Académique Documents
Professionnel Documents
Culture Documents
ndice
Servicio
de
publicaciones
1 Agradecemos
de la asignatura
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:
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
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
165
166
167
168
7.9.1.
168
7.9.2.
168
7.9.3.
169
7.9.4.
169
SPSS.......................................................................................
171
8.1.
Introduccin de datos.................................................
172
8.2.
180
8.3.
183
8.4.
184
8.5.
TABLAS......................................................................
188
7.9.
8.
ndice
ndice
Captulo 1
Estadstica Descriptiva
1.1.
Introduccin
1.1.1.
Tipos de datos
ndice
10
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
1.2.
Conjunto de datos
Sean {f1 > ===> fs } los s valores distintos posibles de la variable aleatoria [.
ndice
11
ql
.
q
Frecuencia
Frecuencia
Frecuencia
Frecuencia
Absoluta
Absoluta
Relativa
Relativa
Acumulada
f1
Acumulada
I1
I1
i1
i1
Is
Is
is
is
===
fs
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
1.2.1.
El nmero k de intervalos.
s
Si el tamao q de la muestra es pequeo entonces n b qc
1.2.2.
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.
9.5
ndice
s
Nmero de intervalos: como q = 20 es pequeo, entonces: n b 20c =
b4>47c = 4
46>7
4
= 11>6 12
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
1.3.1.
Variables cualitativas:
ndice
14
Vlidos
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:
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
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
1.4.1.
Medidas de localizacin:
ndice
17
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.
1.4.3.
Medidas de variabilidad:
ndice
19
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
l=1
ndice
|637|+|737|+|737|+|837|
4
= 0>5 aos.
|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
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 .
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=
21
q
P
l=1
({l {)2
q1
de la muestra y { la media de la muestra.
donde q es el tamao
ndice
ndice
Captulo 2
Probabilidad
2.1.
Introduccin
ndice
Captulo 2. Probabilidad
24
2.2.
Anlisis Combinatorio
ndice
25
Ypq
p(p 1)(p 2)===(p q + 1
=
Sq
1>2>3====q
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
Y Up>q = p
q!
1 !===! p
ndice
Captulo 2. Probabilidad
26
Combinaciones con repeticin. Si tengo q objetos {d1> d2> d3> ===> dq},
2.3.
p
Yq+p31
(q + p 1)(q + p 2)===q
=
Sp
p(p 1)===>2>1
Elementos de probabilidad
2.3.1.
Algebra de sucesos
ndice
27
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
que D ^ D = H.
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}.
Captulo 2. Probabilidad
28
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}.
ndice
29
ndice
Captulo 2. Probabilidad
30
D_E =!
Ejemplo. Consideremos el lanzamiento de un dado, si D = {1> 2} y E =
{3> 4} entonces D _ E = !.
Dl =
l=1
q
\
l=1
q
\
Dl
l=1
Dl =
q
[
l=1
Dl
ndice
2.4.
31
Deniciones de Probabilidad
2.4.1.
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)
l=1
l=1
ndice
Captulo 2. Probabilidad
32
b. S (!) = 0
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)
S H ^ H = S (H)
S (H) + S (H) = 1
S H = S (!) = 1 S (H)
= 11=0
ndice
33
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
Captulo 2. Probabilidad
34
(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
(2.3)
(E _ F)
entonces se cumple:
q
!
q
[
X
S
=
Dl
S (Dl )
l=1
l=1
1$l1 $l2 $q
===S
q
\
l=1
Dl
S (Dl1 _ Dl2 )
ndice
Captulo 2. Probabilidad
36
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).
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) =
ndice
37
S D_E = S D^E
= 1 S (D ^ E)
= 1 0>019 = 0>981
ndice
Captulo 2. Probabilidad
38
2.4.2.
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) =
ndice
39
Sq (D) $ S (D)
q<"
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
Captulo 2. Probabilidad
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
1 = S (H) = S
q
[
l=1
s = S (Dl ) =
Dl
1
;Dl H
q
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
ndice
5+4+3+2+1
15
=
36
36
5
=
12
S (D) =
4
36
Captulo 2. Probabilidad
42
2.4.4.
2.5.
Probabilidad Condicionada
S (D@E) =
Anlogamente se dene
S (D _ E)
S (D)
S (D) A 0
S (E@D) =
ndice
43
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) =
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
S (D@E) =
S (D _ E)
S (E)
"
[
(Dl _ E)
l=1
S (E)
ndice
S (Dl @E)
Captulo 2. Probabilidad
44
S (D@E) =
2.5.1.
se cumple que:
S (D _ E)
S (E)
S (D)=S (E)
=
= S (D)
S (E)
S (D@E) =
mente cuando:
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
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
q
X
l=1
ndice
Captulo 2. Probabilidad
46
D2 ) ^ === ^ (E _ Dq ) =
=S ((E_D1 )+S (E_D2 )+===+S (E_Dq ) = S (D1 )=S (E@D1 )+S (D2 )=S (E@D2 )+
ndice
47
3B 2R X1
4B 2R X2
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
ndice
Captulo 2. Probabilidad
48
3B 2R X1
4B 2R X2
0B 3R X3
ndice
Captulo 3
Variables aleatorias discretas
3.1.
Introduccin
poblacin} tiene como espacio muestral H que son todos los posibles resul-
ndice
50
J:U$U
| $ J(|)
J([) = J [ : H $ U
h $ J([(h))
3.2.
Funcin de Distribucin
ndice
51
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
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
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
ndice
3.3.
53
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{
ndice
54
3.3.2.
Varianza
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
Caso discreto:
=
sX
{l MH
({l )2 sl
Caso continuo:
=
qR
"
3"
({ )2 i ({)g{
ndice
3.4.
55
Desigualdad de Tchebyche
1
N2
1
N2
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
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
3.5.2.
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).
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
las bombillas 1> 2> ===> 7 son defectuosas, o no. Por ejemplo, seran vlidos los
experimentos:
ndice
58
ndice
59
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
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
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:
La probabilidad de xito s en cada repeticin del experimento (Se
produce atasco de papel al enviar el documento a imprimir).
La probabilidad de fracaso t = (1 s) en cada repeticin del ex-
ndice
61
1
s
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:
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).
ndice
62
ndice
Captulo 4
Variables aleatorias continuas
4.1.
Introduccin
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
64
4.2.
Funcin de Densidad
+"
i[ ({)g{ = 1=
3"
i[ ({)g{
ndice
f(x)
X=a
X=b
65
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
"
i[ ({)g{ = 1
3"
i[ ({)g{
D2
= S ([ 5 D1 ) + S ([ 5 D2 ) =
4.3.
Funcin de Distribucin
ndice
66
Z{
i({)g{
3"
{<d
lm I[ ({) = 0>
{<3"
lm I[ ({) = 1=
{<"
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
-1
Z{
3"
i ({)g{. Entonces
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
si 1 ? { 1
si { A 1
4.4.
3 (31)
2 2
1 3
2
1
4
1
2
27
32
nR
"
{u i({)g{ si [ es continua
nR
"
3"
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{
ndice
4.4.2.
69
Varianza
2 = Y du([) =
4.4.3.
R"
3"
({ )2 i({)g{
Desviacin Tpica
=
4.4.4.
qR
"
3"
({ )2 i ({)g{
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
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=
ndice
71
0.0
0.2
0.4
f(t)
0.6
0.8
1.0
-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
h
i Z 1
1
> =
g{ = =
S D5
2
2
4
@2
ndice
72
0.0
0.2
0.4
F(t)
0.6
0.8
1.0
-0.2
0.0
0.2
0.4
0.6
0.8
1.0
1.2
{ 0>
0 ? { ? 2>
{ 2=
1
1 e2 d2
d+e
: g{ =
=
>
ed
ed 2
2
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
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
ndice
75
0.00
0.02
0.04
f(t)
0.06
0.08
0.10
-20
-15
-10
-5
"
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
"
76
tanto, igual a 1.
ndice
77
0.1
0.2
ndice
0.0
f(t)
0.3
0.4
-4
-2
0
t
78
1
x (}) = S (] }) =
i] (w)gw = s
2
3"
w2
h3 2 gw=
3"
Fi(t)
0.6
0.8
1.0
0.0
0.2
0.4
ndice
-4
-2
0
t
79
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.
[
Q (0> 1) >
y por tanto
d
[
e
e
d
]
= S
d
e
x
=
= x
S (d [ e) = S
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
ndice
83
funcin de densidad es
i[ ({) =
h3{
para { A 0>
para { 0=
0.4
0.2
f(x)
0.6
0.8
0.0
ndice
0
10
84
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.
0
{
3 16
1h
si { 0>
si { A 0=
Esta funcin nos permite calcular de forma ms sencilla las probabilidades requeridas:
10
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{
"
H [[] = {h3{ 0 +
=
1
h3{
"
Z"
h3{ g{
1
Z"
{2 h3{ que
"
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 =
1
= 6 minutos
1@6
ndice
86
1
= 36 minutos2 ;
1@62
w es
S (W A {) = 1 IW ({) =
1
3{
si { 0>
si { A 0=
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
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.
ndice
88
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
ndice
funcin de densidad es
89
;
?
31 3{
{ h
si { A 0>
K ()
i({) =
=
0
si { 0
donde
K () =
Z"
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
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
funcin de densidad es
;
? K ( + ) {31 (1 {)31
K () K ()
i ({) =
=
0
si 0 ? { ? 1>
en el resto.
es:
H([) =
+
Y ([) =
=
( + ) ( + + 1)
2
ndice
91
2.0
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) <"
ndice
92
H([) =
4.5.6.
1@2
12{2 (1 {) g{ =
5
= 0>313=
16
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
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
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
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),
ndice
94
a) S ("2100 126) = S
1>42) 0>92
p
s
s
s
2"2150 299 2 126 299 = S (]
s
p
s
s
s
s
80 129 2"265 129 100 129 =
Otra propiedad importante que hay que comentar es que la suma de dis-
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
1
[
ndice
95
1.0
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
ndice
96
0.4
0.3
gl=25
0.2
0.1
f(x)
gl=5
0.0
gl=1
-3
-2
-1
ndice
97
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.
ndice
100
0.2 0.2 0
0.4
{1
S ([1 = {1 > [2 = {2
{2
i ([1 > [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
101
0>4
.
0>6
De esta forma se
=
=
0>1
0>6
0>1
.
0>6
{2 >===>{n
5.2.
===
Un
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
3"
Ejemplo
Consideremos la funcin de densidad
(
6h32{1 h33{2
i ({1 > {2 ) =
0
{1 A 0, {2 A 0
uhvwr
"
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
I ({1 > {2 ) =
R {1 R {2
3" 3"
103
Z"
===
3"
Z"
3"
y la densidad marginal de [2 es
;
A
para {2 0
A
? 0
i2 ({2 ) =
A
A
= 3h33{1 para { A 0
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 ,
ndice
104
i ({1 > {2 )
i2 ({2 )
i ({1 > {2 )
=
i1 ({1 )
i ({1 > {2 ) =
;
A
A
?
2
3
A
A
= 0
uhvwr
La marginal de [2 es
i2 ({2 ) =
"
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
5.3.
i1 ({1 ) i2 ({2 )
i ({1 > {2 )
=
= i1 ({1 ) =
i2 ({2 )
i2 ({2 )
ndice
105
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 ({)
caso continuo
caso discreto
3"
ndice
106
= H[\ ]
mpg
15
20
25
30
35
40
45
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
108
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
6.2. CONVERGENCIA
109
Bin20
Frecuencia
0
2
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
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
q<"
g=
Se designa este tipo de convergencia: [q $
[=
ndice
6.2.3.
111
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
[l
f=v=
$
6.3.
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
ndice
114
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
7.2.
Estimacin Puntual
ndice
117
la cuasivarianza muestral:
W2
V[
1
q31
1
q
q
X
2
[l [ ,
l=1
q
X
2
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
[ Q > s
q
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
300
250
200
150
100
50
0
0.4
0.45
0.5
0.55
0.6
0.65
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
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
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
2
H "2q31 = 2
q1
2
2
4
24
Y du ve
=
2 Y du "q31 =
q1
(q 1)
H ve2 =
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
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
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
sb s
q
Q (0> 1)
s(13s)
q
ndice
124
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
Demostracin:
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
ndice
126
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)
ndice
127
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
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-
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
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-
[ \ Q(1 2 >
2{ + 2| 2 {| @q) por tanto:
s [ \ (1 2 )
q p 2
Q(0> 1)
{ + 2| 2 {|
ndice
1
q
129
2
2
([l \l )2 [ \
q
X
l=1
Ejemplos:
ve{ 2
2| ve{ 2
2{
=
Iq31>p31
ve| 2
2{ ve| 2
2|
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
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
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
ndice
131
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
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
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
1
q
[ + === + ] =
ndice
133
si calculamos H [b
] = H
{1 + === + {q31
q
{1 + === + {q31
q
1
q
(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
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
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
2
q
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
2 = dH b
1 + (1 d) H b
2
H b
= H db
1 + (1 d) b
= d + (1 d) =
ndice
136
H (VF()) = 0
Y du (VF()) = H
C ln O([; )
C
= L()
Y du(b
)
2 =
L()
C ln O([;)
H
C
= FFU
h
i2
1 + vhvjr0 (b
)
Y du(b
)
2
i ({;)
qH C ln C
ndice
137
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.
ciente:
Ejemplo.
q<"
Y du b
q $ FFU
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
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
=
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.
139
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.
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.
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
141
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
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()
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
q !e31
q !
Y
Y
ln O([> e) = ln eq + ln
{l
= q ln e + (e 1) ln
{l
l=1
l=1
ndice
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
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
ndice
144
7.4.1.
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
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
=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
q
P
l=1
77
30
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
7.4.2.
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
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
ve{
ve{
=1
[ w@2 s [ + w@2 s
q
q
por tanto el LF (1 ) :
ve{
[ w@2 s
q
en el pozo sigue una ley normal. Se pide calcular dichos lmites de conanza
al nivel de conanza 95 %=
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.
dr de una muestra aleatoria simple ({1 > ===> {q ) de dicha poblacin. El estadstico que consideraremos es:
ve2 =
q
X
2
{l [
l=1
q1
(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
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{
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
p 2
{ + 2| 2 {| ), y las diferencias, ([1 \1 ) > ([2 \2 ) > ===> ([q
1
q
2
([l \l )2 [ \
q
X
l=1
vW
G wq31>@2 s
q
7.4.6.
ndice
u
q
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
sb(1 sb)
q
2
[ [ = [ 1 [ = sb(1 sb)
Intervalo de conanza para la diferencia de dos proporciones
Q(0> 1)
independientemente de la distribucin
b
PY Q (> FFU ())
ndice
151
portanto el intervalo
PY }@2 t
o00 b
PY
7.4.7.
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
q=
}@2
[
ndice
152
7.5.
Contrastes de Hiptesis
ndice
153
A continuacin deniremos formalmente en trminos estadsticos las herramientas que se utilizarn para desarrollar toda esta metodologa
7.5.1.
ndice
154
Rechazar H0
H0 verdadera
H0 falsa
1
1
ndice
155
= 20
K1 :
6= 20
=5
K1 :
6= 5
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)
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:
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
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
ndice
157
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
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.
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
159
7.7.
7.7.1.
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
{ 0
A } se rechaza K0
s
q
4
3
{ F
E
s ydoru = S C] A } = 0 D
s
q
Rechazar si s ydoru ?
= 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 } =
{ 0
Si } = A }@2 se rechaza K0
q
4
{ 0 F
E
s ydoru = S C|]| A } = D
q
Rechazar si s ydoru ?
Estas situaciones se ilustran en la siguiente gura:
Rechazo
Regin de
Aceptacin
D
0.05
ndice
Rechazo
Regin
Aceptacin
Rechazo
7.7.2.
161
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
[ 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
Rechazar si s ydoru ?
= 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
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
Rechazar si s ydoru ?
7.7.3.
2 = 20
K1 :
2 ? 20
(q 1) ve2
2
s ydoru = S "q31>13 ?
20
Rechazar si s ydoru ?
Si "2 =
ndice
163
2 = 20
K1 :
2 6= 20
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:
(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
20
Rechazar si s ydoru ?
7.8.
7.8.1.
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
UD : [ \ wp+q32>@2 Vf
y el p-valor sera
Caso General
1
1
+
p q
[ \
q
Vf2 p1 +
1
q
Q(0> 1)
UD : [ \ }@2 Vf
1
1
+
p q
K0 :
1 = 2
K1 :
1 6= 2
ndice
165
1
1 1
1
UD : [ \ w11>0>05@2 Vf
+ = 2>2 1>7
+ = 2>081
p q
6 7
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.
Queremos contrastar
K0 :
1 = 2
K1 :
1 6= 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 {|
s
[ \ (1 2 )
q1
wq31
vW
ndice
166
2
1
q
2
([l \l )2 [ \
q
X
l=1
vW
G wq31>@2 s
q
Ahora bien, la regin de aceptacin sera
|Hvw| wq31>@2
7.8.3.
K0 :
1 = 2
K1 :
1 6= 2
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
|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
21 = 22
K1 :
21 6= 22
V{2
V{2 @ 21
=
Iq31>p31
V|2 @ 21
V|2
21 22
21 A 22
V{2 @ 21
V2
= {2 Iq31>p31
2
2
V| @ 1
V|
ndice
168
7.9.
7.9.1.
s = s0
K1 :
s 6= s0
7.9.2.
s1 s2 = 0
K1 :
s1 s2 6= 0
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
7.9.3.
169
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.
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
Atocha
650000
Embajadores
387560
Laguna
365000
Aluche
250000
Fanjul
318900
Las guilas
276000
Cuatro Vientos
412500
312000
Alcorcn
121200
Las Retamas
152050
Mstoles
175250
Mstoles-El Soto
25000
171
ndice
Captulo 8. SPSS
172
8.1.
Introduccin de datos
ndice
. 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.
173
ndice
Captulo 8. SPSS
174
ndice
175
ndice
Captulo 8. SPSS
176
ndice
177
ndice
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
ndice
Captulo 8. SPSS
180
ndice
8.2.
Estadstica descriptiva
181
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
183
8.3.
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.
ndice
8.4.
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
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
ndice
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
on de la variable Binomial(n, p)
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
on de la variable Binomial(n, p)
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
on de la variable Binomial(n, p)
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
on de la variable Binomial(n, p)
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
on de la variable Binomial(n, p)
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
on de la variable Poisson()
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
on de la variable Poisson()
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
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
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
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
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
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
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
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
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
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
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
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
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
(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