si el comparem amb el que sortiria d'un MAS) en estar concentrades en noms 10 comarques. El problema d'aquest mostratge s que la mostra obtinguda d'aquesta manera s menys representativa del conjunt de Catalunya, ja que moltes comarques no apareixen a la mostra.
En algunes circumstncies, l'obtenci de la mostra es realitza sense que l'atzar intervingui en cap moment (per exemple, demanant voluntaris per a experimentar un nou tractament mdic). Aquests tipus de tcniques resulten habitualment en mostres poc representatives del conjunt de la poblaci. A ms, donat que no hi interv cap component aleatria, no es poden fer servir instruments probabilstics pel seu estudi, per la qual cosa les tcniques de la inferncia estadstica no poden ser aplicades correctament.
En el que segueix, suposarem sempre que el mostratge utilitzat per a obtenir la mostra s un MAS.
1.3 Distribuci dels principals estadstics mostrals: mitjana, varincia i proporci.

Un cop s'ha obtingut una mostra (suposarem que mitjanant un MAS), comena el procs de treballar amb ella, analitzar-la i treure conclusions. En aquest sentit, la principal tasca a fer s l'obtenci d'un ens servir per a treure conclusions sobre el estem interessats. La segent denici formal ens recorda en qu consisteix el concepte d'estadstic introdut en la secci anterior. A continuaci es deneix el concepte d'estimaci. Cal remarcar qu, tot i que sn conceptes molt semblants i relacionats, cal no confondre'ls.
estadstic, un dels
elements bsics de la inferncia estadstica presentats en la secci anterior, que
parmetre de la poblaci en el que
Denici 1.3.1 Un
estadstic, (estadgraf o estimador)
, s una frmula en la
qu se substitueixen els valors (observacions) mostrals per a obtenir una aproximaci del valor d'algun parmetre poblacional desconegut.
Denici 1.3.2 Una

5 El
estimaci
s un valor concret d'un estimador obtingut
a partir d'una mostra concreta.

fet de que el mateix concepte pugui rebre diferents noms no ha de confondre. Normal-
ment s'utilitza un o l'altre depenent del tipus d'anlisi que es realitza. En aquest sentit, en el Captol 2 parlarem d' Sempre ens referirem al mateix concepte, per l'utilitzarem de manera diferent en cada cas.
Estimador, mentre que en els Captols segents parlarem d'Estadstic.
1.3.
DISTRIBUCI DELS PRINCIPALS ESTADSTICS MOSTRALS: MITJANA, VARINCIA I PROPORCI.
Aix doncs, un estadstic no s un nmero sin una frmula, mentre que una estimaci si que s un nmero que s'obt aplicant aquesta frmula (l'estadstic) als valors concrets de la mostra que hem obtingut. s important entendre que quan la mostra que serveix de base pel clcul de l'estadstic prov d'un mostratge aleatori (mostra aleatria), l'estadstic ser una variable aleatria : l'estadstic pot prendre valors diferents amb probabilitats diferents, depenent de quina sigui la mostra obtinguda. En aquest sentit, una
estimaci s una realitzaci concreta d'aquesta variable aleatria. El segent

exemple pretn claricar aquest fet.
Exemple 1.3.3 Suposem que volem conixer el nmero mig de cotxes de les
famlies d'una determinada poblaci. Per tal que l'exemple sigui illustratiu, suposarem que la poblaci es molt petita, de noms 4 famlies, Poblaci
= {A, B, C, D} B
i
Suposem que la famlia i la famlia
t 1 cotxe, les famlies
tenen 2 cotxes cada una
en t 4, per que aix no ho sabem (si ho sabssim no caldria fer
cap anlisi). Per a realitzar l'estudi volem obtindre una mostra de 2 famlies. A partir d'aquesta mostra calcularem el nmero mig (la mitjana) de cotxes a la mostra i aix ens servir per a treure alguna conclusi sobre el nmero mig de cotxes a la poblaci. Aix doncs, en aquest exemple, la mitjana mostral (la mitjana aritmtica dels elements de la mostra) ser el nostre fer servir per a treure conclusions sobre el conjunt o mitjana poblacional. La taula 1.3 resumeix les 6 possibles mostres que es poden obtindre d'aquesta poblaci, quina seria la probabilitat d'obtindre cada una d'elles (que ser la mateixa ja qu hem fet un MAS) i quin seria el resultat de calcular la mitjana
estadstic, que es podr parmetre de la poblaci que ens
interessa, qu s el nmero mig de cotxes de les famlies de la poblaci en el seu
mostral en cada una de les 6 mostres
Mostra 1 Elements Probabilitat Estimaci
Mostra 2
Mostra 3
Mostra 4
Mostra 5
Mostra 6
{A, B }
1 6
1.5
{A, C }
1 6
1.5
{A, D}
1 6
2.5
{B, C }
1 6
2
{B, D}
1 6
3
{C, D}
1 6
3
Taula 1.3:
Possibles mostres, probabilitat de cada una i valor de l'estadstic
(estimaci) en cada cas.
Aix doncs, en aquest exemple veiem que l'
estadstic
que estem fent servir
(la mitjana mostral) pot tenir 4 valors diferents, depenent de quina de les 6 possibles mostres sigui la mostra seleccionada pel MAS. s fcil veure que, donat que el valor 1.5 ens pot sortir en dos casos (Mostra 1 i Mostra 2) i que cada un d'aquests casos t la mateixa probabilitat de ser la mostra seleccionada 1 pel MAS ( 6 ), aleshores la probabilitat que el nostre prengui aquest valor (1.5) ser
estadstic
16
CAPTOL 1.
P (estimador = 1.5) = P (Mostra 1) + P (Mostra 2) =
1 1 1 + = 6 6 3
A continuaci resumim quins sn aquests valors que pot prendre l' manera que hem fet amb el valor 1.5)
estadstic i
quina s la probabilitat de que prengui cada un d'ells (calculades de la mateixa
estadistic
1.5 2 2.5 3
p= p= p= p=
1 3 1 6 1 6 1 3
Aix doncs, veiem com el nostre
estadstic
pot prendre diferents valors (4 en
aquest cas) amb diferents probabilitats. Per tant, l'

aleatria, tal com havem indicat abans.
estadstic s una
variable
Resultar, doncs, d'utilitat el poder conixer les distribucions de probabilitat dels
estadstics ms comunament estudiats. estadstics o estimadors que s'estudien sn la mitjana mostral,
Els principals
la varincia mostral i la proporci mostral. En la presentaci d'aquests estadstics suposarem que hem obtingut una mostra de
elements mitjanant un MAS i que els seus elements sn
{x1 , x2 , xn }
Aix mateix, suposarem que aquesta mostra s'ha obtingut d'una poblaci que segueix una determinada distribuci. Aquesta distribuci de la poblaci original s important ja que afecta als possibles valors de la mostra i, per tant, als possibles valors dels
estadstics que apliquem a la mostra, tal com hem vist a
l'exemple anterior. Efectivament, en aquest exemple hem vist que la poblaci est distribuda de forma que hi ha 1 element amb un cotxe, 2 elements amb 2 cotxes i 1 element amb 4 cotxes. Per tant, si l'element l'atzar d'aquesta poblaci tindrem que:
xi
de la mostra s'obt a
p(xi = a) =
1 4 1 2 1 4
si a = 1 si a = 2 si a = 4 per qualsevol altre valor de
Aquesta s, en aquest cas, la distribuci de la poblaci. Grcament aquesta distribuci apareix a la Figura 1.2
En general6 , suposarem que la nostra mostra s'ha obtingut mitjanant un MAS a partir d'una poblaci que es distribueix Normalment amb
6 Hi
ha casos especials que considerarem en el seu moment
1.3.
0.5
0.25
Figura 1.2: Poblaci de l'exemple 1.3.3
una certa
mitjana poblacional poblacional 2

. tindrem que per a qualsevol element
i una determinada
varincia
a
i
Qu vol dir aix ? Doncs vol dir que, per a qualsevol parell de nmeros
b,
xi
de la mostra,
p(a xi b) = p(a xi b ) = a xi b a b ) = p( Z )
= p(
on
representa a la distribuci Normal estndard (o Normal tipicada), ha-
bitualment denotada per
N (0, 1),
les probabilitats de les qual podem trobar
tabulades. La Figura 1.3 mostra la representaci grca. Passem a continuaci a veure quines sn les distribucions dels principals estadstics qu, com hem vist, depenen de quina sigui la distribuci de la poblaci de la que s'ha obtingut la mostra. Trobarem tamb en cada cas quina s l'esperana i la varincia d'aquests estimadors.
1.3.1 Mitjana mostral

La mitjana mostral, denotada per mitjanant la formula:
, X
s l'estadstic que s'obt de la mostra
= X
i=1
xi n
18
CAPTOL 1.
p(a<x<b)
Figura 1.3: Poblaci distribuda Normalment
i que s'utilitza habitualment per a fer inferncia sobre la mitjana poblacional
La seva distribuci depn de les caracterstiques de la poblaci i de la mostra:
1. Si la poblaci s Normal (hiptesi de Normalitat), s a dir, aleshores
Xi N (, 2 ) i,
N (, ) X n
degut a les propietats de la mitjana. 2. Si la poblaci no s Normal per la mostra s gran, aleshores
X
2 n
N (0, 1)
(aproximadament)
degut al Teorema Central del Lmit que estudiarem ms endavant. 3. Si la poblaci no s Normal i la mostra s petita, aleshores es desconeix en general la distribuci de la mitjana 4. Si es desconeix
. X
i la poblaci s Normal, aleshores
X
S2 n
tn1
on
S2
s la
varincia mostral (qu veurem a continuaci) i tn1 s la

amb
distribuci
la distribuci Normal estndard
t Student
n 1 graus de llibertat, qu s molt similar N (0, 1) i tamb es troba tabulada.
Trobarem a continuaci l'esperana i la varincia d'aquest estadstic. Per fer-ho utilitzarem les propietats conegudes de l'esperana i la varincia d'una variable
1.3.
aleatria . Suposarem per aix que la mostra s'ha obtingut d'una poblaci amb mitjana poblacional
i varincia poblacional
2 .
s a dir, qu
E (xi ) =
V (xi ) =
per a qualsevol element
xi
de la mostra.
) = E( E (X
i=1
xi )= n
E(
i=1
xi )= n
i=1
1 E (xi ) = n
i=1
= n
) = V ( V (X
i=1
xi )= n
V(
i=1
xi )= n
i=1
1 V (xi ) = n2
i=1
2 2 = n2 n
Per tant, en el cas de la mitjana mostral
tenim que
2 ) = V (X ) = E (X n
1.3.2 La Varincia mostral

La varincia mostral, denotada per formula:
S2,
s l'estadstic que s'obt mitjanant la
S2 =
1 n1
)2 ( xi X
i que s'utilitza habitualment per a fer inferncia sobre la varincia poblacional
2 .
La seva distribuci tamb depn de les caracterstiques de la poblaci:
1. Si la poblaci s Normal, (Xi
N (, 2 ) i),
aleshores:
(n 1)S 2 2 n1 2
on
2 n1
s la distribuci khi-quadrat amb
tamb es troba tabulada.
(Aquesta distribuci correspon a la suma de
n1
graus de llibertat, que
n1
Normals estndard elevades al quadrat).
2. Si la poblaci no s Normal, aleshores es desconeix la distribuci sigui quin sigui el mida de la mostra. Donat que noms coneixerem la distribuci de la varincia mostral si la poblaci s Normal, farem servir el fet que en aquest cas tenim una distribuci
2 n1
per
trobar l'esperana i la varincia d'aquest estadstic de forma ms simple. Per fer-ho utilitzarem les propietats conegudes de l'esperana i la varincia d'una variable aleatria
1).
Suposarem per tant que la mostra s'ha obtingut d'una poblaci Normal amb
2 2 , concretament que E (2 n1 ) = n 1 i que V (n1 ) = 2(n
mitjana poblacional
i varincia poblacional
2 .
s a dir, que
per a qualsevol element
xi
de la mostra i en conseqncia
xi N ( 2 )
(n 1)S 2 2 n1 2
7 Com
per exemple que l'esperana de la suma s la suma d'esperances, etc.
20
CAPTOL 1.
aleshores tindrem que
E(
(n 1)S 2 (n 1) )=n1 E (S 2 ) = n 1 E (S 2 ) = 2 2 2
V(
(n 1)2 (n 1)S 2 2 4 2 2 ) = 2( n 1) V ( S ) = 2( n 1) V ( S ) = 2 ( 2 )2 n1
1.3.3 La Proporci mostral

La proporci mostral s un cas especial. S'utilitza quan estem interessats en conixer quina s la proporci d'elements d'una poblaci que tenen una determinada caracterstica. Per exemple, podrem estar interessats en conixer quina s la proporci de fumadors entre els estudiants de 2on de la facultat (en aquest cas, la caracterstica que ens interessa s la de si un estudiant fuma o no), o quina s la proporci de xips Intel que surten defectuosos en un dia concret (en aquest cas, la caracterstica que ens interessa s la de si un xip s defectus o no) La proporci mostral, denotada per formula:
s l'estadstic que s'obt mitjanant la
=
on
xi n
xi = 1
si l'i-ssim element de la mostra posseeix la caracterstica que s'est
estudiant i
xi = 0
si no la t.
La proporci mostral
s'utilitza habitualment per a fer inferncia sobre la pro-
porci poblacional
cada observaci
En aquest cas, la poblaci no ser mai Normal, ja que
xi
prov d'una variable de Bernoulli . Efectivament, suposem
per exemple que estudiem una poblaci de 100 individus dels quals 45 sn fumadors, s a dir, la proporci poblacional s del 45 % element
= 0.45.
D'aquesta
poblaci en traiem una mostra de mida 10. s fcil veure que per a qualsevol
xi
d'aquesta mostra tindrem que:
p(xi = 1) =
45 = 0.45 100
p(xi = 0) =
55 = 0.55 100 xi
segueix una distribuci
En conseqncia, veiem que cada valor de la mostra
Bernoulli de parmetre
desconeguda)
(on
s l'autntica proporci poblacional que s
Pot demostrar-se aleshores que dir que en general:
xi /n
s una variable aleatria Binomial.
Tanmateix, donat que es pot aproximar la Binomial per una Normal, podem
1.4.
TEOREMA CENTRAL DEL LMIT
21
1. Si la mostra s gran
(n (1 ) 5), N (,
aleshores (de forma aproximada):
(1 ) ) n
Aquesta aproximaci per la Normal s tant ms bona quant ms a prop de
0, 5
estigui
2. Si la mostra no s gran, aleshores l'aproximaci per la Normal s molt inexacta.
Respecte de l'Esperana i la Varincia de la proporci mostral, tenim que:
E ( ) =
V ( ) =
(1 ) n
1.4 Teorema Central del Lmit

Aquest teorema estableix un resultat teric que resulta d'extraordinria importncia per la inferncia estadstica. Diu, bsicament, que la suma de variables aleatries idntiques, tinguin la distribuci que tinguin, s'aproxima a una variable aleatria amb distribuci Normal. Des d'un punt de vista prctic, aquest resultat ens permet treballar amb la mitjana mostral com si fos una variable aleatria Normal, tot i que la poblaci d'origen de la que s'obt la mostra no segueixi una distribuci Normal. A ms, aquesta aproximaci s tan ms bona quan ms gran sigui la mostra. Formalment,
Theorem 1.4.1 Siguin X1 , X2 , . . . , Xn un conjunt de variables aleatries, in2 dependents i que tenen idntica distribuci amb esperana i varincia .
Aleshores, si
s sucientment gran, la variable aleatria
= 1 X n
Xi
i=1 2 n
segueix, aproximadament, una distribuci Normal amb

De forma general s'accepta que una mida mostral
X =
2 X =
n > 30 ja garanteix una bona
aproximaci a la distribuci Normal. Per tant, sovint s'utilitza la transformaci
Z=
X
2 n
N (0, 1)
en moltes tcniques de la inferncia estadstica.
22
CAPTOL 1.
Captol 2
Estimaci
2.1 Objectiu de l'estimaci estadstica

L'estimaci estadstica s la tcnica de inferncia estadstica ms simple i que permet una aproximaci ms rpida al valor del parmetre poblacional de inters. Aix, el seu objectiu s proporcionar una primera mesura orientativa del parmetre a estudi, mesura que podr ser completada i enriquida amb d'altres tcniques de inferncia estadstica que veurem ms endavant.
2.2 Denici i caracterstiques d'un estimador

En el captol anterior hem vist quins sn els principals estadstics que s'utilitzen en la inferncia estadstica. En la denici 1.3.1 hem vist que un estadstic pot rebre noms diferents depenent del que es vulgui fer amb ell. En aquest sentit, en aquest captol els estadstics rebran el nom d'estimadors, ja que els farem servir per a obtindre una
estimaci del parmetre poblacional que ens interessa, s a
dir, una aproximaci al seu valor real (que ens s desconegut). Ms endavant, en altres captols, tornarem a parlar d'estadstics, ja que no els farem servir per a obtindre aquestes estimacions sin com a part de clculs ms elaborats que ens permetran obtindre conclusions sobre el parmetre poblacional a estudi mitjanant altres tcniques. Aix, recordant el que hem vist a la secci 1.3, tenim
Denici 2.2.1 Un
estimador s una frmula en la qu se substitueixen els
valors (observacions) mostrals per a obtenir una aproximaci del valor d'algun parmetre poblacional desconegut.
23
24
CAPTOL 2.
ESTIMACI
Denici 2.2.2 Una
estimaci
s un valor concret d'un estimador obtingut
a partir d'una mostra concreta.
estimador no s un nmero estimaci si que s un nmero que s'obt aplicant aquesta frmula (l'estimador) als valors concrets de la mostra que hem obtingut. Aix mateix, cal recordar que un estimador s una variable
s important recordar en aquest punt que un sin una frmula, mentre que una aleatria, i que a la secci 1.3 hem vist quines sn les distribucions dels principals estimadors que es fan servir a la inferncia estadstica:
la mitjana mostral:
= X
1 n
n i=1 1 n1
xi
n i=1 (xi
la varincia mostral: la proporci mostral:
S2 = =
)2 X
1 n
n i=1
xi
Veurem com poden utilitzar-se aquests estimadors per tal de treure conclusions (de moment molt preliminars) sobre els parmetres poblacionals a estudi. L'estimaci puntual i l'estimaci per intervals seran les tcniques utilitzades. Per acabar el captol veurem els temes ms avanats d'estimaci per mxima
versemblana i estimaci pel mtode dels moments, que ens ajudaran a dissenyar estimadors quan no sabem quin s el que millor s'adequa a l'estudi d'un determinat parmetre poblacional, i la Fita de Cramer-Rao que ens ajudar a saber si el nostre estimador s ecient.
2.3 Propietats dels estimadors: biaix, ecincia i consistncia

Un cop coneixem els principals estadstics que es fan servir a la inferncia estadstica i les seves caracterstiques probabilstiques (bsicament, la seva distribuci, esperana i varincia), veurem en aquest captol les principals propietats de bondat que desitjarem que tinguessin els nostres estadstics (ara
estimadors)
si volem que proporcionin bones aproximacions (estimacions) dels parmetres poblacionals que ens interessen. En aquest sentit, un estimador pot, entre d'altres, satisfer o no satisfer les propietats de ser inesbiaixat, ecient i consistent que tot seguit veurem. En el que segueix, utilitzem la notaci genrica del parmetre poblacional
per
referir-nos a un estimador
sense especicar cap cas concret.
2.3.1 Biaix
Denici 2.3.1 Sigui
un
estimador del parmetre poblacional
El biaix de
es deneix com la diferncia entre el valor esperat de l'estimador i el valor
real del parmetre poblacional:
) = E ( ) B (
2.3.
PROPIETATS DELS ESTIMADORS: BIAIX, EFICINCIA I CONSISTNCIA25
Denici 2.3.2 Un estimador

parmetre poblacional
es diu que s un estimador inesbiaixat del
si el seu biaix s zero:
) = 0 B (
) = ) (o E (
Exemple 2.3.3 Sigui {x1 , x2 , . . . , xn } una mostra aleatria obtinguda d'una tenim poblaci amb mitjana poblacional . Aleshores, per la mitjana mostral X
) = E (X
Per tant,
s un estimador inesbiaixat de
Exemple 2.3.4 Sigui

tenim
{x1 , x2 , . . . , xn } una mostra aleatria obtinguda d'una 2 2 poblaci amb varincia poblacional . Aleshores, per la varincia mostral S E (S 2 ) = 2
Per tant,
S2
Exemple 2.3.5 Sigui

tenim
{x1 , x2 , . . . , xn } una mostra aleatria obtinguda d'una poblaci amb proporci poblacional . Aleshores, per la proporci mostral E ( ) =
Per tant,
La interpretaci de la propietat de ser inesbiaixat s molt simple. Pel que hem vist en el captol anterior, sabem que un estimador s una variable aleatria (s a dir, pot prendre diferents valors amb diferents probabilitats depenent de la mostra seleccionada). Per tant, s clar que s altament improbable que el valor concret (estimaci) que obtenim en aplicar-lo a una mostra concreta coincideixi exactament amb el valor del parmetre poblacional que estem estudiant. El que diu la propietat de ser inesbiaixat s que aix s cert en termes de la seva esperana. Dit en altres paraules, tot i que en aplicar l'estimador a una mostra concreta l'estimaci obtinguda no coincidir amb el valor del parmetre que volem estimar, si apliqussim l'estimador a 100 mostres diferents el promig de
26
CAPTOL 2.
ESTIMACI
les 100 estimacions obtingudes s'aproximaria molt al valor d'aquest parmetre, i aquesta aproximaci anir millorant si en comptes de 100 mostres ho fssim amb un nmero ms gran de mostres. Per tal de veure-ho ms clar podem comparar un estimador amb un tirador que vol encertar amb el valor autntic del parmetre poblacional (el centre de la diana). Un bon tirador (inesbiaixat) s un tirador que sempre apunta b, tot i que sempre existeix una petita probabilitat que el seu tret surti una mica desviat. Un mal tirador (esbiaixat) s un tirador que sempre apunta malament
2.3.2 Ecincia
El criteri d'ecincia d'un estimador que veurem a continuaci t dues versions diferents depenent de si parlem d'estimadors esbiaixats o inesbiaixats. Veurem per que, de fet, la segona versi inclou la primera com a cas particular.
2.3.2.1
Estimadors no esbiaixats
Denici 2.3.6 Siguin
dos estimadors no esbiaixats de
Aleshores,
l'estimador ms ecient s el de menor varincia.
2.3.2.2
Estimadors esbiaixats
Denici 2.3.7 Siguin
1 i 2 dos estimadors qualsevol de . Aleshores, l'es timador ms ecient s el de menor error quadrtic mig (EQM ) on: ) = E ( )2 = V ( ) + B ( )2 EQM (
El fet que la segona versi d'ecincia inclou la primera es veu en el fet que si en la segona versi el biaix dels dos estimadors que comparem s zero aleshores l'error quadrtic mitj s igual a la varincia.
Exemple 2.3.8 Considerem els segents estimadors de la mitjana poblacional
cional
calculats a partir d'una mostra obtinguda d'una poblaci de mitjana pobla i varincia poblacional 2
1 =
x1 + x2 + x3 3
2 =
x1 + x2 2
2.3.
PROPIETATS DELS ESTIMADORS: BIAIX, EFICINCIA I CONSISTNCIA27
comprovarem primer quin s el biaix d'aquests estimadors:
B ( 1 )
= = =
E ( 1 ) = E (
x1 + x2 + x3 )= 3
1 (E (x1 ) + E (x2 ) + E (x3 )) = 3 1 3 = = 0 3 x1 + x2 )= 2
B ( 2 )
= E ( 2 ) = E ( = =
1 (E (x1 ) + E (x2 )) = 2 1 2 = = 0 2
per tant, el dos estimadors sn inesbiaixats. Mirem aleshores quin dels dos t la varincia menor, aquest ser el ms ecient del dos:
V ( 1 )
= V( = =
x1 + x2 + x3 )= 3
1 (V (x1 ) + V (x2 ) + V (x3 )) = 9 1 2 2 3 = 9 3 x1 + x2 )= 2
V ( 2 )
= V( = =
1 (V (x1 ) + V (x2 )) = 4 1 2 2 2 = 4 2
s el ms ecient dels dos ja que t la var-
veiem aleshores que l'estimador 2 2 incia menor ( 3 < 2 )
La intuci sobre el signicat de l'ecincia d'un estimador tamb s simple. Si un estimador inesbiaixat s com un bon tirador que sempre apunta al centre de la diana, un estimador s ms ecient que un altre si li tremola menys els pols. s a dir, entre dos estimadors inesbiaixats, el ms ecient s el que est concentrat al voltant de la seva esperana. ms
2.3.3 Consistncia
Moltes vegades resulta difcil trobar estimadors ecients d'un determinat parmetre. En aquest cas es miren les propietats asimpttiques dels estimadors, que vol dir mirar quines propietats tenen aquests estimadors si la mostra que s'obt es pot fer tan gran com es vulgui. Veurem en aquest sentit les propietats de
biaix asimpttic i de consistncia
28
CAPTOL 2.
ESTIMACI
2.3.3.1
Estimadors asimptticament inesbiaixats
Denici 2.3.9 Es diu que un estimador

tendeix a innit. Formalment, de
del parmetre poblacional
asimptticament inesbiaixat si el seu biaix desapareix quan el mida de la mostra
s un estimador asimptticament inesbiaixat
si
n
) = 0 lim B (
Exemple 2.3.10 Considerem el segent estimador de la varincia poblacional
( 2 ) 2 = S
s fcil veure qu si
n i=1 (xi
n
n i=1 (xi
)2 X
S2 =
aleshores
)2 X n1
2 = n 1 S 2 S n n1 2 n1 n1 2 S )= E (S 2 ) = n n n
per tant
2 ) = E ( E (S
i aleshores
2 2 ) = E (S 2 ) 2 = n 1 2 2 = B (S n n
2 s un estimador esbiaixat de 2 ja que E (S 2 ) = 2 . No obstant s a dir, S 2 2 aix, S s un estimador asimptticament inesbiaixat de , ja que el seu biaix
desapareix a mesura que la mostra es va fent gran. Efectivament
2 ) = lim = 0 lim B (S n n n
2.3.3.2 Estimadors consistents
La propietat de consistncia no noms t en compte si el biaix desapareix quan la mostra es fa gran, sin que tamb mira qu passa amb la varincia. s a dir, es preocupa del comportament del gran
EQM
de l'estimador quan la mostra es fa
Denici 2.3.11 Es diu que un estimador

consistent si el seu Error Quadrtic Mitj la mostra tendeix a innit. Formalment,
del (EQM )
parmetre poblacional
desapareix quan el mida de si
un estimador consistent de
) = 0 lim EQM (
2.4.
MTODES D'ESTIMACI PUNTUAL: MXIMA VERSEMBLANA I MTODE DELS MOMENTS29
2 . Ja S 2 = n . Trobarem ara la seva varincia per tal d'analitzar el comportament del seu EQM
Exemple 2.3.12 Considerem l'estimador de
que hem vist abans, 2 2 ) sabem que s un estimador esbiaixat de i que el seu biaix s B (S quan la mostra tendeix a innit
2 2 4 2 2 ) = V ( n 1 S 2 ) = ( n 1 )2 V (S 2 ) = (n 1) 2( ) = 2(n 1) V (S n n n2 n1 n2
per tant
4 2 4 2 ) = V (S 2 ) + B (S 2 )2 = 2(n 1) + ( )2 = (2n 1) EQM (S n2 n n2
aleshores
n
2 ) = lim lim EQM (S
(2n 1) 4 =0 n n2 2
Per tant,
2 s S
un estimador consistent de
2.4 Mtodes d'estimaci puntual: mxima versemblana i mtode dels moments

Una estimaci puntual s la forma ms simple d'obtindre una al seu valor. Obtenir una
estimaci del
parmetre poblacional que ens interessi, s a dir, d'obtindre una aproximaci
estimaci puntual consisteix en aplicar l'estimador
que utilitzem a la mostra concreta que tenim.
Exemple 2.4.1 Suposem que d'una determinada poblaci estem interessats en

obtindre una aproximaci al valor de la seva mitjana poblacional hem vist abans, ja sabem que la mitjana mostral
1
Per lo que
s un bon estimador de
ja
que s inesbiaixat . Per tant, aquest ser l'estimador que utilitzarem. Suposem que la mostra obtinguda s Mostra aleshores
= {1, 2, 3, 4}
= 1 + 2 + 3 + 4 = 2.5 X 4
Per tant, en aquest cas, l'
estimaci puntual que tenim de s 2.5

S estimadors a l'abast (X,
2
Ja hem vist que quan volem estimar parmetres poblacionals que sn estndards (,
, ), tenim bons
, ) dels quals ja coneixem
les seves caracterstiques. El problema ve quan volem estimar una altre parmetre poblacional (per exemple la moda, la mediana o qualsevol altre parmetre) pel qual no tenim cap candidat a estimador. Quin estimador, s a dir, quina frmula fem servir ? El mtode de mxima versemblana i el mtode dels moments sn tcniques que ens ajudaran a construir bons estimadors per a un determinat parmetre quan no en tenim cap.
1 Ms
ha.
endavant veurem que, a ms, s l'estimador ms ecient (varincia mnima) que hi
30
CAPTOL 2.
ESTIMACI
2.4.1 Estimaci per mxima versemblana

El mtode d'estimaci per mxima versemblana segueix la segent lgica. Si quan hem fet un mostreig totalment aleatori (MAS) hem obtingut la mostra que hem obtingut, aix ha de ser per algun motiu (podrem haver obtingut una altra mostra ben diferent). Doncs b, segurament si hem obtingut la mostra que hem obtingut s degut a que aquest parmetre poblacional que volem estimar s tal que fa que la mostra que hem obtingut sigui, de alguna manera, la mostra ms probable d'obtindre. En aquest sentit, el que fa el mtode de la mxima versemblana s trobar quin s el valor del parmetre poblacional que maximitza la probabilitat d'haver obtingut la mostra que tenim. El procs es realitza en 3 passos partint de la mostra que tenim volem estimar de densitat (la distribuci) de la poblaci en la qual gura el parmetre
{x1 , x2 , xn } i de la funci () que
f (x; ).
Veurem primer el mtode general i desprs un exemple
per ajudar a aclarir el procs Suposem que volem estimar el parmetre ada per
f (x; )
a partir de la mostra
d'una poblaci amb distribuci don{x1 , x2 , xn }. Ho farem en 3 passos.
Pas 1 Construir la funci de versemblana

La funci de versemblana s la funci que calcula quina s la probabilitat d'haver obtingut la mostra obtinguda depenent del parmetre poblacional que volem estimar. s a dir, s una funci (que denotarem amb una de la mostra obtinguda i del parmetre a estimar
L)
que depn
L(x1 , x2 , xn ; ) = P (X1 = x1 , X2 = x2 , Xn = xn ; )
Donat que la mostra s'ha obtingut a partir d'una poblaci amb distribuci donada per conjunta
f (x; ) i que els elements de la mostra sn independents, la probabilitat P (X1 = x1 , X2 = x2 , Xn = xn ; ) es pot calcular com
P (X1 = x1 , X2 = x2 , Xn = xn ; ) = f (x1 ; ) f (x2 ; ) . . . f (xn ; )

per tant,
L(x1 , x2 , xn ; ) = f (x1 ; ) f (x2 ; ) . . . f (xn ; ) =

Pas 2 Aplicar Logaritmes natural ( Neperians)
f ( xi ; )
i=1
Donada la forma que normalment pren la funci de versemblana (un producte de funcions), l's de logaritmes (logaritmes naturals en aquest cas) permet simplicar la seva forma de manera que sigui ms fcil de treballar. Per tant, en aquest pas simplement apliquem ln i aprotem les propietats dels logaritmes per tal de simplicar la forma de la funci de versemblana
ln L(x1 , x2 , xn ) = ln
f ( xi ; ) =
i=1 i=1
ln f (xi ; )
2.4.
Pas 3 Maximitzar L'ltim pas s maximitzar la funci de versemblana, s a dir, trobar el valor de
que maximitzi la funci
(que s la probabilitat d'obtenir la mostra que
tenim).
Per aix caldria calcular la derivada de la funci de versemblana i igualar-la a zero per trobar el valor de
amb respecte del parmetre
que
la maximitza. Normalment, fer les coses aix resulta complicat. s per aquest motiu que el que hem fet en el Pas 2 resulta til. Efectivament, donat que la funci logaritme natural s estrictament creixent, el valor de
que maximitzi
ln L
tamb maximitzar
L.
Per tant, en la prctica, el que farem ser:
ln L(x1 , xn ; ) =0
i a partir d'aqu trobar el valor de ser l'estimador mxim versemblant de
que la resolgui. Aquesta soluci de l'equaci M V , i normalment es denota per

una mostra (independent) obtin-
Exemple 2.4.2 Sigui
guda a partir d'una poblaci Normal amb mitjana poblacional varincia poblacional de
{x1 , x2 , xn } 2 .
Obtenir l'estimador mxim versemblant
Abans de comenar amb el primer pas del procs, cal recordar quina s l'expressi de la funci de densitat d'una variable Normal.
f (x; 2 ) =
Pas 1 Funci de versemblana
1 x 2 1 e 2 ( ) 2
L(x1 , x2 , xn )
=
i=1
1 xi 2 1 e 2 ( ) = 2
1 2
e 2
n i=1
) ( xi
qu resultaria fora complicat de derivar. Per aix apliquem els logaritmes
Pas 2 Logaritmes
ln L(x1 , xn ) = ln
1 2
e 2
n i=1
) ( xi
sembla molt complicat, per aplicant les propietats del logaritmes fora
se simplica
ln
1 2
e 2
n i=1
( xi )
= ln
1 2
+ ln e 2
n i=1
( xi ) =
= ln
2 Logaritme
1 2
1 2
i=1
xi
ln e
del producte s la suma de logaritmes, etc.
32
CAPTOL 2.
ESTIMACI
per tant
ln L(x1 , xn ) = ln
Pas 3 Maximitzar
Hem de derivar
1 2
1 2
i=1
xi
ln L(x1 , , xn )
amb respecte de
1 2
i igualar a zero.
n
ln(x1 , xn ) =
ln
1 2
i=1
xi
ln
1 2
1 2
i=1
xi
=0
per tant,
1 2
i=1
xi
1 2
2
i=1
xi
1 ( ) =
i=1
xi 2
L(x1 , xn ) =0
nalment
i=1
xi 2
=0
1 ( xi ) = 0 2 i=1 i=1
n i=1
xi =
i=1 i=1
i=1
xi = n =
xi
n
s la mit-
s a dir, l'estimador Mxim versemblant de la mitjana poblacional jana mostral
X M V =
n i=1
xi
=X
2.4.2 Estimaci pel mtode dels moments

Suposem que tenim una poblaci distribuda segons la funci de densitat on
f (x, ),
representa el parmetre desconegut que volem estudiar.
El mtode dels moments consisteix en:
Pas 1 Calcular l'esperana terica

de densitat
de la poblaci d'acord amb la seva funci
= xf (x, )dx .
Per tant,
El resultat d'aquesta integral ser una funci del parmetre obtindrem una expressi de la forma
= g ( )
2.4.
Pas 2 Donat que
podem fer
=X
, s a dir,
= g ( ) X
Pas 3 Finalment, simplement invertint la funci
ci de
podem expressar
en fun-
i haurem acabat. Haurem trobat un estimador de
que s'anom-
ena estimador pel mtode dels moments
M M
) M M = g 1 (X
Exemple 2.4.3 Considerar una poblaci distribuda segons la funci de densitat
f (x, ) =
( + 1)x 0
altrament
0x1
Trobar l'estimador pel mtode dels moments de
Pas 1 Esperana
= E (x) =
0
x( + 1)x dx = ( + 1)
0 1
x(+1) dx =
x(+2) = ( + 1) +2
Per tant, podem escriure
=
0
( + 1) ( + 2)
=
Pas 2 Utilitzem el fet que
+1 +2
= +1 X +2
Pas 3 A partir de l'expressi obtinguda en el pas anterior, allem
M M = 1 2X X 1
L'estimaci puntual t l'avantatge de que s molt rpida i simple de calcular. El principal desavantatge, per, s que ens dona molt poca informaci i, a ms, amb molt poca precisi. En l'exemple 2,4,1 sabem que, donat que la mitjana mostral s un estimador inesbiaixat de la mitjana poblacional, el veritable valor de
estar al voltant de
2.5, per no tenim ni idea de si ser ms gran, ms petit, si estar molt a prop de 2.5, molt lluny.... No sabem res de la precisi de la nostra estimaci. Aquesta manca de precisi es corregeix bastant amb el segent mtode d'estimaci.
34
CAPTOL 2.
ESTIMACI
2.5 Mtodes d'estimaci per Intervals

L'objectiu ara no ser obtindre una
estimaci puntual del parmetre que ens
interessa. Farem servir aquesta estimaci puntual per a, junt amb la informaci que ja sabem sobre la distribuci mostral dels nostres estadstics, obtindre un interval dins el qual sabrem que est el valor veritable del parmetre amb una determinada probabilitat. s a dir, podrem ara donar mesura de la precisi de la nostra estimaci. En aquest sentit, el resultat d'una
estimaci per intervals
tindr una forma semblant a (en el cas de la mitjana):
[2.25 , 2.75]
amb una probabilitat del
95%
Els intervals que obtindrem mitjanant aquesta tcnica s'anomenen
intervals de conana, i la probabilitat amb la qu aquest interval inclou el parmetre poblacional s el nivell de conana que es representa per 1 .
2.5.1 Interval de conana per la mitjana

Veurem a continuaci com obtindre un
interval de conana quan el que
estem estudiant s la mitjana poblacional
2 conegut
2.5.1.1
Sabem que en aquest cas
X
2 n
N (0, 1)
per tant
p(z1 2
on
X
2 n
z1 )=1 2
a la seva esquerra un rea de
z1 2
s el valor d'una
N (0, 1) que deixa
s a dir, tal que
1 2.
P (Z z1 )=1 2
on
representa una
N (0, 1)
i aquest valor es pot trobar a les taules.
Aleshores, si operem dins de les desigualtats que hi ha a dins de la probabilitat, trobarem que
z1 p(X 2
multiplicant per
2 + z1 X 2 n
2 )=1 n
inverteix el signe de les desigualtats, per tant tenim que
+ z1 p(X 2
2 z1 X 2 n
2 )=1 n
2.5.
MTODES D'ESTIMACI PER INTERVALS
35
en denitiva, trobem l'interval de conana que buscvem
z1 [X 2
2 , X + z1 2 n
2 ] n
amb una probabilitat de
1 2 =
Exemple 2.5.1 Suposem que tenim una mostra de 100 elements obtinguda
d'una poblaci Normal de mitjana poblacional desconeguda i varincia
1.000.000. Construir un interval de conana = 26.000. si la mitjana mostral s X

Si el nivell de conana s del 95% tenim que i 2 = 0.025. Aleshores,
al 95% per la mitjana poblacional
1 = 0.95.
Per tant,
= 0.05
1
L'interval tindr la forma
= 0.975 2
z1 [X 2
2 , X + z1 2 n
2 ] n Z
corresponents a la
en el que tots els valors sn coneguts excepte els valors
Normal. En aquest cas, hem de buscar a les taules el valor
Z1 = Z0.975 2
s a dir, el valor d'una
N (0, 1)
que deixa a la seva esquerra una probabilitat de
0.975.
Buscant a les taules trobem
Z0.975 = 1.96
Per tant, tenim:
z1 [X 2 = [26.000 1.96
Fent operacions ens queda
2 , X + z1 2 n
2 ]= n 1.000.000 ] 100
1.000.000 , 26.000 + 1.96 100
[25.804, 26.196] amb

2.5.1.2
una probabilitat del 95%
2 desconegut
En el cas que hem vist, per tal de poder en la prctica calcular l'interval, necessitem conixer el valor de stituir
2 , s a dir, l'autntic valor de la varincia poblacional,
cosa que rarament passa. Per tal de solucionar aquest problema, podem sub-
S 2 . L'nic que canvia aleshores s que la distribuci a utilitzar no s una N (0, 1), sin una t Student amb n 1 graus de llibertat.
en el interval pel seu estimador inesbiaixat
t1 [X 2
S2 , X + t1 2 n
S2 ] n
36
CAPTOL 2.
ESTIMACI
on
t1 2 n
s el valor d'una
la seva esquerra una rea de (si es gran, aleshores
t student amb n 1 graus de llibertat que 1 2 i qu tamb es pot trobar taulat.

s aproximadament igual a
deixa a
t1 2
z1 ) 2
Exemple 2.5.2 Suposem que tenim una mostra de 100 elements obtinguda d'una poblaci Normal de mitjana poblacional desconeguda i varincia tamb desconeguda. Construir un interval de conana al 95% per la mitjana poblacional = 26.000 i la varincia mostral s S 2 = 980.000 si la mitjana mostral s X Si el nivell de conana s del 95% tenim que i 2 = 0.025. Aleshores,
1 = 0.95.
Per tant,
= 0.05
1
= 0.975 2
t1 [X 2
S2 , X + t1 2 n
S2 ] n t
corresponents a la
t student
amb
les taules el valor
n 1 = 99
graus de llibertat. En aquest cas, hem de buscar a
= t0.975 t1 2
esquerra una probabilitat de de llibertat)
t student amb 99 graus de llibertat que deixa a 0.975. Buscant a les taules trobem (donat
la seva que 99
graus de llibertat no apareix a les taules agafem el valor ms proper, 100 graus
t0.975 (99) = 1.984

Per tant, tenim:
t1 [X 2 = [26.000 1.984
S2 , X + t1 2 n
S2 ]= n 980.000 ] 100
980.000 , 26.000 + 1.984 100
[25.803, 56, 26.196, 42] amb
2.5.2 Interval de conana per la varincia

De la mateixa manera que hem obtingut l'interval de conana en el cas de la mitjana, tenim el de la varincia. Cal recordar que, en aquest cas, la poblaci ha de ser Normal. Aleshores sabem que
(n 1)S 2 2 n1 2
2.5.
37
per tant
p( 2
on s 2 el valor d'una
(n 1)S 2 1 )=1 2 2
que deixa a la seva esquerra un rea de
2 i qu 2 es pot trobar tabulat. De la mateixa manera, 1 s el valor d'una n1 que 2 deixa a la seva esquerra un rea de 1 . 2
2 n1
Igual que hem fet abans, manipulant dins les desigualtats trobem que
p(
1 2 1 )=1 2 (n 1)S 1 2 2
p(
(n 1)S 2 (n 1)S 2 2 )=1 1 2 2
s a dir,
2 [
(n 1)S 2 (n 1)S 2 , ] 1 2 2
Exemple 2.5.3 Suposem que tenim una mostra de 100 elements obtinguda d'una poblaci Normal de mitjana i varincia poblacionals desconegudes. Construir 2 un interval de conana al 95% per la varincia poblacional si la varincia 2 mostral s S = 4.800. Si el nivell de conana s del 95% tenim que i 2 = 0.025. Aleshores,
1 = 0.95.
Per tant,
= 0.05
1
= 0.975 2
(n 1)S 2 (n 1)S 2 , ] 1 2 2
corresponents a la
en el que tots els valors sn coneguts excepte els valors khi-quadrat amb les taules el valor
n 1 = 99
graus de llibertat. En aquest cas, hem de buscar a i
1 = 0.975 2
= 0.025 2
s a dir, els valors d'una khi-quadrat amb a la seva esquerra una probabilitat de les taules trobem
n1 = 99 graus de llibertat que deixen 0.975 i 0.025 respectivament, Buscant a

i
0.975 = 129.561
Per tant, tenim:
0.025 = 74.222
(n 1)S 2 (n 1)S 2 , ]= 1 2 2
38
CAPTOL 2.
ESTIMACI
=[
994.800 994.800 , ] 129.561 74.222
2 [3667.77, 6402.41] amb
2.5.3 Interval de conana per la proporci

Donat que el cas de la proporci s un cas especial ja que, com hem explicat abans, treballar amb una variable Normal s una aproximaci, la mostra ha de ser gran sigui millor, l'interval ser diferent depenent de si la proporci que obtenim a la mostra ( ) est a prop de Si
(n (1 ) > 5).
Per aquest motiu, i per tal de que la aproximaci
0.5
o no.
1 2
[ z1 2
Si
(1 ) , + z1 2 n
(1 ) ] n
1 2
[ z1 2
0.5(1 0.5) , + z1 2 n
0.5(1 0.5) ] n
Exemple 2.5.4 En una mostra aleatria amb 1000 persones, 450 declaren que
fumen regularment. Construir un interval de conana amb un nivell de conana del 95% per la proporci de fumadors, obtingut la mostra. Si el nivell de conana s del 95% tenim que i 2 = 0.025. Aleshores,
en la poblaci de la que s'ha
1 = 0.95.
Per tant,
= 0.05
1
Calculem en primer lloc la
= 0.975 2
de fumadors. En aquest cas
proporci mostral
= 450 = 0.45 1000
Donat que obtenim
0.5,
l'interval tindr la forma
[ z1 2
(1 ) , + z1 2 n
(1 ) ] n Z
corresponents a la
Normal. En aquest cas, hem de buscar a les taules el valor
Z1 = Z0.975 2
2.5.
39
N (0, 1)
que deixa a la seva esquerra una probabilitat de
0.975.
Buscant a les taules trobem
Z0.975 = 1.96
Per tant, tenim:
[ z1 2 = [0.45 1.96
(1 ) , + z1 2 n
(1 ) ]= n 0.45(1 0.45) ] 1000
0.45(1 0.45) , 0.45 + 1.96 1000
[0.4342, 0.4657] amb
40
CAPTOL 2.
ESTIMACI
Captol 3
Contrastos d'hiptesis paramtriques
3.1 Concepte de contrast paramtric: hiptesi nulla i hiptesi alternativa

Fins ara hem vist com podem aproximar-nos al valor d'un determinat parmetre poblacional mitjanant l'estimaci. Moltes vegades, per, el que ens interessa no s tant saber quin pot ser el valor d'aquest parmetre sin respondre alguna pregunta sobre el mateix. Per exemple, s el salari mig de Cerdanyola d'aquest
any superior al de l'any passat? Funciona aquest xip Intel a 3000 Mhz.? Ha augmentat la proporci de gent que pensa votar al P.P. amb respecte les darreres eleccions?
En tots aquests casos, doncs, els que ens interessa s comprovar si una determinada creena, idea o conjectura sembla ser certa o no. Per a fer-ho, per a contrastar la nostra hiptesi ens basarem en les dades a l'abast, en la mostra, ja que s l'nica informaci que tenim sobre la realitat. Podem aleshores denir de forma ms precisa el que s'entn per contrast d'hiptesis
Denici 3.1.1 Un contrast d'hiptesis s una tcnica mitjanant la qual es

comprova si les dades d'una mostra donen suport a una determinada hiptesis que es formula sobre algun parmetre poblacional o si, pel contrari, rebutgen (contradiuen) aquesta hiptesi.
En general, l'estructura d'un Contrast d'Hiptesis es por descomposar en 6 passos. Suposem que volem contrastar si el valor del parmetre poblacional s igual al valor
0 ,
aleshores aquests 6 passos sn
1. Especicar la Hiptesi Nulla. Aquesta s la hiptesi que creiem certa i que volem estudiar si est recolzada per les dades de la mostra.
H0 : = 0
41
42
CAPTOL 3.
CONTRASTOS D'HIPTESIS PARAMTRIQUES
2. Especicar una Hiptesi Alternativa, qu s all que s cert si la hiptesi nulla resulta ser falsa. La hiptesi alternativa pot prendre quatre formes estem estudiant o no. diferents, depenent de si coneixem alguna cosa sobre el parmetre que
H1 : = 0
H1 : < 0
H1 : > 0
H1 : = 1
El primer tipus de hiptesi alternativa s el ms general i correspon al cas en el que no es t cap informaci sobre el parmetre que s'estudia. nom podem dir que s diferent. El segon tipus de hiptesi alternativa correspon al cas en el que es t alguna informaci sobre el parmetre que s'estudia que diu que si aquest no s igual al valor que es creu, doncs s ms petit (d'alguna forma se sap que no pot ser ms gran). El tercer tipus de hiptesi alternativa correspon a un cas similar a l'anterior, per en aquesta cas la informaci que es t sobre el parmetre s que aquest no pot ser inferior al valor que es vol contrastar com a cert (0 ). Finalment, el quart tipus de hiptesi alternativa es dona rarament i correspon al cas en que es t molta informaci sobre el parmetre que s'estudia de forma que se sap que si no pren el valor s que sigui igual a un altre valor En aquest sentit, si el parmetre no s igual al valor que es creu (0 ) doncs
aleshores l'nica possibilitat
1 .
Com veurem ms endavant, el primer tipus de hiptesi alternativa dna lloc a un contrast de dues cues, mentre que el segon i tercer tipus donen llocs a contrasts d'una cua per l'esquerra i d'una cua per la dreta respectivament. Finalment, l'ltim tipus de hiptesi dona lloc b a un contrast
d'una cua per l'esquerra (si dreta (si
1 < 0 )
o b a un contrast d'una cua per la
1 > 0 ).
3. Especicar un Estadstic de Contrast (EC) i obtenir el Valor Observar de
l'Estadstic de contrast (VOEC) a partir de les dades de la mostra.

En la prctica, un contrast d'hiptesis en concret es distingeix d'un altre en l'estadstic de contrast que es fa servir. Per tant, de moment es millor no especicar res ms sobre l'estadstic de contrast. En estudiar cada contrast d'hiptesi especc veurem quins sn aquests estadstics. 4. Obtenir quina s la distribuci de l'estadstic de contrast del pas anterior pas anterior, depn de quin s el contrast en concret que estem realitzant i, per tant, ja ho veurem amb ms detall ms endavant. sota el supsit de que la hiptesi nulla s certa. Aix, a l'igual que en el
3.2.
ESTADSTIC DE PROVA I TIPUS D'ERROR
43
5. Obtenir una Zona de Rebuig de mida
(nivell de signicaci)
Aqu s on realment es realitza el contrast. Es tracta de trobar, mitjanant les taules de la distribuci obtinguda al pas 4, una Zona de Rebuig (ZR) tal que tingui la propietat de que si la hiptesi nulla s certa aleshores l'Estadstic de Contrast estar dins d'aquesta ZR amb probabilitat
p(EC ZR) =
En general, aquesta Zona de Rebuig pot estar formada per noms una cua repartida en dues cues simtriques de mida
o b estar cada una d'elles. Tot depn, 2 com hem vist en el pas 2, de la forma que prengui la Hiptesi alternativa.
(contrast d'una cua per l'esquerra o per la dreta) de mida Valor Observat de l'Estadstic de Contrast est, o no, a la Zona de Rebuig que hem trobat. Aix doncs, (a) Si VOEC est a la ZR
6. Finalment, l'ltim pas del contrast consisteix en, simplement, veure si el
(b) SI VOEC NO est a la ZR NULLA
ES REBUTJA LA HIPTESI NULLA
NO ES REBUTJA LA HIPTESI
Notar que la conclusi del contrast s sempre del tipus REBUTJAR o NO REBUTJAR la hiptesi nulla, mai es parla de ACCEPTAR la hiptesi nulla en cas de que no es rebutgi. L'explicaci d'aix s la
segent: si el resultat del contrast s que es rebutja, la interpretaci s que les dades que tenim contradiuen la hiptesi que tenem i, per tant, tenim evidncia emprica en contra d'aquesta hiptesi. Pel contrari, si la conclusi s que no es rebutja, aleshores l'nic que podem dir s que les dades no contradiuen la nostra hiptesis, per no tenim cap evidncia emprica a favor d'ella. Aix s similar a la doctrina que se segueix en un judici. En principi,
la presumpci d'innocncia ens obliga a mantenir la hiptesi que l'acusat s innocent. Si la policia, per, troba prou evidncia emprica que l'incrimina aleshores REBUTGEM la hiptesi d'innocncia i l'acusat es condemnat. Pel contrari, si la policia no troba prou evidncia emprica, la conclusi s que NO PODEM REBUTJAR la hiptesi d'innocncia, la qual cosa no implica ACCEPTAR que sigui innocent, noms que no hem pogut provar que no ho sigui.
3.2 Estadstic de prova i tipus d'error

Com hem vist en l'esquema general que segueix un contrast d'hiptesi, el pas 3 (especicaci de l'estadstic de contrast, EC) s el que en la prctica distingeix un contrast d'un altre. Aix, si volem fer un contrast d'alguna hiptesi que tinguem sobre la mitjana poblacional
el ms natural es que fem servir un
estadstic de contrast basat en la mitjana mostral un contrast sobre la proporci poblacional contrast basat en la proporci mostral
, X
mentre que si volem fer
haurem d'utilitzar un estadstic de
44
CAPTOL 3.
En cada cas, ser necessari recordar i fer servir la distribuci de l'estadstic corresponent que hem vist a la secci 1.3 i les seves propietats.
Estadstic mostral
Distribuci
Esperana
Varincia
X
Mitjana
= X
1 n
n i=1
2 n
N (0, 1) tn1
xi
si es coneix
) = E (X
) = V (X
X
S2 n
2 n
si es desconeix
Varincia
S2 =
1 n1
n i=1 (xi
)2 X
(n1)S 2 2
2 n1
E (S 2 ) = 2
V ( 2 ) =
2 4 n1
Proporci
1 n
n i=1
xi
) N (, (1n )
E ( ) =
V ( ) =
(1 ) 2
Finalment, abans d'estudiar la tcnica concreta per a cada tipus de contrast, veurem els tipus d'errors que es poden donar en realitzar un contrast d'hiptesi. Efectivament, donat que un contrast est basat en eines probabilstiques, les seves conclusions seran vlides amb una determinada probabilitat. Per tant, es pot donar que les conclusions del contrast siguin errnies. En aquest sentit la conclusi d'un contrast pot ser errnia per:
Rebutjar una hiptesi nulla que en realitat s certa No rebutjar una hiptesi nulla que en realitat s falsa
El primer d'aquests error s'anomena Error del tipus I, mentre que el segon s l'Error del tipus II. Els coneguts ltres de correu per eliminar els e-mails no desitjats funcionen d'aquesta manera. Cada vegada que arriba un nou correu el ltre contrasta la hiptesi aquest s un missatge no-desitjat i arriba a una conclusi. Normalment la conclusi a la que arriba s la correcta i classica el missatge convenientment. De vegades, per, el ltre s'equivoca i pot:
Classicar con normal un missatge que en realitat s no-desitjat (Error del tipus I: rebutja errniament la hiptesis que el correu s no-desitjat) Classicat com no-desitjat un missatge que en realitat s normal (Error del tipus II: no rebutja errniament la hiptesis que el correu s nodesitjat)
La taula 3.1 resumeix els diferents tipus d'error i mostra la probabilitat de cada un d'ells
3.3.
CONTRASTOS SOBRE LA MITJANA, LA VARINCIA I LA PROPORCI POBLACIONAL45
H0
certa
H0
falsa
Rebutjar
H0
No Rebutjar
H0
Taula 3.1: Tipus d'errors
Notar que la probabilitat de l'error del tipus I,
s el nivell de signicaci del
contrast. Efectivament, tal i com hem denit la zona de rebuig (ZR) sabem que d'aquesta ZR (i per tant rebutjarem la hiptesi nulla) amb probabilitat si la hiptesi nulla s certa aleshores l'Estadstic de Contrast (EC) estar dins
p(EC ZR) =
Per tant,
s la probabilitat de rebutjar la hiptesi nulla quan aquesta s certa ,

aquesta depn de quin s
Pel que fa a la probabilitat de l'error del tipus II, el valor real del parmetre a estimar.
3.3 Contrastos sobre la mitjana, la varincia i la proporci poblacional

Veurem a continuaci els tres tipus de contrast d'hiptesis bsics. Aquests on:
3.3.1 Contrast d'hiptesis sobre la mitjana poblacional
3.3.2 Contrast d'hiptesis sobre la varincia poblacional 3.3.3 Contrast d'hiptesis sobre la proporci poblacional
Veurem que tots tres casos comparteixen la mateixa estructura com, els 6 passos que hem vist abans. La diferncia vindr, principalment, de l'estadstic de contrast que farem servir en cada cas (i, en conseqncia, la seva distribuci). Veurem tamb que, per a cada cas, els contrasts poden ser d'una o de dues cues, segons quina sigui la hiptesi alternativa corresponent.
3.3.1 Test de la mitjana ()

1. Hiptesi Nulla s el valor de la mitjana poblacional que volem contrastar
(0 = valor
a contrastar)
H0 : = 0
46
CAPTOL 3.
2. Hiptesi Alternativa s all que resulta cert si la hiptesi nulla s falsa. contrast tenim 4 possibilitats Depn de quina
informaci tenim de la mitjana poblacional sobre la que estem fent el
Informaci sobre
Tipus de contrast
Dues Cues
H1 : = 0
Cas ms general. No tenim informaci sobre igual a
Per tant, si no s
noms podem dir que
s diferent
H1 : > 0
Tenim certa informaci sobre que diu que si no s igual a aleshores s ms gran
0 0 0
Una cua per la dreta
H1 : < 0
Tenim certa informaci sobre que diu que si no s igual a aleshores s ms petita
Una cua per l'esquerra
H1 : = 1
Tenim certa informaci sobre que diu que si no s igual a
Una cua per la dreta si
aleshores s igual a un altre valor
1 > 0 o una cua per l'esquerra si 1 < 0
1
3. Estadstic de contrast L'estadstic de contrast (EC) a utilitzar en aquest cas depn de si la varincia poblacional
2 2
s coneguda o no.
coneguda
o X
2 n
desconeguda
EC=
EC=
o X
S2 n
En qualsevol d'aquests casos, el Valor Observat de l'Estadstic de Contrast (VOEC) s'obt substituint en la frmula corresponent els valors corresponents, on
X 0 2 S2 n
Mitjana mostral Valor de la Hiptesi Nulla Varincia poblacional (si es coneix) Varincia mostral (si no es coneix mida mostral
2 )
4. Distribuci de l'Estadstic de Contrast si la hiptesi nulla s certa Tal com hem vist en altres casos tenim que, si s veritat que aleshores
= 0
coneguda
desconeguda
o X
S2 n
o X
2 n
N (0, 1)
tn1
3.3.
5. Zona de Rebuig de mida
La zona de rebuig es trobar de manera diferent segons sigui un contrast d'una o de dos cues, depenent de quina forma prengui la hiptesi alternativa (a) Contrast de dues cues. hiptesi alternativa del tipus Correspon al cas en qu tenim una
H1 : = 0
/2
/2
Z1/2 1/2
Z1/2 t1/2
Figura 3.1: Zona de Rebuig en el contrast de dues cues
Els valors que limiten la Zona de Rebuig, trobar a les taules de la
N (0, 1)
o de la
de llibertat respectivament segons
Z1 i t1 s'han de 2 2 t Student amb n 1 graus 2 sigui el cas de que coneixem o

Correspon al cas en qu (o b del tipus
no tal com s'ha explicat abans. (Veure gura 3.1) (b) Contrast d'una cua per la dreta. tenim una hiptesi alternativa del tipus
H1 : > 0
H1 : = 1 i 1 > 0 )
Els valors que limiten la Zona de Rebuig, a les taules de la respectivament
Z1 i t1 s'han de trobar N (0, 1) o de la tstudent amb n1 graus de llibertat 2 segons sigui el cas de que coneixem o no tal com
s'ha explicat abans. (Veure gura 3.2) (c) Contrast d'una cua per l'esquerra. Correspon al cas en qu tenim una hiptesi alternativa del tipus
H1 : < 0
(o b del tipus
H1 : = 1 i 1 < 0 )
48
CAPTOL 3.
Z1 t1
Figura 3.2: Zona de Rebuig en el contrast d'una cua per la dreta
Els valors que limiten la Zona de Rebuig, a les taules de la respectivament
Z1 i t1 s'han de trobar N (0, 1) o de la tstudent amb n1 graus de llibertat 2 segons sigui el cas de que coneixem o no tal com
s'ha explicat abans. (Veure gura 3.3) 6. Conclusi del contrast Es tracta nalment de veure si el Valor Observat de l'Estadstic de que el contrast rebutja la Hiptesi NulLa. Si no hi est, direm que No
Contrast (VOEC) est, o no, en la Zona de Rebuig. Si hi est, direm es rebutja la Hiptesi Nulla.
Veiem alguns exemples
Exemple 3.3.1 Sigui
{x1 , x2 , , x100 } una mostra aleatria de mida 100 obtinguda de una poblaci Normal de mitjana poblacional desconeguda i varincia 2 = 1.000.000. Contrastar la hiptesi que que la mitjana poblacional s igual 25.000 si = 0.05)
a sabem que la mitjana mostral s
= 26.000. X
(nivell de signicaci
1. Hiptesi Nulla s el valor de la mitjana poblacional que volem contrastar
(0 = 25.000 en
aquest cas)
H0 : = 25.000
2. Hiptesi Alternativa s all que resulta cert si la hiptesi nulla s falsa.
3.3.
Z1 1
Figura 3.3: Zona de Rebuig en el contrast d'una cua per l'esquerra
si nulla s falsa, escollim la forma ms general de la hiptesi alternativa
Com que no tenim cap informaci sobre valors alternatius de
si la hipte-
H1 : = 25.000
3. Estadstic de contrast
2 L'estadstic de contrast ( EC) a utilitzar en aquest cas que coneixem , s
EC =
o X
2 n
El valor observat de l'estadstic de contrast (VOEC) s'obt substituint els valors corresponents en la frmula
V OEC =
26.000 25.000
1.000.000 100
1.000 = 10 100
4. Distribuci de l'Estadstic de Contrast si la hiptesi nulla s certa Tal com he vist, si la hiptesi nulla s certa, s a dir, si aleshores
= 25.000
o X
2 n
N (0, 1)
= 0.05
La zona de rebuig es troba de manera diferent segons sigui un contrast d'una o de dues cues. En aquest cas tenim un Contrast de dues cues ja que la hiptesi alternativa s de la forma
H1 : = 0
50
CAPTOL 3.
/2
/2
Z1/2 1/2
Z1/2 t1/2
Els valors que limiten la zona de rebuig,
Z1 2
els trobarem a la taula
N (0, 1)
Aix, si
= 0.05
aleshores 2
= 0.025 1
i:
= 0.975 2
Busquem a les taules el valor
Z1 = Z0.975 2
s a dir, el valor d'una itat de
N (0, 1)
que deixa a la seva esquerra una probabil-
0.975.
A les taules:
Z0.975 = 1.96
Per tant,
/2
/2
-1.96
1.96
6. Conclusi del contrast Finalment hem de veure si el Valor observat de l'estadstic de con-
trast (VOEC) est, o no, a la Zona de Rebuig.

Clarament, en aquest cas est. Tenim
V OEC = 10 > 1.96

Diem aleshores que el contrast rebutja la hiptesi nulla
3.3.
Exemple 3.3.2 Sigui {x1 , x2 , , x100 } una mostra aleatria de mida 100 obtinguda de una poblaci Normal de mitjana poblacional desconeguda i varincia 2 = 230.400. Contrastar la hiptesi que que la mitjana poblacional s igual
1.000 contra l'alternativa de ser inferior = 950. (nivell de signicaci = 0.05) X

a 1. Hiptesi nulla
si sabem que la mitjana mostral s
s el valor de la mitjana poblacional que volem contrastar
(0 = 1.000 en
aquest cas)
H0 : = 1.000
2. Hiptesi Alternativa s all que resulta cert si la hiptesi nulla s falsa. Com que tenim informaci que diu que si la hiptesi nulla s falsa aleshores
ser menor, especiquem una hiptesi alternativa de la forma
H1 : < 1.000
2 L'estadstic de contrast ( EC) a utilitzar en aquest cas que coneixem , s
EC =
o X
2 n
V OEC =
950 1000
230.400 100
50 = 1.042 48
= 1.000
o X
2 n
N (0, 1)
= 0.05
La zona de rebuig es troba de manera diferent segons sigui un contrast d'una o de dues cues. En aquest cas tenim un Contrast d'una cua per l'esquerra ja que la hiptesi alternativa s de la forma
H1 : < 0
52
CAPTOL 3.
Z1 1
Z1
N (0, 1)
Aix, si
= 0.05
aleshores
1 = 0.95
Z1 = Z0.95
N (0, 1)
0.975.
A les taules:
Z0.95 = 1.645
Per tant,
-1.645

Clarament, en aquest cas NO est. Tenim
V OEC = 1.042 > 1.645

Diem aleshores que el contrast NO rebutja la hiptesi nulla
3.3.
Exemple 3.3.3 Sigui {x1 , x2 , , x100 } una mostra aleatria de mida 100 obtinguda de una poblaci Normal de mitjana i varincia poblacional desconegudes.
Contrastar la hiptesi que que la mitjana poblacional
s igual a
= l'alternativa de ser inferior si sabem que la mitjana mostral s X 2 varincia mostral s S = 200.000. (nivell de signicaci = 0.05)
1. Hiptesi nulla s el valor de la mitjana poblacional que volem contrastar(0
1.000 contra 1100 i la
= 1.000en
aquest cas)
H0 : = 1.000
2. Hiptesi Alternativa s all que resulta cert si la hiptesi nulla s falsa. Com que tenim informaci que diu que si la hiptesi nulla s falsa aleshores
ser ms gran, especiquem una hiptesi alternativa de la forma
H1 : > 1.000
3. Estadstic de contrast L'estadstic de contrast ( EC) a utilitzar en aquest cas que NO coneixem 2 , s
TS =
o X
S2 n
V OEC =
1.100 1000
200.000 100
100 = 2.236 44.72
= 1.000
o X
S2 n
tn1 = t99
= 0.05
La zona de rebuig es troba de manera diferent segons sigui un contrast d'una o de dues cues. En aquest cas tenim un Contrast d'una cua per la dreta ja que la hiptesi alternativa s de la forma
H1 : > 0
54
CAPTOL 3.
Z1 t1
El valor que limita la zona de rebuig, t1 el trobarem a la taula tn1 Aix, si
= t99
= 0.05
aleshores
1 = 0.95
t1 = t0.95
s a dir, el valor d'una probabilitat de
0.975.
A les taules:
t student
que deixa a la seva esquerra una
t0.95 = 1.66
Per tant,
1.66

Clarament, en aquest cas est. Tenim
V OEC = 2.236 > 1.66

3.3.
3.3.2 Test de la varincia (2 )

1. Hiptesi Nulla s el valor de la varincia poblacional que volem contrastar
2 = valor (0
a contrastar)
2 H0 : 2 = 0
informaci tenim de la varincia poblacional sobre la que estem fent el
Informaci sobre
Tipus de contrast
Dues Cues
H1 : =
2 0
2 .
Per tant, si no s
2 0
noms podem dir que
s diferent
2 H1 : 2 > 0
2 2 0 2 2 0 2 2 0
2 H1 : 2 < 0
2 H1 : 2 = 1
2 1
2 2 1 > 0 una cua per l'es2 2 querra si 1 < 0
L'estadstic de contrast (EC ) a utilitzar en aquest cas s:
EC =
(n 1)S 2 2 0
El Valor Observat de l'Estadstic de Contrast (VOEC ) s'obt substituint en la frmula corresponent els valors corresponents, on
2 0 S2 n
Valor de la Hiptesi Nulla Varincia mostral mida mostral
2 2 = 0
(n 1)S 2 2 n1 2 0
La zona de rebuig es trobar de manera diferent segons sigui un contrast d'una o de dos cues, depenent de quina forma prengui la hiptesi alternativa
56
CAPTOL 3.
(a) Contrast de dues cues. hiptesi alternativa del tipus
Correspon al cas en qu tenim una
2 H1 : 2 = 0
/2
/2
/2
1/2
Els valors que limiten la Zona de Rebuig, a les taules de la
2 1
2
2 , s'han de trobar
2
amb
(b) Contrast d'una cua per la dreta. tenim una hiptesi alternativa del tipus
n1
graus de llibertat. (Veure gura 3.4) Correspon al cas en qu (o b del tipus
2 2 2 H1 : 2 = 1 i 1 > 0 )
2 H1 : 2 > 0
El valor que limita la Zona de Rebuig, taules de la
2 1 ,
s'ha de trobar a les
amb
(c) Contrast d'una cua per l'esquerra. Correspon al cas en qu tenim una hiptesi alternativa del tipus
n1
graus de llibertat. (Veure gura 3.5)
H1 : =
2 2 i 1 1
<
2 0 )
2 H1 : 2 < 0
(o b del tipus
El valor que limita la Zona de Rebuig, de la
2 ,
s'ha de trobar a les taules
amb
n1
graus de llibertat. (Veure gura 3.6)
6. Conclusi del contrast Es tracta nalment de veure si el Valor Observat de l'Estadstic de que el contrast rebutja la Hiptesi NulLa. Si no hi est, direm que No
Contrast (VOEC) est, o no, en la Zona de Rebuig. Si hi est, direm
es rebutja la Hiptesi Nulla.
3.3.
1
Exemple 3.3.4 Sigui {x1 , x2 , , x100 } una mostra aleatria de mida 100 obtinguda d'una poblaci Normal amb mitjana i varincia desconegudes. Contrastar 2 la hiptesi que la varincia poblacional s igual a 230.400 si sabem que la 2 varincia mostral s S = 200.000. (nivell de signicaci = 0.05)
1. Hiptesi Nulla s el valor de la varincia poblacional que volem contrastar

2 (0 = 230.400en
aquest cas)
H0 : 2 = 230.400
2. Hiptesi Alternativa s all que resulta cert si la hiptesi nulla s falsa nulla s falsa, escollim la forma ms general de la hiptesi alternativa Com que no tenim cap informaci sobre el possible valor de
si la hiptesi
H1 : 2 = 230.400
3. Estadstic de Contrast L'Estadstic de Contrast ( EC) a utilitzar en aquest cas s:
EC
(n 1)S 2 2 0
58
CAPTOL 3.
El Valor Observat de l'Estadstic de Contrast ( VOEC) l'obtenim substituint a la frmula els valors corresponents:
V OEC =
99200.000 = 85.94 230.400
4. Distribuci de l'Estadstic de Contrast si la hiptesi nulla s certa Tal com hem vist tenim que, si s veritat que
2 2 = 0 ,
aleshores
(n 1)S 2 2 n1 2 0
= 0.05
La zona de rebuig es trobar de manera diferent segons sigui un contrast d'una o de dos cues, depenent de quina forma prengui la hiptesi alternativa En aquest cas tenim un Contrast de dues cues ja que la hiptesi 2 2 alternativa s de la forma H1 : = 0
3.3.
/2
/2
/2
2 Els valors que limiten la Zona de Rebuig, 1 i 2 2 les taules de la amb n 1 graus de llibertat.
1/2
2 ,
2
s'han de trobar a
Aix, si
= 0.05
tenim que 2
= 0.025
Per tant, hem de buscar a les taules els valors
= 0.975
2 1 2
2 2
= 2 0.975 = 2 0.025
i trobem:
2 1 2
2 2
= =
2 0.975 = 129.561 2 0.025 = 74.22
Per tant,
/2
/2
74.22
129.561
60
CAPTOL 3.
6. Conclusi del contrast Es tracta nalment de veure si el Valor Observat de l'Estadstic de
Contrast (VOEC) est, o no, en la Zona de Rebuig.

En aquest cas, clarament NO ja que tenim
74.22 < 85.94 < 129.561 V OEC ZR

Direm aleshores que el contrast no rebutja la Hiptesi Nulla.
3.3.3 Test de la proporci poblacional ()

1. Hiptesi Nulla s el valor de la proporci poblacional que volem contrastar
(0 = valor
a contrastar)
H0 : = 0
informaci tenim de la proporci poblacional sobre la que estem fent el
Informaci sobre
Tipus de contrast
Dues Cues
H1 : = 0
Per tant, si no s
noms podem dir que
s diferent
H1 : > 0
0 0 0
H1 : < 0
H1 : = 1
1 > 0
una cua per l'es-
querra si
1 < 0
1
3. Estadstic de contrast L'estadstic de contrast (EC ) a utilitzar en aquest cas s
EC =
0 (10 ) n
El Valor Observat de l'Estadstic de Contrast (VOEC ) s'obt substituint en la frmula els valors corresponents, on
3.3.
0 n
Proporci mostral Valor de la Hiptesi Nulla mida mostral
1
= 0
0 (10 ) n
N (0, 1)
H1 : = 0
/2
/2
Z1/2
Z1/2
, Z1 2
N (0, 1).
(Veure gura 3.7) Correspon al cas en qu (o b del tipus
(b) Contrast d'una cua per la dreta. tenim una hiptesi alternativa del tipus
H1 : > 0
H1 : = 1 i 1 > 0 )
1 Recordeu
ms a prop de
que aix s una aproximaci, que ser tan ms bona quant ms alta sigui
0, 5
estigui
0 .
En concret, caldria que
n0 (1 0 ) > 5
62
CAPTOL 3.
Z1
Z1 ,
N (0, 1).
(Veure gura 3.8)
(c) Contrast d'una cua per l'esquerra. Correspon al cas en qu tenim una hiptesi alternativa del tipus
H1 : < 0
(o b del tipus
H1 : = 1 i 1 < 0 )
Z1
Z1 ,
N (0, 1).
(Veure gura 3.9)
6. Conclusi del contrast
3.3.
Es tracta nalment de veure si el Valor Observat de l'Estadstic de

que el contrast rebutja la Hiptesi NulLa. Si no hi est, direm que No
Exemple 3.3.5 Al darrer Barmetro de Opinin amb intenci de vot del

Centro de Investigaciones Sociolgicas (Gener 2010), un 40% dels 2.477 in-
dividus entrevistats van declarar que votarien al PP en unes noves eleccions. Contrastar la hiptesi de que el PP obtindria ms del 35% dels vots en unes hipottiques eleccions. (nivell de signicaci
= 0.05)
1. Hiptesi Nulla s el valor de la proporci poblacional que volem contrastar
(0 = 0.35en
aquest cas)
H0 : = 0.35
2. Hiptesi Alternativa s all que resulta cert si la hiptesi nulla s falsa. En aquest cas, com que volem contrastar si el PP podria obtindre ms del 35% dels vots, utilitzem la hiptesi alternativa:
H1 : > 0.35
3. Estadstic de contrast L'estadstic de contrast (EC) a utilitzar en aquest cas s
EC =
0 (10 ) n
El Valor Observat de l'Estadstic de Contrast (VOEC) s'obt substituint en la frmula els valors corresponents,
VOEC
0.4 0.35
= 5.22
0.35(10.35) 2.477
= 0
0 (10 ) n
N (0, 1)
Comprovem la condici
n0 (1 0 ) > 5
n0 (1 0 ) = 2477(0.35)(1 0.35) = 563.52
64
CAPTOL 3.
= 0.05
La zona de rebuig es trobar de manera diferent segons sigui un contrast d'una o de dos cues, depenent de quina forma prengui la hiptesi alternativa En aquest cas tenim un Contrast d'una cua per la dreta ja que la hiptesi alternativa s de la forma
H1 : > 0
Z1
El valor que limita la Zona de Rebuig, de la
Z1 ,
s'ha de trobar a les taules
N (0, 1). = 0.05

aleshores
En aquest cas, si
1 = 0.95
Busquem a les taules i trobem:
Z1 = Z0.95 = 1.645
Per tant,
1.645
3.4.
CONTRASTOS DE DIFERNCIES
65
Es tracta nalment de veure si el Valor Observat de l'Estadstic de

Clarament, en aquest cas SI que hi est. Tenim:
V OEC = 5.22 > 1.96 V OEC ZR

Direm aleshores que el contrast rebutja la Hiptesi Nulla.
Notar que en aquest cas estem rebutjant la hiptesi l'alternativa
H0 : = 0.35
contra
H1 : > 0.35.
Per tant, la conclusi del contrast s que l'enquesta no permet rebutjar la hiptesi de que el PP pot obtindre ms del 35% dels vots en unes properes eleccions
3.4 Contrastos de diferncies

Moltes vegades, el que ens interessa contrastar no s quin s el valor d'un determinat parmetre poblacional com hem vist en l'apartat anterior (per exemple: s el salari mig a Cerdanyola de 30.000e anuals ?) sin comparar aquest parmetre poblacional amb altres parmetres relacionats. Per exemple, podrem estar interessats en contrastar si el salari mig a Cerdanyola enguany s igual o superior al de l'any passat o, en un altre cas, si el salari mig a Cerdanyola s igual al salari mig en Sant Cugat. s a dir, ara estarem interessats en comparar els
parmetres poblacionals de dues poblacions, ja sigui dues poblacions

fsicament diferents (com en el cas de comparar els salaris mitjos de Cerdanyola i Sant Cugat) o la mateixa poblaci en dos moments diferents (com en el cas de comparar el salari mig de Cerdanyola d'enguany amb el de l'any passat). En qualsevol d'aquests dos ltims casos, el que es realitza s un contrast de
comparaci de mostres. El que tenim ara sn dues poblacions (Poblaci 1

i Poblaci 2) cada una de elles amb les seus parmetres poblacionals corresponents (1 ,
2 1 i 1
per la primera poblaci i
2 2 , 2 i 2
per la segona poblaci).
D'aquestes dues poblacions obtenim dues mostres (Mostra 1 i Mostra 2) que poden ser de mides diferents (n1 i
n2 )
a partir de les quals obtenim els correper la segona poblaci)
sponents estadstics mostrals que ens serviran per a fer els contrastos que calgui
1, (X
2 S1 i 1
per la primera poblaci i
2, S 2 i X 2 2
De forma resumida , el que tenim s: Poblaci 1 Poblaci 2
2 1 , 1 i 1
Mostra 1
2 2 , 2 i 2
Mostra 2
x11 x21
. . .
x12 x22
. . .
x n1 1 1, S 2 i X 1 1
x n2 2 2, S 2 i X 2 2
A partir d'aqu podem fer contrastos sobre:
66
CAPTOL 3.
1. La diferncia de mitjanes entre les dues poblacions: 2. La diferncia de varincies entre les dues poblacions
1 2
2 2 1 2
3. La diferncia de proporcions entre les dues poblacions
1 2
3.4.1 Contrast sobre la diferncia de mitjanes

Es tracta de contrastar si la diferncia entre les mitjanes de dues poblacions s igual a un determinat valor
o no. Per exemple, podrem contrastar si el
salari mig a Cerdanyola s igual al salari mig a Sant Cugat (1
altre exemple seria contrastar si el temps mig de son abans de prendre un nou somnfer s igual al temps mig de son desprs de prendre'l (per tal de comprovar l'eccia d'aquest somnfer) Els sis passos que corresponen a aquest contrast sn: 1. Hiptesi Nulla s el valor de la diferncia entre les mitjanes poblacionals que volem contrastar
2 = 0).
Un
(0 = difer` encia
a contrastar)
H0 : 1 2 = 0
2. Hiptesi Alternativa s all que resulta cert si la hiptesi nulla s falsa. Depn de quina
informaci tenim sobre les mitjanes poblacionals. Tenim 4 possibilitats
Informaci sobre
1 i 2
Tipus de contrast
Dues Cues
H1 : 1 2 = 0
Cas ms general. No tenim informaci sobre les mitjanes poblacionals. Per tant, si la diferncia no s igual a
noms podem dir Una cua per la dreta
que s diferent
H1 : 1 2 > 0
Tenim certa informaci sobre les mitjanes que diu que si la diferncia no s igual a ms gran
aleshores s Una cua per l'esquerra
H1 : 1 2 < 0
Tenim certa informaci sobre les mitjanes que diu que si la diferncia no s igual a ms petita
aleshores s Una cua per la dreta si
H1 : 1 2 = 1
Tenim certa informaci sobre les mitjanes que diu que si la diferncia no s igual a
1 > 0
una cua per l'es-
aleshores s
querra si
1 < 0
igual a un altre valor 3. Estadstic de contrast
L'estadstic de contrast (EC) a utilitzar en aquest cas depn de si les varincies poblacionals
2 2 1 i 2
sn conegudes o no.
3.4.
67
2 2 1 i 2
EC=
conegudes
1 X 2 )o (X
2 1 n1 2 + n2 2
2 2 1 o 2
desconeguda
1 X 2 )o (X
S2 n1
EC=
+S n
1 i X 2 X 0 2 2 1 i 2 2 S n1 i n2
Mitjanes mostrals Valor de la Hiptesi Nulla Varincies poblacionals (si es coneixen) Varincia mostral com (si no es coneix Mides mostrals
2 2 1 o 2 )
En les frmules anteriors, el valor de la Varincia mostral com
S2
(que
2 2 s'utilitza si no es coneix 1 o 2 ) s'obt mitjanant l'expressi
S2 =
on
2 S1
2 S2
2 2 (n1 1)S1 + (n2 1)S2 n1 + n2 2
sn les varincies mostrals de la primera i la segona mostra
respectivament. La ra d'utilitzar aquesta estimaci com de la varin-
cia poblacional per a les dues mostres s que per tal de que aquest
contrast tingui sentit (la comparaci de les dues mitjanes poblacionals) cal que les dues poblacions siguin comparables. Tcnicament aix equival a demanar que les dues poblacions tinguin una varincia poblacional semblant. D'aqu, doncs, que s'utilitzi un estimador com (S ) de la varincia per a les dues poblacions 4. Distribuci de l'Estadstic de Contrast si la hiptesi nulla s certa Tal com hem vist en altres casos tenim que, si s veritat que aleshores
1 2 = 0
2 2 1 i 2
conegudes
2 2 1 o 2
desconeguda
1 X 2 )o (X
2 1 n1 2 + n2 2
N (0, 1)
1 X 2 )o (X
S2 n1
+S n
2 2
tn1 +n2 2
H1 : 1 2 = 0 Z1 2 t student t1 s'han de 2 amb n1 + n2 2

i
Els valors que limiten la Zona de Rebuig, trobar a les taules de la
N (0, 1)
o de la
graus de llibertat respectivament segons sigui el cas de que coneixem les dues varincies poblacionals o no tal com s'ha explicat abans. (Veure gura 3.10)
68
CAPTOL 3.
/2
/2
Z1/2 1/2
Z1/2 t1/2
(b) Contrast d'una cua per la dreta. tenim una hiptesi alternativa del tipus tipus
Correspon al cas en qu (o b del
H1 : 1 2 = 1 i 1 > 0 )
H1 : 1 2 > 0
llibertat respectivament segons sigui el cas de que coneixem les dues varincies poblacionals o no tal com s'ha explicat abans. gura 3.11) (c) Contrast d'una cua per l'esquerra. Correspon al cas en qu tenim una hiptesi alternativa del tipus tipus (Veure
Z1 i t1 s'han de trobar N (0, 1) o de la t student amb n1 + n2 2 graus de
H1 : 1 2 = 1 i 1 < 0 )
H1 : 1 2 < 0
(o b del
llibertat respectivament segons sigui el cas de que coneixem les dues varincies poblacionals o no tal com s'ha explicat abans. gura 3.12) 6. Conclusi del contrast
Z1 i t1 s'han de trobar N (0, 1) o de la t student amb n1 n2 2 graus de

(Veure
Es tracta nalment de veure si el Valor Observat de l'Estadstic de que el contrast rebutja la Hiptesi NulLa. Si no hi est, direm que No
Exemple 3.4.1 Un consumidor est dubtant entre dues marques a l'hora de decidir quines bombetes de baix consum comprar. Tant el fabricant de les bombetes
3.4.
69
Z1 t1
de la marca A com el fabricant de la marca B asseguren que el temps promig de vida de les seves bombetes s de 10.000 hores. El consumidor, per, consulta un informe sobre aquest tipus de bombetes en el qual, a partir d'una prova amb 50 bombetes de la marca A i 45 bombetes de la marca B, es van observar unes durades mitjanes de 9.430 hores per les de la marca A i de 9.660. Se sap, a ms, per que la forma de produir aquestes bombetes, al varincia real en els dos 2 2 casos s de 1 = 2 = 10.000. Podem dir que les bombetes de les dues marques tenen la mateixa vida esperada ? (nivell de signicaci = 0.05) En aquest cas tenim :
Poblaci 1 (Marca A)
2 1 = desconeguda, 1 = 10.000 Mostra 1 (n1 = 50) 1 = 9.430 X
Poblaci 2 (Marca B)
2 2 = desconeguda, 2 = 10.000 Mostra 2 (n2 = 45) 2 = 9.660 X
1. Hiptesi nulla s el valor de la diferncia de mitjanes poblacionals que volem contrastar(0
0 en
aquest cas)
H0 : 1 2 = 0
2. Hiptesi Alternativa s all que resulta cert si la hiptesi nulla s falsa. Com que en principi cap bombeta sembla millor que l'altre, especiquem una hiptesi alternativa de la forma
70
CAPTOL 3.
Z1 1
H1 : 1 2 = 0
3. Estadstic de contrast L'estadstic de contrast ( EC) a utilitzar en aquest cas que coneixem s
2 2 1 i 2 ,
EC =
1 X 2 )o (X
2 1 n1
+ n2
2 2
V OEC =
(9.430 9.660) 0
10.000 50
10.000 45
230 = 11.19 20.55
1 2 = 0
1 X 2 ) o (X
2 1 n1
2 2 n2
N (0, 1)
= 0.05
La zona de rebuig es troba de manera diferent segons sigui un contrast d'una o de dues cues. En aquest cas tenim un Contrast de dues cues ja que la hiptesi alternativa s de la forma
H1 : 1 2 = 0
3.4.
71
/2
/2
Z1/2
Z1/2
Z1 2
N (0, 1)
Aix, si
= 0.05
aleshores 2
= 0.025 1
i:
= 0.975 2
Z1 = Z0.975 2
N (0, 1)
0.975.
A les taules:
Z0.975 = 1.96
Per tant,
/2
/2
-1.96
1.96

Clarament, en aquest cas hi est. Tenim
V OEC = 11.19 < 1.96
72
CAPTOL 3.
Exemple 3.4.2 Un fabricant de vidres climatitzats utilitza dues mquines diferents per la producci dels seus vidres. El fabricant sospita que una de les mquines (mquina A) produeix els vidres amb un allament inferior a l'altre (mquina B). Per a contrastar aquesta hiptesi, el fabricant comprova el nivell d'allament de 50 vidres produts a cada mquina. Aix, de la mostra estudiada a partir dels vidres produts a la mquina A observa que l'allament mig s de 0.81, mentre que a la mostra obtinguda a la mquina B l'allament mig s de 2 0.85. Aix mateix, les varincies mostrals corresponents sn de S1 = 0.01 en el 2 primer cas i de S2 = 0.015 pel que fa a la mquina B. T ra el fabricant o les dues mquines produeixen els mateixos resultats ? En aquest cas tenim :
Poblaci 1 (Mquina A)
2 1 = desconeguda, 1 = desconeguda Mostra 1 (n1 = 50) 1 = 0.81, S 2 = 0.01 X 1
Poblaci 2 (Mquina B)
2 2 = desconeguda, 2 = desconeguda Mostra 2 (n2 = 50) 2 = 0.85, S 2 = 0.015 X 2
1. Hiptesi nulla s el valor de la diferncia de mitjanes poblacionals que volem contrastar(0
0 en
aquest cas)
H0 : 1 2 = 0
2. Hiptesi Alternativa s all que resulta cert si la hiptesi nulla s falsa. Com que el fabricant sospita que nativa de la forma
1 < 2 ,
especiquem una hiptesi alter-
H1 : 1 2 < 0
3. Estadstic de contrast L'estadstic de contrast ( EC) a utilitzar en aquest cas que NO coneixem
2 2 1 i 2 ,
EC =
1 X 2 )o (X
S2 n1
+S n
2 2
on
S2
correspon a la Varincia mostral com
S2
que s'obt mitjanant
l'expressi
S2 =
2 2 (n1 1)S1 + (n2 1)S2 n1 + n2 2
3.4.
73
essent
2 S1
2 S2
les varincies mostrals de la primera i la segona mostra
respectivament. El valor observat de l'estadstic de contrast (VOEC) s'obt substituint els valors corresponents en la frmula. Calculem en primer lloc la Varincia mostral com S 2
S2 =
Per tant,
2 2 49 0.01 + 49 0.015 (n1 1)S1 + (n2 1)S2 = = 0.0125 n1 + n2 2 50 + 50 2
V OEC =
(0.81 0.85) 0
0.0125 50
0.0125 50
0.04 = 1.789 0.022
1 2 = 0
1 X 2 ) o (X
S2 n1
S2 n2
tn1 +n2 2
= 0.05
La zona de rebuig es troba de manera diferent segons sigui un contrast d'una o de dues cues. En aquest cas tenim un Contrast d'una cua per l'esquerra ja que la hiptesi alternativa s de la forma
H1 : 1 2 <0
t1
El valor que limita la zona de rebuig,
tn1 +n2 2 = t98

Aix, si
t1 ,
el trobarem a la taula de la
= 0.05
aleshores
1 = 0.95
t1 = t0.95 = 1.66
Per tant,
74
CAPTOL 3.
1.66
Finalment hem de veure si el Valor observat de l'estadstic de con-

Clarament, en aquest cas hi est. Tenim
V OEC = 1.789 < 1.66

s a dir, estem rebutjant que les dues mitjanes siguin iguals. Aix, doncs, indica que el fabricant podria tenir ra
3.4.2 Contrast sobre la diferncia de varincies

Es tracta, en aquest cas, de contrastar si dues poblacions tenen, o no, la mateixa varincia poblacional. Aquest s un contrast especial per tres motius:
1. Noms es contrasta si les dues varincies sn iguals o no, s a dir, la Hiptesi nulla sempre s la mateixa
2 2 H0 : 1 = 2
2. El contrast sempre s'ha de realitzar seguint un ordre molt estricte, la qual cosa es realitza en un pas previ als 6 passos habituals del contrast 3. El contrast s important perqu permet veure si dues poblacions semblen tenir, o no, la mateixa varincia, la qual cosa s important per a la realitzaci d'altres contrastos de comparaci de mostres. Efectivament, com hem vist en el cas anterior, el contrast sobre la diferncia de mitjanes noms t sentit si les dues poblacions que es comparen sn comparables (i aix ho formulvem dient que les dues poblacions havien de tenir la mateixa varincia)
Aix doncs, en aquest cas especial el contrast comenar amb una pas previ (pas 0) on s'estableix l'ordre dels elements del contrast.
3.4.
75
0.
Pas Previ
D'aquesta manera, un cop
De les dues mostres que tenim, canviem la seva denominaci de forma que SEMPRE la mostra amb la varincia mostral ms gran sigui la mostra 1, essent la mostra 2 la que t la varincia mostral menor. denominades les mostres, sempre tindrem que
2 2 S1 > S2
1. Hiptesi Nulla Sempre s la mateixa i, com hem dit abans, sempre consisteix en veure si les dues varincies poblacionals sn iguals o no. Degut a l'estructura del contrast, la forma correcta d'especicar aquesta Hiptesi nulla s:
H0 :
2. Hiptesi Alternativa
2 1 2 =1 2
s all que resulta cert si la hiptesi nulla s falsa. En aquest contrast en concret, noms hi dues possibilitats per la Hiptesi alternativa (degut, un cop ms, a la seva estructura especial)
Informaci sobre
H1 :
2 1 2 2
2 2 1 i 2 2 2 .
Per
Tipus de contrast
Dues Cues
=1
Cas ms general. No tenim informaci sobre
2 1
ni sobre
tant, si no sn iguals noms podem dir que sn diferents

2 1 2 2
H1 :
>1
2 1 2 i 2 que diu que si no sn iguals aleshores una de les dues s ms

Tenim certa informaci sobre gran. Degut a la denominaci feta en el Pas 0, la ms gran sempre ser
2 1
3. Estadstic de contrast L'estadstic de contrast (EC) a utilitzar en aquest cas s:
E.C.
2 S1 2 S2
El Valor Observat de l'Estadstic de Contrast (VOEC) s'obt substituint en la frmula corresponent els valors corresponents, on
2 S1 2 S2
Varincia mostral de la primera mostra Varincia mostral de la segona mostra
Notar que, donat que hem denominat les mostres de forma que sempre tindrem que VOEC>
2 2 > S2 , S1
76
CAPTOL 3.
4. Distribuci de l'Estadstic de Contrast si la hiptesi nulla s certa En aquest cas, l'Estadstic de Contrast que es fa servir segueix una distribuci anomenada
de Snedecor. Aquesta distribuci, a l'igual que la
t student
o la
tamb est caracteritzada pels seus graus de lliber-
tat. La diferncia, per, s que aquesta denominador. Aix, si escrivim:
graus de llibertat, els corresponents al numerador i els corresponents al
F snedecor
t una parella de
2 S1 2 F(n1 1,n2 1) S2
estem dient que l'Estadstic de contrast
2 S1 2 es distribueix segons una S2
snedecor
amb
mostra corresponent al
n1 1
graus llibertat al numerador (s a dir la mida de la
2 S1
que hi ha al numerador menys 1) i
llibertat al denominador (s a dir la mida de la mostra corresponent al que hi ha al denominador menys 1).
n2 1 graus 2 S2
Cal recordar que s molt important respectar l'ordre establert en el Pas 0 del contrast, s a dir, tot el referent a la mostra 1 (tot el que porta el subndex 1 ) ha de correspondre a la mostra que t la varincia mostral (S ) major. En aquest sentit, els graus de llibertat del numerador sn la mida d'aquesta mostra 1 menys 1: mira les taules de la
F snedecor
per trobar la Zona de Rebuig.
n1 1 .
Aix s important quan es
La zona de rebuig es trobar de manera diferent segons sigui un contrast d'una o de dos cues, depenent de quina forma prengui la hiptesi alternativa. En aquest contrast especial, per, sigui d'una o de dues
cues, l'nic que importar sempre s la cua de la dreta

(a) Contrast de dues cues. hiptesi alternativa del tipus Correspon al cas en que tenim una
H1 :
2 1 2 2
=1
de trobar
zona de rebuig ho estar en la cua de la dreta. Per la forma en que
F1 i F , noms s'ha 2 2 F1 a les taules de la F amb n1 1 graus de llibertat al 2 numerador i n2 1 graus de llibertat al denominador. L'altre valor, F , no fa falta en cap cas ja que donat que el VOEC> 1, si est a la 2
Dels valors que limiten la Zona de Rebuig,
s'ha realitzat el contrast (la denominaci de les dades que hem fet al pas 0), el Valor Observat de l'Estadstic de Contrast mai estar a la cua de l'esquerra. (Veure gura
3.13) (b) Contrast d'una cua per la dreta. tenim una hiptesi alternativa del tipus Correspon al cas en que
2 1 2 2
H1 :
>1
F1 ,
amb
graus de llibertat al denominador. (Veure gura 3.14)
n1 1
graus de llibertat al numerador i
n2 1
3.4.
77
/2
/2
(no cal buscar-lo)
F1/2
Contrast (VOEC) est, o no, en la Zona de Rebuig. Si est, direm es rebutja la Hiptesi Nulla.
que el contrast rebutja la Hiptesi NulLa. Si no est, direm que No
Exemple 3.4.3 Per l'anlisi de les cotitzacions a borsa de diferents accions,

la varincia dels preus d'aquestes accions acostuma a fer-se sevir com a mesura del risc associat a cada una. En aquest sentit, la observaci de 50 cotitzacions de les accions de l'empresa A va donar com a resultat una varincia de 3.9, mentre que 100 cotitzacions de les accions de l'empresa B oferien una varincia de 4.1. Pot concloure's que les accions de les dues empreses tenen el mateix risc associat ? En aquest cas tenim :
Poblaci 1 (Empresa A)
2 1 = desconeguda, 1 = desconeguda Mostra 1 (n1 = 50) 2 S1 = 3.9
Poblaci 2 (Empresa B)
0 . Pas Previ
78
CAPTOL 3.
F1
De les dues mostres que tenim, canviem la seva denominaci de forma que SEMPRE la mostra amb la varincia mostral ms gran sigui la mostra 1, essent la mostra 2 la que t la varincia mostral menor. Per tant, hem de re-ordenar les nostres mostres de forma que:
Poblaci 1 (Empresa B)
Poblaci 2 (Empresa A)
1. Hiptesi Nulla Sempre s la mateixa, sempre consisteix en veure si les dues varincies poblacionals sn iguals o no.
2 1 2 =1 2
H0 :
2. Hiptesi Alternativa
s all que resulta cert si la hiptesi nulla s falsa. En aquest contrast en concret, com que no tenim cap informaci, fem servir
2 1 2 =1 2
H1 :
3.4.
79
3. Estadstic de contrast L'estadstic de contrast ( EC) a utilitzar en aquest cas s:

2 S1 2 S2
EC =
El Valor Observat de l'Estadstic de Contrast (VOEC) s'obt substituint en la frmula corresponent els valors corresponents
2 S1 4.1 = = 1.0513 2 S2 3.9
V OEC =
Notar que, donat que hem denominat les mostres de forma que sempre tindrem que VOEC>
2 2 S1 > S2 ,
4. Distribuci de l'Estadstic de Contrast si la hiptesi nulla s certa En aquest cas, l'Estadstic de Contrast que es fa servir segueix una distribuci
de Snedecor.
2 S1 F(n1 1,n2 1) 2 S2
amb n1 1 graus llibertat al numerador i inador. En aquest cas
n2 1
graus llibertat al denom-
2 S1 2 F(n1 1,n2 1) = F(99,49) S2
[Cal recordar que s molt important respectar l'ordre establert en el Pas 0 del contrast]
= 0.05
La zona de rebuig es trobar de manera diferent segons sigui un contrast d'una o de dos cues, depenent de quina forma prengui la hiptesi alternativa. E n aquest contrast especial, per, sigui d'una o de dues cues,
l'nic que importar sempre s la cua de la dreta

En aquest cas tenim un Contrast de dues cues ja que tenim una 2 H1 : 1 2 = 1 2
hiptesi alternativa del tipus
80
CAPTOL 3.
/2
/2
(no cal buscar-lo)
F1/2
Dels valors que limiten la Zona de Rebuig, trobar i
Aix, si
F n2 1
1 2
a les taules de la
aleshores 2
amb
graus de llibertat al denominador.
n1 1 graus de llibertat al numerador

i:
F1 2
F , 2
noms s'ha de
= 0.05
= 0.025 1
= 0.975 2
= F0.975 F1 2
0.975.
F(99,49) que deixa a la seva esquerra una probabilA les taules: F0.975 = 1.66
/2
/2
(no cal buscar-lo)
1.66
3.4.
81

En aquest cas tenim
V OEC = 1.0513 < 1.66 V OEC ZR

(a) Per tant, NO es pot rebutjar la hiptesi de que les dues varincies sn iguals
3.4.3 Contrast sobre la diferncia de proporcions

Es tracta de contrastar si la diferncia entre les proporcions d'elements de dues poblacions que tenen una determinada caracterstica s igual a un determinat valor
o no. Per exemple, podrem contrastar si la proporci de votants del
P.P. a Cerdanyola en les properes eleccions generals s igual a la proporci de votants del P.P. a Sant Cugat (1 si la proporci de persones que es curen d'una malaltia desprs de seguir un determinat tractament s major que la proporci de persones que es curen sense prendre'l (per tal de comprovar l'eccia d'aquest medicament)
2 = 0).
Un altre exemple seria contrastar
Els sis passos que corresponen a aquest contrast sn:
1. Hiptesi Nulla s el valor de la diferncia entre les proporcions poblacionals que volem contrastar
(0 = difer` enca
a contrastar)
H0 : 1 2 = 0
2. Hiptesi Alternativa s all que resulta cert si la hiptesi nulla s falsa. Depn de quina
informaci tenim sobre les proporcions poblacionals. Tenim 4 possibilitats
82
CAPTOL 3.
Informaci sobre
1 i 2
Tipus de contrast
Dues Cues
H1 : 1 2 = 0
Cas ms general. poblacionals.
No tenim intant, si la
formaci sobre les proporcions Per diferncia no s igual a
noms sobre Una cua per la dreta
podem dir que s diferent
H1 : 1 2 > 0
Tenim
certa
informaci
les proporcions que diu que si la diferncia no s igual a aleshores s ms gran
0
H1 : 1 2 < 0
Tenim
certa
informaci
sobre
les proporcions que diu que si la diferncia no s igual a aleshores s ms petita
0
H1 : 1 2 = 1
Tenim
certa
informaci
sobre
les proporcions que diu que si la diferncia no s igual a
1 > 0
una cua per l'es-
querra si
1 < 0
1
3. Estadstic de contrast L'estadstic de contrast (EC) a utilitzar en aquest cas sempre ser el mateix. E.C.
( 1 2 ) 0
(1 ) n1
(1 ) n2
1 i 2 0 n1 i n2
Mitjanes mostrals Valor de la Hiptesi Nulla Proporci mostral com Mides mostrals
En les frmules anteriors, el valor de la proporci mostral com mitjanant l'expressi
s'obt
n1 1 + n2 2 n1 + n2
qu s equivalent a calcular la proporci d'elements de les dues mostres (juntes) que tenen la caracterstica que s'est estudiant. 4. Distribuci de l'Estadstic de Contrast si la hiptesi nulla s certa Tal com hem vist en altres casos tenim que, si s veritat que aleshores
1 2 = 0
( 1 2 ) 0
(1 ) n1
(1 ) n2
N (0, 1)
3.4.
83
H1 : 1 2 = 0
/2
/2
Z1/2
Z1/2
Z1 , 2
N (0, 1).
(Veure gura 3.15) Correspon al cas en qu (o b del
(b) Contrast d'una cua per la dreta. tenim una hiptesi alternativa del tipus tipus
H1 : 1 2 = 1 i 1 > 0 )
H1 : 1 2 > 0
Z1 ,
N (0, 1).
(Veure gura 3.16)
(c) Contrast d'una cua per l'esquerra. Correspon al cas en qu tenim una hiptesi alternativa del tipus tipus
H1 : 1 2 = 1 i 1 < 0 )
H1 : 1 2 < 0
(o b del
Z1 ,
N (0, 1).
(Veure gura 3.17)
84
CAPTOL 3.
Z1
que el contrast rebutja la Hiptesi Nulla. Si no hi est, direm que No
Exemple 3.4.4 Segons la Encuesta de Poblacin Activa publicada pel Insituto Nacional de Estadstica, en el tercer trimestre del 2009 la taxa d'atur
entre els joves menors de 30 anys amb titulaci universitria era del 19.76%, i del 30.64% en el cas de joves amb noms educaci secundria. D'acord amb aquestes dades, podem concloure que la taxa d'atur entre els joves amb titulaci universitria s, com a mnim, un 10% inferior a la taxa d'atur dels joves amb noms educaci secundria ? Les mides de les mostres van ser de 5.000 joves amb titulaci universitria i 20.000 amb noms educaci secundria. 1. Hiptesi Nulla s el valor de la diferncia entre les proporcions poblacionals que volem contrastar
(0 = 0.1
en aquest cas)
H0 : 1 2 = 0.1
2. Hiptesi Alternativa s all que resulta cert si la hiptesi nulla s falsa. informaci tenim sobre les proporcions poblacionals En aquest cas, com que volem contrastar si hiptesi alternativa de la forma: Depn de quina
1 < 2 0.1,
fem servir una
H1 : 1 2 < 0.1
3.4.
85
Z1
L'estadstic de contrast (EC) a utilitzar en aquest cas sempre ser el mateix.
EC =
( 1 2 ) 0
(1 ) n1
(1 ) n2
En qualsevol d'aquests casos, el Valor Observat de l'Estadstic de Contrast (VOEC) s'obt substituint en la frmula corresponent els valors corresponents, on la proporci mostral com
s'obt mitjanant l'expressi
n1 1 + n2 2 5000 (0.1976) + 20000 (0.3064) = 0.2864 = n1 + n2 5000 + 20000
Per tant, tenim:
V OEC =
0.2864(10.2864) 5000
(0.1976 0.3064) (0.1) +
0.2864(10.2864) 20000
0.0088 = 1.23 0.00714
1 2 = 0
( 1 2 ) 0
(1 ) n1
(1 ) n2
N (0, 1)
La zona de rebuig es trobar de manera diferent segons sigui un contrast d'una o de dos cues, En aquest cas tenim un Contrast d'una cua per l'esquerra ja que tenim una hiptesi alternativa del tipus
H1 : 1 2 < 0
86
CAPTOL 3.
Z1
El valor que limita la zona de rebuig, de la
N (0, 1). = 0.05

aleshores
Z1 ,
el podem trobar a les taules
Per tant, si
1 = 0.95
A les taules trobem
Z1 = Z0.95 = 1.645

En aquest cas no hi est. Tenim:
V OEC = 1.23 > 1.645 V OEC / ZR

Diem aleshores que les dades no rebutgen la Hiptesi Nulla
Notar en aquest cas que NO estem rebutjant la hiptesi
0.1
contraposada a l'alternativa
H1 : 1 2 < 0.1
H0 : 1 2 =
Per tant, la conclusi s que les dades Encuesta de Poblacin Activa rebutgen la hiptesi que la diferncia entre les dues taxes d'atur s de ms del 10%
3.5 Anlisi de la Varincia

L'anlisi de la varincia s un conjunt de tcniques estadstiques que permeten estudiar l'efecte simultani de diferents factors. Per exemple, varietats de En cada factor blat, diferents tipus de cables, vehicles de diferents marques.
observem una caracterstica contnua que varia aleatriament: el pes del blat, la conductivitat elctrica dels cables, el consum dels vehicles. Es vol saber si existeix, o no, relaci entre el valor mig de la caracterstica estudiada i el factor: tenen totes les varietats de blat el mateix pes? tenen la mateixa resistncia mitjana els diferents cables? tenen el mateix consum mig els diferents vehicles?
3.5.
ANLISI DE LA VARINCIA
87
3.5.1 Marc bsic

Es tracta de contrastar si les mitjanes de vries poblacions coincideixen, essent el nmero de poblacions. Cada una de les poblacions normalment amb varincia com
k (j = 1, . . . , k ) es distribueix
2 : xk N (k , 2 ) nj .
x1 N (1 , 2 )
x2 N (2 , 2 ) j
De cada una de les poblacions
s'obt una mostra de mida
Notaci:
xij : Observaci mostral i-ssima de la mostra de la poblaci j , (i = 1, . . . , nj ; j = 1, . . . , k ). N:

Nmero total d'observacions
N=
j =1
nj
j : X
Mitjana mostral de la mostra de la poblaci
j.
j = 1 X nj
nj
xij
i=1
Mitjana total o mitjana de totes les observacions
= 1 X N
nj
xij =
j =1 i=1
1 + n2 X 2 + + nk X k n1 X n1 + n2 + + nk X n1 = n2 =
s la mitjana de les mitjanes
Es pot demostrar que si totes les mostres tenen la mateixa mida,
= nk ,
aleshores la mitjana total
= 1 (X 1 + + X k ) X k
3.5.2 Contrast
El test a realitzar s de la forma
H0 : H1 :
1 = 2 = = k
No totes les
sn iguals
88
CAPTOL 3.
3.5.3 Estadstic de contrast

La realitzaci del test es basa en l'estudi de les desviacions de cada una de les observacions
xij
amb respecte de la mitjana total
: X
xij X
Aquestes desviacions es poden descomposar en desviacions de cada observaci amb respecte la mitjana de la seva mostra i desviacions de cada una de les mitjanes de les
mostres amb respecte la mitjana total:
) = (x X ) j ) + (X j X (xij X ij
Com s habitual, el que interessa s estudiar la suma d'aquestes desviacions elevades al quadrat:
nj
nj
j =1 i=1
)2 (xij X
=
j =1 i=1 k
j )2 + (xij X
j =1
)2 + j X nj (X
nj
2
j =1 i=1
) j )(X j X (xij X
Pot demostrar-se que el tercer terme d'aquesta expressi s igual a zero i, per tant, tindrem:
nj
nj
j =1 i=1
)2 = (xij X
j =1 i=1
j )2 + (xij X
j =1
)2 j X nj (X
o, el que s el mateix,
Variaci Total = Variaci Dins les Mostres + Variaci Entre Mostres
VT = VDM + VEM
on:
ni
VT =
j =1 i=1 k
)2 (xij X j )2 (xij X
nj
V DM =
j =1 i=1 k
V EM =
j =1
)2 j X nj (X
s important entendre ara que,
3.5.
89
1. Si la hiptesi nulla s certa,
2 SE =
V EM k1 s un estimador inesbiaixat de
2 .
Per tant,
2 (k 1)SE V EM 2 2 k 1 k 1 2 2
(3.1)
2. En considerar totes les varincies com iguals,
2 SD =
V DM N k s un estimador
inesbiaixat de
. Per tant,
2 (N k )SD V DM 2 2 k 1 N k 2 2
(3.2)
Aleshores, si la hiptesi nulla s certa, haurem d'esperar que el rati
2 2 SE /SD
fos
molt proper a 1. Aix s el que farem servir com a estadstic de contrast:
F =
2 SE 2 SD
Per veure quina s la distribuci d'aquest estadstic tenim que,
S2 F = E 2 = SD
V EM 2 (k1) V DM 2 (N k)
2 k 1 k 1 2 N k N k
F(k1,N k)
s a dir, l'estadstic de contrast
k1
graus de llibertat al
F segueix una distribuci F d'Snedecor amb numerador i N k graus de llibertat al denominador F =

2 SE 2 F(k1,N k) SR
3.5.4 Resultat del contrast

El contrast s sempre d'una cua per la dreta. Un cop s'ha obtingut el Valor Observat de l'Estadstic de Contrast (VOEC), es compara amb el valor tabulat d'una
d'Snedecor per un nivell de signicaci
xat,
F(k1,N k) (1 )2
la convenci que hem estat fent servir, denotem amb
2 Seguint
valor d'una variable aleatria
que deixa a la seva esquerra una rea de
F(k1,N k) (1 )) = 1 ).
S'ha tenir sempre present, per, que depenent de les taules la
F(k1,N k) (1 ) el 1 (p(F <
probabilitat que s'ofereix s la complementria, s a dir,
p(F > F(k1,N k) (1 ))
90
CAPTOL 3.
F1
El criteri de decisi del contrast s doncs:
Si Si
V OEC < F(k1,N k) (1 ) V OEC > F(k1,N k) (1 )
NO es rebutja la Hiptesi Nulla Es rebutja la Hiptesi Nulla
3.5.5 La taula ANOVA

Per a la realitzaci d'aquest contrast, i per tal de facilitar els clculs, s'acostuma a treballar amb l'anomenada Taula ANOVA la distribuci
3
on tamb es presenta el Valor
Observat de l'Estadstic de Contrast per la seva comprovaci amb les taules de
F.
La taula t la forma:
Variaci
Suma
k j =1 k j =1
gdl
Suma mitjana
V EM k 1 V DM N k 2 = SE 2 = SD
V EM V DM
)2 j X nj (X
nj i=1 (xij
k1 N k N 1
j )2 X )2 X
F =
2 SE 2 SD
VT
k j =1
ni i=1 (xij
AN alysis O f VAriance
3.5.
91
Exemple 3.5.1 Tres grups de lots de peix, 5 a cada grup, provinents de 3

llotges diferents sn pesats per tal de comprovar si hi ha diferncies entre el pes del lots que es comercialitzen als diferents ports. Els resultats obtinguts van ser: Llotja 1 48 50 53 52 50 Llotja 2 55 52 53 55 53 Llotja 3 51 52 50 53 50
Hi ha diferncies signicatives en el pes dels lots dels diferents ports? Per realitzar el contrast hem de fer els clculs corresponents a les per poder completar la taula ANOVA. En aquest cas tenim, Mostres Observacions mosta 1 Observacions mosta 2 Observacions mosta 3 Observacions totals Del clcul de les mitjanes obtenim:
( = 0.05)
i
V EM
V DM
k n1 n2 n3 N = n1 + n2 + n3
3 5 5 5 15
1 X X2 3 X X
A partir d'aqu obtenim
k
50.6 53.6 51.2 51.8
V EM =
j =1 k
)2 = 25.2 j X nj (X
nj
V DM =
j =1 i=1
j )2 = 29.2 (xij X
Per tant,
Variaci
V EM V DM
Suma
25.2 29.2
gdl
k1=2 N k = 12 N 1 = 14
Suma mitjana
V EM k 1 V DM N k
= =
25.2 2 29.2 12
= 12.6 = 2.43 F =
12.6 2.43
= 5.18
VT
54.4
92
CAPTOL 3.
s a dir, obtenim un VOEC
F = 5.18
Busquem ara a les taules d'una al numerador i
d'Snedecor amb
a la seva esquerra una probabilitat de
N k = 12
graus de llibertat al denominador el valor que deixa
k1 = 2
graus de llibertat
1 = 0.95
F(2,12) (0.95) = 3.89

Aix doncs, com que
F = 5.18 > 3.89 = F(2,12) (0.95)

tenim que el VOEC s a la zona de rebuig del contrast i, per tant, rebutgem rebutjant la hiptesi de que els lots de peix pesen el mateix als tres ports.
la hiptesi nulla que les tres mitjanes poblacionals sn igual. Per tant, estem
Captol 4
Anlisi de la bondat d'ajust i de la relaci entre variables
En els captols anteriors hem vist els principals casos dels anomenats tests paramtrics. Es tractava en tots els casos de contrastar hiptesis referents a algun parmetre (numric) de la poblaci. En aquest captol veurem un contrast del tipus no paramtrics. Es tracta En
de contrastar hiptesis ms generals que el simple valor d'un parmetre. determinada distribuci terica.
concret veurem com contrastar si les observacions d'una mostra s'ajusten a una
Per nalitzar s'introduir el concepte de relaci entre variables, que ser ampliat en el captol 5. Veurem com contrastar si dues variables aleatries estan relacionades o no i com mesurar la fora i el sentit d'aquesta relaci
4.1 El contrast de la bondat d'ajust.

El contrast de la bondat d'ajust de Kolmogorov-Smirnov analitza si les dades recollides a una mostra s'ajusten a una distribuci de probabilitat concreta, i com de bo s aquest ajust Podem contrastar, per exemple, si la distribuci de la renda per capita a Cerdanyola segueix una distribuci Normal amb la esperana i la varincia observades a la mostra (test de Normalitat). El contrast consisteix en comprovar formalment si les freqncies observades en la mostra coincideixen amb les freqncies teriques que s'obtindrien d'una distribuci Normal amb l'esperana i varincia observades a la mostra. El procediment per contrastar si les dades d'una mostra s'ajusten a una distribuci Normal amb esperana=
i varincia=
s el segent
1. La Hiptesi Nulla s sempre la mateixa:
H 0 : FO = FT
93
94CAPTOL 4. ANLISI DE LA BONDAT D'AJUST I DE LA RELACI ENTRE VARIABLES
On
FO
s la freqncia acumulada observada a la mostra iFT s la fre1
qncia acumulada terica corresponent a una distribuci Normal . Ms endavant veurem com es calculen aquestes freqncies 2. La Hiptesi Alternativa s sempre la mateixa:
HA : F0 = FT
s a dir, si les freqncies no sn iguals, sn diferents. 3. Estadstic de contrast En aquest contrast, el clcul de l'estadstic de contrast s fora laboris. En primer lloc, per obtindre les freqncies observades lar, per cada observaci
FO , hem de calcu-
xi
a la mostra, quina s la proporci o freqncia
d'observacions que sn ms petites o iguals a ella
FO (xi ) =
N umero d observacions a la mostra menors o iguals a xi N umero total d observacions a la mostra

corresponents a al
A continuaci hem de calcular (fent servir les taules de la Normal estndard Normal
N (0, 1)) quines sn les freqncies teriques N (, 2 ), l'ajust a la qual estem contrastant
X xi xi FT (xi ) = P (X xi ) = P ( ) = P (Z ) 2 2 2
on, com sempre,
Finalment, calculem les diferncies entre cada una de les freqncies observades
Z N (0, 1)
FO (xi )
i la corresponent freqncia terica
FT (xi )
i ens xem s (per
en el MXIM (en valor absolut) d'aquestes diferncies.
Aquest mx-
im ser el valor observat de l'estadstic de contrast en aquest cas.

a dir, l'estadstic de contrast en aquest cas, que es denota Kolmogorov-Smirnov), ve donat per:
KS
K S = max |FO (xi ) FT (xi )|

i el seu VOEC corresponent s'obt dels clculs de les diferncies i la selecci del mxim tal com s'ha explicat abans 4. Distribuci de l'estadstic de contrast certa
KS
quan la hiptesi nulla s
En aquest contrast la distribuci a utilitzar s una especca anomenada distribuci de Kolmogorov-Smirnov, els valors crtics de la qual es troben tabulats. 5. rea de rebuig de mida
Aquest contrast sempre s d'una cua per la dreta. En les taules KolmogorovSmirnov trobem els valors lmit per aquesta rea de rebuig en funci del seu tamany
i del tamany de la mosta
1 El
contrast es podria realitzar tamb per comprovar si la mostra s'ajusta a qualsevol
altre distribuci, com ara una exponencial, una Poisson, una Binomial, etc. Aqu ens centrem noms en el test de Normalitat.
4.1.
EL CONTRAST DE LA BONDAT D'AJUST.
95
6. Conclusi del contrast Donades les caracterstiques especials d'aquest contrast, noms hem de comprovar si el valor observat de l'estadstic de contrast (o no) que el valor que trobem a les taules de Kolmogorov-Smirnov. Si efectivament s major, aleshores es rebutja la hiptesi nulla que diu que les observacions de la mostra s'ajusten a una distribuci Normal. valor observat s menor, aleshores no es rebutja la hiptesi nulla Si el
K S
s major
Exemple 4.1.1 En una enquesta recent realitzada amb 5000 famlies de Cerdanyola es va recollir la segent informaci
Salari (e)
0-5000 5001-10000 10001-15000 15001-20000 20001-25000 25001-30000 30001-35000 35001-40000 40001-45000 45001-50000 50001-55000 55001-60000 >60000
Freqncia
33 78 224 456 753 952 959 753 459 218 82 28 5
Contrastar si aquestes dades s'ajusten a una distribuci Normal amb mitjana 30.000 i Desviaci estndard 10.000 1. La Hiptesi Nulla s sempre la mateixa:
H 0 : FO = FT
On
FO s la freqncia acumulada observada a la mostra i FT s la freqncia acumulada terica corresponent a una distribuci Normal
2. La Hiptesi Alternativa s sempre la mateixa:
HA : F0 = FT
s a dir, si les freqncies no sn iguals, sn diferents. 3. Estadstic de contrast
En primer lloc, per obtindre les freqncies observades calcular, per cada observaci
xi
FO , hem de a la mostra, quina s la proporci o xi
freqncia d'observacions que sn ms petites o iguals a ella
FO (xi ) =
Nmero d'observacions a la mostra menors o iguals a Nmero total d'observacions a la mostra
D'acord amb les dades recollides tenim:
Salari (e)
0-5000 5001-10000 10001-15000 15001-20000 20001-25000 25001-30000 30001-35000 35001-40000 40001-45000 45001-50000 50001-55000 55001-60000 >60000
Freqncia
33 78 224 456 753 952 959 753 459 218 82 28 5
Freq. Cumulativa
33 111 335 791 1544 2496 3455 4208 4667 4885 4967 4995 5000
Fo
0.0066 0.0222 0.0670 0.1582 0.3088 0.4992 0.6910 0.8416 0.9334 0.9770 0.9934 0.9990 1.0000
A continuaci hem de calcular (fent servir les taules de la Normal estndard a al Normal
N (0, 1)) quines sn les freqncies teriques corresponents N (, 2 ), l'ajust a la qual estem contrastant
X 30.000 xi 30.000 xi 30.000 FT (xi ) = P (X xi ) = P ( ) = P (Z ) 10.000 10.0002 10.0002

on, com sempre,
Z N (0, 1).
En aquest cas tenim:
Salari (e)
0-5000 5001-10000 10001-15000 15001-20000 20001-25000 25001-30000 30001-35000 35001-40000 40001-45000 45001-50000 50001-55000 55001-60000 >60000
Salari Estandarditzat
-2.5 -2.0 -1.5 -1.0 -0.5 0 0.5 1.0 1.5 2.0 2.5 3.0
FT
0.0062 0.0228 0.0668 0.1587 0.3085 0.5000 0.6915 0.8413 0.9332 0.9772 0.9938 0.9987 1.0000
Finalment, calculem les diferncies entre cada una de les freqncies observades
FO (xi )
i la corresponent freqncia terica
FT (xi )
4.2.
TIPUS DE RELACI ENTRE VARIABLES
97
Salari (e)
0-5000 5001-10000 10001-15000 15001-20000 20001-25000 25001-30000 30001-35000 35001-40000 40001-45000 45001-50000 50001-55000 55001-60000 >60000
Fo
0.0066 0.0222 0.0670 0.1582 0.3088 0.4992 0.6910 0.8416 0.9334 0.9770 0.9934 0.9990 1.0000
FT
0.0062 0.0228 0.0668 0.1587 0.3085 0.5000 0.6915 0.8413 0.9332 0.9772 0.9938 0.9987 1.0000
|F o F T |
0.0004 0.0006 0.0002 0.0005 0.0003 0.0008 0.0005 0.0003 0.0002 0.0002 0.0004 0.0003 0.0000
L'estadstic de contrast, que es denota
K S,
ve donat per:
K S = max |FO (xi ) FT (xi )|

i el seu VOEC corresponent s'obt dels clculs de les diferncies i la selecci del mxim tal com apareix a la taula anterior
K S = max |FO (xi ) FT (xi )| = 0.0008

4. Distribuci de l'estadstic de contrast En aquest contrast la distribuci a utilitzar s una especca anomenada distribuci de Kolmogorov-Smirnov, els valors crtics de la qual es troben tabulats. 5. rea de rebuig de tamany
K S
quan la hiptesi nulla s certa
Aquest contrast sempre s d'una cua per la dreta. En les taules KolmogorovSmirnov trobem els valors lmit per aquesta rea de rebuig en funci del seu tamany
= 0.05
i del tamany de la mosta
n = 5.000
1.22 1.22 1.22 V alor l mit = = = = 0.01725 70 .71 n 5000

6. Conclusi del contrast Ara noms hem de comprovar si el valor observat de l'estadstic de contrast
K S
s major (o no) que el que trobem a les taules K-S. En aquest cas
K S = 0.0008 < 0.01725

Per tant, com que s ms petit, no rebutgem la hiptesi de Normalitat
4.2 Tipus de relaci entre variables

Considerem dues mostres independents, obtingues de forma aleatria, corresponents a dues caracterstiques (o parmetres) d'una poblaci (o de dues poblacions diferents). Per exemple, podrem pensar en una mostra sobre l'atur a la
Uni Europea i una altra amb la inaci tamb a la Uni Europea. Aleshores ens podrem preguntar si existeix alguna relaci entre aquestes dades; si sembla cert (per exemple) que quan la taxa d'atur s elevada aleshores la inaci es modera. Aquest tipus de preguntes sn segurament ms ambicioses per l'anlisi econmica que les plantejades en captols anteriors. Efectivament, des del punt de vista de la poltica econmica resulta molt important conixer quins tipus de relacions existeixen entre les diferents variables econmiques. En aquest sentit, hi ha dos tipus de relaci que es podrien observar entre variables:
1. Causal Es diu que dues variables tenen una relaci causal quan canvis en una de les variables indueixen canvis en l'altre. Per exemple, sembla clar que quan ms baix sigui el tipus d'inters ms elevada ser la demanda de crdits. Es pot dir aleshores que la disminuci del tipus de inters causa un augment de la demanda de crdit
2. Espria Es diu que dues variables tenen una relaci espria quan aparentment estan relacionades per aquesta relaci no s causal sin que est explicada per un altre factor. Per exemple, a la Castella del segle XVIII s'observava que quantes ms cigonyes hi havia, ms naixements es produen. No sembla que la relaci sigui causal, sin que est explicada per un altre factor: el calendari. La Castella del segle XVIII era una societat agrria, dedicada sobretot al conreu del blat. El gra es recollia cap a nals de Juny i es venia al Juliol. Un cop recollits els guanys monetaris, la majoria de les cerimnies nupcials se realitzaven al mesos d'Agost i Setembre. A partir d'aqu, el cicle de la reproducci humana explica perqu els naixements coincidien majoritriament amb l'arribada de les cigonyes (Mar-Abril).
Un cop sabem si dues variables estan relacionades (o no), s molt important conixer quina s la fora i el tipus d'aquesta relaci. Efectivament, incls en el cas de que dues variables estiguin relacionades entre si, no podrem utilitzar aquesta relaci en la prctica si no sabem com funciona.
4.3 El Contrast d'independncia entre variables qualitatives.

Es tracta d'un contrast per comprovar si dues variables quantitatives o dues variables aleatries discretes sn independents o si, per el contrari, estan relacionades. Les observacions es disposen en una taula de freqncies que es denomina taula
de contingncia
4.3.
EL CONTRAST D'INDEPENDNCIA ENTRE V ARIABLES QUALITATIVES.99
x1 x2
. . .
y1 O11 O21
. . .
y2 O12 O22
. . .

.. .
yc O1c O2c
. . .
Total
X1 X2
. . .
xf
Total
Of 1 Y1
Of 2 Y2
Of c Yc
Xf n
on
{x1 , . . . , xf } {y1 , . . . , yc } Oij
Valors diferents que pren la variable Valors diferents que pren la variable Nmero d'observacions conjuntes de
X Y xi i yj
A partir d'aquesta taula es pot obtenir la taula de freqncies esperades (les que serien observades en cas d'independncia) per comparar i realitzar el contrast.
x1 x2
. . .
y1 E11 E21
. . .
y2 E12 E22
. . .

.. .
yc E1c E2c
. . .
Total
xf
Total
Ef 1
Ef 2
Ef c n
on cada una de les freqncies esperades s'obt de la formula:
Eij = n p(X = xi Y = yj ) = n p(X = xi ) p(y = yj ) = n
Xi Yj Xi Yj = n n n
La comparaci formal d'aquesta taula de freqncies esperades amb la taula de contingncia de freqncies observades s la base del contrast El contrast que es realitza s:
H0 : H1 :
L'estadstic de contrast s
s independent de
Y X
i
Hi ha dependncia entre
P =
i=1 j =1
(Oij Eij )2 Eij
Aquest estadstic de contrast es distribueix com una
amb
la dreta sempre. Per tant, rebutjarem la Hiptesi Nulla (independncia entre
de llibertat si la hiptesi nulla s certa. El contrast resultant s d'una cua per
(f 1)(c 1) graus
) si el VOEC
P > 2 1
Exemple 4.3.1 Es van realitzar 500 entrevistes entre executius junior de diferents empreses. En aquestes entrevistes es va preguntar sobre el salari anual i el ttol obtingut a la universitat. Les dades recollides es presenten a la segent taula
Menys de 80.000 e Ms de 80.000 e Total
Salari \ Ttol
Economia No Economia Total

100 100 200 250 50 300 350 150 500
A partir d'aquestes dades, podem concloure que existeix una relaci entre el salari anual i els estudis realitzats a la universitat ? Sigui i
la variable que representa el salari anual,
la variable que representa el ttol universitari,
X {menys de 80.000, ms de Y {economia, no economia}
80.000}
El Test a realitzar s:
H0 : H1 :
X X
i i
Y Y
sn independents no sn independents
Per fer-ho, hem de calcular la Freqncia Esperada de cada parell de dades si la Hiptesi nulla (independncia) fos certa
Eij = n p(X = xi Y = yj ) = n p(X = xi ) p(y = yj ) = n
Xi Yj Xi Yj = n n n
Segons les dades recollides tenim la taula segent de Freqncies Observades
Oij
Salari \ Ttol

Per tant,
Economia No Economia
O11 =100 O21 =100 Y1 =200 O12 =250 O22 =50 Y2 =300
Total
X1 =350 X2 =150 n =500
E11 E12 E21 E22
= = = =
X1 Y1 n X1 Y2 = n X2 Y1 = n X2 Y2 = n =
350 200 500 350 300 = 500 150 200 = 500 150 300 = 500 =
= 140 = 210 = 60 = 90 Eij ,
Aix, obtenim la segent taula de Freqncies Esperades
4.3.
EL CONTRAST D'INDEPENDNCIA ENTRE V ARIABLES QUALITATIVES.101
Salari \ Ttol
Economia No Economia
E11 =140 E21 =60 Y1 =200 E12 =210 E22 =90 Y2 =300
Total
X1 =350 X2 =150 n =500
Per calcular el Valor Observat de l'Estadstic de Contrast

f c
P =
i=1 j =1
(Oij Eij )2 Eij
utilitzem la segent taula
Freq. Obs. 100
Oij
Freq. Esp. 140
Eij
Oij Eij
-40
(Oij Eij )2
1.600
(Oij Eij )2 Eij 1600 140
= 11.43
250
210
40
1.600
1600 210
= 7.62
100
60
40
1.600
1600 60
= 26.67
50
90
-40
1.600
1600 90
= 17.78
P = 63.5
Per tant, tenim el segent Valor Observat de l'Estadstic de Contrast
P = 63.5
Per completar el Test hem de comprovar si aquest valor P cau dins l'rea de 2 rebuig determinada per una amb (c 1)(f 1) = (2 1)(2 1) = 1 graus 2 de llibertat. Buscant a les taules el valor d'una 1 que deixa a la seva esquerra una probabilitat de 0.95 (prenent = 0.05) trobem
2 1 (0.95) = 3.84
Aix doncs, com que
P = 63.5 > 3.84 P RA

hem de concloure que les dades empriques rebutgen la hiptesi nulla d'independncia La conclusi del test s, per tant, que sembla existir una relaci entre els ttol obtingut a la universitat i el salari anual dels executius junior
4.4 L'anlisi de la correlaci entre variables quantitatives: coecient de correlaci i contrast d'hiptesi
L'anlisi parteix de parelles de dades de les variables contnues
X x1 x2
. . .
Y y1 y2
. . .
xn
yn
Si representem aquest parells de dades en uns eixos podem obtindre, bsicament, un dels quatre tipus de grcs que apareixen a la gura 4.1, anomenats diagrama
de punts o diagrama de dispersi
Cada un d'aquests quatre tipus de resultat de la dispersi de les dades es correspon a un tipus de relaci entre les variables de la gura 4.2
X i Y,
tal com es recull a la taula
Amb l'anlisi de la correlaci es busca determinar
1. Quin tipus de relaci existeix entre les variables 2. Quin s el grau de la relaci entre les variables
Per entendre com s'obt l'anomenat Coecient de correlaci, que donar informaci sobre el tipus i el grau de la relaci, procedim de la segent manera:
1. Calculem el signe de la relaci, qu ens indicar el seu tipus (a) Calculem les dades en diferncies
x i
y i
x i y i
= =
) (x i X ) (yi Y
i observem que el signe d'aquestes diferncies (amb respecte de la mitjana) dependr de en quina de les quatre regions (denides pel parell
Y )) (X,
que apareixen a la gura 4.3 es troben les diferents
observacions
4.4.
L'ANLISI DE LA CORRELACI ENTRE VARIABLES QUANTITATIVES: COEFICIENT DE CORRELA
. .. .. ... .. .. . .
X Tipus A
. . .. ... .. .. ..
X Tipus B
. . . . . . .. . .. . . .
.. . . .
X
. .. . .. .
. .. .. . .. .
X
Tipus C
Figura 4.1: Tipus de Dispersi de les dades
Tipus D
Figura 4.3: Regions del diagrama de dispersi
Tipus de Dispersi A
Tipus de Relaci entre les variables Montona creixent
Comentari Les dues en variables la es
mouen direcci. ms B Montona decreixent Les alt
mateixa
Quant ms alt s el valor de es
sigui el valor d'una d'elles, l'altra dues variables mouen en direccions contrries. Quant ms alt sigui el valor d'una d'elles, ms baix s el valor de l'altra C No hi ha relaci No s'observa cap relaci entre les variables. De vegades, alts de D Relaci no montona valors alts de
van acompanyats de valors
i de vegades de
valors baixos Hi ha relaci entre les variables, per de vegades s creixent (com en el Tipus A) i de vegades decreixent (com en el Tipus B) Figura 4.2: Tipus de Relaci entre les variables
Observem que: i. Per punts (observacions) a les regions I i III tenim que ii. Per punts (observacions) a les regions II i IV tenim que (b) Calculem la suma del producte d'aquestes diferncies
x i y i > 0 x i y i < 0
x i y i
Pel que hem observat en (a), tenim que i. Si
que amb
x i y i > 0 s perqu hi ha molts ms termes amb x i y i > 0 x i y i < 0. s a dir, hi ha ms punts a les regions I i III
que a les regions II i IV. Aix indicaria que existeix una relaci montona creixent (dispersi dels Tipus A d'acord amb la gura 4.1) ii. Si
que amb
x i y i < 0 s perqu x i y i > 0. s
hi ha molts ms termes amb
x i y i < 0
a dir, hi ha ms punts a les regions
II i IV que a les regions I i III. Aix indicaria que existeix una relaci montona decreixent (dispersi dels Tipus B d'acord amb la gura 4.1) iii. Si
x i y i 0 s perqu hi ha tants termes amb x i y i < 0 com amb x i y i > 0. s a dir, hi ha punts per totes les regions. Aix tant
4.4.
pot indicar que no existeix relaci (dispersi dels Tipus C d'acord amb la gura 4.1) com que existeix una relaci no montona (dispersi dels Tipus D d'acord amb la gura 4.1) Tipus de Dispersi Tipus de Relaci entre les variables Grca
A (
x i y i > 0)
Montona creixent
B (
x i y i < 0)
Montona decreixent
C o D (
x i y i 0)
No hi ha relaci o Relaci no montona
Figura 4.4: Tipus de Relaci entre les variables a partir de
x i y i
A la taula 4.4 tenim recollits aquests resultats. 2. Amb el signe d'aquest sumatori tenim doncs identicat el tipus de relaci. El seu valor, per, no el podem utilitzar com a mesura de quin s el grau d'aquesta relaci. (n petit). Efectivament, podria passar que una srie de dades tingui moltes observacions (n gran) mentre que d'altre en tingui poques Aleshores tindrem que el resultat de
x i y i
seria gran en el
primer cas i petit en el segon, senzillament perqu sumem ms valors. Podrem aix arribar a la conclusi errnia que la relaci s ms forta en el primer cas que en el segon. Per a evitar aquest error podem dividir el sumatori d'observacions
x i y i
pel nmero
i corregim aix aquest efecte
x i y i n
3. Finalment, queda un altre efecte per corregir. Considerem dues sries referides a les mateixes observacions de dues variables, per una mesurada en euros i l'altre en milers d'euros. Les observacions de la primera srie sn doncs com les de la segona srie per multiplicades per mil, per clarament el grau de la relaci entre les variables hauria de ser el mateix en les dues sries. En fer el sumatori
x i y i , per, passar que el resultat per
la primera srie ser major que per la segona srie, senzillament perqu sumem valors mil vegades ms grans. Podrem aix arribar novament a la conclusi errnia de que la relaci s ms forta en el primer cas que en el segon.
x i y i per algun facn tor que incorpori les unitats de mesura de les dades. El que es fa en aquest
Per a evitar aquest error podem ara tornar a dividir sentit s dividir pel producte dels errors estndard de les observacions de les dues variables,
SX
SY : x i y i nSX SY
4. Arribem d'aquesta manera a l'expressi nal del coecient de correlaci :
r=
x i y i nSX SY
(4.1)
on, recordem,
x i y i SX SY
Si substitum els valors de compacta
= = = =
) (x i X ) (yi Y x 2 i n 2 y i n
SX
SY
en l'expressi (4.1) tenim la frmula ms
r=
Es pot demostrar que taula de la gura 4.5
x i y i x 2 i
2 y i
(4.2)
1 r 1,
i la seva interpretaci s la que apareix a la
4.4.
r 1 r < 0
Valor de
Interpretaci Hi ha una relaci montona negativa (Tipus B). Quant ms a prop de -1 estigui
r,
ms forta s la relaci
0<r1 r0
Hi ha una relaci montona positiva (Tipus A). Quant ms a prop de 1 estigui Si
r,
ms forta s la relaci
est a prop de
0,
vol dir que no hi No
ha relaci o que no s montona. Tipus D Figura 4.5: Interpretaci de
es pot distingir si s del Tipus C o del
El coecient de correlaci
s un estimador, calculat a partir de la mostra
d'observacions de les variables
X i Y,
del coecient de correlaci poblacional
que mesura la correlaci verdadera entre dues variables. En aquest sentit, i tal com hem fet en els captols anteriors amb d'altres estimadors (com per exemple
de la mitjana poblacional
),
podem utilitzar
per fer inferncia sobre el
valor de que,
(intervals de conana, contrasts d'hiptesis). Per a fer-ho ens cal
conixer la distribuci d'aquest estimador. En aquest sentit, es pot demostrar
1 1+r 1 1+ 1 ln( ) N ( ln( ), ) 2 1r 2 1 n3
Exemple 4.4.1 Considerar la segent srie de dades de les variables
Y.
X Y
6 6.5
4 4.5
8 7
5 5
3.5 4
7 8
5 7
10 10
5 6
4 5
Per calcular el coecient de correlaci
fem els segents clculs:
1.
. Y X Y = = 6 + 4 + 8 + 3.5 + 7 + 5 + 10 + 5 + 4 = 5.75 10 6.5 + 4.5 + 7 + 5 + 4 + 8 + 7 + 10 + 6 + 5 = 6.3 10
2. A la taula segent es calculen els sumatoris
xi
6 4 8 5 3.5 7 5 10 5 4
yi
6.5 4.5 7 5 4 8 7 10 6 5
X
5.75 5.75 5.75 5.75 5.75 5.75 5.75 5.75 5.75 5.75
Y
6.3 6.3 6.3 6.3 6.3 6.3 6.3 6.3 6.3 6.3
x i
0.25 -1.75 2.25 -0.75 -2.25 1.25 -0.75 4.25 -0.75 -1.75 0
y i
0.2 -1.8 0.7 -1.3 -2.3 1.7 0.7 3.7 -0.3 -1.3 0
x 2 i
0.063 3.063 5.063 0.563 5.063 1.563 0.563 18.063 0.563 3.063
2 y i
x i y i
0.05 3.15 1.58 0.98 5.18 2.13 -0.53 15.73 0.23 2.28
0.040 3.240 0.490 1.690 5.290 2.890 0.490 13.690 0.090 1.690
37.63
29.6
30.75
4.4.
3. Calculem nalment el coecient de correlaci
r=
x i y i x 2 i
2 y i
30.75 = 0.9214 37.63 29.6
Aix, veiem que hi ha una forta relaci montona creixent (del 92,14 %) entre les variables
Captol 5
Introducci al model de regressi
5.1 Objectiu del model

Es tracta ara d'estudiar quina s la relaci existent entre dues variables numriques qualsevol
Y.
Per exemple, si mirem les dades corresponents al Producte
Interior Brut (Gross Domestic Product ) en la Uni Europea entre 1991 i 2003 i a la Demanda Interna (Domestic Demand ) en el mateix perode obtenim la grca segent:
Figura 5.1: Dades de PIB i Demanda Interna
111
112
CAPTOL 5.
INTRODUCCI AL MODEL DE REGRESSI
Aquesta grca (com hem vist al estudiar l'anlisi de la correlaci ) sembla suggerir una clara relaci creixent entre Interior Brut
(Domestic Demand) i
(Gross Domestic
Product), quant ms alta s la Demanda Interna
(X ),
ms alt s el Producte
(Y )
Ms concretament, la grca sembla suggerir que aquesta relaci segueix una lnia recta. s a dir, s com si es pogus dibuixar una recta que passi per (quasi) tots els punts de la grca. La gura segent mostra aquesta recta:
Figura 5.2: Dades de PIB i Demanda Interna i Recta ajustada
L'objectiu principal de l'anlisi de la regressi lineal s obtindre l'equaci d'aquesta recta i estudiar les seves propietats a partir d'un conjunt de parells d'observacions de les variables:
{(x1 , y1 ), (x2 , y2 ), . . . , (xn , yn )}.
Aquesta equaci reectir la relaci existent entre aquestes dues variables i tindr una expressi del tipus
Y = 1 + 2 X
on
s el punt on la recta talla l'eix vertical i
s el pendent de la recta
Una relaci com la descrita s un cas concret de relaci de causalitat en el sentit que els canvis en una de les variables expliquen els canvis en l'altra variable. Aix, es parla de la variable explicativa (exgena o independent) (la (endgena o depenent) (la
en aquest
cas) que s la que causa (o explica) el comportament de la variable explicada
Y ).
5.2.
HIPTESIS PER L'ESPECIFICACI DEL MODEL
113
5.2 Hiptesis per l'especicaci del model

Normalment, per, aquesta relaci no s perfecta. s a dir, acostuma a passar que la variable
X X
per si sola no pot explicar tot el comportament de la variable la recta no passa per tots els punts i
Y.
Aix es pot observar en el grc:
que relacionen
Y.
Sempre, incls en el millor dels casos, hi ha un petit
error, una petita diferncia deguda a d'altres factors que tamb poden explicar el comportament de la variable
per que no hem tingut en compte. L'Anlisi

1
de la Regressi parteix del supsit que aquests errors sn petits i aleatoris, s a dir, tenen poca importncia i no es poden preveure . Aix es recull incorporant un terme d'error
(u)
a l'equaci que relaciona les dues variables:
Y = 1 + 2 X + u
Tenim doncs que el model de l'anlisi de la regressi lineal simple t dues parts: 1. 2.
1 +2 X Part u Part
de la variaci de Y explicada per X (Variaci explicada)
de la variaci de Y no explicada per X (Variaci no explicada)
Aix deneix l'anomenat Model Teric [MT]
[MT]
Yi = 1 + 2 Xi + ui i-ssima
observaci de les variables.
(5.1)
on els subndex i fa referncia a la
Tcnicament, la hiptesi que els errors sn petits i aleatoris es concreta en les segents propietats que s'atribueixen a aquests errors: 1.
2 ). ui N (0, u l'error ui s una
Aquesta hiptesi especica que per cada observaci variable aleatria amb distribuci Normal,
xi
(s
E (ui ) = 0
a dir s'espera que aquest error sigui petit) i
2 V (ui ) = u
(s a dir, tots
els errors tenen la mateixa varincia). Aquest darrer supsit que totes les varincies sn iguals s'anomena homocedasticitat. Si aquesta hiptesi no se satisf s diu que el model s heterocedstic. 2.
E (ui uj ) = 0
si
i = j,
el que vol dir que no hi ha cap relaci entre els
errors associats a observacions diferents
3. Els valors de la variable explicativa 4.
sn deterministes i no aleatoris
E (Xi ui ) = 0.
La variable
i els errors
no tenen cap relaci entre si sn constants
5. Els parmetres desconeguts del model,
2 1 , 2 i u ,
D'aquestes hiptesis es deriva que en el Model Teric aleatria Normal caracteritzada per
s una variable
E (Yi ) V (Yi )
1 Si
= E (1 + 2 Xi + ui ) = 1 + 2 Xi + E (ui ) = 1 + 2 Xi
2 = V (1 + 2 Xi + ui ) = 0 + 0 + V (ui ) = u
fossin importants, invalidarien l'anlisi. Si no fossin aleatoris, s a dir, si es poguessin
predir, els haurem d'incorporar a l'anlisi.
114
CAPTOL 5.
A partir d'aqu, l'anlisi de la regressi simple procedeix amb l'estimaci dels parmetres desconeguts del model,
2 1 , 2 i u ,
a partir de la srie de dades
{(x1 .y1 ), (x2 , y2 ), . . . , (xi , yi ), . . . , (xn , yn )}

que es disposa. donat per Per a fer-ho, s'especica l'anomenat Model Estimat [ME]
[ME]
que apareix a la gura 5.2. En aquest Model Estimat,
1 + 2 xi y i =
(5.2)
que correspon a l'equaci de la recta ajustada a les dades observades, com la
y i
s la estimaci del valor de la variable
corresponent a l'observaci
xi
1 2
s l'estimaci del parmetre poblacional
1 . 2 .
En la recta, correspon al
punt de tall amb l'eix vertical s l'estimaci del parmetre poblacional En la recta, correspon al
pendent s fcil observar que per cada valor corresponent de la variable per
xi
hi ha una diferncia entre el valor real
(yi ) i el valor corresponent a la recta estimada
(y i ). A aquesta diferncia se l'anomena residu o error de la regressi, i es denota
u i : u i = yi y i
(5.3)
Figura 5.3: Recta ajustada i errors
Es tracta de trobar la recta que millor s'ajusti a les dades. s a dir, hem de
trobar el Model Estimat que millor s'ajusti al Model Teric; les estimacions i
que facin que aquests residus siguin el ms petits possible (minimitzar
el residus)
5.3.
ESTIMACI PER MNIMS QUADRATS ORDINARIS (MQO) I LES SEVES PROPIETATS115
5.3 Estimaci per Mnims Quadrats Ordinaris (MQO) i les seves propietats
Si observem la gura 5.3 veurem que hi ha residus positius i residus negatius. Efectivament, en alguns casos tenim que que
yi > y i
mentre que en d'altres trobem
yi < y i .
Per tant, el que no hem de fer s intentar trobar la recta per la
qual la suma de tots aquest residus sigui mnima, ja que errors positius (u i s'anularien amb errors negatius (u i fos zero o proper a zero.
> 0) < 0) i podria passar que trobssim un Model
Estimat que tot i tenir molts errors, en fer la suma d'aquests errors l'error total
Figura 5.4: Errors positius i negatius s'anulen
El mtode dels Mnims Quadrats Ordinaris (MQO) opera en aquest sentit, per minimitzant la suma dels quadrats d'aquests errors. quadrat s'eviten els valors negatius. Aix doncs, es tracta de trobar els valors de En elevar els errors al
1 i 2
tals que es minimitzi
u 2 i.
Notar que, a partir de la denici de aquests errors de l'equaci (5.3) i de la especicaci del model estimat (5.2) aix ho podem escriure com
u 2 i =
i=1 i=1
(yi y i )2 =
i=1
1 + 2 xi ))2 (yi (
(5.4)
5.3.1 Dades en diferncies amb respecte de la mitjana

Per tal de poder procedir amb aquesta anlisi s convenient realitzar algunes transformacions amb les dades.
116
CAPTOL 5.
Siguin
dues variables de les quals tenim els parells d'observacions:
{(x1 .y1 ), (x2 , y2 ), . . . , (xi , yi ), . . . , (xn , yn )}

A partir d'aquests dades podem calcular les mitjanes (totes les sumes van de
i=1
n): = X xi , Y = n yi n
A partir d'aqu construm les series anomenades dades en diferncies, que corresponen a les mateixes dades per expressades en desviacions (o diferncies) amb respecte de la seva mitjana, s a dir:
x i = xi X y i = yi Y
A partir d'aquests dades transformades podem realitzar els segents clculs (de nou tots els sumatoris
van de
i=1
ns
n): 2 x2 i nX
2 2 yi nY
(5.5)
x 2 i =
2 y i =
)2 = (xi X )2 = (yi Y
(5.6) (5.7)
x i y i =
)(yi Y ) = (xi X
Y xi yi nX
5.3.2 Obtenci dels estimadors MQO

Trobarem ara els valors de quadrat
que es minimitzen la suma dels errors al
u 2 i =
i=1 i=1
(yi y i )2 =
i=1
1 + 2 xi ))2 (yi ( u 2 i
amb respecte de
Per a fer-ho, derivarem aquesta expressi de igualarem a zero.
En fer aquestes dues derivades obtindrem dues equacions
(anomenades equacions normals ) que haurem de resoldre conjuntament per a obtindre les dues incgnites,
1 i 2 1 + 2 xi ))(1) = 0 (yi ( 1 + 2 xi ))(xi ) = 0 (yi ( 1 + 2 yi = n = 1 yi xi = x2 i 2 xi +
u 2 i 1
=2 =2
u 2 i 2
= x2 i
1 + 2 xi )) = 0 (yi ( 1 + 2 xi ))xi = 0 (yi (
xi
1 + 2 X = Y 1 nX 2 + yi xi =
Allant
de la primera equaci obtenim
5.3.
1 = Y 2 X
i substituint en la segona
(5.8)
2 X 2 X n 2 + yi xi = n Y
Reordenant obtenim
x2 i
2 ( X = yi xi n Y
i,nalment,
2 x2 i nX )
2 =
X yi xi nY 2 2 xi nX
Fent servir les expressions (5.7) i (5.5) ho podem reescriure en forma ms compacta
2 =
x i y i 2 x i
(5.9)
5.3.3 Estimaci de la varincia del terme d'error

Finalment, per completar l'estimaci dels tots els parmetres del model, cal obtindre una estimaci de la varincia del terme d'error aleatori,
2 u .
Aquesta estimaci s'obt a partir de la varincia dels errors observats en l'estimaci de la recta de regressi per MQO.
2
2 2 u = Su =
( ui u )2 n2 u i = 0.
Notar en primer lloc que de la primera equaci normal es dedueix que Per tant,
u = 0.
Aix, a partir de l'expressi (5.4) podem calcular
2 u =
u 2 i = n2
1 + 2 xi ))2 (yi ( n2
Substituint
per la seva expressi MQO (5.8) i reordenant els termes tindrem
2 u
= =
2 Recordar
2 X 2 (xi X 2 xi ))2 + ) ))2 (yi (Y ((yi Y = = n2 n2 2 2 2 2 x 2 y 2 x 2 y 2 ( yi i )2 ( yi 2 i x i + y i 2 i x i + 2 i ) 2 = = n2 n2 n2

que per obtindre una estimaci no esbiaixada de la varincia cal dividir pels
x 2 i
graus de llibertat. En aquest cas sn
n2
ja que treballem amb dues equacions
118
CAPTOL 5.
Recuperant l'expressi MQO de tant,
(5.9) trobem que
2 y i x i =
x 2 i.
Per
2 u =
2 2 2 x 2 y i 2 2 i + 2 n2
x 2 i
Aix, nalment tenim que
2 u =
2 2 y i 2 n2
x 2 i
(5.10)
5.3.4 Propietats dels estimadors MQO

Un cop obtingudes les expressions dels estimadors MQO de
1 i 2 ,
1 = Y 2 X ;
estudiarem les seves propietats principals
2 =
x i y i x 2 i
5.3.4.1
1.
Propietats de
2 2
pot expressar-se com una combi-
Linealitat .
Notar que l'estimador

3
naci lineal dels valors observats de la variable els coecients
Y.
Efectivament, si denim
ci
com
ci =
podem escriure
x i x 2 i ci y i 2
2 =
2.
Normalitat.
Yi ).
Per tant,
De la propietat de linealitat es deriva que l'estimador
s la suma de transformacions lineals de variables aleatries Normals (les
s tamb una variable aleatria Normal Calculem l'esperana de l'estimador
3.
No esbiaixament .
2 ) E ( = = =
Aix doncs,
ci E ( yi ) =
) = ci E (Yi Y ui )) = n x 2 i = 2 x 2 i
+ ci E (1 + 2 Xi + ui (1 + 2 X ) = 2 ci 2 (Xi X 2 ) = 2 E ( ci x i = 2
3 Notar
que aquests coecients depenen noms dels valors observats de la variable
i, per
tant, sn valors determinstics del model, no aleatoris.
5.3.
4.
Ecincia .
2 ) V ( = =
Aix doncs,
Trobem la varincia de l'estimador
2 c2 i V (Yi ) = c2 i V (ui ) =
V(
2 u
ci y i ) =
2 c2 i = u
c2 i V (Yi Y ) = [ x 2 i 2 = u x i ]2 1 x 2 i 1 x 2 i
2 ) = 2 V ( u
de
i pot demostrar-se que d'entre tots els estimadors lineals i no-esbiaixats
2 ,
aquesta s la mnima varincia
En conseqncia podem escriure
2 N (2 , 2 u
5.3.4.2 Propietats de
1 ) x 2 i
1 2
Donat que
s una transformaci lineal de
1 = Y 2 X
tindr les mateixes propietats que 1.
2 Y
Linealitat . Normalitat.
Yi ).
Per tant,
A l'igual que
2 ,
tenim que
es pot expressar com una
combinaci lineal dels valors de 2.
De la propietat de linealitat es deriva que l'estimador
s la suma de transformacions lineals de variables aleatries Normals (les
s tamb una variable aleatria Normal Calculem l'esperana de l'estimador
3.
No esbiaixament .
1 ) E ( = = = =
Aix doncs,
2 X ) = E( E (Y
Yi 2 Xi ) = n n (1 + 2 Xi + ui ) Xi E( 2 )= n n (1 + 2 Xi ) Xi 2 = n n n1 Xi Xi + 2 2 = 1 n n n 1 ) = 1 E (
4.
Ecincia .
1 ) V (
Trobem la varincia de l'estimador
1 Yi 2 ) = 2 V ( )+X n 1 2 2 2 (u u +X )= x 2 i
2 X 2 ) = V ( ) = V (Y ) + X 2 V ( = V (Y = =
1 1 1 2 2 (u V (Yi ) + X )= 2 n2 x 2 n i 2 1 1 X n 2 2 2 2 ( u + X ) = u ( + ) u 2 2 n x i n x 2 i
120
CAPTOL 5.
Aix doncs,
1 ) = 2 ( V ( u
2 1 X ) + x 2 n i
i pot demostrar-se que d'entre tots els estimadors lineals i no-esbiaixats de
1 ,
aquesta s la mnima varincia
En conseqncia podem escriure
2 1 N (1 , 2 ( 1 + X )) u n x 2 i
5.4 Contrastaci del model

Les expressions de valors de
parmetres poblacionals
2 que hem trobat sn estimadors dels verdaders 1 i 2 del model teric. Aix, podem utilitzar aquests
per a obtindre intervals de conana pels autntics valors de
i per a fer contrasts d'hiptesis. Per a fer-ho, utilitzarem els segents
estadstics (junt amb les seves distribucions) que es basen en las distribucions que hem trobat pels estimadors
1 i 2 . 1 1 tn2 S 1 2 2 tn2 S 2
(5.11)
(5.12)
on
S 1 =
2 = S
1
2( u
2 1 X + ) n x 2 i 1 x 2 i
(5.13)
S 2 =
2 = S
2
2 u
(5.14)
5.4.1 Intervals de conana per 1 i 2

A partir dels estadstics (5.11) i (5.12), i seguint la tcnica desenvolupada a la secci 2.5, trobem els segents intervals de conana per determinat grau de conana
per un
1 :
(5.15)
1 t1 S , 1 + t1 S ] 1 [ 1 1 2 2 2 t1 S , 2 + t1 S ] 2 [ 2 2 2 2
(5.16)
5.5.
COEFICIENT DE BONDAT DE L'AJUST I RELACI ENTRE LA CORRELACI I L'ANLISI DE LA REG
5.4.2 Contrasts d'hiptesis per 1 i 2

1.
Contrast sobre
contrast
1 :
Per contrastar la hiptesi nulla
H0 : 1 = 10
davant la hiptesi alternativa
H1 : 1 = 10 = 1 1 0 S 1
farem servir l'estadstic de
t(1 )
qu sota la hiptesi nulla tindr una distribuci t-student amb de llibertat. Aix, tal com he vist al Captol 3, si trobem
n 2 graus
|t(1 )| < t1 = No 2
2.
es rebutja rebutja
H0 : 1 = 10
Contrast sobre 2 : Per contrastar la hiptesi nulla H0 : 2 = 2

la hiptesi alternativa
|t(1 )| > t1 = Es 2 H1 : 2 = 2 0
t(2 )
H0 : 1 = 10
0
davant
farem servir l'estadstic de contrast
2 2 0 S 2 n 2 graus
qu sota la hiptesi nulla tindr una distribuci t-student amb de llibertat. Aix, tal com he vist al Captol 3, si trobem
|t(2 )| < t1 = No 2
es rebutja rebutja
H0 : 2 = 20
|t(2 )| > t1 = Es 2
H0 : 2 = 20
En aquest cas t especial inters el contrast
H0 : 2 = 0 H1 : 2 = 0
Efectivament, si trobssim que no podem rebutjar la hiptesi tindrem que el model teric quedaria de la forma
2 = 0
Yi = 1 + 0Xi + ui
s a dir,
Yi = 1 + ui
la qual cosa indicaria que no hi ha cap relaci entre les variables i que tot el comportament de la variable d'error
Y,
quedaria explicat pel terme
ui ,
invalidant d'aquesta manera el nostre model.
5.5 Coecient de Bondat de l'ajust i relaci entre la correlaci i l'anlisi de la regressi

5.5.1 El Coecient de determinaci (o de Bondat d'ajust)
Un cop trobats els valors de
1 i 2
que determinen la recta que millor s'ajusta
a les observacions de les variables, volem ara conixer la bondat d'aquest ajust. Aix es fa mitjanant el coecient de determinaci.
122
CAPTOL 5.
El coecient de determinaci (R ) mesura quin percentatge del comportament de la variable
es pot explicar amb el nostre model estimat. D'aquesta man-
era, el percentatge restant (1-R ) correspondr a errors del nostre model, al comportament de
que no est explicat.
Es tracta d'explicar les variacions de la variable mitjana
amb respecte de la seva
mateix, aquestes desviacions s'eleven al quadrat,
). (yi Y
Per tal de que variacions positives i negatives comptin el
una mesura de la Variaci Total, sumen totes aquestes variacions:
)2 . Finalment, per tenir (yi Y

(5.17)
VT =
L'expressi (5.17) es pot escriure com
)2 (yi Y
VT =
on
))2 ((yi y i ) + ( yi Y
pel model estimat mentre que
Desenvolupant aquesta expressi tenim:
) s, com hem vist, la part del comportament de la variable Y explicada ( yi Y (yi y i ) sn els errors u i del model estimat. VT = = = ) + ( )2 ) = ((yi y i )2 + 2(yi y i )( yi Y yi Y (yi y i )2 + 2 u 2 i +2 ) + (yi y i )( yi Y )2 ( yi Y
(5.18)
) + (yi y i )( yi Y (yi y i ) = u i
)2 ( yi Y
A partit d'aqu, donat que
i que
1 + 2 xi ) ( 1 + 2 X 2 (xi X ) = ( ) = ) ( yi Y
podem escriure el sumant central de l'expressi (5.18) com
(5.19)
) = 2 (yi y i )( yi Y
2 (xi X 2 ) = 2 u i
2 X u i xi 2
u i
que s igual a zero ja que a partir de les equacions normals tenim que
u i u i xi
= =
0 0
Aix doncs, tenim que l'expressi (5.18) queda com
VT =
u 2 i +
)2 ( yi Y u 2 i
s la suma dels errors, s a dir, la
Si observem aquesta expressi viem que
Variaci No Explicada pel model estimat (VNE) mentre que

Variaci Explicada (VE). Per tant, tenim que
i )2 ( yi Y
s la
)2 = (yi Y
o, de forma equivalent,
u 2 i +
)2 ( yi Y
(5.20)
V T = V NE + V E
5.5.
COEFICIENT DE BONDAT DE L'AJUST I RELACI ENTRE LA CORRELACI I L'ANLISI DE LA REG
El coecient de determinaci la Variaci Total (VT):
R2
calcula el percentatge de la Variaci Total
explicat pel model, s a dir, quant representa la Variaci Explicada (VE) sobre
R2 =
VE = VT
)2 ( yi Y )2 (yi Y R2
com
A partir de l'expressi (5.19) podem expressar
R2 =
2 (xi X 2 (xi X )2 )2 2 2 = )2 )2 (yi Y (yi Y
Finalment, podem obtindre una expressi ms compacta fent servir les dades en diferncies:
R2 =
2 2
x 2 i
2 y i
(5.21)
Notar que
0 R2 1
Efectivament,
1.
R2 R2
sempre pren un valor positiu ja que el seu clcul es fa a partir d'ex-
pressions quadrtiques 2. sempre pren un valor inferior o igual a 1, ja que es calcula com un
percentatge
Un valor un valor
R2 = 0 indica una absncia R2 = 1 indicaria una relaci
de relaci lineal entre lineal perfecta (100%)
Y,
mentre que
5.5.2 Relaci entre la correlaci i l'anlisi de la regressi

A partir de les dades observades de les variables
{(x1 .y1 ), (x2 , y2 ), . . . , (xi , yi ), . . . , (xn , yn )}

podem calcular el coecient de correlaci
tal com es va fer a la secci 4.4.
Aix, tenem la frmula (4.2) per calcular el coecient de correlaci
r=
x i y i x 2 i
2 y i
Si calculem el quadrat d'aquesta expressi tenim
r2 =
x 2 i
x i y i )2 2 y i
124
CAPTOL 5.
A partir de l'expressi (5.9) de
2 2 = x i y i 2 x i 2 ( x i y i )2 = 2
tenim
tenim que
2 x i y i =
x 2 ( i = r2
2 x 2 i)
Substituint a l'expressi que tenim de
r2 =
2 2 ( x 2 x 2 2 x i y i )2 2 2 i i) = = 2 2 2 y i y i x 2 x 2 y i i i
que veiem coincideix amb la frmula (5.21) del coecient de determinaci Aix doncs, tenim que
R2 .
R2 = r 2
s a dir, el coecient de determinaci
R2
de l'anlisi de la regressi lineal coin-
cideix amb el quadrat del coecient de correlaci
de l'anlisi de la correlaci.
Aix, l'anlisi de la regressi lineal incorpora l'anlisi de la correlaci, afegint ms detall en l'estudi de la causalitat en la relaci entre les variables.
5.6 Previsi
Un us habitual del model de regressi s fer prediccions sobre el valor futur de la variable depenent depenent
a partir d'informaci sobre el valor que tindr la variable
X.
En aquest sentit, el ms habitual s formar una expectativa (o
esperana ) sobre el valor de
condicionada a un valor concret de
X. X
i
n {(x1 , y1 ), (x2 , y2 ), . . . , (xn , yn )},

Formalment, si a partir dels
parells d'observacions de les variables hem estimat el model
Y,
1 + 2 xi y i =
i ara disposem d'informaci sobre un valor futur (xn+1) ) de la variable la variable
X , podem
formar una expectativa (previsi o predicci) del valor corresponent (yn+1 ) de
donat aquest valor conegut de la variable
X.
s a adir,
E (Yn+1 /xn+1 )
Donat que d'acord amb el model teric [MT] tenim que
Yi = 1 + 2 xi + ui
calculant l'esperana condicionada tenim
E (Yn+1 /xn+1 )
= = =
E (1 + 2 xn+1 + un+1 ) = E (1 ) + E (2 xn+1 ) + E (un+1 ) = 1 + 2 xn+1
5.6.
PREVISI
125
ja que, per hiptesi,
E (un+1 ) = 0.
Aix, tenim que
E (Yn+1 /xn+1 ) = 1 + 2 xn+1

A partir d'aqu podem obtenir una estimaci d'aquest valor futur de la variable
de dues maneres diferents: fent una estimaci puntual o fent una estimaci
per intervals
5.6.1 Estimaci puntual de Yn+1

Aquesta s l'aproximaci ms simple a fer una previsi futura del valor de la variable depenent
Y.
Efectivament, si tenim el model estimat [ME]
1 + 2 xi y i =
podem obtindre una estimaci puntual (y n+1 ) del valor de ement de
a partir del coneix-
xn+1
utilitzant directament el model estimat:
1 + 2 xn+1 y n+1 =
Aquesta estimaci, per, resulta imprecisa ja que, com s'explica al nal de l'apartat 2.4, no sabem si el valor que realment tindr la variable intervals ens donar ms informaci
estar molt
a prop o no d'aquesta estimaci puntual. En aquest sentit, una estimaci per
5.6.2 Estimaci per intervals de Yn+1

Seguint la mateixa tcnica vista a l'apartat 2.5, es pot demostrar que un interval de conana amb un nivell
pel valor de
Yn+1 ve
donat per
Sy Sy n+1 + t1 Yn+1 [ yn+1 t1 n+1 , y n+1 ] 2 2

on t1 s el valor d'una 2 seva esquerra una rea de
y n+1
ve donada per
t student amb n 2 graus de llibertat que deixa a la 1 n+1 , de l'estimador 2 i la desviaci estndard, Sy )2 (xn+1 X 1 + 2 n x i
Sy n+1 =
2 u
El segent exemple recull la majoria de clculs que permeten treballar amb l'anlisi de la regressi
Exemple 5.6.1 Recordem l'exemple 4.2.1 del captol anterior, on tenem la

serie de dades
X Y
6 6.5
4 4.5
8 7
5 5
3.5 4
7 8
5 7
10 10
5 6
4 5
126
CAPTOL 5.
a partir de la qual havem obtingut els segents resultats
X Y x i y i x 2 i
2 y i
= = = = =
5.75 6.3 30.75 37.63 29.6 1

i
A partir d'aqu podem calcular els valors dels estimadors formules (5.8) i (5.9)
2 .
Recordem les
1 = Y 2 X 2 =
En aquest cas tenim:
x i y i x 2 i
2 1
= =
30.75 = 0.817 37.63 6.3 (0.817)5.75 = 1.6
Aix doncs obtenim el Model Estimat
y i = 1.6 + 0.817xi
Grcament,
5.6.
PREVISI
127
Calculem ara el coecient de determinaci
R2
a partir de la frmula (5.21)
R2 =
2 2
x 2 i
2 y i
(0.817)2 37.63 = 0.849028 29.6
Aix doncs, el Model Estimat explica un 85% del comportament de la variable
Y.
Obtindrem a continuaci intervals de conana per conana del 95% d'aquests intervals:
(1 ) = 0.95.
1 i 2 amb un nivell de Partim de les expressions (5.15) i (5.16)
1 + t1 S ] 1 t1 S , 1 [ 1 1 2 2 2 t1 S , 2 + t1 S ] 2 [ 2 2 2 2
Observem que hem d'obtindre a les taules de la t-student amb de llibertat el valor
05 = t10.025 = t0.975 = 2.306 t1 = t1 0.2 2
(n 2) = 8
graus
Aix mateix, hem de calcular els valors dels errors estndard dels estimadors,
S 1
S 2
a partir de les frmules (5.13) i (5.14)
S 1 =
2 = S
1
2( u
2 1 X + ) n x 2 i 1 x 2 i
S 2 =
2 = S
2
2 u
per la qual cosa primer hem de calcular

2 u =
fent servir la frmula (5.10)
2 y i 2 n2
x 2 i
29.6 (0.817)2 37.63 = 0.5586 8
Per tant,
S 1 =
2( u
2 1 X + )= n x 2 i
2 u
0.5586(
1 (5.75)2 + ) = 0.74 10 37.63 1 = 0.122 37.63
S 2 =
1 = x 2 i
0.5586
Ara podem calcular els intervals
1 [1.6 (2.306)(0.74), 1.6 + (2.306)(0.74)] = [0.106, 3.306] 2 [0.817 (2.306)(0.122), 0.817 + (2.306)(0.122)] = [0.536, 1.098] 2 = 0, que s'acostuma a fer comprovar la tal com s'ha discutit al nal de la secci 5.4.2. Donat que 2 hem obtingut un valor elevat de R , podem esperar que aquesta hiptesi ser
Realitzarem, per acabar, el contrast relaci entre rebutjada.
128
CAPTOL 5.
El contrast a realitzar s
H0 : 2 = 0 H1 : 2 = 0
En aquest cas l'estadstic de contrast a utilitzar s
t(2 ) =
2 S 2 tstudent
amb
que, tal com he vist abans, es distribueix seguint una corresponent:
graus de llibertat. En fer els intervals de conana ja em trobat el valor tabulat
(n 2) = 8
t0.975 = 2.306
El valor observat de l'estadstic de contrast s
t(2 ) =
Clarament, com que
0.817 = 6.7 0.122
= Es |t(2 )| > t1 2
el que indica que la relaci entre
rebutja
H0 : 2 = 0
s signicativa.
Suposem, nalment, que tenim informaci que ens diu que la variable el valor
ha pres
x11 = 8.
Quina predicci podem fer sobre el valor corresponent (y11 ) de
la variable depenent
Y?
Una estimaci puntual es pot calcular fcilment a partir del model estimat que hem obtingut
y i = 1.6 + 0.817xi
Aix, si
x11 = 8,
tindrem que
y 11
= =
1.6 + 0.817x11 = 1.6 + 0.817 8 = 8.136 Y

tindr el valor
Per tant, si x11 = 8 podem predir que la variable (de forma aproximada).
y 11 = 8.136
Si volem ms informaci sobre aquesta estimaci, podem construir l'interval de conana corresponent. Aix, amb un nivell de conana del 95% tindrem que
(1 ) = 0.95
Y11 [ y11 t1 Sy 11 + t1 Sy 11 , y 11 ] 2 2
Observem que hem d'obtindre a les taules de la t-student amb de llibertat el valor
05 = t10.025 = t0.975 = 2.306 t1 = t1 0.2 2
(n 2) = 8
graus
5.6.
PREVISI
129
Per poder construir l'interval hem de calcular
Sy 11 =
Sy 11
2 u
)2 1 (x11 X + 2 n x i
0.5586
1 (8 5.75)2 + 10 37.63
= 0.362
Aix, nalment tenim
Y11 [8.136 2.306 0.362, 8.136 + 2.306 0.362] Y11 [7.3, 8.97]
s a dir, el valor de probabilitat del 95%
Y11
corresponent a
x11 = 8
estar entre 7.3 i 8.97 amb una
130
CAPTOL 5.
Apndix A
Apndix: Taules Estadstiques
A.1 Distribuci Normal Estndard A.2 Distribuci A.3 Distribuci A.4 Distribuci
t student 2 F
de Snedecor
A.5 Valors pel contrast Kolmogorov-Smirnov
131
132
APNDIX A.
APNDIX: TAULES ESTADSTIQUES
A.1 Distribuci Normal
estndard
p(Z z) z
z
0.0 0.1 0.2 0.3 0.4 0.5 0.6 0.7 0.8 0.9 1.0 1.1 1.2 1.3 1.4 1.5 1.6 1.7 1.8 1.9 2.0 2.1 2.2 2.3 2.4 2.5 2.6 2.7 2.8 2.9 3.0 3.1 3.2 3.3 3.4 3.5 3.6 3.7 3.8 3.9
0.00 0.5000 0.5398 0.5793 0.6179 0.6554 0.6915 0.7257 0.7580 0.7881 0.8159 0.8413 0.8643 0.8849 0.9032 0.9192 0.9332 0.9452 0.9554 0.9641 0.9713 0.9773 0.9821 0.9861 0.9893 0.9918 0.9938 0.9953 0.9965 0.9974 0.9981 0.9987 0.9990 0.9993 0.9995 0.9997 0.9998 0.9998 0.9999 0.9999 1.0000
0.01 0.5040 0.5438 0.5832 0.6217 0.6591 0.6950 0.7291 0.7611 0.7910 0.8186 0.8438 0.8665 0.8869 0.9049 0.9207 0.9345 0.9463 0.9564 0.9649 0.9719 0.9778 0.9826 0.9864 0.9896 0.9920 0.9940 0.9955 0.9966 0.9975 0.9982 0.9987 0.9991 0.9993 0.9995 0.9997 0.9998 0.9998 0.9999 0.9999 1.0000
0.02 0.5080 0.5478 0.5871 0.6255 0.6628 0.6985 0.7324 0.7642 0.7939 0.8212 0.8461 0.8686 0.8888 0.9066 0.9222 0.9357 0.9474 0.9573 0.9656 0.9726 0.9783 0.9830 0.9868 0.9898 0.9922 0.9941 0.9956 0.9967 0.9976 0.9982 0.9987 0.9991 0.9994 0.9995 0.9997 0.9998 0.9999 0.9999 0.9999 1.0000
0.03 0.5120 0.5517 0.5910 0.6293 0.6664 0.7019 0.7357 0.7673 0.7967 0.8238 0.8485 0.8708 0.8907 0.9082 0.9236 0.9370 0.9484 0.9582 0.9664 0.9732 0.9788 0.9834 0.9871 0.9901 0.9925 0.9943 0.9957 0.9968 0.9977 0.9983 0.9988 0.9991 0.9994 0.9996 0.9997 0.9998 0.9999 0.9999 0.9999 1.0000
0.04 0.5160 0.5557 0.5948 0.6331 0.6700 0.7054 0.7389 0.7704 0.7995 0.8264 0.8508 0.8729 0.8925 0.9099 0.9251 0.9382 0.9495 0.9591 0.9671 0.9738 0.9793 0.9838 0.9875 0.9904 0.9927 0.9945 0.9959 0.9969 0.9977 0.9984 0.9988 0.9992 0.9994 0.9996 0.9997 0.9998 0.9999 0.9999 0.9999 1.0000
0.05 0.5199 0.5596 0.5987 0.6368 0.6736 0.7088 0.7422 0.7734 0.8023 0.8289 0.8531 0.8749 0.8944 0.9115 0.9265 0.9394 0.9505 0.9599 0.9678 0.9744 0.9798 0.9842 0.9878 0.9906 0.9929 0.9946 0.9960 0.9970 0.9978 0.9984 0.9989 0.9992 0.9994 0.9996 0.9997 0.9998 0.9999 0.9999 0.9999 1.0000
0.06 0.5239 0.5636 0.6026 0.6406 0.6772 0.7123 0.7454 0.7764 0.8051 0.8315 0.8554 0.8770 0.8962 0.9131 0.9279 0.9406 0.9515 0.9608 0.9686 0.9750 0.9803 0.9846 0.9881 0.9909 0.9931 0.9948 0.9961 0.9971 0.9979 0.9985 0.9989 0.9992 0.9994 0.9996 0.9997 0.9998 0.9999 0.9999 0.9999 1.0000
0.07 0.5279 0.5675 0.6064 0.6443 0.6808 0.7157 0.7486 0.7794 0.8078 0.8340 0.8577 0.8790 0.8980 0.9147 0.9292 0.9418 0.9525 0.9616 0.9693 0.9756 0.9808 0.9850 0.9884 0.9911 0.9932 0.9949 0.9962 0.9972 0.9979 0.9985 0.9989 0.9992 0.9995 0.9996 0.9997 0.9998 0.9999 0.9999 0.9999 1.0000
0.08 0.5319 0.5714 0.6103 0.6480 0.6844 0.7190 0.7517 0.7823 0.8106 0.8365 0.8599 0.8810 0.8997 0.9162 0.9306 0.9429 0.9535 0.9625 0.9699 0.9761 0.9812 0.9854 0.9887 0.9913 0.9934 0.9951 0.9963 0.9973 0.9980 0.9986 0.9990 0.9993 0.9995 0.9996 0.9997 0.9998 0.9999 0.9999 0.9999 1.0000
0.09 0.5359 0.5753 0.6141 0.6517 0.6879 0.7224 0.7549 0.7852 0.8133 0.8389 0.8621 0.8830 0.9015 0.9177 0.9319 0.9441 0.9545 0.9633 0.9706 0.9767 0.9817 0.9857 0.9890 0.9916 0.9936 0.9952 0.9964 0.9974 0.9981 0.9986 0.9990 0.9993 0.9995 0.9997 0.9998 0.9998 0.9999 0.9999 0.9999 1.0000
A.2.
DISTRIBUCI
T ST U DEN T
133
A.2 Distribuci t student

p(tn t)=
n
1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 24 30 40 50 60 80 100 200
0.90 3.078 1.886 1.638 1.533 1.476 1.440 1.415 1.397 1.383 1.372 1.363 1.356 1.350 1.345 1.341 1.337 1.333 1.330 1.328 1.325 1.318 1.310 1.303 1.299 1.296 1.292 1.290 1.286 1.282
0.95 6.314 2.920 2.353 2.132 2.015 1.943 1.895 1.860 1.833 1.812 1.796 1.782 1.771 1.761 1.753 1.746 1.740 1.734 1.729 1.725 1.711 1.697 1.684 1.676 1.671 1.664 1.660 1.653 1.645
0.975 12.706 4.303 3.182 2.776 2.571 2.447 2.365 2.306 2.262 2.228 2.201 2.179 2.160 2.145 2.131 2.120 2.110 2.101 2.093 2.086 2.064 2.042 2.021 2.009 2.000 1.990 1.984 1.972 1.960
0.990 31.821 6.965 4.541 3.747 3.365 3.143 2.998 2.896 2.821 2.764 2.718 2.681 2.650 2.624 2.602 2.583 2.567 2.552 2.539 2.528 2.492 2.457 2.423 2.403 2.390 2.374 2.364 2.345 2.326
0.995 63.657 9.925 5.841 4.604 4.032 3.707 3.499 3.355 3.250 3.169 3.106 3.055 3.012 2.977 2.947 2.921 2.898 2.878 2.861 2.845 2.797 2.750 2.704 2.678 2.660 2.639 2.626 2.601 2.576
0.999 318.302 22.327 10.215 7.173 5.894 5.208 4.785 4.501 4.297 4.144 4.025 3.930 3.852 3.787 3.733 3.686 3.646 3.611 3.579 3.552 3.467 3.385 3.307 3.261 3.232 3.195 3.174 3.131 3.090
0.9995 636.619 31.598 12.941 8.610 6.859 5.959 5.405 5.041 4.781 4.587 4.437 4.318 4.221 4.140 4.073 4.015 3.965 3.922 3.883 3.850 3.745 3.646 3.551 3.496 3.460 3.416 3.391 3.340 3.291
134
APNDIX A.
A.3 Distribuci 2 (khi-quadrat)
2 p(2 n ) =
n
1.0 2.0 3.0 4.0 5.0 6.0 7.0 8.0 9.0 10.0 11.0 12.0 13.0 14.0 15.0 16.0 17.0 18.0 19.0 20.0 21.0 22.0 23.0 24.0 25.0 26.0 27.0 28.0 29.0 30.0 40.0 50.0 60.0 70.0 80.0 90.0 100.0 0.005 0.01 0.025 0.05 0.00393 0.1026 0.3518 0.7107 1.145 1.635 2.167 2.733 3.325 3.940 4.575 5.226 5.892 6.571 7.261 7.962 8.672 9.390 10.117 10.851 11.591 12.338 13.091 13.848 14.611 15.379 16.151 16.928 17.708 18.493 26.509 34.764 43.188 51.739 60.391 69.126 77.929 0.950 3.841 5.991 7.815 9.488 11.070 12.592 14.067 15.507 16.919 18.307 19.675 21.026 22.362 23.685 24.996 26.296 27.587 28.869 30.144 31.410 32.671 33.924 35.172 36.415 37.652 38.885 40.113 41.337 42.557 43.773 55.758 67.505 79.082 90.531 101.879 113.145 124.342 0.975 5.024 7.378 9.348 11.143 12.832 14.449 16.013 17.535 19.023 20.483 21.920 23.337 24.736 26.119 27.488 28.845 30.191 31.526 32.852 34.170 35.479 36.781 38.076 39.364 40.646 41.923 43.195 44.461 45.722 46.979 59.342 71.420 83.298 95.023 106.629 118.136 129.561 0.990 6.635 9.210 11.345 13.277 15.086 16.812 18.475 20.090 21.666 23.209 24.725 26.217 27.688 29.141 30.578 32.000 33.409 34.805 36.191 37.566 38.932 40.289 41.638 42.980 44.314 45.642 46.963 48.278 49.588 50.892 63.691 76.154 88.379 100.425 112.329 124.116 135.807 0.995 7.879 10.597 12.838 14.860 16.750 18.548 20.278 21.955 23.589 25.188 26.757 28.300 29.819 31.319 32.801 34.267 35.718 37.156 38.582 39.997 41.401 42.796 44.181 45.559 46.928 48.290 49.645 50.993 52.336 53.672 66.766 79.490 91.952 104.215 116.321 128.299 140.169 0.999 10.828 13.816 16.266 18.467 20.515 22.458 24.322 26.124 27.877 29.588 31.264 32.909 34.528 36.123 37.697 39.252 40.790 42.312 43.820 45.315 46.797 48.268 49.728 51.179 52.620 54.052 55.476 56.892 58.301 59.703 73.402 86.661 99.607 112.317 124.839 137.208 149.449
0.04 393
0.010003 0.07172 0.2070 0.4117 0.6757 0.9893 1.344 1.735 2.156 2.603 3.074 3.565 4.075 4.601 5.142 5.697 6.265 6.844 7.434 8.034 8.643 9.260 9.886 10.520 11.160 11.808 12.461 13.121 13.787 20.707 27.991 35.534 43.275 51.172 59.196 67.328
0.03 157
0.02010 0.1148 0.2971 0.5543 0.8721 1.239 1.646 2.088 2.558 3.053 3.571 4.107 4.660 5.229 5.812 6.408 7.015 7.633 8.260 8.897 9.542 10.196 10.856 11.524 12.198 12.879 13.565 14.256 14.953 22.164 29.707 37.485 45.442 53.540 61.754 70.065
0.03 982
0.05064 0.2158 0.4844 0.8312 1.237 1.690 2.180 2.700 3.247 3.816 4.404 5.009 5.629 6.262 6.908 7.564 8.231 8.907 9.591 10.283 10.982 11.689 12.401 13.120 13.844 14.573 15.308 16.047 16.791 24.433 32.357 40.482 48.758 57.153 65.647 74.222
A.4.
DISTRIBUCI
DE SNEDECOR
135
A.4 Distribuci F de Snedecor

Aquestes taules corresponen a una distribuci llibertat en el numerador i
de Snedecor amb
graus de
graus de llibertat en el denominador
Aquests valor estan calculats a partir de la frmula:
p(Fv1 ,v2 F ) =
com en el grc:
p(F1,2 F) =
F
Figure A.1: Distribuci
de Snedecor
Aquesta taula mostra els valors per superior en cada entrada correspon a corresponen a valors de
= 0.95, = 0.975 i = 0.99. El nmero = 0.95, mentre que els altres dos nmeros
de
0.975 i 0.99 respectivament
136
APNDIX A.
1
1
161 1 648 4052 18.51 2 38.51 98.50 10.13 3 17.44 34.12 7.71 4 12.22 21.20 6.61 5 10.01 16.26 5.99 6 8.81 13.75 5.59 7 8.07 12.25 5.32
2
199 799 5000 19.00 39.00 99.00 9.55 16.04 30.82 6.94 10.65 18.00 5.79 8.43 13.27 5.14 7.26 10.92 4.74 6.54 9.55 4.46 6.06 8.65 4.26 5.71 8.02 4.10 5.46 7.56 3.89 5.10 6.93 3.68 4.77 6.36 3.49 4.46 5.85 3.39 4.29 5.57 3.18 3.97 5.06 3.09 3.83 4.82
3 216 864 5403 19.16 39.17 99.17 9.28 15.44 29.46 6.59 9.98 16.69 5.41 7.76 12.06 4.76 6.60 9.78 4.35 5.89 8.45 4.07 5.42 7.59 3.86 5.08 6.99 3.71 4.83 6.55 3.49 4.47 5.95 3.29 4.15 5.42 3.10 3.86 4.94 2.99 3.69 4.68 2.79 3.39 4.20 2.70 3.25 3.98
4 225 900 5625 19.25 39.25 99.25 9.12 15.10 28.71 6.39 9.60 15.98 5.19 7.39 11.39 4.53 6.23 9.15 4.12 5.52 7.85 3.84 5.05 7.01 3.63 4.72 6.42 3.48 4.47 5.99 3.26 4.12 5.41 3.06 3.80 4.89 2.87 3.51 4.43 2.76 3.35 4.18 2.56 3.05 3.72 2.46 2.92 3.51
5 230 922 5764 19.30 39.30 99.30 9.01 14.88 28.24 6.26 9.36 15.52 5.05 7.15 10.97 4.39 5.99 8.75 3.97 5.29 7.46 3.69 4.82 6.63 3.48 4.48 6.06 3.33 4.24 5.64 3.11 3.89 5.06 2.90 3.58 4.56 2.71 3.29 4.10 2.60 3.13 3.85 2.40 2.83 3.41 2.31 2.70 3.21
6 234 937 5859 19.33 39.33 99.33 8.94 14.73 27.91 6.16 9.20 15.21 4.95 6.98 10.67 4.28 5.82 8.47 3.87 5.12 7.19 3.58 4.65 6.37 3.37 4.32 5.80 3.22 4.07 5.39 3.00 3.73 4.82 2.79 3.41 4.32 2.60 3.13 3.87 2.49 2.97 3.63 2.29 2.67 3.19 2.19 2.54 2.99
7 237 948 5928 19.35 39.36 99.36 8.89 14.62 27.67 6.09 9.07 14.98 4.88 6.85 10.46 4.21 5.70 8.26 3.79 4.99 6.99 3.50 4.53 6.18 3.29 4.20 5.61 3.14 3.95 5.20 2.91 3.61 4.64 2.71 3.29 4.14 2.51 3.01 3.70 2.40 2.85 3.46 2.20 2.55 3.02 2.10 2.42 2.82
8 239 957 5981 19.37 39.37 99.37 8.85 14.54 27.49 6.04 8.98 14.80 4.82 6.76 10.29 4.15 5.60 8.10 3.73 4.90 6.84 3.44 4.43 6.03 3.23 4.10 5.47 3.07 3.85 5.06 2.85 3.51 4.50 2.64 3.20 4.00 2.45 2.91 3.56 2.34 2.75 3.32 2.13 2.46 2.89 2.03 2.32 2.69 100 50 25 20 15 12 10 9 8 7 6 5 4 3 2 1
7.57 11.26 5.12
7.21 10.56 4.96
10
6.94 10.04 4.75
12
6.55 9.33 4.54
15
6.20 8.68 4.35
20
5.87 8.10 4.24
25
5.69 7.77 4.03
50
5.34 7.17 3.94
100
5.18 6.90
A.4.
DISTRIBUCI
DE SNEDECOR
137
1
9 241 10 242 969 6056 19.40 39.40 99.40 8.79 14.42 27.23 5.96 8.84 14.55 4.74 6.62 10.05 4.06 5.46 7.87 3.64 4.76 6.62 3.35 4.30 5.81 3.14 3.96 5.26 2.98 3.72 4.85 2.75 3.37 4.30 2.54 3.06 3.80 2.35 2.77 3.37 2.24 2.61 3.13 2.03 2.32 2.70 1.93 2.18 2.50 12 244 977 6106 19.41 39.41 99.42 8.74 14.34 27.05 5.91 8.75 14.37 4.68 6.52 9.89 4.00 5.37 7.72 3.57 4.67 6.47 3.28 4.20 5.67 3.07 3.87 5.11 2.91 3.62 4.71 2.69 3.28 4.16 2.48 2.96 3.67 2.28 2.68 3.23 2.16 2.51 2.99 1.95 2.22 2.56 1.85 2.08 2.37 15 246 985 6157 19.43 39.43 99.43 8.70 14.25 26.87 5.86 8.66 14.20 4.62 6.43 9.72 3.94 5.27 7.56 3.51 4.57 6.31 3.22 4.10 5.52 3.01 3.77 4.96 2.85 3.52 4.56 2.62 3.18 4.01 2.40 2.86 3.52 2.20 2.57 3.09 2.09 2.41 2.85 1.87 2.11 2.42 1.77 1.97 2.22 20 248 993 6209 19.45 39.45 99.45 8.66 14.17 26.69 5.80 8.56 14.02 4.56 6.33 9.55 3.87 5.17 7.40 3.44 4.47 6.16 3.15 4.00 5.36 2.94 3.67 4.81 2.77 3.42 4.41 2.54 3.07 3.86 2.33 2.76 3.37 2.12 2.46 2.94 2.01 2.30 2.70 1.78 1.99 2.27 1.68 1.85 2.07 25 249 998 6240 19.46 39.46 99.46 8.63 14.12 26.58 5.77 8.50 13.91 4.52 6.27 9.45 3.83 5.11 7.30 3.40 4.40 6.06 3.11 3.94 5.26 2.89 3.60 4.71 2.73 3.35 4.31 2.50 3.01 3.76 2.28 2.69 3.28 2.07 2.40 2.84 1.96 2.23 2.60 1.73 1.92 2.17 1.62 1.77 1.97 50 252 1008 6303 19.48 39.48 99.48 8.58 14.01 26.35 5.70 8.38 13.69 4.44 6.14 9.24 3.75 4.98 7.09 3.32 4.28 5.86 3.02 3.81 5.07 2.80 3.47 4.52 2.64 3.22 4.12 2.40 2.87 3.57 2.18 2.55 3.08 1.97 2.25 2.64 1.84 2.08 2.40 1.60 1.75 1.95 1.48 1.59 1.74 100 253 1013 6334 19.49 39.49 99.49 8.55 13.96 26.24 5.66 8.32 13.58 4.41 6.08 9.13 3.71 4.92 6.99 3.27 4.21 5.75 2.97 3.74 4.96 2.76 3.40 4.41 2.59 3.15 4.01 2.35 2.80 3.47 2.12 2.47 2.98 1.91 2.17 2.54 1.78 2.00 2.29 1.52 1.66 1.82 1.39 1.48 1.60
963 6022 19.38
39.39 99.39 8.81
14.47 27.35 6.00
8.90 14.66 4.77
6.68 10.16 4.10
5.52 7.98 3.68
4.82 6.72 3.39
4.36 5.91 3.18
4.03 5.35 3.02
10
3.78 4.94 2.80
10
12
3.44 4.39 2.59
12
15
3.12 3.89 2.39
15
20
2.84 3.46 2.28
20
25
2.68 3.22 2.07
25
50
2.38 2.78 1.97
50
100
2.24 2.59
10
138
APNDIX A.
A.5 Valors pel contrast Kolmogorov-Smirnov
n
1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 25 26 27 28 29 30 31 32 33 34 35 36 37 38 39 40 0.1 0.9000 0.6838 0.5648 0.4927 0.4470 0.4104 0.3815 0.3583 0.3391 0.3226 0.3083 0.2958 0.2847 0.2748 0.2659 0.2578 0.2504 0.2436 0.2373 0.2316 0.2262 0.2212 0.2165 0.2120 0.2079 0.2040 0.2003 0.1968 0.1935 0.1903 0.1873 0.1844 0.1817 0.1791 0.1766 0.1742 0.1719 0.1697 0.1675 0.05 0.9500 0.7764 0.6360 0.5652 0.5094 0.4680 0.4361 0.4096 0.3875 0.3687 0.3524 0.3382 0.3255 0.3142 0.3040 0.2947 0.2863 0.2785 0.2714 0.2647 0.2586 0.2528 0.2475 0.2424 0.2377 0.2332 0.2290 0.2250 0.2212 0.2176 0.2141 0.2108 0.2077 0.2047 0.2018 0.1991 0.1965 0.1939 0.1915 0.025 0.9750 0.8419 0.7076 0.6239 0.5633 0.5193 0.4834 0.4543 0.4300 0.4092 0.3912 0.3754 0.3614 0.3489 0.3376 0.3273 0.3180 0.3094 0.3014 0.2941 0.2872 0.2809 0.2749 0.2693 0.2640 0.2591 0.2544 0.2499 0.2457 0.2417 0.2379 0.2342 0.2308 0.2274 0.2242 0.2212 0.2183 0.2154 0.2127 0.01 0.9900 0.9000 0.7846 0.6889 0.6272 0.5774 0.5384 0.5065 0.4796 0.4566 0.4367 0.4192 0.4036 0.3897 0.3771 0.3657 0.3553 0.3457 0.3369 0.3287 0.3210 0.3139 0.3073 0.3010 0.2952 0.2896 0.2844 0.2794 0.2747 0.2702 0.2660 0.2619 0.2580 0.2543 0.2507 0.2473 0.2440 0.2409 0.2379 0.005 0.9950 0.9293 0.8290 0.7342 0.6685 0.6166 0.5758 0.5418 0.5133 0.4889 0.4677 0.4490 0.4325 0.4176 0.4042 0.3920 0.3809 0.3706 0.3612 0.3524 0.3443 0.3367 0.3295 0.3229 0.3166 0.3106 0.3050 0.2997 0.2947 0.2899 0.2853 0.2809 0.2768 0.2728 0.2690 0.2653 0.2618 0.2584 0.2552
> 40
1.07/ n
0.1655
1.22/ n
0.1891
1.36/ n
0.2101
1.52/ n
0.2349
1.63/ n
0.2521

Estadistica II Apunts PERFECTES Xavier Vilà

Uploaded by

Document Information

Original Title

Copyright

Available Formats

Share this document

Share or Embed Document

Sharing Options

Did you find this document useful?

Is this content inappropriate?

Copyright:

Available Formats

Estadistica II Apunts PERFECTES Xavier Vilà

Uploaded by

Copyright:

Available Formats

Notes sobre Estadstica II

Xavier Vil Universitat Autnoma de Barcelona

Notes sobre Estadstica II

Reconeixement-NoComercial-CompartirIgual 3.0 No adaptada (CC BY-NC-SA 3.0)

copiar, distribuir i comunicar pblicament l'obra fer-ne obres derivades

Amb les condicions segents:

Heu de reconixer els crdits de l'obra de la

No podeu utilitzar aquesta obra per a nalitats

Si altereu o transformeu aquesta obra, o

 Es pot renunciar a alguna d'aquestes condicions

si obteniu el perms del titular dels drets d'autor.

 Aquesta llicncia no afecta a la situaci de

 Els drets segents no queden afectats de cap

manera per la llicncia:

Avs  Quan reutilitzeu o distribuu l'obra,

heu de deixar ben

1998-2011 Xavier Vil.

Introducci a l'estadstica inferencial

La Varincia mostral . . . . . . . . . . . . . . . . . . . . . La Proporci mostral . . . . . . . . . . . . . . . . . . . .

Teorema Central del Lmit . . . . . . . . . . . . . . . . . . . . . .

Biaix . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . Ecincia 2.3.2.1 2.3.2.2 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .

Consistncia 2.3.3.1 2.3.3.2

Estimadors asimptticament inesbiaixats Estimadors consistents

Mtodes d'estimaci puntual:

mxima versemblana i mtode 29

2.4.1 2.4.2 2.5

Estimaci per mxima versemblana . . . . . . . . . . . . Estimaci pel mtode dels moments . . . . . . . . . . . .

Cas de poblaci Normal o mostra gran i

Cas de poblaci Normal o mostra gran i sconegut

Interval de conana per la varincia . . . . . . . . . . . . Interval de conana per la proporci . . . . . . . . . . .

Contrastos d'hiptesis paramtriques

Estadstic de prova i tipus d'error . . . . . . . . . . . . . . . . . .

Anlisi de la Varincia . . . . . . . . . . . . . . . . . . . . . . . . 3.5.1 3.5.2 3.5.3 3.5.4 3.5.5 Marc bsic . . . . . . . . . . . . . . . . . . . . . . . . . .

Contrast . . . . . . . . . . . . . . . . . . . . . . . . . . . . Estadstic de contrast . . . . . . . . . . . . . . . . . . . .

Resultat del contrast . . . . . . . . . . . . . . . . . . . . . La taula ANOVA . . . . . . . . . . . . . . . . . . . . . . .

Anlisi de la bondat d'ajust i de la relaci entre variables

de correlaci i contrast d'hiptesi . . . . . . . . . . . . . . . . . . 102

Introducci al model de regressi

Previsi 5.6.1 5.6.2

Estimaci per intervals de

A Apndix: Taules Estadstiques

Distribuci Normal estndard . . . . . . . . . . . . . . . . . . . . 132 Distribuci Distribuci Distribuci

(khi-quadrat) . . . . . . . . . . . . . . . . . . . . . 134 de Snedecor . . . . . . . . . . . . . . . . . . . . . . 135

Valors pel contrast Kolmogorov-Smirnov . . . . . . . . . . . . . . 138

vegades, en el primer d'aquests passos no s'obt cap informaci concreta de la

INTRODUCCI A L'ESTADSTICA INFERENCIAL

probabilstiques. Aix doncs, les conclusions que es puguin extreure de l'estudi

INFERNCIA ESTADSTICA: DEFINICI I MTODES D'INFERNCIA9

1.1 Inferncia estadstica: denici i mtodes d'inferncia

Poblaci s el conjunt d'elements que s'estudia2 i sobre el qual es vol treure

Exemple 1.1.1 Totes les pomes del mn. La caracterstica que es

parmetre, que s desconegut i s

Poblaci s el que anomenvem realitat

es poden estudiar caracterstiques no numriques, per les tcniques utilitzades

parmetre fos conegut no caldria fer cap anlisi estadstica.

INTRODUCCI A L'ESTADSTICA INFERENCIAL

Exemple 1.1.10 Quina s la proporci de pomes que cauen entre

Exemple 1.1.12 Quina s la proporci de xips Intel dels 25 que

mostratge que explicarem ms endavant, s'obt una 2. A partir de la l'obtenci d'un

3. A partir d'aquest sobre el

tadstica de les qu veurem en els altres captols, es treuen conclusions tica de la

parmetre poblacional desconegut que representa la caracterspoblaci que volem estudiar.

Aquest procs es pot representar amb el grc de la Figura 1.1.

No podeu utilitzar aquesta obra per a nalitats

Es pot renunciar a alguna d'aquestes condicions

Aquesta llicncia no afecta a la situaci de

Els drets segents no queden afectats de cap

Avs Quan reutilitzeu o distribuu l'obra,

Biaix . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . Ecincia 2.3.2.1 2.3.2.2 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .

Interval de conana per la varincia . . . . . . . . . . . . Interval de conana per la proporci . . . . . . . . . . .

1.1 Inferncia estadstica: denici i mtodes d'inferncia

Aquest procs es pot representar amb el grc de la Figura 1.1.

Denici 1.1.13 la inferncia Estadstica s una disciplina l'objectiu

1.2 Denici de mostra aleatria simple i propietats

mostratge consisteix en una tcnica sistemtica per a exreprerepresentativa. Efectivament, si

La paraula clau en aquesta denici s la de

1.2.3 Mostratge estraticat.

Denici 1.3.2 Una

representa a la distribuci Normal estndard (o Normal tipicada), ha-