ESTADISTICA II ECO

DISTRIBUCION DE LA VARIANZA MUESTRAL 𝑺 𝟐

Varianza: La varianza es una medida de dispersión que representa la variabilidad de una serie de datos
respecto a su media. Formalmente se calcula como la suma de los residuos al cuadrado divididos entre
el total de observaciones.

Supongamos que se extrae una muestra de n observaciones de una población con media desconocida 𝜇 y
varianza poblacional desconcida 𝜎 2 . Representaremos las observaciones muestrales por
𝑋1 , 𝑋2 , … . . , 𝑋𝑛 . La varianza poblacional es la esperanza de:
𝝈𝟐 = 𝐸[(𝑋 − 𝜇)2 ]
Ahora bien la media que nos interesa es la de los (𝑋𝑖 − 𝜇)2 ; 𝑖 = 1,2, … , 𝑛 y como 𝜇 es
d e s c o n o c i d a , e n t o n c e s t r a b a j a m o s c o n l a m e d i a muestral
𝝈𝟐 = 𝐸[(𝑋𝑖 − 𝑋̅)2 ]
El supuesto de que la distribución de la población es normal resulta razonable. En tal caso, puede
probarse que la variable aleatoria:
(𝑛 − 1)𝒔𝟐 ∑𝑛𝑖=1(𝑋𝑖 − 𝑋̅)2
=
𝝈𝟐 𝝈𝟐
Sigue una distribución conocida con el nombre de distribución"ji-cuadrada"(o çhi-cuadrada") 𝜒 2 (𝑛 −
1) grados de libertad

TEOREMA: Si 𝒔𝟐 es la varianza de una muestra aleatoria de tamaño 𝑛 de una población distribuida

normalmente con media µ y varianza 𝝈𝟐 , entonces, la distribución muestral de
(𝑛 − 1)𝒔𝟐
𝜒2 =
𝝈𝟐

Es una distribución 𝜒 2 (𝑛 − 1) grados de libertad.

1
ESTADISTICA II ECO
Valor Esperado (o promedio) de la varianza de la muestra
 Si 𝑥̅ denota la media muestral, se tiene que
1
1 𝑛−1 2
𝑬[𝑠 2 ] = 𝐸 [ ∑(𝑥𝑖 − 𝑥̅ )2 ] = 𝜎
𝑛 𝑛
𝑖=1

 Por el resultado anterior el valor esperado de la varianza muestral no es la varianza de la

población.
 Definamos la varianza de la muestra como:
𝑛
2
1
𝑠 = ∑(𝑥𝑖 − 𝑥̅ )2
𝑛−1
𝑖=1

Como
𝒏 𝑛 𝑛 𝑛 𝑛
𝟏 1 1
̅)𝟐 = 𝑠 2 =
∑(𝒙𝒊 − 𝒙 ∑(𝑥𝑖 2 − 2𝑥𝑖 𝑥̅ + 𝑥̅ 2 ) = [∑ 𝑥𝑖 2 − 2𝑥̅ ∑ 𝑥𝑖 + ∑ 𝑥̅ 2 ]
𝒏−𝟏 𝑛−1 𝑛−1
𝒊=𝟏 𝑖=1 𝑖=1 𝑖=1 𝑖=1
𝒏 𝑛 𝑛
𝟏 1 1
̅)𝟐 =
∑(𝒙𝒊 − 𝒙 [∑ 𝑥𝑖 2 − 2𝑥̅ (𝑛𝑥̅ ) + 𝑛𝑥̅ 2 ] = [∑ 𝑥𝑖 2 − 2𝑛𝑥̅ 2 + 𝑛𝑥̅ 2 ]
𝒏−𝟏 𝑛−1 𝑛−1
𝒊=𝟏 𝑖=1 𝑖=1
𝒏 𝑛
𝟏 1
̅)𝟐 =
∑(𝒙𝒊 − 𝒙 [∑ 𝑥𝑖 2 − 𝑛𝑥̅ 2 ]
𝒏−𝟏 𝑛−1
𝒊=𝟏 𝑖=1

Entonces
𝑛 𝑛 𝑛
1 1 1
𝑬[𝑠 2 ] = 𝑬 [ ∑(𝑥𝑖 − 𝑥̅ )2 ] = 𝑬 [ ∑(𝑥𝑖 2 − 𝑛𝑥̅ 2 )] = 𝑬 [ ∑(𝑥𝑖 2 − 𝑛𝑥̅ 2 )]
𝑛−1 𝑛−1 𝑛−1
𝑖=1 𝑖=1 𝑖=1

𝑛 𝑛−1
𝑬[𝑠 2 ] = ( 𝑉𝑎𝑟(𝑥)) = 𝑉𝑎𝑟(𝑥) = 𝜎 2
𝑛−1 𝑛
 Con esta definición, tenemos 𝐸[𝑠 2 ] = 𝜎 2
 El valor esperado de 𝑠 2 coincide con el valor deseado (varianza de la población)
 𝑠 2 es un estimador insesgado de 𝜎 2

Distribución de la varianza muestral: Si la variable X tiene una distribución normal, entonces la

(𝑛−1)𝒔𝟐
distribución de 𝜒 2 = 𝝈𝟐
es una 𝜒 2 (𝑛−1) (Chi cuadrado) con (𝑛 − 1) grados de libertad

Propiedades
1. Los valores de 𝜒 2 son mayores o iguales que 0.
2. La forma de una distribución 𝜒 2 depende del grado de libertad 𝑔. 𝑙 = 𝑛 − 1. En consecuencia, hay
un número infinito de distribuciones 𝜒 2 .
3. El área bajo una curva ji-cuadrada y sobre el eje horizontal es 1.
4. Las distribuciones 𝜒 2 no son simétricas. Tienen colas estrechas que se extienden a la derecha; esto
es, están sesgadas a la derecha.
5. Cuando 𝑛 > 2, la media de una distribución 𝜒 2 es 𝑛 − 1 y la varianza es 2(𝑛 − 1).
6. El valor modal de una distribución 𝜒 2 se da en el valor (𝑛 − 3).

2
ESTADISTICA II ECO
La siguiente figura ilustra algunas distribuciones chi cuadrado 𝜒 2 .

Ejemplo 1. Se considera una medición física realizada con un instrumento de precisión, donde el interés
se centra en la variabilidad de la lectura. Se sabe que la medición es una variable aleatoria con
distribución Normal y desviación típica 4 unidades. Se toma una muestra aleatoria simple de tamaño
25. Obtener la probabilidad de que el valor de la varianza muestral sea mayor de 12.16 unidades
cuadradas.
Solución
𝑿: Medición
(𝑛−1)𝒔𝟐
𝑿~𝑁𝑜𝑟𝑚𝑎𝑙(𝜇; 𝜎 = 4) ; 𝒏 = 𝟐𝟓 ; 𝜒 2 = 𝝈𝟐

(𝑛 − 1)𝒔𝟐 (25 − 1)𝟏𝟐. 𝟏𝟔 (25 − 1)𝟏𝟐. 𝟏𝟔

𝑃(𝒔𝟐 ≥ 𝟏𝟐. 𝟏𝟔) = 𝑃 ( 𝟐
≥ 𝟐 ) = 𝑃 (𝜒 2 (𝑛−1) ≥ )
𝝈 𝝈 𝟒𝟐

(24)(1𝟐. 𝟏𝟔)
= 𝑃 (𝜒 2 (25−1) ≥ ) = 𝑃 (𝜒 2 (24) ≥ 18.24) = 0.7912
𝟏𝟔
Usando tabla (Interpelación)

𝑃 (𝜒 2 (24) ≥ 15.55) = 0.90 𝑥 − 0.90 0.75 − 0.90 𝑥 − 0.90 −0.15

= ⟶ =
18.24 − 15.55 19.04 − 15.55 2.69 3.49
𝑃 (𝜒 2 (24) ≥ 18.24) = 𝑥

𝑃 (𝜒 2 (24) ≥ 19.04) = 0.75 𝑥 − 0.90 = −0.1156 ⟶ 𝑥 = 0.90 − −0.1156 ⟶ 𝒙 = 𝟎. 𝟕𝟖𝟒𝟑

Ejemplo 2. Suponga que los tiempos requeridos por un cierto autobús para alcanzar a uno de sus
destinos en una ciudad grande forman una distribución normal con una desviación estándar 𝜎 = 1
minuto. Si se elige al azar una muestra de 17 tiempos, calcule la probabilidad de que la varianza
muestral es mayor que 2.
Solución
(𝑛−1)𝒔𝟐
𝑿: Tiempo 𝑿~𝑁𝑜𝑟𝑚𝑎𝑙(𝜇; 𝜎 = 1) ; 𝑛 = 17 ; 𝜒 2 = 𝝈𝟐

(𝑛 − 1)𝒔𝟐 (𝑛 − 1)𝟐 (17 − 1)(𝟐)

𝑃(𝒔𝟐 ≥ 𝟐) = 𝑃 ( 𝟐
≥ 𝟐 ) = 𝑃 (𝜒 2 (𝑛−1) ≥ )
𝝈 𝝈 𝟏𝟐

= 𝑃 (𝜒 2 (17−1) ≥ (16)(2) = 𝑃 (𝜒 2 (16) ≥ 32) = 0.01

3
ESTADISTICA II ECO
INTERVALOS DE CONFIANZA PARA LA VARIANZA DE LA POBLACION 𝝈 𝟐

Dada una variable aleatoria con distribución Normal N(μ; σ), el objetivo es la construcción de un
intervalo de confianza para el parámetro σ, basado en una muestra de tamaño n (muestra seleccionada
de la una población Normal) de la variable. A partir del estadístico
(𝑛 − 1)𝒔𝟐
𝜒2 =
𝝈𝟐
𝛼 𝛼
Por tanto si 𝜒 2 𝛼 y 𝜒2 𝛼 son los cuantiles superiores (1 − 2 ) y 2
de una distribución
(𝑛−1;1− ) (𝑛−1; )
2 2

chi- cuadrado con 𝑛 − 1 grados de libertad, tenemos

𝑃 (𝜒 2 𝛼 ≤ 𝜒 2 (𝑛−1) ≤ 𝜒 2 𝛼 ) =1−𝛼
(𝑛−1;1− ) (𝑛−1; )
2 2

𝜒2 𝛼 𝜒2 𝛼
(𝑛 − 1)𝒔𝟐 (𝑛−1;1− )
2 1 (𝑛−1; )
2
𝑃 (𝜒 2 𝛼 ≤ ≤ 𝜒 2
𝛼 ) = 𝑃 ( ≤ ≤ )
(𝑛−1;1− )
2 𝝈𝟐 (𝑛−1; )
2 (𝑛 − 1)𝒔 𝟐 𝝈 𝟐 (𝑛 − 1)𝒔 𝟐

(𝑛 − 1)𝒔𝟐 (𝑛 − 1)𝒔𝟐
= 𝑃( ≤ 𝝈𝟐 ≤ )
𝜒2 𝛼 𝜒2 𝛼
(𝑛−1;1− ) (𝑛−1; )
2 2

Y obtenemos el estimador por intervalos de confianza

(𝑛 − 1)𝒔𝟐 (𝑛 − 1)𝒔𝟐
( ≤ 𝝈𝟐 ≤ )
𝜒2 𝛼 𝜒2 𝛼
(𝑛−1; ) (𝑛−1;1− )
2 2

El intervalo de confianza es:

(𝑛 − 1)𝒔𝟐 (𝑛 − 1)𝒔𝟐
𝐼𝐶(𝝈𝟐 ): ( ≤ 𝝈𝟐 ≤ )
𝜒2 𝛼 𝜒2 𝛼
(𝑛−1; ) (𝑛−1;1− )
2 2

Ejemplo 3. (Newbold) Una muestra aleatoria de quince pastillas para el dolor de cabeza tiene una
desviación estándar muestral de 0.8 % en la concentración del ingrediente activo. Calcule un IC al 90 %
para la varianza de la población para estas pastillas. Obtenga también un IC para la desviación típica
de la población.
𝑋: Concentración del ingrediente activo en una pastilla
𝑿~𝑵𝒐𝒓𝒎𝒂𝒍(𝝁; 𝝈)

4
ESTADISTICA II ECO

𝑠 2 = (0.8)2 = 0.64 𝑛 = 15
1 − 𝛼 = 90% = 0.90 𝛼 = 0.10
𝜒2 𝛼 = 𝜒2 0.10
2
= 𝜒(14;1−0.05) 2
= 𝜒(14; 0.95)
(𝑛−1;1− ) (15−1;1− )
2 2
2
𝜒(14; 0.95) = 6.570631 = 6.57

𝜒2 𝛼 = 𝜒2 0.10
2
= 𝜒(14;0.05) 2
= 𝜒(14; 0.05)
(𝑛−1; ) (15−1; )
2 2
2
𝜒(14; 0.05) = 23.684791 = 23.68

2 ):
(𝑛 − 1)𝑠 2 2
(𝑛 − 1)𝑠 2 (15 − 1)(0.64) (15 − 1)(0.64)
𝐼𝐶(𝜎 ( ≤𝜎 ≤ ) =( ≤ 𝜎2 ≤ )
𝜒2 𝛼 𝜒2 𝛼 𝜒2 0.10 𝜒2 0.10
(𝑛−1; ) (𝑛−1;1− ) (15−1;1− ) (15−1; )
2 2 2 2

14(0.64) 14(0.64) 14(0.64) 14(0.64) 8.96 8.96

𝐼𝐶(𝜎 2 ) : = ( 2 ≤ 𝜎2 ≤ 2 )=( 2 ≤ 𝜎2 ≤ 2 )=( ≤ 𝜎2 ≤ )
𝜒(14;1−0.05) 𝜒(14;0.05) 𝜒(14; 0.95) 𝜒(14; 0.05) 23.68 6.57

𝐼𝐶(𝜎 2 ) : = (0.3783 ≤ 𝜎 2 ≤ 1.3637)

Intervalo de confianza para la desviación estandar

𝐼𝐶(𝜎) : = (√0.3783 ≤ 𝜎 ≤ √1.3637) = (0.615 ≤ 𝜎 ≤ 1.167)

Ejemplo 4. Sospechamos que nuestro cromatógrafo está estropeado, y queremos determinar si los
resultados que nos proporciona son lo suficientemente precisos. Para ello, realizamos una serie de 8
mediciones del contenido de una solución de referencia que, sabemos, contiene 90% de un determinado
compuesto. Los resultados que obtenemos son: 93.3, 86.8, 90.4, 90.1, 94.9, 91.6, 92.3, 96.5 Construir un
intervalo de confianza al nivel de 95% para la varianza poblacional.

Ejemplo 5. Se sabe que la longitud de los diámetros de los tornillos fabricados por una máquina sigue
una distribución normal y se busca un intervalo en el cual se encuentre la variabilidad de las longitudes
de los tornillos fabricados por la máquina con una probabilidad del 80%. Construir dicho intervalo
sabiendo que una muestra de 16 tornillos presenta una varianza de 30.

Ejemplo 6. La pérdida de peso de un determinado producto dietético en 16 individuos después de un

mes fue (en kg): 3.2 2 2.5 3.3 5 4.3 2.9 4.1 3.6 2.7 3.5 4.2 2.8 4.4 3.3 3.1 Determinar un intervalo
de confianza para la varianza con nivel de confianza del 99%, si la pérdida de peso es aproximadamente
normal.

5
ESTADISTICA II ECO
Intervalo de confianza para el cociente o razón de varianzas de distribuciones normales
independientes
 Hay muchas situaciones en que se desea saber si las varianzas de dos poblaciones son iguales o no
lo son.
 Si las varianzas de dos poblaciones son iguales, su razón es igual a 1. Si la razón entre dos varianzas
muestrales es muy distinta de 1, ponemos en tela de juicio la igualdad de las varianzas poblacionales.
𝝈𝟐𝟏
 Podemos construir el IC para 𝝈𝟐𝟐
cuando las poblaciones se distribuyen normalmente, utilizando la

distribución F.
 Sabemos que si 𝑺𝟐𝟏 y 𝑺𝟐𝟐 son las varianzas calculadas a partir de muestra aleatoria simple y de tamaño
𝑛1 y 𝑛2 tomadas de poblaciones que se distribuyen normalmente con varianzas 𝝈𝟐𝟏 y 𝝈𝟐𝟐 , entonces la
razón
𝑺𝟐𝟏
𝝈𝟐𝟏 𝑺𝟐𝟏 𝝈𝟐𝟐
𝑭 = ⁄ 𝟐 = ( 𝟐 ) ( 𝟐 ) ~𝑭(𝑛1 −1,𝑛2 −1)
𝑺𝟐 𝑺𝟐 𝝈𝟏
𝝈𝟐𝟐
(𝑛1 −1)𝑆12 2
Donde 𝑺𝟐𝟏 es un estimador puntual de 𝜎12 y 𝜎12
~𝜒(𝑛 1 −1)
y de manera similar 𝑆22 es un estimador

(𝑛2 −1)𝑆22 2
puntual de 𝜎22 y 𝜎22
~𝜒(𝑛 2 −1)
.

Propiedades de la distribución F- Fisher

1. La distribución F depende de dos valores, uno correspondiente al numerador y otro al

denominador, a los cuales nos referiremos como grados de libertad del numerador (𝒈. 𝒍.𝒏𝒖𝒎𝒆𝒓𝒂𝒅𝒐𝒓 =
𝒗𝟏 = 𝒏𝟏 − 𝟏) y grados de libertad del denominador ((𝒈. 𝒍.𝒅𝒆𝒏𝒐𝒎𝒊𝒏𝒂𝒅𝒐𝒓 = 𝒗𝟐 = 𝒏𝟐 − 𝟏).
2. La densidad de la variable F viene dada por:

𝒗 +𝒗 𝒗𝟏 +𝒗𝟐
ɼ ( 𝟏 𝟐 𝟐 ) 𝒗𝟏 𝒗𝟐𝟏 (𝒗𝟏−𝟏) 𝟏𝒙 − 𝟐
𝒇(𝒙) = [ 𝒗 𝒗 ]( ) 𝒙
𝟐 [𝟏 + ]
ɼ ( 𝟐𝟏 ) ɼ ( 𝟐𝟐 ) 𝒗𝟐 𝒗𝟐

3. Hay una distribución F para cada par de valores de grados de libertad 𝑣1 y 𝑣2 .

4. Como la distribución 𝜒 2 , una distribución F es positivamente asimétrica, pero su asimetría se
reduce con los aumentos de los grados de libertad.
1
5. Si la variable 𝑋 tiene densidad 𝑭(𝒗𝟏; 𝒗𝟐), entonces 𝑌 = 𝑋 tendrá una distribución 𝑭(𝒗𝟐; 𝒗𝟏), esto es
𝟏
𝑭 ( 𝜶; 𝒏 =
𝟐 𝟏 −𝟏,𝒏𝟐 −𝟏) 𝑭(𝟏−𝜶; 𝒏
𝟐 𝟐 −𝟏,𝒏𝟏 −𝟏)

Construcción del intervalo de confianza para

𝝈𝟐𝟏
𝑭=
𝝈𝟐𝟐

6
ESTADISTICA II ECO
𝑷 (𝑭(𝟏−𝜶; 𝒏 ≤ 𝑭 ≤ 𝑭 ( 𝜶; 𝒏 )=𝟏−𝜶
𝟐 𝟏 −𝟏,𝒏𝟐 −𝟏) 𝟐 𝟏 −𝟏,𝒏𝟐 −𝟏)

𝑺𝟐𝟏
𝝈𝟐
𝑷 𝑭(𝟏−𝜶; 𝒏 ≤ 𝟏⁄ 𝟐 ≤ 𝑭(𝜶; 𝒏 −𝟏,𝒏 −𝟏) =𝟏−𝜶
𝟐 𝟏 −𝟏,𝒏𝟐 −𝟏) 𝑺𝟐 𝟐 𝟏 𝟐
𝟐
𝝈𝟐
( )

𝑺𝟐𝟏 𝝈𝟐𝟐
𝑷 (𝑭(𝟏−𝜶; 𝒏 ≤ ( 𝟐 ) ( 𝟐 ) ≤ 𝑭(𝜶; 𝒏 −𝟏,𝒏 −𝟏) ) = 𝟏 − 𝜶
𝟐 𝟏 −𝟏,𝒏𝟐 −𝟏) 𝑺𝟐 𝝈𝟏 𝟐 𝟏 𝟐

𝑭(𝟏−𝜶; 𝒏 𝑺𝟐𝟐 𝑭 ( 𝜶; 𝒏 𝑺𝟐𝟐

𝟐 𝟏 −𝟏,𝒏𝟐 −𝟏) 𝝈𝟐𝟐 𝟐 𝟏 −𝟏,𝒏𝟐 −𝟏) 𝑺𝟐𝟏 𝝈𝟐𝟏 𝑺𝟐𝟏
𝑷( ≤ 𝟐≤ ) = 𝑷( ≤ ≤ )=𝟏−𝜶
𝑺𝟐𝟏 𝝈𝟏 𝑺𝟐𝟏 𝑭(𝜶; 𝒏 𝑺𝟐
−𝟏) 𝟐
𝝈𝟐𝟐 𝑭(𝟏−𝜶; 𝒏 −𝟏,𝒏 𝑺𝟐
−𝟏) 𝟐
𝟐 𝟏 −𝟏,𝒏𝟐 𝟐 𝟏 𝟐

𝝈𝟐𝟏 𝑺𝟐𝟏 𝝈𝟐𝟏 𝑺𝟐𝟏

𝑰. 𝑪. ( 𝟐 ): ( ≤ ≤ )
𝝈𝟐 𝑭 ( 𝜶; 𝒏 𝑺𝟐 𝝈𝟐𝟐 𝑭(𝟏−𝜶; 𝒏 −𝟏,𝒏
−𝟏) 𝟐
𝑺𝟐𝟐
𝟐 𝟏 −𝟏,𝒏𝟐 𝟐 𝟏 𝟐 −𝟏)

𝑺𝟐𝟏 𝑺𝟐𝟏
𝝈𝟐𝟏 𝑺𝟐𝟐 𝝈𝟐𝟏 𝑺𝟐𝟐
𝑰. 𝑪. ( 𝟐 ): ≤ ≤
𝝈𝟐 𝑭(𝜶; 𝒏 𝝈𝟐𝟐 𝑭(𝟏−𝜶; 𝒏
𝟐 𝟏 −𝟏,𝒏𝟐 −𝟏) 𝟐 𝟏 −𝟏,𝒏𝟐 −𝟏)

( )

Similarmente

𝝈𝟐𝟏 𝑺𝟐𝟏 𝟏 𝝈𝟐𝟏 𝑺𝟐𝟏

𝑰. 𝑪. ( ): ( ≤ ≤ 𝑭𝜶 )
𝝈𝟐𝟐 𝟐𝑭 𝜶
𝑺𝟐 ( ; 𝒏 −𝟏,𝒏 𝝈𝟐𝟐 𝑺𝟐𝟐 (𝟐 ; 𝒏𝟐−𝟏,𝒏𝟏−𝟏)
𝟐 𝟏 𝟐 −𝟏)

TEOREMA: Si 𝑺𝟐𝟏 y 𝑺𝟐𝟐 son las varianzas de muestras independientes de tamaño n1 y n2,
respectivamente, tomadas de poblaciones normales, entonces un intervalo de confianza del 100(1 – α)%
𝝈𝟐𝟏
para 𝝈𝟐𝟐
es:

𝑺𝟐𝟏 𝑺𝟐𝟏
𝝈𝟐𝟏 𝑺𝟐𝟐 𝝈𝟐𝟏 𝑺𝟐𝟐
𝑰. 𝑪. ( 𝟐 ): ≤ ≤
𝝈𝟐 𝑭(𝜶; 𝒏 𝝈𝟐𝟐 𝑭(𝟏−𝜶; 𝒏
𝟐 𝟏 −𝟏,𝒏𝟐 −𝟏) 𝟐 𝟏 −𝟏,𝒏𝟐 −𝟏)

( )

7
ESTADISTICA II ECO
donde 𝑭(𝜶; 𝒏 −𝟏,𝒏 es un valor f con 𝒗𝟏 = 𝒏𝟏 − 𝟏 y 𝒗𝟐 = 𝒏𝟐 − 𝟏 grados de libertad que deja una área de
𝟐 𝟏 𝟐 −𝟏)

α/2 a la derecha, y 𝑭(𝜶; 𝒏 es un valor f similar con 𝒗𝟐 = 𝒏𝟐 − 𝟏 y 𝒗𝟏 = 𝒏𝟏 − 𝟏 grados de libertad.

𝟐 𝟐 −𝟏,𝒏𝟏 −𝟏)

Gráfica de la distribución F para diferentes grados de libertad

Ejemplo 1: Para una muestra de 17 bonos industriales emitidos recientemente con calificación AAA, la
cuasi varianza (varianza muestral) de sus vencimientos (en años al cuadrado) fue de 123.35. Para otra
muestra independiente de 11 bonos industriales emitidos con calificación CCC, la cuasi varianza
(varianza muestral) de sus vencimientos fue de 8.02. Si se denotan las correspondientes varianzas
poblacionales como 𝝈𝟐𝟏 y 𝝈𝟐𝟐 . Construya un intervalo de confianza al 90% para el cociente de las varianzas.

𝟏 − 𝜶 = 𝟗𝟎% = 𝟎. 𝟗𝟎 𝒆𝒏𝒕𝒐𝒏𝒄𝒆𝒔 𝜶 = 𝟎. 𝟏𝟎 𝐲 𝒏𝟏 = 𝟏𝟕, 𝒏𝟐 = 𝟏𝟏

𝑭 ( 𝜶; 𝒏 =𝑭 𝟎.𝟏𝟎 = 𝑭(𝟎.𝟎𝟓; 𝟏𝟔,𝟏𝟎) = 𝟐. 𝟖𝟐𝟕𝟓𝟔𝟔
𝟐 𝟏 −𝟏,𝒏𝟐 −𝟏) ( ; 𝟏𝟕−𝟏,𝟏𝟏−𝟏)
𝟐

𝑭(𝟏−𝜶; 𝒏 =𝑭 𝟎.𝟏𝟎 = 𝑭(𝟏−𝟎.𝟎𝟓; 𝟏𝟔,𝟏𝟕) = 𝑭(𝟎.𝟗𝟓; 𝟏𝟔,𝟏𝟕) = 𝟎. 𝟒𝟎𝟏𝟎𝟒𝟏

𝟐 𝟏 −𝟏,𝒏𝟐 −𝟏) (𝟏− ; 𝟏𝟕−𝟏,𝟏𝟏−𝟏)
𝟐

𝑺𝟐𝟏 𝑺𝟐𝟏
𝝈𝟐𝟏 𝑺𝟐𝟐 𝝈𝟐𝟏 𝑺𝟐𝟐
𝑰. 𝑪. ( 𝟐 ):
≤ ≤
𝝈𝟐 𝑭(𝜶; 𝒏 𝝈𝟐𝟐 𝑭(𝟏−𝜶; 𝒏
𝟐 𝟏 −𝟏,𝒏𝟐 −𝟏) 𝟐 𝟏 −𝟏,𝒏𝟐 −𝟏)

( )
𝟏𝟐𝟑. 𝟑𝟓 𝟏𝟐𝟑. 𝟑𝟓
𝝈𝟐𝟏 𝟖. 𝟎𝟐 𝝈𝟐𝟏 𝟏𝟓. 𝟑𝟖𝟎𝟐 𝝈𝟐𝟏 𝟏𝟓. 𝟑𝟖𝟎𝟐 𝝈𝟐𝟏
𝑰. 𝑪. ( 𝟐 ): ( ≤ 𝟐 ≤ 𝟖. 𝟎𝟐 ) = ( ≤ 𝟐≤ ) = (𝟓. 𝟒𝟑𝟒𝟕 ≤ 𝟐 ≤ 𝟑𝟖. 𝟒𝟓𝟎𝟕)
𝝈𝟐 𝟐. 𝟖𝟑 𝝈𝟐 𝟎. 𝟒𝟎 𝟐. 𝟖𝟑 𝝈𝟐 𝟎. 𝟒𝟎 𝝈𝟐

8
ESTADISTICA II ECO
Como se observa, el valor 1 no pertenece a este intervalo por lo que las dos varianzas poblacionales son
diferentes, para un nivel de significación α = 0.1.

Ejemplo 2: El Departamento de zoología llevo a cabo un estudio para estimar la diferencia en la

cantidad de ortofosforo químico en dos estaciones diferentes. El ortofosforo se mide en miligramos por
litro. Se reunieron 15 muestras de la estación 1 y 12 muestras de la estación 2. Las 15 muestras de la
estación 1 tuvieron un contenido promedio de ortofosforo de 3.84 miligramos por litro y una desviación
estándar de 3.07 miligramos por litro; en tanto que las 12 muestras de la estación 2 tuvieron un
contenido promedio de 1.49 miligramos por litro y una desviación estándar de 0.80 miligramos por litro.
Suponiendo que las varianzas normales de la población son diferentes. Justifique esta suposición
𝝈𝟐𝟏
construyendo intervalos de confianza del 98% para 𝝈𝟐𝟐
, donde 𝝈𝟐𝟏 y 𝝈𝟐𝟐 son las varianzas de la población

del contenido de ortofosforo en la estación 1 y en la estación 2, respectivamente.

𝟏 − 𝜶 = 𝟗𝟖% = 𝟎. 𝟗𝟖 𝒆𝒏𝒕𝒐𝒏𝒄𝒆𝒔 𝜶 = 𝟎. 𝟎𝟐 𝐲 𝒏𝟏 = 𝟏𝟓, 𝒏𝟐 = 𝟏𝟐

𝑺𝟐𝟏 = (𝟑. 𝟎𝟕)𝟐 = 𝟗. 𝟒𝟐𝟒𝟗 𝑺𝟐𝟐 = (𝟎. 𝟖𝟎)𝟐 = 𝟎. 𝟔𝟒

𝑭 ( 𝜶; 𝒏 =𝑭 𝟎.𝟎𝟐 = 𝑭(𝟎.𝟎𝟏; 𝟏𝟒,𝟏𝟏) = 𝟒. 𝟐𝟗𝟑𝟐𝟒𝟑 = 𝟒. 𝟐𝟗

𝟐 𝟏 −𝟏,𝒏𝟐 −𝟏) ( ; 𝟏𝟓−𝟏,𝟏𝟐−𝟏)
𝟐

𝑭(𝟏−𝜶; 𝒏 =𝑭 𝟎.𝟎𝟐 = 𝑭(𝟏−𝟎.𝟎𝟏; 𝟏𝟔,𝟏𝟕) = 𝑭(𝟎.𝟗𝟗; 𝟏𝟒,𝟏𝟏) = 𝟎. 𝟐𝟓𝟖𝟕𝟗𝟕 = 𝟎. 𝟐𝟔

𝟐 𝟏 −𝟏,𝒏𝟐 −𝟏) (𝟏− ; 𝟏𝟕−𝟏,𝟏𝟏−𝟏)
𝟐

𝑺𝟐𝟏 𝑺𝟐𝟏 𝟗. 𝟒𝟐𝟒𝟗 𝟗. 𝟒𝟐𝟒𝟗

𝝈𝟐𝟏 𝑺𝟐𝟐 𝝈𝟐𝟏 𝑺𝟐𝟐 𝟎. 𝟔𝟒 𝝈𝟐𝟏
𝑰. 𝑪. ( 𝟐 ): ≤ ≤ = ( ≤ 𝟐 ≤ 𝟎. 𝟔𝟒 )
𝝈𝟐 𝑭(𝜶; 𝒏 𝝈𝟐𝟐 𝑭(𝟏−𝜶; 𝒏 𝟒. 𝟐𝟗 𝝈𝟐 𝟎. 𝟐𝟔
𝟐 𝟏 −𝟏,𝒏𝟐 −𝟏) 𝟐 𝟏 −𝟏,𝒏𝟐 −𝟏)

( )

𝝈𝟐𝟏 𝝈𝟐𝟏
𝑰. 𝑪. ( ): (𝟑. 𝟒𝟑𝟐𝟕 ≤ ≤ 𝟓𝟔. 𝟔𝟒𝟎𝟎)
𝝈𝟐𝟐 𝝈𝟐𝟐