Professional Documents
Culture Documents
5.1 Estadgrafos
poblacionales
como
estimadores
de
parmetros
Estadgrafos Estadsticos
En este captulo se tratarn funciones de las variables X1, X2, ... , Xn observadas en una
muestra aleatoria seleccionada de una poblacin bajo estudio. Las variables son
independientes y tienen una distribucin comn. Con mucha frecuencia se utilizan
ciertas funciones de v.a. observadas en una muestra para estimar o tomar decisiones con
respecto de parmetros poblacionales desconocidos. Por ejemplo, supongamos que se
desea estimar la media de una poblacin
a travs de la media de la
La bondad de la estimacin del comportamiento de las v.a. X1, X2, ... , Xn y el efecto de
este comportamiento sobre
. Ntese que la v.a.
es una
funcin de (solamente) las v.a. X1, X2, ... , Xn y el tamao (constante) n de la muestra.
Por lo tanto la v.a.
Muestreo aleatorio
Consideremos una poblacin finita, de la que deseamos extraer una muestra. Cuando el
proceso de extraccin es tal que garantiza a cada uno de los elementos de la poblacin la
misma oportunidad de ser incluidos en dicha muestra, denominamos al proceso de
seleccin muestreo aleatorio.
El muestreo aleatorio se puede plantear bajo dos puntos de vista:
Sin reposicin de los elementos;
Con reposicin.
Muestreo aleatorio sin reposicin
Consideremos una poblacin E formada por N elementos. Si observamos un elemento
particular,
circunstancia:
Si no ha sido elegido en primer lugar (lo que ocurre con una probabilidad de
), la
cualquiera es
sea elegida es la suma de las probabilidades de elegir una cualquiera de sus n-uplas,
tantas veces como permutaciones en el orden de sus elementos sea posible, es decir
es
es decir,
y V(Xi) =
(
(
< . Definimos
)
/n)
en donde
entonces la funcin de distribucin Un converge a una funcin de distribucin normal
estndar cuando n.
Ejemplo
Los tiempos de espera para los clientes que pasan por una caja registradora a la salida de
una tienda de menudeo son variables aleatorias independientes con una media de 1.5
minutos y una varianza de 1.0. Aproxime la probabilidad de que se pueda atender a 100
clientes en menos de 2 horas.
Solucin
Si Xi denota el tiempo de espera para el i-simo cliente, entonces se desea calcular
P(
Xi 120 )
=P(
=P(
120/100)
1.20)
E(
Por lo tanto,
P( < 250.0 | = 260.0 , = 7.50 ) = P( z < -1.33 )
P( z < -1.33 ) = 0.0918 (valor tabulado).
Y=
y
Xi
tiene
=E[y]=E[
z=
Xi ] = n
Xi / n =
E[z]=
es una v.a.
V(Y) = n 2
V(Z) = 2 / n
Recordemos que la desigualdad de Tchebysheff
P(|X-
| K /n ) 1 / k2
Si tomamos
=>
P(|
sea = K /n
como la v.a.
-
| K /n ) 1 / k2
=>
k = n /
P(|
| ) ( 2 / 2 n )
Para > 0
Lmn P( |
|> )=0
Al hecho de que
sea consistente con , o que converja en probabilidad a , suele
designarse como la Ley de los Grandes Nmeros. Esta es la justificacin terica del
procedimiento de promediar las mediciones utilizado por muchos investigadores para
obtener mayor precisin en las medidas.
Por ejemplo, un investigador puede calcular el promedio de varias mediciones del peso
de un animal para obtener una estimacin ms exacta de dicho peso. Su consideracin,
es que el promedio de muchos pesos obtenidos independientemente debe estar bastante
prximo del peso real, con una alta probabilidad.
Ejemplo
A una poblacin de cuatro mecangrafas se les pidi que escribieran la misma pgina de
un manuscrito. Los errores cometidos por cada mecangrafa fueron:
Mecangrafa
A
B
C
D
No. de Errores
3
2
1
4
Solucin
Cuando se dispone de la informacin de una poblacin se puede calcular la media de
ella, entonces
x
=(
Xi ) / N
y la desviacin estndar
Por lo tanto
x
= ( 3 + 2 + 1 + 4 ) / 4 = 2.5 errores
Por otra parte, si el muestreo se hubiera realizado sin reposicin debera haber seis
muestras posibles de dos mecangrafas:
N! / [ n! ( N n )! ] = 4! / [ 2! * 2! ] = 6
A continuacin se presentan las posibles muestras
1. Total 16 muestras de n =2 y N =4, muestreo con reposicin
Muestra Mecangrafa Resultados de Media
la muestra
muestral
1
A, A
3,3
3
2
A, B
3,2
2.5
3
A, C
3,1
2
4
A, D
3,4
3.5
5
B, A
2,3
2.5
6
B, B
2,2
2
7
B, C
2,1
1.5
8
B, D
2,4
3
9
C, A
1,3
2
10
C, B
1,2
1.5
11
C, C
1,1
1
12
C, D
1,4
2.5
13
D, A
4,3
3.5
14
D, B
4,2
3
15
D, C
4,1
2.5
16
D, D
4,4
4
=2.5= x
2. Total 6 muestras posibles de n =2, N =4, muestreo sin reposicin
Muestra Mecangrafa Resultados de Media
la muestra
muestral
1
C, D
1,4
2.5
2
A, B
3,2
2.5
3
A, C
3,1
2
4
A, D
3,4
3.5
5
B, C
2,1
1.5
6
B, D
2,4
3
=2.5=
media
y varianza
. entonces
y varianza
/ n, es decir
Ejemplo
Una mquina embotelladora puede regularse de tal manera que llene un promedio de
onzas por botella. Se ha observado que la cantidad de contenido que suministra la
mquina presenta una distribucin normal con = 1.0 onza. De la produccin de la
mquina cierto da, se obtiene una muestra aleatoria de n = 9 botellas llenas (todas
fueron llenadas con las mismas posiciones de control operativo) y se miden las onzas
del contenido de cada una. Determinar la probabilidad de la media real
posiciones del control.
Solucin
para tales
Si X1, X2, ... , X9 representan las onzas de contenido a observarse, se deduce que X i
presenta una distribucin normal con una media
2, ... , 9. por tanto,
Se desea calcular
P( |
y una varianza
=1 para i = 1,
X
/n = 1/9.
) 0.3 )
ya que (
) / ( / n ) representa una distribucin normal estndar. Aplicando los
valores tabulados, se tiene
P ( - 0.9 Z 0.9 ) = 1 2 P( Z > 0.9)
= 1 2 (0.1841)
= 0.6318
Por tanto la probabilidad es solo de 0.63 de que la media muestral diste a lo ms en 0.3
de onza de la poblacin real.
Distribucin Ji Cuadrado (
Sean
con media
y varianza
. Entonces Zi = ( Xi ) / son v.a. normales estndar e
independientes, i = 1, 2, ...,n, y la suma de los cuadrados de variables aleatorias
normales estndares e independientes tiene una distribucin Ji-cuadrado con n grados de
libertad.
Bajo las condiciones anteriormente expuestas, para cuestiones ms prcticas se suele
trabajar con la siguiente frmula:
= ( n 1 ) S2 /
Ejemplo
Continuando con el ejemplo anterior, se supone que las onzas del contenido que vaca la
mquina embotelladora tiene una distribucin normal con
=1. Supngase que se
desea obtener una muestra aleatoria de 10 botellas y medir el contenido en cada botella.
Si se utilizan estas 10 observaciones para calcular S2, podra ser til especificar un
intervalo de valores que incluyeran a S2 con una alta probabilidad. Encuentre los
nmeros b1 y b2 tales que
P( b1 S2 b2) = 0.90
Solucin
Ya que
= 1, en consecuencia (n 1) S2 /
= (n 1) S2 tiene una distribucin
con (n 1) grados de libertad. Por tanto, utilizando los valores tabulados de esta funcin
podemos encontrar dos nmeros , a1 y a2, tales que
P( a1 (n 1) S2 a2) = 0.90
Un mtodo para hacerlo es encontrar el valor a2 que limita un rea de 0.05 de la cola
derecha y un valor a1 que limita un rea de 0.05 de la cola izquierda (0.95 de rea a la
derecha). Ya que hay 9 grados de libertad, la tabla nos da a2 = 16.919 y a1 = 3.325.
As debemos tener
a1 = (n 1)b1 /
a2 = (n 1)b2 /
= (n 1)b1 = 9 b1
= (n 1)b2 = 9 b2
o sea
b1 = 3.325 / 9= 0.369
b2 = 16.919 / 9 = 1.880
de donde se deduce que si se desea tener un intervalo que incluya a S2 con una
probabilidad de 0.90, uno de tales intervalos es ( 0.369, 1.880). Obsrvese que este
intervalo es bastante grande.
Distribucin t de Student
La distribucin -Student se construye como un cociente entre una normal y la raz de
una
de libertad,
a la de una v.a. T,
donde
,
v.a. independientes
La funcin de densidad de
es
Para calcular
. Vase la tabla
La distribucin F de Snedecor
Otra de la distribuciones importantes asociadas a la normal es la que se define como
cociente de distribuciones
independientes.
independientes. Decimos entonces que la variable
Sean
v.a.
y as
y para ello, como en todas las distribuciones asociadas a la normal, disponemos de una
tabla (la nmero 6) donde encontrar aproximaciones a esas cantidades
Mtodo de Montecarlo
El mtodo de Montecarlo es una tcnica para obtener muestras aleatorias simples de
una v.a. X, de la que conocemos su ley de probabilidad (a partir de su funcin de
distribucin F). Con este mtodo, el modo de elegir aleatoriamente un valor de X
siguiendo usando su ley de probabilidad es:
1. Usando una tabla de nmeros aleatorios se toma un valor u de una v.a.
.
2. Si X es continua tomar como observacin de X, la cantidad x=F-1(u). En el
caso en que X sea discreta se toma x como el percentil
de X, es decir el
valor ms pequeo que verifica que
Este proceso se debe repetir n veces para obtener una muestra de tamao n.
Ejemplo
Si queremos extraer n =10 muestras de una distribucin
podemos recurrir a una
tabla de nmeros aleatorios de k =5 cifras, en las que observamos las cantidades (por
ejemplo)
Muestra
xi = F-1(ui)
76.293
0.76
0.71
31.776
0.32(=1-0.68)
-0.47
50.803
0.51
0.03
71.153
0.71
0.55
20.271
0.20(=1-0.80)
-0.84
33.717
0.34(=1-0.66)
-0.41
17.979
0.18(=1-0.82)
-0.92
52.125
0.52
0.05
41.330
0.41(=1-0.59)
-0.23
95.141
0.95
1.65
Obsrvese que como era de esperar, las observaciones xi tienden a agruparse alrededor
de la esperanza matemtica de
que el valor medio de la muestra sea necesariamente
Unidad 6
ESTIMACIN PUNTUAL Y DE INTERVALOS
desconocidos.
Representamos mediante
una muestra aleatoria simple de la variable.
Denotamos mediante fc a la funcin de densidad conjunta de la muestra, que por estar
formada por observaciones independientes, puede factorizarse del siguiente modo:
, a cualquier v.a.
que se exprese en
Obsrvese que el estimador no es un valor concreto sino una variable aleatoria, ya que
aunque depende unvocamente de los valores de la muestra observados (Xi=xi), la
eleccin de la muestra es un proceso aleatorio. Una vez que la muestra ha sido elegida,
se denomina estimacin el valor numrico que toma el estimador sobre esa muestra.
Ejemplo
Consideremos una v.a. de la que slo conocemos que su ley de distribucin es normal,
es
Intuitivamente, las caractersticas que seran deseables para esta nueva variable aleatoria
(que usaremos para estimar el parmetro desconocido) deben ser:
Consistencia
Cuando el tamao de la muestra crece arbitrariamente, el valor estimado se aproxima al
parmetro desconocido.
El estimador
Lmn P( |
es un estimador consistente de
| )=1
n n
su forma equivalente
Lmn P( |
|> )=0
Eficiencia
es insesgado si:
Al estimador, al ser v.a., no puede exigrsele que para una muestra cualquiera se obtenga
como estimacin el valor exacto del parmetro. Sin embargo podemos pedirle que su
dispersin con respecto al valor central (varianza) sea tan pequea como sea posible.
Sea
es el estimador del parmetro
densidad de probabilidad f(x),
Si V( ) = I ( ), al estimador
I( ) = (1 / n) E [ - ( 2 ln f(x)) / (
)]
Suficiencia
El estimador debera aprovechar toda la informacin existente en la muestra.
A continuacin vamos a enunciar de modo ms preciso y estudiar cada una de esas
caractersticas.
Estimadores de Mxima Verosimilitud
Sea X una v.a. con funcin de probabilidad
Las muestras aleatorias simples de tamao n,
probabilidad conjunta
Como es lo mismo maximizar una funcin que su logaritmo (al ser este una funcin
estrictamente creciente), este mximo puede calcularse derivando con respecto a
la
funcin de verosimilitud ( bien su logaritmo) y tomando como estimador mximo
verosmil al que haga la derivada nula:
3. Si es un estimador suficiente de
de la muestra a travs de ;
es el estimador
, entonces
es el
es funcin
(en lugar de
es
Por tanto es un estimador insesgado. Si adems sabemos que X se distribuye como una
v.a. Normal, es sencillo comprobar que coincide con el estimador de mxima
verosimilitud (figura superior):
Proposicin :
Demostracin: La funcin de densidad de una observacin cualquiera de la muestra es:
para
del
Estimador de la varianza
A la hora de elegir un estimador de
estimador ms natural:
Ms an,
Demostracin
Comenzamos escribiendo
Luego
Cuasivarianza muestral
Para tener un estimador insesgado de la varianza introducimos la cuasivarianza
muestral
que se define como
Esa esperanza puede ser calculada de un modo ms directo, ya que la distribucin del
estimador
es conocida:
luego
El estimador
Esta expresin presenta dificultades para el clculo, siendo ms cmodo sustituirla por
la siguiente aproximacin:
para p se considera
deje la probabilidad
del mismo. Es decir, se considera el intervalo cuyos extremos son los cuantiles
. As se puede afirmar con una confianza de
que:
fuera
y
Ejemplo
Se quiere estimar el resultado de un referndum mediante un sondeo. Para ello se
realiza un muestreo aleatorio simple con n=100 personas y se obtienen 35% que votarn
a favor y 65% que votarn en contra (suponemos que no hay indecisos para simplificar
el problema). Con un nivel de significacin del 5%, calcule un intervalo de confianza
para el verdadero resultado de las elecciones.
Solucin:
Dada una persona cualquiera (i) de la poblacin, el resultado de su voto es una variable
Bernulli:
Por tanto, tenemos con esa muestra un error aproximado de 9,3 puntos al nivel de
confianza del 95%.
En la siguiente Figura podemos observar grficamente la interpretacin del clculo
realizado.
Figura: Regin a partir de la cual se realiza una estimacin
confidencial para una proporcin, con una confianza del 95%.
, consideramos la v.a.
y tomamos un
Figura: La distribucin
probabilidad es
difieren en el signo.
slo
el percentil
la cantidad
Sea
el percentil
, es decir,
Es til considerar en este punto la simetra de la distribucin normal, y observar que los
percentiles anteriores son los mismos aunque con el signo cambiado:
) es el
de que al extraer
no son conocidos. De ah
El problema que tenemos en este caso es ms complicado que el anterior, pues no es tan
sencillo eliminar los dos parmetros a la vez. Para ello nos vamos a ayudar de lo
siguiente:
Como se analiz en la Unidad 5. El Teorema del Lmite Central, en el tema 5.5
Distribuciones muestrales basados en la normalidad, se tiene una variable t con v grados
de libertad.
La nica diferencia entre el intervalo de confianza para la media cuando no se conoce la
varianza es que se debe estimar este parmetro por medio de su estimador s.
Ejemplo
Se quiere estimar un intervalo de confianza al nivel de significacin
para la
altura media de los individuos de una ciudad. En principio slo sabemos que la
distribucin de las alturas es una v.a. X de distribucin normal. Para ello se toma una
muestra de n=25 personas y se obtiene
Solucin:
En primer lugar, en estadstica inferencial, los estadsticos para medir la dispersin ms
convenientes son los insesgados. Por ello vamos a dejar de lado la desviacin tpica
muestral, para utilizar la cuasidesviacin tpica:
, es conveniente utilizar el
es decir,
Figura: Clculo del intervalo de confianza para la media usando para ello la distribucin
t de Student y la funcin de verosimilitud asociada, est tiene su mximo en , ya que
esta estimacin puntual de
es la mximo verosmil.
Consideremos dos cuantiles de esta distribucin que nos dejen una probabilidad
en la zona central de la distribucin:
de que:
Ejemplo
En un ejemplo anterior se estudiaba la altura de los individuos de una ciudad,
obtenindose en una muestra de tamao 25 los siguientes valores:
para la varianza
de la altura de los
Solucin:
Para estimar un intervalo de confianza para
nos resulta til es:
con una confianza del 95%, que por supuesto contiene a las estimaciones puntuales
y
error estndar del estimador no incluye la incertidumbre asociada con el hecho de que
la posicin de que la lnea de regresin basada en datos muestrales incluye errores de
muestreo y por lo general no es idntica a la lnea de regresin de la poblacin.
El error estndar completo para un intervalo de prediccin se llama error estndar de
pronstico, e incluye la incertidumbre asociada con la dispersin vertical alrededor de
la lnea de regresin ms la incertidumbre asociada con la posicin del mismo valor de
la lnea de regresin.
La frmula bsica para el error estndar del pronstico es
1 X2
t SX(siguiente)
Unidad 7
PRUEBA DE HIPTESIS
Al obtener una muestra de tamao n =8, podramos encontrarnos ante uno de los
siguientes casos:
a. Muestra = {1,50 ;1,52; 1,48; 1,55; 1,60; 1,49; 1,55; 1,63}
b. Muestra = {1,65; 1,80; 1,73; 1,52; 1,75; 1,65; 1,75; 1,78}
Intuitivamente, en el caso a sera lgico suponer que excepto que la muestra obtenida
sobre los habitantes del pueblo sea muy poco representativa, la hiptesis H0 debe ser
rechazada. En el caso b tal vez no podamos afirmar con rotundidad que la hiptesis H0
sea cierta, sin embargo no podramos descartarla y la admitimos por una cuestin de
simplicidad.
Este ejemplo sirve como introduccin de los siguientes conceptos: En un contraste de
hiptesis (tambin denominado prueba de hiptesis o Contraste de significacin) se
decide si cierta hiptesis H0 que denominamos hiptesis nula puede ser rechazada o no
a la vista de los datos suministrados por una muestra de la poblacin. Para realizar el
contraste es necesario establecer previamente una hiptesis alternativa (H1 Ha) que
ser admitida cuando H0 sea rechazada. Normalmente H1es la negacin de H0, aunque
esto no es necesariamente as.
La decisin de rechazar o no la hiptesis nula est al fin y al cabo basado en la eleccin
de una muestra tomada al azar, y por tanto es posible cometer decisiones errneas. Los
errores que se pueden cometer se clasifican como sigue:
Error de tipo I:
Es el error que consiste en rechazar H0 cuando es cierta. La probabilidad de cometer
este error es lo que se denomina nivel de significacin. Se denota con la letra
Hiptesis nula, H0
Hiptesis alterna H1
Estadstico de la prueba
Regin de rechazo
En este tema hemos estudiado dos de los cuatro elementos, para el siguiente tema se
estudiarn los dos restantes.
; Esto se ha de entender
Curvas OC
Cuando el nivel de significancia y el tamao de muestra se mantienen constantes, la
probabilidad de error tipo II disminuye a medida que el valor alternativo especfico de la
media se aleja del valor de la hiptesis nula y aumenta a medida que
Una curva caracterstica OC, describe grficamente la probabilidad de aceptar la
hiptesis nula dados diversos valores alternativos de la media de la poblacin.
La siguiente curva OC es aplicable a cualquier prueba de cola inferior de una media
hipottica al nivel de significancia de 5% basada en el uso de la distribucin normal de
probabilidad.
Figura: curva de poder ideal para la prueba
H0: = 0 frente a la alternativa H1: 0
Ntese que es aplicable a cualquier prueba de este tipo, porque los valores del eje
horizontal han sido enunciados en unidades del error estndar de la media. Para
cualesquiera valores a la izquierda de 0, la probabilidad de aceptacin indica la
probabilidad del error tipo II. A la derecha de 0, las probabilidades indican la
aceptacin correcta de la hiptesis nula. Tal como lo indican las lneas punteadas,
cuando = 0, la probabilidad de aceptar la hiptesis nula es 1 o, en este caso, 1
0.05 = 0.95.
En los siguientes temas desarrollaremos algunos ejemplos de cmo aplicar las curvas
OC y la potencia de la prueba.
donde
Para poder acceder a las probabilidades de la normal, hemos normalizado (ya que los
valores para hacer la normalizacin son conocidos). Si H0 es cierta, entonces esperamos
que el valor zexp obtenido sobre la muestra
est cercano a cero con una gran probabilidad. Esto se expresa fijando un nivel de
significacin
, y tomando como regin crtica , a los valores que son muy
extremados y con probabilidad en total, o sea,
toma un valor en la
y como regin crtica consideraremos aquella formada por los valores extremadamente
bajos de Zexp, con probabilidad , es decir
toma un
por simetra con respecto al caso anterior, la regin donde no se rechaza la hiptesis
nula es (vase la figura de abajo y contrstese con la anterior):
donde ni
ni
Al no conocer
va a ser necesario estimarlo a partir de su estimador insesgado: la
cuasivarianza muestral,
. Por ello la distribucin del estimador del contraste ser una
de Student, que ha perdido un grado de libertad, segn el teorema de Cochran (no
evaluado en el curso presente), y la definicin de la distribucin de Student:
o sea
Observacin
Para dar una forma homognea a todos los contrastes de hiptesis es costumbre
denominar al valor del estadstico del contraste calculado sobre la muestra como valor
experimental y a los extremos de la regin crtica, como valores tericos. Definiendo
entonces
tn-1 t
t T
es:
Figura: Regin crtica para uno de los contrastes unilaterales de una media.
anterior.
Ejemplo
Conocemos que las alturas X de los individuos de una ciudad, se distribuyen de modo
normal. Deseamos contrastar con un nivel de significacin de = 0.05 si la altura
media es diferente de 174 cm. Para ello nos basamos en un estudio en el que con una
muestra de n=25 personas se obtuvo:
Solucin:
El contraste que se plantea es:
La tcnica a utilizar consiste en suponer que H0 es cierta y ver si el valor que toma el
estadstico
no es 174, no
hay una evidencia suficiente para rechazar esta hiptesis al nivel de confianza del
Es decir, no se rechaza H0.
Ejemplo
Consideramos el mismo ejemplo de antes. Visto que no hemos podido rechazar el que la
altura media de la poblacin sea igual a 174 cm, deseamos realizar el contraste sobre si
la altura media es menor de 174 cm.
Solucin:
Ahora el contraste es
De nuevo la tcnica a utilizar consiste en suponer que H0' es cierta y ver si el valor que
toma el estadstico
frente a otras hiptesis alternativas. Para ello nos basamos en un estadstico (de
contraste) que ya fue considerado anteriormente en la construccin de intervalos de
confianza para proporciones y que sigue una distribucin aproximadamente normal para
tamaos muestrales suficientemente grandes:
. Entonces se define
Luego
Contraste bilateral
El contraste bilateral sobre la diferencia de proporciones es
Entonces se define
o si
Contrastes unilaterales
En el contraste
se rechazar H0 si
se rechaza H0 si
frente a otras hiptesis alternativas que podrn dar lugar a contrastes bilaterales o
unilaterales. La tcnica consiste en observar que el siguiente estadstico experimental
que utiliza el estimador insesgado de la varianza, posee una distribucin
grados de libertad:
, con n-1
Entonces construimos las regiones crticas que correspondan a las hiptesis alternativas
que se formulen en cada caso atendiendo a la ley de distribucin
Contraste bilateral
Cuando el contraste a realizar es
definimos
Contrastes unilaterales
Para un contraste de significacin al nivel
del tipo
Contraste
.
unilateral
del
tipo
Por tanto el estadstico del contraste que nos conviene tiene una distribucin conocida
cuando H0 es cierta --vase la definicin de la distribucin de Snedecor:
Contraste bilateral
El contraste bilateral para el cociente de varianzas se escribe como:
Habida cuenta que la distribucin de Snedecor no es simtrica sino que slo toma
valores positivos, se rechazar la hiptesis nula cuando el el valor que tome el
estadstico del contraste al aplicarlo sobre una muestra sea muy cercano a cero, o bien,
muy grande. Es decir, se define el estadstico experimental y los lmites de la regin
crtica como:
Contrastes unilaterales
El primer contraste unilateral que consideramos es:
y entonces
Ejemplo
Se desea comparar la actividad motora espontnea de un grupo de 25 ratas control y
otro de 36 ratas desnutridas. Se midi el nmero de veces que pasaban delante de una
clula fotoelctrica durante 24 horas. Los datos obtenidos fueron los siguientes:
Ratas de control
n1=25
Como
, no podemos concluir (al menos al nivel de significacin
que H0 deba ser rechazada.
Por lo tanto no rechazamos la hiptesis de homocedasticidad (que las dos son iguales)
de ambas poblaciones, y pasamos a contrastar la igualdad de las medias
y posteriormente
Como
concluimos que se ha de rechazar la hiptesis de igualdad de las
medias, y por tanto aceptamos que las medias son diferentes. Adems, como se aprecia
en la figura siguiente, la evidencia a favor de la hiptesis alternativa es muy alta, y se
puede afirmar que con gran probabilidad la media poblacional de las ratas de control es
mayor que la de las ratas desnutridas.
Figura: Hay una gran evidencia en contra de la hiptesis de que ambas
medias poblacionales coincidan, y a favor de que la de la primera
poblacin es mayor que la de la segunda.
yi
di
150 120 30
180 130 50
...
...
...
...
140 90
50
es una v.a. d que se distribuye normalmente, pero cuyas media y varianza son
desconocidas
en el caso en que H0 fuese cierta tendramos que el estadstico de contraste que nos
conviene es
Entonces se define
entonces se rechaza H0 si
se rechaza H0 si
Observacin
No supone ninguna dificultad el haber realizado el contraste con
entonces el estadstico del contraste es
conocida, ya que
Observacin:
Para detectar un desplazamiento de la distribucin de las Y hacia la derecha de la
distribucin de las X, utilice la suma de los rangos T +, la suma de los rangos de las
diferencias positivas y rechace H0 si T+ T0.
Ejemplo
Pruebe la hiptesis nula de que no hay diferencias entre las distribuciones poblacionales
de la densidad de los pasteles para un experimento de diferencias aparejadas. Se utilizan
6 pares de pasteles, uno preparado con la mezcla A y el otro con la mezcla B. Qu se
puede decir del nivel de significancia alcanzado?
Solucin
Los datos originales y las diferencias (en onzas por pulgada cbica) para los seis pares
de pasteles se muestran en la tabla siguiente:
A
B
Diferencia: A B
Rango
0.135
0.129
0.006
3
0.102
0.120
-0.018
5
0.108
0.112
-0.004
1.5
0.141
0.152
-0.011
4
0.131
0.135
-0.004
1.5
0.144
0.163
-0.019
6
Como en el caso de otras pruebas no para mtricas, la hiptesis nula que debe probarse
es que las distribuciones de frecuencias de las dos poblaciones de densidades de los
pasteles son idnticas. La hiptesis alternativa, que implica una prueba de dos colas, es
que las distribuciones difieren en ubicacin.
Realizaremos nuestra prueba utilizando = 0.10, porque la cantidad de datos es
pequea. De la tabla de valores crticos de T en la prueba de Wilcoxon, vemos que el
valor crtico de T para una prueba de dos colas y = 0.10, es T0 = 2. por tanto
rechazaremos H0 si T 2.
Dado que hay solamente una diferencia positiva que tiene el rango 3, T+ = 3y T-- = 18, y
por lo tanto no hay evidencia suficiente para indicar una diferencia ente las
distribuciones de frecuencias de las dos poblaciones de las densidades de las
poblaciones de los pasteles. Ya que no es posible rechazar H0 para = 0.10, solamente
podemos afirmar que el valor p > 0.10.
Tipo de defecto
A
B
C
D
15(22.51) 21(20.99) 45(38.94) 13(11.56)
26(22.99) 31(21.44) 34(39.77) 5(11.81)
33(28.50) 17(26.57) 49(49.29) 20(14.63)
74
69
128
38
Total
94
96
119
309
Los nmeros ente parntesis son las estimaciones de las frecuencias esperadas de las
celdas. El objetivo es probar la hiptesis nula de que el tipo de defecto es independiente
del turno de produccin, frente a la alternativa de que las dos categoras son
dependientes. Es decir, queremos probar H0: la clasificacin por columnas es
independiente de la clasificacin por renglones.
Sea pA igual a la probabilidad incondicional de que un efecto sea del tipo A. Asimismo,
se definen pB, pC, y pD como las probabilidades de observar los otros tres tipos de
defectos. Entonces estas probabilidades, que llamaremos probabilidades de columna de
la tabla anterior, satisfacen la condicin: pA + pB + pC + pD = 1
De igual manera sea pi (i = 1,2 o 3) igual a la probabilidad de rengln de que un defecto
provenga del turno i, en donde
p1 + p2 + p3 = 1
La hiptesis nula especifica solamente que la probabilidad cada celda ser igual al
producto de sus respectivas probabilidades de rengln y de columna, lo que implica la
independencia de las dos clasificaciones.
Tenemos que estimarlas probabilidades de columna y de rengln para poder estimar las
frecuencias esperadas de las celdas.
= nij / n,
i =1,...,r; j = 1,...,c
= ri / n
Nivel
1
2
...
r
1
X11
X21
...
Xr1
Factor A
2
X12
X22
...
Xr2
X.1
X.2
...
...
...
...
...
c
X1c
X2c
...
Xrc
X.c
X1.
X2.
...
Xr.
n
y su distribucin
, de modo que pi es la
pero nosotros vamos a usarla para v.a. ms generales. Supongamos que el resultado de
un experimento aleatorio es una clase c1, c2, ..., ck(ci,
), que puede
representar valores cualitativos, discretos o bien intervalos para variables continuas. Sea
pi la probabilidad de que el resultado del experimento sea la clase ci. Vamos a considerar
contrastes cuyo objetivo es comprobar si ciertos valores pi0, propuestos para las
cantidades pi son correctas o no, en funcin de los resultados experimentales
, ...,
Clase Frec. Abs.
ci
c1
c2
...
...
ck
. Por
sea pequea.
es decir,
Observacin
A pesar de que el contraste parece ser bilateral la forma de , nos indica que el
contraste es unilateral: Slo podemos saber si existe desajuste entre los esperado y lo
observado, pero no podemos contrastar hiptesis alternativas del tipo ``pi mayor que
cierto valor''.
Observacin
Obsrvese que en realidad
, ...,
, que nicamente
slo puede tomar un nmero finito de valores distintos (aunque sean cantidades con
decimales). Por tanto su distribucin no es continua. Luego al realizar la aproximacin
n>30;
2.
para todo
Sin embargo esta regla resulta demasiado estricta a la hora de aplicarla en la prctica. Se
utiliza entonces una regla ms flexible y que no sacrifica demasiada precisin con
respecto a la anterior:
1.
2.
ellos.
, salvo a lo sumo un
de
Si a pesar de todo, estas condiciones no son verificadas, es necesario agrupar las clases
que tengan menos elementos con sus adyacentes.
Observacin
El lector puede considerar los contrastes con el estadstico
como una generalizacin
del contraste de proporciones. Para ello le invitamos a estudiar el siguiente ejemplo.
Ejemplo
Se desea saber si cierta enfermedad afecta del mismo modo a los hombres que a las
mujeres. Para ello se considera una muestra de n=618 individuos que padecen la
enfermedad, y se observa que 341 son hombres y el resto son mujeres. Qu
conclusiones se obtiene de ello?
Solucin:
El contraste a realizar se puede plantear de dos formas que despus veremos que son
equivalentes:
Contraste de una proporcin: Si p es el porcentaje de hombres en la poblacin de
enfermos, podemos considerar el contraste:
frecuencias
observadas
esperadas
diferencia
Hombres
341
322/309
Mujeres
277
-9
(-32)2/309
6,63
618
Consideremos entonces el estadstico
618
donde:
k =2 es el nmero de modalidades posibles que toma la variable sexo: hombres y
mujeres;
p =0 es el nmero de parmetros estimados;
h =1 es el nmeros de restricciones impuestas a los valores esperados. Slo hay una
(que es habitual), que consiste en que el nmero esperado de enfermos entre hombres y
mujeres es 60.
El estadstico calculado sobre la muestra ofrece el valor experimental:
En conclusin, con los dos mtodos llegamos a que hay una fuerte evidencia en contra
de que hay el mismo porcentaje de hombres y mujeres que padecen la enfermedad. La
ventaja de la ltima forma de plantear el contraste (diferencia entre frecuencias
observadas y esperadas) es que la tcnica se puede aplicar a casos ms generales que
variables dicotmicas, como se ver ms adelante.
Observacin
Hay una frmula alternativa para el clculo de
cuando realizamos clculos:
Demostracin
Las cantidades pi son desconocidas, aunque tienen una forma en la que slo dependen
del nico parmetro que debe ser estimado a partir de la muestra (r=1): Realizando esta
estimacin
es aproximadamente
Intervalo
- e1
e1 - e2
e2 - e3
...
...
...
...
...
donde todos los pi estn fijados (hiptesis H0). Entonces por lo mencionado
anteriormente, el contraste consiste en:
En este contraste se comete cierto error de aproximacin y por tanto ser tanto mejor
cuanto mayor sea n.
Ejemplo
Dadas dos parejas de genes Aa y Bb, la descendencia del cruce efectuado segn las
leyes de Mendel, debe estar compuesto del siguiente modo:
Leyes de Mendel
Frecuencias
Fenotipo relativas
AB
9/16
Ab
3/16
aB
3/16
ab
1/16
165
Ab
47
aB
67
ab
21
Total
300
Se puede aceptar que se cumplen las leyes de Mendel sobre los individuos de dicha
poblacin?
Solucin:
El contraste a realizar es:
Para ello vamos a representar en una sola tabla las frecuencias observadas, junto con las
que seran de esperar en el caso de que H0 fuese cierta:
Fenotipo
AB
165
161,33
Ab
47
42,27
aB
67
85,91
ab
21
23,52
Total
300 300
313,03
ya que 4 son los posibles fenotipos, no se ha estimado ningn parmetro (la distribucin
segn las leyes de Mendel es conocida), y sobre las cantidades Ei existe solamente una
restriccin, que es:
Por otro lado,
distribucin
. Por tanto la significatividad del contraste es del
, lo que
nos conduce a rechazar la hiptesis de que la poblacin de la que la muestra ha sido
extrada sigue las leyes de Mendel.
Al mismo resultado llegamos sin calcular con precisin la significatividad del contraste,
sino considerando que el valor terico mximo que admitimos para el estadstico
experimental con un nivel de significacin del 5% es el percentil 95 de
, es decir,
Obsrvese tambin que el que se haya rechazado la hiptesis nula significa que hay
diferencia estadsticamente significativa entre las frecuencias observadas y las
esperadas, aunque a primera vista no lo hubisemos percibido en el grfico de la Figura
siguiente:
Unidad 8
REGRESIN LINEAL Y ANLISIS DE VARIANZA
es el valor que se predice del i-simo valor de y (cuando x = xi), entonces la desviacin
del valor observado de y a partir de la recta (llamada a veces el error) es
yi i
y la suma de los cuadrados de las desviaciones que deben minimizar es
SCE =
(yi i)2 =
[yi (
x)]2
La cantidad SCE se llama suma de los cuadrados de los errores por motivos que sern
obvios en seguida.
Si se tiene un mnimo este ocurrir para los valores de
ecuaciones,
SCE /
SCE /
=0
1 = 0
0
Ecuaciones de
Mnimos Cuadrados
=-2(
yi - n
xi) = 0
SCE / 1 = - 2 (
xi yi - 0
xi - 1 xi2) = 0
ntese que las ecuaciones de mnimos cuadrados son lineales en 0 y 1, y por lo tanto
se pueden resolver simultneamente. Puede verificarse que las soluciones son
Adems se puede demostrar que la resolucin simultnea de las dos ecuaciones de los
mnimos cuadrados produce valores de 0 y 1 que minimizan SCE.
Ejemplo
Aplicar el mtodo de los mnimos cuadrados para ajustar una lnea recta a travs de los
n=5 datos contenidos en la siguiente tabla:
x
-2
-1
0
1
2
y
0
0
1
1
3
Solucin Empezaremos por construir la tabla para calcular los coeficientes de las
ecuaciones de los mnimos cuadrados. Entonces se tiene:
xi
-2
-1
0
1
2
yi
0
0
1
1
3
xi yi
0
0
0
1
6
xi2
4
1
0
1
4
xi= 0
yi = 5
xi yi = 7
xi2 = 10
y la recta ajustada es
= 1 + 0.7 x y
se muestran los cinco puntos y la recta ajustada en la siguiente figura
= V(Y ) + V()
Por lo tanto el error tiene una distribucin de probabilidad normal con media cero y
varianza 2
1,
0,
si i = 2
si no
Ejemplo
En la tabla siguiente se dan los valores codificados de la medicin de elasticidad de un
plstico, producido mediante dos procesos diferentes, para muestras
A
6.1
7.1
7.8
6.9
7.6
8.2
B
9.1
8.2
8.6
6.9
7.5
7.9
De tamao seis extradas aleatoriamente de cada uno de los dos procesos. Presentan los
datos evidencia suficiente para indicar una diferencia en la elasticidad media de los
procesos?
Solucin Aunque en este ejercicio se podra utilizar la t de Student como el estadstico
de la prueba, aplicaremos la prueba F del anlisis de varianza, ya que es ms
general y se la puede utilizar para comparar ms de dos medias.
Las tres sumas de cuadrados de las desviaciones deseadas son
SCT / 1
CME =
SCE / (2n1 2) =
1.6875
5.8617 / 10 = 5.8617
F = CMT / CME =
1.6875 / 0.58617 =
2.88
El valor crtico del estadstico F para = 0.05 es 4.96. Aunque el cuadrado medio de
los tratamientos es casi tres veces mayor que el cuadrado medio del error, no es
suficientemente grande para rechazar la hiptesis nula. Por consiguiente, al nivel de
significancia = 0.05 no hay suficiente evidencia estadstica que indique una diferencia
entre 1 y 2. El nivel de significancia obtenido se indica mediante el valor p = P(F >
2.88) que segn la tabla para la v.a. F, es tal que p > 0.10.
Observacin
El propsito de este ejemplo era explicar los clculos implicados en un anlisis de
varianza sencillo. La prueba F para comparar dos medias es equivalente a la prueba t de
student, porque un estadstico F con un grado de libertad en el numerador es igual a t2.
Puede verificarse fcilmente que el cuadrado de t0.025 = 2.228 (que se utilizara como una
prueba de dos colas con = 0.05 y v = 10 grados de libertad) es igual a F0.05 = 4.96. Si
se hubiere utilizado la prueba t para el ejemplo anterior, habramos obtenido t = -1.6967,
que satisface la relacin t2 =(-1.6967)2 = 2.88 = F.
RR: z > z.
RR: z < z.
RR: | z | > z/2.
1
2
3
4
5
6
7
39
43
21
64
57
47
28
65
78
52
82
92
89
73
8
9
10
75
34
52
98
56
75
Solucin
Al denotar por x los resultados del examen de aprovechamiento y por y las
calificaciones de clculo, tenemos que
xi = 460
yi = 760
xi2 = 23.637
yi2 = 59.816
xi yi = 36.854
As
proponemos como hiptesis nula que X y Y son independientes, o bien, al suponer que
(X, Y) tiene una distribucin normal bivariable, probamos H0: = 0 frente a H1: 0. El
valor del estadstico de la prueba es
Ya que z/2 = z .025 = 1.96, el valor observado del estadstico de la prueba cae en la
regin de rechazo, por lo tanto, los datos sugieren firmemente que los resultados del
examen de aprovechamiento y las calificaciones de clculo son dependientes. Ntese
que = 0.05 es la probabilidad de que nuestro estadstico de prueba caiga en la regin
de rechazo cuando es verdadera H0. Por lo tanto, se confa bastante en que hemos
tomado una decisin correcta.
Como se aplica una prueba de dos colas, el valor p = 2 P(Z > 3.231). De los valores
obtenidos de la tabla de probabilidades de la normal, sigue que P(Z > 3.231) < P(Z >
3.00) = 0.001. Por lo tanto, el valor p < 2 (0.001) = 0.002 y para cualquier valor de
mayor que 0.002 (lo que incluye = 0.05, como se utiliz al inicio de este anlisis)
concluiremos que 0.
Coeficiente de correlacin
El coeficiente de correlacin lineal de la poblacin, , se relaciona con la covarianza y
se define como
= Cov(X1, X2) / 1 2
donde 1 y 2 son las desviaciones estndar de X1 y X2 respectivamente.
Coeficiente de Determinacin R2 se define como
2. SC Reg
= bT XT y n
3. SC Error
= yT y bT XT y
)2 + ... + (yn
)2
i, j = 1, ..., p-1
vs
H1: H0
vs
H1: H0
El modelo estadstico lineal que relaciona una respuesta aleatoria Y con un conjunto de
variables independientes x1, x2,..., xk tiene la forma
Y = 0 + 1 x1 +...+ k xk +
En donde 0, 1,..., k son parmetros desconocidos, es una v.a. y x1, x2,..., xk son
constantes conocidas. Supondremos que E() = 0 y por lo tanto que
E(Y) = 0 + 1 x1 +...+ k xk
Obsrvese la interpretacin fsica del modelo lineal Y. Decimos que Y es igual a un
valor esperado, 0 + 1 x1 +...+ k xk (una funcin de las variables independientes x1,
x2,..., xk), ms un error aleatorio . Desde un punto de vista prctico, , traduce nuestra
incapacidad de tener un modelo exacto de la realidad. En una experimentacin repetida
Y flucta alrededor de E(Y) en una manera aleatoria porque no hemos podido incluir en
nuestro modelo toda la gran cantidad de variables que afectan a Y. Afortunadamente, el
efecto neto de estas variables indeterminadas, y que la mayora de las veces son
desconocidas, hacen que Y vare de manera que puede calcularse adecuadamente
mediante la suposicin de un comportamiento aleatorio.
g.l.
k1
nk
n-1
SC
SCT
SCE
SC Total
CM
CMT
CME
F
CMT / CME
CMT es la divisin entre la SC Tratamiento para sus grados de libertad (SCT / k-1);
CME es la divisin de la SCE para sus grados de libertad (SCE / n-k);
Por ltimo se obtiene el estadstico F que es la divisin entre CMT y CME, los grados
de libertad son en el numerador los g.l. de la SCT y en el denominador los g.l. de la
SCE.
Ejemplo
En la tabla siguiente se dan los valores codificados de la medicin de elasticidad de un
plstico, producido mediante dos procesos diferentes,
A
6.1
7.1
7.8
6.9
7.6
8.2
B
9.1
8.2
8.6
6.9
7.5
7.9
para muestras de tamao seis extradas aleatoriamente de cada uno de los dos procesos.
Presentan los datos evidencia suficiente para indicar una diferencia en la elasticidad
media de los procesos?
Solucin
Aunque en este ejercicio se podra utilizar la t de Student como el estadstico de la
prueba, aplicaremos la prueba F del anlisis de varianza, ya que es ms general y se la
puede utilizar para comparar ms de dos medias.
Las tres sumas de cuadrados de las desviaciones deseadas son
SCT / 1
CME =
SCE / (2n1 2) =
1.6875
5.8617 / 10 = .58617
1.6875 / 0.58617 =
2.88
El valor crtico del estadstico F para = 0.05 es 4.96. Aunque el cuadrado medio de
los tratamientos es casi tres veces mayor que el cuadrado medio del error, no es
suficientemente grande para rechazar la hiptesis nula. Por consiguiente, al nivel de
significancia = 0.05 no hay suficiente evidencia estadstica que indique una diferencia
entre 1 y 2. El nivel de significancia obtenido se indica mediante el valor p = P(F >
2.88) que segn la tabla para la v.a. F, es tal que p > 0.10.
Observacin
El propsito de este ejemplo era explicar los clculos implicados en un anlisis de
varianza sencillo. La prueba F para comparar dos medias es equivalente a la prueba t de
student, porque un estadstico F con un grado de libertad en el numerador es igual a t2.
Puede verificarse fcilmente que el cuadrado de t0.025 = 2.228 (que se utilizara como una
prueba de dos colas con = 0.05 y v = 10 grados de libertad) es igual a F0.05 = 4.96. Si
se hubiere utilizado la prueba t para el ejemplo anterior, habramos obtenido t = -1.6967,
que satisface la relacin t2 =(-1.6967)2 = 2.88 = F.
El sistema funciona cuando opera una cadena intacta de componentes entre A y B. Si los
cuatro componentes funcionan independientemente, encuentre la confiabilidad del
sistema, en trminos de F(y).
Solucin
Observando el diagrama podemos ver que para que el sistema funcione deben trabajar a
la vez C1 y C2 y C3 C1 y C2 y C4 dado que no funciona C3, lo que equivale a:
Cs
= P(funcione C1 ) * P(funcione C2 ) * P(funcione C3) + [P(funcione C1 ) *
P(funcione C2 ) * P(funcione C4)] * [P(no funcione C3)]
Cs
= (1 F(y)) * (1 F(y)) * (1 F(y)) + [(1 F(y)) * (1 F(y)) * (1 F(y))] * [1 (1 F(y))]
= [(1 F(y))]3 + [(1 F(y))]3 * [1 1 + F(y)]
Unidad 9
CONTROL ESTADSTICO DE PROCESOS
tratamientos a las unidades en cada bloque, y cada tratamiento aparece exactamente una
sola vez en cada bloque.
En la unidad 8 tema 3 encontramos un ejemplo que demuestra la aplicacin del tema.
Decisin
En la siguiente tabla se muestra un resumen las frmulas para las cartas de control ms
usuales
Carta
Distribucin
supuesta
Normal
R
p
Normal
Binomial
Poisson
Lnea
central
Lnea superior
Lnea inferior
+ A2
D4
- A2
D3
+3
-3
-3
+3
, para el rango R, la
b)
Muestra
No.
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
14,99
15,09
15,05
14,95
15,04
14,73
15,01
14,84
14,80
14,99
14,96
15,00
15,02
15,07
15,02
s
R
0,148 0,36
0,045 0,11
0,088 0,20
0,057 0,13
0,042 0,10
0,432 0,88
0,083 0,20
0,116 0,24
0,127 0,31
0,066 0,14
0,141 0,33
0,056 0,13
0,047 0,11
0,068 0,15
0,125 0,27
la lnea
central y
los
lmites
de
control
inferior
superior
de la
grfica
.
Elabore
la
grfica
de la
carta de
control
para
d) Suponga que no se tienen las especificaciones, cuales seran las lmites superior,
inferior y la lnea central?
Solucin
a.- dado que tenemos las especificaciones del producto entonces obtenemos los lmites
de control por medio de ellos
lnea central =
Lmite superior
Lmite inferior
= 15.0 oz.
= + 3 /n = 15.0 + 3 * 0.1 / 4 =15.15 oz.
= - 3 /n = 15.0 - 3 * 0.1 / 4 =14.85 oz.
c.- como podemos observar en el grfico, el procesos se sale de control en las muestras
# 8 y # 9.
1. Los puntos 8 y 9 rebasan los lmites de control (prueba 1)
2. Dos de tres puntos caen en la zona A o ms all (prueba 5)
d.- Si no tuvisemos las especificaciones se debern calcular los valores utilizando las
frmulas de la tabla para cartas de control ms comunes.
Lnea central =
=
=
Lmite Superior
Lmite Inferior
14.84
=
=
/ k= 224.72 / 15 = 14.98
s/k
= 1.28 / 15
= 0.08551
+ 3 ( / C4 n)
- 3 ( / C4 n)
la v.a. Hipergeomtrica, cuando se desea analizar lotes de mayor tamao se utiliza la v.a.
Poisson
Tipos de planes de muestreo de aceptacin
Plan simple de muestreo: la informacin obtenida de una muestra es usada para tomar
una decisin para aceptar o rechazar el lote. Los parmetros son n tamao de muestra y
c nmero de aceptacin.
Se selecciona una muestra de tamao n y el nmero de tem defectuosos o no conformes
se compara con c. Si el nmero de defectuosos es menor o igual a c entonces el lote es
aceptado, en caso contrario el lote es rechazado.
Plan doble de muestre: en este plan se requieren de los siguientes parmetros:
Tamao de la primera muestra
(n1)
Nmero de aceptacin para la primera muestra (c1)
Nmero de rechazo para la primera muestra (r1)
Tamao de la primera muestra (n2)
Nmero de aceptacin para la primera muestra (c2)
Nmero de rechazo para la primera muestra(r2)
Se selecciona una muestra de tamao n1 y se detectan el nmero de defectuosos en el
lote, si denotamos el nmero de defectuosos por d1, entonces decidimos:
Si d1 c1 => acepta el lote
Si d1 > r1 => rechace el lote
Si r1 < d1 < c1 => tome una nueva muestra
Al momento de tomar la nueva muestra se determinan n2, c2, r2 con una condicionante
que r2 = c2 + 1, y la prueba queda de la siguiente manera:
Si d1 + d2 c2 => acepta el lote
Si d1 + d2 > r2 => rechace el lote
Cuando d2 es el nmero de defectuosos en el segundo grupo muestreado.
Por ejemplo si se tiene una poblacin de tamao N = 5000, se realiza un plan de
muestreo doble con los siguientes parmetros:
n1 = 40
c1 = 1
r1 = 4
n2 = 60
c2 = 5
r2 = 6