Fra los eapftntos anteriores resaltaros lat propiedades fel muestreo cle in mri y de Te variaman muestrales, ‘También destacoaos Ios resontciones ce clabos en varias fers, El propésito de tales presentacions OF ‘cotablecer las bases que portale & tarrtadiaticos oxtracr conclusiones ncorea de 1 ppardmetros de a poblacisn pits fhe datos experimentales. Por ejemplo, ol woovete, flo Iiite conte Lovina afte: te aie Te dighibuetén de ls media muostral X “Lav distibucién inelye Ie mestin see pablacion js. Ast, enalesquiers conchnsionss iT TobLengan con repel 1 Py fe partir de un promedio mvuestral alo debi depen del eonoeiigato de 5 “Teihueidn muestra, Comentarios shullares 3 porrian wplienr Sy a, Mase rar aque cunlesaora conelnsiones, que extsaleiine reer cle kn vawrazae ce 8 psi uo go scleccona de enlaions 0 socal, NO DOS re de confiansa sen rosso, Sh re argo, para mueseras de ora, de tos cisteibuctones vy roy sess 18 voor 3 remultados. . mates olenoria Oxy vs eH definen en Io ists diferentes daxén eT diferentes de & y, por To tanto, proclucirén dif Mite etpciones or iA a EY eg ober ot gure 97 ree ton ciculas a centre 16 roe fo posieidn ce Ya estimacién ppntual 2 pare coda MUGS © ca. Se vo que la mayor de he intervals contie- pen fs Pero 12 ‘gon det rnigrno anch©y pues esto devo rani 2, Cunnto Pras grande se ol 108 los inberver tos, ¥ podremos tener 1 se nan particular que #6 eslerion® fret un sneervalo a commie ef paametro acaconondo setractén promestio de sine oe % obtiene a partir de uno 6m Pos diferentes o8 2.0 BON por miliitro- 6 a 0b y 00% para In concenty ‘cin media AS sieavincién estindar de 18 pablacién es 0:3 1 pun erg valor 2 que cele wh BN, ‘Je 0.025 a vay, port way wes 8 a ata quieras, «9 #0008 = % 106 (tabla 8) dere ue ob inervato do conn ‘de 95% 900 os os aa -c.90 (2%) a eens”, Poe oto Tad wae nea un valor rlfivamonte grange O° sero proven 0 denen nian Taito da interés of rite de consis 1 oe, Un esl seri lc oo Ma i por inforencias avorce dt 18 sn inde mercuro en ws Ho Fant aapeios seria: muy informative fon est C250 cre kes do confinan wsilabrsies dvnerolton do ba risus frsna ae 65 nie Biaoree. Sin embargo Ia ane Wt srensindo de probabilidad unlla- inte ygue utiliza ol teorema, dat nite centralCapitulo 9 Problemas de estimacion dena Y dos murs Jo maniplar el enuneiado de probabitidad de fone 209 sil para obtener (p> 8 ao) VA) = t-ada Biatonces, es [posi foro 86 hizo antetiormente, ina manpulcin sini dP (2G > $4) Pine X +0] V0) ln. uma senuttad sn obtionen los siguientes iites unileterales superior ¢ infarot 30, s puede reemplazar a oy uta i poner la normalidad, con # desconoci l intervalo de confianza Por lo goneral, éste se den ‘La justifieacién yace s6lo en In presunciGn SOs disttbustOn de le poblacign no soagada, » staré muy corea de Ia @ tel Ae ea reanora, el teorema dol limite contral continia siendo valido, So debe 4 Se ve con facilidad que el valor do #4 es un promedio ponderadé de Ine dos va rinnzes muvstralea 84 y 33, donde los pesos son Tos grado do libertad. ) A partir del inciso a) obtenga.algusins conclusions ‘quo ayuden a decidir si se deberia adoptar A 0 B. |[gg Bl tiempo de secado en horas se mide en Hii de mucstras del-uso de las dos pinturas. Se 16 especimenes de cada una y los tiempos Pintura B ET 30 45 55 40 53 43 60 5.2 37 55 62 51 5.4 48 299) 8.50 Dos niveles (alto y bajo) de dosis de insulina ss suministran a dos grupos de rates diahéticas para verificar la eapacidad de fijacién de Ia insulina. Se ob- ttuvieron los siguientes datos. 1 =198 1.30 Dosis baja: nm Dosis alta: ma =18 a Suponga que ambas varianzastson iguales. Deterinine lun intervalo de confianza de 95% para la diferencia de Ja capacidad promedio real para fijar la insulina enixe |gjel Hempo de acado ge ditibuye normale la dos tmustas My,nvap. Bhouentr.i intervalo de confan- Lea donde jy yin ana ls tiempos medios Un estimador puntual de la proporcién p en un experimento binomial esté dado por el estadistico P = X/n, donde X representa el niimero de éxitos en n pruebas. Por To tanto, la proporcidn de la muestra = #/n se utilizaré como el estimador puntual del pardmetfo p. Si no se espera que la proporcién p deaoonocida esté clemasiado cerca de caro 0 de 1, podemos establecer un intervalo de confianza para p al considerar la distribucién muestral de P, Al designar un fracaso en cada prueba binomial con el valor 0 y un &xito con el valor 1, el mimero de éxitos, zt, se puede interpretar como Ia suma de ‘n valores que consisten s6lo de ceras y unos, y es s6lo la media muestral de estos 1. valores, De aqui, por el teorema del limite central, para n suficientemente grande, P esté distribuida de forma aproxiinadamente normal con media yy vavinnza Por lo tanto, podomo’ asegurar que Pl-2ajn <2 0, ronr={h , fen cualquier otro caso. Por ello, la probabilided logarftmica de los datos dados (n= 10) es Inbfey,22y-0,20)0) = ln p SeeBjemplo Al hacer implica que 1a sogunda desivada dela probabil logafimicn evaliada end volorf atl {a como reuttado un valor nayativo, Como rultado ol etinedes del alc Js modia dla poblacén, ee promedio mucsiel 2 EL siguiente ejemplo ilustrn ol extimador de probbilidad ma teibucién que no se inclaye n lo eaptalos nnteconen ‘221! Se sabe que una muestra de 12, 11.2, 13.5, 12.3, 13.8 y 11.9 se tomé ce una poblac con la funcién de densidad 50) = fam e>1, donde @ > 0. Encuentre la estimacién de probabilidad méxima de 8, Solucién: La funcién de probabilidad de n observaciones de esta poblaciGn we eocribe conn Ler, 22y...21050) =] Jo cual implica que en Le. -.21058) = nln(0) = (0.4.1) SS In(e) 3 ~ ¥5 tn(e,) da como resultado In(12) + In(.2) + In(13.By 3) + In(13.8) $ In(1.9) Como la segunda dorivada de L es —n/02, quo siempre os-negativa, la fencén Probabilidad alcanza su valor méximo-en 0Una discusién completa de las propiedades de la estimncién por probabilidad mé- xima ests fuera del alcance de este libro y, por lo general, eg un tema principal de tun curso tobrico sobre inferencia estadistica. El método de’ probabilidad méxima permite al analista utilizar el conocimiento de Ia distribucidn para. determinar un estimador adecuado, Bl método de probabikidad méimano se puede aplicar sin el cono- cimiento de la distribucién subyacente, En el ejemplo 9.20 aprendimos que el esti- mador de probabilidad méxima no necesariamente ests insesgado. El estimador de probabilidad méscima ests insesgado asintdticamente 0 en el Kmite; es decir, In magni- td del éesgo se aproxima a cero conforme ln muestra se hace més grande. Al princi- pio de este capftulo examinamos la nocién de eficacia, que se vineula con Ia propiedad de varianza de un estimador, Los estimadores de probabilidad méxima tienen pro- Lehmann para més detalles. aponge que hay ne pruchas fs, 2...» de un do Bernoulli con parkmetro p, a probabilidad bie probabilidad do r éxitos ests ‘)"", Determine ol estimador de i a FIED Covsrdece wns musica do 245 .-.5 25 obser farcdicung disteibucién de Weibull con paréme- iy funeidn do densidad ah fn cualquier otro caso, xb fa funcién de probabilided. iba Jas ecuaciones que al rasolverse dan los esti tres de probabilidad méxima de a y 8. 26.9. Sus iy de una, iGonsidere dos estimadores de o* en una muestra fey ay a entra do uta distibucin normal fala py varianza o, Los estimadores son el esti- Sle — 2), y ol estimador piedades de varianza deseables en el Iiinite. El lector del erfa consultar In obra de 9.84 Considere Ins observaciones 21, 22)... 2 de la distribucién gamma que ae discutié an la Seecién 6.6. ‘) Becriba la funcién de probabilidad. 5) Recriba un conjunto de ecuaciones que cuando se resuelvan den los estimadores de probabilidad-mixi- ma de ay 2. 9.85 Considere un experimento hipotético donde un hombre con un hongo utiliza un medicamento fungici- day se cura. Considérelo, entonces, como una muestra ddo uno de wna diatribueién de Bernoulli eon funcién de probabilidad f(e)=r'a'™, 2 = 01, donde p os Ia probabilidad de un éxito (eu q= 1 ~ p. Ahora, por supuesto, a lnformacién mies tral dae ~ 1, Hecriba un desarrollo que demuostre que = 1.0 es a estimador de probabilidad mixima de la probabilidad de curacién 9.86 Considere la obsorvacién X de la disteibucién binomial negativa dada en la sectién 6.5. Eneuentre ol eatimador de probabilidad méxima para p, con k Seeconoeida, de probabitidad méxima o? 1S)" Discuta las propiedades de Ia varianza de estos dos astimadores, 9.88 Se afirma que una nuove dieta reduciré en 4:5 kilogramos el peso de un individue, en promodio, en316 un Iapso de 2 semanas, Los pesos de 7 mujeres que ii- sguieron osta dieta se rogistraron antes y después de un periodo de 2 semanas. ‘Mujer Peso antos BB 80.3 617 59.0 64.0 26 59.9 56.7 Bad Pruebe la aflrmacién del fabricante caleulando un i tervalo de confianza de 95% para In diferencia. medi fen ol peso. Suponge que las diferencias de los pesos se Aistribuyen de forma aproximadamente nortnal Peso despucs_ 80.0 5.9 58.1 et 5a 9.89 De acuerdo con el Roanoke Times (16 de mar- 26 de 1997), In cadena MeDonald's vendi6 42.1% del ereado de hamburguesas, Una mucstra aleatoria de "75 hamburguesas vendidas tiene como resiltado que 28 do ellas fueron vendlidas por MeDonald’s. Utilice el material de la gecsién 9.0 para determinar si esta infor- ‘macién apoya la afirmacién del Roanoke Times. 9.90 Sollevé a cabo un estudio en el Instituto Politée- nico y Universidad Betatal de Virginis para determinar fi el fuego se puode utilizar como una herramienta de eoiitrol viable, para aumontar la cantidad de forraje ‘isponible para los venados, duranto los moses erfticos f finales del invierno y principios de la primavera: El talcio es un elemento que requieren las plantas y los fanimales. La cantidad que Ia planta toma y almacena std estrechamente correlacionada con la cantidad pre- fsonle en el suelo, Se formals Ia hipétesis de que ol fuego puede cambiar los niveles de calcio presentes en el sue- Toy afectar as la canticad disponible para los venados, Se seleccioné una extensién grande do tierra en'el Fis- hhburn Forest para efectuar un incendio controlado. Se tomaron muesteas de suelo de 12 parcelas de igual rea jnsio antes de In quemna, y s0 analizaron para. verificat tl contenido de calcio. Los niveles de calcio después de fa quema s¢ analizaron en las mismas parcelas. Tales valores, en kilogramos por parcela, se presentan en la riguiento tabla: Nivel de calcio (kg/parcela) ‘Antes de Después de Parcela__la quema 1 50 18 a2 45, ot 18 wm 18 a 9 T 2 BA 9 23 18 10 45 9 il 36 9 n 54 9 Construya un intervalo do confianza de 95% para la di- ferencia media en el nivel de calcio presente en el suelo antes ¥ después del incendio controlado. Stay, Ta distzibuctn de Ins diferencias en los niveleg one es aproximadamente normal, ° a cla 8.01 Un gimmasio con sp afm. 0 1 nngoye fe rama de qercicice reducré le tall do la. OVO Bi tina persona en 2 contfmetros, en promedig, 4d lun periodo de 5 dias. Las tallas de cintura ef (ral bbres que participaron en este programa de qjeqO, 8 registearon, antes y después del periodo diag Tic Ingenta tabla ‘rlla do Talla de _Hombre _cintura antes _cintura despugs O17 Puss 10a 95.5 98.7 115.9 u 1040 x 85.6 Mediante ol cileulo da un intervalo d@ contiang:’ I 96% para in reduccién modia de In talla ct, dltermine si la afirmacién del gimnasio con gett Jida. Suponga qué la disteibucién de las diterpenes tallas de cintura antes y después del programm nde ximadamente normal. Ma. 6s apidel £.02 1 Departamento do Ingonerta Cv cet til to Politgenico y Universidad Estatal de Virgini. tt par une Unica de emg roditeada (MES reouperar coliformes fecales on rosiduos quis Ses) nga do luvs en un dren urbana conte del nimero més probable (swe). Secolectaron un gic 12 mucotras de tals reson y no analiza oo a técnicas. Los conteas de coliformes fecales poy 1% Its ao registraron en la sguent tbl Cont mar Conteo con : 70 20 400 ‘33 «on 2000 219 ip 1b ir | Muestra, Ef 2 aa » 2 im Ea eg 8 3 2 ia a E Fa i Conse un inter de oniansa do 80% pr? cee me lade calioracs Go iene ny tar Sage en es do conteos se distribuyen de forma aproximadgn'y normal “i 98, ellnn cabo un axperinao para dt tie acabado supertial ino un efecto se a Sette tl ace Uns tera oats pillida aumnenta el Ifmite-de fatiga. medio (jex,f%e re ee ial sate Sdatonra ma cee wee seam ak donc, a Seid gs of Sal mabe quoHi hi tealizacién de diversos experimentos de li- (niga. El experimento, se reallza gobre acero }0.41% usando espeefmenes sin y con pulido flo aon lo sigulentes i) para: ‘Acero al enrbon 0.4% sin pulir 82,600 82,400 81,700 "79)500 73,400 89,800 7,900 83,400 rw las motias poblacionales para los doa otigh ie las poblaciones ae. distibuyen aproximadamente normal. ktoptlogo so intaiesa en ln proporcién de Min icos rus india con dobleremolno de ca i ina occipital de la cabeza. Suponga que se Pct ivdependiontes de cada una de aw dos Pe Preuntra qo 24 do 100 individuosde a txibu Tp indviduos de la tsibu Bposeen tal carac- Beis Gpstruy un intervalo de confianea, do 96% Ifeecia pe ~ a entre las proporciones de Tis 6an remotinas de enbello en la zona Up Tebreante de planchas eléctrieas produce java en dos plantas, Ambas’plantas tienen io proveedor de partes pequeiias. Se puede, te jjajoro el comprar tarmostatos para la plan- Heiun proveedor local. Se compra. un solo lote gayoudor local y so ddesen probar si estos nue- slats son tan precisos como los anteriores. nspiatos we prucban en planchas a 55°F, y las Proveador nuevo (°F) Be Mn bad 7500S Hirano S007 en fennel sake 3 Str aoa Soot Proveedor anterior (°F Ten oss 5A cite B980 D7 5631 S511 5538 538.8 564.0 feeb. GI84. 548.3 52.9 536.1 Feou8 SORA 6487 860.3 5588 SRB 543.9 564.9 i Heep intervlo do eonfinnaa do 96% para Pe oy/on, donde of y of son las varlansas Hole lcturas do os vermostats dal pro py del anterior, resectivaant. 9.06 Se afirima que Ia resistencia del alambre A es mayor que la del alambre B. Un experimento sobre los, ‘alambres muestra los siguientes resultadas (en. ohms): Alambre A__Alambie Odd 0.135 0.138 = 0.140 oa, 0.136 oa oa onda 0.198 037 0.0 Suponiendo varianzas iguales, .qué conclusiones ex-, trae? Justifique su respuesta. 9.97 Una forma alternativa de estimacién ae lleva 9 ceabo a través del método de momentos. fl método im- plica igualar la media y Ja varianza poblacionales a lag Eorrespondientes media muestral 2 y vatianaa: muestral 3, y resolver pars ol parémetro; ol. resultado son los festimadores del momento. Fn el caso de un solo pa- Hdmetro, tinieamente ae wtilizan las medias. Dé un or- fgumnento de que en el caso de la dstribucién de Poisson tlestimador de probabilidad m&xima y los estisnadores ‘dal momento son iguales: . 9.08 Hspecifique los estimadores del momento para js xy 2? para la distribuelén normal, 9,99 Especifique los eatimaciores del momento para jy oF para Ia disteibuciOn logarftiiea normal 9.100 Hspecifique los estimadores del momento para ary f para ln distribueién gamma, 9.101 Se realieé una encuesta con la finalidad de comparar los sueldos do administradores dle plantas ‘quimieas empleaddos en dos éreas del pais: Las regiones norte y centro-oocidente, Se eligieron muestras alea- torias independlientes ce 300 gerentes de planta para taila une de las dos tegiones, A talos gerentes so les progunt el monto de su sueldo anual, Tas resultados fueron, Norte __Centro‘Occidente $102,300 #2 = $08,500 $5,700 a = $3,800 4) Construya un intervalo de confianza de 99% en ia la diferencia en los dos sueldos medios 1) {Cua 66 In suposicién que usted hizo en el in 4) acerca de la distribuotén'de los suelcos anuales para las clos regiones? ;1s nocosaria In suposicién de hotmalidad? jor qué? €) 1Qué suposicién hizo acerca de las clos varianzes? {Es razonable la snposielén de igualdad de varian- ‘as? 8.102 Consiclere ol ejezcicto de repaso' 9.101. Supon- sgamos que los datos no se han recabado ain. Suponge- mos tambign que los estadisticos previes sugieren queoy = 09 = $4000, Los tamatios do las miuestras en el lercicio de repaso 9.101 son suficientes para produ cir un intervalo de confianan de 95% en py ~ jin que tenga un anche dle sélo $1000? Presento el desarrollo completo. 9.103 Un sindicato capectfico ae preocupa por el no- torio ausentismo de sus micmbros, Wl sindicata dectdis verificar esto monitorenndé una muestra aleatoria de sus miembros. A los Iideres dl sindieato siempre ae les ha reclamado que, en un mes Uipieo, 95% da sus alii dos estén ausentes al menos 10 horas mensuales, Uti lice los datos para responder tal veelamacisn, Utiliee un limite de tolerancia unilateral y elija el nivel de con- fianza do 90%. Asegirese de aplicar lo que ya sabe noorca del efleuto del limite de tolerancia, El nvimero dle miembros en esta muestra fue 300, El ndmera de hhoras do ausentismo se registré para cada uno de los 300 miembros. Los resultados fueron # = 6.5 horas y 8 = 25 horas, 9.104 Se selaccioné una muestra aleatorin de 30 em- presas que comercializan productos inaldmbricas para determinar la proporcién de tales firma que implemen- faron software nuovo pira mejorar In productividad. Resulté que 8 de 30 habfan implomentado tal software. Encuentro un intervalo de conflansa de 95% en p, la proporcién real de tales emprases que implementé el huevo soflwave, 9.105 Refirase al ejercicio de repnso 9.104, Supon- ‘ga que hay intorés en si In estimacién puntual 8/30 ol lo suficientemente precisa porque el intervalo de confianza alrededor de p no es sulicientemente estre- cho, Utilizando como nuestro estimade de p, Zeus {a compaffas necesitarian mueatrenrse para tener tn intervalo de confianza de 95% con um ancho de sélo 0.08 106 Un fabricnnte produce un artculo quo se cla- sien com "lefectonoe" 0 “no defectuow™ Para ett toar la proporeién de defeetuoses, ve toma un mostra aleatori clo 100 artielon de In prodocién y 30 en- fentrain 10 defectuosos. Después de Ta implementa én del programa do mjoramionto de la calidad, 0 realié mtovamente el experimento, Se toné una neva mncotra de 100 y sla ver dnicumente 6 salioron do feetwones 4) Dado un intervalo do confianen de 96% en 91 ~ pa donde pi es In proporcin do defectosos do la po: blacign antes de In maori, y pa ela propor de defections después de Ta acjoria 5) itayinformacién en ol intervato de canfianza que Se enconté on el ics a qe sugiera quo py > pat Spl. 9.107 So utiliza una méquina para lenar eajas de un producto en una operacién de la Iines de ensamble, Mu- cho del interés se centra en la variabilidad del niimera dde onaas del producto en la caja. So sabe que In desvia- iin estndar en el peso del producto es de 0.3 onaas, Se reallzan mojoras y Iuego se toma una muestra all do 20 cajas y se encuentra que la varias de la 5 0.045 onzas. Eneventzo un intarvalo de conan {95% en la varianza del peso del producto. Consider cl rango dal interval de conflanta, ;paceceria que dil Joramiento en el proceso increments Ia calidad ene 4 variabiliad so refiere. Suponga normalidad ea bi {ugbucién del peso del producto. 9.108 Un grupo do conoumidores eaté interes pos de motor para’automévil. Bl grupo e® eapae de contrar 15 propiatarios cuyos automviles tienen tipo A y 18 que tionen motor tipo B. Los 30 prop nimere do milla, Los estadticos do colo so i 887,00/1,000 millas, gx = $75.00/1,000 mills, 484 35.90, y 59 = $4.85. Caleule un Intarvalo de con de 88% para estimar ya ~Hs, ln diferencia en el tmodio de operacién, Supongn normalidad e igal 9.109 Considere 6l staditico 2, ol estimads unién deo, Il estimador se exantind en la se 9.8 y 00 ulilien cuando so esta dispicato a suponet i a} 08 = a4, Demuestre quo el eotimador et ado para a? (ea decir, demiesteo que (8) = Puode ulilisar los resitados de cualquler tren ejomplo del capitulo 9. 9.110 Un grupo de investigadores dl factor hunalf «stn intoresnio en Ia ronceién de los pilotas de avi nto un estimulo con carta disposicign de la cabin di avidn. Se realizé un experimento de simulacisn en laboratoria y so utilizar 15 pilotos con un tempo renccidn promodio da. 3.2 aogunds y ‘um dewvac\ catindar inuestral do 0.6 segundos. Resulta de iad caracterizar los extremos (oct, el escenario dp 4e los easos). Para tal objetivo, respond lo siguiente 4@) Determine un importante limite de confianes ep effco de 99% unilateral en ol tiempo medio de cién. {Qué auposicidn, si la ubicra, deberla ine acorea de ln distribucidn el tiempo de ronecén? pDoberla usted hacer alguna s {xibusién del tiempo de rence limite? ) Caloule un Ifmite de tolerancia unilateral con 0% de confianza. que implique 95% del tiempo de ra cidn, Do nuovo, si las hubiera, dé une interpreted {y wma suposicién de la distribucién. (Nota: Los Torea del Ifimito de tolerancia unilateral tamil incluyen on In tabla. A.7.] 9.111 Cierto proveedor fabrien un tipo de este oma que vende a Ins compaiias automotrices. Bh319 hg pieeas del material deben tener ciertas a), Caleule un intervalo de confianaa bilateral de 95% Hie Go durcea. Ocasionalinente, se detectan en la proporcién de defectuosos. fa lefectuosasy se rechadan. El proveedor afir- Bl prororcién de defectuosas es 0.08. El desato Hfgun conte que compré el producto, De manera jad un experimento donde se probaron 400) Interprete los intervalos ce ambos incisos y eomente fp encontraron 17 defectuosas. acerca de la afirmacién hechg por el proveedor ) Caleule un intervalo de confianza unilateral de 9 adecuado en la proporcién de defectuosos. El concepto de un intervalo de confianza de muestra grande en una poblacién a imenudo confunde a los estudiantes que se inician en esta materia, lo cual tiene como base la prescripeién que incluso cuando se desconoce ¢ y no se esté convencido de que la distribucién que se muestrea sea normal, entonces un intervalo de confianza fen x puede calculares de bt tai Bina précticn, esto se usa frecuentemente cuando Ia muestra es demasiado pequeta Blorigen de este intervalo do muestra grande es, por supuesto, el teorema del limite central (210), con el cual no se requiere la normalidad. Aqui, el TLC requiere una g, de ln cual ¢ sea sélo una estimacién, Entonces, el requerimiento es que m sea, por 10 menos, tan grande como 30 y la distribueién subyacente esté cercana a la simetrl fn euyo enso el intervalo sigue siendo una aproximacién, ay casos en que la aplicacién prictica del material del eapftulo 9 debe super- visarse en el contexto de exe capitulo, Un ejemplo importante es el uso de la distr- bein €, para cl intervalo de confianza sobre y. cuando se desconoce ¢. En sentido tetriet, el uso de la distribucién ¢ requiere que la muestra de la distibucién sea normal, Sin embargo, se sabe bien que cualquier aplicacién de la distibucién ¢ es tazonablemente insonsible (ee decir, robusta) a la suposicién de normalidad. Esto representa una de esas situaciones afortunadas que ocurren en el campo de la esta- disticn, donde no so mantiene ol supuesto bésico ¢ incluso “jtodo resulta correto!” Sin embargo, una poblacién de la que se toma no puede desviarse sustancialmente de la normal, Entonces, a las grificas de probabilidad normal estudiads en el tulo'8y 2 lus pruobas de bondad del juste que se presentan en el capitulo 10 Tequeried con frecuencia que indaguen algin sentido de “cercanfa ala Hormalidad” Tota idea de “robustezn de la normalidad” vuelve a presentarse gn el ckpitulo 10 Por experiencia, sabemos que tino de los més graves “usos incofyectos de la cstadisticn” en la préctica surge de la confusién en la distincién entre Ia interpreta- Gin de los tipos de intervalos estadiatics. Por eso, en este capitulo offecemos una subseccién donde so examinan las diferencias entre los tres tipos de intervalos. Es muy probable que, en la practica, el intervalo de confianza utilice en exceso, fe det, ae emplea cuando en realidad no hay interés en la media. Mis bien habia Slgunas preguntas del tipo: “ja déndo va a caer la siguiente observacién?” O, a menudo, y més importante: "jdénde eg la mayoria de la disteibucidn?” Bstas son preguntas fundamentales que no pueden responderse calculando wun intervalo en la tnodia, Un intervalo de confianza generalmente se emplea incorrectamente como tin intervalo tal que la probabilidad de que el pardmetro caiga en este intervalo es,dligamos, 95%, lo cual es una interpretacién correcta del intervalo posteror yesiano, (Para mayores referencias sobre la inferencia bayesiana véese el cal 18), El intervalo do confianza tan aélo mugiore quo si el experimento o ln dai observan una y otra ver, aproximadamente el 95% de tales latervalos conten prémotro real. Cualquir estudiante que ao inicle on la estadistice priate fl tener muy claras las ciferencin entze estos intervalos eatadletioos Ota aplicacién incorrecta potenetal grave dela estaditicn es el uso del bbc x para un intervalo do confinza de una sola varianaa. De neva se normalidad en la distribucién a pnetir de l-cual se toma la mucstra, A dior, uso de la distetbucién f, el uso dela prueba x* para esta aplicacién no es rob para la suposictén do normalidad (es decir, ln distibucién muestral = Aesvia bastante de x sila distribucién aubyacento no es normal). Entonow e otrecto de la prueba de bondad del ajuste (eaptulo 10) y/o ln grins de pik bilidad normal puede sor muy importante aqui. Mas infortauein sobre eta a general en particular so verd on los sigulentes captulos,acy ® fox, BG lo @ | x dx X4BKAZ olsen 8-3 1ot i) ®t + B(x Pe (ssome ® XA DESKS ° atctadr Os YB 2 4X TUN aes , ofa 2 9D x_dx axe KEG 20 D pt gated O(epestreds SE aXe? ; a Po O\ 3 3x ® Sate X-3 dx * Of ha we Ox (22 Sethe Lexc5)___Ax KEG IKE AIK RT Ddigpallon oe volta , Jue ove ye O JX ox ax @\x fuxdx @ \xteendx OS xemkae OJdaxdx Oxtexde @\ x du(i-ad dx i) ean) Olen ) @§ xowtx dx DYincbnax @acrmre OR emsxdx B lr torn dk Prandin @\xmemstax Otello) x @) xed O\erpend S\ehxlx Doers! B\crcsm[s)dx @) Lore) ax @) xr" @) OF sarxdx BD J eorcly Ax Bulut 2) (Sock.(2¥) & e\m Urgaddx 8) xa