16 Construcción mediante cantidades pivotales

Existen diferentes metodos para construir estimadores por intervalo. Estudiaremos el metodo de las cantidades pivotales y metodos asintoticos.

16.1 Intervalos basados en cantidades pivotales

Definición VI.4.

Una cantidad pivotal es una variable aleatoria

Q(X,θ)=Q(X1,…,Xn,θ)Q(X,\theta)=Q(X_{1},\ldots,X_{n},\theta)

cuya distribucion de probabilidad no depende del parametro desconocido θ\theta.

Es decir, si XX tiene una distribucion que depende de θ\theta, la distribucion de Q(X,θ)Q(X,\theta) es la misma para todos los valores de θ\theta.

La utilidad de una cantidad pivotal es que permite calcular probabilidades y cuantiles sin conocer el valor del parametro que queremos estimar.

Supongamos que conocemos la distribucion de una cantidad pivotal Q(X,θ)Q(X,\theta). Podemos obtener sus cuantiles qα/2q_{\alpha/2} y q1−α/2q_{1-\alpha/2} de forma que

P(qα/2≤Q(X,θ)≤q1−α/2)=1−αP(q_{\alpha/2}\leq Q(X,\theta)\leq q_{1-\alpha/2})=1-\alpha

El procedimiento para construir un intervalo a partir de un pivote consiste en:

  1. 1.
    ​

    Encontrar una cantidad pivotal

  2. 2.
    ​

    Calcular sus cuantiles

  3. 3.
    ​

    Despejar el parametro θ\theta en la desigualdad

  4. 4.
    ​

    Sustituir los estadisticos por sus valores observados

Asi, obtenemos un intervalo de confianza de nivel 1−α1-\alpha.

Ejemplo VI.3.

Supongamos que podemos despejar θ\theta en la desigualdad:

qα/2≤Q(X,θ)≤q1−α/2q_{\alpha/2}\leq Q(X,\theta)\leq q_{1-\alpha/2}

Obtenemos una expresion de la forma:

h1(X)≤θ≤h2(X)h_{1}(X)\leq\theta\leq h_{2}(X)

Por tanto,

P(h1(X)≤θ≤h2(X))=1−αP(h_{1}(X)\leq\theta\leq h_{2}(X))=1-\alpha

Una vez observada la muestra X=xX=x, el intervalo de confianza es

[h1(x),h2(x)][h_{1}(x),h_{2}(x)]

Los extremos del intervalo dependen de los datos observados, pero no del parametro desconocido.

16.2 Aplicaciones canonicas

Una vez comprendido el metodo general de las cantidades pivotales, lo aplicaremos a los modelos estadisticos estandar. Utilizaremos este procedimiento segun la distribucion de la poblacion:

  • ​

    Poblaciones normales: inferencias sobre la media μ\mu, tanto con varianza conocida como desconocida, e inferencias sobre la varianza σ2\sigma^{2}.

  • ​

    Poblaciones con tiempos de espera exponenciales: inferencia sobre el parametro de tasa λ\lambda de una distribucion exponencial.

16.2.1 Media de una poblacion normal

  1. 1.
    ​

    IC para la media de una normal con varianza conocida: Sea X1,…,Xn∼N(μ,σ2)X_{1},\ldots,X_{n}\sim N(\mu,\sigma^{2}), con σ0\sigma_{0} conocida.

    Sabemos que Z=X¯−μσ0/n∼N(0,1)Z=\frac{\overline{X}-\mu}{\sigma_{0}/\sqrt{n}}\sim N(0,1). Denotamos por zpz_{p} el cuantil de orden pp de la normal estandar. Por su simetria

    P(−z1−α/2≤Z≤z1−α/2)=1−αP(-z_{1-\alpha/2}\leq Z\leq z_{1-\alpha/2})=1-\alpha

    Sustituyendo el pivote:

    P(−z1−α/2≤X¯−μσ0/n≤z1−α/2)=1−αP(-z_{1-\alpha/2}\leq\frac{\overline{X}-\mu}{\sigma_{0}/\sqrt{n}}\leq z_{1-% \alpha/2})=1-\alpha

    Despejando μ\mu en la desigualdad anterior

    P(X¯−z1−α/2⋅σ0n≤μ≤X¯+z1−α/2⋅σ0n)=1−αP\left(\overline{X}-z_{1-\alpha/2}\cdot\frac{\sigma_{0}}{\sqrt{n}}\leq\mu\leq% \overline{X}+z_{1-\alpha/2}\cdot\frac{\sigma_{0}}{\sqrt{n}}\right)=1-\alpha

    Por tanto, el intervalo de confianza es

    IC1−α(μ)=[X¯−z1−α/2⋅σ0n,X¯+z1−α/2⋅σ0n]IC_{1-\alpha}(\mu)=\left[\overline{X}-z_{1-\alpha/2}\cdot\frac{\sigma_{0}}{% \sqrt{n}},\overline{X}+z_{1-\alpha/2}\cdot\frac{\sigma_{0}}{\sqrt{n}}\right]

    Una vez observada la muestra, sustituimos X¯\overline{X} por x¯\overline{x}.

  2. 2.
    ​

    IC para la media de una normal con varianza desconocida: Supongamos ahora que X1,…,Xn∼N(μ,σ2)X_{1},\ldots,X_{n}\sim N(\mu,\sigma^{2}) pero que σ\sigma es desconocida.

    En este caso, utilizamos la desviacion tipica muestral:

    S2=1n−1∑i=1n(Xi−X¯)2S=S2S^{2}=\frac{1}{n-1}\sum_{i=1}^{n}(X_{i}-\overline{X})^{2}\qquad S=\sqrt{S^{2}}

    Sabemos que X¯−μS/n∼tn−1\frac{\overline{X}-\mu}{S/\sqrt{n}}\sim t_{n-1}

    Esta cantidad es pivotal y su distribucion es una tt de Student con n−1n-1 grados de libertad. A partir de

    X¯−μS/n∼tn−1\frac{\overline{X}-\mu}{S/\sqrt{n}}\sim t_{n-1}

    Por la simetria de la distribucion

    P(−tn−1,1−α/2≤X¯−μS/n≤tn−1,1−α/2)=1−αP\left(-t_{n-1,1-\alpha/2}\leq\frac{\overline{X}-\mu}{S/\sqrt{n}}\leq t_{n-1,1% -\alpha/2}\right)=1-\alpha

    Despejando μ\mu:

    IC1−α(μ)=[X¯−tn−1,1−α/2⋅Sn,X¯+tn−1,1−α/2⋅Sn]IC_{1-\alpha}(\mu)=\left[\overline{X}-t_{n-1,1-\alpha/2}\cdot\frac{S}{\sqrt{n}% },\overline{X}+t_{n-1,1-\alpha/2}\cdot\frac{S}{\sqrt{n}}\right]

16.2.2 Varianza de una poblacion normal

  1. 3.
    ​

    IC para la varianza de una poblacion normal: Consideremos una muestra aleatoria simple de una poblacion normal

    X1,…,Xn∼N(μ,σ2)X_{1},\ldots,X_{n}\sim N(\mu,\sigma^{2})

    Sabemos que (n−1)S2σ2∼χn−12\frac{(n-1)S^{2}}{\sigma^{2}}\sim\chi_{n-1}^{2}. Por tanto, disponemos de una cantidad pivotal para estimar la varianza σ2\sigma^{2}. Buscamos dos cuantiles aa y bb tales que

    P(a≤(n−1)S2σ2≤b)=1−αP\left(a\leq\frac{(n-1)S^{2}}{\sigma^{2}}\leq b\right)=1-\alpha

    Despejando σ2\sigma^{2}:

    P((n−1)S2b≤σ2≤(n−1)S2a)=1−αP\left(\frac{(n-1)S^{2}}{b}\leq\sigma^{2}\leq\frac{(n-1)S^{2}}{a}\right)=1-\alpha

    Una eleccion habitual consiste en dejar la misma probabilidad en ambas colas:

    a=χ2n−1,α/2b=χ2n−1,1−α/2a=\chi^{2}_{n-1,\alpha/2}\qquad b=\chi^{2}_{n-1,1-\alpha/2}

    Por tanto

    IC1−α(σ2)=[(n−1)S2χ2n−1,1−α/2,(n−1)S2χ2n−1,α/2]IC_{1-\alpha}(\sigma^{2})=\left[\frac{(n-1)S^{2}}{\chi^{2}_{n-1,1-\alpha/2}},% \frac{(n-1)S^{2}}{\chi^{2}_{n-1,\alpha/2}}\right]

16.2.3 Parametro de una distribucion exponencial

  1. 4.
    ​

    IC para el parametro de una exponencial: Supongamos que X1,…,Xn∼Exp(λ)X_{1},\ldots,X_{n}\sim Exp(\lambda) donde λ\lambda es el parametro de tasa y

    f(x∣λ)=λe−λxx≥0f(x\mid\lambda)=\lambda e^{-\lambda x}\quad x\geq 0

    Consideremos el estadistico

    T=∑i=1nXiT=\sum_{i=1}^{n}X_{i}

    Sabemos que T∼Gamma(n,λ)T\sim Gamma(n,\lambda), utilizando la parametrizacion de tasa, con densidad:

    fT(t∣λ)=λ2Γ(n)tn−1e−λtt>0f_{T}(t\mid\lambda)=\frac{\lambda^{2}}{\Gamma(n)}t^{n-1}e^{-\lambda t}\quad t>0

    (la suma de nn variables exponenciales independientes de tasa λ\lambda sigue una distribucion Gamma de parametros nn y λ\lambda, de forma que al multiplicarla por 2λ2\lambda obtenemos una chi-cuadrado con 2n2n grados de libertad).

    Como Xi∼Exp(λ)X_{i}\sim Exp(\lambda) sabemos que 2λ∑i=1nXi∼χ22n2\lambda\sum_{i=1}^{n}X_{i}\sim\chi^{2}_{2n}. Como su distribucion no depende de λ\lambda, es una cantidad pivotal:

    Q(X,λ)=2λ∑i=1nXi=2λTQ(X,\lambda)=2\lambda\sum_{i=1}^{n}X_{i}=2\lambda T

    Tomando los cuantiles de la distribucion chi-cuadrado:

    P(χ22n,α/2≤2λT≤χ22n,1−α/2)=1−αP(\chi^{2}_{2n,\alpha/2}\leq 2\lambda T\leq\chi^{2}_{2n,1-\alpha/2})=1-\alpha

    Despejando λ\lambda:

    IC1−α(λ)=[χ22n,α/22T,χ22n,1−α/22T]IC_{1-\alpha}(\lambda)=\left[\frac{\chi^{2}_{2n,\alpha/2}}{2T},\frac{\chi^{2}_% {2n,1-\alpha/2}}{2T}\right]
Ejemplo VI.4.

Se considera que los tiempos entre fallos de un servidor siguen una distribucion exponencial:

Xi∼Exp(λ)X_{i}\sim Exp(\lambda)

Se han observado 1515 tiempos entre fallos y se ha obtenido

n=15T=∑i=115xi=30,68n=15\qquad T=\sum_{i=1}^{15}x_{i}=30{,}68

Obtener un intervalo de confianza para λ\lambda al 98%98\%{}. Utilizamos:

IC0,98(λ)=[χ230,0,012⋅30,68,χ230,0,992⋅30,68]IC_{0{,}98}(\lambda)=\left[\frac{\chi^{2}_{30,0{,}01}}{2\cdot 30{,}68},\frac{% \chi^{2}_{30,0{,}99}}{2\cdot 30{,}68}\right]

Consultando los cuantiles de la distribucion chi-cuadrado:

χ230,0,01≃14,95χ230,0,99≃50,89\chi^{2}_{30,0{,}01}\simeq 14{,}95\qquad\chi^{2}_{30,0{,}99}\simeq 50{,}89

Sustituyendo:

IC0,98(λ)=[14,952⋅30,68,50,892⋅30,68]≃[0,24,0,83]IC_{0{,}98}(\lambda)=\left[\frac{14{,}95}{2\cdot 30{,}68},\frac{50{,}89}{2% \cdot 30{,}68}\right]\simeq[0{,}24,0{,}83]

Como interpretacion, el intervalo de confianza al 98%98\%{} para la tasa de fallos es aproximadamente [0,24,0,83][0{,}24,0{,}83] fallos por dia.

Observación VI.2.

La distribucion tt de Student es una distribucion de probabilidad con las siguientes caracteristicas:

  • ​

    Esta definida en todo ℝ\mathbb{R}.

  • ​

    Es siemtrica respecto al cero.

  • ​

    Tiene colas mas pesadas que la distribucion normal.

  • ​

    Depende de sus grados de libertad.

  • ​

    Converge a la normal estandar cuando los grados de libertad crecen