Manual de Estadistica

MANUAL DE ESTADSTICA1
Ana Garca Sipols y Clara Simn de Blas

Departamento de Informtica, Estadstica y Telemtica
UNIVERSIDAD REY JUAN CARLOS
ndice
Servicio
de
publicaciones
1 Agradecemos
de la asignatura
especialmente a Juan Miguel y Sonia Hernndez por sus apuntes
Reservados todos los derechos. Ni la totalidad ni parte de este libro, incluido el diseo de la cubierta,
puede reproducirse o transmitirse por ningn procedimiento electrnico o mecnico, incluyendo fotocopia, grabacin magntica o cualquier almacenamiento de informacin y sistemas de recuperacin, sin
permiso escrito del AUTOR y de la Editorial DYKINSON, S.L.
Copyright by
Universidad Rey Juan Carlos
Servicio de Publicaciones
Los autores
Madrid, 2007
Editorial DYKINSON, S.L. Melndez Valds, 61 - 28015 Madrid
Telfono (+34) 91 544 28 46 - (+34) 91 544 28 69
e-mail: info@dykinson.com
http://www.dykinson.es
http://www.dykinson.com
ISBN: 978-84-9849-139-5
Depsito Legal:
Preimpresin realizada por los autores
ndice
ndice general
1. Estadstica Descriptiva............................................................
9
1. Estadstica Descriptiva
9
1.1.
Introduccin................................................................
9
1.1. Introduccin . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 9
1.1.1. Tipos de datos..............................................
9
1.1.1. Tipos de datos . . . . . . . . . . . . . . . . . . . . . . . 9
1.2. Conjunto
Conjunto
de datos......................................................
1.2.
de datos
. . . . . . . . . . . . . . . . . . . . . . . . .1010
1.2.1.
El nmero
k de intervalos.
. . . . . . . . . . . . . .
1.2.1.
El nmero
k de intervalos.............................
1.2.2. El tamao de cada intervalo. . . . . . . . . . . . . .
1.2.2. El tamao de cada intervalo.........................
1.2.3. El representante de cada intervalo. . . . . . . . . .
1.2.3. El representante de cada intervalo...............
1.3. Mtodos grcos para denir un conjunto de datos . . . .
1.3. 1.3.1.
Mtodos
grficos
para definir
Variables
cualitativas:
. . un
. .conjunto
. . . . . de
. .datos
. . . .. .
. . .1212
. . . 12
12
. . . 12
12
. . . 13
. . .1313
1.3.2.
Variables
cuantitativas:
. . . . . . . . . . . . . . . .
1.3.1.
Variables
cualitativas....................................
1.4. Mtodos numricos . . . . . . . . . . . . . . . . . . . . . .
1.3.2. Variables cuantitativas..................................
1.4.1. Medidas de localizacin: . . . . . . . . . . . . . . .
1.4.
Mtodos numricos ...................................................
1.4.2. Medidas de posicin: . . . . . . . . . . . . . . . . .
1.4.1.
Medidas
de localizacin...............................
1.4.3.
Medidas
de variabilidad:
. . . . . . . . . . . . . . .
. . .1314
. . . 16
14
. . . 16
16
. . . 18
. . .1618
1.4.2. Medidas de posicin.....................................

18
2. Probabilidad
23
1.4.3.
Medidas
de
variabilidad.
.
..............................

18
2.1. Introduccin . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 23
Anlisis Combinatorio
. . . . . . . . . . . . . . . . . . . . . . .2324
2. 2.2.
Probabilidad.
............................................................................
2.3.
de probabilidad . . . . . . . . . . . . . . . . . .
2.1 Elementos
Introduccin................................................................
2.3.1. Algebra de sucesos . . . . . . . . . . . . . . . . . .
2.2.
Anlisis Combinatorio.................................................
2.4. Deniciones de Probabilidad . . . . . . . . . . . . . . . . .
2.3. 2.4.1.
Elementos
probabilidad
Conceptodeaxiomtico
de ........................................
probabilidad . . . . . . . .
. . .2326
. . . 26
24
. . . 31
. . .2631
2.4.2.
Mtodo
frecuencial
u objetivista
. . . . . . . . . . . . . .2638
2.3.1.
Algebra
de sucesos
.....................................
Mtodo dedeLaplace
. . . ......................................
. . . . . . . . . . . . . . . . .3140
2.4. 2.4.3.
Definiciones
Probabilidad
3
ndice
NDICE GENERAL
2.4.1.
Concepto
axiomtico
de probabilidad
2.4.4.
Mtodo
Bayesiano
o Subjetivista
. . . . . .........
. . . . . . . 31
. 42
2.5. Probabilidad
Condicionada
. . .u.objetivista
. . . . . ...................
. . . . . . . . . . 38
. 42
2.4.2. Mtodo
frecuencial
2.5.1. Sucesos dependientes e independientes . . . . . . . . . . 44
2.4.3. Mtodo de Laplace ......................................
40
3. Variables
aleatorias
discretas
2.4.4.
Mtodo
Bayesiano o Subjetivista ................
3.
42 49
3.1.
. . Condicionada
. . . . . . . . ........................................
. . . . . . . . . . . . . .
2.5. Introduccin
Probabilidad
3.2. Funcin de Distribucin . . . . . . . . . . . . . . . . . .
2.5.1. Sucesos dependientes e independientes . ..
3.2.1. Funcin de masa . . . . . . . . . . . . . . . . . .
Variables
3.2.2.aleatorias
Funcindiscretas..................................................
de densidad . . . . . . . . . . . . . . . .
. . . 42
.
. . . .
44
. . . .
. . . 49
.
49
3.3.
de una variable aleatoria . . . . . . . . . . . .
3.1. Momentos
Introduccin................................................................
3.3.1. Esperanza . . . . . . . . . . . . . . . . . . . . . .
3.2.
Funcin deDistribucin...............................................
3.3.2. Varianza . . . . . . . . . . . . . . . . . . . . . . .
3.2.1. Funcin demasa ..........................................
3.3.3. Desviacin Tpica . . . . . . . . . . . . . . . . . .
3.2.2. Funcin
de densidad
3.4. Desigualdad
de Tchebyche
. . ....................................
. . . . . . . . . . . . .
. . . 49
. 53
. . . .
50
. . . .
52
. . . .
. . . 52
.
53
3.5.
notables
. . . . aleatoria..........................
. . . . . . . . . . . . . . .
3.3. Distribuciones
Momentos de
una variable
3.5.1. Bernoulli . . . . . . . . . . . . . . . . . . . . . . .
3.3.1. Esperanza....................................................
3.5.2. Binomial . . . . . . . . . . . . . . . . . . . . . . .
3.3.2. Varianza............................................................
3.5.3. Geometrica . . . . . . . . . . . . . . . . . . . . .
3.3.3.
Desviacin
3.5.4.
Poisson
. . . . Tpica
. . . . ........................................
. . . . . . . . . . . . . . .
. . . 53
.
. . . .
53
. . . .
54
. . . .
. . . 54
.
55
50
52
52
54
54
55
55
57
60
61
3.4.
Desigualdad de Tchebyche........................................
55
4. Variables aleatorias continuas
63
3.5.
Distribuciones
notables..............................................

55
4.1. Introduccin . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 63
4.2. Funcin
. . . . . . . . . . . . . . . . . . . . . . . 55
. 64
3.5.1. de Densidad
Bernoulli ......................................................
4.
4.3. Funcin
de Distribucin . . . . . . . . . . . . . . . . . .
3.5.2. Binomial . .....................................................
4.4. Momentos moda y percentiles de una variable aleatoria .
3.5.3. Geometrica ..................................................
4.4.1. Esperanza . . . . . . . . . . . . . . . . . . . . . .
3.5.4.
Poisson
4.4.2.
Varianza
. . .. ......................................................
. . . . . . . . . . . . . . . . . . . .
. . . 57
.
. . . .
60
. . . .
. . . 61
.
65
4.4.3.aleatorias
Desviacin
Tpica . . . . . . . . . . . . . . . . . .
Variables
continuas.................................................
4.4.4. Moda, mediana y percentiles . . . . . . . . . . . .
4.1.
Introduccin ...............................................................
4.5. Distribuciones notables . . . . . . . . . . . . . . . . . . .
4.2.
Funcin deDensidad .................................................
4.5.1. Uniforme . . . . . . . . . . . . . . . . . . . . . .
4.3. 4.5.2.
Funcin
deDistribucin...............................................
Normal
. . . . . . . . . . . . . . . . . . . . . . . .
. . . 63
.
. . . .
63
. . . .
64
. . . .
. . . 65
.
69
68
68
69
69
70
70
73
Exponencial y. percentiles
. . . . . . .de. una
. . . variable
. . . . . . . . . . . . . 82
4.4. 4.5.3.
Momentosmoda
aleatoria......................................................................
68
ndice
NDICE GENERAL
4.4.1. Esperanza....................................................
68
4.5.4. Gamma . . . . . . . . . . . . . . . . . . . . . . . . . . . 88
4.4.2.
4.5.5.
Beta Varianza
. . . . . .......................................................
. . . . . . . . . . . . . . . . . . . . . . .6990
4.5.6.
Distribuciones
asociadas
a la distribucin Normal . . . .6992
4.4.3.
Desviacin
Tpica.........................................
4.4.4. Moda,mediana y percentiles........................
69
5. Distribuciones Conjuntas
99
4.5. Distribuciones
Distribuciones
notables..............................................
5.1.
discretas
multivariantes . . . . . . . . . . . . . .7099
5.2. Distribuciones
continuas
multivariantes . . . . . . . . . . . . . .70
101
4.5.1. Uniforme
......................................................
5.3. Propiedades
del Operador
Esperanza . . . . . . . . . . . . . . .73
104
4.5.2. Normal
.........................................................
Exponencial..................................................

6. Teorema4.5.3.
Central
del Lmite
82
107
4.5.4. Gamma.
6.1. Introduccin
. . . . .........................................................
. . . . . . . . . . . . . . . . . . . . . . . .88
107
6.2. Convergencia
. . . . . . . . . . . . . . . . . . . . . . . . . . . .90
108
4.5.5. Beta..............................................................
6.2.1. Convergencia en probabilidad . . . . . . . . . . . . . . . 109
4.5.6. Distribuciones asociadas a la distribucin
6.2.2. Convergencia
en distribucin . . . . . . . . . . . . . . . .92
110
Normal..........................................................
5.
6.2.3. Convergencia
casi segura . . . . . . . . . . . . . . . . . .99
111
Distribuciones
Conjuntas.........................................................
6.3. Teorema central del lmite . . . . . . . . . . . . . . . . . . . . . 111
5.1.
Distribuciones discretasmultivariantes.......................
99
7. Inferencia
estadsticacontinuasmultivariantes......................
5.2.
Distribuciones
113
101
7.1.
. . .delOperador
. . . . . . . Esperanza........................
. . . . . . . . . . . . . . .
5.3. Introduccin
Propiedades
7.2. Estimacin Puntual . . . . . . . . . . . . . . . . . . . . .
6. Teorema Central del Lmite......................................................
7.2.1. Distribucin muestral . . . . . . . . . . . . . . . .
6.1.
Introduccin ...............................................................
7.2.2. Propiedades de los estimadores . . . . . . . . . .
6.2. Mtodos
Convergencia
............................................................
7.3.
de Calcular
Estimadores . . . . . . . . . . . . .
. . .104
. 113
. . . . 116
107
. . . . 117
107
. . . . 130
. . .108
. 139
7.3.1.
Mtodo
de los Momentos
. . . . . . ....................
. . . . . . . . . .109
. 139
6.2.1.
Convergencia
en probabilidad
7.3.2.
Mtodo
de Mxima Verosimilitud
. . . . . . . . . . . . 110
. 140
6.2.2.
Convergencia
en distribucin.......................
7.4. Estimacin por intervalos de Conanza . . . . . . . . . . . . . . 143
6.2.3. Convergencia casi segura ...........................
111
7.4.1. Intervalo de conanza para la media de una poblacin
6.3.
Teorema central del lmite .........................................
111
normal con varianza conocida . . . . . . . . . . . . . . . 144
7. Inferencia
..............................................................

113
7.4.2. estadstica.
Intervalo de
conanza para la media de una poblacin
normal con
varianza desconocida . . . . . . . . . . . . 113
. 145
7.1.
Introduccin
...............................................................
7.4.3. Intervalo de conanza para la varianza de una poblacin
7.2.
Estimacin Puntual . ..................................................
116
normal . . . . . . . . . . . . . . . . . . . . . . . . . . . . 147
7.2.1. Distribucinmuestral ....................................
117
ndice
NDICE GENERAL
7.2.2.
Propiedades
de los
estimadores
7.4.4.
Intervalo
de conanza
para
la diferencia.................
de medias de dos130
7.3.
poblaciones
normales
basado en............................
muestras independientes
Mtodos
de Calcular
Estimadores

139148
7.4.5. Intervalo de conanza para la diferencia de medias de
7.3.1. Mtodo de los Momentos.............................
139
dos poblaciones normales basado en datos pareados . . . 149
7.3.2.
Mtodo
Verosimilitud
7.4.6.
Intervalos
en deMxima
muestras grandes
. . . . .................
. . . . . . . . . 140
. . 149
7.4. 7.4.7.
Estimacin
por intervalos
de Confianza
Determinacin
del tamao
muestral ....................
. . . . . . . . . . 143
. . 151
7.5. Contrastes
Hiptesis
. . . . . para
. . . la
. .media
. . . .de. . . . . . . . 152
7.4.1. de
Intervalo
de .confianza
7.5.1. Tiposuna
de poblacin
Hiptesis, normal
errores con
y Potencia
varianza . . . . . . . . . . 153
conocida.......................................................
7.6. Relacin entre intervalos de conanza y Contrastes . . . . . 144
. . 158
7.7. Contrastes
poblaciones
normales
. .media
. . . .de. . . . . . . . 159
7.4.2. para
Intervalo
de confianza
para. la
una
poblacin
normal
con
varianza
normal con
7.7.1. Contrastes para la media de una poblacin
desconocida ................................................
145
varianza conocida . . . . . . . . . . . . . . . . . . . . . . 159
7.4.3.
Intervalo
de la
confianza
varianza normal

7.7.2.
Contrastes
para
media depara
unalapoblacin
con
de una poblacin normal .............................
147
varianza desconocida . . . . . . . . . . . . . . . . . . . . 161
7.4.4.
Intervalo
delaconfianza
la diferencia
7.7.3.
Contrastes
para
varianza para
de una
poblacin normal . . 162
de medias de dos poblaciones normales
7.8. Contrastes para
dos poblaciones . . . . . . . . . . . . . . . . 148
. . 163
basado en muestras independientes...........
7.8.1. Comparacin de medias, muestras independientes, vari7.4.5. Intervalo de confianza para la diferencia de
anzas iguales . . . . . . . . . . . . . . . . . . . . . . . . 163
medias de dos poblaciones normales
7.8.2. Comparacin
dedatos
medias,
muestras dependientes apareadas165
basado en
pareados...........................

149
7.8.3. Comparacin de medias, muestras independientes, vari7.4.6. Intervalos en muestras grandes...................
149
anzas distintas . . . . . . . . . . . . . . . . . . . . . . . 166
7.4.7. Determinacin del tamaomuestral . ...........
151
7.8.4. Comparacin de varianzas . . . . . . . . . . . . . . . . . 167
7.5. Contrastes
Contrastes
de Hiptesis
............................................
7.9.
en muestras
grandes
. . . . . . . . . . . . . . . . 152
. . 168
7.9.1.
Contrastes
para una proporcin
. . . . . .........
. . . . . 153
. . 168
7.5.1.
Tipos deHiptesis,
errores y .Potencia
7.9.2. Contrastes para la diferencia de dos proporciones . . . . 168
7.6.
Relacin entre intervalos de confianza y Contrastes
158
7.9.3. Contrastes para la media de cualquier distribucin . . . . 169
7.7. 7.9.4.
Contrastes
parapara
poblaciones
normales
.....................

159
Contrastes
un parmetro
de cualquier
distribucin
. 169
Contrastes para la media de una
poblacin normal con varianza conocida.....
159171
8.1. Introduccin de datos . . . . . . . . . . . . . . . . . . . . . . . . 172
7.7.2. Contrastes para la media de una poblacin
8.2. Estadstica descriptiva
. . . . . desconocida
. . . . . . . . ...............
. . . . . . . . 161
. . 180
normal con varianza
8.3. Generacin de variables aleatorias . . . . . . . . . . . . . . . . . 183
7.7.3. Contrastes para la varianza de una
8.4. Contrastes de
hiptesisnormal
disponibles
. . . . . . . . . . . . . . 162
. . 184
poblacin
.........................................
8. SPSS
7.7.1.
ndice
NDICE GENERAL
7.8.TABLAS
Contrastes
8.5.
. . . . para
. . . dos
. . .poblaciones
. . . . . . ...............................
. . . . . . . . . . . . . 163
. 188
7.8.1. Comparacin de medias, muestras
independientes, varianzas iguales...............
163

dependientes apareadas..............................
165

independientes, varianzas distintas ............
166
7.8.4. Comparacin de varianzas . ........................
167
Contrastes en muestras grandes ..............................
168
7.9.1.
Contrastes para una proporcin...................
168
7.9.2.
Contrastes para la diferencia de dos

proporciones.................................................
168
7.9.3.
Contrastes para lamedia de cualquier

distribucin...................................................
169
7.9.4.
Contrastes para un parmetro de cualquier

distribucin...................................................
169
SPSS.......................................................................................
171
8.1.
Introduccin de datos.................................................
172
8.2.
Estadstica descriptiva . .............................................
180
8.3.
Generacin de variables aleatorias............................
183
8.4.
Contrastes de hiptesis disponibles ..........................
184
8.5.
TABLAS......................................................................
188
7.9.
8.
ndice
ndice
Captulo 1
Estadstica Descriptiva
1.1.
Introduccin
1.1.1.
Tipos de datos
El comienzo de cualquier estudio debe ser: que es lo que se desea medir o

investigar y para que. Una correcta seleccin de datos preliminares ahorrar
tiempo y coste en un estudio, pues una vez comenzado, el coste de investigar
una nueva caracterstica puede ser bastante mayor, que antes de comenzar e
incluso en ocasiones puede no ser posible su incorporacin.
La manera de recopilar la informacin para despus analizarla por medio
de ordenadores, es organizarla por variables y casos / individuos. La mayor
parte de las bases de datos consideran como variables las columnas de una
hoja de clculo y como casos las las.
Los tipos de datos que podemos manejar pueden ser:
1. Cuantitativos: La caracterstica que vamos a medir en los individuos es
contable. Por ejemplo, la edad, la altura, nmero de veces que se realiza
una accin, etc. Pueden ser discretas (nmero de coches, cantidad de
televisores, etc) o continuas (edad, peso, distancia, etc).
2. Cualitativos: La caracterstica que vamos a medir no es contable. Por
ejemplo, el sexo, estado civil, apreciacin de un producto, etc. Pueden
ser dicotmicas (Sexo: mujer / varn, estado civil: soltero / casado, etc)
9
ndice
Captulo 1. Estadstica descriptiva
10
o politmicas ( Nivel de estudios: primarios / secundario / diplomado /

licenciado / otros, etc )
3. Ordinales: Aunque la caracterstica a medir no sea contable, se puede
establecer un orden entre los diferentes valores que puede tomar.
Ejercicio:
Supongamos que tenemos el siguiente estudio:
CASOS \ VARIABLES
1
2
3
4
EDAD
24
35
103
65
SEXO
Femenino
Masculino
Masculino
Femenino
NOMBRE PRENSA
Carmen
Pas
Jorge
Marca
Victor
Abc
Ana
Mundo
De qu tipo es cada variable?
1.2.
Conjunto de datos
A continuacin plantearemos una serie de mtodos numricos para denir

un conjunto de datos. La frecuencia de una variable es el nmero de veces
que se repite cada valor distinto en una muestra. Por ello, su clculo se reere unicamente a variables aleatorias cuantitativas discretas o variables aleatorias cualitativas. Existen cuatro formas diferentes de expresar
la frecuencia de una variable, dependiendo del uso que se desee hacer de ella.
Supongamos hemos recogido una muestra de q valores de una variable aleatoria
[ : Pxhvwud = {{1 > ===> {q }=
Sean {f1 > ===> fs } los s valores distintos posibles de la variable aleatoria [.
1. Frecuencia Absoluta: La frecuencia Il del valor fl es el nmero de

veces ql que se repite en la muestra seleccionada.
2. Frecuencia Absoluta Acumulada: Es el nmero de elementos en la
l
P
muestra de valor menores o iguales que el valor fl : Il =
In
n=1
ndice
1.2. CONJUNTO DE DATOS
11
3. Frecuencia Relativa: La frecuencia relativa il del valor fl es el cociente

entre el nmero de veces ql que se repite en la muestra seleccionada y el
tamao de la muestra: il =
ql
.
q
4. Frecuencia Relativa Acumulada: Es el nmero relativo de elementos

l
P
in
en la muestra de valor menores o iguales que el valor fl : il =
n=1
La representacin se realiza a travs de una tabla ordenada segn los valores
{f1 > ===> fs }:

Valor
Frecuencia
Frecuencia
Frecuencia
Frecuencia
Absoluta
Absoluta
Relativa
Relativa
Acumulada
f1
Acumulada
I1
I1
i1
i1
Is
Is
is
is
===
fs
Ejemplo: Se ha medido la siguiente caracterstica: EDAD en una muestra

de 30 individuos. La siguiente tabla muestra las frecuencias:
Edad en aos
Vlidos
8
10
12
14
Total
Frecuencia
8
8
7
7
30
Frecuencia
relativa
.267
,267
,233
,233
1
Frecuencia
acumulada
8
16
23
30
30
Frecuencia
Relativa
Acumulada
,267
,533
,766
1
1
Observacin:
1. La suma de las frecuencias absolutas (frecuencia acumulada) siempre es
igual al tamao de la muestra.
2. La suma de las frecuencias relativas (frecuencia relativa acumulada) siempre es 1.
ndice
12
Para las variables cuantitativas continuas, la representacin se realiza

mediante intervalos. Cada intervalo recoger todos aquellos valores que se
encuentren en su interior. Para ello, debemos decidir tres cosas:
1.2.1.
El nmero k de intervalos.
Depende del tamao de la muestra. Una seleccin clsica se basa en la

siguiente seleccin:
s
Si el tamao q de la muestra es pequeo entonces n b qc
Si el tamao q de la muestra es grande entonces n b1 + 3>22 ln(q)c
Por tamao pequeo se entiende normalmente q 50=
1.2.2.
El tamao de cada intervalo.
La amplitud de cada intervalo se suele considerar constante. Esto es, construimos intervalos de igual tamao. Para calcularlo:
1. Calculamos la diferencia entre la mayor observacin y la menor: D =
{max {mn

D
2. El tamao de cada intervalo viene dado por: d =
n
D
no entero, se toma el primer o el ltimo intervalo distinto
n
de los dems para ajustar los valores a {mn y {max =
En caso de ser
1.2.3.
El representante de cada intervalo.
Normalmente se selecciona como representante de cada intervalo el punto

medio. Pero esta seleccin es opcional y vara en funcin del inters del estudio.
Ejemplo: Se han tomado los siguientes datos de la cantidad de bacterias
en el agua en 20 pantanos diferentes de Espaa.
18.1 16.2 34.3 56.2 22.1 14.3 12.1 35.6 28.7 27.6
22.4 32.1 10.8
9.5
14.3 17.6 22.5 30.5 23.1 40.2
ndice
1.3. MTODOS GRFICOS PARA DEFINIR UN CONJUNTO DE DATOS 13
Para realizar un estudio de frecuencias, puesto que la variable aleatoria es

continua, debemos construir intervalos.
s
Nmero de intervalos: como q = 20 es pequeo, entonces: n b 20c =
b4>47c = 4
Tamao de cada intervalo: D = 56>2 9>5 = 46>7 , d =
46>7
4
= 11>6 12
Representante de cada intervalo: Tomamos el punto medio del intervalo.

Entonces:
Intervalo
Representante
Frecuencia
Frecuencia
Frecuencia
Frecuencia
Absoluta
Absoluta
Relativa
Relativa
Acumulada
1.3.
Acumulada
(9>5> 21]
15>25
0>4
0>4
(21> 33]
27
16
0>4
0>8
(33> 45]
39
19
0>15
0>95
(45> 56>2]
50>6
20
0>05
Mtodos grcos para denir un conjunto

de datos
La visualizacin de los datos en estudio permitir una visin rpida de

una descripcin de los mismos. Tendrn diferente tratamiento las variables
cuantitativas y las variables cualitativas.
1.3.1.
Variables cualitativas:
Podemos emplear diagrama de sectores o diagrama de barras. El diagrama

de sectores se emplea para representar de forma grca la frecuencia de una
variable (nmero de veces en que se repite el mismo valor en una variable) o el
porcentaje (nmero de veces en que se repite el mismo valor en una variable
entre el nmero total de casos). Es muy til cuando no tenemos muchos valores
distintos en la variable.
El diagrama de barras se emplea tambin para representar de forma grca
la frecuencia, o el porcentaje de una variable pero su utilidad es para el caso
ndice
14
en que tenemos muchos valores distintos en una variable.

Observacin:
Frecuencia = nr veces valor d en una variable {l
nr veces valor a en una variable xl
Porcentaje = r
n total de casos en la variable xl
Ejercicio: Supongamos que tenemos el siguiente estudio:
Vlidos
Frecuencia Porcentaje Porcentaje Porcentaje

vlido
acumulado
masculino
10
66,7
66,7
66,7
femenino
5
33,3
33,3
100,0
Total
15
100,0
100,0
Esta tabla nos indica la frecuencia de cada valor (nmero de veces que
aparece cada valor de la variable SEXO en el estudio): por ejemplo, tenemos
10 hombres y 5 mujeres en el estudio. Indica tambin el porcentaje de cada caso,
el porcentaje vlido que no es mas que el porcentaje anterior descontando (en
caso de haberlos) los valores perdidos en el estudio y el porcentaje acumulado.
Grcamente:
SEXO
femenino
masculino
ndice
1.3.2.
Variables cuantitativas:
Podemos emplear tablas de frecuencia, histogramas o series temporales. Las

tablas de frecuencia e histogramas se emplean para tener una representacin
rpida de posibles grupos o intervalos en la variable. Por ejemplo, si deseramos
1.3. MTODOS GRFICOS PARA DEFINIR UN CONJUNTO DE DATOS 15
dividir la poblacin por grupos de edad (nios, jvenes, adultos, tercera edad),
es til tener una representacin grca de una posible divisin. Las series
temporales se emplearn en el caso en que la variable medida en el estudio
dependa del tiempo (por ejemplo: nmero de accidentes laborales mensuales).
Ejemplo: Supongamos que tenemos el siguiente estudio:
12
22
24
32
34
35
56
65
67
78
103
Total
Frecuencia Porcentaje Porcentaje Porcentaje

vlido acumulado
1
6,7
6,7
6,7
1
6,7
6,7
13,3
1
6,7
6,7
20,0
2
13,3
13,3
33,3
3
20,0
20,0
53,3
1
6,7
6,7
60,0
2
13,3
13,3
73,3
1
6,7
6,7
80,0
1
6,7
6,7
86,7
1
6,7
6,7
93,3
1
6,7
6,7
100,0
15
100,0
100,0
La tabla nos muestra el nmero de veces que aparece cada valor en el estudio, el porcentaje que representa, el porcentaje vlido y acumulado. Podramos
hacer grupos poblacionales por ejemplo, si deseamos hacer 3 grupos iguales,
tomaramos el primer rango de valores entre 12 aos y 32 aos (ya que incluimos as el 33 % de la poblacin), el segundo rango de valores entre 34 aos
y 56 aos y el tercer intervalo entre 56 aos y 103 aos.
Grcamente:
ndice
16
EDAD
7
6
5
4
Frecuencia
3
2
Desv. tp. = 24,54
Media = 45,6
N = 15,00
0
20,0
40,0
60,0
80,0
100,0
EDAD
1.4.
Mtodos numricos
El propsito de emplear mtodos numricos en un conjunto de datos, es

para realizar una descripcin de los mismos. As, dos estudios aparentemente
similares podrn ser comparados. Estudiaremos dos tipos de medidas: localizacin y variabilidad. Slo sern vlidos para variables cuantitativas.
1.4.1.
Medidas de localizacin:
Dentro de las medidas de localizacin estudiaremos la media, la mediana

y la moda de un conjunto de datos. Se emplean para determinar en torno a
qu valores se encuentran los datos (no tienen porqu coincidir, son medidas
diferentes).
Media: con ella calculamos el valor promedio de una variable. Es la
suma de todos los valores de una variable entre el nmero de casos. Se
Q
P
{l
l=1
representa por =
.
Q
ndice
1.4. MTODOS NUMRICOS
17
donde { es la variable en estudio, {l son los valores que ha ido tomando y

Q es el nmero de casos en el total de la poblacin. Para obtener la media de
q
P
{l
l=1
la muestra, se representa por { =
donde q es el nmero de casos en la
q
muestra.
Ejemplo: En el ejemplo1 que hemos ido trabajando, la media de edad de
los individuos es
24 + 35 + 103 + 65 + 34 + 32 + 67 + 34 + 22 + 56 + 78 + 32 + 12 + 34 + 56
{ =
=
15
45>6
Como podemos observar en un estudio un poco mas extenso es demasiado laborioso calcular este simple dato, de ah la utilidad de emplear algn
programa que lo ejecute.
Mediana: con ella calculamos el valor intermedio de una variable. Es
aquel valor que una vez ordenados los datos nos deja a la derecha el
50 % de los datos y a su izquierda el 50 restante. Es decir, si el nmero
de datos en el estudio es impar, una vez ordenados es el valor que deja
la mitad de los datos a su derecha y la otra mitad a su izquierda. Si
el nmero de datos es par, entonces una vez ordenados, es la suma de
los dos valores intermedios dividido entre dos. A diferencia de la media,
no est afectada por valores atpicos (extraamente altos o bajos en el
estudio, por ejemplo, el dato de la variable EDAD de un caso con 103
aos)
Ejemplo: En el ejemplo1 que hemos ido trabajando, el nmero de casos
es impar (15). Por tanto para la variable EDAD, la mediana es: 34
12 22 24 32 32 34 34 34 35 56 56 65 67 78 103
Moda: con ella calculamos el dato ms repetido en el estudio. En caso
de existir dos o ms valores con la misma frecuencia tenemos ms de una
moda.
Ejemplo: En el ejemplo1 que hemos ido trabajando, para la variable
EDAD, la moda es: 34
12 22 24 32 32 34 34 34 35 56 56 65 67 78 103
ndice
18
1.4.2.
Medidas de posicin:
Dentro de las medidas de posicin estudiaremos los percentiles y los cuartiles de un conjunto de datos. Se emplean para determinar en torno a qu
valores se encuentra un porcentaje o proporcin determinado de los datos.
Percentil Pt % : Es aquel valor que una vez ordenados los datos nos deja
a la derecha el t % de los datos y a su izquierda el (1 t) % restante.
No est afectado por valores atpicos (extraamente altos o bajos en el
estudio, por ejemplo, el dato de la variable EDAD de un caso con 103

aos)
Ejemplo: En el ejemplo1 que hemos ido trabajando, queremos conocer el
percentil 20: en este caso 24
12 22 24 32 32 34 34 34 35 56 56 65 67 78 103
Cuartiles: Son los percentiles T1 : S25 % (primer cuartil), T2 : S50 % (
segundo cuartil o mediana) y T3 : S75 % (tercer cuartil) que debido a su
inters reciben un nombre especial.
Ejemplo: En el ejemplo1 que hemos ido trabajando, calculamos los tres
cuartiles: primer cuartil: 32 segundo cuartil: 34 tercer cuartil: 65
12 22 24 32 32 34 34 34 35 56 56 65 67 78 103
1.4.3.
Medidas de variabilidad:
Dentro de las medidas de variabilidad estudiaremos el rango, la varianza y la

desviacin estndar. Se emplean para tener una medida de la dispersin de los
datos en un estudio. Esto es, una medida del error que cometemos cuando tras
haber realizado un estudio, decimos que la media de edad de los individuos es
de 45 aos, pertenecen al sexo femenino y leen el Pas y con ello caracterizamos
el perl del individuo del estudio. Adems sirven para comparar dos estudios
similares. Por ejemplo:
Raquel va a una clase de 2r de primaria. La edad media de sus compaeros
es de 7 aos.
ndice
19
Pedro tambin va a una clase de 2r de primaria y la edad media de sus

compaeros de clase es de 7 aos.
Veamos los datos de ambas clases (total de la poblacin):
Clase de Raquel
Susanita
Carmen
Gerardo
Raquel
EDAD
6
7
7
8
Clase de Pedro
Carlos
Ana
Antonia
Pedro
EDAD
7
7
7
7
A la vista de los datos (ya que el tamao del estudio es pequeo, slo cuatro
casos) vemos que aunque la edad media, la moda y la mediana (7) son iguales
son segmentos diferentes.
Rango: Es la diferencia entre el valor mximo de la variable y el valor
mnimo en valor absoluto. (Recordemos que estamos tratando variables
numricas y pueden ser valores negativos). Tambin se designa por recorrido de una variable. Notemos que es una medida de fcil interpretacin.
Ejemplo: En la clase de Raquel, el rango de edad es 8 6 = 2 aos. En
la clase de Pedro el rango de edad es 7-7 = 0 aos. Ya tenemos una primera

medida que diferencia claramente ambos estudios.
Desviacin media: Es la media de la diferencia en valor absoluto de las

observacines a la media. Se mide en las mismas unidades que la variable
q
P
en estudio. Se representa por Gp y se calcula Gp = Q1
|{l | donde
Q es el total de casos y la media de la poblacin.
l=1
ndice
Ejemplo: En la clase de Raquel, la desviacin media de la variable edad

es: Gp =
|637|+|737|+|737|+|837|
4
= 0>5 aos.
En la clase de Pedro, la desviacin media de la edad es: Gp =
|737|+|737|+|737|+|737|
4
0 aos
Recorrido intercuartilico: Es la diferencia entre el tercer cuartil y el
primer cuartil de la variable en estudio. Se representa por LTU y se
calcula LTU = T3 T1 .
20
Ejemplo: En la clase de Raquel, el recorrido intercuartilico de la variable

edad es: LTU = 8 6 = 2 aos.
En la clase de Pedro, recorrido intercuartilico de la edad es: LTU = 77 = 0
aos
Varianza: Es una medida de dispersin en torno a la media de los datos,
y se calcula como la suma de las diferencias de los datos y la media al
cuadrado entre el nmero de casos. A pesar de su gran utilidad, esta
medida se expresa en unidades al cuadrado de la variable en estudio,
por lo que es de difcil interpretacin y en ocasiones no tiene sentido.
Q
P
({l )2
Se representa por 2 (sigma cuadrado) y se calcula 2 = l=1
Q
donde Q es el total de casos y la media de la poblacin. Para calcular
q
P
({l {)2
l=1
la varianza de una muestra, emplearemos V 2 =
q
Ejemplo: En la clase de Raquel, la varianza de la variable edad es: 2 =
(637)2 +(737)2 +(737)2 +(837)2
4
= 0>666 aos2 .
En la clase de Pedro, la varianza de la edad es: 2 =
(737)2 +(737)2 +(737)2 +(737)2

4
0 aos2
Desviacin estndar: Es la raz cuadrada de la varianza. Notemos que
es ms til que la varianza ya que se mide en las mismas unidades que la
variable en estudio. Adems cuando estudiemos la distribucin normal
ser una medida del intervalo en el cual se encuentran la mayor parte de
los datos en estudio. Se representa por (sigma).
Ejemplo:
En la clase de Raquel, la desviacin estndar de la variable edad
ndice
q
(637)2 +(737)2 +(737)2 +(837)2
es: =
=
0>815
aos=
4
q
2
2
2
+(7
En la clase de Pedro, la desviacin estndar de la edad es: = (737) +(737) +(737)
4
0 aos=
Cuasi-varianza: Es una correcin del clculo de la varianza cuando el

tamao de la muestra es pequeo con respecto de la poblacin en estudio.
21
Se representa por v y se calcula v =

2
q
P
l=1
({l {)2
q1
de la muestra y { la media de la muestra.
donde q es el tamao
Coeciente de variacin: Es una relacin entre la media y la varianza

de una poblacin. Se representa por FY y se calcula FY =
{
ndice
ndice
Captulo 2
Probabilidad
2.1.
Introduccin
La estadstica la podemos clasicar en dos bloques: Estadstica descriptiva e

Inferencia estadstica. La Estadstica no est restringida, como algunos creen, a
ser descriptiva (nmero de tarjetas rojas en un juego, o porcentaje de personas
con ms de 25 aos en una poblacin). Para llegar a conclusiones se deben
elaborar modelos probabilsticos que resuman toda la informacin disponible
sobre el problema. Cuando existe incertidumbre el modelo es descrito mediante
la probabilidad. Un modelo es un conjunto de reglas que explican de manera
simplicada algun problema real.
Para realizar el nexo entre el estudio descriptivo de las variables estadsticas con poblaciones no observadas en su totalidad, se necesitan introducir
los modelos probabilsticos. El clculo de probabilidades establece y estudia
modelos adecuados para la representacin de experimentos aleatorios, podra
considerase el instrumento matemtico necesario para obtener conocimientos
sobre ciertos conjuntos de datos a partir de las observaciones correspondientes
a una muestra. Dichos modelos tienen por objetivo representar situaciones que
estn sujetas a incertidumbre y para cuanticar esa incertidumbre se hace uso
del concepto de probabilidad.
El concepto de probabilidad est relacionado con el concepto de frecuencia
relativa que se introdujo en el captulo de estadstica descriptiva, de tal manera
23
ndice
Captulo 2. Probabilidad
24
que cumple las propiedades de sta. Previo a la denicin de probabilidad y

estudio de sus propiedades, introduciremos una serie de conceptos iniciales as
como un resumen de las principales nociones de combinatoria.
El clculo de probabilidades nos proporciona las reglas para el estudio de
fenmenos aleatorios, estableciendo la base para la inferencia estadistica. A
partir de las nociones de probabilidad, probabilidad condicionada e independencia de sucesos surgen los teoremas fundamentales del Clculo de probabilidades.
2.2.
Anlisis Combinatorio
Se llaman variaciones de p elementos tomados de q a q, a los diferentes

grupos que pueden formarse de modo que cada dos grupos dieran entre s,
bien por la naturaleza de algn elemento o bien por el orden de sucesin de
los mismos. Es importante resaltar por tanto, que importa el orden de los
elementos.
Ypq = p(p 1)(p 2)===(p q + 1)

Ejemplo. Calcular las posibles variaciones de 2 elementos que se pueden
establecer con los nmeros 1, 2 y 3.
Tendramos 6 posibles parejas: (1,2), (1,3), (2,1), (2,3), (3,1) y (3,3). En este
caso los subgrupos (1,2) y (2,1) se consideran distintos. Aplicando la frmula:
Y32 = 3 2 = 6
Permutaciones. Permutaciones de m elementos diferentes son los distintos
grupos que se pueden formar con los m elementos, diriendo solamente el orden
de sucesin de sus elementos.
Sp = Ypp = p! = p(p 1)(p 2)==>2>1
Ejemplo. Dados tres colores, azul, rojo y verde, el nmero de banderas
tricolores que se pueden formar con la condicin de que ninguno se repita en
ndice
2.2. ANLISIS COMBINATORIO
25
la misma bandera es:

S3 = Y33 = 3! = 3>2>1 = 6
Combinaciones. Combinaciones de m elementos tomados n a n, son los
diferentes grupos que se pueden formar, gurando en cada uno q de estos
elementos, de tal forma que cada dos grupos se diferencien por lo menos en la
naturaleza de un elemento. Es importante resaltar por tanto, que no importa
el orden de los elementos.
q
=
Fp
Ypq
p(p 1)(p 2)===(p q + 1
=
Sq
1>2>3====q
Ejemplo. Calcular las posibles combinaciones de 2 elementos que se pueden

establecer con los nmeros 1, 2 y 3.
Tendramos 6 posibles parejas: (1,2), (1,3), (2,3). En este caso los subgrupos
(1,2) y (2,1) se consideran iguales, por lo que solo se cuentan una vez. Aplicando
la frmula:
Y32
3>2
=3
=
S2
2>1
combinatorios:
p
pq
p1
p1
+
q1
q

p
p!
=
(p q)!q!
q
F32 =
Propiedades de Nmeros

p
=
q

p
=
q
q
=
Fp
Variaciones con repeticin. Dados m elementos se llaman variaciones

con repeticin de estos m elementos tomados de n en n a los conjuntos ordenados de n de estos elementos, distintos o repetidos.
q
Y Up>q = p
Permutaciones con repeticin. Dados p elementos distintos {f1 > ===> fp },
los conjuntos ordenados con q = 1 + === + p donde 1 son el nmero de f1 ,

..., p es el nmero de fp , entonces
S 1 === p =
q!
1 !===! p
ndice
26
Combinaciones con repeticin. Si tengo q objetos {d1> d2> d3> ===> dq},
puedo formar grupos (no ordenados) tomando p de ellos, pudindose repetir,

de muchas maneras:
a1 , a1 , a2 , ..., am
a1 , an, an, ..., an , an
a7, a13, am , ..., am , an
etc.
Decimos que estos grupos son combinaciones con repeticin de estos n

elementos de orden m, o tambin, tomados de m en m. Mientras que con n
objetos solamente se pueden formar combinaciones ordinarias de rdenes 1, 2,
3, .... n; en cambio, se pueden formar combinaciones con repeticin de cualquier
orden, por grande que sea.
p
FUqp = FUq+p31
=
2.3.
p
Yq+p31
(q + p 1)(q + p 2)===q
=
Sp
p(p 1)===>2>1
Elementos de probabilidad
Diremos que un experimento es aleatorio cuando al repetir un experimento

en las mismas condiciones los resultados son impredecibles, en caso contrario
diremos que es determinista. Ejemplos de fenmenos aleatorios: Lanzamiento
de una moneda, lanzamiento de un dado, sin embargo, el experimento consistente en dejar caer un objeto desde una altura ja y medir el tiempo que
tarda en impactar contra el suelo es un experimento determinista. El clculo
de probabilidades se dedica al estudio de modelos para experimentos aleatorios. A continuacin deniremos los elementos comunes a todos estos modelos
probabilsticos, as como la notacin de uso ms frecuente en este marco.
2.3.1.
Algebra de sucesos
En el estudio de un experimento aleatorio aparecen distintos elementos

asociados a l:
ndice
2.3. ELEMENTOS DE PROBABILIDAD
27
Suceso elemental. Posibles resultados indescomponibles en otros ms

simples.
Ejemplo. En el lanzamiento de una moneda, son sucesos elementales sacar
cara o cruz..
Espacio muestral. A cualquier conjunto que contenga todos los resultados
posibles de un experimento. El espacio muestral ser denotado habitualmente
con la letra E. Los elementos del espacio muestral que son los sucesos elementales, los denotaremos como h1 > h2 5 E.
Suceso aleatorio. A todo subconjunto del espacio muestral D> E H.
Dentro de esta clase de sucesos cabe destacar dos sucesos especiales, el llamado
suceso seguro, que es el propio conjunto H y el suceso imposible que es el
conjunto vaco .
Suceso contrario o complementario. Dado el suceso D H, es el
suceso formado por todos los sucesos elementales de H que no lo sean de D.

Se denota por Df o D. Es decir, Df = {h 5 H : h 5
@ D}. Es importante sealar
que D ^ D = H.
Ejemplo. Consideremos el lanzamiento de un dado, si D = {1> 2} entonces
D = H D = {3> 4> 5> 6}
ndice
Representacin grca del suceso complementario
Suceso diferencia. Dados dos sucesos D y E, pertenecientes al espacio
muestral H, llamamos suceso diferencia de los sucesos D y E a otro suceso F
de H que contiene los sucesos elementales de D que no estn en E. Se escribe
F = D E. Es decir, F = {h 5 H : h 5 D y h 5
@ E}.
28
Representacin grca del suceso diferencia

Ejemplo. Consideremos el lanzamiento de un dado, si D = {2> 4> 6} y E =
{1> 2> 3} entonces D E = {4> 6} y E D = {1> 3}
Suceso Unin. La unin de dos sucesos D y E es un suceso que tiene lugar
cuando acontece al menos uno de esos sucesos, se trata del suceso que llamaremos F = DXE formado por todos los sucesos elementales que pertenecen a D
o a E= Es decir, F = {h 5 H : h 5 D o h 5 E}.
{3> 4} entonces D ^ E = {1> 2> 3> 4}.
ndice
Representacin grca del suceso unin
2.3. ELEMENTOS DE PROBABILIDAD
29
Suceso interseccin. Dados dos sucesos aleatorios D, E H, se de-
nomina suceso interseccin de D y E al conjunto formado por todos los suce-
sos elementales que pertenecen a la vez a D y E. Es decir, F = D _ E =

{h 5 H : h 5 D y h 5 E}.
Representacin grca del suceso interseccin
{3> 4} entonces D _ E = {4}.
Suceso diferencia simtrica. La diferencia simtrica entre D y E es el

suceso que acontece cuando ocurre uno de los sucesos D o E pero no los dos
simultneamente, es decir, se trata del suceso aleatorio formado por todos los
sucesos elementales que pertenecen a D y no a E, y los que estn en E y no
en D y se representa por F = D{E = {h 5 H : h 5 (D ^ E) o h 5 (D _ E)} =
{D E} ^ {E D}
{3> 4} entonces D{E = {1> 2> 4} = E{D.
ndice
30
Representacin grca del suceso diferencia

Sucesos incompatibles. Dos sucesos se dice que son incompatibles si al
vericarse uno no se puede vericar el otro. En tal caso D _ E nunca se verica
y se cumplir:
D_E =!
Ejemplo. Consideremos el lanzamiento de un dado, si D = {1> 2} y E =
{3> 4} entonces D _ E = !.
Para desarrollos prcticos existen ciertas propiedades que relacionan la
unin, interseccin y el suceso contrario y se conocen como Leyes de Morgan:

D = D
D_E = DÊ
DÊ = D_E
si quisiramos extender las dos ltimas leyes de Morgan para qvxfhvrv
tendramos:
q
[
Dl =
l=1
q
\
l=1
q
\
Dl
l=1
Dl =
q
[
l=1
Dl
ndice
2.4. DEFINICIONES DE PROBABILIDAD
2.4.
31
Deniciones de Probabilidad
La teora matemtica de la probabilidad calcula nuevas probabilidades a

partir de unas probabilidades iniciales que se pueden obtener de diferentes formas. Para ello existen diferentes interpretaciones del concepto de probabilidad
y a continuacin, expondremos cuatro formas de denir la probabilidad: Mtodo axiomtico, Mtodo frecuencial u objetivista, Mtodo de Laplace, Mtodo
bayesiano o subjetivista.
2.4.1.
Concepto axiomtico de probabilidad
Dado un experimento aleatorio con espacio muestral H, y el conjunto de

todos los posibles subconjuntos de dicho espacio muestral A. Se dene la prob-
abilidad de D H, o lo que es lo mismo, un suceso D 5 A, como una funcin

denida sobre A y que slo toma valores positivos comprendidos entre 0 y 1.
Es decir, se trata de la aplicacin:
S : A $ [0> 1] R
D<S (D)
por tanto dado D A entonces se cumple que S (D) 5 [0> 1]. Esta apli-
cacin permite asociar a cada suceso D un nmero real S (D), siendo S (D)
la incertidumbre con que ocurrir el suceso D en el experimento aleatorio.

Satisface los siguientes axiomas:
Axioma1. A cada suceso D A le corresponde un nmero real tal que
0 S (D) 1. S (D) recibe el nombre de probabilidad de D.

Axioma 2. S (H) = 1
Axioma 3. Si D1 > D2 > ==== son sucesos disjuntos, es decir, Dl _ Dm = ! ;l> m

" !
"
[
X
S
Dl = S (D1 ^ D2 ^ ====) = S (D1 ) + S (D2 ) + === =
S (Dl )
l=1
l=1
En caso de que el numero de sucesos elementales sea nito, este axioma

sera de la siguiente manera:
Si D1 > D2 > ====Dq son sucesos disjuntos, es decir, Dl _ Dm = ! ;l> m
q
!
q
[
X
S
Dl = S (D1 ^ D2 ^ ====Dq ) = S (D1 ) + S (D2 ) + ===S (Dq ) =
S (Dl )
l=1
l=1
ndice
32
Consecuencias de los axiomas de la probabilidad

a. S D = 1 S (D)
b. S (!) = 0
c. Si D> E H tal que D E =, S (D) S (E)

d. S (D) 1> ;D H
Demostracin
a. En virtud de la propiedad complementaria
D^D=H
si tomamos probabilidades en ambos miembros de la igualdad
S D ^ D = S (H)
por el axioma 2 S D ^ D = S (H) = 1, pero como D y D son disjuntos,
por el axioma 3 tenemos que S D ^ D = S (D) + S (D) = 1, por tanto

S D = 1 S (D)
b. Tenemos que H = !, por tanto H ^ H = H, si tomamos probabilidades a

ambos lados de la igualdad obtendremos
S H ^ H = S (H)
por el axioma 3, S H ^ H = S (H) + S (H) y por otro lado sabemos por
el axioma 2. que S (H) = 1 por tanto
S (H) + S (H) = 1

S H = S (!) = 1 S (H)
= 11=0
c. Sean D y E dos sucesos del espacio muestral H tal que D E, es decir:
ndice
33
Representacin del suceso D E

La idea fundamental de esta demostracin consiste en expresar cada suceso
como unin de dos sucesos disjuntos y aplicar el axioma 3 de la siguiente
manera:
E = D ^ (E D)
S (E) = S [D ^ (E D)]
teniendo en cuenta que D, y E D son sucesos disjuntos:
S (E) = S (D) + S (E D)
por el axioma 1 sabemos que S (E D) 0, por tanto S (D) S (E)
d. Sabemos que D H por tanto por la consecuencia f tenemos que se
cumple S (D) S (H) = 1
Propiedades
Las siguientes propiedades se deducen de los axiomas y sus consecuencias.
Propiedad 1. Si D y E son dos sucesos cualesquiera de H, se verica que:
S (D ^ E) = S (D) + S (E) S (D _ E)
ndice
34
Para demostrar esta propiedad expresaremos la unin de estos dos sucesos

y la de los sucesos elementales D y E como unin de sucesos disjuntos y
aplicaremos el axioma 3.
De tal manera que podemos escribir:

D ^ E = (D E) ^ (D _ E) ^ (E D)
D = (D E) ^ (D _ E)
E = (E D) ^ (D _ E)
si tomamos probabilidades y aplicamos el axioma 3
S (D ^ E) = S (D E) + S (D _ E) + S (E D)
(2.1)
S (D) = S (D E) + S (D _ E)
ndice
S (E) = S (E D) + S (D _ E)
por tanto
S (D E) = S (D) S (D _ E)
S (E D) = S (E) S (D _ E)
(2.2)
35
sustituyendo (2.2) en la primera frmula de (2.1) obtenemos:

S (D ^ E) = S (D) S (D _ E) + S (D _ E) + S (E) S (D _ E)
= S (D) + S (E) S (D _ E)
Propiedad 2. Consideremos tres sucesos, D> E y F H, entonces
S (D ^ E ^ F) =
= S (D) + S (E) + S (F) S (D _ E) S (D _ F)
S (E _ F) + S (D _ E _ F)
Apliquemos la propiedad 1 a los sucesos D ^ E y F,
S (D ^ E ^ F) = S (D ^ E) + S (F) S ((D ^ E) _ F)
(2.3)
= S (D ^ E) + S (F) S ((D _ F) ^ (E _ F))

por otro lado volvamos a aplicar la propiedad 1 a los sucesos (D _ F) y
(E _ F)
S ((D _ F) ^ (E _ F)) = S (D _ F) + S (E _ F) S (D _ E _ F)(2.4)

S (D ^ E) = S (D) + S (E) S (D _ E)
sustituyendo (2.4) en (2.3) en obtenemos
S (D ^ E ^ F) = S (D) + S (E) + S (F) S (D _ E)
S (D _ F) S (E _ F) + S (D _ E _ F)
Propiedad 3. En general sean q sucesos elementales D1 > D2 > ===> Dq H
entonces se cumple:
q
!
q
[
X
S
=
Dl
S (Dl )
l=1
l=1
1$l1 $l2 $q
1$l1 $l2 $l3 $q
===S
q
\
l=1
Dl
S (Dl1 _ Dl2 )
S (Dl1 _ Dl2 _ Dl3 ) ====
ndice
36
Propiedad 4. Dados los sucesos D> E H se verica

(2.5)
S (D E) = S (D) S (D _ E)
S (E D) = S (E) S (D _ E)
Propiedad 5. dados los sucesos D> E H se verica
S (D{E) = S (D) + S (E) 2S (D _ E)
sabemos que
D{E = (D E) ^ (E D)
S (D{E) = S (D E) + S (E D)
aplicando la propiedad 4
S (D{E) = S (D) S (D _ E) + S (E) S (D _ E)
= S (D) + S (E) 2S (D _ E)
Ejemplo 1.
Se lanzan al aire dos monedas, consideremos los siguientes sucesos:
A=sacar cara en la primera
B=sacar cara en la segunda
M=sacar cara en una moneda solamente.
Calcular S (D ^ E ^ P).
El espacio muestral es H = {FF> F[> [F> [[} llamando F = fdud y
[ = fux}, los sucesos D> E y P son:
D = {FF> F[}, E = {FF> [F}, y P = {F[> [F}, por tanto S (D) =
S (E) = S (P) = 12 , S (D _ E) = S (D _ P) = S (E _ P) =
0 entonces
1
4
y S (D _ E _ P) =
1 1 1 1 1 1
+ + +0
2 2 2 4 4 4
Ejemplo 2. Un fabricante de tornillos tiene un informe que contiene inforS (D ^ E ^ P) =
macin sobre la produccin de estos tornillos: el 1.5 % de todos los tornillos

fabricados no son conformes a especicaciones de longitud, el 1.2 % son defectuosos en cuanto al espesor, y el 0.8 % son defectuosos respecto ambas medidas.
ndice
37
1. Calcular la probabilidad de que alguna de las medidads de longitud o

espesor de un tornillo son no conformes a especicaciones.
2. Calcular la probabilidad de que en un tornillo ninguna de las dos medidads se encuentra fuera de especicaciones.
3. Calcular la probabilidad de que en un cable la longitud es no conforme
a especicaciones, pero el espesor s.
4. Calcular la probabilidad de que un cable es no conforme a especicaciones
en cuanto a longitud o a espesor, pero no en cuanto a ambas medidas.
Sean los siguientes sucesos:
A: Un tornillo seleccionado al azar es no conforme a especicaciones por su
longitud.
B: Un tornillo seleccionado al azar es no conforme a especicaciones por su
espesor.
1. Se trata del suceso D ^ E, por tanto
S (D ^ E) = S (D) + S (E) S (D _ E)
= 0>015 + 0>012 0>008
= 0>019
esto signica que el 1.9 % de los tornillos fabricados son no conformes a
especicaciones en alguna de las dos medidads consideradas, longitud o espesor.
2. Tendremos que calcular la probabilidad de este suceso D _ E. Para ello,
se utilizar la segunda de las leyes de Morgan y la consecuencia 1 de los
axiomas de probabilidad,
S D_E = S DÊ
= 1 S (D ^ E)
= 1 0>019 = 0>981
este resultado nos indica que el 98 % de los tornillos fabricados ninguna de

las dos medidas consideradas se encuentra fuera de las especicaciones.
ndice
38
3. Tenemos que calcular

S (D E) = S (D) S (D _ E)
= 0>015 0>008
= 0>007
lo cual nos informa de que el 0.7 % de los tornillos fabricados el espesor es
conforme a especicaciones, pero la longitud no.
4. El suceso que tenemos que considera es D{E
S (D{E) = S (D) + S (E) 2S (D _ E)
= 0>015 + 0>012 2 0>008
= 0>011
hay una probabilidad de 0.011 de que un tornillo sea no conforme a especicaciones en cuanto a longitud o a espesor, pero no en cuanto a ambas
medidas.
2.4.2.
Mtodo frecuencial u objetivista
En la esencia de esta interpretacin subyace la llamada concepcin frecuentista de la probabilidad. La frecuencia relativa nos da un cociente menor o igual
que 1, que mide las veces que se repite un suceso despus de realizar un experimento aleatorio una serie de veces bajo condiciones similares. Dicho cociente
tiende a estabilizarse entorno a una cantidad cuando el nmero de pruebas
crece, siendo esta cantidad la que deniremos como probabilidad. Este hecho
se conoce con el nombre de ley de los grandes nmeros que fue demostrada por
Jacques Bernouilli (1654-1705).
Formalicemos esta interpretacin, supongamos que D es un suceso aleatorio
respecto a un cierto experimento aleatorio que se repite un nmero grande de
veces (q veces) en idnticas condiciones y con independencia entre las distintas
repeticiones. Llamemos Sq (D) a la frecuencia relativa de ocurrencia de D, por
tanto
Sq (D) =
Q r de veces que ha ocurrido D

q
ndice
39
Por tanto, a medida que aumenta q stas frecuencias se aproximan a un

ciero valor numrico que nos servir para medir nuestro grado de certidumbre
sobre la posible aparicin del suceso en experiencias futuras. Este valor es lo
que entendemos como probabilidad de ocurrencia del suceso:
Sq (D) $ S (D)
q<"
Esta denicin se debe a Richard von Mises (1883-1953). El inconveniente

fundamental es que para aplicar esta denicin necesitariamos realizar un gran
nmero de veces cada experimento y estudiar el lmite de sus frecuencias relativas. Supongamos que lanzamos una moneda al aire y observamos las veces
que sale cara, anotando el nmero de lanzamientos. Mediante simulacin comprobaremos este experimento y observaremos su resultado.
1
0.9
frecuencia de caras
0.8
0.7
0.6
0.5
0.4
0.3
ndice
0
100
200
300
400
500
600
lanzamientos de moneda
700
800
900
1000
Las frecuencias relativas tienden a estabilizarse alrededor de 0>5, es decir,

toma valores aproximados por exceso o por defecto en torno a 0>5 al aumentar
el nmero de lanzamientos. Es evidente que se trata de un mtodo emprico que
resulta lento y muy trabajoso, por tanto necesitamos buscar otra denicin.
40
2.4.3.
Mtodo de Laplace
Vamos a presentar una denicin de probabilidad cuyo principal inconveniente para su aplicacin es que los casos deben ser equiprobables, condicin
que en muchas ocasiones, por razones de simetra, ocurre ya que muchas veces
encontramos todos los resultados de un experimento igualmente verosmiles.
Laplace en 1812 enunci la denicin de probabilidad de un suceso D como
el cociente entre el nmero de casos favorables al suceso y el nmero de casos posibles, teniendo en cuenta que los sucesos elementales tienen que ser
igualmente probables. Formalmente:
Dado un experimento cualquiera con espacio muestral H. Supongamos que
q
S
H=
Dl tal que se cumple Dl _Dm = !, ;l 6= m es decir, sucesos incompatibles
l=1
dos a dos y equiprobables, entonces:
1 = S (H) = S
q
[
l=1
s = S (Dl ) =
Dl
1
;Dl H
q
de tal manera que sea E H tal que E =
q
X
S (Dl ) = qs
l=1
p
S
Dl tendremos que
l=1
p nr de sucesos elementales en E
= r
q
n de sucesos elementales en H
r
n de casos favorables en E
=
nr de casos posibles
S (E) =
Ejemplo
En el experimento aleatorio lanzar un dado calcular la probabilidad de que
al lanzar el dado se obtenga un nmero impar.
Solucin: El espacio muestral es H = {1> 2> 3> 4> 5> 6} llamemos D al suceso
que consiste en obtener un nmero impar, D = {1> 3> 5}. Suponemos que todas
las caras tienen igual probabilidad de ocurrencia con lo cual podemos aplicar
la Regla de Laplace:
ndice
41
nr de casos favorables en D
nr de casos posibles
r
n de sucesos elementales en E
= r
n de sucesos elementales en H
3
= 0>5
=
6
S (lpsdu) =
Ejemplo
Queremos calcular la probabilidad de que al extraer una carta de una baraja
francesa (52 cartas) obtengamos un trebol. Si D es el suceso obtener un trebol
se tiene:
S (D) =
13
1
=
52
4
Ejemplo
Consideremos ahora el experimento aleatorio lanzamiento de dos dados
equilibrados para calcular la probabilidad de cada uno de los posibles valores
de la suma de los dos nmeros que pueden aparecer. Sean ({> |) donde {
representa el nmero que aparece en el primer dado, e | representa el nmero
que aparece en el segundo dado. Por tanto H contiene 36 resultados posibles.
Calcular la probabilidad de sacar un 6 en el primer dado
S (D) =
6
1
=
36
6
Calcular la probabilidad de sacar ms puntuacin en el segundo dado

que en el primero:
ndice
5+4+3+2+1
15
=
36
36
5
=
12
S (D) =
Calcular la probabilidad de que la suma de los dos nmeros sea 5

S (D) =
4
36
42
2.4.4.
Mtodo Bayesiano o Subjetivista
La denicin que damos a continuacin rompe bastante con las deniciones

que hemos introducido hasta ahora. Mientras las anteriores deniciones presentaban la probabilidad como una propiedad que se observa, en esta denicin
se toma como probabilidad una medida del grado de creencia que tiene una
persona sobre la ocurrencia del suceso de inters basndonos en la experiencia. Por tanto, deniremos la probabilidad de un suceso como la medida del
grado de creencia que tiene una persona dada en un momento dado sobre la
ocurrencia del suceso.
2.5.
Probabilidad Condicionada
Hemos denido la probabilidad de un suceso D referida a todo el espacio

muestral H. En muchas ocasiones disponemos de una informacin adicional
de tal manera que tendremos que tenerla en cuenta, a la hora de calcular una
probabilidad de un cierto suceso. Supongamos que tenemos otro suceso E H
tal que D _ E 6= !. Supongamos adems que tenemos la certeza de que ha
ocurrido el suceso E y estamos interesados en saber cual es la probabilidad
de D pero sabiendo que ha ocurrido E. Con esta informacin aadida lo que

hemos hecho ha sido reducir el espacio muestral de H a E, y habr adems
que exigir que no sea un espacio nulo, por tanto, debe cumplirse que S (E) A
0. Ms formalmente, dados dos sucesos D y E del espacio muestral H, se
dene la probabilidad condicionada del suceso D al suceso E, a la cantidad
que representamos como S (D@E), y se calcula como:
S (D _ E)
S (E)
S (E) A 0
S (D@E) =
Anlogamente se dene
S (D _ E)
S (D)
S (D) A 0
S (E@D) =
ndice
2.5. PROBABILIDAD CONDICIONADA
43
Ejemplo. Se considera el lanzamiento de un dado y sea D = {sacar impar}
y E = {3> 4}. Calcular la probabilidad de sacar un nmero impar sabiendo que

antes se ha sacado 3 4=
S (D _ E)
S (E)
2
1
3
, S (E) = , S (D _ E) =
S (D) =
6
6
6
1@6 1
=
S (D@E) =
2@6 2
S (D@E) =
Axiomas para la probabilidad condicionada

Axioma 1. S (D@E) 0
evidentemente por la denicin de la probabilidad, S (D@E) =
S (DKE)
S (E)
Axioma 2. S (H@E) = 1
en efecto:
0
S (H _ E)
S (E)
=
=1
S (E)
S (E)
S (H@E) =
Axioma 3.
S(
"
[
Dl @E) =
l=1
"
X
S (Dl @E)
l=1
vlhqgr Dl _ Dm = !
en efecto:
S(
"
[
S
Dl @E) =
l=1
Dl ) _ E
S (E)
l=1
"
[
"
X
l=1
S (Dl _ E)
S (E)
S
=
"
X
l=1
Propiedad 1. S (D@E) = 1 S (D@E)

en efecto:
S (D@E) =
S (D _ E)
S (E)
"
[
(Dl _ E)
l=1
S (E)
ndice
S (Dl @E)
44
sabemos que E = (D _ E) ^ D _ E por lo tanto S (E) = S (D _ E) +
S D _ E de donde S D _ E = S (E) S (D _ E) entonces

S (D _ E)
S (E)
S (E) S (D _ E)
=
S (E)
= 1 S (D@E)
S (D@E) =
2.5.1.
Sucesos dependientes e independientes
Dados tres sucesos D, E, y F H diremos que dichos sucesos son inde-
pendientes dos a dos cuando:
a) S (D _ E) = S (D)=S (E) por tanto D y E son independientes y tambin
se cumple que:
S (D _ E)
S (E)
S (D)=S (E)
=
= S (D)
S (E)
S (D@E) =
b) S (D _ F) = S (D)=S (F) por tanto D y F son independientes y tambin
se cumple que S (D@F) = S (D)
c) S (E _ F) = S (E)=S (F) por tanto E y F son independientes y tambin
se cumple que S (E@F) = S (E)
Dados tres sucesos D, E, y F H diremos que dichos sucesos son mutua-
mente cuando:
a) D, E, y F sean independientes dos a dos

b) S (D _ E _ F) = S (D)=S (E)=S (F)
La independencia de dos sucesos supone la independencia de sus complementarios. Es un ejercicio sencillo comprobar que si D y E son independientes
entonces tambin lo son: D y E, D y E, D y E.
Demostracin:
Veamos por ejemplo el ltimo caso, es decir, si D y E son independientes
entonces tambin lo son D y E.
ndice
45
en efecto: como D _ E = D ^ E tenemos

S (D _ E) = S (D ^ E) = 1 S (D ^ E)
= 1 [S (D) + S (E) S (D _ E)]
= 1 [S (D) + S (E) S (D)=S (E)]
= [1 S (D)] [1 S (E)]
= S (D)S (E)
Regla de la multiplicacin. Teorema de la probabilidad compuesta.
Sean D1 > D2 > ===> Dq H una coleccin de sucesos aleatorios, se cumple que
S (D1 _ D2 _ === _ Dq ) = S (D1 )=S (D2 @D1 )=S (D3 @D1 _ D2 )
===S (Dq @D1 _ D2 _ === _ Dq31 )
demostracin:
S (D1 _D2 _===_Dq ) = S ((D1 _ D2 _ === _ Dq31 ) _ Dq ) = S (D1 _ D2 _ === _ Dq31 ) =S (Dq @D1
D2 _ === _ Dq31 ) =
=S (D1 _ D2 _ === _ Dq32 ) =S (Dq31 @D1 _ D2 _ === _Dq32 )S (Dq @D1 _D2 _=== _
Dq31 ) = === =
=S (D1 )=S (D2 @D1 )=S (D3 @D1 _ D2 )===S (Dq @D1 _ D2 _ === _ Dq31 )
Los teoremas que quedan por contar nos dicen como calcular las probabilidades de sucesos cuando el suceso seguro est descompuesto en una serie de
sucesos incompatibles de los que conocemos su probabilidad.
Teorema de la probabilidad Total
Sean q sucesos D1 > D2 > ===> Dq incompatibles o mutuamente excluyentes, es
q
[
Dl = H y Dl _ Dm = ! ;l 6= m= Consideremos un suceso E y conocidas
decir:
l=1
las probabilidades condicionadas S (E@D1 )> S (E@D2 )>....,S (E@Dq ) y adems

S (D1 ), S (D2 ),...,S (Dq ), se tiene:
S (E) =
q
X
l=1
S (Dl )=S (E@Dl )
ndice
46
Teorema de la probabilidad total

Observando la gura, podemos comprobar como los sucesos Dl forman un
sistema exhaustivo y excluyende de sucesos, pudindose calcular la S (E) a
partir de las cantidades S (E _ Dl )> teniendo en cuenta la denicin de probabilidad condicionada y del hecho de que si los sucesos Dl forman un sistema
exhaustivo y excluyente, los sucesos E _ Dl tambin lo forman.

S (E) = S (E _ H) = S (E _ (D1 ^ D2 ^ === ^ Dq )) = S ((E _ D1 ) ^ (E _
D2 ) ^ === ^ (E _ Dq ) =
=S ((E_D1 )+S (E_D2 )+===+S (E_Dq ) = S (D1 )=S (E@D1 )+S (D2 )=S (E@D2 )+
=== + S (Dq )=S (E@Dq ) =

q
X
=
S (Dl )=S (E@Dl )
l=1
Ejemplo. Se tienen dos urnas, y cada una de ellas contiene un nmero
diferente de bolas blancas y rojas: Primera Urna X1 : 3 bolas blancas y 2 rojas,

segunda Urna X2 : 4 bolas blancas y 2 rojas.
Se realiza el siguiente experimento aleatorio: tiramos una moneda al aire y
si sale cara se elige una bola de la primera urna, y si sale cruz se elige la bola
de la segunda urna. Cul es la probabilidad de que salga una bola blanca?
Estamos ante la siguiente situacin
ndice
47
3B 2R X1
S (X1 ) = 1@2 S (E@X1 ) = 3@5
4B 2R X2
S (X2 ) = 1@2 S (E@X2 ) = 4@6
Como X1 y X2 forman un sistema incompatible y excluyente de sucesos el

teorema de la probabilidad total permite armar entonces:
S (E) = S (E@X1 )S (X1 ) + S (E@X2 )S (X2 )

19
3 1 4 1
= + = =
=
5 2 6 2
30
Teorema de Bayes
Consideremos qsucesos incompatibles o mutuamente excluyentes D1 > D2 > ===> Dq
q
[
y que forman un sistema exhaustivo, es decir:
Dl = H y Dl _ Dm = ! ;l 6= m=
l=1
Sea E H un suceso del que conocemos las siguientes probabilidades: S (E@Dl )
;l = 1> ===> q y S (Dl ) ;l = 1> ===> q, entonces, se verica ;m = 1> ==> q:

S (Dm @E) =
S (Dm )=S (E@Dm )

q
X
S (Dl )=S (E@Dl )
l=1
La demostracin es una consecuencia de la denicin de probabilidad condicionada en trminos de la interseccin y del teorema de la probabilidad total:
S (Dm @E) =
S (Dm _ E)
S (Dm )=S (E@Dm )
= q
X
S (E)
S (Dl )=S (E@Dl )
l=1
Ejemplo: Se tienen tres urnas, y cada una de ellas contiene un nmero

diferente de bolas blancas y rojas: Primera Urna X1 : 3 bolas blancas y 2 rojas,
segunda Urna X2 : 4 bolas blancas y 2 rojas, y la tercera urna X3 : 3 bolas rojas
Se realiza el siguiente experimento aleatorio: Alguien elige al azar y con
la misma probabilidad una de las tres urnas, y saca una bola Cul es la
probabilidad de que provenga de la primera urna?
Estamos ante la siguiente situacin
ndice
48
3B 2R X1
S (X1 ) = 1@3 S (E@X1 ) = 3@5
4B 2R X2
S (X2 ) = 1@3 S (E@X2 ) = 4@6
0B 3R X3
S (X3 ) = 1@3 S (E@X3 ) = 0
En este caso X1 > X2 > y X3 forman un sistema incompatible y excluyente

(la bola que elegimos debe provenir de una de esas tres urnas y de una slo
de ellas), por tanto es posible aplicar el teorema de Bayes para calcular la
probabilidad que nos piden:
S (X1 @E) =
=
S (X2 @E) =
=
S (X3 @E) =
=
S (X1 )=S (E@X1 )

S (X1 )=S (E@X1 ) + S (X2 )=S (E@X2 ) + S (X3 )=S (E@X3 )
3 1
=
9
5 3
3 1
4 1
1 =
19
=
+
=
+
0=
5 3
6 3
3
S (X2 )=S (E@X2 )
4 1
=
10
6 3
3 1
4 1
1 =
19
= + 6 = 3 + 0= 3
5 3
S (X3 )=S (E@X3 )
0= 13
=0
3 1
= + 46 = 13 + 0= 13
5 3
ndice
Captulo 3
Variables aleatorias discretas
3.1.
Introduccin
Al analizar un experimento, en ocasiones se hace impracticable estudiar las

caractersticas del experimento sin una referencia numrica de los resultados.
Por ejemplo, se puede medir en una determinada poblacin la caracterstica
"color del pelo". Los datos obtenidos pueden clasicarse en rubio, moreno,
castao, pelirojo y otros para el caso de coloracin articial.
Diremos que el experimento D = {color del pelo de los individuos de la
poblacin} tiene como espacio muestral H que son todos los posibles resul-
tados del experimento. Cada elemento de H se denomina suceso elemental.

Es decir, rubio, moreno, castao, pelirojo y otros son sucesos elementales del
experimento D.
El clculo simple de la mediana de los datos se convierte en una tarea
complicada. Por ello, mediante una funcin matemtica se transladan los datos
categricos a datos numricos. Esto nos conduce a las variables aleatorias.
Ms formalmente:
Denicin. Una variable aleatoria es una funcin X que a cada suceso
elemental e del espacio muestral E le asigna un nico valor real:
[:H$U
h${
49
ndice
Captulo 3. Variables aleatorias discretas
50
La variable as denida se denomina aleatoria porque se desconocen los

resultados del experimento, siendo estos aleatorios.
Propiedades:
1. La composicin de una funcin real con una variable aleatoria es una
nueva variable aleatoria.
[:H$U
h${
J:U$U
| $ J(|)
J([) = J [ : H $ U
h $ J([(h))
2. Si sobre los elementos del espacio muestral H existe una distribucin de

probabilidad, esta se transmite a los valores que toma la variable X.
Para valores discretos: S ([ = {) = S ({h 5 H @ [(h) = {})
Para valores en un intervalo: S ([ 5 (d> e)) = S ({h 5 H @ [(h) 5 (d> e)})

Las variables aleatorias pueden ser de tres tipos:
a. Discretas: son aquellas variables aleatorias que slo pueden tomar un nmero
nito o un nmero innito numerable de valores. Por ejemplo: [ : H $
{1> 2> 3> 4> 5> 6> 7}; [ : H $ N
b. Continuas: son aquellas variables aleatorias que pueden tomar un nmero

innito no numerable de valores. Por ejemplo: [ : H $ R
c. Mixtas: para un rango de valores toman un conjunto discreto de valores y
para otro rango de valores pueden tomar valores continuos.
3.2.
Funcin de Distribucin
Sea [ una variable aleatoria que representa un experimento D. Para denir

completamente a [, necesitamos conocer dos cosas:
a. Todos los sucesos elementales de H (que es el conjunto de posibles resultados
del experimento D).
ndice
3.2. FUNCIN DE DISTRIBUCIN
51
b. La probabilidad de cada uno de los sucesos.

La distribucin de probabilidad de [ es una funcin sobre el conjunto E,
que a cada elemento de H le asocia la probabilidad de dicho suceso elemental.
Mas formalmente:
Denicin. Sea [ una variable aleatoria denida sobre un espacio muestral H. La funcin de distribucin de [ es: I ({) = S ([ 5 (4> {])
Las propiedades de las funciones de distribucin son:
Propiedad 1. I (4) = 0; I (+4) = 1= Es decir, la probabilidad de obtener
un valor fuera de la recta real (I (4)) es la probabilidad mnima (0).
La probabilidad de obtener algn valor en toda la recta real (I (+4))
es la probabilidad mxima (1).
Propiedad 2. S ({1 ? [ {2 ) = I ({2 ) I ({1 ). Basta con considerar los
siguientes tres sucesos: sean D = {[ {2 }> E = {[ {1 } y F =
{{1 ? [ {2 }= El suceso D es igual a E ^ F siendo E y F dos conjuntos

disjuntos. Por ello, S (D) = S (E ^ F) = S (E) +S (F)= De aqui se deduce
que: S (F) = S (D) S (E)= Sustituyendo D, E y F por sus expresiones

tenemos entonces:
S ({1 ? [ {2 ) =
= S (D) S (E) =
= S ([ {2 ) S ([ {1 ) =
= I ({2 ) I ({1 )
De esta propiedad se deduce que S ([ A {) = 1 I ({)
Propiedad 3. La funcin de distribucin es montona no decreciente. Es decir, si {1 ? {2 entonces I ({1 ) I ({2 )=
Propiedad 4. La funcin de distribucin es continua por la derecha. Es decir,
lm |I ({ + %) I ({)| = 0
%<0
ndice
52
3.2.1.
Funcin de masa
En una variable aleatoria de tipo discreto, la funcin de masa es la probabilidad de cada elemento de H. Es decir: S ([ = {l ) = sl para todo {l 5 H=
Se verica que la suma de todas las probabilidades es igual a la unidad:
X
X
S ([ = {l ) =
sl = 1=
{l MH
{l MH
La funcin de distribucin de una variable aleatoria discreta es entonces:

X
S ([ = {l )=
I ({) = S ([ {) =
{l ${
Observacin. Debemos tener en cuenta que si d no es un valor admisible
para la variable aleatoria [ entonces S ([ = d) = 0
3.2.2.
Funcin de densidad
Para que una variable aleatoria sea continua debe existir la primera derivada de su funcin de distribucin y sta debe ser continua.
Debemos tener en cuenta, que la probabilidad de cada suceso elemental de
una variable aleatoria continua es cero: lm |I ({ + %) I ({)| = S ([ = {) = 0
%<0
En una variable aleatoria de tipo continuo, la funcin de densidad es la
probabilidad de cada conjunto de H. La expresin de la funcin de densidad

viene dada por la primera derivada de la funcin de distribucin. Esto se deduce
de:
Por el teorema del punto medio, sabemos que: I ({ + 4{) I ({) =
4{I 0 () donde { ? { + 4{
Por otro lado, I ({ + 4{) I ({) = S ([ 5 ({> { + 4{])

La masa media en el intervalo ({> {+4{] viene dada por:
I ({ + 4{) I ({)
4{
I ({ + 4{) I ({)
= I 0 ({) = i({)
4{
Se verica que la integral de todas las probabilidades es igual a la unidad:
R"
S (4 ? [ ? 4) = I (4) I (4) = 3" i ({)g{ = 1=
Finalmente: lm
4{<0
La funcin de distribucin de una variable aleatoria continua es entonces:

Rd
I (d) = S ([ d) = 3" i({)g{
ndice
3.3. MOMENTOS DE UNA VARIABLE ALEATORIA
3.3.
53
Momentos de una variable aleatoria
Los momentos de una variable aleatoria sirven a modo de caractersticas

para resumir, comparar con otras, etc. Del mismo modo, sirven tambin para
caracterizar diversas distribuciones de probabilidad estndar muy frecuentes
en la vida real.
Denicin. Se denomina momento de orden u 5 N a u donde:
; X
A
{ul sl
si [ es discreta
?
u
u = H ([ ) =
{l MH
A
= R " {u i({)g{ si [ es continua
3"
Denicin. Se denomina momento central de orden u 5 N a pu donde:

; X
A
({l H([))u sl
si [ es discreta
?
u
{l MH
pu = H [([ H([)) ] =
A
= R " ({ H([))u i ({)g{ si [ es continua
3"
3.3.1.
Esperanza
Es una media ponderada de los posibles valores que puede tomar una variable aleatoria segn la probabilidad de cada suceso. Se representa por o por
H([) y es una medida de localizacin de la variable aleatoria.
Caso discreto:
= H([) =
{l sl
{l MH
es decir, la suma de cada uno de los valores que puede tomar la variable
aleatoria [ multiplicado por su probabilidad.
Caso continuo:
= H([) =
R"
3"
{i ({)g{
es decir, la integral en el dominio de denicin de la variable aleatoria [

de su funcin de densidad multiplicado por {.
ndice
54
3.3.2.
Varianza
Es una media ponderada de la desviacin a la media de los posibles valores

que puede tomar una variable aleatoria segn la probabilidad de cada suceso.
Se representa por 2 o por Y du([) y es una medida de dispersin de la variable
aleatoria.
Caso discreto:
2 = Y du([) =
{l MH
({l )2 sl =
2
X
{l MH
{2l sl 2
Caso continuo:
2 = Y du([) =
3.3.3.
R"
3"
({ )2 i ({)g{
Desviacin Tpica
Es la raiz cuadrada positiva de la varianza. Se representa por y es una

medida de dispersin de la variable aleatoria.
Caso discreto:
=
sX
{l MH
({l )2 sl
Caso continuo:
=
qR
"
3"
({ )2 i ({)g{
ndice
3.4. DESIGUALDAD DE TCHEBYCHEFF
3.4.
55
Desigualdad de Tchebyche
Sea [ una variable aleatoria de media y desviacin tpica . Se puede

demostrar, que en general la mayor parte de la masa se encuentra en un intervalo centrado en la media de amplitud varias veces la desviacin tpica. La
desigualdad de Tchebyche arma que la probabilidad de obtener un valor que
1
se desvie de la media al menos N es a lo sumo 2 .
N
S (|[ | N)
1
N2
De la desigualdad de Tchebyche se deduce que:

S (|[ | ? N) A 1
1
N2
Este resultado justica que la media es una medida de centralizacin y la

desviacin estndar es una medida de dispersin.
3.5.
Distribuciones notables
Dentro de las variables aleatorias de tipo discreto, detallaremos a continuacin las caractersticas de cuatro tipo de distribuciones frecuentes en experimentos de la vida real.
3.5.1.
Bernoulli
El experimento consiste en observar si cierto suceso ocurre o no. Por ejemplo, podemos estar interesados en vericar si se produce falta de suministro
elctrico en una ciudad o no durante los meses de verano. Para ello, hemos de
conocer:
La probabilidad de xito s (Se produce falta de suministro elctrico).
La probabilidad de fracaso t = (1s) (No se produce falta de suministro
elctrico).
ndice
56
Se dene este experimento mediante una variable aleatoria [ que toma los
siguientes valores:
[ = 1 si el suceso ocurre (se produce xito).
[ = 0 en caso contrario.
Se representa por [ Ehu(s) con [ =
1 con probabilidad s
0 con probabilidad t = 1 s
Entre las caractersticas de una variable aleatoria de Bernoulli de parmetro
s, destacamos:
1. La funcin de masa de una variable aleatoria de Bernoulli es:
S ([ = 1) = s
S ([ = 0) = t
2. La funcin de distribucin de una variable aleatoria de Bernoulli es:
;
A
A
? 0 si { ? 0
I ({) =
t si 0 { ? 1
A
A
= 1 en otro caso
3. La esperanza de una variable aleatoria de Bernoulli es:

H([) = 0 S ([ = 0) + 1 S ([ = 1) =
=0t+1s=s
4. La varianza de una variable aleatoria de Bernoulli es:
Y du([) =
2
X
{l MH
{2l sl 2 =
= 02 S ([ = 0) + 12 S ([ = 1) s2 =
= 02 t + 12 s s2 =
= s s2 = s(1 s) = st
ndice
3.5. DISTRIBUCIONES NOTABLES
3.5.2.
57
Binomial
El experimento consiste en observar si cierto suceso ocurre o no en q repeticiones del mismo experimento. Por ejemplo, podemos estar interesados en vericar cuntas bombillas son defectuosas en cada caja de 50 en una cadena de
produccin. Para ello, hemos de conocer:
La probabilidad de xito s en cada repeticin del experimento (Se
produce una bombilla defectuosa).
La probabilidad de fracaso t = (1 s) en cada repeticin del experimento (No se produce una bombilla defectuosa).
Se dene este experimento mediante una variable aleatoria [ ={nmero de

xitos obtenidos en las n pruebas}. Se dice entonces que X sigue una binomial
de parmetros q y s.
Se representa por [ Elq(q> s).
Entre las caractersticas de una variable aleatoria Binomial de parmetros
q y s, destacamos:
1. La funcin de masa de una variable aleatoria Binomial es:
!
q
S ([ = {) =
s{ (1 s)q3{ donde { = 1> ===> q
{
La explicacin es la siguiente:
Supongamos el experimento es contar cuntas bombillas defectuosas hay
en una caja de 50 bombillas. Denimos entonces una variable aleatoria [ =
nmero de bombillas defectuosas en la caja de 50.
[ puede tomar valores en: {0> 1> 2> ===> 50} (Si [ = 0 no hay bombillas
defectuosas, si [ = 1 hay una bombilla defectuosa, etc.)
La probabilidad de que haya 7 bombillas defectuosas es: s7 multiplicado

por la probabilidad de que las 43 restantes sean no defectuosas (1 s)47 =
Ahora bien, podemos encontrar las siete bombillas defectuosas a la primera:
las bombillas 1> 2> ===> 7 son defectuosas, o no. Por ejemplo, seran vlidos los
experimentos:
ndice
58
Las bombillas 1, 3, 6, 20, 25, 31 y 37 son defectuosas.

Las bombillas 5, 12, 18, 22, 41, 42 y 43 son defectuosas.
etc.
Para considerar todos los posibles experimentos en los que una a una,
vamos vericando si estn
o no las cincuenta bombillas, aadimos
defectuosas
!
q
q!
el nmero combinatorio
=
(q

{)!{!
{
2. La esperanza de una variable aleatoria Binomial es:
H([) = qs
3. La varianza de una variable aleatoria Binomial es:
Y du([) = qs(1 s)
ndice
59
4. Cuando s = 0>5 la distribucin binomial es simtrica:
Binomial(10, 0.5)
25
Porcentaje
20
15
10
0
1,00
2,00
3,00
4,00
5,00
6,00
7,00
8,00
9,00
5. Cuando s A 0>5 la distribucin Binomial es asimetrica negativa.
Binomial(10, 0.7)
30
25
Porcentaje
20
15
10
ndice
0
2,00
3,00
4,00
5,00
6,00
7,00
8,00
9,00
10,00
60
6. Cuando s ? 0>5 la distribucin Binomial es asimetrica positiva.
Binomial(10, 0.3)
30
25
Porcentaje
20
15
10
0
,00
3.5.3.
1,00
2,00
3,00
4,00
5,00
6,00
7,00
8,00
Geometrica
El experimento consiste en observar cundo sucede el primer xito al realizar n repeticiones independientes del mismo experimento. Por ejemplo,
podemos estar interesados en saber cundo se produce el primer atasco de papel en una fotocopiadora cuando se envan 100 documentos a imprimir. Para
describir el experimento, debemos conocer:
produce atasco de papel al enviar el documento a imprimir).
La probabilidad de fracaso t = (1 s) en cada repeticin del ex-
perimento (No se produce atasco de papel al enviar el documento a

imprimir).
Se dene este experimento mediante una variable aleatoria [ ={instnte

(repeticin del experimento) en el cual se produce el primer xito}. Se dice
entonces que X sigue una distribucin geomtrica de parmetro s.
Se representa por [ Jhr(s).
ndice
61
Entre las caractersticas de una variable aleatoria Geomtrica de parmetro

s, destacamos:
1. La funcin de masa de una variable aleatoria Geomtrica es:
S ([ = n) = s (1 s)n31 donde n = 1> 2> ====
La explicacin es la siguiente:
Si el primer xito se produce en el instante n (con probabilidad s), deben
producirse anteriormente n 1 fracasos (con probabilidad (1 s)n31 )=
2. La esperanza de una variable aleatoria Geomtrica es:
H([) =
1
s
3. La varianza de una variable aleatoria Geomtrica es:

Y du([) =
3.5.4.
1
s2
Poisson
El experimento consiste en observar si cierto suceso ocurre o no en q repeticiones del mismo experimento cuando el nemro de repeticiones es muy alto.
Es semejante a una distribucin Binomial cuando el nmero de repeticiones es
muy alto. Por ejemplo, podemos estar interesados en vericar cuntas bombillas son defectuosas en cada caja de 500 en una cadena de produccin. Para
ello, hemos de conocer:
produce una bombilla defectuosa).
La probabilidad de fracaso t = (1 s) en cada repeticin del experimento (No se produce una bombilla defectuosa).
Se dene este experimento mediante una variable aleatoria [ ={nmero

de xitos obtenidos en las n pruebas}. Se dice entonces que X sigue una distribucin de Poisson de parmetro donde = qs.
ndice
62
Se representa por [ S rlvv().
Entre las caractersticas de una variable aleatoria Poisson de parmetro ,

destacamos:
1. La funcin de masa de una variable aleatoria Poisson es:
!
q
S ([ = {) =
s{ (1 s)q3{ donde q $ 4
{
!
q
{
Entonces: S ([ = {) = lm
s{ (1 s)q3{ = h3
para { = 0> 1> ===
q<"
{!
{
Entre las caractersticas de una variable aleatoria Poisson de parmetro ,
destacamos:
2. La esperanza de una variable aleatoria de Poisson es:
H([) =
3. La varianza de una variable aleatoria de Poisson es:
Y du([) =
Observacin. Se dice que la aproximacin de una variable aleatoria binomial por una distribucin de Poisson es buena cuando: q 20 y qs 0>05
Observacin. Se dice que la aproximacin de una variable aleatoria bi-
nomial por una distribucin de Poisson es muy buena cuando: q 100 y

qs 0>1
ndice
Captulo 4
Variables aleatorias continuas
4.1.
Introduccin
Como ya mencionamos antes, las variables continuas son aquellas variables

aleatorias que pueden tomar un nmero innito no numerable de valores. Por
ejemplo: [ : H $ R. En numerosos experimentos los resultados pueden ser
valores en un conjunto continuo. Supongamos que estamos midiendo los tiem-
pos de duracin de las tareas en una fbrica, dichos valores estaran en el

intervalo (0> 4]. Ahora bien, al estar hablando de un conjunto de valores in-
nito las sumas del caso discreto se convierten en integrales. Por otro lado ya
no tiene sentido calcular las probabilidades en un punto, dichas probabilidades
son 0 para que la suma innita no numerable de las probabilidades de todos los
valores de la variable no sea innita, de tal manera que para el caso continuo
lo que se hace es calcular las probabilidades en intervalos.
Al igual que en el caso discreto para calcular la distribucin de probabilidad de una variable continua tenemos que especicar los posibles valores que
toma la variable, es decir su soporte, que estarn en la recta real y sus probabilidades. Se trata de proporcionar la manera en que se encuentra distribuido
el 100 % de la probabilidad entre los diferentes intervalos de valores que puede
tomar la variable. La herramienta que necesitaremos para calcular estas probabilidades es lo que introduciremos con el nombre de funcin de densidad, que
puede interpretarse como un modelo de la curva lmite que obtendramos en
63
ndice
Captulo 4. Variables aleatorias continuas
64
el histograma de una poblacin disminuyendo indenidamente las anchuras de

cada clase. Es decir, cuando de una variable continua se van tomando ms y
ms datos, el polgono de frecuencias relativas presentar un comportamiento
cada vez ms suavizado que nos indicar la presencia de una curva continua
que gobierna la obtencin de los datos.
4.2.
Funcin de Densidad
La funcin de densidad de cualquier variable continua [, que denotaremos

por i[ , se dene como una funcin i : R $ R> integrable no negativa sobre
la recta real, que verica las dos siguientes propiedades:
1. Es una funcin no negativa, es decir, i[ ({) 0 para cualquier { 5 R

2.
+"
i[ ({)g{ = 1=
3"
La funcin de densidad de una variable continua [ permite calcular

cualquier probabilidad acerca de dicha variable mediante integracin:
Z
i[ ({)g{=
S ([ 5 D) =
D
En particular, para d ? e, se tiene que

S [d [ e] =
i[ ({)g{
la interpretacin geomtrica es que esta probabilidad sera el rea rayada

comprendida entre la curva i[ ({), el eje R[ y las rectas { = d y { = e
ndice
f(x)
X=a
X=b
65
Para las variables continuas, la probabilidad de cualquier punto es cero,

ya que
S [[ = d] = S [d [ d] =
i[ ({)g{ = 0=
Por consiguiente, la probabilidad de un intervalo ser la misma si es abierto que si es cerrado por cualquiera de sus extremos, pues los extremos
son puntos y por tanto tienen probabilidad nula:
S [d [ e] = S [d [ ? e] = S [d ? [ e] = S [d ? [ ? e]
Las probabilidades calculadas a partir de una funcin de densidad de la
forma que acabamos de describir verican los axiomas de Kolmogorov:
1. La probabilidad de cualquier suceso es no negativa:
Z
S ([ 5 D) =
i[ ({)g{ 0=
D
2. La probabilidad del suceso seguro es 1:

S ([ 5 R) = S (4 ? [ ? 4) =
"
i[ ({)g{ = 1
3"
3. Si D1 y D2 son disjuntos, entonces

Z
S [[ 5 (D1 ^ D2 )] =
i[ ({)g{
Z
ZD1 D2
i[ ({)g{ +
=
D1
i[ ({)g{
D2
= S ([ 5 D1 ) + S ([ 5 D2 ) =
4.3.
Funcin de Distribucin
Otra forma de conocer o indicar la distribucin de probabilidad de una

variable aleatoria es mediante la funcin de distribucin que se trata de una
ndice
66
funcin que reeja la probabilidad en cada punto de una manera acumulada,

I ([) es la probabilidad de que [ sea menor o igual que {> es decir
I ({) = S ([ {) =
Z{
i({)g{
3"
que nos indica la probabilidad con la que la variable aleatoria [ tomar

valores no superiores a {. Representa el rea comprendida entre la funcin de
densidad i ({) y el eje de las { desde -4 hasta {.
La funcin de distribucin de cualquier variable aleatoria continua [ verica las siguientes propiedades:
1. Es una funcin montona no decreciente, es decir,
{1 ? {2 =, I[ ({1 ) I[ ({2 )=
2. Es una funcin continua, esto es,
lm I[ ({) = I[ (d)=
{<d
3. I[ ({) tiende a 0 cuando { tiende a 4 y a 1 cuando { tiende a 4:

I[ (4) =
I[ (4) =
lm I[ ({) = 0>
{<3"
lm I[ ({) = 1=
{<"
Obsrvese que, para una variable aleatoria continua, [,

S [d ? [ e] = S [d [ e] = S [d ? [ ? e] = S [d [ e] = I[ (e)I[ (d)
la funcin de densidad i({) y la funcin de distribucin I ({) vienen relacionadas por el teorema fundamental del Clculo de la siguiente manera:
gI ({)
= i ({)
g{
si existe la derivada
Ejemplo.
Sea [ una variable aleatoria con funcin de densidad
(
n (1 {2 ) vl 1 ? { 1
i({) =
0
En otro caso
ndice
67
a) Hallar el valor de n
b) Halla la funcin de distribucin de [
c) Calcula S (0>5 [ 1)
Solucin.
a) Utilizamos las propiedades de la funcin de densidad
31
Z"
Z1
1
{3
1
2
=
i ({)g{ = n 1 { g{ = n {
= n 1 +1
1=
3 1
3
3
3"
31
4
3
n , n = la funcin de densidad de X viene representada en la siguiente
3
4
gura:
b) Funcin de distribucin
0.8
0.6
0.4
0.2
0.0
0.0
0.2
0.4
f(x)
F(x)
0.6
0.8
1.0
1.0
a) Funcin de densidad
-2
-1
-2
b) sabemos que I ({) = S ([ {) =
-1
Z{
3"
i ({)g{. Entonces
si { 5 (4> 1] I ({) = 0

Z{
Z{
Z{
3
1 {2 g{ =
i ({)g{ = 0 + i({)g{ =
si { 5 (1> 1] I ({) =
4
3"
31
31
3
{3 2
{3 3{ 1
+
+
{
= +
4
3
3
4
4
2
si { 5 (1> 4] I ({) = 1
ndice
68
Esta funcin tambin se puede observar

;
A
A
? 0
3
I ({) =
{4 + 3{
+ 12
4
A
A
= 1
en la gura b). Por tanto

si { 1
si 1 ? { 1
si { A 1
c) S (0>5 [ 1) = I (1) I (0>5) = 1
4.4.
3 (31)
2 2
1 3
2
1
4
1
2
27
32
Momentos moda y percentiles de una variable aleatoria
Los momentos de una variable aleatoria sirven a modo de caractersticas

para resumir, comparar con otras, etc. Del mismo modo, sirven tambin para
caracterizar diversas distribuciones de probabilidad estndar muy frecuentes
en la vida real.
Denicin. Se denomina momento de orden u 5 N a u donde:
u = H ([ u ) =
nR
"
{u i({)g{ si [ es continua
nR
"
({ H([))u i({)g{ si [ es continua
3"
Denicin. Se denomina momento central de orden u 5 N a pu donde:

pu = H [([ H([))u ] =
4.4.1.
3"
Esperanza
Es una media ponderada de los posibles valores que puede tomar una variable aleatoria segn la probabilidad de cada suceso. Se representa por o por
H([) y es una medida de localizacin de la variable aleatoria.
= H([) =
R"
3"
{i({)g{
es decir, la integral en el dominio de denicin de la variable aleatoria [

de su funcin de densidad multiplicado por {.
ndice
4.4. MOMENTOS MODA Y PERCENTILES DE UNA VARIABLE

ALEATORIA
4.4.2.
69
Varianza
Es una media ponderada de la desviacin a la media de los posibles valores

que puede tomar una variable aleatoria segn la probabilidad de cada suceso.
Se representa por 2 o por Y du([) y es una medida de dispersin de la variable
aleatoria.
2 = Y du([) =
4.4.3.
R"
3"
({ )2 i({)g{
Desviacin Tpica
Es la raiz cuadrada positiva de la varianza. Se representa por y es una

medida de dispersin de la variable aleatoria.
=
4.4.4.
qR
"
3"
({ )2 i ({)g{
Moda, mediana y percentiles
La moda de una distribucin de probabilidad es el valor de la distribucin

que tiene mxima probabilidad. La moda es el valor de { en el que la funcin de densidad i({) alcanza su mximo. Pueden existir distintos valores de
la variable que hagan mxima la funcin, pudiendo haber distribuciones que
tengan varias modas.
La mediana de una distribucin como ya dijimos antes es un valor p tal que
S ([ p) 1@2 y S ([ p) 1@2. Por tanto p debe cumplir lo siguiente:
Zp
i ({)g{ =
3"
Z"
i ({)g{ =
ndice
1
2
El percentil o cuantil l de una distribucin con l = 1> 2> ===> 99, es un valor
{l que verica S ([ {l )
l satisface
l
.
100
Z{l
3"
S ([ {l ) 1
i ({)g{ =
l
100
l
.
100
Por tanto el percentil
70
4.5.
Distribuciones notables
Dentro de las variables aleatorias de tipo continuo, detallaremos a continuacin las de distribuciones frecuentes en experimentos de la vida real.
4.5.1.
Uniforme
Esta distribucin es la ms sencilla, modeliza de algn modo la incertidumbre ms completa sobre una variable aleatoria continua. Tiene especial importancia en el mbito computacional, pues es a partir de ella que se pueden
realizar simulaciones de cualquier otra variable aleatoria. La propiedad que
caracteriza a esta distribucin es que la probabilidad de que la variable [
tome valores en cualquier subintervalo de longitud ja dentro del intervalo
(d> e) es siempre la misma.
Una variable aleatoria tiene distribucin uniforme en (d> e) con d y e nmeros
reales cualesquiera tales que d ? e, y se representa X(d> e) si su funcin de densidad es :
i({) =
;
A
A
A
?
1
si d ? { ? e>
ed
A
A
A
= 0
en el resto=
A continuacin en la siguiente gura mostramos un ejemplo grco de esta

funcin de densidad para el caso particular en que d = 1 y e = 1.
ndice
71
0.0
0.2
0.4
f(t)
0.6
0.8
1.0
Funcion de densidad U(0,1)
-0.2
0.0
0.2
0.4
0.6
0.8
1.0
1.2
Ejemplo: El ngulo D que forma una aguja de una esfera con el eje
vertical (D 5 [0> 2]) tiene una distribucin D X [0> 2] = Por tanto, su
funcin de densidad es
; 1
A
A
? 2
iD ({) =
A
A
=
0
si 0 ? { ? 2
en el resto
La probabilidad de que dicho ngulo tome un valor que est en el segundo

cuadrante es:
h
i Z 1
1
> =
g{ = =
S D5
2
2
4
@2
La funcin de distribucin de una variable X(d> e) es

;
A
0
{ d>
A
A
A
A
A
A
A
? {d
d ? { ? e>
I ({) =
A
ed
A
A
A
A
A
A
A
= 1
{ e=
ndice
72
A continuacin en la siguiente gura mostramos un ejemplo grco de esta

funcin de distribucin para el caso particular en que d = 1 y e = 1.
0.0
0.2
0.4
F(t)
0.6
0.8
1.0
Funcion de distribucion U(0,1)
-0.2
0.0
0.2
0.4
0.6
0.8
1.0
1.2
Ejemplo: Para la variable aleatoria D = angulo entre la aguja y el eje

vertical en la rueda, la funcin de distribucin es
;
A
0
A
A
A
A
A
A
? {
ID ({) =
2
A
A
A
A
A
A
A
=
1
{ 0>
0 ? { ? 2>
{ 2=
La esperanza de una variable [ X(d> e) es

H([) =
1
1 e2 d2
d+e
: g{ =
=
>
ed
ed 2
2
es decir, el punto medio del intervalo (d> e).
ndice
73
Adems,

H [2 =
y por lo tanto
{2
1
1 e3 d3
1 2
: g{ =
=
e + de + d2 =
ed
ed 3
3
1 2
e + de + d2
Y ([) =
3
d+e
2
e2 2de + d2
(e d)2
=
=
12
12
Ejemplo: Para la variable aleatoria D = "ngulo entre la aguja y el eje

vertical"en la rueda, se tiene que
0 + 2
= >
2
2
(2 0)2
= =
Y (D) =
12
3
H (D) =
4.5.2.
Normal
La distribucin normal o Gaussiana ocupa un lugar central en Estadstica. La distribucin gaussiana, recibe tambin el nombre de distribucin
normal, ya que una gran mayora de las v.a continuas de la naturaleza siguen
esta distribucin.
Se trata de una de las distribuciones tericas mejor estudiadas en los textos
y ms utilizada en la prctica. Su importancia se debe fundamentalmente a
la frecuencia con la que distintas variables asociadas a fenmenos naturales y
cotidianos siguen, aproximadamente, esta distribucin. Caracteres morfolgicos (como la talla o el peso), o psicolgicos (como el cociente intelectual) son
ejemplos de variables de las que frecuentemente se asume que siguen una distribucin normal.
El uso extendido de la distribucin normal en las aplicaciones estadsticas puede explicarse, adems, por otras razones. Muchos de los procedimientos estadsticos habitualmente utilizados asumen la normalidad de los datos
observados. Aunque muchas de estas tcnicas no son demasiado sensibles a
desviaciones de la normal y, en general, esta hiptesis puede obviarse cuando
se dispone de un nmero suciente de datos, resulta recomendable contrastar
ndice
74
siempre si se puede asumir o no una distribucin normal. La simple exploracin visual de los datos puede sugerir la forma de su distribucin. No obstante, existen otras medidas, grcos de normalidad y contrastes de hiptesis
que pueden ayudarnos a decidir, de un modo ms riguroso, si la muestra de
la que se dispone procede o no de una distribucin normal. Cuando los datos
no sean normales, podremos o bien transformarlos o emplear otros mtodos
estadsticos que no exijan este tipo de restricciones (los llamados mtodos no
paramtricos).
A continuacin se describir la distribucin normal, su ecuacin matemtica
y sus propiedades ms relevantes, proporcionando algn ejemplo sobre sus
aplicaciones a la inferencia estadstica.
La distribucin normal fue reconocida por primera vez por el francs Abraham de Moivre (1667-1754). Posteriormente, Carl Friedrich Gauss (1777-1855)
elabor desarrollos ms profundos y formul la ecuacin de la curva; de ah
que tambin se la conozca, ms comnmente, como la ampana de Gauss". Su
origen est en el descubrimiento de regularidades en los errores de medicin
que realiz. La distribucin de una variable normal est completamente determinada por dos parmetros, su media y su desviacin estndar, denotadas
generalmente por y 2 A 0. Se dice que una variable aleatoria [ sigue una
distribucin normal de parmetros y 2 ( [ Q (> 2 )), si su funcin de
densidad es
!
({ )2
1
exp
i[ ({) = s
2 2
2
para todo { 5 (4> 4)
ndice
75
0.00
0.02
0.04
f(t)
0.06
0.08
0.10
Funcion de densidad de N(-6,4)
-20
-15
-10
-5
Se comprueba fcilmente que

1.
i[ ({) A 0>
2.
"
i[ ({)g{ = 1=
3"
Adems,
!
Z "
1
({ )2
g{ = >
{i[ ({) : g{ = s
{ exp
H ([) =
ndice
2 2
2 3"
3"
!
Z "
Z "
1
({ )2
2
g{ = 2 >
Y ([) =
({ ) i[ ({) : g{ = s
({ )2 exp
2 2
2 3"
3"
Z
"
es decir, el parmetro es la media de la distribucin normal, y el

parmetro 2 es su varianza.
76
Propiedades de la distribucin normal:

La distribucin normal posee ciertas propiedades importantes que conviene
destacar:
Tiene una nica moda, que coincide con su media y su mediana.
La curva normal es asinttica al eje de abscisas. Por ello, cualquier valor
entre -4 y 4 es tericamente posible. El rea total bajo la curva es, por
tanto, igual a 1.
Es simtrica con respecto a su media . Segn esto, para este tipo de

variables existe una probabilidad de un 50 % de observar un dato mayor
que la media, y un 50 % de observar un dato menor.
La distancia entre la lnea trazada en la media y el punto de inexin
de la curva es igual a una desviacin tpica . Cuanto mayor sea , ms
aplanada ser la curva de la densidad.
El rea bajo la curva comprendido entre los valores situados aproximadamente a dos desviaciones estndar de la media es igual a 0.95. En concreto, existe un 95 % de posibilidades de observar un valor comprendido
en el intervalo ( 1>96> + 1>96).
La forma de la campana de Gauss depende de los parmetros y . La
media indica la posicin de la campana, de modo que para diferentes
valores de la grca es desplazada a lo largo del eje horizontal. Por otra
parte, la desviacin estndar determina el grado de apuntamiento de la
curva. Cuanto mayor sea el valor de , ms se dispersarn los datos en
torno a la media y la curva ser ms plana. Un valor pequeo de este
parmetro indica, por tanto, una gran probabilidad de obtener datos
cercanos al valor medio de la distribucin.
ndice
77
Si consideramos el caso particular en el que = 0 y 2 = 1 la distribucin

se llama normal estndar, o normal tipicada, que habitualmente se denota
por ], es la distribucin Q(0> 1). Su funcin de densidad es por lo tanto
1
2
i] ({) = s h3{ @2 =
2
0.1
0.2
ndice
0.0
f(t)
0.3
0.4
Funcion de densidad de N(0,1)
-4
-2
0
t
78
Esta distribucin es simtrica con respecto a 0, es decir, verica,

i] ({) = i] ({)
para todo {, lo cual implica que
S (] 5 D) = S (] 5 D)=
Por ejemplo,
S (] d) = S (] d)>
S (] A d) = S (] ? d)>
S (d ? ] ? e) = S (e ? ] ? d)
hwf=
La funcin de distribucin de la normal estndar, que suele denotarse
por x, es
Z
1
x (}) = S (] }) =
i] (w)gw = s
2
3"
w2
h3 2 gw=
3"
Fi(t)
0.6
0.8
1.0
Funcion de distribucion de N(0,1)
0.0
0.2
0.4
ndice
-4
-2
0
t
79
Al calcular Z, lo que estamos haciendo, en realidad, es un cambio de variable

por el cual movemos la campana de Gauss centrndola en el 0 del eje X, y
modicamos el ancho para que la desviacin standard sea 1:
La integral que aparece en esta frmula no tiene una expresin explcita,

pero x est tabulada, lo cual permite calcular cualquier probabilidad
relacionada con la distribucin normal tipicada.
La tabla con la que trabajaremos incluye x (}) para } 0:
Para obtener, por ejemplo, x (1>16) vamos a la la 1.1, columna
0.06 y se obtenemos que x (1>16) = 0>8770=
Para obtener x (3>045) > observamos que x (3>04) = 0>9988 y x (3>05) =

0>9989 e, interpolando, tomamos x (3>045) 0>99885=
Para obtener x (4>5) > observamos que x (4) = 0>99997> x (5) =

0>9999997, por lo que x (4>5) 0>9999998=
Para obtener el valor de x correspondiente a un nmero negativo

se usa la simetra de la normal estndar, que implica que
x (}) = S (] }) = S (] }) = 1 S (] }) = 1 x (}) =
ndice
80
Por ejemplo,
x (1>28) = 1 x (1>28) = 1 0>8997 = 0>1003=
Como adems
S (d ? ] e) = x (e) x (d) >
con la tabla se puede calcular cualquier probabilidad sobre la distribucin
normal estndar.
De esta manera tenemos tabulada una funcin de Gauss que no depende
de cual sea el promedio y la desviacin standard de nuestra poblacin real.
El cambio de variable hace que se conserve la forma de la funcin y que sirva
para cualquier poblacin, siempre y cuando esa poblacin tenga una distribucin normal. Cuando queremos calcular las probabilidades para una poblacin
real, calculamos Z y entramos en la tabla de la funcin normal standard:
ndice
Ejemplo:
S (} 5 [0>87> 1>28]) = x (1>28) x (0>87) = 0>8997 0>8078 = 0>0919
S (} 5 [0>34> 0>62]) = x (0>62) x (0>34) = 0>7324 (1 0>631) = 0>3655
S (] 0>85) = 1 x (0>85) = 1 0>8023 = 0>1977
S (] 0>65) = 1 x (0>65) = 1 (1 x (0>65)) = 0>7422=
81
Una bsqueda inversa permite hallar los percentiles de la normal estndar. Usualmente se designa mediante } al valor tal que
S (] } ) = >
o lo que es lo mismo,
x (} ) = 1 =
Para buscar } se mira en la tabla la entrada (1 ) y con su la y su
columna se determina } = Para valores intermedios se interpola.
Ejemplo: Calcular }0>1 > }0>05 > }0>01 y }0>9 .

Solucin: }0>1 = 1>28> }0>05 = 1>645> }0>01 = 2>33> }0>9 = 1>28=
Para calcular probabilidades de distribuciones gaussianas diferentes de
la normal estndar se usa lo que se conoce con el nombre de Tipicar.
Es decir, como lo que est tabulado es la distribucin normal estndar lo
que se hace es transformar la normal con cualquier media y desviacin
estndar a una normal = 0 y 2 = 1.. Si [ Q (> 2 ) > entonces,
]=
[
Q (0> 1) >

y por tanto
d
[
e

e
d
]
= S

d
e
x
=
= x

S (d [ e) = S
Ejemplo: La cantidad de radiacin que recibe una persona cerca de

una ordenador sigue una distribucin normal con media = 4>35 mrem
y = 0>59 mrem.
1. Hallar la probabilidad de que la radiacin est entre 4.00 y 5.00
mrem.
2. Calcular la probabilidad de que la radiacin sea mayor que 5.50
mrem.
ndice
82
Solucin:
1.
S (4 [ 5) = S
[ 4>35
5 4>35
4 4>35

0>59
0>59
0>59
= S (0>59 ] 1>10)
= x (1>10) x (0>59)
= 0>8643 (1 0>7224)
= 0>5867=
S ([ 5>5) = S
5>5 4>35
[ 4>35

0>59
0>59
= S (] 1>95)
= 1 x (1>95)
= 1 0>9744
= 0>0256=
Ejercicio: La capacidad de un disco de 4Mb es una variable aleatoria
normal con desviacin tpica = 0>04 Mb. Si se quiere que como mucho
el 2 % de los discos tenga menos de 4 Mb, cul debera ser la capacidad
media de los mismos? (Sol: 4>082.).
4.5.3.
Exponencial
La distribucin exponencial es el equivalente continuo de la distribucin

geomtrica discreta. Esta ley de distribucin describe procesos en los que:
Nos interesa saber el tiempo hasta que ocurre determinado evento, sabiendo
que, el tiempo que pueda ocurrir desde cualquier instante dado t, hasta que
ello ocurra en un instante tf, no depende del tiempo transcurrido anteriormente
en el que no ha pasado nada. Ejemplos de este tipo de distribuciones son: El
ndice
83
tiempo que tarda una partcula radiactiva en desintegrarse. El conocimiento de

la ley que sigue este evento se utiliza en Ciencia para, por ejemplo, la datacin
de fsiles o cualquier materia orgnica mediante la tcnica del carbono 14, C14;
El tiempo que puede transcurrir en un servicio de urgencias, para la llegada
de un paciente;
En un proceso de Poisson donde se repite sucesivamente un experimento
a intervalos de tiempo iguales, el tiempo que transcurre entre la ocurrencia
de dos sucesos consecutivos sigue un modelo probabilstico exponencial. Por
ejemplo, el tiempo que transcurre entre que sufrimos dos veces una herida
importante. Se usa tambin en modelos de abilidad de sistemas.
Sea A 0 un nmero real positivo. Se dice que una variable aleatoria [
sigue una distribucin exponencial de parmetro ([ H{s ()) , si su
i[ ({) =
h3{
para { A 0>
para { 0=
0.4
0.2
f(x)
0.6
0.8
funcin de densidad de una exponencial
0.0
ndice
0
10
Ejemplo: El tiempo (en minutos) que transcurre entre la llegada de

un trabajo a un servidor y la siguiente se distribuye segn una variable
exponencial con parmetro = 1@6.
84
1. Cul es la probabilidad de que pasen ms de 10 minutos entre la

llegada de dos trabajos consecutivos?
2. Acaba llegar un trabajo al servidor en este instante, cul es la
probabilidad de que llegue otro en menos de 4 minutos?
Solucin: Sea [ el tiempo (medido en minutos) trancurrido entre dos
llegadas consecutivas.
Puesto que [ H{s ( = 1@6),
R +"
{
{ +"
10
1. S ([ A 10) = 10 16 h3 6 g{ = h3 6 10 = h3 6 = 0>1889.
R4
{
{ 4
4
2. S ([ ? 4) = 0 61 h3 6 g{ = h3 6 0 = 1 h3 6 = 0>4866.
La funcin de distribucin de una variable aleatoria [ H{s() es

(
Z {
0
si { 0>
I ({) = S ([ {) =
i[ (v)gv =
3{
si { A 0=
1h
3"
Ejemplo: La funcin de distribucin del tiempo en minutos que pasa entre
la llegada de un trabajo y la del siguiente en el servidor del ejemplo anterior
es
I[ ({) =
0
{
3 16
1h
si { 0>
si { A 0=
Esta funcin nos permite calcular de forma ms sencilla las probabilidades requeridas:
10
1. S ([ A 10) = 1 I[ (10) = h3 6 = 0>1889.

4
2. S ([ ? 4) = I[ (4) = 1 h3 6 = 0>4866.
Ejercicio. Demuestra que la funcin de densidad de la distribucin exponencial es efectivamente una funcin de densidad.
Se comprueba fcilmente que los momentos de la exponencial son
1

1
Y [[] = 2

H [[] =
ndice
sabemos que
H [[] =
85
Z"
{h3{
si integramos por partes

x = {
gy = h3{
obtenemos
"
H [[] = {h3{ 0 +
=
1
h3{
"
Z"
h3{ g{
1

Para obtener la varianza, calculamos primero H [[ ] =

2
Z"
{2 h3{ que
integrando por partes

x = {2
gy = h3{
obtenemos
"
H [ 2 = {2 h3{ 0 +
Z"
2{h3{ g{
2
2
H [[] = 2
=

2
2
1
1

= 2

2

Ejemplo: Para el ejemplo anterior del tiempo entre llegadas de trabajos
por tanto Y [[] = H [[ 2 ] (H [[])2 =
a un servidor, el tiempo medio entre llegadas es

H([) =
1
= 6 minutos
1@6
ndice
86
y la varianza del tiempo entre llegadas es

Y ([) =
1
= 36 minutos2 ;
1@62
por tanto [ = 6 minutos=

Ejercicio: El tiempo en minutos que transcurre entre dos llamadas
consecutivas a una central sigue una distribucin exponencial con media
5.
1. Hallar la varianza de dicha variable.(Sol: 25.)
2. Hallar la probabilidad de que el tiempo que trancurre entre dos
llamadas est entre 2 y 5 minutos. (Sol: 0>302.)
Propiedad de la falta de Memoria
Observemos que, si W H{s(), la probabilidad de que W sea mayor que
w es
S (W A {) = 1 IW ({) =
1
3{
si { 0>
si { A 0=
Supongamos que el nmero de ocurrencias de un suceso sigue un proceso

de Poisson, y que el nmero esperado de ocurrencias por unidad de tiempo es
. Vamos a demostrar que, en ese caso, los tiempos entre llegadas siguen una
distribucin exponencial.
Puesto que el nmero de ocurrencias dl suceso sigue un proceso de Poisson, la distribucin del nmero de ocurrencias en el intervalo [0> w], que
podemos denotar por Qw , es S r(w). Si W designa al tiempo entre llegadas
resulta que
ndice
(w)0
S (W A w) = S ( nmero de llegadas en [0> w] = 0) = S (Qw = 0) = h3w
= h3
0!
IW (w) = S (W w) = 1 h3w >
lo cual indica que W H{s () =
Ejemplo: El nmero de intentos de entradas ilegales recibidas por un
servidor sigue una distribucin de Poisson con una media de 6 intentos
87
diarios. Cul es la probabilidad de que el tiempo entre dos intentos

consecutivos sea de al menos 6 horas? Y la de que sea de menos de 18
horas?
Solucin: Sea Qw entradas ilegales recibidas en w das
Se tiene que Qw S r (6w). Por tanto, la variable Pk =el nmero de in-
tentos de entradas ilegales recibidas en k horas y verica Pk S r(k@4).

Esto implica que la variable aleatoria G=tiempo en das transcurrido en-
tre dos intentos de entradas ilegales consecutivos sigue una distribucin

H{s(6), y la variable K =tiempo en horas transcurrido entre dos intentos
de entradas ilegales consecutivos sigue una distribucin H{s(1@4). Por
consiguiente,
6
S (K 6) = h3 4 = h3 2 = 0>223=
18
S (K ? 18) = 1 h3 4 = 1 h3 2 = 0>989=
Ejercicio: La duracin de cierto tipo de bombillas sigue una distribucin
exponencial con una media de 8 meses.
Hallar la probabilidad de que una bombilla de este tipo dure ms

de 15 meses. (Sol: 0>15.)
Calcular la probabilidad de que una de estas bombillas tenga un

tiempo de vida entre 3 y 12 meses. (Sol: 0>47.)
Hallar la probabilidad de que una bombilla que ha durado ya 10

meses viva al menos 15 meses ms. (Sol: 0>15.)
Hallar la probabilidad de que una bombilla que ha durado ya 20

meses dure entre 23 y 32 meses. (Sol: 0>47.)
Una propiedad importante, y caracterstica de esta distribucin, es su falta
ndice
88
de memoria: si W H{s(), entonces

S (W A w + k> W A w)
S (W A w)
S (W A w + k)
=
=
S (W A w)
h3(w+k)
=
h3w
= = h3k
S (W A w + k| W A w) =
= S (W A k) =
As pues la distribucin exponencial es el equivalente en el caso continuo
a la distribucin geomtrica discreta, ya que para amabs el futuro es
independiente del pasado.
4.5.4.
Gamma
Resulta que la exponencial es un caso especial de la distribucin gamma,

ambas tienen un gran nmero de aplicaciones. Las distribuciones exponencial y
gamma juegan un papel importante tanto en teora de colas como en problemas
de conabilidad. El tiempo entre las llegadas en las instalaciones de servicio
y el tiempo de falla de los componentes y sistemas elctricos, frecuentemente
involucran la distribucin exponencial. La relacin entre la gamma y la exponencial permite que la distribucin gamma se utilice en tipos similares de
problemas. Muchos conjuntos de datos tienen distribuciones que tienen probabilidades pequeas cuando los intervalos se acercan al cero y aumentan la
probabilidad durante cierto tiempo cuando el intervalo se mueve en direccin
positiva y decrecen a continuacin a medida que el intervalo pasa el extremo
positivo. Un caso de este tipo de datos es el de componentes electrnicos, pocos
de ellos tienen duraciones muy cortas, muchos tienen duraciones cercanas a la
media y muy pocos duran un tiempo muy largo. Por tanto, la distribucin
gamma es adecuada para estudiar estas situaciones.
Sean A 0> A 0 dos nmeros positivos. Se dice que una variable aleatoria
[ sigue una distribucin Gamma de parmetros y [ J (> ) si su
ndice
89
;
?
31 3{
{ h
si { A 0>
K ()
i({) =
=
0
si { 0
donde
K () =
Z"
{31 h3{ g{, A 0
es la funcin gamma. Cuando es entero positivo se verica K ( + 1) = !,

s
K ( + 1) = K () y K 12 = . para cualquier A 0. Adems, si n es un
nmero entero positivo (n 5 ] + ),
K(n) = (n 1)!
Se puede comprobar que sus primeros momentos son:

H [[] =

Y [[] = 2

La representacin grca de su densidad puede verse en la siguiente gura
para distintos valores de y = 1
1.0
funcin de densidad de una gamma
f(x)
0.6
0.8
alfa=1
ndice
0.4
alfa=1.5
0.2
alfa=2
0.0
alfa=4
6
x
10
90
4.5.5.
Beta
Las distribuciones continuas descritas hasta ahora, a excepcin de la uniforme continua son distribuciones cuyas funciones de densidad son distintas de
cero en un intervalo innito. Para modelar fenmenos restringidos a un intervalo nito necesitamos otro tipo de distribuciones, como la distribucin Beta
cuya funcin de densidad es distinta de cero en el intervalo (0> 1). Constituye
un modelo exible para las proporciones, por lo que resulta una herramienta muy til en problemas estadsticos relacionados con porcentajes o proporciones, especialmente en situaciones en las que se tienen creencias acerca de
su distribucin. Esta distribucin tiene junto con la gamma especial relevancia
dentro de la inferencia bayesiana, dicho tema ser tratado con todo detalle en
otro manual.
Sean A 0> A 0 dos nmeros positivos. Se dice que una variable aleatoria
[ sigue una distribucin Beta de parmetros y [ Eh (> ) si su
;
? K ( + ) {31 (1 {)31
K () K ()
i ({) =
=
0
si 0 ? { ? 1>
en el resto.
La esperanza y varianza de una variable aleatoria [ con distribucin Eh(> )
es:
H([) =

+
Y ([) =

=
( + ) ( + + 1)
2
Aunque todas las distribuciones de la familia Beta tienen como soporte

el intervalo (0,1), la forma en que reparten la probabilidad es muy distinta
dependiendo de cules sean los valores de y . Por ejemplo:
Si = = 1> se obtiene una distribucin uniforme (Eh(1> 1) = X(0> 1)).
Si = la distribucin es simtrica alrededor de 1@2= A continuacin se
representa la funcin de densidad de varias distribuciones Beta con diferentes
valores de y
ndice
91
2.0
funcin de densidad de una Beta
Beta(5,3)
0.5
1.0
f(x)
1.5
Beta(2,3)
Beta(0.5,0.5)
0.0
Beta(2,2)
0.0
0.2
0.4
0.6
0.8
1.0
Cuando = la esperanza es
H([) =

1
=
= >
+
2
2
y la varianza es
Y ([) =
2
1
=
$ 0
42 (2 + 1)
4 (2 + 1) <"
por lo que al aumentar decrece la varianza y por tanto la probabilidad

esta ms concentrada alrededor de la media, que es 0.5.
Las distribuciones Beta con ? dan ms peso a las proporciones
menores que 1@2 que a las mayores que 1@2.
Recprocamente, cuando A se le da ms peso a las proporciones

mayores que 1@2.
Ejemplo: La proporcin de chips que necesitan reparacin sigue una

distribucin Beta con = 3 y = 2= Hallar el porcentaje esperado de
ndice
92
piezas que requieren reparacin y determinar cul es la probabilidad de

que, a lo sumo, el 50 % requiera reparacin.
Solucin: Sea [ = proporcin de chips que necesitan reparacin
Eh(3> 2).
La funcin de densidad de esta variable aleatoria es

(
12{2 (1 {) si 0 ? { ? 1
i[ ({) =
0
en otro caso.
Su esperanza es

3
3
=
= = 0>6=
+
3+2
5
H([) =
La probabilidad de que como mucho la mitad de las piezas necesiten

reparacin se calcula integrando la funcin de densidad en el intervalo
adecuado:
S ([ 0>5) =
4.5.6.
1@2
12{2 (1 {) g{ =
5
= 0>313=
16
Distribuciones asociadas a la distribucin Normal
La distribucin ji-cuadrado
Esta distribucin fue introducida por Karl Pearson en 1900, se trata del
caso particular de una distribucin gamma cuando los parmetros son =
y=
q
2
1
2
siendo q un entero positivo. Su funcin de densidad viene dada por:

i ({) =
q
1
31 3 {2
2
h 0 { ? 4, q A 0
q {
K( q2 )2 2
diremos que [ se distribuye por una "2q ji-cuadrado con q grados de libertad (g.l). Los grados de libertad pueden ser interpretados como el nmero de
valores de la muestra que pueden ser jados arbitrariamente y su cuanticacin
depende del numero de variables o del tamao de la muestra.Una muestra de
tamao n tiene n grados de libertad , pues no establecemos ninguna restriccin sobre los valores que pueden tomar las observaciones muestrales. Si hay
restricciones los niveles de libertad se reducen.
ndice
93
Se trata de una distribucin unimodal adems su esperanza y varianza es:

q

= 2=q

2
q

Y [[] = 2 = 22 = 2q
2

H [[] =
a continuacin representaremos su funcin de densidad para distintos valores de q y observamos que segn aumentan los grados de libertad la curva
tiende rpidamente a hacerse simtrica, lo cual queda justicado en virtud del
Teorema Central del Lmite que explicaremos en el siguiente captulo.
n=1
0.05
0.10
f(x)
0.15
0.20
0.25
funcin de densidad de una ji-cuadrado
n=8
0.00
n=4
10
15
20
Propiedades asintticas.
p
Se demuestra que para valores de q elevados (q A 30) 2"2q es aproximadap
s
s
mente Q
2q 1> 1 por tanto si tipicamos 2"2q 2q 1 Q (0> 1), sin
embargo tambin podramos utilizar la siguiente aproximacin
"2q q
\ = s
Q (0> 1)
2q
Ejercicio. Calcular: a) S ("2150 126), b) S (40 "265 50), c) S ("2220 260),
c) El nmero tal que S ("2100 ) = 0>6
ndice
94
a) S ("2100 126) = S
1>42) 0>92
p
s
s
s
2"2150 299 2 126 299 = S (]
b) S (40 "265 50) = S
s
p
s
s
s
s
80 129 2"265 129 100 129 =
S (2>41 ] 1>36) 0>08

c) S ("2220 260) 0>03
d) S ("2100 ) = 0>6 tenemos que 102>95

Tambin se introduce la distribucin ji-cuadrado como la suma de variables
q
X
Q(0> 1) independientes al cuadrado. es decir, "2q =
]l2 con ]l Q(0> 1)=
l=1
Otra propiedad importante que hay que comentar es que la suma de dis-
tribuciones de Pearson independientes es otra distribucin ji-cuadrado cuyos

g.l sern la suma de los g.l de las distribuciones de los sumandos. Es lo que
se conoce como la propiedad reproductiva. La distribucin ji-cuadrado se encuentra tabulada y aparece al nal del manual.
Distribucin F de Fisher
Tambin se la conoce como distribucin F de Snedecor o como distribucin
F de Fisher-Snedecor. Una variable aleatoria de distribucin F se construye
como cociente de dos variables de distribucin ji-cuadrado.
Iq>p
"2q
{21 + === + {2q
q con q> p A 0
= 2 q
2 =
|1 + === + |p
"2p
p
p
se conoce como distribucin I con q y q grados de libertad. Adems si

[ = Iq>p entonces se cumple que
1
[
= Ip>q . La distribucin F de Fisher-
Snedecor se encuentra tabulada y aparece al nal del manual. A continuacin

mostramos su funcin de densidad para diferentes grados de libertad.
ndice
95
1.0
funcin de densidad de una F-Snedecor
0.6
0.8
gl=2
f(x)
gl=9,9
0.0
0.2
0.4
gl=4,6
Distribucin t de Student
Esta distribucin fue obtenida por W.S. Gosset, un qumico que trabajaba
para la cervecera Guiness en Dubln. Una distribucin t de Student se obtiene
de la siguiente manera:
wq =
]
1 2
"
q q
1@2 , q A 0
donde ] es una variable aleatoria normal estndar independiente del denominador.

En la generalidad de los casos, no disponemos de la desviacin standard de
la poblacin, sino de una estimacin calculada a partir de una muestra extrada
de la misma y por lo tanto no podemos calcular Z. En estos casos calculamos el
estadstico w. El estadstico w tiene una distribucin que se denomina distribucin w de Student, que est tabulada para 1, 2, 3, ... etc. grados de libertad
de la muestra con la cual se calcul la desviacin standard. La distribucin w
tiene en cuenta la incertidumbre en la estimacin de la desviacin standard
ndice
96
de la poblacin, porque en realidad la tabla de w contiene las distribuciones de

probabilidades para distintos grados de libertad:
Se trata de una distribucin simtrica en torno al 0. Para un nmero de
grados de libertad pequeo, es mas ancha que la distribucin normal tipicada. Cuando los grados de libertad tienden a innito, la distribucin w tiende
a coincidir con la distribucin normal standard. Es decir, en la medida que
aumentemos el nmero de observaciones de la muestra, la desviacin standard calculada estar mas prxima a la desviacin standard de la poblacin
y entonces la distribucin w correspondiente se acerca a la distribucin normal
standard. El uso de la distribucin w presupone que la poblacin con que estamos trabajando tiene una distribucin normal. A continuacin representamos
la funcin de densidad para distintos grados de libertad.
0.4
funcin de densidad de una t de Student
0.3
gl=25
0.2
0.1
f(x)
gl=5
0.0
gl=1
-3
-2
-1
La esperanza y la varianza es:

H [[] = 0, q A 1
q
,qA2
Y [[] =
q2
ndice
97
Se aproxima a la distribucin normal para q A 30 y est relacionada con

la distribucin F de Snedecor de la siguiente manera:
w2q = I1>q
ndice
ndice
Captulo 5
Distribuciones Conjuntas
Hasta ahora, habamos estudiado distribuciones de probabilidad para una
variable aleatoria. Sin embargo, a menudo nos interesa estudiar ms de una
variable aleatoria en un experimento aleatorio. Por ejemplo, en la clasicacin
de seales emitidas y recibidas, cada seal se clasica como de baja, media
o alta calidad. Podemos denir X = nr de seales de baja calidad recibida e
Y = nr de seales de alta calidad. Otro ejemplo, puede ser que, al estudiar
la contaminacin del agua en general, se mida la concentracin de varios contaminantes presentes en sta. De los ejemplos anteriores surge la necesidad de
estudiar modelos de probabilidad que contengan ms de una variable aleatoria.
En general, si X e Y son dos variables aleatorias la distribucin de probabilidad
que dene simultneamente su comportamiento se llama distribucin de probabilidad conjunta. En este captulo, se estudiarn conceptos generales para
distribuciones de probabilidad discretas y continuas con dos variables aleatorias. La extensin de estos conceptos a un mayor nmero de variables aleatorias
resultar directa. Primero consideraremos el caso discreto.
5.1.
Distribuciones discretas multivariantes
Supongamos que se estudia las cadas de red en una universidad, estas

pueden ser de tres tipos (0> 1> 2), bajo dos formas de operacin (0> 1). Se dispone
de las probabilidades de tipo ([1 ) de cada del sistema, bajo el modo ([2 ) de
99
ndice
Captulo 5. Distribuciones conjuntas
100
operacin indicado, en un da, lo cual puede verse en la siguiente tabla:

[2 \[1
0.1 0.4 0.1 0.6
0.2 0.2 0
0.4
0.3 0.6 0.1 1

de tal manera que se tiene que S ([1 = 1> [2 = 0) = 0>4 que sera una
probabilidad conjunta. La tabla dene la distribucin conjunta de ([1 > [2 )
mediante su funcin de masa de probabilidad de la siguiente manera
i ([1 > [2 ) = S ([1 = {1 > [2 = {2 )
A partir de la distribucin conjunta, en el caso multivariante se denen
diversas distribuciones de inters:
1. La distribucin marginal de [1 : i1 ([1 ) = S ([1 = {1 ) =
X
{1
S ([1 = {1 > [2 = {2
{2
i ([1 > [2 )
{2
2. La distribucin marginal de [2 : i2 ([2 ) = S ([2 = {2 ) =
S ([1 = {1 > [2 = {2 )
{1
i ([1 > [2 )
3. La distribucin de [2 condicionada a [1 = {1 :
i2 ([2 @[1 ) = S ([2 = {2 @[1 = {1 ) =
=
S ([1 = {1 > [2 = {2 )
S ([1 = {1 )
i ([1 > [2 )
i1 ([1 )
4. La distribucin de [1 condicionada a [2 = {2 :
S ([1 = {1 > [2 = {2 )
i1 ([1 @[2 ) = S ([1 = {1 @[2 = {2 ) =
S ([2 = {2 )
i ([1 > [2 )
=
i2 ([2 )
5. Diremos que [1 y [2 son independientes si se cumple
S ([1 = {1 > [2 = {2 ) = S ([1 = {1 ) =S ([2 = {2 )
ndice
5.2. DISTRIBUCIONES CONTINUAS MULTIVARIANTES
101
Ejemplo. En la tabla anterior se tiene

i1 (0) = S ([1 = 0) = S ([1 = 0> [2 = 0) + S ([1 = 0> [2 = 1) = 0>1 +
0>2 = 0>3
i2 (0) = S ([2 = 0) = S ([1 = 0> [2 = 0)+S ([1 = 1> [2 = 0)+S ([1 = 2> [2 = 0) =
0>1 + 0>4 + 0>1 = 0>6
i (0> 0) = 0>1 6= 0>3>0>6 = i1 (0)=i2 (0)

por tanto [1 y [2 no son independientes.
i1 (1@0) = S ([1 = 1@[2 = 0) =
S ([1 =1>[2 =0)

S ([2 =0)
0>4
.
0>6
De esta forma se
puede establecer la distribucin de probabilidad de [1 @[2 = 0 sus posibles

valores son para [1 = 0> 1> 2 por tanto las demas probabilidades seran
i1 (0@0) =
i1 (2@0) =
S ([1 =0>[2 =0)

S ([2 =0)
S ([1 =2>[2 =0)
S ([2 =0)
=
=
0>1
0>6
0>1
.
0>6
Para esta distribucin se podran calcular todas las medidas caractersticas

como media, varianza, mediana,.... En general el caso n-variante sera
i ([1 > ===> [n ) = S ([1 = {1 > ===> [n = {n )
y la distribucin marginal de [1
i1 ([1 ) =
i ([1 > ===> [n )
{2 >===>{n
5.2.
Distribuciones continuas multivariantes
Estas mismas ideas desarrolladas para el caso discreto pueden extenderse

al caso continuo. Para un vector aleatorio de variables aleatorias continuas
([1 > ===> [n ) se tendr una funcin de densidad multivariante i({1 > ===> {n ) que
satisface
Z Z
===
Un
i({1 > ===> {n ) 0

i({1 > ===> {n )g{1 ===g{n = 1
ndice
102
y
S (d1 [1 e1 > ===> dn [n en )
Zen Ze1
=
=== i({1 > ===> {n )g{1 ===g{n
dn
d1
y la funcin de distribucin es
I ({1 > ===> {n ) = S ([1 {1 > ===> [n {n )

Z{n Z{1
=
===
i (w1 > ===> wn )gw1 ===gwn
3"
3"
Ejemplo
Consideremos la funcin de densidad
(
6h32{1 h33{2
i ({1 > {2 ) =
0
{1 A 0, {2 A 0
uhvwr
a) Demostrar que es funcin de densidad

b) Calcular S (1 [1 2> 2 [2 3) > S (0 [1 2> 2 [2 4)
c) Calcular su Funcin de distribucin
a) se tiene
Z Z
=
"
i ({1 > {2 ) g{2 g{1

Z "
6h32{1 h33{2 g{2 g{1 = 1
0
por tanto se trata de una funcin de densidad.

ndice
Z3 Z2
34
39
32{1 33{2
32
b) S (1 [1 2> 2 [2 3) =
6h
h
g{1 g{2 = h h
h h36
0>0003
S (0 [1 2> 2 [2 4) =
0>0024
c) La funcin de distribucin es
Z2 Z"
0
6h32{1 h33{2 g{2 g{1 = 1 h34 h36 =
5.2. DISTRIBUCIONES CONTINUAS MULTIVARIANTES
I ({1 > {2 ) =
R {1 R {2
3" 3"
103
6h32w1 h33w2 gw2 gw1 = (1 h32{1 ) (1 h33{2 )
En general la marginal de [1 se calculara como

i1 ({1 ) =
Z"
===
3"
Z"
i ({1 > ===> {n )g{n ===g{2
3"
y se dice que [1 > ===> [n son independientes si

I ({1 > ===> {n ) = I ({1 )=I ({2 )===I ({n )
o equivalentemente
i({1 > ===> {n ) = i1 ({1 )=i2 ({2 )====in ({n )
en el ejemplo anterior, la marginal densidad de [1 es
;
A
para {1 0>
A
Z "
? 0
i ({1 > {2 ) g{2 =
i1 ({1 ) =
A
3"
A
= R " 6h32{1 h33{2 g{ = 2h32{1 para { A 0>
2
1
0
y la densidad marginal de [2 es
;
A
para {2 0
A
? 0
i2 ({2 ) =
A
A
= 3h33{1 para { A 0
2
Por tanto, las funciones de distribucin marginales son

;
A
para {1 0
A
? 0
I1 ({1 ) =
A
A
= (1 h32{1 ) para { A 0
1
I2 ({2 ) =
;
A
A
? 0
para {2 0
A
A
= (1 h33{2 ) para { A 0
2
se tiene que I ({1 > {2 ) = I1 ({1 ) I2 ({2 ) para todos los valores de {1 y {2 ,
y por tanto [1 y [2 son independientes.
ndice
104
La funcin de densidad de [1 condicionada por [2 = {2 es

i1 ({1 |{2 ) =
i ({1 > {2 )
i2 ({2 )
para i2 ({2 ) 6= 0> y la de [2 |[1 = {1 es

i2 ({2 |{1 ) =
i ({1 > {2 )
=
i1 ({1 )
Ejemplo: Consideramos la densidad bivariante
i ({1 > {2 ) =
;
A
A
?
2
3
({1 + 2{2 ) 0 ? {1 ? 1> 0 ? {2 1>
A
A
= 0
uhvwr
La marginal de [2 es
i2 ({2 ) =
"
i ({1 > {2 ) g{1 =
3"
;
A
A
? 0
{2 5
@ (0> 1)
A
A
= R 1 2 ({ + 2{ ) g{ = 1 (1 + 4{ ) si 0 ? { ? 1
1
2
1
2
2
3
0 3
La densidad de [1 condicionada a [2 = {2 (con {2 5 (0> 1)) es

; 2
({1 + 2{2 )
2{1 + 4{2
A
3
A
0 ? {1 ? 1
=
A 1
?
1 + 4{2
({
+
4{
)
1
2
i ({1 > {2 )
3
=
i ({1 |{2 ) =
A
i2 ({2 )
A
A
=
0
uhvwr
En los casos en que [1 y [2 son independientes se tiene que
i ({1 |{2 ) =
5.3.
i1 ({1 ) i2 ({2 )
i ({1 > {2 )
=
= i1 ({1 ) =
i2 ({2 )
i2 ({2 )
Propiedades del Operador Esperanza
Dada una variable aleatoria [ se puede denir la transformacin j([) y

calcular su esperanza denida mediante:
; "
R
A
?
j({)i ({)g{ caso continuo
H [j([)] =
3"
A
= P j({l )i ({l ) caso discreto
l
ndice
5.3. PROPIEDADES DEL OPERADOR ESPERANZA
105
como casos particulares tenemos:

1) Cuando j([) = 0 es la esperanza
2) Cuando j([) = ([ )2 la esperanza de sta funcin es lo que se ha
denido como varianza.
Propiedades Lineales
a) Dada una variable aleatoria [ siendo j1 ([) y j2 ([), dos funciones de [
y tales que H [j1 ([)] y H [j2 ([)] existen, entonces se cumple: 1) H [j1 ([) + j2 ([)] =
H [j1 ([)] + H [j2 ([)], 2) H [dj1 ([)] = dH [j1 ([)]
b) En general dada una variable aleatoria [ siendo j1 ([), j2 ([)> ===> jq ([)
funciones de [ y d1 > d2 > ===> dq constantes, se verica
H [d1 j1 ([) + d2 j2 ([) + === + dq jq ([)] = d1 H [j1 ([)] + d2 H [j2 ([)] + === +
dq H [jq ([)]
Analogamente se dene
Y [j ([)] = H [j ([) H [j([)]]2
Si j ([) = d{ + e
Y (d{ + e) = d2 Y ({)
Y (d{ + e) = H [d{ + e H (d{ + e)]2 = H [d{ + e dH ({) e]2 = H [d{ dH ({)]2 =
d2 H [{ H ({)]2 = d2 Y ({)
Todas estas deniciones se extienden al caso multivariante. Para \ =
j ([1 > ===> [q ) se tiene

; " "
R R
R"
A
A
===
j ([1 > ===> [q ) i ([1 > ===> [q ) g{q ====g{1
?
3" 3"
3"
H [\ ] =
P R"
P
A
A
===
j ([1 > ===> [q ) i ([1 > ===> [q )
=
{1
{n
caso continuo
caso discreto
3"
Si consideramos el caso particular en que j({1 > {2 ) = ({1 1 ) ({2 2 )
La esperanza de j({1 > {2 ) es
H [([1 1 ) ([2 2 )] = Fry ([1 > [2 )

que es lo que se conoce como covarianza entre variables aleatorias.
ndice
106
Denicin. La covarianza poblacional entre las variables X e Y se dene

como
fry([> \ ) = H[([ [ )(\ \ )]
[ = H[[]
\
= H[\ ]
Decimos que [ e \ estn incorreladas cuando fry([> \ ) = 0. La covarianza

va a aparecer de manera natural al obtener rectas de regresin y se encarga
de medir el grado de asociacin lineal que existe entre ambas variables, de
momento podemos indicar que existe asociacin entre el signo de la covarianza
y la orientacin de la nube de puntos. Una orientacin como la que nos muestra
mpg
15
20
25
30
35
40
45
la siguiente gura nos indica que la fry{>| A 0.
15
20
25
30
35
Fitted : horsepower
Ahora bien, como esta medida depende de las unidades de medida se dene
otra que mide lo mismo pero es adimensional
Denicin. El coeciente de correlacin entre [ e \ se dene como
Fry([> \ )
u=p
Y ([) Y (\ )
ndice
Captulo 6
Teorema Central del Lmite
6.1.
Introduccin
Cuando los eventos no pueden denirse de manera nita o denida, se emplean las sucesiones de variables aleatorias. Para ilustrar este concepto veamos
el siguiente ejemplo:
Un mdico controla el colesterol de sus pacientes del siguiente modo: si
cada q ml de sangre el nmero de miligramos de colesterol se encuentra por
encima del nivel establecido, el paciente debe repetir la prueba. Si cada q ml
de sangre el nmero de miligramos de colesterol se encuentra por debajo del
nivel establecido, el paciente debe repetir la prueba. En caso de que el nmero
de miligramos de colesterol se encuentre dentro de los lmites normales en q
ml de sangre se da por sano al paciente y no hay que repetirle la prueba.
Cada anlisis puede caracterizarse por una variable aleatoria [l = {nmero
de miligramos de colesterol en n ml de sangre fuera de los lmites normales}.
El mdico est interesado en que el resultado de la prueba en q ml de sangre
sea nula.
Para caracterizar el evento, suponemos que cada variable aleatoria [l viene
caracterizada por su funcin de distribucin Il ({). Existen diversas deniciones
de convergencia de sucesiones de variables aleatorias:
1. Convergencia en probabilidad
2. Convergencia en distribucin
107
ndice
Captulo 6. Teorema central del lmite
108
3. Convergencia casi segura.

Los resultados probabilsticos varan de acuerdo con el tipo de convergencia.
6.2.
Convergencia
En el ejemplo anterior, cada experimento depende del nmero de ml de sangre que se toma de cada paciente. Denominamos sucesin de variables aleatorias al conjunto innito numerable [1 > [2 > ===> [q > === que se denota por {[q }=
Cuando todas las variables aleatorias provienen de la misma poblacin, a medida que crece n observamos que convergen hacia un mismo patrn. Para ver
este resultado, consideremos el siguiente ejemplo:
Una empresa electrica contabiliza el nmero de apagones en una ciudad
cada q noches. Se sabe que la distribucin de apagones sigue una distribucin
Binomial de parmetros Elq(q> 0>2). El evento puede caracterizarse mediante
una sucesin de variables aleatorias [l ={nmero de apagones en i noches}
Si realiza el estudio en 10 noches consecutivas la distribucin de la variable aleatoria [10 es:
Bin10
3,0
Frecuencia
2,5
2,0
ndice
1,5
1,0
0,5
0,0
1
Si realiza el estudio en 20 noches consecutivas la distribucin de la variable aleatoria [20 es:
6.2. CONVERGENCIA
109
Bin20
Frecuencia
0
2
Si realiza el estudio en 100 noches consecutivas la distribucin de la

variable aleatoria [100 es:
Bin100
12
Frecuencia
10
0
11 12 13 14 15 16 17 18 19 20 21 22 23 24 25 26 27 28 29 30
6.2.1.
Convergencia en probabilidad
Supongamos que las variables aleatorias [l que forman la sucesin {[q }
estn denidas en el mismo espacio de probabilidad ([> l> S ) y consideramos

la variable aleatoria lmite hacia la cual convergen [. La sucesin de variables
aleatorias {[q } converge en probabilidad a la variable aleatoria [ cuando para
todo % A 0:
lm S (|[q [| %) = 0
q<"
ndice
110
s=
Se designa este tipo de convergencia: [q $
[= La interpretacin de la
convergencia en probabilidad es que dado cualquier valor positivo, siempre
existe un elemento de la sucesin de variables aleatorias {[q } lo sucientemente prximo a la variable aleatoria lmite [ que coincide en todo el espacio
de probabilidad excepto a lo sumo en un conjunto de puntos de probabilidad
nula.
De este tipo de convergencia se establece la ley dbil de los grandes
nmeros:
Sea [ una variable aleatoria con esperanza y varianza 2 , ambas nitas.
Sean [1 > [2 > ===> [q > === una sucesin de variables aleatorias independientes con
la misma distribucin que [, y consideremos la variable aleatoria
q =
[
q
X
[l
l=1
q } converge en probabilidad a :
Entonces la sucesin {[
q s=
[

$
Es decir, la media muestral se aproxima a la esperanza de la distribucin
lmite [ a media que crece q.
6.2.2.
Convergencia en distribucin
Supongamos que las variables aleatorias [l > con funcin de distribucin

I ([l )> que forman la sucesin {[q } estn denidas en el mismo espacio de
probabilidad ([> l> S ) y consideramos la variable aleatoria lmite hacia la

cual convergen [, con funcin de distribucin I ([). La sucesin de variables
aleatorias {[q } converge en distribucin a la variable aleatoria [ cuando:
lm Iq ({) = I ({) en todos los puntos de continuidad de I ({)
q<"
g=
Se designa este tipo de convergencia: [q $
[=
ndice
6.3. TEOREMA CENTRAL DEL LMITE
6.2.3.
111
Convergencia casi segura
Supongamos que las variables aleatorias [l que forman la sucesin {[q }
estn denidas en el mismo espacio de probabilidad ([> l> S ) y consideramos

la variable aleatoria lmite hacia la cual convergen [. La sucesin de variables
aleatorias {[q } converge casi seguro a la variable aleatoria [ cuando:
S
lm [q = [ = 1
q<"
f=v=
Se designa este tipo de convergencia: [q
$ [= La interpretacin de la convergencia casi segura es que la sucesin de variables aleatorias {[q } converge
a la variable aleatoria lmite [ excepto a lo sumo en un conjunto de puntos

de probabilidad nula.
De este tipo de convergencia se establece la ley fuerte de los grandes

nmeros:
Sea [ una variable aleatoria con esperanza y varianza 2 , ambas nitas. Sean [1 > [2 > ===> [q > === una sucesin de variables aleatorias independientes
igualmente distribuidas con la misma esperanza matemtica H[[l ] = , entonces
q
X
l=1
[l
f=v=

$
Es decir, el conjunto de elementos en los cuales la media muestral de la

sucesin de variables aleatorias converge a la esperanza cuando q crece indenidamente tiene probabilidad 1.
6.3.
Teorema central del lmite
Una sucesin [1 > [2 > ===> [q > === de variables aleatorias verica el teorema
central del lmite si la variable \q = [1 + [2 + === + [q cumple:
Equivalentemente:
\q H[\q ] g=
]q = p
Q(0> 1)
Y du[\q ] $
ndice
112
q
X
l=1
q
X
[l H[
[l ]
Y du[
l=1
q
X
[l ]
g=

$ Q(0> 1)
l=1
ndice
Captulo 7
Inferencia estadstica
7.1.
Introduccin
El inters de la Inferencia Estadstica se centra en analizar e interpretar las

observaciones como mtodo para obtener conclusiones sobre la ley de probabilidad del fenmeno en estudio. Supongamos que queremos estudiar el peso
de los profesores de universidad en Espaa. Primero tendremos que denir la
poblacin de inters como el conjunto de todos los profesores de Espaa. Estamos interesados en conocer parmetros que caractericen la posible distribucin
que siguen estos datos. Si se dispusiera del tiempo y de los recursos necesarios
se podra hacer un censo a la poblacin y dichos parmetros quedaran perfectamente delimitados, pero normalmente esto no es posible siendo necesario
elegir una muestra que sea lo ms representativa posible de la poblacin y
utilizarla para inferir sobre todo aquello que desconozcamos. Digo lo ms representativa en el sentido de que sea aquella que nos permita estimar los valores
lo ms parecidos a aquellos que se obtendran si tuvisemos la poblacin entera.
Dependiendo de cual es nuestro grado de desconocimiento se pueden plantear
diversos problemas de inferencia estadstica los cules pueden distinguirse as:
En muchos problemas la distribucin de probabilidad que gener los
datos experimentales es completamente conocida excepto para los valores
de uno o ms parmetros (media, varianza, coeciente de correlacin).
Ello caracteriza los problemas de Estimacin Puntual. por ejemplo,
113
ndice
Captulo 7. Inferencia estadstica
114
se podra saber que el tiempo de espera para el establecimiento de una

conexin telefnica sigue una distribucin exponencial con parmetro
desconocido.
En otras ocasiones el objetivo puede ser proporcionar un rango de variacin
para un determinado parmetro desconocido de la distribucin. Es decir, precisar un intervalo numrico en el que se pueda armar de forma
razonable que dicho parmetro se encuentra. Hablamos entonces de Estimacin por intervalos de conanza.
En muchos problemas de estadstica, tras haber analizado los datos experimentales, se debe tomar una decisin de entre una clase de decisiones
posibles, con la particularidad de que las consecuencias de cada decisin
posible dependen del valor desconocido de cierto parmetro. Se trata de
corroborar o invalidar una determinada armacin acerca de los parmetros de una distribucin o de la propia distribucin. En este caso estamos
estudiando los problemas de Contraste de Hiptesis.
Es muy importante que sepamos distinguir bien lo que es el mundo poblacional y el muestral. La distribucin desconocida I de la variable aleatoria
involucrada en un problema de inferencia estadstica recibe el nombre de distribucin terica o distribucin de la poblacin. Sin embargo en la prctica es
muy dicil de disponer de la poblacin entera teniendo que ocuparnos de las observaciones a partir de las cules ha de intentarse disminuir el desconocimiento
que tengamos de la distribucin terica I de la variable [ que estemos estudiando. Para garantizar la representatividad de la muestra en la poblacin
se pueden utilizar diversos procedimientos de muestreo, pero el que nosotros
vamos a considerar es el siguiente:
Muestreo Aleatorio Simple (m.a.s). Una muestra se denomina muestra
laeatoria simple si:
(i) Cada elemento de la poblacin tiene la misma probabilidad de ser elegido.
(ii) Los elementos se seleccionan de forma independiente.
ndice
7.1. INTRODUCCIN
115
Existe una consideracin importante que es preciso aclarar antes de manipular estos conceptos:
Cuando se ha obtenido una muestra aleatoria de tamao q: ({1 > {2 > ===> {q ),
disponemos simplemente de un conjunto de q valores numricos, sin embargo
cuando se est planicando la obtencin de la muestra laeatoria todava no se
sabe que valores numricos resultarn, de manera que deben considerarse como
variables aleatorias: ([1 > [2 > ===> [q ). En otras palabras, es como si la poblacin
entera fuera un gran cajn, del cual en una posible extraccin obtendra unos
valores de la muestra, pero en otra extraccin obtendra otros valores distintos
y as sucesivamente, de tal manera que desde un segundo punto de vista, una
muestra aleatoria puede ser tratada como un conjunto de q variables aleatorias.
Formalmente, una muestra aleatoria simple p=d=v, de tamao q, de una
variable aleatoria [ con distribucin terica I , es una coleccin de q variables aleatorias ([1 > [2 > ===> [q ) independientes e igualmente distribuidas con
distribucin comn I . Por tanto la funcin de distribucin conjunta de una
muestra aleatoria simple ([1 > [2 > ===> [q ) es:
I ({1 > {2 > ===> {q ) = I ({1 )=I ({2 )===I ({q )
y anlogamente con la funcin de densidad conjunta:
i ({1 > {2 > ===> {q ) = i ({1 )=i ({2 )===i ({q )
donde es el parmetro (o coleccin de parmetros) que interesa conocer
de la distribucin. Por tanto se supone que la forma de la distribucin es
conocida salvo por . Se llama parmetro de una distribucin a cualquier
caracterstica de la distribucin que genera los datos experimentales, que tenga
un valor desconocido. En general, en un problema de estadstica, se tendr
frecuentemente un vector de parmetros = (1 > ===> n ) desconocido donde el
conjunto l de todos los valores posibles del parmetro o se llama espacio
paramtrico. La caracterstica importante del espacio paramtrico l es que
debe contener todos los valores posibles de los parmetros de un problema
concreto, para tener la seguridad de que el valor verdadero del parmetro o
vector sea un punto de l.
ndice
116
Un problema de inferencia estadstica (o simplemente de estadstica) es un

problema en el cual se han de analizar datos que han sido generados de acuerdo
con una distribucin de probabilidad desconocida, y en el que se pretende hacer
algun tipo de inferencia acerca de tal distribucin. En otras palabras, en un
problema de estadstica existen dos o ms distribuciones de probabilidad que
podran haber generado algunos datos experimentales. Analizando los datos,
se intenta conocer la distribucin desconocida y lo que se hace en la prctica es
determinar la verosimilud de que cada una de las distribuciones posibles sea la
correcta, o simplemente escoger aqulla distribucin de mayor verosimilitud.
Supongamos que tenemos una variable aleatoria [ que representa la variable Peso de los estudiantes femeninos universitarios en Espaa, entonces se
puede asumir que [ sigue una distribucin Q(> 2 ) siendo los parmetros
de inters (desconocidos) = (> 2 ). Para estimar el parmetro podemos
escoger una muestra de 8 estudiantes:
45>6> 48> 54> 52> 56>5> 58>9> 60>3> 68
y calcular la media muestral { = 55>4. Este valor aproxima al verdadero
valor del parmetro . pero si eligisemos otra muestra:
44>6> 43>1> 56>4> 51>5> 58>5> 68>9> 61>3> 57>4
el valor de la media sera { = 55>2 que tambin aproxima al verdadero
valor del parmetro . Lo ms importante que se ha de sealar es que la media
muestral vara de una muestra a otra siendo por tanto otra variable aleatoria
que tendr una distribucin.
7.2.
Estimacin Puntual
Estadstico. Cualquier funcin de los elementos de la muestra.

Estimador. Consideremos una variable aleatoria [ caracterizada por la
funcin de densidad i ({) siendo , el parmetro a estimar, llamaremos estimado W de a cualquier funcin de la muestra que no contiene el parmetro
desconocido, por tanto tambin se trata de una variable aleatoria, ya que su
ndice
7.2. ESTIMACIN PUNTUAL
117
valor va cambiando a medida que se obtienen distintas muestras. Formalmente

a los estadsticos o estimadores se les denotar por:
b
= W ([1 > ===> [q )
Todo estimador es siempre un estadstico.
Los estadsticos ms habituales

son:
q
X
2
La media muestral: [ = q1
[l , la varianza muestral: V[
=
l=1
la cuasivarianza muestral:
W2
V[
1
q31
1
q
q
X
2
[l [ ,
l=1
q
X
2
[l [ . Es importante sealar que

l=1
no hay que confundir con las correspondientes caractersticas poblacionales

R
La media poblacional o esperanza: = H([) = {i ({)g{, la varianza
R
poblacional: 2 = Y du([) = ({ )2 i ({)g{
Estimacin. Una estimacin puntual de un parmetro de una distribu-
cin conocida de una poblacin dada mediante una muestra, es obtener un

valor para dicho parmetro desconocido.
7.2.1.
Distribucin muestral
La distribucin de probabilidad correspondiente a un estadstico se denomina distribucin muestral. Un resultado muy importante que ayuda a conocer
cmo es la distribucin muestral de variables que se obtienen como suma de
muchas variables es el ya estudiado Teorema Central del Lmite.
Distribucin en el muestreo de la Media muestral ([)
Dada una muestra aleatoria simple {1 > ===> {q independientemente de su distribucin I ({), i ({) con H ({l ) = ;l y Y du ({l ) = 2 , (en una muestra
aleatoria simple en la realizacin {1 > ===> {q estos se pueden considerar los valores
procedentes de una nica variable aleatoria [) podemos calcular la esperanza
q
X
1
y varianza de la media muestral [ = q
{l :
l=1

{1 + === + {q
= q1 [H ({1 ) + === + H ({q )] = q1 [ + === + ] =
H [ = H
q
q
=
q
ndice
118
{1 + === + {q
Y du([) = Y du
= q12 [Y du ({1 ) + === + Y du ({q )] = q12 [ 2 + === + 2 ] =
q
q 2
2
=
q2
q
La distribucin de la media muestral slo se conoce en dos situaciones:
1) Si la poblacin de la que procede la muestra [ sigue una distribucin
Normal es decir, Q (> ), entonces

[ Q > s
q
2) En cualquier poblacin siga la distribucin que siga si la muestra es de

un tamao grande, por lo menos q 30. (Teorema Central del Lmite).

[ Q > s
q
La correspondiente desviacin tpica de la media se denomina error estndar
y se denota por:

[ =s
q
Observar que a medida que aumenta el tamao de la muestra el error
disminuye. Por tanto, cuanto mayor sea el tamao muestral mejor ser nuestra
inferencia sobre la media poblacional.
Comprobemos estos resultados a travs de experimentos de simulacin. A
continuacin se muestra un histograma correspondiente a 100 valores procedentes de una distribucin uniforme (0,1):
18
16
14
ndice
12
10
0.1
0.2
0.3
0.4
0.5
0.6
0.7
0.8
0.9
119
y a continuacin mostramos el histograma correspondiente a 100 medias

de tamao 1000 de uniformes.
300
250
200
150
100
50
0
0.4
0.45
0.5
0.55
0.6
0.65
Distribucin en el muestreo de la Varianza muestral (V 2 )
Dada una muestra aleatoria simple {1 > ===> {q independientemente de su distribucin I ({), i ({) con H ({l ) = ;l y Y du ({l ) = 2 , (en una muestra
aleatoria simple en la realizacin {1 > ===> {q estos se pueden considerar los valores
procedentes de una nica variable aleatoria [) podemos calcular la esperanza
q
X
de la varianza muestral v2 = q1
{l [ :
l=1
ndice
120
q
X
({l ) [
1 X
{l [ = l=1
q l=1
q
q
h
X
i
({l )2 + [ 2 ({l ) [
q
X
({l )2
q
X
({l )2
q
X
({l )2
q
X
({l )2
v2 =
l=1
l=1
l=1
l=1
l=1
q
q
X
2
[
l=1
q
X
2([ ) l=1
+ [ 2([ )
({l )2
q
!
q
1X
{l
q l=1
2
+ [ 2([ )2
([ )2
Por tanto llegando a esta expresin tenemos que la esperanza matemtica

de v2 vale:
q
X
({l )
:
9
:
9 l=1
2
2:
9
([ ) :
H v
= H9
q
8
7
5
q
X
({l )
9
9 l=1
= H9
9
q
7
=
q
X
l=1
H ({l )2
q
:
:
: H ([ )2
:
8
H ([ )2
ndice
teniendo en cuenta que H ({l )2 = 2 y que adems sabemos que H ([ )2 =
121
2
tenemos nalmente:
q

2
H v2 = 2
q
q1 2
=

q
Si denimos la cuasi-varianza muestral como
ve2 =
q
X
2
{l [
l=1
q1
y calculamos la esperanza, tenemos

6
5 q
X
2
{l [ :
9
:
9 l=1
2
:
9
H ve
= H9
:
q

1
8
7
5
6
q
X
2
{l [ :
9
9 q l=1
:
:
= H9
9q 1
:
q
7
8
q 2
= H
ve
q1

q
q q1 2
=
H ve2 =

q1
q1 q
= 2
Estos resultados son independientes de la distribucin de partida, la respuesta acerca de la distribucin de este estimador la podemos dar con el
siguiente teorema:
Teorema. Si la poblacin de la que procede la muestra [ sigue una distribucin Normal es decir, Q (> ), y sea [1 > [2 > ===> [q una m.a.s de dicha
distribucin.

a) [ Q > s
q
ndice
122
b)
"2q31
ve2

2
q1
c) y adems [ y ve2 son independientes
La distribucin "2q se dene como la suma de q normales al cuadrado
independientes de media 0 y varianza 1, es decir

"2q = N (0> 1)2 + === + N (0> 1)2
esta distribucin est tabulada en funcin de q. Se tiene que

H "2q = q

Y du "2q = 2q
por tanto es inmediato comprobar que
2
H "2q31 = 2
q1
2
2
4
24
Y du ve
=
2 Y du "q31 =
q1
(q 1)

H ve2 =
A continuacin comprobaremos va simulaciones la distribucin que sigue

la cuasivarianza muestral, para ello nos generamos 100 muestras de una normal
Q(0> 1), y para cada una de ellas obtenemos su correspondiente cuasivarianza
muestral, por tanto obtendremos una muestra de valores de la cuasivarianza
muestral, para la cual dibujamos su histograma:
30
25
20
ndice
15
10
0
0.6
0.7
0.8
0.9
1.1
1.2
1.3
1.4
1.5
123
Distribucin en el muestreo de una proporcin

Consideremos una poblacin formada por un nmero determinado de elementos que presentan o no una caracterstica determinada, y sea s la proporcin de los que la poseen, por tanto t = 1 s ser la proporcin de los que no
la poseen. Si tomamos una muestra de esta poblacin, cada elemento {l toma

el valor 1 con probabilidad s si posee dicha caracterstica y toma el valor 0
con probabilidad 1 s en caso de que no la tenga. Por tanto se modela como
una variable de Bernoulli. Tomando todas las muestras de tamao q para cada
una de ellas habr una proporcin de los que poseen esa caracterstica, de tal
amnera que una estimacin de s sera el estadstico:
sb =
q
X
{l
l=1
Para ver cmo es de precisa esta estimacin es necesario conocer su distribucin. Existen dos maneras de verlo:
1. Como {l E(s) entonces
q
X
l=1
{l E(q> s), por tanto
H (b
s) =
q !
X
H
{l
l=1
q
qs
=s
=
q
q !
X
1
{l
Y du(b
s) = 2 Y du
q
l=1
qs(1 s)
q2
s(1 s)
=
q
2. Para muestras grandes q 30, se tiene utilizando el Teorema Central

del Lmite que
sb s
q
Q (0> 1)
s(13s)
q
ndice
124
Ejemplo. Supongamos que se desea estimar la proporcin de estudiantes

de una titulacin de 1000 personas que preeren exmenes con libro. Tomamos
una muestra de 100 estudiantes obtenindose que 60 de ellos lo preeren.
Cual sera la probabilidad de que la proporcin de estudiantes que preenen
exmenes con libro sea menor que el 50 %.
Primero una estimacin de s es el estadstico
sb =
q
X
{l
l=1
q
60
=
= 0>6
100
s(1 s)
pero no conocemos s, entonces sustituimos s por una
q
sb(1 sb)
estimacin 0>6, quedando que Y du(b
s) es aproximadamente igual a
=
q
0>6(130>6)
= 0>0024 y la desviacin tpica 4>899 0 1032 .
100
la Y du(b
s) =
4
s
b

s
0>5

s
D
S (b
s ? 0>5) = S C q
?q
3
s(13s)
q
s(13s)
q
E
0>5 sb F
F
= SE
C] ? r sb(1 sb) D
q
= S (] ? 20>41)
= 0
Estadstico de Student. Distribucin t de Student

o equivalentemente que
Saber que [ Q > s
q
[
Q(0> 1)
s
q
puede resultar de poca utilidad si la varianza poblacional 2 es un parmetro
desconocido. Cuando ocurre esto, podramos pensar que el resultado no ser
ndice
125
muy distinto si sustituimos por el valor de la cuasivarianza muestral v ya

que para valores muestrales grandes 2 y v2 tendrn valores parecidos. Si realizamos esta sustitucin obtenemos el siguiente resultado:
Teorema de Student. Si ([1 > [2 > ===> [q ) es una muestra aleatoria simple
de una poblacin Q(> ), el estadstico de Student:
[
[
=
V
ve
s
s
q
q1
tiene distribucin w de Student con q 1 grados de libertad=
Demostracin:
La distribucin wq se dene como

Q (0> 1)
wq = q
1 2
"
q q
q [ @
s
[
=r
sabemos que
, basta observar que q [ @
V
1
s
qV 2 @ 2
q1
q1
"2
"2
ve2
V2
Q(0> 1), mientras que segn el Teorema de Fisher, 2 q31 o 2 q31

q1
q
siendo independientes numerador y denominador con lo cual por la denicin
tenemos:
[
wq31
V
s
q1
Recordemos que esta distribucin est tabulada en funcin de q. Se tiene
que
H (wq ) = 0
Y du(wq ) =
q
q2
y para muestras grandes, q 30, podemos utilizar la distribucin Q(0> 1).

wq $ Q(0> 1)
ndice
126
Distribucin de la diferencia de medias muestrales ({ |) en dos
poblaciones normales con { y | conocidas
Sean ([1 > [2 > ===> [q ) y (\1 > \2 > ===> \p ) dos muestras aleatorias simples de
poblaciones Q({ > { ) y Q(| > | ) respectivamente, sabemos que:
{
[ Q { > s
q
|
\ Q | > s
p
se cumple por la propiedad reproductiva que
3
4
s
2
2

|
{
[ \ Q C{ | >
+ D
q
p
= H [ H \
H [ \
= { |

Y du [ \
= Y du [ + Y du \
[ y \ son independientes
2{ 2|
=
+
q
p
por tanto:
[ \ { |
r
Q(0> 1)
2{ 2|
+
q
p
(7.1)
Distribucin de la diferencia de medias muestrales ({ |) en dos
poblaciones normales con { y | desconocidas
Supuesto que las varianzas poblacionales son desconocidas, el resultado

anterior no podra servirnos y hay que buscar una solucin de tipo Student,
que reemplaze la armacin anterior por otra que no dependa de las varianzas
poblacionales.
Por el Teorema de Fisher recordemos que
(q 1)ve{ 2
"2q31
2{
(p 1)ve| 2
"2p31
2|
ndice
127
Luego segn la propiedad de aditividad de la distribucin "2 ,

(q 1)ve{ 2 (p 1)ve| 2
+
"2q+p32
2{
2|
puesto que [ e \ son independientes de ve{ 2 y ve| 2 (en virtud nuevamente
del teorema de Fisher), la denicin de la distribucin w asegura que:

r
2{ 2|
+
[ \ { | @
q
p w
r
q+p32
h
i
2
2
(p31)e
v|
(q31)e
v{
1
+
2
2
q+p32

{
(7.2)
sin embargo como podemos observar de nada nos vale esta expresin a no
ser que se pudiesen eliminar los parmetros desconocidos 2{ y 2| . La forma

de arreglar esta situacin es suponiendo que ambas varianzas poblaciones son
iguales 2{ = 2| = 2 > en este caso (6.2) se reduce a:
r
qp
[ \ { |
q+p
s
qV{2 + pV|2
q+p2
r
qp
[ \ { |
q+p
s
=
(q 1) ve2{ + (p 1)e
v2|
q+p2
wq+p32
que ya no contiene ningn parmetro desconocido.
Por tanto en el caso en que las varianzas poblacionales son desconocidas
pero adems no pudieran suponerse iguales, no existe una solucin exacta de
determinar la distribucin en el muestreo de [ \ , dando lugar a adoptar
soluciones aproximadas.
Si los tamaos muestrales no son muy pequeos, (q> p 15), ve2{ y ve2| son
buenas aproximaciones de 2{ y 2| respectivamente, por tanto si sustitu-
imos en (??) las varianzas poblacionales por la cuasivarianzas muestrales,
ndice
128
se obtiene que:
[ \ { |
r
Q(0> 1)
ve2{ ve2|
+
q
p
Para el caso en que q p sean pequeos, se han propuesto diferentes
aproximaciones, la ms popular es la debida a Welch, segn la cual
[ \ { |
r
wi
ve2{ ve2|
+
q
p
siendo i el nmero de grados de libertad, el entero ms prximo a

2
2
ve{ ve2|
+
q
p
2 2
2 2 2
ve|
ve{
1
1
+ p+1
q+1
q
p
Finalmente hay que considerar el caso de los llamados datos apareados,
es decir, si ([1 > \1 ) > ([2 > \2 ) > ===> ([q > \q ) se trata de una muestra aleatoria
simple de una poblacin bidimensional ([> \ ), cuyas componentes no son independientes, que se distribuye
con!distribucin normal de medias (1 > 2 ) y
2{ {|
matriz de covarianzas
con {| 6= 0. podramos estar interesa {| 2|
dos en la comparacin de dos medias poblacionales. Un ejemplo muy tpico de
esta situacin consiste en comparar las medias de una cierta caracterstica de
los individuos de una poblacin, antes ([) y despus (\ ) de un tratamiento.
Ahora nuestros datos no son independientes y la forma de razonar el estadsp
tico ser de otra manera. En efecto, [ \ Q(1 2 > 2{ + 2| 2 {| ),
y las diferencias, ([1 \1 ) > ([2 \2 ) > ===> ([q \q ) constituirn una mues-
tra aleatoria simple q

de la poblacin [ \ . Por tanto su media muestral
[ \ Q(1 2 >
2{ + 2| 2 {| @q) por tanto:
s [ \ (1 2 )
q p 2
Q(0> 1)
{ + 2| 2 {|
si alguno de los elementos de la matriz de covarianzas no fuese conocido

este resultado no sera utilizable y aplicaramos el teorema de Student:
s
[ \ (1 2 )
q1
wq31
vW
ndice

2
1
q
129
2
siendo vW la varianza muestral de la muestra ([l \l ), es decir, vW =
2
([l \l )2 [ \
q
X
l=1
Distribucin del cociente de las cuasivarianzas muestrales

Por el Teorema de Fisher recordemos que
(q 1)ve{ 2
"2q31
2{
(p 1)ve| 2
"2p31
2|
De la denicin de la F-Snedecor tendremos que:

(q 1)ve{ 2
@(q 1)
2{
(p 1)ve| 2
@(p 1)
2|
=
Ejemplos:
ve{ 2
2| ve{ 2
2{
=
Iq31>p31
ve| 2
2{ ve| 2
2|
Sea una poblacin [ Q(> ) y dada una muestra aleatoria simple
([1 > [2 > ===> [q ) de tamao q = 4 :
a) Calcular la S ([ A 2) si = 1, y = 3
solucin:
[ Q(3> 1), teniendo en cuenta que es conocida se utilizar como es[
tadstico Q(0> 1), entonces:
s
q
[
2
23
) = S (] A 2) = S (] ?
S ([ A 2) = S ( A ) = S (] A
1
s
s
s
q
q
4
2) = 0>9772
b) Calcular la S ([ A 1) si es desconocida, = 3 y V 2 = 2
solucin:
ndice
130
[ Q(3> ), teniendo en cuenta que es desconocida se utilizar como

[
estadstico
wq31 , entonces:
V
s
q1
1
[
13
A
) = S (w431 A q
S ([ A 1) = S (
) = S (w3 A
V
V
2
s
s
431
q1
q1
2>45) = S (w3 ? 2>45) = 0>95
c) Calcular la S (V 2 A 4) si = 1y = 3
solucin:
Se utilizar como estadstico
S (V 2 A 4) = S (
7.2.2.
qV{2
(q 1)ve{ 2
=
"2q31 , entonces:
2{
2{
qV{2
4q
A 2 ) = S ("2q31 A
2
{
{
4>4
)
12
= S ("23 A 16) = 0>01
Propiedades de los estimadores
En este apartado discutimos las propiedades que nos gustara que tuviera
un buen estimador puntual b
de un parmetro , basndonos en una muestra
de tamao q.
Centrado o Insesgado
Un estimador es insesgado si su esperanza coincide con el parmetro poblacional desconocido que estima. Formalmente un estimador b
es centrado o
insesgado para , si para cualquier tamao muestral

h i
=
H b
La insesgadez es una propiedad de la variable aleatoria estimador, no de

una estimacin concreta, se tiene que entender como una propiedad media
referida al conjunto de todos los valores que puede presentar el estimador,
en el sentido de que si tomamos todas las posibles muestras de un tamao
concreto, se calcula en cada una de ellas el valor del estimador, se calcula la
media de todas esas estimaciones, y si el valor que sale coincide con el del
parmetro, el estimador es insesgado.
ndice
131
Cuando el estimador no es centrado, se dice que es sesgado y se tiene que:
h i
H b
= + vhvjr(b
)
h i
vhvjr(b
) = H b

la cantidad vhvjr(b
) recibe el nombre de sesgo del estimador, es equivalente
a un error sistemtico positivo o negativo, cuando es positivo indica que si

utilizamos dicho estimador se tender en media a sobrestimar el valor del
parmetro desconocido, mientras que si es negativo se tender a subestimarlo.

La propiedad de insesgado es muy importante si un parmetro se tiene que
estimar repetidamente en situaciones donde se espera tenga el mismo valor, ya
que el uso reiterado de un estimador sesgado llevara a una segura acumulacin
de errores en alguna direccin. La insesgadez es una propiedad especialmente
importante cuando se han de combinar distintas estimaciones de un mismo
parmetro, ya que los estimadores sesgados, de sesgo desconocido, no pueden
ser combinados (por ejemplo, para mejorar la estimacin). No obstante, hay
ocasiones en que se tiene un estimador ligeramente sesgado, que an as es
preferible a otros estimadores insesgados por tener una variabilidad muestral
ms pequea que la de stos, de tal forma que dicho estimador sesgado se halla
ms prximo al verdadero valor del parmetro. Por tanto, la propiedad de que
un estimador sea centrado es deseable pero no concluyente. Mostramos esta
idea en la siguiente gura:
ndice
132
0.4
0.35
No Centrado
0.3
Centrado
0.25
0.2
0.15
0.1
0.05
0
-5
-4
-3
-2
-1
Los dos estadsticos b

1 (Centrado o insesgado) y b
2 (No centrado o sesgado)
estiman el valor = 0, y podemos observar como el primero a pesar de ser

insesgado tiene mucha variabilidad sin embargo el segundo a pesar de ser sesga-
do tiene mucha menos variabilidad. Como conclusin, interesarn estimadores

insesgados pero no con demasiada varianza y si esto no es posible se preferirn
estimadores no demasiado sesgados pero con baja varianza.
Ejemplo de estimador insesgado. Dada una muestra aleatoria simple
{1 > ===> {q independientemente de su distribucin I ({), i ({) con H ({l ) =
;l y Y du ({l ) = 2 , (en una muestra aleatoria simple en la realizacin {1 > ===> {q
estos se pueden considerar los valores procedentes de una nica variable aleatoria [) podemos calcular la esperanza y varianza de la media muestral [ =
q
X
1
{l :
q
l=1

{1 + === + {q
H [ =H
q
q
=
q
1
q
[H ({1 ) + === + H ({q )] =
1
q
[ + === + ] =
Por tanto la media muestral es un estimador insesgado de la media. Por

otro lado la cuasi-varianza muestral es un estimador insesgado de la varianza
poblacional H [e
v2 ] = 2
ndice
133
Ejemplo de estimador sesgado. Si consideramos

b=
si calculamos H [b
] = H
{1 + === + {q31
q
{1 + === + {q31
q
1
q
[H ({1 ) + === + H ({q31 )] =
(q 1)

= 6= , siendo el sesgo vhvjr(b
) =
q
q
q
Tenemos que la varianza muestral es un estimador sesgado de la varianza
poblacional,

2
H v2 = 2
q
q1 2

=
q
Error cuadrtico Medio
A la hora de estimar un parmetreo como es desconocido no sabemos si
sus posibles estimaciones se encuentran cerca o lejos del valor del parmetro.
El error que podemos cometer al tomar como valor del parmetro el pque
b
proporciona el estimador sera la diferencia,
, para eliminar el signo de
2
b
estas diferencias se utiliza su cuadrado, . Supongamos que pudisemos
obtener todas las posibles muestras de la poblacin de partida y calcular para
cada una de ellas esta cantidad, y calcular su media o esperanza matemtica,
que es lo que denimos como error cuadrtico medio, ECM del estimador:

2
HFP b
=H b

de tal manera que un valor pequeo de este error indicar que en media,
este estimador no se encuentra lejos del verdadero valor del parmetro, por el
contrario, si toma un valor alto ser seal de que dicho estimador no aproxima
bien en media el valor desconocido.
Si hacemos un poco de algebra y manipulamos esta expresin (sumamos y
ndice
134

restamos H b
), obtendremos la siguiente expresin:

2
HFP b
= H b
+H b
H b

h
i h
i2
= H b
H b
H b

h
i2
h
i2
h
i h

= H b
H b

+H H b

2H b
H b

H b

h
i2
h
i h
i
= Y du b
+ H b
2H b
H b

H b

2
= Y du b
+ vhvjr b
0
que para estimadores centrados al ser el vhvjr = 0 es igual a la varianza.
De esta descomposicin se deduce que un valor alto del error cuadrtico medio
se puede deber a un alto valor de la varianza o del sesgo. Se pretende buscar
aquellos estimadores que tengan un ECM mnimo, con lo cual para el caso
de los estimadores insesgados esta bsqueda se reduce a encontrar entre los
estimadores centrados aquellos de varianza mnima.
Eciencia o Precisin
Un estimador es eciente cuando tiene varianza mnima. Esta propiedad
signica que el estimador que se utilice genere estimaciones parecidas en las
diferentes muestras que se puedan extraer de la poblacin. Al tener poca variabilidad estamos concentrndonos cerca del verdadero valor del parmetro.
Formalmente, se dice que un estimador b
1 es ms eciente que b
2 si:

Y du b
1 ? Y du b
2
y se dene la eciencia de un estimador b

como

1

hi lflhqfld b
=
Y du b

1 como
y se dene la eciencia relativa de b
2 con respecto a b

hilflhqfld b
2
Y du b
1
b
b

HU 2 @1 =
=
hilflhqfld b
1
Y du b
2
ndice
135
Esta propiedad se centra en la dispersin de la distribucin del estimador, la

cual seala que se preeren aquellos que cometen menores errores en promedio.
Dentro de la clase de estimadores insesgados nos quedaremos con aquel que
tenga mnima varianza.
En una poblacin normal la media y la mediana muestral son estimadores
centrados del valor de la media . Sin embargo, la varianza de la media muestral
es
2
q
mientras que la varianza de la mediana muestral para tamaos grandes
de la muestra se aproxima a
2
,
2q
como:
Y du(phgldqd)
= 1>57
Y du(phgld)
Se deduce, que para muestras grandes la varianza de la mediana muestral
es un 57 % ms alta que la de la media.
Combinaciones Lineales de Estimadores Centrados Imaginemos que
tenemos muestras independientes con las que calculamos estimadores insesgados, b
1 y b
2 del mismo parmetro. Cmo podramos combinarlos para obtener
el mejor estimador que resuma la informacin?
Consiremos el siguiente estimador:
b
= db
1 + (1 d) b
2
que es un estimador insesgado
2 = dH b
1 + (1 d) H b
2
H b
= H db
1 + (1 d) b
= d + (1 d) =
se tendra que elegir d tal que b

sea de mnima varianza:

1 + (1 d)2 Y du b
2
Y du b
= d2 Y du b
minimizamos esta funcin respecto d

g
Y du b
= 2dY du b
1 2(1 d)Y du b
2 = 0
gd

hi lflhqfld b
1
W

d =
hilflhqfld b
1 + hi lflhqfld b
2
ndice
136
La combinacin lineal ptima es aquella que da ponderaciones directamente

proporcionales a la precisin de cada estimador.
Normalmente se investiga la eciencia de un estimador comparando su
varianza con una cantidad, denominada cota de Cramr-Rao:
Dada una muestra aleatoria de tamao q, [ = ({1 > ===> {q ), la funcin de
verosimilitud es
O([; ) = i ({1 > ===> {q > )
A partir de la funcin de verosimilitud se dene la variable aleatoria score:
C ln O([; )
C
que tiene las siguientes caractersticas
VF() =
H (VF()) = 0
Y du (VF()) = H
C ln O([; )
C
= L()
representando L() la llamada cantidad de informacin de Fisher, que

la muestra contiene respecto al parmetro . Teniendo en cuenta todo esto, se
deduce que:
h
h
i2
i2
1 + vhvjr0 (b
1 + vhvjr0 (b
)
)
Y du(b
)
2 =
L()
C ln O([;)
H
C
= FFU
expresin conocida como cota de Crmer-Rao, que indica que la varianza

de un estimador para un tamao de muestra dado no puede ser menor que esa
cota.
Implicaciones en el tipo de muestreo que utilizamos. Al ser el muestreo que
utilizamos aleatorio simple se verica:
"
"
2 #
2 #
C ln O([; )
C ln i({; )
H
= qH
C
C
y la cota es:
h
i2
1 + vhvjr0 (b
)
Y du(b
)
2
i ({;)
qH C ln C
ndice
137
si el estimador es centrado en muestras aleatorias simples la cota quedara:

Y du(b
)
qH
1
C ln i ({;)
C

por tanto un estimador b
es eciente si y solo si el ECM b
= FFU y un

estimador insesgado es eciente si y solo si Var b
= FFU.
Consistencia
La consistencia de un estimador hace referencia a su comportamiento cuando la muestra es grande. Se deseara que cuando la muestra es muy grande, el
estimador debe estar muy prximo a . Pensar qe si la poblacin fuese nita
y pudisemos observar todos sus elementos, el estimador debera ser igual al
valor del parmetro.
Estas dos condiciones garantizan que el estimador insesgado sea consistente:

q<"
H b
q $

q<"
Y du b
q $ 0

q<"
q<"
q $
si el estimador es sesgado ser consistente si: Y du b
q $ 0 y vhvjr b

q<"
0 (asintticamente insesgado) pero observar que la primera condicin (H b
q $
) es equivalente a que el sesgo del estimador tienda a 0.
Otra propiedad asinttica sera la de estimador asintticamente e-
ciente:
Ejemplo.

q<"
Y du b
q $ FFU
Dada una poblacin Poisson de parmetro y una muestra de tamao q, si

como estimador del parmetro poblacional a la media muestral. Comprobar
sus propiedades.
{ S () y tenemos una m.a.s [ = ({1 > ===> {q ) se toma como estimador
b
= [, las caractersticas poblacionales de la distribucin de Poisson son las
siguientes:
ndice
138
H ({) =
Y du({) =
h3 {
i({> ) =
{!

Es insesgado, porque sabemos que H [ = = H({) = . Por otro lado

q<"
2
la Y du [ = q = Y du({)
= q por tanto Y du [ $ 0, y es un estimador
q
consistente. Veamos si se trata de un estimador eciente, para ello calculemos
la CCR:
h3 {
{!
= ln h3 + { ln ln {!
ln i({> ) = ln
= + { ln ln {!
C ln i({; )
{
{
= 1 + =
C

por tanto
H
"
C ln i({; )
C
2 #
= H
"
{

2 #
H ({ )2
=
2
Y du({)

=
= 2
2

1
=

nalmente la cota de Camr-Rao es

FFU =

1

= Y du [
1 =
q
q
por tanto al alcanzar la varianza del estimador la cota de Cramr Rao dicho
estimador es eciente.
ndice
7.3. MTODOS DE CALCULAR ESTIMADORES
7.3.
139
Mtodos de Calcular Estimadores
Necesitamos establecer distintos criterios que nos permitan obtener de entre los innitos estimadores de un parmetro el mas adecuado como primer
paso antes de comprobar las deseables propiedades requeridas para un buen
estimador. Estableceremos dos procedimientos de estimacin: Mtodo de los
momentos y Mtodo de Mxima Verosimilitud.
7.3.1.
Mtodo de los Momentos
El mtodo de los momentos consiste en igualar momentos muestrales a

momentos poblacionales de esta manera formamos un sistema de ecuaciones
del cual se despejan los parmetros desconocidos en funcin de la muestra.
Supongamos que la poblacin de partida tiene una funcin de densidad con n
parmetros desconocidos i ({; 1 > ===> n ), el mtodo de estimacin por el mtodo de los momentos consiste en igualar los momentos poblacionales con sus
correspondientes momentos muestrales:
Momentos poblacionales: u = H ({u ) =
Momentos muestrales: du =
q
X
{ul
( P
R
{ul sl
discreto
{ i({)g{ continuo
u
l=1
q
La justicacin terica de este mtodo de estimacin se basa en el hecho de
que H (du ) = u es decir, que du es un estimador centrado del momento poblacional u , y en el llamado Teorema de Knintchine que establece la consistencia
de du como estimador del momento poblacional u .
Propiedades:
Son Consistentes
No son (exactamente) insesgados
No tienen Varianza o ECM mnimo.
ndice
140
7.3.2.
Mtodo de Mxima Verosimilitud
Como ya comentamos antes, dada una muestra aleatoria de tamao q,

[ = ({1 > ===> {q ), la funcin de verosimilitud es
O([; ) = i ({1 > ===> {q > )
Ahora bien, en un problema de estimacin se conoce un valor particular de [ = ({1 > ===> {q ), si sustituimos [ por el valor observado, la funcin
i ({1 > ===> {q > ) proporciona para cada valor de , la probabilidad de obtener el
valor muestral [ = ({1 > ===> {q ) para ese . Supongamos que la probabilidad
de obtener el vector observado i({1 > ===> {q > ) es muy alta cuando tiene un
valor particular, por ejemplo = 0 y que es muy pequea para cualquier
otro valor 5 X (al espacio paramtrico). Entonces lo lgico sera elegir como
estimador de aquel que me maximice la probabilidad de obtener la muestra
observada, es decir, de lo efectivamente ocurrido. El planteamiento operativo

es el siguiente:
Disponemos de una variable aleatoria { con funcin de densidad i({> ) o
funcin de masa o cuanta S ({ = {> ), siendo un parmetro desconocido,
dada una muestra aleatoria de tamao q, [ = ({1 > ===> {q ) obtenemos su funcin
de verosimilitud
O([; ) = i({1 > ===> {q > )
= i({1 > ) i ({2 > ) === i ({q > )
donde i({l > ) representa la funcin de densidad o de cuanta del i-simo
elemento muestral. Para el clculo del estimador se utiliza el siguiente criterio:
O([; b
) = p
d{O([; )
MX
La funcin de verosimilitud es multiplicativa y dicil para calcular su mximo por lo que para mayor sencillez se halla el valor de b
en su logaritmo
(transformacin montona creciente), siendo el estimador mximo verosmil b
,
aquel que verica:
ln O([; b
) = pd{ ln O([; )
MX
ndice
7.3. MTODOS DE CALCULAR ESTIMADORES
141
suponiendo que esta funcin es diferenciable y que su mximo no ocurre

en un extremo de su campo de denicin, hallando el logaritmo de la funcin,
derivamos respecto a e igualamos a cero. Si la funcin de densidad o de
cuanta contiene ms de un parmetro el procedimiento es anlogo si ms que
derivar respecto a cada uno de ellos e igualar las derivadas a cero. As en
general:
O([; 1 > ===> n )

= i ({1 > 1 > ===> n ) i({2 > 1 > ===> n ) === i({q > 1 > ===> n )
llamando a = (1 > ===> n ) calculamos su logaritmo
ln O([; )
= ln i ({1 > ) ln i({2 > ) === ln i({q > )
= ln i ({1 > ) + ln i ({2 > ) + === + ln i({q > )
q
X
ln i ({l > )
=
l=1
derivando respecto a (1 > ===> n ) e igualando a cero las derivadas obtenemos:
<
q
C ln O([; ) X C ln i({l > )
A
A
=
=0 A
A
A
C1
C1
A
@
l=1
.......................................................
A
q
A
A
C ln O([; ) X C ln i({l > )
A
A
=
=0 A
>
C2
C
2
l=1
De aqu surge un sistema de ecuaciones del cual se deducen los estimadores

b
l = l ({1 > ===> {q ) ;l = 1> ===> q.
Una vez calculados estos mximos hay que comprobar que realmente son
los mximos de la funcin calculando las segundas derivadas y comprobando

para el caso univariante que la derivada segunda evaluada en b
PY es negativa
y para ms de un parmetro habra que calcular el hessiano evaluado en los
estimadores y comprobar que es denida negativa.
Propiedades
El mtodo de Mxima Verosimilitud proporciona estimadores que son:
ndice
142
Asintticamente insesgados
Con distribucin asintticamente Normal
Asintticamente de varianza mnima
por tanto es el estimador ms e p
ciente, asintticamente b
PY Q > FFU()
Invariantes en el siguiente sentido: si b

PY es el estimador mximo-verosmil
de un parmetro y j es una funcin continua biunvoca j b

PY es el
estimador mximo-verosmil de j ().
Ejemplo. Dada una variable con funcin de densidad

i({) =
e{e31
0
0{1
resto
Calcular:
a) El estimador del parmetro poblacional e por el mtodo de los momentos.
b) El estimador del parmetro poblacional e por el mtodo de mxima
verosimilitud.
Solucin:
a) Mtodo de los momentos. du = u
e+1 1
e+1
Z1
{
1
d1 = 1 > d1 = [ y 1 = H ({) = {e{e31 g{ = e
=e
0 =
e+1 0
e+1
0
e
e+1
por tanto igualando momentos muestrales y poblacionales [ =
bePP = [
1[
b) Mtodo de mxima verosimilitud
e
e+1
O([> e) = i({1 > e) i({2 > e) === i({q > e) = e{e31

e{e31
=== e{e31
=
1
2
q
q !e31
Y
{l
eq
l=1
q !e31
q !
Y
Y
ln O([> e) = ln eq + ln
{l
= q ln e + (e 1) ln
{l
l=1
l=1
ndice
7.4. ESTIMACIN POR INTERVALOS DE CONFIANZA
C ln O([; )
=
Ce
q
e
q
X
l=1
C ln O([; )
= 0 +,
Ce
bePY =
7.4.
lnC
3q
q
Y
l=1
ln {l =
q + e ln
143
q !
Y
{l
q + e ln
l=1
q
Y
l=1
{l
e
!
q !
Y
{l = 0 =,
= 0 +, q + e ln
l=1
{l D
Estimacin por intervalos de Conanza
Este mtodo consiste en encontrar un intervalo dentro del cul se encuentra el parmetro desconocido con una probabilidad muy lata que llamaremos
nivel de conanza. Aparece el concepto de intervalo de conanza que es un
rango de valores entre los que posiblemente se encuentre el verdadero valor del
parmetro. Formalmente, sea { una v.a. con funcin de densidad i({> ) de
parmetro desconocido , dada una m.a.s ({1 > ===> {q ), y el nivel de conanza
que se dene como 1 donde es el nivel de signicacin. Un intervalo de
conanza 1 se dene por
1 ({1 > ===> {q ) 2 ({1 > ===> {q )

donde 1 ({1 > ===> {q ) y 2 ({1 > ===> {q ) son dos valores que dependen nicamente de la muestra de tal forma que si se tienen muchas muestras diferentes
e independientes, se construye el intervalo de conanza para cada una de ellas.
Esta idea es muy importante ya que a partir de la misma se explica el concepto
de conanza. Supongamos que queremos construir un intervalo de conanza
para el parmetro con un nivel de conanza del 95 % esto quiere decir que
1 = 0>95, y el sentido es el siguiente: el 100(1 ) % de los intervalos de
conanza que construiramos si dispusiramos de 100 muestras contendran al

verdadero valor del parmetro.
Cmo construir un intervalo?. La forma de proceder es la siguiente, dado

se construye una variable z = j (> {) con distribucin conocida, y con j
continua y montona en denominado estadstico pivote. Dado y z se
ndice
144
trata de encontrar dos valores d> e tales que:

S (d z e) = 1
y entonces como
S (d z e) = S (d j (> {) e)
se despeja en la desigualdad de tal manera que se deja solo, lo cual se
puede realizar al ser j una funcin continua y montona
S (d j (> {) e) = S j 31 (d> {) j31 (e> {)
Por tanto, a la hora de construir un intervalo de conanza para el parmetro

se necesita un estadstico que en su expresin lleve el parmetro desconocido
y cuya distribucin sea conocida.
7.4.1.
Intervalo de conanza para la media de una poblacin

normal con varianza conocida
Se considera una poblacin o variable aleatoria [ Q(> 2 ) y se dispon-
dr de una muestra aleatoria simple ({1 > ===> {q ) de dicha poblacin. El esq
X
1
tadstico que consideraremos es [ = q
{l , de manera que la expresin
l=1
del estadstico pivote que vamos a utilizar para el caso en que la varianza es
conocida y que depende de ser
[
Q (0> 1)
s
q
en las tablas de la Normal encontramos valores }@2 tal que S (] A }@2 ) =

1 x }@2 = y la construccin del intervalo con colas iguales se desarrolla
2
de la siguiente forma:
3
4
[
E
F
S C}@2 }@2 D = 1
s
q
ndice
145
despejando el parmetro en cuestin tenemos el intervalo de conanza

(IC)
S

=1
[ }@2 s [ + }@2 s
q
q
por tanto el LF (1 ) :

[ }@2 s
q
y como }@2 y }@2 son simtricos alrededor del 0, el intervalo es el ms
corto posible al nivel 1 =
Ejemplo. De una poblacin normal Q(> = 2>5) se extrae una m.a.s. de

q
P
tamao 30, siendo
{l = 77. Calcula un intervalo de conanza de la media
l=1
de la poblacin al nivel de conanza 0>95=

Solucin. [ =l
q
P
l=1
77
30
= 2>57, teniendo en cuenta que la poblacin de la
que procede la muestra es normal con varianza conocida, el intervalo que nos
piden sera con 1 = 0>9>5 por tanto = 0>05

= 0>95
S [ }0>05@2 s [ + }0>05@2 s
q
q

[ }0>05@2 s
q
2>5
2>5
LF0>95 () = 2>57 1>96 s > 2>57 + 1>96 s
30
30
por tanto la media se encontrar con un 95 % de conanza en el intervalo

[1>68> 3>46]
7.4.2.
Intervalo de conanza para la media de una poblacin

normal con varianza desconocida
dr de una muestra aleatoria simple ({1 > ===> {q ) de dicha poblacin. El esq
X
tadstico que consideraremos es [ = q1
{l , de manera que la expresin
l=1
ndice
146
del estadstico pivote que vamos a utilizar para el caso en que la varianza es
conocida y que depende de ser
[
wq31
ve
s{
q
en las tablas de la t-Student encontramos valores w@2 tal que S (wq31 A

w@2 ) = 1 x w@2 =
y la construccin del intervalo con colas iguales se
2
desarrolla de la siguiente forma:
3
E
F
[
F=1
w
SE

w

@2
@2
C
D
ve{
s
q
despejando el parmetro en cuestin tenemos el intervalo de conanza

(IC)
S
ve{
ve{
=1
[ w@2 s [ + w@2 s
q
q
por tanto el LF (1 ) :
ve{
[ w@2 s
q
Ejemplo. La Ocina de Control de Calidad del canal de Isabel II con vistas

a establecer los lmites mximos y mnimos vlidos para el consumo de agua de
la localidad de Cobea tom muestras de tamao 10, de media [ = 998 fp3
y desviacin tpica ve = 5 fp3 . Suponiendo que la cantidad de agua contenida
en el pozo sigue una ley normal. Se pide calcular dichos lmites de conanza
al nivel de conanza 95 %=
En este caso la poblacin procede de una muestra con varianza y media

desconocidas, por tanto el intervalo de conanza que me piden es:
1 = 0>95, la w de Student para @2 = 0>025 y 9 grados de libertad vale
w130>025 = 2>262. Es importante darse cuenta de como vienen las tablas, las
tablas que adjuntamos al nal del libro, son reas por la izquierda y de una
cola si son simtricas, como en estas tablas damos la cola derecha, tenemos que
calcular el punto que deja a la izquierda un rea de 0.975 a la izquierda que es
ndice
147
el punto que deja a la derecha un rea de 0>025. Por tanto una vez calculado
el punto crtico, el intervalo de conanza LF (1 = 0>95) :
5
998 2>262 s
9
[994>23> 1001> 77]
7.4.3.
Intervalo de conanza para la varianza de una

poblacin normal
dr de una muestra aleatoria simple ({1 > ===> {q ) de dicha poblacin. El estadstico que consideraremos es:
ve2 =
q
X
2
{l [
l=1
q1
de manera que el estadstico pivote que consideraremos es

(q 1) ve2
"2q31
2
determinando valores "2d > "2e tal que
S "2d "2q31 "2e
(q 1) ve2
"2q31>
S "2q31>13
2
2
2
!
(q 1) ve2
1
1

2
S
"2q31>13
2
"q31>
2
2
!
2
1

1
S

2
"2q31>13
(q 1) ve2
"q31>
2
2
!
2
(q 1) ve
S
2
"2q31>
2
el intervalo aleatorio de conanza para 2 ser:

"
#
(q 1) ve2 (q 1) ve2
> 2
"2q31>
"q31>13
2
Ejemplo.
= 1
= 1
= 1
= 1
= 1
ndice
148
7.4.4.
Intervalo de conanza para la diferencia de medias de dos poblaciones normales basado en muestras independientes
Dadas dos poblaciones normales Q({ > { ) y Q(| > | ) se toman dos
muestras de tamao q y p y sean [ e \ las medias muestrales respectivamente. Sabemos que la diferencia de medias
muestrales
r cuando! { y
2{ 2|
+
por
| son conocidas se distribuye segn una Q { | >
q
p
tanto el intervalo de conanza vendr dado por:
3
S C[ \ }@2
2|
+
{ | [ \ + }@2
q
p
2{
= 1
4
2|
+ D
q
p
2{
Cuando son desconocidas pero supuestas iguales { = | y para muestras

grandes el intervalo de conanza viene dado por:
[ \ wp+q32> 2 Vf
donde Vf2 =
1
p+q32
1
1
+
q p
(p 1) V{2 + (q 1) V|2
Cuando son desconocidas pero supuestas distintas { 6= | y para muestras grandes el intervalo de conanza viene dado por:
[ \ wn> 2
5
donde n =
3
E
E
E
C
6
2 V2 2
|:
9 V{
+
7
8
42
V{2 FF
F
pD
p31
E
E
E
C
42
V|2 FF
F
qD
q31
V{2 V|2
+
q
p
ndice
7.4.5.
149
Intervalo de conanza para la diferencia de medias de dos poblaciones normales basado en datos
pareados
G = [\ Q(1 2 >
p 2
{ + 2| 2 {| ), y las diferencias, ([1 \1 ) > ([2 \2 ) > ===> ([q
constituirn una muestra aleatoria simple de

qla poblacin [ \ . Por tanto su
media muestral G = [ \ Q(1 2 >
2{ + 2| 2 {| @q) por tanto:
s [ \ (1 2 )
q p 2
Q(0> 1)
{ + 2| 2 {|

s
[ \ (1 2 )
q1
wq31
vW
2
1
q
2
([l \l )2 [ \
q
X
l=1
el intervalo de conanza ser
vW
G wq31>@2 s
q
7.4.6.
Intervalos en muestras grandes
en esta seccin se estudiar como construir intervalos de conanza para el

caso en que tengamos tamaos de muestra grandes
ndice
Intervalo de conanza para una proporcin

Para calcular el parmetro s de una distribucin binomial o bien el parmetro
s de una distribucin de proporciones tomamos una muestra de tamao q existiendo una proporcin sb =
u
q
que tienen una caracterstica determinada.
Sabemos que la distribucin muestral de las proporciones por el Teorema Central del lmite se tiene v
u
sb3s
u s(1
t
s)
q
Q (0> 1) ,
v sb3s
u
us
t b(1
sb)
Q (0> 1) y el
150
intervalo de conanza para s es

LF(1 ) :
sb }@2
sb(1 sb)
q
comprobacin de que sb(1 sb) V 2 . Sabemos que los elementos de la
distribucin binomial toman nicamente dos posibles valores {l = 0> 1, por

2
P
P
P 2
{l [
{l
{l
2
2
2
2
=
[ =
[ =
tanto {l = {l por tanto V =
q
q
q
2
[ [ = [ 1 [ = sb(1 sb)
Intervalo de conanza para la diferencia de dos proporciones
Supongamos ahora que estamos interesados en conocer si existen diferencias

entre dos proporciones, s1 y s2 = Utilizando el Teorema Central del Lmite se
tiene que:
s
sb1 sb2 (s1 s2 )
sb1 (1 sb1 ) sb2 (1 sb2 )

+
q1
q2
Q(0> 1)
por tanto, el intervalo de conanza al 100 (1 ) % para s1 s2 es

s
sb1 (1 sb1 ) sb2 (1 sb2 )
+
q1
q2
sb1 sb2 }@2
Intervalo de conanza para la media de cualquier distribucin

Por el Teorema Central del Lmite, el intervalo de conanza al 100 (1 ) %
para = H [[] es independientemente de la distribucin

ve{
[ }@2 s
q
Intervalo de conanza para un parmetro de cualquier distribucin

Si tomamos el EMV del parmetro , es decir, b
PY sabemos que entonces
independientemente de la distribucin
b
PY Q (> FFU ())
ndice
151
portanto el intervalo
de conanza al 100 (1 ) % para es, llamando a

o b
PY = log O b
PY
v
u
1
u
b
PY }@2 t
o00 b
PY
7.4.7.
Determinacin del tamao muestral
A veces nos interesar conocer el tamao q de la muestra representativa de una poblacin jada la longitud del intervalo de conanza. En dichas
situaciones se puede calcular el tamao muestral necesario para garantizar la
longitud que deseamos jar. Por ejemplo supongamos que nuestra poblacin
es Normal y con varianza conocida, para este caso el intervalo de conanza es:

[ }@2 s
q
sabemos que cuando q es grande para cualquier distribucin se tiene

=1
S [ }@2 s [ + }@2 s
q
q
por tanto
[ }@2 s
q
la longitud de este intervalo de conanza sera:

O = [ + }@2 s [ }@2 s
q
q

= }@2 s
q
por tanto
S [ O
donde [ es el error de estimacin. Suponiendo dicho error en el mx
imo valor que puede tener [ = }@2 I se obtiene

S
q=
}@2
[
por tanto si jamos un nivel de conanza y un error mximo que estamos

dispuestos a aceptar, se puede calcular el valor de q para el cual se cumple
esto.
ndice
152
7.5.
Contrastes de Hiptesis
Dentro del campo de la inferencia estadstica, que como hemos sealado

se trata de una disciplina que se ocupa de desarrollar procedimientos que permiten "pronunciarse", en condiciones de incertidumbre, acerca de conjeturas
de carcter general, es decir, que afectan a una poblacin, a partir de la informacin suministrada por una muestra extrada al azar, de tamao reducido;
se introduce uno de sus conceptos fundamentales: el contrate o test de hiptesis estadsticas, entendindose como hiptesis estadstica cualquier conjetura,
asercin, o armacin relacionada con la distribucin o modelo de probabilidad
de una o varias poblaciones univariantes o multivariantes. Los contrastes de
hiptesis dan respuesta estadstica a los interrogantes que nos planteamos en
investigaciones empricas, dan solucin a una pregunta planteada que necesita
una toma de decisin. En esta seccin estamos por tanto interesados en aceptar o rechazar ciertas hiptesis que plantearemos acerca de los parmetros de
una distribucin, o sobre misma distribucin a partir de la informacin que
proporciona una muestra. Los contrastes se clasican en dos clases:
Contrastes paramtricos: Este tipo de contrastes hacen referencia a
los parmetros de una distribucin que es conocida, es decir, el modelo de
probabilidad de partida se conoce.
Contrastes no paramtricos: Este tipo de contrastes hacen referencia
al modelo de probabilidad de partida que se desconoce.
Se llama hiptesis a cualquier declaracin o asercin acerca de un parmetro
o caracerstica de la poblacin. Una hiptesis es, a menudo, sugerida por una
teora subyacente y la distribucin de los datos bajo la hiptesis es un miembro
de una clase bien determinada. Un contraste de hiptesis es una regla que
especica:
Para qu valores de la muestra se toma la decisin de aceptar una determinada hiptesis.
Para qu valores de la muestra se toma la decisin de rechazar una determinada hiptesis.en favor de otra.
ndice
7.5. CONTRASTES DE HIPTESIS
153
A continuacin deniremos formalmente en trminos estadsticos las herramientas que se utilizarn para desarrollar toda esta metodologa
7.5.1.
Tipos de Hiptesis, errores y Potencia
Hiptesis nula y alternativa

Consideramos una muestra aleatoria ({1 > ===> {q ) de una poblacin [ que
sigue una determinada distribucin de probabilidad i . Dada dicha muestra se
trata de decidir con ella si es ms probable que 5 X0 o que 5 X1 donde X0
y X1 constituyen una particin del espacio paramtrico, es decir, l = X0 ^ X1 .
Formalmente queremos contrastar la hiptesis nula K0 : 5 X0 frente a la
hiptesis alternativa K1 : 5 X1 . Donde la hiptesis nula es la hiptesis que
se contrasta y la mantendremos a menos que se demuestre que es falsa, sin

embargo, puede ser rechazada por los datos. Se suele elegir de la siguiente
manera:
K0 : = 0 donde 0 es un valor conocido
K0 : 1 = 2
K0 : [ Qrupdo (Caso No paramtrico)
Cuando rechazamos K0 es porque la evidencia emprica de los datos hace
mucho ms plausible la hiptesis alternativa K1 , este tipo de hiptesis suele

tener formas mas complicadas que la hiptesis nula:
Existen los llamados contrastes bilaterales, ya que al rechazar la hiptesis nula no sabemos en qu sentido puede ser falsa
K0 : 6= 0
Existen los llamados contrastes unilaterales, de tal manera que si rec-
hazamos la hiptesis nula o bien es porque verdadero valor del parmetro es

menor que la cantidad especicada en la nula o mayor.
K0 : ? 0 A 0
como podemos comprobar existen hiptesis simples que son las que especican un nico valor para el parmetro, = 0 y estn las llamadas hiptesis
compuestas ya que especican un intervalo de valores, ? 0 A 0 .
ndice
154
Errores en un Contraste de hiptesis

A la hora de llevar a cabo un contraste tenemos que delimitar lo que entenderemos como regin de aceptacin y regin de rechazo y en base a ello
deniremos los distintos errores que podemos cometer en un contraste. Tratamos de decidir si es sensato rechazar (o aceptar) la hiptesis de que el valor
de un determinado parmetro se situa en una determinada regin del espacio
paramtrico. Por lo tanto, un test consistir en dividir el espacio muestral en
dos regiones: Una regin crtica U, o de rechazo de la hiptesis K0 , y una regin
de aceptacin D de la hiptesis K0 .
A la hora de realizar un contraste de hiptesis podemos incurrir en los
siguientes errores:
Error de tipo I: Error que consiste en rechazar la hiptesis nula cuando
es verdadera
Error de tipo II: Error que consiste en aceptar la hiptesis nula cuando
es falsa.
Las probabilidades de cometer estos errores se calculan de la siguiente manera:
Llamaremos a la probabilidad de cometer el error de tipo I que es el nivel
de signicacin del contraste = S (error de tipo I) = S (rechazar K0 @ K0 es cierta) =
S (Regin Crtica@ K0 es cierta) por tanto la probabilidad de aceptar la hiptesis nula cuando es cierta es 1 .
Llamaremos a la probabilidad de cometer el error de tipo II = S (error
de tipo II) = S (aceptar K0 @ K0 es falsa) = S (Regin Aceptacin@ K0 es falsa)

por tanto la probabilidad de rechazar la hiptesis nula cuando es falsa es 1 ,
que se conoce con el nombre de Potencia del Contraste.
La siguiente tabla nos recoge las probabilidades de los distintos tipos de

decisin que tomamos segn el estado de la hiptesis nula:
Estado/Decisin Aceptar H0
Rechazar H0
H0 verdadera
H0 falsa
1

1
ndice
155
Ejemplo. Determinadas piezas de un ordenador que se fabrican presentan

un grosor en mm se distribuye como una Normal de media 20. Queremos
contrastar si en los ltimos meses dichas medidas han podido cambiar.
El contraste que plantearamos sera:
K0 :
= 20
K1 :
6= 20
Ejemplo. Un especialista est interesado en la resistencia de las piezas

de un circuito elctrico instalado en una sala de ordenadores que siguen una
distribucin normal [ Q(> 0>252 ). Desea contrastar
K0 :
=5
K1 :
6= 5
mediante el anlisis 8 piezas. Si la regin de aceptacin es [4>85> 5>15]

a) Encontrar el valor de
b) Encontrar la potencia del contraste para detectar una resistencia media
verdadera de 5.1
c) Repetir para n=10
Solucin:
a) = S (uhfk K0 @K
@ [4>85> 5>15] @[ Q(5> 0>252 ) =
0 verd.) = S [ 5
[35I
0>15I
S [ 5 A 0>15 = S 0>25@
=
A 0>25@
8
8
0>15I
[35
I A
=2S 0>25@
2S (] A 1>7) = 2 0>0446 = 0>0892
8
0>25@ 8
Bajo la hiptesis nula [ Q(5> 0>252 ) por lo tanto [ Q(5> 0>252 @8)
@ [4>85> 5>15] @[ Q(5>1> 0>252 ) =

b) 1 = S (uhfk
K0 @K
0 falsa.) = S [ 5
[35>1
[35>1
I ? 4>8535>1
I
I A 5>1535>1
I
S 0>25@
+ S 0>25@
8
0>25@ 8
8
0>25@ 8
=S (] ? 2>82) + S (] A 0>566) = 0>0023 + 0>2843 = 0>2866
Por tanto = S (dfhs K0 @K0 falsa.) = 0>7134
A la vista de estas deniciones parece lgico pensar que nos interesara

conseguir que las probabilidades de ambos tipos de error sean lo ms pequeas
posibles, sin embargo minimizar ambas a la vez no es posible, ya que jando un
tamao muestral si disminuimos la probabilidad de un error entonces aumenta
ndice
156
la probabilidad del otro error. En la prctica lo que se hace es jar la probabilidad de cometer un error de tipo I, es decir, se ja el nivel de signicacin,
los cuales son habitualmente valores reducidos = {0>1> 0>05> 0>01} = La forma
de construir un contraste jado el nivel de signicacin consiste en construir
un estadstico (Est) el cual tendr una distribucin de probabilidad bajo la
hiptesis nula, se calcula el valor puntual del mismo con los valores observados
de la muestra (Est1 ), jado la regin de rechazo se obtiene a partir de la
distribucin, y como esta distribucin es conocida, elegiremos el punto (Estf )
que determina dicha regin de la siguiente forma:
S (Hvw A Hvwf @K0 cierta) =
siendo la regin de rechazo aquellos valores del estadstico que sean superiores al valor Hvwf , en el caso de que nuestro contraste sea unilateral por la
derecha, es decir, cuando la hiptesis alternativa es A 0 . Sin embargo la
regin de rechazo para el caso en el cual nuestro contraste sea unilateral por la
izquierda, es decir, cuando la hiptesis alternativa es ? 0 , primero se calcula
S (Hvw ? Hvwf @K0 cierta) =
siendo la regin de rechazo aquellos valores del estadstico que sean inferiores al valor Hvwf . Cuando el contraste es bilateral se rechaza por ambas colas,
es decir, se busca en la distribucin el punto que deja a la derecha un rea
de @2 y el que deja a la izquierda un rea de @2= Si dicha distribucin es
simtrica rechazamos cuando |Hvw1 | A Hvwf . En la siguiente gura ilustramos
esta idea para el caso de un contraste unilateral por la derecha.
ndice
157
Distribucion de Est bajo la nula
Acept
Rechazo
D
Est c
Esta sera una forma de realizar el contraste de hiptesis, sin embargo existe
otra manera ms precisa a la hora de decidir una hiptesis u otra, esta idea
se basa en el concepto del p-valor, el cual utiliza la informacin muestral que
disponemos en el problema concreto que se plantea en la decisin.
Se trata de calcular como en el anterior procedimiento el valor del estadstico para la muestra que disponemos, una vez obtenido dicho valor Est1
calculamos segun que hiptesis alternativa el rea que deja a la derecha o
a la izquierda de ese valor. Si ese rea (probabilidad) es mayor que un valor de signicacin que jamos a-priori se aceptara la hiptesis nula, ya que
estaramos diciendo que el punto se encuentra en la regin de aceptacin, si
ocurre lo contrario rechazaramos la nula. Ms formalmente (caso unilateral
por la derecha):
s ydoru = S (Hvw Hvw1 @K0 )
Como se puede observar el p-valor no se ja a-priori sino que queda determinado a partir de la muestra. se rechaza o se acepta para cada nivel de
signicacin de la siguiente forma:
ndice
158
s ydoru (Se acepta K0 )
s ydoru (Se rechaza K0 )

Observemos a travs de esta gura este procedimiento para el caso particular en que = 0>05
D istrib u cio n de E st b a jo la nu la
P -v a lo r
A cep t
R ech a zo
D
0 . 05
Est 1
7.6.
Relacin entre intervalos de conanza y

Contrastes
Cuando construimos un intervalo de conanza para un parmetro que desconocemos estamos dando un posible rango de valores que dicho parmetro
puede tener, al hacer contrastes de hiptesis se aceptar una hiptesis cuando
el intervalo de conanza incluya el parmetro que se muestra en dicha hiptesis.
Es decir:
Se acepta la hiptesis = 0 +, cuando el intervalo de conanza (1 )
para incluye 0
ndice
7.7. CONTRASTES PARA POBLACIONES NORMALES
159
7.7.
Contrastes para poblaciones normales
7.7.1.
Contrastes para la media de una poblacin normal con varianza conocida
Supongamos que [ = ({1 > {2 > ===> {q ) es una muestra aleatoria simple m.a.s.
de una poblacin normal de media y varianza 2 conocida. Queremos realizar
el siguiente contraste unilateral:
K0 :
= 0
K1 :
A 0
Bajo la hiptesis nula (es decir, si la hiptesis nula es cierta), se sabe que
]=
[
Q (0> 1)
s
q
Por tanto, jado el nivel de signicacin , rechazaremos la hiptesis nula

en favor de la alternativa, si para valores de la muestra el valor del estadstico
es signicativamente grande, es decir:
Si } =
{ 0
A } se rechaza K0
s
q
4
3
{ F
E
s ydoru = S C] A } = 0 D
s
q
Rechazar si s ydoru ?
Supongamos ahora que queremos realizar un contraste bilateral:

K0 :
= 0
K1 :
6= 0
para este caso, una vez jado el nivel de signicacin, se rechaza la hiptesis
nula (en favor de la alternativa) si el valor del estadstico es grande o pequeo,
es decir:
ndice
160
{ 0
A }@2 se rechaza K0
s
q
o
{ 0
Si } =
? }@2 se rechaza K0
s
q
Si } =
que se trata lo mismo que
{ 0
Si } = A }@2 se rechaza K0
q
4
{ 0 F
E
s ydoru = S C|]| A } = D
q
Estas situaciones se ilustran en la siguiente gura:
Rechazo
Regin de
Aceptacin
D
0.05
ndice
Rechazo
Regin
Aceptacin
Rechazo
7.7. CONTRASTES PARA POBLACIONES NORMALES
7.7.2.
161
Contrastes para la media de una poblacin normal con varianza desconocida
Supongamos que [ = ({1 > {2 > ===> {q ) es una muestra aleatoria simple m.a.s.
de una poblacin normal de media y varianza 2 desconocida. Queremos
realizar el siguiente contraste unilateral:
K0 :
= 0
K1 :
A 0
Bajo la hiptesis nula (es decir, si la hiptesis nula es cierta), se sabe que
[ 0
wq31
ve
s{
q

es signicativamente grande, es decir:
Si w =
[ 0
A wq31> se rechaza K0
ve
s{
q
3
4
E
{ 0 F
F
s ydoru = S E
Cwq31 A w = ve{ D
s
q

K0 :
= 0
K1 :
6= 0
es decir:
ndice
162
[ 0
A wq31>@2 se rechaza K0
ve
s{
q
o
[ 0
? wq31>@2 se rechaza K0
Si w =
ve
s{
q
Si w =
[

0
Si w =
A wq31>@2 se rechaza K0
v
e
{
4
3
{ 0 F
E
s ydoru = S C|wq31 | A } = D
q
7.7.3.
Contrastes para la varianza de una poblacin normal
Se quiere realizar el siguiente contraste unilateral:

K0 :
2 = 20
K1 :
2 ? 20
sabemos que, si K0 es cierta

(q 1) ve2
"2q31
20

es signicativamente pequeo, es decir:
(q 1) ve2
? "2q31>13 se rechaza K0
20
(q 1) ve2
2
s ydoru = S "q31>13 ?
20
Si "2 =
ndice
7.8. CONTRASTES PARA DOS POBLACIONES
163

K0 :
2 = 20
K1 :
2 6= 20
es decir:
(q 1) ve2
A "2q31>@2 se rechaza K0
20
o
(q 1) ve2
=
? "2q31>13@2 se rechaza K0
20
Si "2 =
Si "2
2 (q 1) ve2
A "2q31>@2 se rechaza K0
Si " =
20
2 2 (q 1) ve2
s ydoru = S " A " =
20
7.8.
Contrastes para dos poblaciones
7.8.1.
Comparacin de medias, muestras independientes,

varianzas iguales
Queremos comparar la distribucin de dos variables aleatorias, por tanto

disponemos de dos muestras aleatorias independientes [1 > ===> [p y \1 > ===> \q :
K0 :
1 = 2
K1 :
1 6= 2
ndice
164
Poblaciones Normales
Si la hiptesis nula, K0 es cierta, es decir 1 2 = 0, el estadstico del
contraste
Hvw =
donde Vf2 =
1
p+q32
[ \
q
Vf p1 +
1
q
wp+q32
(p 1) V{2 + (q 1) V|2 . La regin de aceptacin del
contraste se dene como |Hvw| w@2
UD : [ \ wp+q32>@2 Vf
y el p-valor sera
Caso General
1
1
+
p q
s ydoru = S |wp+q32 | A Hvw

= Hvw1
Si K0 es cierta y el tamao de ambas muestras es grande, sabemos que

Hvw =
[ \
q
Vf2 p1 +
1
q
Q(0> 1)
por lo que la regin de aceptacin sera:
UD : [ \ }@2 Vf
1
1
+
p q
Ejemplo. Se tienen los datos sobre el porcentaje de rotura de un tipo de

camisas, las primeras 6 muestras antes de lavar y las siguientes 7 muestras
despus de 50 lavados.Se quiere saber si podemos concluir que las medias de
ambas muestras dieren.
Antes
12.3 13.7 10.4 11.4 14.9 12.6
Despus 15.7 10.3 12.6 14.5 12.6 13.8 11.9

Disponemos de los siguientes datos: muestras independientes, p = 6, q = 7,
[ = 12>55> \ = 13>06, V{ = 1>6 y V| = 1>78.
K0 :
1 = 2
K1 :
1 6= 2
ndice
165
Si suponemos igual varianza, la estimacin de 2 es la siguiente: Vf2 =

1
6+732
{(6 1) 1>62 + (7 1) 1>782 } = 2>89 = 1>72 .
La regin de aceptacin con = 0>05

r
r
1
1 1
1
UD : [ \ w11>0>05@2 Vf
+ = 2>2 1>7
+ = 2>081
p q
6 7
y como [ \ = 0>51, tenemos que pertenece a la regin de aceptacin,
por tanto a un nivel de signicacin del 5 % aceptamos que no existen diferencias entre ambas muestras, pudiendo concluir que el tejido de las camisas
presenta una alta calidad.
El valor del estadstico por otro lado es:
[ \
Hvw = q
= 0>54 w11>0>05@2 = 2>2
Vf2 p1 + q1
7.8.2.
Comparacin de medias, muestras dependientes

apareadas
Queremos contrastar
K0 :
1 = 2
K1 :
1 6= 2
donde G = [ \ Q(1 2 >
p 2
{ + 2| 2 {| ), y las diferencias,
([1 \1 ) > ([2 \2 ) > ===> ([q \q ) constituirn una muestra aleatoria simple
de la
qpoblacin [ \ . Por tanto su media muestral G = [ \ Q(1
2 >
2{ + 2| 2 {| @q) por tanto:
s [ \ (1 2 )
q p 2
Q(0> 1)
{ + 2| 2 {|

Hvw =
s
[ \ (1 2 )
q1
wq31
vW
ndice
166
2
1
q
2
([l \l )2 [ \
q
X
l=1
el intervalo de conanza ser
vW
G wq31>@2 s
q
Ahora bien, la regin de aceptacin sera
|Hvw| wq31>@2
7.8.3.
Comparacin de medias, muestras independientes,

varianzas distintas
Caso Poblacines normales
K0 :
1 = 2
K1 :
1 6= 2
Cuando las varianzas son desconocidas pero supuestas distintas { 6= | y
para muestras grandes el intervalo de conanza viene dado por:

s
V{2 V|2
[ \ wn> 2
+
q
p
5
donde n =
6
2 V2 2
|:
9 V{
+
7
8
2 2
E V{ F
E
F
E
C
pD
p31
E
E
E
C
42
V|2 FF
F
qD
q31
El estadstico del contraste bajo la hiptesis nula K0

[ \
Hvw = r
wn> 2
V{2 V|2
+
q
p
Se acepta la hiptesis nula si
|Hvw| wn> 2
ndice
167
Caso general
Si el tamao de ambas muestras, q y p son grandes, sabemos que la w
se distribuye como una normal estndar, ] Q(0> 1), siendo la regin de
aceptacin:
|Hvw| } 2
7.8.4.
Comparacin de varianzas
Dadas dos muestras independientes se quiere comparar:

K0 :
21 = 22
K1 :
21 6= 22
el estadstico del contraste que utilizaremos bajo la hiptesis nula K0 es:

Hvw =
V{2
V{2 @ 21
=
Iq31>p31
V|2 @ 21
V|2
y buscando en las tablas los valores If1 y If2

S (Iq31>p31 ? If1 ) = @2
S (Iq31>p31 A If2 ) = @2
por tanto la regin de aceptacin ser
If1 Hvw If2
Si queremos contrastar
K0 :
K1 :
21 22
21 A 22
el estadstico del contraste que utilizaremos bajo la hiptesis nula K0 es:

Hvw =
V{2 @ 21
V2
= {2 Iq31>p31
2
2
V| @ 1
V|
pero se buscara en las tablas el valor If tal que

S (Iq31>p31 A If ) =
siendo la regin de aceptacin
Hvw If
ndice
168
7.9.
Contrastes en muestras grandes
En esta seccin analizaremos con ms detalle la realizacin de contrastes

de hiptesis para el caso en que los tamaos de muestra son sucientemente
grandes, en secciones anteriores hemos comentado algun caso, sin embargo
especicaremos cuatro casos que pueden presentarse.
7.9.1.
Contrastes para una proporcin
Supongamos que estamos interesados en realizar el siguiente contraste

K0 :
s = s0
K1 :
s 6= s0
sabemos que cuando K0 es cierta

sb s0
Q(0> 1)
Hvw = p
sb0 (1 sb0 ) @q
por tanto rechazaremos la hiptesis nula si

|Hvw| A }@2
7.9.2.
Contrastes para la diferencia de dos proporciones
Dadas dos muestras aleatorias simples de tamaos q1 y q2 , si estamos

interesados en contrastar
K0 :
s1 s2 = 0
K1 :
s1 s2 6= 0
sabemos que cuando K0 es cierta
donde
sb1 sb2
Q(0> 1)
Hvw = p
sb0 (1 sb0 ) @q1 + sb0 (1 sb0 ) @q2
q1 sb1 + q2 sb2
q1 + q2
por tanto rechazaremos la hiptesis nula si
sb0 =
|Hvw| A }@2
ndice
7.9. CONTRASTES EN MUESTRAS GRANDES
7.9.3.
169
Contrastes para la media de cualquier distribucin
Para contrastar
K0 :
= 0
K1 : 6= 0
independientemente de la distribucin, rechazaremos la hiptesis K0 si
[ 0
A }!2
ve
s{
q
7.9.4.
Contrastes para un parmetro de cualquier dis-
tribucin
Para contrastar
K0 :
= 0
K1 : 6= 0
se rechazar la hiptesis nula K0 si
b
PY 0
q
A }!2
o00 b1
( PY )
siendo b
PY el estimador de mxima verosimilitud de , independientemente
de la distribucin
ndice
ndice
Captulo 8
SPSS
SPSS es un software estadstico para el tratamiento estadstico de bases de
datos. Esta gua introduce al lector al manejo de cheros de datos con SPSS
y el tratamiento estadstico bsico del mismo. El chero de trabajo es el que
se describe en la Tabla 1.
Estacin
Viajeros Medios de Transporte
Atocha
650000
Embajadores
387560
Laguna
365000
Aluche
250000
Fanjul
318900
Las guilas
276000
Cuatro Vientos
412500
San Jose Valderas
312000
Alcorcn
121200
Las Retamas
152050
Mstoles
175250
Mstoles-El Soto
25000
171
ndice
Captulo 8. SPSS
172
8.1.
Introduccin de datos
Al iniciar SPSS, la primera orden que solicita el programa es la apertura o

introduccin de una base de datos.
ndice
Seleccionamos la opcin: Introducir datos.y pulsamos
. Tenemos
ahora una hoja de clculo donde las variables quedan representadas en las
columnas y los casos en las. El procesador tiene dos vistas de la base de
datos: Vista de datos y Vista de variables.
8.1. INTRODUCCIN DE DATOS
173
Seleccionamos la pestaa Vista de variables. Posicionamos el ratn sobre

la primera variable en el campo: Nombre.
Nuestra primera variable se denomina: Estacion. Al escribir el nombre de
la variable y pulsar enter, se activan los campos restantes.
El campo Tipo se reere al tipo de la variable.
ndice
Captulo 8. SPSS
174
Las opciones de numrica, coma, punto y notacin cientica se reeren a

variables de tipo numrico. Se puede especicar el nmero de decimales
que se muestran en la vista de datos, sin ms que escribir el nmero
deseado en el campo: Cifras Decimales. El campo de anchura se reere
al nmero de caracteres que tiene el dato.
La opcin fecha permite especicar el formato en el que se desea representar el dato. Las opciones mas frecuentes son indicando el dia, mes y
ao (dd-mm-aaaa), el mes y el ao (mmmaaaa) y el dia ao. No obstante,
existe la opcin de personalizar este campo en un formato cmodo para
el usuario.
La opcin Dolar y Moneda personalizada permiten especicar el formato
en el que se desea representar un dato de tipo moneda.
Por ltimo, la opcin cadena permite especicar el nmero de caracteres
de una variable de tipo texto.
Nuestra variable Estacin es de tipo cadena. El nmero de caracteres mximo que tiene esta variable es 16 (caso de Mstoles-El Soto). Al especicar el
campo tipo, se actualizan los campos anchura y decimales.
El campo Etiqueta se reere a la descripcin ms detallada de la variable.
Escribimos: Nombre de la estacin de la lnea C5 de la red de cercanias de
Madrid.
El campo Valores se reere a la descripcin detallada de valores nmericos
de la variable. Esta opcin se activa unicamente en caso de variables numricas.Por ejemplo, a la hora de disear una base de datos, si se decide codicar de
modo numrico una variable categrica, esta opcin es til para recuperar el
signicado de cada valor. un caso sencillo, es una variable que describa el sexo
de cada caso, codicada como 0 si es una mujer y 1 si es un varn. En dicho
caso, aadimos cada etiqueta de valor, con el valor numrico correspondiente,
tal y como se ilustra en la siguiente imagen:
ndice
175
Una vez se han asignado todas las etiquetas de valor, se pulsa en

para que sea efectivo.
El campo Perdidos se reere a la asignacin de valores nmericos de la
variable catalogados como perdidos. Esta opcin se activa unicamente en caso
de variables numricas.Por ejemplo, a la hora de disear una base de datos,
se decide codicar con valor -99 un dato perdido. En dicho caso, aadimos un
valor discreto como valor perdido, tal y como se ilustra en la siguiente imagen:
ndice
Tambin existe la opcin de considerar un rango de valores como datos

perdidos (por ejemplo, si la variable mide la edad de un individuo, se puede
considerar como rango de valores perdidos, aquellos datos que se encuentren
entre -99 y 0). Una vez se han asignado todos los valores perdidos, se pulsa en
para que sea efectivo.
Captulo 8. SPSS
176
Los campos columnas y alineacin se reeren a formatos de presentacin

de los datos en la vista de datos. Por ltimo, el campo Medida se actualiza al
especicar el tipo de dato.
Una vez se describen las variables del estudio, insertamos los valores de
cada caso en la vista de datos:
ndice
Para no perder el trabajo realizado, seleccionar del menu Archivo la opcin

Guardar como.
177
ndice
Asignar un nombre al archivo, por ejemplo: prctica.
178
Captulo 8. SPSS
Existen diversos formatos para guardar los datos generados: .sav (son datos
con formato SPSS), .xls (datos con formato Excel),...Seleccionar en la pestaa
Tipo: excel 2.1 para guardar los datos y abrir el chero desde Excel para ver
el resultado. Se puede seleccionar las variables que se desea archivar, sin ms
que pulsar sobre Variables y marcar las variables que se desean guardar.
Al iniciar SPSS, o desde el programa podemos abrir una base de datos
creada en una sesin anterior. Si la base de datos es de tipo SPSS el programa
la abre directamente. En otro caso, se ejecuta un asistente para importar los
datos desde otro formato. Seleccionamos abrir datos desde el menu Archivo.
ndice
179
Seleccionamos tipo Excel y escribimos practica en Nombre. Pulsar en Aceptar.
ndice
Captulo 8. SPSS
180
Se inicia entonces el asistente para importar los datos. Si el chero excel es

un libro unicamente se pueden importar las hojas del chero de una en una.
ndice
8.2.
Estadstica descriptiva
Para realizar un grco de frecuencias de las variables de nuestro chero de

trabajo, seleccionar Frecuencias, dentro del men de estadsticos descriptivos
del men Analizar.
8.2. ESTADSTICA DESCRIPTIVA
181
Seleccionar la variable Medios y transladarla al men de la derecha pulsando sobre
. Las pestaas estadsticos y grcos permiten seleccionar
entre una amplia coleccin de opciones: cuartiles, percentiles, moda, varianza,

grco de barras, grco de sectores,...La pestaa formato permite ordenar
la visualizacin de los resultados segn la frecuencia o los valores, comparar
diversas variables y suprimir tablas con ms categorias de las especicadas.
Seleccionar moda en el men estadsticos y grco de barras de frecuencias
en el men grcos. Al pulsar aceptar, se ejecuta el proceso FREQUENCIES
con las indicaciones seleccionadas.
ndice
Captulo 8. SPSS
182
El visor de resultados permite editar los grcos y los resultados para cambiar los formatos de color, tipo de letra, etc. El men de la izquierda del visor
permite navegar entre los distintos resultados generados.
ndice
Para realizar un anlisis descriptivo de las variables de nuestro chero de

trabajo, seleccionar Descriptivos, dentro del men de estadsticos descriptivos
8.3. GENERACIN DE VARIABLES ALEATORIAS
183
del men Analizar.
Seleccionar las variables Viajeros y Medios y transladarlas al men de la

derecha pulsando sobre
. La pestaa opciones permite seleccionar entre
una amplia coleccin de estadsticos: cuartiles, percentiles, moda, varianza,

etc.
8.3.
Generacin de variables aleatorias
SPSS permite crear y modicar variables existentes. Para ello, selecionar

Calcular del men Transformar. El siguiente proceso permite crear una nueva
variable de destino, seleccionando un nombre distinto a las restantes variables.
En este caso se puede especicar el tipo de variable y la etiqueta de descripcin. Para modicar una variable existente, escribimos su nombre en variable de destino. El campo de expresin numrica permite realizar operaciones
matemticas entre variables y crear nuevas variables aleatoriamente.
ndice
Captulo 8. SPSS
184
Para crear una variable aleatoria, por ejemplo una variable normal de media
3 y desviacin tpica 2, escribimos AleaNormal en el campo variable de destino,
seleccionamos la funcin RV.NORMAL(media,desv_tip) del menu funciones,
especicamos la media y la desviacin estndar y pulsamos aceptar.
Se crea entonces la variable AleaNormal, de tipo numrico con el mismo

nmero de casos que las variables restantes. Como ejercicio, crear una variable
aleatoria binomial, AleaBinom, de parmetros q = 5 y s = 0>45.
ndice
8.4.
Contrastes de hiptesis disponibles
Para contrastar la hiptesis de que la media de una variable sea igual a un

valor determinado, seleccionar Prueba T para una muestra del men Comparar
medias del men Analizar.
8.4. CONTRASTES DE HIPTESIS DISPONIBLES
185
Seleccionar la variable Viajeros y transladarla al men de la derecha. Supongamos estamos interesados en contrastar si la media de esta variable es 280.000.
Escribir entonces 280000 en el campo Valor. La pestaa de opciones permite
seleccionar el nivel de conanza del contraste y el tratamiento de los casos con
valores perdidos. Para visualizar el resultado, pulsar aceptar.
ndice
Captulo 8. SPSS
186
El visor de resultados muestra la siguiente tabla, en la que se recogen los

valores del estadstico del contraste y el intervalo de conanza. Con los datos
obtenidos no podemos rechazar la hiptesis de que la media de los datos sea
280000.
Prueba para una muestra

Valor de prueba = 280000
Viajeros
,151
gl
11
Sig. (bilateral)
,883
Diferencia
de medias
7121,667
95% Intervalo de
confianza para la
diferencia
Inferior
Superior
-96695,27 110938,61
Para contrastar la hiptesis de que la media de dos variables son iguales,

seleccionar Prueba T para muestras relacionadas en el men Comparar medias
del men Analizar.
ndice
8.4. CONTRASTES DE HIPTESIS DISPONIBLES
187
Seleccionar Medios y AleaBinom para contrastar la hiptesis de si sus medias son iguales y transladarlas al men de la derecha pulsando sobre el botn
. La pestaa de opciones permite seleccionar el nivel de conanza del contraste y el tratamiento de los casos con valores perdidos. Para visualizar el
resultado, pulsar aceptar.
ndice
ndice
8.5.
TABLAS
Tabla 1: Funci
on de distribuci
on de la variable Binomial(n, p)
0.05
0 0.9500
1 1.0000
0.1
0.9000
1.0000
0.2
0.8000
1.0000
0.3
0.7000
1.0000
0.4
0.6000
1.0000
p
0.5
0.5000
1.0000
0.6
0.4000
1.0000
0.7
0.3000
1.0000
0.8
0.2000
1.0000
0.9
0.1000
1.0000
0.95
0.0500
1.0000
n=2
0 0.9025
1 0.9975
2 1.0000
0.8100
0.9900
1.0000
0.6400
0.9600
1.0000
0.4900
0.9100
1.0000
0.3600
0.8400
1.0000
0.2500
0.7500
1.0000
0.1600
0.6400
1.0000
0.0900
0.5100
1.0000
0.0400
0.3600
1.0000
0.0100
0.1900
1.0000
0.0025
0.0975
1.0000
n=3
0
1
2
3
0.8574
0.9928
0.9999
1.0000
0.7290
0.9720
0.9990
1.0000
0.5120
0.8960
0.9920
1.0000
0.3430
0.7840
0.9730
1.0000
0.2160
0.6480
0.9360
1.0000
0.1250
0.5000
0.8750
1.0000
0.0640
0.3520
0.7840
1.0000
0.0270
0.2160
0.6570
1.0000
0.0080
0.1040
0.4880
1.0000
0.0010
0.0280
0.2710
1.0000
0.0001
0.0073
0.1426
1.0000
n=4
0
1
2
3
4
0.8145
0.9860
0.9995
1.0000
1.0000
0.6561
0.9477
0.9963
0.9999
1.0000
0.4096
0.8192
0.9728
0.9984
1.0000
0.2401
0.6517
0.9163
0.9919
1.0000
0.1296
0.4752
0.8208
0.9744
1.0000
0.0625
0.3125
0.6875
0.9375
1.0000
0.0256
0.1792
0.5248
0.8704
1.0000
0.0081
0.0837
0.3483
0.7599
1.0000
0.0016
0.0272
0.1808
0.5904
1.0000
0.0001
0.0037
0.0523
0.3439
1.0000
0.0000
0.0005
0.0140
0.1855
1.0000
n=5
0
1
2
3
4
5
0.7738
0.9774
0.9988
1.0000
1.0000
1.0000
0.5905
0.9185
0.9914
0.9995
1.0000
1.0000
0.3277
0.7373
0.9421
0.9933
0.9997
1.0000
0.1681
0.5282
0.8369
0.9692
0.9976
1.0000
0.0778
0.3370
0.6826
0.9130
0.9898
1.0000
0.0313
0.1875
0.5000
0.8125
0.9688
1.0000
0.0102
0.0870
0.3174
0.6630
0.9222
1.0000
0.0024
0.0308
0.1631
0.4718
0.8319
1.0000
0.0003
0.0067
0.0579
0.2627
0.6723
1.0000
0.0000
0.0005
0.0086
0.0815
0.4095
1.0000
0.0000
0.0000
0.0012
0.0226
0.2262
1.0000
n=6
0
1
2
3
4
5
6
0.7351
0.9672
0.9978
0.9999
1.0000
1.0000
1.0000
0.5314
0.8857
0.9841
0.9987
0.9999
1.0000
1.0000
0.2621
0.6554
0.9011
0.9830
0.9984
0.9999
1.0000
0.1176
0.4202
0.7443
0.9295
0.9891
0.9993
1.0000
0.0467
0.2333
0.5443
0.8208
0.9590
0.9959
1.0000
0.0156
0.1094
0.3437
0.6563
0.8906
0.9844
1.0000
0.0041
0.0410
0.1792
0.4557
0.7667
0.9533
1.0000
0.0007
0.0109
0.0705
0.2557
0.5798
0.8824
1.0000
0.0001
0.0016
0.0170
0.0989
0.3446
0.7379
1.0000
0.0000
0.0001
0.0013
0.0158
0.1143
0.4686
1.0000
0.0000
0.0000
0.0001
0.0022
0.0328
0.2649
1.0000
n=1
ndice
Tabla 2: Funci
on de distribuci
0.1
0.4783
0.8503
0.9743
0.9973
0.9998
1.0000
1.0000
1.0000
0.2
0.2097
0.5767
0.8520
0.9667
0.9953
0.9996
1.0000
1.0000
0.3
0.0824
0.3294
0.6471
0.8740
0.9712
0.9962
0.9998
1.0000
0.4
0.0280
0.1586
0.4199
0.7102
0.9037
0.9812
0.9984
1.0000
p
0.5
0.0078
0.0625
0.2266
0.5000
0.7734
0.9375
0.9922
1.0000
0.6
0.0016
0.0188
0.0963
0.2898
0.5801
0.8414
0.9720
1.0000
0.7
0.0002
0.0038
0.0288
0.1260
0.3529
0.6706
0.9176
1.0000
0.8
0.0000
0.0004
0.0047
0.0333
0.1480
0.4233
0.7903
1.0000
0.9
0.0000
0.0000
0.0002
0.0027
0.0257
0.1497
0.5217
1.0000
0.95
0.0000
0.0000
0.0000
0.0002
0.0038
0.0444
0.3017
1.0000
n=7
0
1
2
3
4
5
6
7
0.05
0.6983
0.9556
0.9962
0.9998
1.0000
1.0000
1.0000
1.0000
n=8
0
1
2
3
4
5
6
7
8
0.6634
0.9428
0.9942
0.9996
1.0000
1.0000
1.0000
1.0000
1.0000
0.4305
0.8131
0.9619
0.9950
0.9996
1.0000
1.0000
1.0000
1.0000
0.1678
0.5033
0.7969
0.9437
0.9896
0.9988
0.9999
1.0000
1.0000
0.0576
0.2553
0.5518
0.8059
0.9420
0.9887
0.9987
0.9999
1.0000
0.0168
0.1064
0.3154
0.5941
0.8263
0.9502
0.9915
0.9993
1.0000
0.0039
0.0352
0.1445
0.3633
0.6367
0.8555
0.9648
0.9961
1.0000
0.0007
0.0085
0.0498
0.1737
0.4059
0.6846
0.8936
0.9832
1.0000
0.0001
0.0013
0.0113
0.0580
0.1941
0.4482
0.7447
0.9424
1.0000
0.0000
0.0001
0.0012
0.0104
0.0563
0.2031
0.4967
0.8322
1.0000
0.0000
0.0000
0.0000
0.0004
0.0050
0.0381
0.1869
0.5695
1.0000
0.0000
0.0000
0.0000
0.0000
0.0004
0.0058
0.0572
0.3366
1.0000
n=9
0
1
2
3
4
5
6
7
8
9
0.6302
0.9288
0.9916
0.9994
1.0000
1.0000
1.0000
1.0000
1.0000
1.0000
0.3874
0.7748
0.9470
0.9917
0.9991
0.9999
1.0000
1.0000
1.0000
1.0000
0.1342
0.4362
0.7382
0.9144
0.9804
0.9969
0.9997
1.0000
1.0000
1.0000
0.0404
0.1960
0.4628
0.7297
0.9012
0.9747
0.9957
0.9996
1.0000
1.0000
0.0101
0.0705
0.2318
0.4826
0.7334
0.9006
0.9750
0.9962
0.9997
1.0000
0.0020
0.0195
0.0898
0.2539
0.5000
0.7461
0.9102
0.9805
0.9980
1.0000
0.0003
0.0038
0.0250
0.0994
0.2666
0.5174
0.7682
0.9295
0.9899
1.0000
0.0000
0.0004
0.0043
0.0253
0.0988
0.2703
0.5372
0.8040
0.9596
1.0000
0.0000
0.0000
0.0003
0.0031
0.0196
0.0856
0.2618
0.5638
0.8658
1.0000
0.0000
0.0000
0.0000
0.0001
0.0009
0.0083
0.0530
0.2252
0.6126
1.0000
0.0000
0.0000
0.0000
0.0000
0.0000
0.0006
0.0084
0.0712
0.3698
1.0000
n = 10
0
1
2
3
4
5
6
7
8
9
10
0.5987
0.9139
0.9885
0.9990
0.9999
1.0000
1.0000
1.0000
1.0000
1.0000
1.0000
0.3487
0.7361
0.9298
0.9872
0.9984
0.9999
1.0000
1.0000
1.0000
1.0000
1.0000
0.1074
0.3758
0.6778
0.8791
0.9672
0.9936
0.9991
0.9999
1.0000
1.0000
1.0000
0.0282
0.1493
0.3828
0.6496
0.8497
0.9527
0.9894
0.9984
0.9999
1.0000
1.0000
0.0060
0.0464
0.1673
0.3823
0.6331
0.8338
0.9452
0.9877
0.9983
0.9999
1.0000
0.0010
0.0107
0.0547
0.1719
0.3770
0.6230
0.8281
0.9453
0.9893
0.9990
1.0000
0.0001
0.0017
0.0123
0.0548
0.1662
0.3669
0.6177
0.8327
0.9536
0.9940
1.0000
0.0000
0.0001
0.0016
0.0106
0.0473
0.1503
0.3504
0.6172
0.8507
0.9718
1.0000
0.0000
0.0000
0.0001
0.0009
0.0064
0.0328
0.1209
0.3222
0.6242
0.8926
1.0000
0.0000
0.0000
0.0000
0.0000
0.0001
0.0016
0.0128
0.0702
0.2639
0.6513
1.0000
0.0000
0.0000
0.0000
0.0000
0.0000
0.0001
0.0010
0.0115
0.0861
0.4013
1.0000
ndice
Tabla 3: Funci
on de distribuci
0.05
0 0.5688
1 0.8981
2 0.9848
3 0.9984
4 0.9999
5 1.0000
6 1.0000
7 1.0000
8 1.0000
9 1.0000
10 1.0000
11 1.0000
0.1
0.3138
0.6974
0.9104
0.9815
0.9972
0.9997
1.0000
1.0000
1.0000
1.0000
1.0000
1.0000
0.2
0.0859
0.3221
0.6174
0.8389
0.9496
0.9883
0.9980
0.9998
1.0000
1.0000
1.0000
1.0000
0.3
0.0198
0.1130
0.3127
0.5696
0.7897
0.9218
0.9784
0.9957
0.9994
1.0000
1.0000
1.0000
0.4
0.0036
0.0302
0.1189
0.2963
0.5328
0.7535
0.9006
0.9707
0.9941
0.9993
1.0000
1.0000
p
0.5
0.0005
0.0059
0.0327
0.1133
0.2744
0.5000
0.7256
0.8867
0.9673
0.9941
0.9995
1.0000
0.6
0.0000
0.0007
0.0059
0.0293
0.0994
0.2465
0.4672
0.7037
0.8811
0.9698
0.9964
1.0000
0.7
0.0000
0.0000
0.0006
0.0043
0.0216
0.0782
0.2103
0.4304
0.6873
0.8870
0.9802
1.0000
0.8
0.0000
0.0000
0.0000
0.0002
0.0020
0.0117
0.0504
0.1611
0.3826
0.6779
0.9141
1.0000
0.9
0.0000
0.0000
0.0000
0.0000
0.0000
0.0003
0.0028
0.0185
0.0896
0.3026
0.6862
1.0000
0.95
0.0000
0.0000
0.0000
0.0000
0.0000
0.0000
0.0001
0.0016
0.0152
0.1019
0.4312
1.0000
n = 12
0
1
2
3
4
5
6
7
8
9
10
11
12
0.5404
0.8816
0.9804
0.9978
0.9998
1.0000
1.0000
1.0000
1.0000
1.0000
1.0000
1.0000
1.0000
0.2824
0.6590
0.8891
0.9744
0.9957
0.9995
0.9999
1.0000
1.0000
1.0000
1.0000
1.0000
1.0000
0.0687
0.2749
0.5583
0.7946
0.9274
0.9806
0.9961
0.9994
0.9999
1.0000
1.0000
1.0000
1.0000
0.0138
0.0850
0.2528
0.4925
0.7237
0.8822
0.9614
0.9905
0.9983
0.9998
1.0000
1.0000
1.0000
0.0022
0.0196
0.0834
0.2253
0.4382
0.6652
0.8418
0.9427
0.9847
0.9972
0.9997
1.0000
1.0000
0.0002
0.0032
0.0193
0.0730
0.1938
0.3872
0.6128
0.8062
0.9270
0.9807
0.9968
0.9998
1.0000
0.0000
0.0003
0.0028
0.0153
0.0573
0.1582
0.3348
0.5618
0.7747
0.9166
0.9804
0.9978
1.0000
0.0000
0.0000
0.0002
0.0017
0.0095
0.0386
0.1178
0.2763
0.5075
0.7472
0.9150
0.9862
1.0000
0.0000
0.0000
0.0000
0.0001
0.0006
0.0039
0.0194
0.0726
0.2054
0.4417
0.7251
0.9313
1.0000
0.0000
0.0000
0.0000
0.0000
0.0000
0.0001
0.0005
0.0043
0.0256
0.1109
0.3410
0.7176
1.0000
0.0000
0.0000
0.0000
0.0000
0.0000
0.0000
0.0000
0.0002
0.0022
0.0196
0.1184
0.4596
1.0000
n = 13
0
1
2
3
4
5
6
7
8
9
10
11
12
13
0.5133
0.8646
0.9755
0.9969
0.9997
1.0000
1.0000
1.0000
1.0000
1.0000
1.0000
1.0000
1.0000
1.0000
0.2542
0.6213
0.8661
0.9658
0.9935
0.9991
0.9999
1.0000
1.0000
1.0000
1.0000
1.0000
1.0000
1.0000
0.0550
0.2336
0.5017
0.7473
0.9009
0.9700
0.9930
0.9988
0.9998
1.0000
1.0000
1.0000
1.0000
1.0000
0.0097
0.0637
0.2025
0.4206
0.6543
0.8346
0.9376
0.9818
0.9960
0.9993
0.9999
1.0000
1.0000
1.0000
0.0013
0.0126
0.0579
0.1686
0.3530
0.5744
0.7712
0.9023
0.9679
0.9922
0.9987
0.9999
1.0000
1.0000
0.0001
0.0017
0.0112
0.0461
0.1334
0.2905
0.5000
0.7095
0.8666
0.9539
0.9888
0.9983
0.9999
1.0000
0.0000
0.0001
0.0013
0.0078
0.0321
0.0977
0.2288
0.4256
0.6470
0.8314
0.9421
0.9874
0.9987
1.0000
0.0000
0.0000
0.0001
0.0007
0.0040
0.0182
0.0624
0.1654
0.3457
0.5794
0.7975
0.9363
0.9903
1.0000
0.0000
0.0000
0.0000
0.0000
0.0002
0.0012
0.0070
0.0300
0.0991
0.2527
0.4983
0.7664
0.9450
1.0000
0.0000
0.0000
0.0000
0.0000
0.0000
0.0000
0.0001
0.0009
0.0065
0.0342
0.1339
0.3787
0.7458
1.0000
0.0000
0.0000
0.0000
0.0000
0.0000
0.0000
0.0000
0.0000
0.0003
0.0031
0.0245
0.1354
0.4867
1.0000
n = 11
ndice
Tabla 4: Funci
on de distribuci
0.05
0.1
0.2
0.3
0.4
p
0.5
0.6
0.7
0.8
0.9
0.95
n = 14
0
1
2
3
4
5
6
7
8
9
10
11
12
13
14
0.4877
0.8470
0.9699
0.9958
0.9996
1.0000
1.0000
1.0000
1.0000
1.0000
1.0000
1.0000
1.0000
1.0000
1.0000
0.2288
0.5846
0.8416
0.9559
0.9908
0.9985
0.9998
1.0000
1.0000
1.0000
1.0000
1.0000
1.0000
1.0000
1.0000
0.0440
0.1979
0.4481
0.6982
0.8702
0.9561
0.9884
0.9976
0.9996
1.0000
1.0000
1.0000
1.0000
1.0000
1.0000
0.0068
0.0475
0.1608
0.3552
0.5842
0.7805
0.9067
0.9685
0.9917
0.9983
0.9998
1.0000
1.0000
1.0000
1.0000
0.0008
0.0081
0.0398
0.1243
0.2793
0.4859
0.6925
0.8499
0.9417
0.9825
0.9961
0.9994
0.9999
1.0000
1.0000
0.0001
0.0009
0.0065
0.0287
0.0898
0.2120
0.3953
0.6047
0.7880
0.9102
0.9713
0.9935
0.9991
0.9999
1.0000
0.0000
0.0001
0.0006
0.0039
0.0175
0.0583
0.1501
0.3075
0.5141
0.7207
0.8757
0.9602
0.9919
0.9992
1.0000
0.0000
0.0000
0.0000
0.0002
0.0017
0.0083
0.0315
0.0933
0.2195
0.4158
0.6448
0.8392
0.9525
0.9932
1.0000
0.0000
0.0000
0.0000
0.0000
0.0000
0.0004
0.0024
0.0116
0.0439
0.1298
0.3018
0.5519
0.8021
0.9560
1.0000
0.0000
0.0000
0.0000
0.0000
0.0000
0.0000
0.0000
0.0002
0.0015
0.0092
0.0441
0.1584
0.4154
0.7712
1.0000
0.0000
0.0000
0.0000
0.0000
0.0000
0.0000
0.0000
0.0000
0.0000
0.0004
0.0042
0.0301
0.1530
0.5123
1.0000
n = 15
0
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
0.4633
0.8290
0.9638
0.9945
0.9994
0.9999
1.0000
1.0000
1.0000
1.0000
1.0000
1.0000
1.0000
1.0000
1.0000
1.0000
0.2059
0.5490
0.8159
0.9444
0.9873
0.9978
0.9997
1.0000
1.0000
1.0000
1.0000
1.0000
1.0000
1.0000
1.0000
1.0000
0.0352
0.1671
0.3980
0.6482
0.8358
0.9389
0.9819
0.9958
0.9992
0.9999
1.0000
1.0000
1.0000
1.0000
1.0000
1.0000
0.0047
0.0353
0.1268
0.2969
0.5155
0.7216
0.8689
0.9500
0.9848
0.9963
0.9993
0.9999
1.0000
1.0000
1.0000
1.0000
0.0005
0.0052
0.0271
0.0905
0.2173
0.4032
0.6098
0.7869
0.9050
0.9662
0.9907
0.9981
0.9997
1.0000
1.0000
1.0000
0.0000
0.0005
0.0037
0.0176
0.0592
0.1509
0.3036
0.5000
0.6964
0.8491
0.9408
0.9824
0.9963
0.9995
1.0000
1.0000
0.0000
0.0000
0.0003
0.0019
0.0093
0.0338
0.0950
0.2131
0.3902
0.5968
0.7827
0.9095
0.9729
0.9948
0.9995
1.0000
0.0000
0.0000
0.0000
0.0001
0.0007
0.0037
0.0152
0.0500
0.1311
0.2784
0.4845
0.7031
0.8732
0.9647
0.9953
1.0000
0.0000
0.0000
0.0000
0.0000
0.0000
0.0001
0.0008
0.0042
0.0181
0.0611
0.1642
0.3518
0.6020
0.8329
0.9648
1.0000
0.0000
0.0000
0.0000
0.0000
0.0000
0.0000
0.0000
0.0000
0.0003
0.0022
0.0127
0.0556
0.1841
0.4510
0.7941
1.0000
0.0000
0.0000
0.0000
0.0000
0.0000
0.0000
0.0000
0.0000
0.0000
0.0001
0.0006
0.0055
0.0362
0.1710
0.5367
1.0000
n = 16
0
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
0.4401
0.8108
0.9571
0.9930
0.9991
0.9999
1.0000
1.0000
1.0000
1.0000
1.0000
1.0000
1.0000
1.0000
1.0000
1.0000
1.0000
0.1853
0.5147
0.7892
0.9316
0.9830
0.9967
0.9995
0.9999
1.0000
1.0000
1.0000
1.0000
1.0000
1.0000
1.0000
1.0000
1.0000
0.0281
0.1407
0.3518
0.5981
0.7982
0.9183
0.9733
0.9930
0.9985
0.9998
1.0000
1.0000
1.0000
1.0000
1.0000
1.0000
1.0000
0.0033
0.0261
0.0994
0.2459
0.4499
0.6598
0.8247
0.9256
0.9743
0.9929
0.9984
0.9997
1.0000
1.0000
1.0000
1.0000
1.0000
0.0003
0.0033
0.0183
0.0651
0.1666
0.3288
0.5272
0.7161
0.8577
0.9417
0.9809
0.9951
0.9991
0.9999
1.0000
1.0000
1.0000
0.0000
0.0003
0.0021
0.0106
0.0384
0.1051
0.2272
0.4018
0.5982
0.7728
0.8949
0.9616
0.9894
0.9979
0.9997
1.0000
1.0000
0.0000
0.0000
0.0001
0.0009
0.0049
0.0191
0.0583
0.1423
0.2839
0.4728
0.6712
0.8334
0.9349
0.9817
0.9967
0.9997
1.0000
0.0000
0.0000
0.0000
0.0000
0.0003
0.0016
0.0071
0.0257
0.0744
0.1753
0.3402
0.5501
0.7541
0.9006
0.9739
0.9967
1.0000
0.0000
0.0000
0.0000
0.0000
0.0000
0.0000
0.0002
0.0015
0.0070
0.0267
0.0817
0.2018
0.4019
0.6482
0.8593
0.9719
1.0000
0.0000
0.0000
0.0000
0.0000
0.0000
0.0000
0.0000
0.0000
0.0001
0.0005
0.0033
0.0170
0.0684
0.2108
0.4853
0.8147
1.0000
0.0000
0.0000
0.0000
0.0000
0.0000
0.0000
0.0000
0.0000
0.0000
0.0000
0.0001
0.0009
0.0070
0.0429
0.1892
0.5599
1.0000
ndice
Tabla 5: Funci
on de distribuci
0.1
0.1668
0.4818
0.7618
0.9174
0.9779
0.9953
0.9992
0.9999
1.0000
1.0000
1.0000
1.0000
1.0000
1.0000
1.0000
1.0000
1.0000
1.0000
0.2
0.0225
0.1182
0.3096
0.5489
0.7582
0.8943
0.9623
0.9891
0.9974
0.9995
0.9999
1.0000
1.0000
1.0000
1.0000
1.0000
1.0000
1.0000
0.3
0.0023
0.0193
0.0774
0.2019
0.3887
0.5968
0.7752
0.8954
0.9597
0.9873
0.9968
0.9993
0.9999
1.0000
1.0000
1.0000
1.0000
1.0000
0.4
0.0002
0.0021
0.0123
0.0464
0.1260
0.2639
0.4478
0.6405
0.8011
0.9081
0.9652
0.9894
0.9975
0.9995
0.9999
1.0000
1.0000
1.0000
p
0.5
0.0000
0.0001
0.0012
0.0064
0.0245
0.0717
0.1662
0.3145
0.5000
0.6855
0.8338
0.9283
0.9755
0.9936
0.9988
0.9999
1.0000
1.0000
0.6
0.0000
0.0000
0.0001
0.0005
0.0025
0.0106
0.0348
0.0919
0.1989
0.3595
0.5522
0.7361
0.8740
0.9536
0.9877
0.9979
0.9998
1.0000
0.7
0.0000
0.0000
0.0000
0.0000
0.0001
0.0007
0.0032
0.0127
0.0403
0.1046
0.2248
0.4032
0.6113
0.7981
0.9226
0.9807
0.9977
1.0000
0.8
0.0000
0.0000
0.0000
0.0000
0.0000
0.0000
0.0001
0.0005
0.0026
0.0109
0.0377
0.1057
0.2418
0.4511
0.6904
0.8818
0.9775
1.0000
0.9
0.0000
0.0000
0.0000
0.0000
0.0000
0.0000
0.0000
0.0000
0.0000
0.0001
0.0008
0.0047
0.0221
0.0826
0.2382
0.5182
0.8332
1.0000
0.95
0.0000
0.0000
0.0000
0.0000
0.0000
0.0000
0.0000
0.0000
0.0000
0.0000
0.0000
0.0001
0.0012
0.0088
0.0503
0.2078
0.5819
1.0000
n = 17
0
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
0.05
0.4181
0.7922
0.9497
0.9912
0.9988
0.9999
1.0000
1.0000
1.0000
1.0000
1.0000
1.0000
1.0000
1.0000
1.0000
1.0000
1.0000
1.0000
n = 18
0
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
0.3972
0.7735
0.9419
0.9891
0.9985
0.9998
1.0000
1.0000
1.0000
1.0000
1.0000
1.0000
1.0000
1.0000
1.0000
1.0000
1.0000
1.0000
1.0000
0.1501
0.4503
0.7338
0.9018
0.9718
0.9936
0.9988
0.9998
1.0000
1.0000
1.0000
1.0000
1.0000
1.0000
1.0000
1.0000
1.0000
1.0000
1.0000
0.0180
0.0991
0.2713
0.5010
0.7164
0.8671
0.9487
0.9837
0.9957
0.9991
0.9998
1.0000
1.0000
1.0000
1.0000
1.0000
1.0000
1.0000
1.0000
0.0016
0.0142
0.0600
0.1646
0.3327
0.5344
0.7217
0.8593
0.9404
0.9790
0.9939
0.9986
0.9997
1.0000
1.0000
1.0000
1.0000
1.0000
1.0000
0.0001
0.0013
0.0082
0.0328
0.0942
0.2088
0.3743
0.5634
0.7368
0.8653
0.9424
0.9797
0.9942
0.9987
0.9998
1.0000
1.0000
1.0000
1.0000
0.0000
0.0001
0.0007
0.0038
0.0154
0.0481
0.1189
0.2403
0.4073
0.5927
0.7597
0.8811
0.9519
0.9846
0.9962
0.9993
0.9999
1.0000
1.0000
0.0000
0.0000
0.0000
0.0002
0.0013
0.0058
0.0203
0.0576
0.1347
0.2632
0.4366
0.6257
0.7912
0.9058
0.9672
0.9918
0.9987
0.9999
1.0000
0.0000
0.0000
0.0000
0.0000
0.0000
0.0003
0.0014
0.0061
0.0210
0.0596
0.1407
0.2783
0.4656
0.6673
0.8354
0.9400
0.9858
0.9984
1.0000
0.0000
0.0000
0.0000
0.0000
0.0000
0.0000
0.0000
0.0002
0.0009
0.0043
0.0163
0.0513
0.1329
0.2836
0.4990
0.7287
0.9009
0.9820
1.0000
0.0000
0.0000
0.0000
0.0000
0.0000
0.0000
0.0000
0.0000
0.0000
0.0000
0.0002
0.0012
0.0064
0.0282
0.0982
0.2662
0.5497
0.8499
1.0000
0.0000
0.0000
0.0000
0.0000
0.0000
0.0000
0.0000
0.0000
0.0000
0.0000
0.0000
0.0000
0.0002
0.0015
0.0109
0.0581
0.2265
0.6028
1.0000
n = 19
0
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
0.3774
0.7547
0.9335
0.9868
0.9980
0.9998
1.0000
1.0000
1.0000
1.0000
1.0000
1.0000
1.0000
1.0000
1.0000
1.0000
1.0000
1.0000
1.0000
1.0000
0.1351
0.4203
0.7054
0.8850
0.9648
0.9914
0.9983
0.9997
1.0000
1.0000
1.0000
1.0000
1.0000
1.0000
1.0000
1.0000
1.0000
1.0000
1.0000
1.0000
0.0144
0.0829
0.2369
0.4551
0.6733
0.8369
0.9324
0.9767
0.9933
0.9984
0.9997
1.0000
1.0000
1.0000
1.0000
1.0000
1.0000
1.0000
1.0000
1.0000
0.0011
0.0104
0.0462
0.1332
0.2822
0.4739
0.6655
0.8180
0.9161
0.9674
0.9895
0.9972
0.9994
0.9999
1.0000
1.0000
1.0000
1.0000
1.0000
1.0000
0.0001
0.0008
0.0055
0.0230
0.0696
0.1629
0.3081
0.4878
0.6675
0.8139
0.9115
0.9648
0.9884
0.9969
0.9994
0.9999
1.0000
1.0000
1.0000
1.0000
0.0000
0.0000
0.0004
0.0022
0.0096
0.0318
0.0835
0.1796
0.3238
0.5000
0.6762
0.8204
0.9165
0.9682
0.9904
0.9978
0.9996
1.0000
1.0000
1.0000
0.0000
0.0000
0.0000
0.0001
0.0006
0.0031
0.0116
0.0352
0.0885
0.1861
0.3325
0.5122
0.6919
0.8371
0.9304
0.9770
0.9945
0.9992
0.9999
1.0000
0.0000
0.0000
0.0000
0.0000
0.0000
0.0001
0.0006
0.0028
0.0105
0.0326
0.0839
0.1820
0.3345
0.5261
0.7178
0.8668
0.9538
0.9896
0.9989
1.0000
0.0000
0.0000
0.0000
0.0000
0.0000
0.0000
0.0000
0.0000
0.0003
0.0016
0.0067
0.0233
0.0676
0.1631
0.3267
0.5449
0.7631
0.9171
0.9856
1.0000
0.0000
0.0000
0.0000
0.0000
0.0000
0.0000
0.0000
0.0000
0.0000
0.0000
0.0000
0.0003
0.0017
0.0086
0.0352
0.1150
0.2946
0.5797
0.8649
1.0000
0.0000
0.0000
0.0000
0.0000
0.0000
0.0000
0.0000
0.0000
0.0000
0.0000
0.0000
0.0000
0.0000
0.0002
0.0020
0.0132
0.0665
0.2453
0.6226
1.0000
ndice
Tabla 6: Funci
on de distribuci
0.05
0.1
0.2
0.3
0.4
p
0.5
0.6
0.7
0.8
0.9
0.95
n = 20
0
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
0.3585
0.7358
0.9245
0.9841
0.9974
0.9997
1.0000
1.0000
1.0000
1.0000
1.0000
1.0000
1.0000
1.0000
1.0000
1.0000
1.0000
1.0000
1.0000
1.0000
1.0000
0.1216
0.3917
0.6769
0.8670
0.9568
0.9887
0.9976
0.9996
0.9999
1.0000
1.0000
1.0000
1.0000
1.0000
1.0000
1.0000
1.0000
1.0000
1.0000
1.0000
1.0000
0.0115
0.0692
0.2061
0.4114
0.6296
0.8042
0.9133
0.9679
0.9900
0.9974
0.9994
0.9999
1.0000
1.0000
1.0000
1.0000
1.0000
1.0000
1.0000
1.0000
1.0000
0.0008
0.0076
0.0355
0.1071
0.2375
0.4164
0.6080
0.7723
0.8867
0.9520
0.9829
0.9949
0.9987
0.9997
1.0000
1.0000
1.0000
1.0000
1.0000
1.0000
1.0000
0.0000
0.0005
0.0036
0.0160
0.0510
0.1256
0.2500
0.4159
0.5956
0.7553
0.8725
0.9435
0.9790
0.9935
0.9984
0.9997
1.0000
1.0000
1.0000
1.0000
1.0000
0.0000
0.0000
0.0002
0.0013
0.0059
0.0207
0.0577
0.1316
0.2517
0.4119
0.5881
0.7483
0.8684
0.9423
0.9793
0.9941
0.9987
0.9998
1.0000
1.0000
1.0000
0.0000
0.0000
0.0000
0.0000
0.0003
0.0016
0.0065
0.0210
0.0565
0.1275
0.2447
0.4044
0.5841
0.7500
0.8744
0.9490
0.9840
0.9964
0.9995
1.0000
1.0000
0.0000
0.0000
0.0000
0.0000
0.0000
0.0000
0.0003
0.0013
0.0051
0.0171
0.0480
0.1133
0.2277
0.3920
0.5836
0.7625
0.8929
0.9645
0.9924
0.9992
1.0000
0.0000
0.0000
0.0000
0.0000
0.0000
0.0000
0.0000
0.0000
0.0001
0.0006
0.0026
0.0100
0.0321
0.0867
0.1958
0.3704
0.5886
0.7939
0.9308
0.9885
1.0000
0.0000
0.0000
0.0000
0.0000
0.0000
0.0000
0.0000
0.0000
0.0000
0.0000
0.0000
0.0001
0.0004
0.0024
0.0113
0.0432
0.1330
0.3231
0.6083
0.8784
1.0000
0.0000
0.0000
0.0000
0.0000
0.0000
0.0000
0.0000
0.0000
0.0000
0.0000
0.0000
0.0000
0.0000
0.0000
0.0003
0.0026
0.0159
0.0755
0.2642
0.6415
1.0000
n = 25
0
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
0.2774
0.6424
0.8729
0.9659
0.9928
0.9988
0.9998
1.0000
1.0000
1.0000
1.0000
1.0000
1.0000
1.0000
1.0000
1.0000
1.0000
1.0000
1.0000
1.0000
1.0000
1.0000
1.0000
1.0000
1.0000
1.0000
0.0718
0.2712
0.5371
0.7636
0.9020
0.9666
0.9905
0.9977
0.9995
0.9999
1.0000
1.0000
1.0000
1.0000
1.0000
1.0000
1.0000
1.0000
1.0000
1.0000
1.0000
1.0000
1.0000
1.0000
1.0000
1.0000
0.0038
0.0274
0.0982
0.2340
0.4207
0.6167
0.7800
0.8909
0.9532
0.9827
0.9944
0.9985
0.9996
0.9999
1.0000
1.0000
1.0000
1.0000
1.0000
1.0000
1.0000
1.0000
1.0000
1.0000
1.0000
1.0000
0.0001
0.0016
0.0090
0.0332
0.0905
0.1935
0.3407
0.5118
0.6769
0.8106
0.9022
0.9558
0.9825
0.9940
0.9982
0.9995
0.9999
1.0000
1.0000
1.0000
1.0000
1.0000
1.0000
1.0000
1.0000
1.0000
0.0000
0.0001
0.0004
0.0024
0.0095
0.0294
0.0736
0.1536
0.2735
0.4246
0.5858
0.7323
0.8462
0.9222
0.9656
0.9868
0.9957
0.9988
0.9997
0.9999
1.0000
1.0000
1.0000
1.0000
1.0000
1.0000
0.0000
0.0000
0.0000
0.0001
0.0005
0.0020
0.0073
0.0216
0.0539
0.1148
0.2122
0.3450
0.5000
0.6550
0.7878
0.8852
0.9461
0.9784
0.9927
0.9980
0.9995
0.9999
1.0000
1.0000
1.0000
1.0000
0.0000
0.0000
0.0000
0.0000
0.0000
0.0001
0.0003
0.0012
0.0043
0.0132
0.0344
0.0778
0.1538
0.2677
0.4142
0.5754
0.7265
0.8464
0.9264
0.9706
0.9905
0.9976
0.9996
0.9999
1.0000
1.0000
0.0000
0.0000
0.0000
0.0000
0.0000
0.0000
0.0000
0.0000
0.0001
0.0005
0.0018
0.0060
0.0175
0.0442
0.0978
0.1894
0.3231
0.4882
0.6593
0.8065
0.9095
0.9668
0.9910
0.9984
0.9999
1.0000
0.0000
0.0000
0.0000
0.0000
0.0000
0.0000
0.0000
0.0000
0.0000
0.0000
0.0000
0.0001
0.0004
0.0015
0.0056
0.0173
0.0468
0.1091
0.2200
0.3833
0.5793
0.7660
0.9018
0.9726
0.9962
1.0000
0.0000
0.0000
0.0000
0.0000
0.0000
0.0000
0.0000
0.0000
0.0000
0.0000
0.0000
0.0000
0.0000
0.0000
0.0000
0.0001
0.0005
0.0023
0.0095
0.0334
0.0980
0.2364
0.4629
0.7288
0.9282
1.0000
0.0000
0.0000
0.0000
0.0000
0.0000
0.0000
0.0000
0.0000
0.0000
0.0000
0.0000
0.0000
0.0000
0.0000
0.0000
0.0000
0.0000
0.0000
0.0002
0.0012
0.0072
0.0341
0.1271
0.3576
0.7226
1.0000
ndice
Tabla 7: Funci
on de distribuci
on de la variable Poisson()
x
0
1
2
3
4
5
6
7
0.10
0.9048
0.9953
0.9998
1.0000
1.0000
1.0000
1.0000
1.0000
0.20
0.8187
0.9825
0.9989
0.9999
1.0000
1.0000
1.0000
1.0000
0.30
0.7408
0.9631
0.9964
0.9997
1.0000
1.0000
1.0000
1.0000
0.40
0.6703
0.9384
0.9921
0.9992
0.9999
1.0000
1.0000
1.0000
0.50
0.6065
0.9098
0.9856
0.9982
0.9998
1.0000
1.0000
1.0000
0.60
0.5488
0.8781
0.9769
0.9966
0.9996
1.0000
1.0000
1.0000
0.70
0.4966
0.8442
0.9659
0.9942
0.9992
0.9999
1.0000
1.0000
0.80
0.4493
0.8088
0.9526
0.9909
0.9986
0.9998
1.0000
1.0000
0.90
0.4066
0.7725
0.9371
0.9865
0.9977
0.9997
1.0000
1.0000
1.00
0.3679
0.7358
0.9197
0.9810
0.9963
0.9994
0.9999
1.0000
x
0
1
2
3
4
5
6
7
8
9
1.10
0.3329
0.6990
0.9004
0.9743
0.9946
0.9990
0.9999
1.0000
1.0000
1.0000
1.20
0.3012
0.6626
0.8795
0.9662
0.9923
0.9985
0.9997
1.0000
1.0000
1.0000
1.30
0.2725
0.6268
0.8571
0.9569
0.9893
0.9978
0.9996
0.9999
1.0000
1.0000
1.40
0.2466
0.5918
0.8335
0.9463
0.9857
0.9968
0.9994
0.9999
1.0000
1.0000
1.50
0.2231
0.5578
0.8088
0.9344
0.9814
0.9955
0.9991
0.9998
1.0000
1.0000
1.60
0.2019
0.5249
0.7834
0.9212
0.9763
0.9940
0.9987
0.9997
1.0000
1.0000
1.70
0.1827
0.4932
0.7572
0.9068
0.9704
0.9920
0.9981
0.9996
0.9999
1.0000
1.80
0.1653
0.4628
0.7306
0.8913
0.9636
0.9896
0.9974
0.9994
0.9999
1.0000
1.90
0.1496
0.4337
0.7037
0.8747
0.9559
0.9868
0.9966
0.9992
0.9998
1.0000
2.00
0.1353
0.4060
0.6767
0.8571
0.9473
0.9834
0.9955
0.9989
0.9998
1.0000
x
0
1
2
3
4
5
6
7
8
9
10
11
12
2.10
0.1225
0.3796
0.6496
0.8386
0.9379
0.9796
0.9941
0.9985
0.9997
0.9999
1.0000
1.0000
1.0000
2.20
0.1108
0.3546
0.6227
0.8194
0.9275
0.9751
0.9925
0.9980
0.9995
0.9999
1.0000
1.0000
1.0000
2.30
0.1003
0.3309
0.5960
0.7993
0.9162
0.9700
0.9906
0.9974
0.9994
0.9999
1.0000
1.0000
1.0000
2.40
0.0907
0.3084
0.5697
0.7787
0.9041
0.9643
0.9884
0.9967
0.9991
0.9998
1.0000
1.0000
1.0000
2.50
0.0821
0.2873
0.5438
0.7576
0.8912
0.9580
0.9858
0.9958
0.9989
0.9997
0.9999
1.0000
1.0000
2.60
0.0743
0.2674
0.5184
0.7360
0.8774
0.9510
0.9828
0.9947
0.9985
0.9996
0.9999
1.0000
1.0000
2.70
0.0672
0.2487
0.4936
0.7141
0.8629
0.9433
0.9794
0.9934
0.9981
0.9995
0.9999
1.0000
1.0000
2.80
0.0608
0.2311
0.4695
0.6919
0.8477
0.9349
0.9756
0.9919
0.9976
0.9993
0.9998
1.0000
1.0000
2.90
0.0550
0.2146
0.4460
0.6696
0.8318
0.9258
0.9713
0.9901
0.9969
0.9991
0.9998
0.9999
1.0000
3.00
0.0498
0.1991
0.4232
0.6472
0.8153
0.9161
0.9665
0.9881
0.9962
0.9989
0.9997
0.9999
1.0000
ndice
Tabla 8: Funci
on de distribuci
x
0
1
2
3
4
5
6
7
8
9
10
11
12
13
14
3.10
0.0450
0.1847
0.4012
0.6248
0.7982
0.9057
0.9612
0.9858
0.9953
0.9986
0.9996
0.9999
1.0000
1.0000
1.0000
3.20
0.0408
0.1712
0.3799
0.6025
0.7806
0.8946
0.9554
0.9832
0.9943
0.9982
0.9995
0.9999
1.0000
1.0000
1.0000
3.30
0.0369
0.1586
0.3594
0.5803
0.7626
0.8829
0.9490
0.9802
0.9931
0.9978
0.9994
0.9998
1.0000
1.0000
1.0000
3.40
0.0334
0.1468
0.3397
0.5584
0.7442
0.8705
0.9421
0.9769
0.9917
0.9973
0.9992
0.9998
0.9999
1.0000
1.0000
3.50
0.0302
0.1359
0.3208
0.5366
0.7254
0.8576
0.9347
0.9733
0.9901
0.9967
0.9990
0.9997
0.9999
1.0000
1.0000
3.60
0.0273
0.1257
0.3027
0.5152
0.7064
0.8441
0.9267
0.9692
0.9883
0.9960
0.9987
0.9996
0.9999
1.0000
1.0000
3.70
0.0247
0.1162
0.2854
0.4942
0.6872
0.8301
0.9182
0.9648
0.9863
0.9952
0.9984
0.9995
0.9999
1.0000
1.0000
3.80
0.0224
0.1074
0.2689
0.4735
0.6678
0.8156
0.9091
0.9599
0.9840
0.9942
0.9981
0.9994
0.9998
1.0000
1.0000
3.90
0.0202
0.0992
0.2531
0.4532
0.6484
0.8006
0.8995
0.9546
0.9815
0.9931
0.9977
0.9993
0.9998
0.9999
1.0000
4.00
0.0183
0.0916
0.2381
0.4335
0.6288
0.7851
0.8893
0.9489
0.9786
0.9919
0.9972
0.9991
0.9997
0.9999
1.0000
x
0
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
4.10
0.0166
0.0845
0.2238
0.4142
0.6093
0.7693
0.8786
0.9427
0.9755
0.9905
0.9966
0.9989
0.9997
0.9999
1.0000
1.0000
1.0000
4.20
0.0150
0.0780
0.2102
0.3954
0.5898
0.7531
0.8675
0.9361
0.9721
0.9889
0.9959
0.9986
0.9996
0.9999
1.0000
1.0000
1.0000
4.30
0.0136
0.0719
0.1974
0.3772
0.5704
0.7367
0.8558
0.9290
0.9683
0.9871
0.9952
0.9983
0.9995
0.9998
1.0000
1.0000
1.0000
4.40
0.0123
0.0663
0.1851
0.3594
0.5512
0.7199
0.8436
0.9214
0.9642
0.9851
0.9943
0.9980
0.9993
0.9998
0.9999
1.0000
1.0000
4.50
0.0111
0.0611
0.1736
0.3423
0.5321
0.7029
0.8311
0.9134
0.9597
0.9829
0.9933
0.9976
0.9992
0.9997
0.9999
1.0000
1.0000
4.60
0.0101
0.0563
0.1626
0.3257
0.5132
0.6858
0.8180
0.9049
0.9549
0.9805
0.9922
0.9971
0.9990
0.9997
0.9999
1.0000
1.0000
4.70
0.0091
0.0518
0.1523
0.3097
0.4946
0.6684
0.8046
0.8960
0.9497
0.9778
0.9910
0.9966
0.9988
0.9996
0.9999
1.0000
1.0000
4.80
0.0082
0.0477
0.1425
0.2942
0.4763
0.6510
0.7908
0.8867
0.9442
0.9749
0.9896
0.9960
0.9986
0.9995
0.9999
1.0000
1.0000
4.90
0.0074
0.0439
0.1333
0.2793
0.4582
0.6335
0.7767
0.8769
0.9382
0.9717
0.9880
0.9953
0.9983
0.9994
0.9998
0.9999
1.0000
5.00
0.0067
0.0404
0.1247
0.2650
0.4405
0.6160
0.7622
0.8666
0.9319
0.9682
0.9863
0.9945
0.9980
0.9993
0.9998
0.9999
1.0000
ndice
Tabla 9: Funci
on de distribuci
x
0
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
32
33
34
35
6
0.0025
0.0174
0.0620
0.1512
0.2851
0.4457
0.6063
0.7440
0.8472
0.9161
0.9574
0.9799
0.9912
0.9964
0.9986
0.9995
0.9998
0.9999
1.0000
1.0000
1.0000
1.0000
1.0000
1.0000
1.0000
1.0000
1.0000
1.0000
1.0000
1.0000
1.0000
1.0000
1.0000
1.0000
1.0000
1.0000
6.5
0.0015
0.0113
0.0430
0.1118
0.2237
0.3690
0.5265
0.6728
0.7916
0.8774
0.9332
0.9661
0.9840
0.9929
0.9970
0.9988
0.9996
0.9998
0.9999
1.0000
1.0000
1.0000
1.0000
1.0000
1.0000
1.0000
1.0000
1.0000
1.0000
1.0000
1.0000
1.0000
1.0000
1.0000
1.0000
1.0000
7
0.0009
0.0073
0.0296
0.0818
0.1730
0.3007
0.4497
0.5987
0.7291
0.8305
0.9015
0.9467
0.9730
0.9872
0.9943
0.9976
0.9990
0.9996
0.9999
1.0000
1.0000
1.0000
1.0000
1.0000
1.0000
1.0000
1.0000
1.0000
1.0000
1.0000
1.0000
1.0000
1.0000
1.0000
1.0000
1.0000
7.5
0.0006
0.0047
0.0203
0.0591
0.1321
0.2414
0.3782
0.5246
0.6620
0.7764
0.8622
0.9208
0.9573
0.9784
0.9897
0.9954
0.9980
0.9992
0.9997
0.9999
1.0000
1.0000
1.0000
1.0000
1.0000
1.0000
1.0000
1.0000
1.0000
1.0000
1.0000
1.0000
1.0000
1.0000
1.0000
1.0000
8
0.0003
0.0030
0.0138
0.0424
0.0996
0.1912
0.3134
0.4530
0.5925
0.7166
0.8159
0.8881
0.9362
0.9658
0.9827
0.9918
0.9963
0.9984
0.9993
0.9997
0.9999
1.0000
1.0000
1.0000
1.0000
1.0000
1.0000
1.0000
1.0000
1.0000
1.0000
1.0000
1.0000
1.0000
1.0000
1.0000
8.5
0.0002
0.0019
0.0093
0.0301
0.0744
0.1496
0.2562
0.3856
0.5231
0.6530
0.7634
0.8487
0.9091
0.9486
0.9726
0.9862
0.9934
0.9970
0.9987
0.9995
0.9998
0.9999
1.0000
1.0000
1.0000
1.0000
1.0000
1.0000
1.0000
1.0000
1.0000
1.0000
1.0000
1.0000
1.0000
1.0000
9
0.0001
0.0012
0.0062
0.0212
0.0550
0.1157
0.2068
0.3239
0.4557
0.5874
0.7060
0.8030
0.8758
0.9261
0.9585
0.9780
0.9889
0.9947
0.9976
0.9989
0.9996
0.9998
0.9999
1.0000
1.0000
1.0000
1.0000
1.0000
1.0000
1.0000
1.0000
1.0000
1.0000
1.0000
1.0000
1.0000
9.5
0.0001
0.0008
0.0042
0.0149
0.0403
0.0885
0.1649
0.2687
0.3918
0.5218
0.6453
0.7520
0.8364
0.8981
0.9400
0.9665
0.9823
0.9911
0.9957
0.9980
0.9991
0.9996
0.9999
0.9999
1.0000
1.0000
1.0000
1.0000
1.0000
1.0000
1.0000
1.0000
1.0000
1.0000
1.0000
1.0000
10
0.0000
0.0005
0.0028
0.0103
0.0293
0.0671
0.1301
0.2202
0.3328
0.4579
0.5830
0.6968
0.7916
0.8645
0.9165
0.9513
0.9730
0.9857
0.9928
0.9965
0.9984
0.9993
0.9997
0.9999
1.0000
1.0000
1.0000
1.0000
1.0000
1.0000
1.0000
1.0000
1.0000
1.0000
1.0000
1.0000
15
0.0000
0.0000
0.0000
0.0002
0.0009
0.0028
0.0076
0.0180
0.0374
0.0699
0.1185
0.1848
0.2676
0.3632
0.4657
0.5681
0.6641
0.7489
0.8195
0.8752
0.9170
0.9469
0.9673
0.9805
0.9888
0.9938
0.9967
0.9983
0.9991
0.9996
0.9998
0.9999
1.0000
1.0000
1.0000
1.0000
ndice
Tabla 10: Funci

on de distribuci
on de la variable Normal(0,1)
0
0.1
0.2
0.3
0.4
0.5
0.6
0.7
0.8
0.9
1.0
1.1
1.2
1.3
1.4
1.5
1.6
1.7
1.8
1.9
2.0
2.1
2.2
2.3
2.4
2.5
2.6
2.7
2.8
2.9
3.0
3.1
3.2
3.3
3.4
3.5
3.6
3.7
3.8
3.9
4.0
0.00
0.500000
0.539828
0.579260
0.617911
0.655422
0.691462
0.725747
0.758036
0.788145
0.815940
0.841345
0.864334
0.884930
0.903200
0.919243
0.933193
0.945201
0.955435
0.964070
0.971283
0.977250
0.982136
0.986097
0.989276
0.991802
0.993790
0.995339
0.996533
0.997445
0.998134
0.998650
0.999032
0.999313
0.999517
0.999663
0.999767
0.999841
0.999892
0.999928
0.999952
0.999968
0.01
0.503989
0.543795
0.583166
0.621720
0.659097
0.694974
0.729069
0.761148
0.791030
0.818589
0.843752
0.866500
0.886861
0.904902
0.920730
0.934478
0.946301
0.956367
0.964852
0.971933
0.977784
0.982571
0.986447
0.989556
0.992024
0.993963
0.995473
0.996636
0.997523
0.998193
0.998694
0.999065
0.999336
0.999534
0.999675
0.999776
0.999847
0.999896
0.999931
0.999954
0.999970
0.02
0.507978
0.547758
0.587064
0.625516
0.662757
0.698468
0.732371
0.764238
0.793892
0.821214
0.846136
0.868643
0.888768
0.906582
0.922196
0.935745
0.947384
0.957284
0.965620
0.972571
0.978308
0.982997
0.986791
0.989830
0.992240
0.994132
0.995604
0.996736
0.997599
0.998250
0.998736
0.999096
0.999359
0.999550
0.999687
0.999784
0.999853
0.999900
0.999933
0.999956
0.999971
0.03
0.511966
0.551717
0.590954
0.629300
0.666402
0.701944
0.735653
0.767305
0.796731
0.823814
0.848495
0.870762
0.890651
0.908241
0.923641
0.936992
0.948449
0.958185
0.966375
0.973197
0.978822
0.983414
0.987126
0.990097
0.992451
0.994297
0.995731
0.996833
0.997673
0.998305
0.998777
0.999126
0.999381
0.999566
0.999698
0.999792
0.999858
0.999904
0.999936
0.999958
0.999972
0.04
0.515953
0.555670
0.594835
0.633072
0.670031
0.705401
0.738914
0.770350
0.799546
0.826391
0.850830
0.872857
0.892512
0.909877
0.925066
0.938220
0.949497
0.959070
0.967116
0.973810
0.979325
0.983823
0.987455
0.990358
0.992656
0.994457
0.995855
0.996928
0.997744
0.998359
0.998817
0.999155
0.999402
0.999581
0.999709
0.999800
0.999864
0.999908
0.999938
0.999959
0.999973
0.05
0.519939
0.559618
0.598706
0.636831
0.673645
0.708840
0.742154
0.773373
0.802337
0.828944
0.853141
0.874928
0.894350
0.911492
0.926471
0.939429
0.950529
0.959941
0.967843
0.974412
0.979818
0.984222
0.987776
0.990613
0.992857
0.994614
0.995975
0.997020
0.997814
0.998411
0.998856
0.999184
0.999423
0.999596
0.999720
0.999807
0.999869
0.999912
0.999941
0.999961
0.999974
0.06
0.523922
0.563559
0.602568
0.640576
0.677242
0.712260
0.745373
0.776373
0.805105
0.831472
0.855428
0.876976
0.896165
0.913085
0.927855
0.940620
0.951543
0.960796
0.968557
0.975002
0.980301
0.984614
0.988089
0.990863
0.993053
0.994766
0.996093
0.997110
0.997882
0.998462
0.998893
0.999211
0.999443
0.999610
0.999730
0.999815
0.999874
0.999915
0.999943
0.999963
0.999975
0.07
0.527903
0.567495
0.606420
0.644309
0.680822
0.715661
0.748571
0.779350
0.807850
0.833977
0.857690
0.879000
0.897958
0.914657
0.929219
0.941792
0.952540
0.961636
0.969258
0.975581
0.980774
0.984997
0.988396
0.991106
0.993244
0.994915
0.996207
0.997197
0.997948
0.998511
0.998930
0.999238
0.999462
0.999624
0.999740
0.999822
0.999879
0.999918
0.999946
0.999964
0.999976
0.08
0.531881
0.571424
0.610261
0.648027
0.684386
0.719043
0.751748
0.782305
0.810570
0.836457
0.859929
0.881000
0.899727
0.916207
0.930563
0.942947
0.953521
0.962462
0.969946
0.976148
0.981237
0.985371
0.988696
0.991344
0.993431
0.995060
0.996319
0.997282
0.998012
0.998559
0.998965
0.999264
0.999481
0.999638
0.999749
0.999828
0.999883
0.999922
0.999948
0.999966
0.999977
0.09
0.535856
0.575345
0.614092
0.651732
0.687933
0.722405
0.754903
0.785236
0.813267
0.838913
0.862143
0.882977
0.901475
0.917736
0.931888
0.944083
0.954486
0.963273
0.970621
0.976705
0.981691
0.985738
0.988989
0.991576
0.993613
0.995201
0.996427
0.997365
0.998074
0.998605
0.998999
0.999289
0.999499
0.999651
0.999758
0.999835
0.999888
0.999925
0.999950
0.999967
0.999978
ndice
Tabla 11: Inversa de la funci

on de distribuci
on de la variable Chi-Cuadrado.
Gr.Lib.
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
40
50
60
70
80
90
100
20.005
0.000039
0.010025
0.071722
0.206989
0.411742
0.675727
0.989256
1.344413
1.734933
2.155856
2.603222
3.073824
3.565035
4.074675
4.600916
5.142205
5.697217
6.264805
6.843971
7.433844
8.033653
8.642716
9.260425
9.886234
10.519652
11.160237
11.807587
12.461336
13.121149
13.786720
20.706535
27.990749
35.534491
43.275180
51.171932
59.196304
67.327563
20.01
0.000157
0.020101
0.114832
0.297109
0.554298
0.872090
1.239042
1.646497
2.087901
2.558212
3.053484
3.570569
4.106915
4.660425
5.229349
5.812212
6.407760
7.014911
7.632730
8.260398
8.897198
9.542492
10.195716
10.856361
11.523975
12.198147
12.878504
13.564710
14.256455
14.953457
22.164261
29.706683
37.484852
45.441717
53.540077
61.754079
70.064895
20.025
0.000982
0.050636
0.215795
0.484419
0.831212
1.237344
1.689869
2.179731
2.700389
3.246973
3.815748
4.403789
5.008751
5.628726
6.262138
6.907664
7.564186
8.230746
8.906516
9.590777
10.282898
10.982321
11.688552
12.401150
13.119720
13.843905
14.573383
15.307861
16.047072
16.790772
24.433039
32.357364
40.481748
48.757565
57.153173
65.646618
74.221927
20.05
0.003932
0.102587
0.351846
0.710723
1.145476
1.635383
2.167350
2.732637
3.325113
3.940299
4.574813
5.226029
5.891864
6.570631
7.260944
7.961646
8.671760
9.390455
10.117013
10.850811
11.591305
12.338015
13.090514
13.848425
14.611408
15.379157
16.151396
16.927875
17.708366
18.492661
26.509303
34.764252
43.187958
51.739278
60.391478
69.126030
77.929465
20.1
0.015791
0.210721
0.584374
1.063623
1.610308
2.204131
2.833107
3.489539
4.168159
4.865182
5.577785
6.303796
7.041505
7.789534
8.546756
9.312236
10.085186
10.864936
11.650910
12.442609
13.239598
14.041493
14.847956
15.658684
16.473408
17.291885
18.113896
18.939242
19.767744
20.599235
29.050523
37.688648
46.458888
55.328940
64.277844
73.291090
82.358136
ndice

on de distribuci
on de la variable Chi-Cuadrado.
Gr.Lib.
20.9
1
2.705543
2
4.605170
3
6.251389
4
7.779440
5
9.236357
6
10.644641
7
12.017037
8
13.361566
9
14.683657
10 15.987179
11 17.275009
12 18.549348
13 19.811929
14 21.064144
15 22.307130
16 23.541829
17 24.769035
18 25.989423
19 27.203571
20 28.411981
21 29.615089
22 30.813282
23 32.006900
24 33.196244
25 34.381587
26 35.563171
27 36.741217
28 37.915923
29 39.087470
30 40.256024
40 51.805057
50 63.167121
60 74.397006
70 85.527043
80 96.578204
90 107.565009
100 118.498004
20.95
3.841459
5.991465
7.814728
9.487729
11.070498
12.591587
14.067140
15.507313
16.918978
18.307038
19.675138
21.026070
22.362032
23.684791
24.995790
26.296228
27.587112
28.869299
30.143527
31.410433
32.670573
33.924438
35.172462
36.415029
37.652484
38.885139
40.113272
41.337138
42.556968
43.772972
55.758479
67.504807
79.081944
90.531225
101.879474
113.145270
124.342113
20.975
5.023886
7.377759
9.348404
11.143287
12.832502
14.449375
16.012764
17.534546
19.022768
20.483177
21.920049
23.336664
24.735605
26.118948
27.488393
28.845351
30.191009
31.526378
32.852327
34.169607
35.478876
36.780712
38.075627
39.364077
40.646469
41.923170
43.194511
44.460792
45.722286
46.979242
59.341707
71.420195
83.297675
95.023184
106.628568
118.135893
129.561197
20.99
6.634897
9.210340
11.344867
13.276704
15.086272
16.811894
18.475307
20.090235
21.665994
23.209251
24.724970
26.216967
27.688250
29.141238
30.577914
31.999927
33.408664
34.805306
36.190869
37.566235
38.932173
40.289360
41.638398
42.979820
44.314105
45.641683
46.962942
48.278236
49.587884
50.892181
63.690740
76.153891
88.379419
100.425184
112.328793
124.116319
135.806723
20.995
7.879439
10.596635
12.838156
14.860259
16.749602
18.547584
20.277740
21.954955
23.589351
25.188180
26.756849
28.299519
29.819471
31.319350
32.801321
34.267187
35.718466
37.156451
38.582257
39.996846
41.401065
42.795655
44.181275
45.558512
46.927890
48.289882
49.644915
50.993376
52.335618
53.671962
66.765962
79.489978
91.951698
104.214899
116.321057
128.298944
140.169489
ndice

on de distribuci
on de la variable t-Student.
Gr.Lib.
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
40
50
100
1000
t0.9
3.077684
1.885618
1.637745
1.533206
1.475884
1.439756
1.414924
1.396815
1.383029
1.372184
1.363430
1.356217
1.350171
1.345030
1.340606
1.336757
1.333379
1.330391
1.327728
1.325341
1.323188
1.321237
1.319460
1.317836
1.316345
1.314972
1.313703
1.312527
1.311434
1.310415
1.303077
1.298714
1.290075
1.282398
t0.95
6.313752
2.919986
2.353380
2.131847
2.015048
1.943180
1.894579
1.859548
1.833113
1.812461
1.795885
1.782288
1.770933
1.761310
1.753050
1.745884
1.739607
1.734064
1.729133
1.724718
1.720743
1.717144
1.713872
1.710882
1.708141
1.705618
1.703288
1.701131
1.699127
1.697261
1.683851
1.675905
1.660234
1.646379
t0.975
12.706205
4.302653
3.182449
2.776445
2.570582
2.446912
2.364624
2.306004
2.262157
2.228139
2.200985
2.178813
2.160369
2.144787
2.131450
2.119905
2.109816
2.100922
2.093024
2.085963
2.079614
2.073873
2.068658
2.063899
2.059539
2.055529
2.051831
2.048407
2.045230
2.042272
2.021075
2.008559
1.983972
1.962339
t0.99
31.820516
6.964557
4.540703
3.746954
3.364930
3.142668
2.997952
2.896459
2.821438
2.763769
2.718079
2.680998
2.650309
2.624494
2.602480
2.583487
2.566934
2.552380
2.539483
2.527977
2.517648
2.508325
2.499867
2.492159
2.485107
2.478630
2.472660
2.467140
2.462021
2.457262
2.423257
2.403272
2.364217
2.330083
t0.995
63.656741
9.924843
5.840909
4.604097
4.032159
3.707428
3.499483
3.355387
3.249836
3.169273
3.105806
3.054540
3.012276
2.976843
2.946713
2.920782
2.898231
2.878440
2.860935
2.845340
2.831360
2.818756
2.807336
2.796940
2.787436
2.778715
2.770683
2.763262
2.756386
2.749996
2.704459
2.677793
2.625891
2.580755
ndice

on de Distribuci
on de la variable F-Snedecor con = 0.9.
d./n.
1
1 39.863458
2
8.526316
3
5.538319
4
4.544771
5
4.060420
6
3.775950
7
3.589428
8
3.457919
9
3.360303
10
3.285015
11
3.225202
12
3.176549
13
3.136205
14
3.102213
15
3.073186
16
3.048110
17
3.026232
18
3.006977
19
2.989900
20
2.974653
21
2.960956
22
2.948585
23
2.937356
24
2.927117
25
2.917745
26
2.909132
27
2.901192
28
2.893846
29
2.887033
30
2.880695
40
2.835354
60
2.791068
120
2.747807
2
49.500000
9.000000
5.462383
4.324555
3.779716
3.463304
3.257442
3.113118
3.006452
2.924466
2.859511
2.806796
2.763167
2.726468
2.695173
2.668171
2.644638
2.623947
2.605612
2.589254
2.574569
2.561314
2.549290
2.538332
2.528305
2.519096
2.510609
2.502761
2.495483
2.488716
2.440369
2.393255
2.347338
3
53.593245
9.161790
5.390773
4.190860
3.619477
3.288762
3.074072
2.923796
2.812863
2.727673
2.660229
2.605525
2.560273
2.522224
2.489788
2.461811
2.437434
2.416005
2.397022
2.380087
2.364888
2.351170
2.338727
2.327390
2.317017
2.307491
2.298712
2.290595
2.283069
2.276071
2.226092
2.177411
2.129991
4
55.832961
9.243416
5.342644
4.107250
3.520196
3.180763
2.960534
2.806426
2.692680
2.605336
2.536188
2.480102
2.433705
2.394692
2.361433
2.332745
2.307747
2.285772
2.266303
2.248934
2.233345
2.219274
2.206512
2.194882
2.184242
2.174469
2.165463
2.157136
2.149415
2.142235
2.090950
2.040986
1.992302
5
57.240077
9.292626
5.309157
4.050579
3.452982
3.107512
2.883344
2.726447
2.610613
2.521641
2.451184
2.394022
2.346724
2.306943
2.273022
2.243758
2.218253
2.195827
2.175956
2.158227
2.142311
2.127944
2.114911
2.103033
2.092165
2.082182
2.072981
2.064473
2.056583
2.049246
1.996820
1.945710
1.895875
6
58.204416
9.325530
5.284732
4.009749
3.404507
3.054551
2.827392
2.668335
2.550855
2.460582
2.389067
2.331024
2.282979
2.242559
2.208082
2.178329
2.152392
2.129581
2.109364
2.091322
2.075123
2.060497
2.047227
2.035132
2.024062
2.013893
2.004519
1.995851
1.987811
1.980333
1.926879
1.874720
1.823812
7
58.905953
9.349081
5.266195
3.978966
3.367899
3.014457
2.784930
2.624135
2.505313
2.413965
2.341566
2.282780
2.234103
2.193134
2.158178
2.128003
2.101689
2.078541
2.058020
2.039703
2.023252
2.008397
1.994915
1.982625
1.971376
1.961039
1.951510
1.942696
1.934521
1.926916
1.872522
1.819393
1.767476
8
59.438981
9.366770
5.251671
3.954940
3.339276
2.983036
2.751580
2.589349
2.469406
2.377150
2.303997
2.244575
2.195350
2.153904
2.118530
2.087982
2.061336
2.037889
2.017098
1.998534
1.981858
1.966796
1.953124
1.940658
1.929246
1.918758
1.909087
1.900141
1.891842
1.884121
1.828863
1.774829
1.721959
9
59.857585
9.380544
5.239996
3.935671
3.316281
2.957741
2.724678
2.561238
2.440340
2.347306
2.273502
2.213525
2.163820
2.121955
2.086209
2.055331
2.028388
2.004674
1.983639
1.964853
1.947974
1.932725
1.918880
1.906255
1.894693
1.884067
1.874267
1.865199
1.856786
1.848958
1.792902
1.738020
1.684248
ndice

on de Distribuci
d./n.
10
1 60.194980
2
9.391573
3
5.230411
4
3.919876
5
3.297402
6
2.936935
7
2.702510
8
2.538037
9
2.416316
10 2.322604
11 2.248230
12 2.187764
13 2.137635
14 2.095396
15 2.059319
16 2.028145
17 2.000936
18 1.976980
19 1.955725
20 1.936738
21 1.919674
22 1.904255
23 1.890252
24 1.877480
25 1.865782
26 1.855028
27 1.845109
28 1.835930
29 1.827412
30 1.819485
40 1.762686
60 1.707009
120 1.652379
12
60.705212
9.408132
5.215618
3.895527
3.268239
2.904721
2.668111
2.501958
2.378885
2.284051
2.208725
2.147437
2.096588
2.053714
2.017070
1.985386
1.957716
1.933340
1.911702
1.892363
1.874975
1.859255
1.844974
1.831942
1.820003
1.809023
1.798891
1.789513
1.780807
1.772704
1.714563
1.657429
1.601204
15
61.220343
9.424711
5.200313
3.870360
3.238011
2.871222
2.632230
2.464216
2.339624
2.243515
2.167094
2.104851
2.053160
2.009535
1.972216
1.939921
1.911695
1.886811
1.864705
1.844935
1.827148
1.811057
1.796431
1.783076
1.770834
1.759571
1.749173
1.739543
1.730600
1.722272
1.662411
1.603368
1.545002
20
61.740292
9.441309
5.184482
3.844338
3.206650
2.836340
2.594732
2.424637
2.298322
2.200744
2.123046
2.059677
2.006982
1.962453
1.924314
1.891272
1.862361
1.836845
1.814155
1.793843
1.775551
1.758989
1.743921
1.730152
1.717520
1.705890
1.695144
1.685187
1.675932
1.667309
1.605151
1.543486
1.482072
24
30
40
60
120
62.002046 62.264970 62.529052 62.794279 63.060639
9.449616
9.457927
9.466244
9.474565
9.482891
5.176365
5.168111
5.159719
5.151187
5.142513
3.830994
3.817422
3.803615
3.789568
3.775275
3.190523
3.174084
3.157324
3.140230
3.122792
2.818345
2.799960
2.781169
2.761952
2.742290
2.575327
2.555457
2.535096
2.514218
2.492792
2.404097
2.383016
2.361362
2.339097
2.316181
2.276827
2.254720
2.231958
2.208493
2.184270
2.178426
2.155426
2.131691
2.107161
2.081765
2.100005
2.076214
2.051610
2.026118
1.999652
2.035993
2.011492
1.986102
1.959732
1.932278
1.982718
1.957575
1.931466
1.904287
1.875915
1.937663
1.911933
1.885163
1.857234
1.828001
1.899044
1.872774
1.845393
1.816764
1.786720
1.865561
1.838792
1.810841
1.781557
1.750747
1.836242
1.809010
1.780528
1.750627
1.719090
1.810348
1.782685
1.753706
1.723222
1.690993
1.787307
1.759241
1.729793
1.698758
1.665869
1.766667
1.738223
1.708334
1.676776
1.643256
1.748068
1.719268
1.688962
1.656907
1.622782
1.731217
1.702083
1.671382
1.638853
1.604147
1.715878
1.686428
1.655352
1.622371
1.587107
1.701854
1.672104
1.640673
1.607260
1.571459
1.688981
1.658947
1.627177
1.593350
1.557031
1.677122
1.646819
1.614725
1.580502
1.543683
1.666160
1.635601
1.603198
1.568595
1.531293
1.655997
1.625193
1.592496
1.557527
1.519759
1.646547
1.615511
1.582531
1.547210
1.508990
1.637737
1.606479
1.573228
1.537569
1.498912
1.574111
1.541076
1.505625
1.467157
1.424757
1.510718
1.475539
1.437342
1.395201
1.347568
1.447226
1.409379
1.367602
1.320340
1.264573
ndice

on de Distribuci
d./n.
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
40
60
120
1
161.447639
18.512821
10.127964
7.708647
6.607891
5.987378
5.591448
5.317655
5.117355
4.964603
4.844336
4.747225
4.667193
4.600110
4.543077
4.493998
4.451322
4.413873
4.380750
4.351244
4.324794
4.300950
4.279344
4.259677
4.241699
4.225201
4.210008
4.195972
4.182964
4.170877
4.084746
4.001191
3.920124
2
199.500000
19.000000
9.552094
6.944272
5.786135
5.143253
4.737414
4.458970
4.256495
4.102821
3.982298
3.885294
3.805565
3.738892
3.682320
3.633723
3.591531
3.554557
3.521893
3.492828
3.466800
3.443357
3.422132
3.402826
3.385190
3.369016
3.354131
3.340386
3.327654
3.315830
3.231727
3.150411
3.071779
3
215.707345
19.164292
9.276628
6.591382
5.409451
4.757063
4.346831
4.066181
3.862548
3.708265
3.587434
3.490295
3.410534
3.343889
3.287382
3.238872
3.196777
3.159908
3.127350
3.098391
3.072467
3.049125
3.027998
3.008787
2.991241
2.975154
2.960351
2.946685
2.934030
2.922277
2.838745
2.758078
2.680168
4
224.583241
19.246794
9.117182
6.388233
5.192168
4.533677
4.120312
3.837853
3.633089
3.478050
3.356690
3.259167
3.179117
3.112250
3.055568
3.006917
2.964708
2.927744
2.895107
2.866081
2.840100
2.816708
2.795539
2.776289
2.758710
2.742594
2.727765
2.714076
2.701399
2.689628
2.605975
2.525215
2.447237
5
230.161878
19.296410
9.013455
6.256057
5.050329
4.387374
3.971523
3.687499
3.481659
3.325835
3.203874
3.105875
3.025438
2.958249
2.901295
2.852409
2.809996
2.772853
2.740058
2.710890
2.684781
2.661274
2.639999
2.620654
2.602987
2.586790
2.571886
2.558128
2.545386
2.533555
2.449466
2.368270
2.289851
6
233.986000
19.329534
8.940645
6.163132
4.950288
4.283866
3.865969
3.580580
3.373754
3.217175
3.094613
2.996120
2.915269
2.847726
2.790465
2.741311
2.698660
2.661305
2.628318
2.598978
2.572712
2.549061
2.527655
2.508189
2.490410
2.474109
2.459108
2.445259
2.432434
2.420523
2.335852
2.254053
2.175006
7
236.768400
19.353218
8.886743
6.094211
4.875872
4.206658
3.787044
3.500464
3.292746
3.135465
3.012330
2.913358
2.832098
2.764199
2.706627
2.657197
2.614299
2.576722
2.543534
2.514011
2.487578
2.463774
2.442226
2.422629
2.404728
2.388314
2.373208
2.359260
2.346342
2.334344
2.249024
2.166541
2.086770
8
238.882695
19.370993
8.845238
6.041044
4.818320
4.146804
3.725725
3.438101
3.229583
3.071658
2.947990
2.848565
2.766913
2.698672
2.640797
2.591096
2.547955
2.510158
2.476770
2.447064
2.420462
2.396503
2.374812
2.355081
2.337057
2.320527
2.305313
2.291264
2.278251
2.266163
2.180170
2.096968
2.016426
9
240.543255
19.384826
8.812300
5.998779
4.772466
4.099016
3.676675
3.388130
3.178893
3.020383
2.896223
2.796375
2.714356
2.645791
2.587626
2.537667
2.494291
2.456281
2.422699
2.392814
2.366048
2.341937
2.320105
2.300244
2.282097
2.265453
2.250131
2.235982
2.222874
2.210697
2.124029
2.040098
1.958763
ndice

on de Distribuci
d./n.
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
40
60
120
10
241.881747
19.395897
8.785525
5.964371
4.735063
4.059963
3.636523
3.347163
3.137280
2.978237
2.853625
2.753387
2.671024
2.602155
2.543719
2.493513
2.449916
2.411702
2.377934
2.347878
2.320953
2.296696
2.274728
2.254739
2.236474
2.219718
2.204292
2.190044
2.176844
2.164580
2.077248
1.992592
1.910461
12
243.906038
19.412511
8.744641
5.911729
4.677704
3.999935
3.574676
3.283939
3.072947
2.912977
2.787569
2.686637
2.603661
2.534243
2.475313
2.424660
2.380654
2.342067
2.307954
2.277581
2.250362
2.225831
2.203607
2.183380
2.164891
2.147926
2.132303
2.117869
2.104493
2.092063
2.003459
1.917396
1.833695
15
245.949926
19.429135
8.702870
5.857805
4.618759
3.938058
3.510740
3.218406
3.006102
2.845017
2.718640
2.616851
2.533110
2.463003
2.403447
2.352223
2.307693
2.268622
2.234063
2.203274
2.175670
2.150778
2.128217
2.107673
2.088887
2.071642
2.055755
2.041071
2.027458
2.014804
1.924463
1.836437
1.750497
20
248.013082
19.445768
8.660190
5.802542
4.558131
3.874189
3.444525
3.150324
2.936455
2.774016
2.646445
2.543588
2.458882
2.387896
2.327535
2.275570
2.230354
2.190648
2.155497
2.124155
2.096033
2.070656
2.047638
2.026664
2.007471
1.989842
1.973590
1.958561
1.944620
1.931653
1.838859
1.747984
1.658680
24
249.051775
19.454089
8.638501
5.774389
4.527153
3.841457
3.410494
3.115240
2.900474
2.737248
2.608974
2.505482
2.420196
2.348678
2.287826
2.235405
2.189766
2.149665
2.114143
2.082454
2.054004
2.028319
2.005009
1.983760
1.964306
1.946428
1.929940
1.914686
1.900531
1.887360
1.792937
1.700117
1.608437
30
250.095148
19.462411
8.616576
5.745877
4.495712
3.808164
3.375808
3.079406
2.863652
2.699551
2.570489
2.466279
2.380334
2.308207
2.246789
2.193841
2.147708
2.107143
2.071186
2.039086
2.010248
1.984195
1.960537
1.938957
1.919188
1.901010
1.884236
1.868709
1.854293
1.840872
1.744432
1.649141
1.554343
40
251.143153
19.470736
8.594411
5.716998
4.463793
3.774286
3.340430
3.042778
2.825933
2.660855
2.530905
2.425880
2.339180
2.266350
2.204276
2.150711
2.103998
2.062885
2.026410
1.993819
1.964515
1.938018
1.913938
1.891955
1.871801
1.853255
1.836129
1.820263
1.805523
1.791790
1.692797
1.594273
1.495202
60
252.195739
19.479064
8.572004
5.687744
4.431380
3.739797
3.304323
3.005303
2.787249
2.621077
2.490123
2.384166
2.296596
2.222950
2.160105
2.105813
2.058411
2.016643
1.979544
1.946358
1.916486
1.889445
1.864844
1.842360
1.821727
1.802719
1.785149
1.768857
1.753704
1.739574
1.637252
1.534314
1.429013
120
253.252854
19.487394
8.549351
5.658105
4.398454
3.704667
3.267445
2.966923
2.747525
2.580122
2.448024
2.340995
2.252414
2.177811
2.114056
2.058895
2.010663
1.968100
1.930237
1.896318
1.865739
1.838018
1.812760
1.789642
1.768395
1.748795
1.730650
1.713800
1.698107
1.683452
1.576610
1.467267
1.351886
ndice

on de Distribuci
d./n.
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
40
60
120
1
647.789011
38.506329
17.443443
12.217863
10.006982
8.813101
8.072669
7.570882
7.209283
6.936728
6.724130
6.553769
6.414254
6.297939
6.199501
6.115127
6.042013
5.978052
5.921631
5.871494
5.826648
5.786299
5.749805
5.716639
5.686366
5.658624
5.633109
5.609564
5.587768
5.567535
5.423937
5.285611
5.152331
2
799.500000
39.000000
16.044106
10.649111
8.433621
7.259856
6.541520
6.059467
5.714705
5.456396
5.255889
5.095867
4.965266
4.856698
4.765048
4.686665
4.618874
4.559672
4.507528
4.461255
4.419918
4.382768
4.349202
4.318726
4.290932
4.265483
4.242094
4.220525
4.200572
4.182061
4.050992
3.925265
3.804638
3
864.162972
39.165495
15.439182
9.979199
7.763589
6.598799
5.889819
5.415962
5.078119
4.825621
4.630025
4.474185
4.347178
4.241728
4.152804
4.076823
4.011163
3.953863
3.903428
3.858699
3.818761
3.782886
3.750486
3.721080
3.694273
3.669736
3.647192
3.626408
3.607187
3.589359
3.463260
3.342520
3.226890
4
899.583310
39.248418
15.100979
9.604530
7.387886
6.227161
5.522594
5.052632
4.718078
4.468342
4.275072
4.121209
3.995898
3.891914
3.804271
3.729417
3.664754
3.608344
3.558706
3.514695
3.475408
3.440126
3.408268
3.379359
3.353009
3.328894
3.306741
3.286321
3.267438
3.249925
3.126114
3.007659
2.894308
5
921.847903
39.298228
14.884823
9.364471
7.146382
5.987565
5.285237
4.817276
4.484411
4.236086
4.043998
3.891134
3.766674
3.663423
3.576415
3.502116
3.437944
3.381968
3.332718
3.289056
3.250084
3.215087
3.183488
3.154816
3.128684
3.104770
3.082802
3.062554
3.043830
3.026466
2.903722
2.786315
2.673988
6
937.111083
39.331458
14.734718
9.197311
6.977702
5.819757
5.118597
4.651696
4.319722
4.072131
3.880651
3.728292
3.604256
3.501365
3.414665
3.340631
3.276689
3.220915
3.171844
3.128340
3.089509
3.054639
3.023154
2.994586
2.968549
2.944720
2.922831
2.902655
2.883998
2.866696
2.744382
2.627370
2.515401
7
948.216889
39.355205
14.624395
9.074141
6.853076
5.695470
4.994909
4.528562
4.197047
3.949824
3.758638
3.606515
3.482669
3.379933
3.293360
3.219431
3.155577
3.099877
3.050868
3.007416
2.968630
2.933799
2.902347
2.873808
2.847795
2.823988
2.802118
2.781959
2.763317
2.746027
2.623781
2.506792
2.394794
8
956.656221
39.373022
14.539887
8.979580
6.757172
5.599623
4.899341
4.433260
4.101956
3.854891
3.663819
3.511777
3.387987
3.285288
3.198738
3.124822
3.060973
3.005271
2.956257
2.912797
2.873999
2.839155
2.807689
2.779135
2.753106
2.729283
2.707396
2.687220
2.668562
2.651256
2.528863
2.411672
2.299410
9
963.284579
39.386883
14.473081
8.904682
6.681054
5.523407
4.823217
4.357233
4.025994
3.778963
3.587899
3.435846
3.312032
3.209300
3.122712
3.048753
2.984859
2.929112
2.880052
2.836546
2.797704
2.762815
2.731307
2.702711
2.676642
2.652780
2.630856
2.610643
2.591950
2.574610
2.451939
2.334406
2.221730
ndice

on de Distribuci
d./n.
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
40
60
120
10
968.627444
39.397975
14.418942
8.843881
6.619154
5.461324
4.761116
4.295127
3.963865
3.716792
3.525672
3.373553
3.249668
3.146861
3.060197
2.986163
2.922195
2.866376
2.817245
2.773671
2.734764
2.699813
2.668244
2.639590
2.613466
2.589551
2.567576
2.547315
2.528575
2.511191
2.388161
2.270198
2.157011
12
976.707950
39.414615
14.336552
8.751159
6.524549
5.366244
4.665830
4.199667
3.868220
3.620945
3.429613
3.277277
3.153175
3.050155
2.963282
2.889048
2.824886
2.768881
2.719574
2.675831
2.636762
2.601657
2.569941
2.541148
2.514890
2.490848
2.468752
2.448375
2.429524
2.412034
2.288157
2.169192
2.054820
15
984.866841
39.431261
14.252711
8.656541
6.427728
5.268667
4.567787
4.101213
3.769357
3.521673
3.329935
3.177201
3.052713
2.949321
2.862093
2.787518
2.723032
2.666719
2.617118
2.573096
2.533762
2.498405
2.466451
2.437429
2.410954
2.386705
2.364412
2.343847
2.324816
2.307154
2.181903
2.061308
1.944992
20
993.102805
39.447911
14.167381
8.559943
6.328555
5.168401
4.466740
3.999453
3.666906
3.418544
3.226145
3.072773
2.947671
2.843691
2.755902
2.680793
2.615799
2.559003
2.508943
2.464484
2.424735
2.388983
2.356652
2.327271
2.300455
2.275879
2.253274
2.232411
2.213095
2.195160
2.067714
1.944470
1.824920
24
997.249245
39.456238
14.124146
8.510873
6.278040
5.117192
4.414999
3.947220
3.614196
3.365369
3.172519
3.018711
2.893191
2.788811
2.700640
2.625166
2.559824
2.502697
2.452321
2.407562
2.367526
2.331500
2.298907
2.269277
2.242222
2.217418
2.194595
2.173522
2.154006
2.135879
2.006868
1.881696
1.759725
30
1001.414408
39.464566
14.080523
8.461274
6.226879
5.065227
4.362393
3.894016
3.560410
3.311017
3.117617
2.963278
2.837247
2.732377
2.643735
2.567813
2.502042
2.444504
2.393736
2.348602
2.308208
2.271840
2.238919
2.208976
2.181619
2.156527
2.133427
2.112088
2.092317
2.073944
1.942916
1.815202
1.689944
40
1005.598097
39.472895
14.036509
8.411132
6.175050
5.012471
4.308876
3.839780
3.505474
3.255396
3.061330
2.906346
2.779693
2.674223
2.585005
2.508529
2.442228
2.384181
2.332924
2.287322
2.246478
2.209678
2.176343
2.146000
2.118261
2.092800
2.069345
2.047664
2.027563
2.008872
1.875197
1.744046
1.614147
60
1009.800110
39.481226
13.992098
8.360436
6.122529
4.958891
4.254398
3.784446
3.449302
3.198402
3.003533
2.847768
2.720356
2.614152
2.524226
2.447066
2.380105
2.321422
2.269552
2.223359
2.181945
2.144594
2.110728
2.079873
2.051639
2.025699
2.001781
1.979653
1.959118
1.940008
1.802770
1.666791
1.529942
120
1014.020239
39.489557
13.947285
8.309170
6.069293
4.904446
4.198904
3.727940
3.391799
3.139914
2.944078
2.787365
2.659029
2.551924
2.461122
2.383111
2.315324
2.255839
2.203191
2.156242
2.114094
2.076031
2.041473
2.009946
1.981058
1.954483
1.929947
1.907218
1.886098
1.866418
1.724205
1.581034
1.432677
ndice

on de Distribuci
d./n.
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
40
60
120
1
4052.180695
98.502513
34.116222
21.197690
16.258177
13.745023
12.246383
11.258624
10.561431
10.044289
9.646034
9.330212
9.073806
8.861593
8.683117
8.530965
8.399740
8.285420
8.184947
8.095958
8.016597
7.945386
7.881134
7.822871
7.769798
7.721254
7.676684
7.635619
7.597663
7.562476
7.314100
7.077106
6.850893
2
4999.500000
99.000000
30.816520
18.000000
13.273934
10.924767
9.546578
8.649111
8.021517
7.559432
7.205713
6.926608
6.700965
6.514884
6.358873
6.226235
6.112114
6.012905
5.925879
5.848932
5.780416
5.719022
5.663699
5.613591
5.567997
5.526335
5.488118
5.452937
5.420445
5.390346
5.178508
4.977432
4.786510
3
5403.352014
99.166201
29.456695
16.694369
12.059954
9.779538
8.451285
7.590992
6.991917
6.552313
6.216730
5.952545
5.739380
5.563886
5.416965
5.292214
5.185000
5.091890
5.010287
4.938193
4.874046
4.816606
4.764877
4.718051
4.675465
4.636570
4.600907
4.568091
4.537795
4.509740
4.312569
4.125892
3.949100
4
5624.583330
99.249372
28.709898
15.977025
11.391928
9.148301
7.846645
7.006077
6.422085
5.994339
5.668300
5.411951
5.205330
5.035378
4.893210
4.772578
4.668968
4.579036
4.500258
4.430690
4.368815
4.313429
4.263567
4.218445
4.177420
4.139960
4.105622
4.074032
4.044873
4.017877
3.828294
3.649047
3.479531
5
5763.649554
99.299296
28.237081
15.521858
10.967021
8.745895
7.460435
6.631825
6.056941
5.636326
5.316009
5.064343
4.861621
4.694964
4.555614
4.437420
4.335939
4.247882
4.170767
4.102685
4.042144
3.987963
3.939195
3.895070
3.854957
3.818336
3.784770
3.753895
3.725399
3.699019
3.513840
3.338884
3.173545
6
5858.986107
99.332589
27.910657
15.206865
10.672255
8.466125
7.191405
6.370681
5.801770
5.385811
5.069210
4.820574
4.620363
4.455820
4.318273
4.201634
4.101505
4.014637
3.938573
3.871427
3.811725
3.758301
3.710218
3.666717
3.627174
3.591075
3.557991
3.527559
3.499475
3.473477
3.291012
3.118674
2.955854
7
5928.355732
99.356374
27.671696
14.975758
10.455511
8.259995
6.992833
6.177624
5.612865
5.200121
4.886072
4.639502
4.440997
4.277882
4.141546
4.025947
3.926719
3.840639
3.765269
3.698740
3.639590
3.586660
3.539024
3.495928
3.456754
3.420993
3.388219
3.358073
3.330252
3.304499
3.123757
2.953049
2.791764
8
5981.070308
99.374215
27.489177
14.798889
10.289311
8.101651
6.840049
6.028870
5.467123
5.056693
4.744468
4.499365
4.302062
4.139946
4.004453
3.889572
3.790964
3.705422
3.630525
3.564412
3.505632
3.453034
3.405695
3.362867
3.323937
3.288399
3.255827
3.225868
3.198219
3.172624
2.992981
2.823280
2.662906
9
6022.473245
99.388093
27.345206
14.659134
10.157762
7.976121
6.718752
5.910619
5.351129
4.942421
4.631540
4.387510
4.191078
4.029680
3.894788
3.780415
3.682242
3.597074
3.522503
3.456676
3.398147
3.345773
3.298634
3.255985
3.217217
3.181824
3.149385
3.119547
3.092009
3.066516
2.887560
2.718454
2.558574
ndice

on de Distribuci
d./n.
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
40
60
120
10
6055.846707
99.399196
27.228734
14.545901
10.051017
7.874119
6.620063
5.814294
5.256542
4.849147
4.539282
4.296054
4.100267
3.939396
3.804940
3.690931
3.593066
3.508162
3.433817
3.368186
3.309830
3.257606
3.210599
3.168069
3.129406
3.094108
3.061754
3.031992
3.004524
2.979094
2.800545
2.631751
2.472077
12
6106.320708
99.415852
27.051819
14.373587
9.888275
7.718333
6.469091
5.666719
5.111431
4.705870
4.397401
4.155258
3.960326
3.800141
3.666240
3.552687
3.455198
3.370608
3.296527
3.231120
3.172953
3.120891
3.074025
3.031615
2.993056
2.957848
2.925573
2.895881
2.868472
2.843095
2.664827
2.496116
2.336300
15
6157.284615
99.432511
26.872195
14.198202
9.722219
7.558994
6.314331
5.515125
4.962078
4.558140
4.250867
4.009619
3.815365
3.655697
3.522194
3.408947
3.311694
3.227286
3.153343
3.088041
3.029951
2.977946
2.931118
2.888732
2.850186
2.814982
2.782703
2.753000
2.725577
2.700180
2.521616
2.352297
2.191504
20
6208.730222
99.449171
26.689791
14.019609
9.552646
7.395832
6.155438
5.359095
4.807995
4.405395
4.099046
3.858433
3.664609
3.505222
3.371892
3.258737
3.161518
3.077097
3.003109
2.937735
2.879556
2.827447
2.780504
2.737997
2.699325
2.663991
2.631580
2.601744
2.574188
2.548659
2.368876
2.197806
2.034588
24
6234.630894
99.457502
26.597523
13.929064
9.466471
7.312721
6.074319
5.279264
4.728998
4.326929
4.020910
3.780485
3.586753
3.427387
3.294029
3.180811
3.083502
2.998974
2.924866
2.859363
2.801050
2.748802
2.701720
2.659072
2.620260
2.584787
2.552239
2.522268
2.494579
2.468921
2.287998
2.115364
1.950018
30
6260.648579
99.465833
26.504534
13.837660
9.379329
7.228533
5.992010
5.198130
4.648582
4.246933
3.941132
3.700789
3.507042
3.347596
3.214110
3.100733
3.003241
2.918516
2.844201
2.778485
2.719955
2.667490
2.620191
2.577329
2.538305
2.502624
2.469872
2.439701
2.411817
2.385967
2.203382
2.028479
1.860005
40
6286.782054
99.474165
26.410813
13.745379
9.291189
7.143222
5.908449
5.115610
4.566649
4.165287
3.859573
3.619181
3.425293
3.265641
3.131906
3.018248
2.920458
2.835420
2.760786
2.694749
2.635896
2.583111
2.535496
2.492321
2.452990
2.417007
2.383960
2.353501
2.325335
2.299211
2.114232
1.936018
1.762849
60
6313.030053
99.482497
26.316351
13.652198
9.202015
7.056737
5.823566
5.031618
4.483087
4.081855
3.776071
3.535473
3.341287
3.181274
3.047135
2.933046
2.834806
2.749309
2.674211
2.607708
2.548393
2.495149
2.447081
2.403461
2.363691
2.327279
2.293812
2.262941
2.234372
2.207854
2.019411
1.836259
1.655693
120
6339.391275
99.490829
26.221139
13.558096
9.111771
6.969023
5.737286
4.946052
4.397769
3.996481
3.690436
3.449440
3.254760
3.094191
2.959453
2.844737
2.745852
2.659701
2.583944
2.516783
2.456813
2.402919
2.354209
2.309955
2.269562
2.232536
2.198465
2.167001
2.137851
2.110762
1.917191
1.726320
1.532992
ndice
Tabla 22: Tabla N

umeros aleatorios: enteros entre 0 y 99999 (generados con R)
F/C
(1)
(2)
(3)
(4)
(5)
(6)
(7)
(8)
(9)
(10)
(11)
(12)
(13)
(14)
1
2
3
4
5
26776
50497
72729
45900
91137
58587
71432
82438
15381
8023
56041
97244
98941
26830
85925
75428
92480
19202
67457
87911
7539
10677
39210
58260
89117
81909
92645
40180
15374
47587
64024
1524
91722
66338
55514
66807
98592
29687
75653
30607
13802
84356
76807
25902
96123
74725
81799
57258
12879
11541
2799
26367
16231
41307
81671
29420
95085
99558
64205
24105
55658
12466
79083
32017
39002
29160
38906
32391
35523
97611
6
7
8
9
10
2376
17051
957
22101
41170
67450
26498
42261
6192
66324
51703
25584
4385
1934
58985
42217
91979
54277
19657
69805
11795
77400
94698
16669
71953
23621
22776
11730
25450
77425
65350
56040
16071
85714
36563
39467
22435
28241
18916
18591
90119
97466
3752
1496
62319
53702
74123
40192
6748
76389
93851
1101
52688
93755
99498
19669
52823
6771
56021
56511
49657
47786
88840
64238
68715
55993
47325
71069
51774
75296
11
12
13
14
15
30742
95666
93110
90645
97635
49670
99865
86598
22597
69574
71057
76952
50607
82137
50828
37457
36248
76476
52820
30791
16076
75368
86257
62965
17717
88682
9585
4632
69131
78012
16327
72868
58981
34284
85168
28598
17399
81988
62301
62303
18404
19172
15995
29621
81324
5566
82578
53623
6126
57733
73529
25046
49151
7696
30852
23560
91609
91370
71938
63055
36999
72422
19190
11781
23
82372
48658
60046
14559
95478
16
17
18
19
20
80240
80862
43427
92070
85890
17894
83430
15731
94035
54340
76439
11309
97566
26069
37710
78997
71641
37773
98132
50306
20154
25482
29217
193
49998
10691
20834
52348
7773
84727
22162
69628
55833
13652
74400
37148
57126
38643
57296
92483
60721
37823
27632
59076
78224
74415
29008
48540
42704
45492
8494
40083
56235
53975
3130
98625
99021
50341
89585
35599
55400
14532
55651
40019
9447
44742
95218
54863
78628
93100
21
22
23
24
25
82538
10754
26382
9807
1566
53819
54497
86888
86300
12576
3263
38602
99358
47633
34414
54277
48482
38917
29377
65407
56849
11182
93718
24185
68823
30684
87055
56844
51250
21709
3957
50460
2020
24083
71684
93205
8779
39650
69873
16499
59928
82931
92519
38677
56947
17549
38152
2591
81570
48773
63830
54386
75922
19361
26503
32722
32788
25358
5646
71420
1158
21975
89784
49992
38416
20147
62641
42634
3476
42098
26
27
28
29
30
96601
65765
93149
48118
50701
55773
77404
9225
25194
90987
94873
91177
99855
20321
59982
71563
92974
61119
72967
88440
49804
30059
2867
37846
5281
88245
51552
85676
75223
63030
76084
69232
13265
9684
47832
80925
97687
32033
9902
91895
53675
51251
49811
25720
89447
12570
37841
49440
82390
64589
71807
50155
34591
10396
2045
70666
75057
4879
29440
56713
17089
36146
48714
56365
93948
40792
95666
83286
29035
31621
31
32
33
34
35
58675
1786
48296
67249
1184
27633
3049
95979
8290
431
84054
36187
76644
79587
80464
43366
73802
28201
55283
73696
81807
49173
19397
29492
39576
4494
39327
21863
34125
67691
13193
81359
23131
42268
68429
98635
13568
59787
8174
23136
90297
81631
84671
65380
92304
35950
75835
37111
25364
95586
96733
75020
29557
97529
82145
79604
47744
35822
95022
80409
63143
83222
21655
92717
58204
13752
3995
32874
11163
18476
36
37
38
39
40
31502
40385
6963
96217
83400
76846
44388
66476
61946
68653
15726
60011
49753
43477
88819
16618
94438
37252
73574
73830
30147
92339
44290
87898
2601
23803
23189
93051
58602
45578
62360
51268
85417
88025
84875
30211
63329
96677
77917
94095
13199
41252
5438
43313
4526
3719
66229
49234
77767
59115
11569
85295
97683
53201
16098
44869
73411
56383
65031
2160
34063
91496
87896
73587
44591
42618
17875
16307
57447
31417
41
42
43
44
45
82596
62795
62705
69701
55126
69182
56332
53583
14325
61604
33665
76478
8698
32404
97351
9031
59500
80458
28122
92042
24088
96982
22278
77263
13671
51114
48999
38374
70035
61187
17453
23288
16028
75515
17472
17757
13414
49731
40888
21014
18401
45139
5239
4622
27759
32777
48252
4162
37098
38819
2362
70676
46221
87182
86487
77
86478
64108
71848
84136
77202
503
89291
5859
58632
31344
57491
81909
14685
70884
46
47
48
49
50
43083
86676
64883
1349
56253
42949
81458
81215
70196
17135
65080
15048
63380
65073
81205
25760
7074
83723
40500
28874
13012
31737
91447
1458
50609
17930
26102
20155
96145
77928
35514
75136
57045
56292
88600
67207
89060
89102
93303
75732
6977
17469
65856
20019
21098
84242
85087
69573
5999
79329
20189
67990
34789
35601
78049
31025
53302
14392
31400
81304
24928
72388
73467
97307
3798
71931
48653
24605
7440
40407
ndice
Bibliografa
[1] Horra Navarro J.(1995), Estadstica aplicada, Madrid : Daz de Santos,
D.L.
[2] Susan Milton J.S.and Arnold J.C. (2004), "Probabilidad y estadstica con
aplicaciones para ingeniera y ciencias computacionales , Mxico [etc.] :
McGraw-Hill, cop.
[3] Pea Snchez D. (2001), Fundamentos de estadstica, Madrid : Alianza,
D.L.
[4] Prez Lpez C. (2003), "Estadstica : problemas resueltos y aplicaciones",
Madrid [etc.] : Pearson, D.L.
[5] Ros S.(1997), Iniciacin estadstica, Madrid : Paraninfo.
[6] Ross, S. M. (2004). Introduction to probability and statistics for engineers
and scientists , Amsterdam [etc.] : Elsevier Academic Press, cop.
[7] Ruz-Maya Prez L. and Martn Pliego F.J. (1999), "Fundamentos de inferencia estadstica", Editorial AC, libros cientcos y tcnicos Madrid.
ndice

Manual de Estadistica

Transféré par

Informations du document

Copyright

Formats disponibles

Partager ce document

Partager ou intégrer le document

Options de partage

Avez-vous trouvé ce document utile ?

Ce contenu est-il inapproprié ?

Droits d'auteur :

Formats disponibles

Manual de Estadistica

Transféré par

Droits d'auteur :

Formats disponibles

MANUAL DE ESTADSTICA1

Ana Garca Sipols y Clara Simn de Blas

especialmente a Juan Miguel y Sonia Hernndez por sus apuntes

Preimpresin realizada por los autores

1.4.2. Medidas de posicin.....................................

7.8.2. Comparacin de medias, muestras

7.8.3. Comparacin de medias, muestras

7.8.4. Comparacin de varianzas . ........................

Contrastes en muestras grandes ..............................

Contrastes para una proporcin...................

Contrastes para la diferencia de dos

Contrastes para lamedia de cualquier

Contrastes para un parmetro de cualquier

Estadstica descriptiva . .............................................

Generacin de variables aleatorias............................

Contrastes de hiptesis disponibles ..........................

El comienzo de cualquier estudio debe ser: que es lo que se desea medir o

Captulo 1. Estadstica descriptiva

o politmicas ( Nivel de estudios: primarios / secundario / diplomado /

De qu tipo es cada variable?

A continuacin plantearemos una serie de mtodos numricos para denir

1. Frecuencia Absoluta: La frecuencia Il del valor fl es el nmero de

1.2. CONJUNTO DE DATOS

3. Frecuencia Relativa: La frecuencia relativa il del valor fl es el cociente

4. Frecuencia Relativa Acumulada: Es el nmero relativo de elementos

La representacin se realiza a travs de una tabla ordenada segn los valores

{f1 > ===> fs }:

Ejemplo: Se ha medido la siguiente caracterstica: EDAD en una muestra

Captulo 1. Estadstica descriptiva

Para las variables cuantitativas continuas, la representacin se realiza

Depende del tamao de la muestra. Una seleccin clsica se basa en la

Si el tamao q de la muestra es grande entonces n  b1 + 3>22 ln(q)c

Por tamao pequeo se entiende normalmente q  50=

El tamao de cada intervalo.

El representante de cada intervalo.

Normalmente se selecciona como representante de cada intervalo el punto

14.3 17.6 22.5 30.5 23.1 40.2

1.3. MTODOS GRFICOS PARA DEFINIR UN CONJUNTO DE DATOS 13

Para realizar un estudio de frecuencias, puesto que la variable aleatoria es

Tamao de cada intervalo: D = 56>2 9>5 = 46>7 , d =

Representante de cada intervalo: Tomamos el punto medio del intervalo.

Mtodos grcos para denir un conjunto

La visualizacin de los datos en estudio permitir una visin rpida de

Podemos emplear diagrama de sectores o diagrama de barras. El diagrama

Captulo 1. Estadstica descriptiva

en que tenemos muchos valores distintos en una variable.

Frecuencia Porcentaje Porcentaje Porcentaje

Podemos emplear tablas de frecuencia, histogramas o series temporales. Las

1.3. MTODOS GRFICOS PARA DEFINIR UN CONJUNTO DE DATOS 15

Frecuencia Porcentaje Porcentaje Porcentaje

Captulo 1. Estadstica descriptiva

El propsito de emplear mtodos numricos en un conjunto de datos, es

Dentro de las medidas de localizacin estudiaremos la media, la mediana

1.4. MTODOS NUMRICOS

donde { es la variable en estudio, {l son los valores que ha ido tomando y

Captulo 1. Estadstica descriptiva

No est afectado por valores atpicos (extraamente altos o bajos en el

estudio, por ejemplo, el dato de la variable EDAD de un caso con 103

Dentro de las medidas de variabilidad estudiaremos el rango, la varianza y la

1.4. MTODOS NUMRICOS

Pedro tambin va a una clase de 2r de primaria y la edad media de sus

la clase de Pedro el rango de edad es 7-7 = 0 aos. Ya tenemos una primera

Desviacin media: Es la media de la diferencia en valor absoluto de las

Q es el total de casos y  la media de la poblacin.

Si el tamao q de la muestra es grande entonces n b1 + 3>22 ln(q)c

Por tamao pequeo se entiende normalmente q 50=

Q es el total de casos y la media de la poblacin.

En la clase de Pedro, la varianza de la edad es: 2 =

los conjuntos ordenados con q = 1 + === + p donde 1 son el nmero de f1 ,

Suceso aleatorio. A todo subconjunto del espacio muestral D> E H.

Suceso interseccin. Dados dos sucesos aleatorios D, E H, se de-

abilidad de D H, o lo que es lo mismo, un suceso D 5 A, como una funcin

0 S (D) 1. S (D) recibe el nombre de probabilidad de D.

c. Si D> E H tal que D E =, S (D) S (E)

c. Sean D y E dos sucesos del espacio muestral H tal que D E, es decir:

Representacin del suceso D E