Metodos Estadsticos II

Sabando/Villa Cox/Meja

Apuntes de Clase # 2
Fecha: II Termino-2012

3.

Distribuciones de muestreo

3.1.

Muestreo aleatorio

Definici
on 3.1.1 Una poblaci
on consiste en la totalidad de las observaciones en las cuales se esta
interesado.
Definici
on 3.1.2 Una muestra es un subconjunto de una poblacion
Definici
on 3.1.3 Sean X1 , X2 , . . . , Xn variables aleatorias independientes, cada una con la misma distribuci
on de probabilidad f (x). Definimos entonces a X1 , X2 , . . . , Xn como una muestra
aleatoria de tama
no n de la poblaci
on f (x) y escribimos su distribucion de probabilidad conjunta
como
f (x1 , x2 , . . . , xn ) = f (x1 ) f (x2 ) . . . f (xn )
Definici
on 3.1.4 Cualquier funci
on de las variables aleatorias que constituyen una muestra aleatoria se conoce como estadstico.
Definici
on 3.1.5 Si X1 , X2 , . . . , Xn representa una muestra aleatoria de tama
no n entonces la
media muestral se define por el estadstico
Pn
Xi

X = i=1
n
Pn

xi
asume el valor x
cuando X1 = x1 , X2 = x2 , . . . , Xn = xn
N
otese que X
= i=1
n
En la pr
actica al estadstico y a un valor del estadstico se le da el mismo nombre.

Definici
on 3.1.6 Si X1 , X2 , . . . , Xn representan una muestra aleatoria de tama
no n, acomodada
en orden de magnitud creciente, entonces la mediana muestral se define por el estadstico

X
si n es impar

(n+1)
2
=
X

X n2 +X n2 +1
si n es par
2
Definici
on 3.1.7 Si X1 , X2 , . . . , Xn no necesariamente todos diferentes, representan una muestra
aleatoria de tama
no n, entonces la moda M es aquel valor de la muestra que ocurre mas a menudo
o con la mayor frecuencia. La moda puede no existir, y cuando existe no necesariamente es u
nica.
Definici
on 3.1.8 El rango de una muestra aleatoria X1 , X2 , . . . , Xn se define por el estadstico
X(n) X(1) , donde X(n) y X(1) son, respectivamente, las observaciones mas grande y mas peque
na
en la muestra.
Definici
on 3.1.9 Si X1 , X2 , . . . , Xn representan una muestra aleatoria de tama
no n, entonces la
varianza muestral se define por el estadstico
Pn
2
(Xi X)
2
S = i=1
n1
Teorema 3.1.1 La varianza de una muestra aleatoria de tama
no n puede ser re-expresada de la
siguiente manera
Pn
Pn
n i=1 Xi2 ( i=1 Xi )2
2
S =
n(n 1)
A2-1

Definici
on 3.1.10 La desviaci
on est
andar muestral, representada por S, es la raz cuadrada
positiva de la varianza muestral.
Definici
on 3.1.11 La distribuci
on de probabilidad de un estadstico recibe el nombre de distribuci
on muestral
Nota: La distribuci
on muestral de un estadstico depende del tama
no de la poblaci
on, del
tama
no de las muestras y del m
etodo de selecci
on de estas u
ltimas.

3.2.

La distribuci
on normal

Definici
on 3.2.1 La funci
on de densidad de la variable aleatoria normal X, con media y varianza
2 , es:
1 x 2
1
e 2 [ ]
<x< ; >0
f (x; , ) = ,2 (x) =
2
Observaci
on 3.2.1 La funci
on de distribucion acumulada de una variable aleatoria normal X
est
a dada por
Z x
,2 (s) ds
,2 (x) =

Z x
1 s 2
1

=
e 2 [ ] ds
2

Nota: En adelante, cuando se que quiera decir que una variable aleatoria X se distribuye como
una normal con media y varianza 2 se escribira
X N (, 2 )
Teorema 3.2.1 La funci
on generatriz de momentos de la distribucion normal esta dada por
1

MX (t) = et+ 2

2 2

Teorema 3.2.2 El valor esperado de una variable aleatoria normal es y su varianza es 2

Definici
on 3.2.2 La distribuci
on de una variable aleatoria normal X con media cero y varianza 1
se llama distribuci
on normal est
andar.
1 2
1
0,1 (x) = (x) =
e 2 x
2

<x<

Observaci
on 3.2.2 La funci
on de distribucion acumulada de una variable aleatoria normal estandar
X est
a dada por
Z x
(x) =
(s)ds

Z x
1 2
1

=
e 2 s ds
2

Teorema 3.2.3 La funci

on de densidad normal estandar cumple las siguientes propiedades:
(x) = (x)
(x) = 1 (x)
Demostraci
on Para probar la primera propiedad basta con reemplazar x por x en la funcion
de densidad normal est
andar
2
1
1 2
1
1
(x) =
e 2 (x) =
e 2 x = (x) //
QED
2
2

A2-2

Para demostrar la segunda propiedad se tiene que

Z x
(x) =
(s)ds

Si se representa al lmite inferior de la integral por s0 , el superior por s1 y se realiza el siguiente

cambio de variable, w = s, se obtendra que
dw = ds;
por tanto
Z

w0 = s0 ;

w1 = s1
Z

(w)dw =

(x) =

(w)dw

haciendo uso de la propiedad anterior y de las propiedades que debe satisfacer una funcion de
densidad de probabilidad
Z x
(x) =
(w)dw = [(x) ()]

por definici
on () = 1, as
= [(x) 1] = 1 (x)

(x)
(x)

1 (x) //

QED

Teorema 3.2.4 La funci

on generatriz de momentos de la distribucion normal estandar esta dada
por
1 2
MX (t) = e 2 t
Teorema 3.2.5 Si la variable aleatoria X sigue una distribucion normal con media y varianza
2 entonces la variable aleatoria
X
Z=

sigue una distribuci

on normal est
andar.
Corolario 3.2.1 Si X es una variable aleatoria normal con media y varianza 2 ,y x1 y x2 son
dos valores cualquiera, entonces
P (x1 < X < x2 ) = P (z1 < Z < z2 )
donde
z1 =
Demostraci
on

x1

z2 =

x2

Z N (0, 1)

Se tiene que
Z

x2

P (x1 < X < x2 ) =

x1

(

2 )
1 x
1

exp
dx
2

Realizando el siguiente cambio de variable

z=

dx

dz =

z1 =

x1

z2 =

x2

se obtiene
Z

z2

P (x1 < X < x2 ) =

z1

z2

=
z1

(

2 )
1
1 (z + )

exp
dz
2

2


1
1

exp z 2 dz
2
2
A2-3

La funci
on dentro de la integral corresponde a la de una variable aleatoria Z normal estandar, por
tanto
Z z2
(z) dz = P (z1 < Z < z2 ) //
P (x1 < X < x2 ) =
QED

z1

Uso de tablas para el c

alculo de probabilidades
La funci
on de densidad de una distribucion normal no se puede integrar directamente.
Existen infinidad de tablas que tabulan areas bajo la curva normal estandar. Una de ellas se
puede encontrar en la p
agina A2-8.
Haciendo uso del corolario 3.2.1 se pueden calcular las probabilidades asociadas a cualquier
variable aleatoria normal a traves de la distribucion normal estandar.
Ejemplo 3.2.1 Para una variable aleatoria normal X con = 4 y = 2 determinar
P (2,84 < X < 6,24)
Soluci
on:

Haciendo uso del corolario 3.2.1



x1
X
x2
P (x1 < X < x2 ) = P
<
<
= P (z1 < Z < z2 )

Reemplazando valores

P (2,84 < X < 6,24) = P

X
6,24 4
2,84 4
<
<
2

= P (0,58 < Z < 1,12) =

= (1,12) (0,58)
La tabla de la distribuci
on normal est
andar no contiene valores negativos de z, sin embargo se puede
superar el problema haciendo uso del teorema 3.2.3. As, (0,58) = 1 (0,58) y
P (2,84 < X < 6,24) = (1,12) + (0,58) 1
= 0,8686 + 0,7190 1 = 0,5876
P (2,84 < X < 6,24) = 58,76 %
Definici
on 3.2.3 z es el valor de una variable aleatoria normal estandar que satisface
Z
(z) dz =
o equivalentemente
1 (z ) =
z

Figura 1: Interpretacion grafica de z

A2-4

Observaci
on 3.2.3 z puede ser encontrado mediante el uso de tablas de la distribucion normal
est
andar. En particular, en la tabla de la pagina A2-8, se debe buscar el valor z para el cual
(z) = 1 .
Ejemplo 3.2.2 Encontrar los valores de z para
= 0,05
= 0,975
Soluci
on: Para = 0,05 se necesita encontrar el valor z tal que (z) = 1 0,05 = 0,95. En la
tabla de la p
agina A2-8 no hay exactamente (z) = 0,95, sin embargo se tiene que (1,64) = 0,9495
y (1,65) = 0,9505. Se puede aproximar un valor para z mediante interpolacion
(1,65) (1,64)
(z ) (1,64)
=
1,65 1,64
z 1,64
Reemplazando valores
0,9505 0,9495
0,95 0,9495
=
1,65 1,64
z 1,64
z 1,64 =

(0,0005)(0,01)
0,001

z = 1,645

//
R

Para = 0,975 el valor z debe satisfacer (z) = 0,025. La tabla de la distribucion normal estandar
de la p
agina A2-8 solo contiene valores para (z) 0,5, por tanto para obtener z se podra hacer
uso del teorema 3.2.3
(z ) = 1 (z ) = 0,025
(z ) = 0,975
El valor z que da como resultado (z) = 0,975 es z = 1,96, por tanto
z
z

1,96

= 1,96 //
R

Teorema 3.2.6 Si X es una variable aleatoria binomial con media = n y varianza 2 = n(1 ),
entonces la forma lmite de la distribucion de
X n
Z=p
n(1 )
cuando n , es la distribuci
on normal estandar
Observaciones 3.2.4 Si se desea aproximar probabilidades binomiales a traves de la distribucion
normal est
andar se deben de tomar en cuenta los siguientes puntos:
Para cualquier valor finito de n la distribucion de
X n
Z=p
n(1 )
no es igual a la distribuci
on normal estandar, sin embargo se la podra considerar una aproximaci
on v
alida.
La aproximaci
on se suele considerar aceptable cuando n y n(1 ) son ambos mayores a 5.
En caso la aproximaci
on sea aceptable, X se distribuye aproximadamente normal con media
n y varianza n(1 ).
A2-5

n=2

n=5

n = 25

n = 200

Figura 2: Distribuciones binomiales para = 0,4 y distintos valores de n

Se necesita de una correcci
on por continuidad seg
un la cual cada entero no negativo k se
representa con el intervalo k 21 a k + 12 .
Ejemplo 3.2.3 Para cada caso se desea usar la aproximacion normal a la distribucion binomial
para determinar b(1; n, ).
n = 16 y = 0,20
n = 65 y = 0,10
n = 120 y = 0,98
Realizar el c
alculo solo si se satisface la regla mencionada en las observaciones al teorema 3.2.6.
Soluci
on: Para el ejercicio, b() y P () representan probabilidades a ser calculadas bajo la distribuci
on binomial y normal, respectivamente
Caso 1: n = 16 y = 0,20
Dado que n = 3,2 5 la aproximaci
on normal de la binomial no se considera aceptable.
Caso 2: n = 65 y = 0,10
n = 6,5 > 5

n(1 ) = 65(0,9) = 58,5 > 5

A2-6

por lo tanto la aproximaci

on es aceptable.




1
1
b(x; n, ) ' P
x
<X < x+
2
2
"
#




x + 21 n
x 12 n
b(x; n, ) ' P p
<Z< p
n(1 )
n(1 )
!
!
(x + 21 ) n
(x 12 ) n
b(x; n, ) ' p
p
n(1 )
n(1 )
Reemplazando valores
b(X = 1; 65, 0.1) '

1,5 (65)(0,1)
p
65(0,1)(0,9)

0,5 (65)(0,1)
p
65(0,1)(0,9)

' (2,07) (2,48)

Utilizando la tabla de la distribuci
on normal estandar
b(X = 1; 65, 0.1) ' [1 (2,07)] + [1 (2,48)]
' 2 0,9808 0,9934
b(X = 1; 65, 0.1) ' 0,0258 = 2,58 % //
R
Caso 3: n = 120 y = 0,98

n = 120(0,98) = 117,6 > 5

n(1 ) = 120(0,02) = 2,4 5

por tanto la aproximaci

on no es aceptable
Teorema 3.2.7 Si, X1 , X2 , . . . , Xn son variables aleatorias independientes que tienen distribuciones
normales con medias 1 , 2 , . . . , n y varianzas 12 , 22 , . . . , n2 respectivamente, entonces la variable
aleatoria,
Y = a1 X1 + a2 X2 + . . . + an Xn
tiene una distribuci
on normal con media
Y = a1 1 + a2 2 + . . . + an n
y varianza,
Y = a1 1 + a2 2 + . . . + an n

A2-7

Distribuci
on normal est
andar
Valores de (z)
z

0.00

0.01

0.02

0.03

0.04

0.05

0.06

0.07

0.08

0.09

0.0
0.1
0.2
0.3
0.4
0.5

0.5000
0.5398
0.5793
0.6179
0.6554
0.6915

0.5040
0.5438
0.5832
0.6217
0.6591
0.6950

0.5080
0.5478
0.5871
0.6255
0.6628
0.6985

0.5120
0.5517
0.5910
0.6293
0.6664
0.7019

0.5160
0.5557
0.5948
0.6331
0.6700
0.7054

0.5199
0.5596
0.5987
0.6368
0.6736
0.7088

0.5239
0.5636
0.6026
0.6406
0.6772
0.7123

0.5279
0.5675
0.6064
0.6443
0.6808
0.7157

0.5319
0.5714
0.6103
0.6480
0.6844
0.7190

0.5359
0.5753
0.6141
0.6517
0.6879
0.7224

0.6
0.7
0.8
0.9
1.0

0.7257
0.7580
0.7881
0.8159
0.8413

0.7291
0.7611
0.7910
0.8186
0.8438

0.7324
0.7642
0.7939
0.8212
0.8461

0.7357
0.7673
0.7967
0.8238
0.8485

0.7389
0.7704
0.7995
0.8264
0.8508

0.7422
0.7734
0.8023
0.8289
0.8531

0.7454
0.7764
0.8051
0.8315
0.8554

0.7486
0.7794
0.8078
0.8340
0.8577

0.7517
0.7823
0.8106
0.8365
0.8599

0.7549
0.7852
0.8133
0.8389
0.8621

1.1
1.2
1.3
1.4
1.5

0.8643
0.8849
0.9032
0.9192
0.9332

0.8665
0.8869
0.9049
0.9207
0.9345

0.8686
0.8888
0.9066
0.9222
0.9357

0.8708
0.8907
0.9082
0.9236
0.9370

0.8729
0.8925
0.9099
0.9251
0.9382

0.8749
0.8944
0.9115
0.9265
0.9394

0.8770
0.8962
0.9131
0.9279
0.9406

0.8790
0.8980
0.9147
0.9292
0.9418

0.8810
0.8997
0.9162
0.9306
0.9429

0.8830
0.9015
0.9177
0.9319
0.9441

1.6
1.7
1.8
1.9
2.0

0.9452
0.9554
0.9641
0.9713
0.9772

0.9463
0.9564
0.9649
0.9719
0.9778

0.9474
0.9573
0.9656
0.9726
0.9783

0.9484
0.9582
0.9664
0.9732
0.9788

0.9495
0.9591
0.9671
0.9738
0.9793

0.9505
0.9599
0.9678
0.9744
0.9798

0.9515
0.9608
0.9686
0.9750
0.9803

0.9525
0.9616
0.9693
0.9756
0.9808

0.9535
0.9625
0.9699
0.9761
0.9812

0.9545
0.9633
0.9706
0.9767
0.9817

2.1
2.2
2.3
2.4
2.5

0.9821
0.9861
0.9893
0.9918
0.9938

0.9826
0.9864
0.9896
0.9920
0.9940

0.9830
0.9868
0.9898
0.9922
0.9941

0.9834
0.9871
0.9901
0.9925
0.9943

0.9838
0.9875
0.9904
0.9927
0.9945

0.9842
0.9878
0.9906
0.9929
0.9946

0.9846
0.9881
0.9909
0.9931
0.9948

0.9850
0.9884
0.9911
0.9932
0.9949

0.9854
0.9887
0.9913
0.9934
0.9951

0.9857
0.9890
0.9916
0.9936
0.9952

2.6
2.7
2.8
2.9
3.0

0.9953
0.9965
0.9974
0.9981
0.9987

0.9955
0.9966
0.9975
0.9982
0.9987

0.9956
0.9967
0.9976
0.9982
0.9987

0.9957
0.9968
0.9977
0.9983
0.9988

0.9959
0.9969
0.9977
0.9984
0.9988

0.9960
0.9970
0.9978
0.9984
0.9989

0.9961
0.9971
0.9979
0.9985
0.9989

0.9962
0.9972
0.9979
0.9985
0.9989

0.9963
0.9973
0.9980
0.9986
0.9990

0.9964
0.9974
0.9981
0.9986
0.9990

A2-8

3.3.
3.3.1.

Distribuciones muestrales de medias

Poblaciones infinitas

Teorema 3.3.1 Si X1 , X2 , . . . , Xn constituyen una muestra aleatoria de una poblacion infinita con
media y varianza 2 , entonces
= E(X) =
E(X)

=
Var(X)

Var(X)
2
=
n
n

Demostraci
on
Valor esperado:
=E
E(X)

X1 + X2 + . . . + Xn
n


=E

X1
X2
Xn
+
+ ... +
n
n
n

La expresi
on que se ha encontrado no es mas que el valor esperado de la suma de n variables
aleatorias. Por tanto, haciendo uso de los teoremas 2.3.1 a 2.3.3, y sus respectivos corolarios, tenemos
que
= 1 E(X1 ) + 1 E(X2 ) + . . . + 1 E(Xn )
E(X)
n
n
n
Dado que E(Xi ) = i = 1, 2, . . . , n por asuncion del teorema, la expresion se simplifica a

E(X)

1
1
1
+ + ... +
n
n
n
n
1X
1
= (n ) =
n i=1
n

=
=

//

QED

Varianza:
La expresi
on puede ser escrita de la siguiente manera


X1
X2
Xn

Var(X) = Var
+
+ ... +
n
n
n
Utilizando la definici
on de muestra aleatoria (definicion 3.1.3) se sabe que X1 , X2 , . . . , Xn son variables aleatorias independientes. Por tanto, utilizando el teorema 2.3.6 la expresion para la varianza
se puede simplificar a

Var(X)

=
=

1
1
1
Var(X1 ) + 2 Var(X2 ) + . . . + 2 Var(Xn )
n2
n
n
i
1h
Var(X1 ) + Var(X2 ) + . . . + Var(Xn )
2
n

y dado que Var(Xi ) = 2 i = 1, 2, . . . , n por asuncion del teorema, se puede concluir que

Var(X)

=
=

1
2 + 2 + . . . + 2
n2

2
1
n 2 =
//
2
QED
n
n

Observaci
on 3.3.1 Si de una poblaci
on normal con media y varianza 2 se toma una muestra
aleatoria de n observaciones, entonces por el teorema 3.2.7 podemos concluir que la media muestral
= X1 + X2 + . . . + Xn
X
n
sigue una distribuci
on normal con media
=
X = E(X)
y varianza
2
=
X
= Var(X)

A2-9

2
n

 es la media de una muestra aleatoria de

Teorema 3.3.2 (Teorema del lmite central) Si X
tama
no n que se toma de una poblaci
on con media y varianza finita 2 , entonces la forma lmite
de la distribuci
on de

X
Z=
/ n
conforme n , es la distribuci
on normal estandar N (0, 1)
Idea de la demostraci
on generatriz de

 on: La demostracion se basa en probar que la funci
X

momentos de (/ n) , cuando n , es la misma que la de una distribucion normal estandar.

El desarrollo completo se puede encontrar en el libro de Estadstica matem
atica con aplicaciones
de Freund, Miller & Miller. Captulo 8.2: La distribuci
on de la media.


se distribuye aproximadamente como una normal N , 2 para valores granCorolario 3.3.1 X
n
des de n.
Observaci
on 3.3.2 Se suele considerar al tama
no muestral como grande cuando este es mayor
o igual a 30 observaciones (n 30).
Teorema 3.3.3 Si se sacan al azar muestras independientes de tama
nos n1 , n2 , . . . , nm de m poblaciones discretas o continuas, donde ni 30, i = 1, 2, 3, . . . , m y cada poblacion tiene medias
2
1 , 2 , . . . , m y varianzas 12 , 22 , . . . , m
, respectivamente, entonces la distribucion muestral de la

2 + . . . + am X
m , es aproximadamente una normal con
combinaci
on lineal de medias, a1 X1 + a2 X
esperanza y varianza:
(a1 X 1 +a2 X 2 +...+am X m ) = a1 1 + a2 2 + . . . + am m
2
=
(a

1 X1 +a2 X2 +...+am Xm )

a21 12
a2 2
a2 2
+ 2 2 + ... + m m
n1
n2
nm

Adicionalmente
Z=

1 + a2 X
2 + . . . + am X
m ) (a1 1 + a2 2 + . . . + am m )
(a1 X
q 2 2
2
a1 1
a22 22
a2m m
n1 + n2 + . . . + nm

es aproximadamente una variable aleatoria normal estandar

Demostraci
on De acuerdo a lo establecido en el teorema 3.3.2 cada una las medias muestrales
i i = 1, 2, . . . , m se distribuyen aproximadamente como una normal. Por tanto, de acuerdo al
X
1 + a2 X
2 + . . . + am X
m debe tambien distribuirse aproximadamente como una
teorema 3.2.7, a1 X
normal con media
(a1 X 1 +a2 X 2 +...+am X m ) = a1 1 + a2 2 + . . . + am m
y varianza
a21 12
a2 2
a2 2
+ 2 2 + ... + m m
n1
n2
nm
Esto lleva a concluir que Z debe distribuirse aproximadamente como una normal estandar.
2
(a
=

1 X1 +a2 X2 +...+am Xm )

1 + a2 X
2 + . . . +
Corolario 3.3.2 Si m = 2, a1 = 1 y a2 = 1, entonces la combinacion lineal a1 X
m se reduce a X
1 X
2 que es una diferencia de medias. Esta diferencia de medias esta distribuida
am X
aproximadamente en forma normal con media y varianzas
(X 1 X 2 ) = 1 2
(2X 1 X 2 ) =
De aqu que
Z=

12
2
+ 2
n1
n2

1 X
) (1 2 )
(X
q2 2
1
22
n1 + n2

1 X
2 es aproximadamente una
es aproximadamente una variable aleatoria normal estandar y X
12
22
variable aleatoria normal N (1 2 , n1 + n2 )
A2-10

3.3.2.

Ejemplos para poblaciones infinitas:

Ejemplo 3.3.1 La producci

on diaria de una fabrica de colchones es una variable aleatoria con media
de 200 colchones y desviaci
on est
andar de 15 colchones. Cual es la probabilidad de que la cantidad
promedio de producci
on en una muestra aleatoria de 36 dias sea de al menos 204 colchones?
(la media muestral de la cantidad de
Soluci
on: De acuerdo al teorema 3.3.1, la distribucion de X
colchones producidos en un da) tiene una media de X = 200 colchones y desviacion estandar de

se distribuye
X = (15/ 36) colchones. De acuerdo al teorema del lmite central (teorema 3.3.2) X
aproximadamente como una normal. Por tanto


204 200

P (X > 204) = P Z > 15

= P (Z > 1,6)
/ 36
donde Z sigue aproximadamente una distribucion normal estandar.
Utilizando la tabla de la distribuci
on normal estandar encontramos que la probabilidad de que una
muestra aleatoria de 36 das presente una media diaria de produccion de 204 o mas colchones es
5,45 %.
Ejemplo 3.3.2 (Diferencia de medias) Se tiene la siguiente informacion acerca de la esperanza
y desviaci
on est
andar de la producci
on diaria de dos fabricas de colchones.
n Diaria de Colchones
Produccio
F
abrica A F
abrica B
Media
200
230
Desv. est
andar
12
15
Cu
al es la probabilidad que en una muestra de 36 das de la fabrica A y 45 das de la fabrica B, la
producci
on diaria promedio de la f
abrica B no exceda en mas de 27 unidades a la de la fabrica A.
Soluci
on:

Expresado en terminos estadsticos, lo que se nos pregunta es el valor de



B X
A ) 27
P (X

B es la media muestral para la fabrica B y X

A es la media muestral para la fabrica A.
donde X
B X
A ) se distribuye aproximadamente como una normal con
De acuerdo con el corolario 3.3.2 (X
media y varianza
B ) E(X
A ) = X X =
(BA) = E(X
A
B
= 230 200 = 30

2
A ) + Var(X
B ) = 2 + 2 =
(BA)
= Var(X
XA
XB

Por tanto

2
A
2
(12)2
(15)2
144 225
+ B =

=
+
=
nA
nB
36
45
36
45

720 + 900
= 9
180





27 30

Prob (XB XA ) 27 = Prob Z

= 1
9

donde Z se distribuye aproximadamente como una normal estandar.

Haciendo uso de la tabla de la normal estandar se encuentra que, para los tama
nos muestrales dados,
la probabilidad que la producci
on diaria promedio de la fabrica B no exceda en mas de 27 unidades
a la de la f
abrica A es del 15,87 %

A2-11

3.3.3.

Poblaciones finitas

Cuando la poblaci
on es finita y se muestrea sin reemplazo no se cumple la condicion de independencia entre variables aleatorias implcita en el Teorema del Lmite Central (3.3.2). Esto se debe a
que la probabilidad de ocurrencia de cualquier resultado cambia en funcion de cuantos elementos
ya se hayan sacado. Adicionalmente, no se puede hablar de una distribucion lmite puesto que el
m
aximo tama
no muestral es finito.
Para estos casos a
un es posible aproximar la distribucion de la media muestral a una normal cuando
el tama
no de la muestra es grande. En esta sub-seccion se establecera la media y la varianza que
dicha aproximaci
on normal tiene.
Definici
on 3.3.1 Si un experimento consiste en seleccionar uno o mas valores de un conjunto finito
de n
umeros {c1 , c2 , . . . , cN }, este conjunto se conoce como poblaci
on finita de tama
no N .
Definici
on 3.3.2 Si X1 es la variable aleatoria que representa al primer valor sacado de una poblaci
on finita de tama
no N , X2 al segundo valor sacado, . . . , Xn al n-esimo valor sacado, y la
distribuci
on de probabilidad conjunta de estas n variables aleatorias esta dada por
f (x1 , x2 , . . . , xn ) =

1
N (N 1) . . . (N n + 1)

para cada n-tuplo ordenado de valores de estas variables aleatorias, entonces se dice que X1 , X2 , . . . , Xn
constituyen una muestra aleatoria de la poblacion finita dada.
Observaci
on 3.3.3 La probabilidad de obtener la muestra aleatoria X1 , X2 , . . . , Xn , sin importar
el orden, g(x1 , x2 , . . . , xn ), es igual a n! veces la probabilidad conjunta de X1 , X2 , . . . , Xn , donde X1
es el primer elemento de una muestra aleatoria sacada de una poblacion finita de tama
no N , X2 es
el segundo elemento, . . ., Xn es el n-esimo elemento.
g(x1 , x2 , . . . , xn )

= n! f (x1 , x2 , . . . , xn )
n!
=
N (N 1) . . . (N n + 1)
1
g(x1 , x2 , . . . , xn ) =  
N
n
donde f (x1 , x2 , . . . , xn ) es como en la definicion 3.3.2.
Observaci
on 3.3.4 Una muestra aleatoria de tama
no n sin reemplazo (muestra aleatoria simple) de
una poblaci
on finita de tama
no N , puede ser obtenida sacando elemento por elemento o sacando los
n elementos de una sola vez. En ambos casos la probabilidad de obtener una muestra X1 , X2 , . . . , Xn
es la misma que la indicada en la observacion 3.3.3.
Observaci
on 3.3.5 Se sigue de la definicion 3.3.2 que la distribucion marginal de Xr , esta dada
por
1
para xr = c1 , c2 , . . . , cN
f (xr ) =
N
para r = 1, 2, . . . , n y donde el conjunto {c1 , c2 , . . . , cN } representa a la poblacion.
Definici
on 3.3.3 La media y la varianza de la poblacion finita {c1 , c2 , . . . , cN } son
=

N
X
i=1

ci

1
N

2 =

N
X
i=1

(ci )2

1
N

Observaci
on 3.3.6 De la definici
on 3.3.2 se sigue tambien que la distribucion marginal conjunta
de dos variables aleatorias cualesquiera X1 , X2 , . . . , Xn esta dada por
h(xr , xs ) =

1
N (N 1)

para cada par ordenado de elementos de la poblacion finita.

A2-12

Teorema 3.3.4 Si Xr y Xs son las r-esimas y s-esima variables aleatorias de una muestra aleatoria
de tama
no n sacada de una poblaci
on finita {c1 , c2 , . . . , cN }, entonces
Cov(Xr , Xs ) =
Demostraci
on

2
N 1

Por la definici
on de covarianza para variables aleatorias discretas (definicion 2.2.3)
Cov(Xr , Xs )

N X
N
X
i=1 j=1
i6=j

1
(ci )(cj )
N (N 1)

1
N (N 1)

N
X

N
X

i=1

j=1
j6=i

(ci )

(cj )

y puesto que
N
X

(ci ) =

j=1
j6=i

N
X

(cj ) (ci ) = (ci )

j=1

se obtiene
N

Cov(Xr , Xs )

X
1
(ci )2
N (N 1) i=1

1
2
N 1

//

QED

es la media de una muestra aleatoria de tama

Teorema 3.3.5 Si X
no n de una poblacion finita de
tama
no N con media y varianza 2 , entonces


2 N n

E(X) =
y
Var(X) =
n N 1
Demostraci
on
Esperanza: Por extensi
on del corolario 2.3.3
=
E(X)

n
n
X
X
1
1
E(Xi ) =
=
n
n
i=1
i=1

//

QED

se puede expresar como

Varianza: Por el teorema 2.3.7 se sabe que la varianza de X
=
Var(X)

n
X

a2i Var(Xi ) + 2

XX

i=1

Si se reemplaza ai =

1
n,

ai aj Cov(Xi , Xj )

i<j
2

Var(Xi ) = 2 , y Cov(Xi , Xj ) = N1 , se obtendra que


n
X
XX 1 
1
2
2
+2

n2
n2
N 1
i=1
i<j

XX
n
X
1
1
2
2
=

+
2

1
n2
n2
N 1
i=1
i<j


2
n(n 1)
2
=
+2

n
2n2
N 1


2

N n
=
//
QED
n N 1

=
Var(X)

A2-13

Observaciones 3.3.7
Al factor
finitas.

(N n)
(N 1)

se lo conoce como factor de ajuste de la varianza para poblaciones

El teorema del lmite central sigue aplicando para el caso de poblaciones finitas, la u
nica
Por tanto, se puede concluir que
diferencia es la varianza de X.
Z=

E(X)

X
X
q
=r 

2
2
N n
X

N 1

se distribuye aproximadamente como una normal estandar para muestras grandes.

Si el muestreo se realiza con reemplazo, entonces cada una de las variables aleatorias que
conforman la muestra son independientes entre si. En tal caso la varianza de la media muestral
coincide con aquella calculada para poblaciones infinitas.
Si el tama
no de la muestra es menor al 5 % del tama
no de la poblacion, se suele considerar
aceptable no hacer el ajuste de la varianza por poblacion finita.

3.4.

Distribuci
on muestral de la varianza

3.4.1.

La distribuci
on chi-cuadrado (2 )

Definici
on 3.4.1 Una variable aleatoria X tiene una distribucion chi-cuadrado y se conoce como
una variable aleatoria chi-cuadrado si y solo si su densidad de probabilidad esta dada por

v2
x

v 1
x 2 e 2 ; para x > 0
/2 (v/2)
2
f (x) =

0
; en cualquier otro caso

Observaciones 3.4.1
Al par
ametro v se lo conoce como el n
umero de grados de libertad.
() se conoce como funci
on gamma y esta definida por

y 1 ey dy

() =
0

La funci
on gamma satisface la f
ormula recursiva
() = ( 1)( 1)
por tanto, si es un entero positivo
() = ( 1)!
Teorema 3.4.1 La funci
on generatriz de momentos de la distribucion chi-cuadrado esta dada por

MX (t) =

1
1 2t

v/2

Teorema 3.4.2 La media y la varianza de la distribucion chi-cuadrado estan dadas por

=v

; 2 = 2v
A2-14

Referencias para la demostraci

on:
Walpole, et al. Captulo 6.6. Probabilidad y estadstica. Sexta edicion.
Freund, et al. Captulo 6.3. Estadstica matematica con aplicaciones. Sexta edicion.

Teorema 3.4.3 Si X tiene una distribuci

on normal est
andar, entonces X 2 tiene una distribucion
chi-cuadrado con v = 1 grados de libertad.
Teorema 3.4.4 Si X1 , X2 , . . . , Xn son variables aleatorias independientes que tienen distribuciones
normal est
andar, entonces
n
X
Y =
Xi2
i=1

tiene la distribuci
on chi-cuadrado con v = n grados de libertad.
Corolario 3.4.1 Si X1 , X2 , . . . , Xn son variables aleatorias independientes que tienen distribuciones
normales identicas con media y varianza 2 , entonces la variable aleatoria
Y =

2
n 
X
Xi

i=1

tiene una distribuci

on chi-cuadrado con v = n grados de libertad.
Teorema 3.4.5 Si X1 , X2 , . . . , Xn son variables aleatorias independientes que tienen distribuciones
chi-cuadrado con v1 , v2 , . . . , vn grados de libertad, entonces
Y =

n
X

Xi

i=1

tiene la distribuci
on chi-cuadrado con v1 + v2 + . . . + vn grados de libertad
Teorema 3.4.6 Si X1 y X2 son variables aleatorias independientes, X1 tiene una distribucion chicuadrado con v1 grados de libertad, y X1 +X2 tiene una distribucion chi-cuadrado con v > v1 grados
de libertad, entonces X2 tiene una distribucion chi-cuadrado con v v1 grados de libertad.
Referencias para la demostraci
on: Los teoremas anteriores pueden ser demostrados mediante
el uso de sus funciones generatrices de momentos. El desarrollo de las pruebas puede ser revisado en
Freund, Miller & Miller; Estadstica matem
atica con aplicaciones 6ta ed. Captulo 8.4.

3.4.2.

Distribuci
on muestral de la varianza

y S 2 son la media y la varianza de una muestra aleatoria de tama

Teorema 3.4.7 Si X
no n de una
poblaci
on normal con media y varianza 2 , entonces
y S 2 son independientes.
1. X
2. La variable aleatoria

(n 1)S 2
tiene una distribucion chi-cuadrado con n1 grados de libertad.
2

Demostraci
on No se realizar
a la demostracion de la parte 1 hasta que se llegue al estudio de
distribuciones multivariadas.
Parte 2: Se tiene que
n
X
2
(n 1)S =
(Xi X)
2

i=1

A2-15

Se probar
a que la expresi
on del lado derecho se puede re-escribir como
2

n
n
X
X
X
2=
(Xi X)
(Xi )2
1/n
i=1
i=1
para tal efecto, se sabe que
n
X
(Xi )2

n
X
+X
)2 =
(Xi X

n
X


+ (X
) 2
(Xi X)

n
X


2 + 2(Xi X)(
X
) + (X
)2
(Xi X)

n
n
n
X
X
X
2+2
X
) +
)2
(Xi X)
(Xi X)(
(X

n
n
n
X
X
X
2 + 2(X
)
+ (X
)2
(Xi X)
(Xi X)
1

" n
#
n
X
X
)2
2 + 2(X
)
+ n(X
(Xi X)
Xi nX

#
" n
n
n
X
X
X
2
)2
+ 2(X
)
Xi + n(X
(Xi X)
Xi

i=1

i=1

i=1

i=1

i=1

i=1

i=1

i=1

i=1

i=1

i=1

i=1

=
n
X

(Xi )

n
X
i=1
n
X

i=1

i=1

2 + n(X
)2
(Xi X)
2+
(Xi X)

i=1

i=1

i=1

2

X
1/n

//

Si se divide toda la expresi

on para 2 se obtiene
2
n 
n 
X
X
2  X
2
Xi
Xi X
=

/ n
i=1
i=1
2
n 
X
Xi
i=1

(n 1)S 2


2
X
/n

El primer termino del lado izquierdo de la igualdad es una chi-cuadrado con n grados de
libertad por el teorema 3.4.4.
El segundo termino del lado derecho de la ecuacion sigue una distribucion chi-cuadrado con
un grado de libertad por el teorema 3.4.3 junto con el teorema del lmite central.
Los dos terminos de la derecha son independientes por la primera parte del teorema 3.4.7.
Finalmente, aplicando el teorema 3.4.6 se concluye que
(n 1)S 2
2
es una variable aleatoria chi-cuadrado con n 1 grados de libertad.
Definici
on 3.4.2 2,v es el valor de una variable aleatoria chi-cuadrado con v grados de libertad
que satisface
P (X 2,v ) =
A2-16

Figura 3: Valor de una variable aleatoria 2 tal que P (X 2,v ) =

Ejemplo 3.4.1 Una corporaci

on colchonera es due
na de distintos puntos de fabricacion en el Ecuador. Cada f
abrica posee el mismo tipo de maquinaria que se caracteriza por producir con una
desviaci
on est
andar no mayor a 5 colchones diarios.
Para mantener un control sobre el proceso, anualmente se toman muestras aleatorias de 20 das de la
producci
on de cada f
abrica. Si la probabilidad de que S 2 sea mayor al valor observado en la muestra
es menor a 0,01, P (S 2 > s2 ) < 0,01, se considera que el proceso esta fuera de control y se llama
la atenci
on al ingeniero responsable del proceso.
En el punto de fabricaci
on Guayaquil, donde el Ing. Faciln esta a cargo, la muestra aleatoria
peri
odica arrojo una desviaci
on est
andar de 7 colchones por da. Debe el Ing. Faciln prepararse
para recibir una amonestaci
on?
Soluci
on:
2
El proceso se declara fuera de control si (n1)s
(el estadstico de prueba) con n = 20 y = 5
2
excede a 20,01;19 = 36,191 (el valor crtico).
Procedemos a calcular el estadstico de prueba.
19(7)2
(n 1)s2
=
= 37,24
2

(5)2
Como el valor del estadstico de prueba (37,24) excede al valor crtico (36,191), el proceso se considera fuera de control y el Ing. Faciln recibira una amonestacion.
Nota: Las conclusiones a las que hemos llegado asumen que la muestra se puede considerar una
muestra aleatoria de una poblaci
on normal.

A2-17

Distribuci
on Chi-cuadrado
Valores de 2,v

0.999

0.990

0.975

0.950

0.900

0.100

0.050

0.025

0.010

0.001

1
2
3
4
5
6
7
8
9
10

0.000
0.002
0.024
0.091
0.210
0.381
0.598
0.857
1.152
1.479

0.000
0.020
0.115
0.297
0.554
0.872
1.239
1.646
2.088
2.558

0.001
0.051
0.216
0.484
0.831
1.237
1.690
2.180
2.700
3.247

0.004
0.103
0.352
0.711
1.145
1.635
2.167
2.733
3.325
3.940

0.016
0.211
0.584
1.064
1.610
2.204
2.833
3.490
4.168
4.865

2.706
4.605
6.251
7.779
9.236
10.645
12.017
13.362
14.684
15.987

3.841
5.991
7.815
9.488
11.070
12.592
14.067
15.507
16.919
18.307

5.024
7.378
9.348
11.143
12.833
14.449
16.013
17.535
19.023
20.483

6.635
9.210
11.345
13.277
15.086
16.812
18.475
20.090
21.666
23.209

10.828
13.816
16.266
18.467
20.515
22.458
24.322
26.125
27.877
29.588

11
12
13
14
15
16
17
18
19
20

1.834
2.214
2.617
3.041
3.483
3.942
4.416
4.905
5.407
5.921

3.053
3.571
4.107
4.660
5.229
5.812
6.408
7.015
7.633
8.260

3.816
4.404
5.009
5.629
6.262
6.908
7.564
8.231
8.907
9.591

4.575
5.226
5.892
6.571
7.261
7.962
8.672
9.390
10.117
10.851

5.578
6.304
7.042
7.790
8.547
9.312
10.085
10.865
11.651
12.443

17.275
18.549
19.812
21.064
22.307
23.542
24.769
25.989
27.204
28.412

19.675
21.026
22.362
23.685
24.996
26.296
27.587
28.869
30.144
31.410

21.920
23.337
24.736
26.119
27.488
28.845
30.191
31.526
32.852
34.170

24.725
26.217
27.688
29.141
30.578
32.000
33.409
34.805
36.191
37.566

31.264
32.910
34.528
36.123
37.697
39.252
40.790
42.312
43.820
45.315

21
22
23
24
25
26
27
28
29
30

6.447
6.983
7.529
8.085
8.649
9.222
9.803
10.391
10.986
11.588

8.897
9.542
10.196
10.856
11.524
12.198
12.879
13.565
14.256
14.953

10.283
10.982
11.689
12.401
13.120
13.844
14.573
15.308
16.047
16.791

11.591
12.338
13.091
13.848
14.611
15.379
16.151
16.928
17.708
18.493

13.240
14.041
14.848
15.659
16.473
17.292
18.114
18.939
19.768
20.599

29.615
30.813
32.007
33.196
34.382
35.563
36.741
37.916
39.087
40.256

32.671
33.924
35.172
36.415
37.652
38.885
40.113
41.337
42.557
43.773

35.479
36.781
38.076
39.364
40.646
41.923
43.195
44.461
45.722
46.979

38.932
40.289
41.638
42.980
44.314
45.642
46.963
48.278
49.588
50.892

46.797
48.268
49.728
51.179
52.620
54.052
55.476
56.892
58.301
59.703

A2-18

Distribuci
on muestral de la media cuando 2 no es conocido

3.5.

En la mayora de las aplicaciones de la vida real se desconoce el valor de la varianza poblacional

(el par
ametro 2 )
Se hace necesario reemplazar 2 con un estimado. Usualmente este valor es la varianza de la
muestra, S 2 .
Esta secci
on trata acerca de la distribucion exacta de

X
S/n
para muestras aleatorias de poblaciones normales.
3.5.1.

La distribuci
on t de Student

Teorema 3.5.1 Si Y y Z son variables aleatorias independientes, Y sigue una distribucion chicuadrado con v grados de libertad, y Z sigue una distribucion normal estandar, entonces la distribuci
on de
Z
T =p
Y /v
est
a dada por


v+1

 v+1

2
t2
2
v 1 +
f (t) =
para < t <
v
v
2
y se llama distribuci
on t de Student con v grados de libertad.

Referencias para la demostraci

on: La demostracion del teorema puede ser encontrada en
Freund, Miller & Miller; Estadstica matem
atica con aplicaciones 6ta ed.; captulo 8.5.

Observaciones 3.5.1
La distribuci
on t depende del parametro v, los grados de libertad.
t,v el valor que debe tomar una variable aleatoria t-student con v grados de libertad para
satisfacer
P (T t,v ) =
La distribuci
on t es simetrica, por tanto t1,v = t,v
La media de la distribuci
on t es cero y su varianza, que es siempre mayor a 1, depende de v.
Cuando v la distribuci
on t converge a una distribucion normal estandar.

3.5.2.

Distribuci
on de la media muestral cuando 2 es desconocido

y S 2 son la media y la varianza de una muestra aleatoria de tama

Teorema 3.5.2 Si X
no n de una
poblaci
on normal con media y varianza 2 , entonces
T =

X
S/n

tiene la distribuci
on t con n 1 grados de libertad.

A2-19

Figura 4: Valor t tal que P (T t,v ) =

Figura 5: Distribucion t para distintos valores de v

Demostraci
on

Por los teoremas 3.4.7 y 3.3.2 (teorema del lmite central), las variables aleatorias
Y =

(n 1)S 2
2

Z=

X
/n

tienen, respectivamente, una distribuci

on chi-cuadrado con n1 grados de libertad y una distribucion
normal est
andar.
Sustituyendo en la f
ormula que indica el teorema 3.5.1 se tiene

X

/n
X
= S
T =p 2
S / 2
/ n
y S 2 son independientes y esto completa la
Por la primera parte del teorema 3.4.7 se sabe que X
demostraci
on.
Observaci
on 3.5.2 Para tama
nos de muestra mayores a 30 (n 30) se suele considerar que la
distribuci
on t no difiere de manera considerable una distribucion normal estandar.

A2-20

Distribuci
on t de Student
Valores de t,v

0.4000

0.2500

0.1000

0.0500

0.0250

0.0100

0.0050

0.0005

1
2
3
4
5

0.3249
0.2887
0.2767
0.2707
0.2672

1.0000
0.8165
0.7649
0.7407
0.7267

3.0777
1.8856
1.6377
1.5332
1.4759

6.3138
2.9200
2.3534
2.1318
2.0150

12.7062
4.3027
3.1825
2.7765
2.5706

31.8205
6.9646
4.5407
3.7470
3.3649

63.6567
9.9248
5.8409
4.6041
4.0321

636.6192
31.5991
12.9240
8.6103
6.8688

6
7
8
9
10

0.2648
0.2632
0.2619
0.2610
0.2602

0.7176
0.7111
0.7064
0.7027
0.6998

1.4398
1.4149
1.3968
1.3830
1.3722

1.9432
1.8946
1.8595
1.8331
1.8125

2.4469
2.3646
2.3060
2.2622
2.2281

3.1427
2.9980
2.8965
2.8214
2.7638

3.7074
3.4995
3.3554
3.2498
3.1693

5.9588
5.4079
5.0413
4.7809
4.5869

11
12
13
14
15

0.2596
0.2590
0.2586
0.2582
0.2579

0.6974
0.6955
0.6938
0.6924
0.6912

1.3634
1.3562
1.3502
1.3450
1.3406

1.7959
1.7823
1.7709
1.7613
1.7531

2.2010
2.1788
2.1604
2.1448
2.1315

2.7181
2.6810
2.6503
2.6245
2.6025

3.1058
3.0545
3.0123
2.9768
2.9467

4.4370
4.3178
4.2208
4.1405
4.0728

16
17
18
19
20

0.2576
0.2573
0.2571
0.2569
0.2567

0.6901
0.6892
0.6884
0.6876
0.6870

1.3368
1.3334
1.3304
1.3277
1.3253

1.7459
1.7396
1.7341
1.7291
1.7247

2.1199
2.1098
2.1009
2.0930
2.0860

2.5835
2.5669
2.5524
2.5395
2.5280

2.9208
2.8982
2.8784
2.8609
2.8453

4.0150
3.9651
3.9216
3.8834
3.8495

21
22
23
24
25

0.2566
0.2564
0.2563
0.2562
0.2561

0.6864
0.6858
0.6853
0.6849
0.6844

1.3232
1.3212
1.3195
1.3178
1.3163

1.7207
1.7171
1.7139
1.7109
1.7081

2.0796
2.0739
2.0687
2.0639
2.0595

2.5177
2.5083
2.4999
2.4922
2.4851

2.8314
2.8188
2.8073
2.7969
2.7874

3.8193
3.7921
3.7676
3.7454
3.7251

26
27
28
29
30

0.2560
0.2559
0.2558
0.2557
0.2556

0.6840
0.6837
0.6834
0.6830
0.6828

1.3150
1.3137
1.3125
1.3114
1.3104

1.7056
1.7033
1.7011
1.6991
1.6973

2.0555
2.0518
2.0484
2.0452
2.0423

2.4786
2.4727
2.4671
2.4620
2.4573

2.7787
2.7707
2.7633
2.7564
2.7500

3.7066
3.6896
3.6739
3.6594
3.6460

inf

0.2533

0.6745

1.2816

1.6449

1.9600

2.3264

2.5758

3.2905

A2-21

3.6.

La distribuci
on F

Teorema 3.6.1 Si U y V son variables aleatorias independientes que tienen distribuciones independientes con v1 y v2 grados de libertad, entonces
F =

U/v1
V /v2

es una variable aleatoria que sigue una distribuci

on F cuya funcion de densidad esta dada por

   v21
v1 + v2
v1
v1

f 2 1
2
v2
v  v 
g(f ) =

para 0 < f <
 12 (v1 +v2 )
1
2
v1

1+ f
2
2
v2
Referencias para la demostraci
on: La demostracion del teorema puede ser encontrada en
Freund, Miller & Miller; Estadstica matem
atica con aplicaciones 6ta ed.; captulo 8.6.

Observaciones 3.6.1
La curva de la distribuci
on F no solo depende de los parametros v1 y v2 , sino del orden en que
se establecen.
Se suele representar con f,v1 ,v2 al valor que debe tomar una variable aleatoria F para satisfacer
P (F f,v1 ,v2 ) =

Figura 6: Valor f tal que P (F f,v1 ,v2 ) =

Teorema 3.6.2 Para cualquier valor posible de v1 , v2 y se cumple que

f,v1 ,v2 =
3.6.1.

1
f1,v2 ,v1

Distribuci
on del ratio de varianzas muestrales

Teorema 3.6.3 Si S12 y S22 son las varianzas de muestras aleatorias independientes de tama
no n1
y n2 tomadas de poblaciones normales con varianzas 12 y 22 , respectivamente, entonces
F =

S12/ 2
1

S22

/22

22 S12
12 S22

tiene una distribuci

on F con v1 = n1 1 y v2 = n2 1 grados de libertad.
A2-22

Demostraci
on Si se sacan muestras aleatorias independientes de tama
no n1 y n2 de dos poblaciones normales, entonces haciendo uso del teorema 3.4.7 se tendra que
21 =

(n1 1)S12
12

(n2 1)S22
22

22 =

son dos variables aleatorias independientes que siguen una distribucion chi-cuadrado con n1 1 y
n2 1 grados de libertad.
Por tanto, utilizando el teorema 3.6.1 se puede decir que
F =

21/(n1 1)
22

/(n2 2)

2
(n1 1)S1
2
1

2
(n2 1)S2
2
2

/(n1 1)
/(n2 1)

sigue una distribuci

on F con n1 1 y n2 1 grados de libertad en el numerador y denominador
respectivamente.
Luego de simplificar se obtiene que el ratio en cuestion es
F =

S12/ 2
1

S22

/22

22 S12
12 S22

//

QED

Observaciones 3.6.2
Por variables aleatorias independientes se quiere decir que las n1 + n2 variables aleatorias
que constituyen las dos muestras son todas independientes. De este modo las dos variables
aleatorias chi-cuadrado son independientes.
La independencia entre las dos variables chi-cuadrado no es algo que pueda ser generalizado,
va a depender de cu
ales sean las poblaciones normales que las generan y de que el muestreo
sea aleatorio.

A2-23

A2-24

1
39.86
8.53
5.54
4.54
4.06

3.78
3.59
3.46
3.36
3.29

3.23
3.18
3.14
3.10
3.07

3.05
3.03
3.01
2.99
2.97

2.96
2.95
2.94
2.93
2.92

2.88
2.84
2.79
2.75
2.71

v2
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

30
40
60
120

2.49
2.44
2.39
2.35
2.30

2.57
2.56
2.55
2.54
2.53

2.67
2.64
2.62
2.61
2.59

2.86
2.81
2.76
2.73
2.70

3.46
3.26
3.11
3.01
2.92

2
49.50
9.00
5.46
4.32
3.78

2.28
2.23
2.18
2.13
2.08

2.36
2.35
2.34
2.33
2.32

2.46
2.44
2.42
2.40
2.38

2.66
2.61
2.56
2.52
2.49

3.29
3.07
2.92
2.81
2.73

3
53.59
9.16
5.39
4.19
3.62

2.14
2.09
2.04
1.99
1.94

2.23
2.22
2.21
2.19
2.18

2.33
2.31
2.29
2.27
2.25

2.54
2.48
2.43
2.39
2.36

3.18
2.96
2.81
2.69
2.61

4
55.83
9.24
5.34
4.11
3.52

2.05
2.00
1.95
1.90
1.85

2.14
2.13
2.11
2.10
2.09

2.24
2.22
2.20
2.18
2.16

2.45
2.39
2.35
2.31
2.27

3.11
2.88
2.73
2.61
2.52

5
57.24
9.29
5.31
4.05
3.45

1.98
1.93
1.87
1.82
1.77

2.08
2.06
2.05
2.04
2.02

2.18
2.15
2.13
2.11
2.09

2.39
2.33
2.28
2.24
2.21

3.05
2.83
2.67
2.55
2.46

6
58.20
9.33
5.28
4.01
3.40

1.93
1.87
1.82
1.77
1.72

2.02
2.01
1.99
1.98
1.97

2.13
2.10
2.08
2.06
2.04

2.34
2.28
2.23
2.19
2.16

3.01
2.78
2.62
2.51
2.41

7
58.91
9.35
5.27
3.98
3.37

1.88
1.83
1.77
1.72
1.67

1.98
1.97
1.95
1.94
1.93

2.09
2.06
2.04
2.02
2.00

2.30
2.24
2.20
2.15
2.12

2.98
2.75
2.59
2.47
2.38

8
59.44
9.37
5.25
3.95
3.34

1.85
1.79
1.74
1.68
1.63

1.95
1.93
1.92
1.91
1.89

2.06
2.03
2.00
1.98
1.96

2.27
2.21
2.16
2.12
2.09

2.96
2.72
2.56
2.44
2.35

9
59.86
9.38
5.24
3.94
3.32

v1

1.82
1.76
1.71
1.65
1.60

1.92
1.90
1.89
1.88
1.87

2.03
2.00
1.98
1.96
1.94

2.25
2.19
2.14
2.10
2.06

2.94
2.70
2.54
2.42
2.32

10
60.19
9.39
5.23
3.92
3.30

1.77
1.71
1.66
1.60
1.55

1.87
1.86
1.84
1.83
1.82

1.99
1.96
1.93
1.91
1.89

2.21
2.15
2.10
2.05
2.02

2.90
2.67
2.50
2.38
2.28

12
60.71
9.41
5.22
3.90
3.27

Distribuci
on F
Valores de f,v1 ,v2 para = 0,1

1.72
1.66
1.60
1.55
1.49

1.83
1.81
1.80
1.78
1.77

1.94
1.91
1.89
1.86
1.84

2.17
2.10
2.05
2.01
1.97

2.87
2.63
2.46
2.34
2.24

15
61.22
9.42
5.20
3.87
3.24

1.67
1.61
1.54
1.48
1.42

1.78
1.76
1.74
1.73
1.72

1.89
1.86
1.84
1.81
1.79

2.12
2.06
2.01
1.96
1.92

2.84
2.59
2.42
2.30
2.20

20
61.74
9.44
5.18
3.84
3.21

1.64
1.57
1.51
1.45
1.38

1.75
1.73
1.72
1.70
1.69

1.87
1.84
1.81
1.79
1.77

2.10
2.04
1.98
1.94
1.90

2.82
2.58
2.40
2.28
2.18

24
62.00
9.45
5.18
3.83
3.19

1.61
1.54
1.48
1.41
1.34

1.72
1.70
1.69
1.67
1.66

1.84
1.81
1.78
1.76
1.74

2.08
2.01
1.96
1.91
1.87

2.80
2.56
2.38
2.25
2.16

30
62.26
9.46
5.17
3.82
3.17

1.57
1.51
1.44
1.37
1.30

1.69
1.67
1.66
1.64
1.63

1.81
1.78
1.75
1.73
1.71

2.05
1.99
1.93
1.89
1.85

2.78
2.54
2.36
2.23
2.13

40
62.53
9.47
5.16
3.80
3.16

1.54
1.47
1.40
1.32
1.24

1.66
1.64
1.62
1.61
1.59

1.78
1.75
1.72
1.70
1.68

2.03
1.96
1.90
1.86
1.82

2.76
2.51
2.34
2.21
2.11

60
62.79
9.47
5.15
3.79
3.14

1.46
1.38
1.29
1.19
1.00

1.59
1.57
1.55
1.53
1.52

1.72
1.69
1.66
1.63
1.61

1.97
1.90
1.85
1.80
1.76

2.72
2.47
2.29
2.16
2.06

63.33
9.49
5.13
3.76
3.10

A2-25

5.99
5.59
5.32
5.12
4.96

4.84
4.75
4.67
4.60
4.54

4.49
4.45
4.41
4.38
4.35

4.32
4.30
4.28
4.26
4.24

4.17
4.08
4.00
3.92
3.84

11
12
13
14
15

16
17
18
19
20

21
22
23
24
25

30
40
60
120

3.32
3.23
3.15
3.07
3.00

3.47
3.44
3.42
3.40
3.39

3.63
3.59
3.55
3.52
3.49

3.98
3.89
3.81
3.74
3.68

5.14
4.74
4.46
4.26
4.10

2.92
2.84
2.76
2.68
2.60

3.07
3.05
3.03
3.01
2.99

3.24
3.20
3.16
3.13
3.10

3.59
3.49
3.41
3.34
3.29

4.76
4.35
4.07
3.86
3.71

2.69
2.61
2.53
2.45
2.37

2.84
2.82
2.80
2.78
2.76

3.01
2.96
2.93
2.90
2.87

3.36
3.26
3.18
3.11
3.06

4.53
4.12
3.84
3.63
3.48

2.53
2.45
2.37
2.29
2.21

2.68
2.66
2.64
2.62
2.60

2.85
2.81
2.77
2.74
2.71

3.20
3.11
3.03
2.96
2.90

4.39
3.97
3.69
3.48
3.33

2.42
2.34
2.25
2.18
2.10

2.57
2.55
2.53
2.51
2.49

2.74
2.70
2.66
2.63
2.60

3.09
3.00
2.92
2.85
2.79

4.28
3.87
3.58
3.37
3.22

2.33
2.25
2.17
2.09
2.01

2.49
2.46
2.44
2.42
2.40

2.66
2.61
2.58
2.54
2.51

3.01
2.91
2.83
2.76
2.71

4.21
3.79
3.50
3.29
3.14

2.27
2.18
2.10
2.02
1.94

2.42
2.40
2.37
2.36
2.34

2.59
2.55
2.51
2.48
2.45

2.95
2.85
2.77
2.70
2.64

4.15
3.73
3.44
3.23
3.07

2.21
2.12
2.04
1.96
1.88

2.37
2.34
2.32
2.30
2.28

2.54
2.49
2.46
2.42
2.39

2.90
2.80
2.71
2.65
2.59

4.10
3.68
3.39
3.18
3.02

2.16
2.08
1.99
1.91
1.83

2.32
2.30
2.27
2.25
2.24

2.49
2.45
2.41
2.38
2.35

2.85
2.75
2.67
2.60
2.54

4.06
3.64
3.35
3.14
2.98

2.09
2.00
1.92
1.83
1.75

2.25
2.23
2.20
2.18
2.16

2.42
2.38
2.34
2.31
2.28

2.79
2.69
2.60
2.53
2.48

4.00
3.57
3.28
3.07
2.91

2.01
1.92
1.84
1.75
1.67

2.18
2.15
2.13
2.11
2.09

2.35
2.31
2.27
2.23
2.20

2.72
2.62
2.53
2.46
2.40

3.94
3.51
3.22
3.01
2.85

1.93
1.84
1.75
1.66
1.57

2.10
2.07
2.05
2.03
2.01

2.28
2.23
2.19
2.16
2.12

2.65
2.54
2.46
2.39
2.33

3.87
3.44
3.15
2.94
2.77

1.89
1.79
1.70
1.61
1.52

2.05
2.03
2.01
1.98
1.96

2.24
2.19
2.15
2.11
2.08

2.61
2.51
2.42
2.35
2.29

3.84
3.41
3.12
2.90
2.74

1.84
1.74
1.65
1.55
1.46

2.01
1.98
1.96
1.94
1.92

2.19
2.15
2.11
2.07
2.04

2.57
2.47
2.38
2.31
2.25

3.81
3.38
3.08
2.86
2.70

1.79
1.69
1.59
1.50
1.39

1.96
1.94
1.91
1.89
1.87

2.15
2.10
2.06
2.03
1.99

2.53
2.43
2.34
2.27
2.20

3.77
3.34
3.04
2.83
2.66

1.74
1.64
1.53
1.43
1.32

1.92
1.89
1.86
1.84
1.82

2.11
2.06
2.02
1.98
1.95

2.49
2.38
2.30
2.22
2.16

3.74
3.30
3.01
2.79
2.62

1.62
1.51
1.39
1.25
1.00

1.81
1.78
1.76
1.73
1.71

2.01
1.96
1.92
1.88
1.84

2.40
2.30
2.21
2.13
2.07

3.67
3.23
2.93
2.71
2.54

v1
1
2
3
4
5
6
7
8
9
10
12
15
20
24
30
40
60

161.45 199.50 215.71 224.58 230.16 233.99 236.77 238.88 240.54 241.88 243.91 245.95 248.01 249.05 250.10 251.14 252.20 254.31
18.51 19.00 19.16 19.25 19.30 19.33 19.35 19.37 19.38 19.40 19.41 19.43 19.45 19.45 19.46 19.47 19.48 19.50
10.13
9.55
9.28
9.12
9.01
8.94
8.89
8.85
8.81
8.79
8.74
8.70
8.66
8.64
8.62
8.59
8.57
8.53
7.71
6.94
6.59
6.39
6.26
6.16
6.09
6.04
6.00
5.96
5.91
5.86
5.80
5.77
5.75
5.72
5.69
5.63
6.61
5.79
5.41
5.19
5.05
4.95
4.88
4.82
4.77
4.74
4.68
4.62
4.56
4.53
4.50
4.46
4.43
4.36

6
7
8
9
10

v2
1
2
3
4
5

Distribuci
on F
Valores de f,v1 ,v2 para = 0,05

A2-26

8.81
8.07
7.57
7.21
6.94

6.72
6.55
6.41
6.30
6.20

6.12
6.04
5.98
5.92
5.87

5.83
5.79
5.75
5.72
5.69

5.57
5.42
5.29
5.15
5.02

11
12
13
14
15

16
17
18
19
20

21
22
23
24
25

30
40
60
120

4.18
4.05
3.93
3.80
3.69

4.42
4.38
4.35
4.32
4.29

4.69
4.62
4.56
4.51
4.46

5.26
5.10
4.97
4.86
4.77

7.26
6.54
6.06
5.71
5.46

3.59
3.46
3.34
3.23
3.12

3.82
3.78
3.75
3.72
3.69

4.08
4.01
3.95
3.90
3.86

4.63
4.47
4.35
4.24
4.15

6.60
5.89
5.42
5.08
4.83

3.25
3.13
3.01
2.89
2.79

3.48
3.44
3.41
3.38
3.35

3.73
3.66
3.61
3.56
3.51

4.28
4.12
4.00
3.89
3.80

6.23
5.52
5.05
4.72
4.47

3.03
2.90
2.79
2.67
2.57

3.25
3.22
3.18
3.15
3.13

3.50
3.44
3.38
3.33
3.29

4.04
3.89
3.77
3.66
3.58

5.99
5.29
4.82
4.48
4.24

2.87
2.74
2.63
2.52
2.41

3.09
3.05
3.02
2.99
2.97

3.34
3.28
3.22
3.17
3.13

3.88
3.73
3.60
3.50
3.41

5.82
5.12
4.65
4.32
4.07

2.75
2.62
2.51
2.39
2.29

2.97
2.93
2.90
2.87
2.85

3.22
3.16
3.10
3.05
3.01

3.76
3.61
3.48
3.38
3.29

5.70
4.99
4.53
4.20
3.95

2.65
2.53
2.41
2.30
2.19

2.87
2.84
2.81
2.78
2.75

3.12
3.06
3.01
2.96
2.91

3.66
3.51
3.39
3.29
3.20

5.60
4.90
4.43
4.10
3.85

2.57
2.45
2.33
2.22
2.11

2.80
2.76
2.73
2.70
2.68

3.05
2.98
2.93
2.88
2.84

3.59
3.44
3.31
3.21
3.12

5.52
4.82
4.36
4.03
3.78

2.51
2.39
2.27
2.16
2.05

2.73
2.70
2.67
2.64
2.61

2.99
2.92
2.87
2.82
2.77

3.53
3.37
3.25
3.15
3.06

5.46
4.76
4.30
3.96
3.72

2.41
2.29
2.17
2.05
1.94

2.64
2.60
2.57
2.54
2.51

2.89
2.82
2.77
2.72
2.68

3.43
3.28
3.15
3.05
2.96

5.37
4.67
4.20
3.87
3.62

2.31
2.18
2.06
1.94
1.83

2.53
2.50
2.47
2.44
2.41

2.79
2.72
2.67
2.62
2.57

3.33
3.18
3.05
2.95
2.86

5.27
4.57
4.10
3.77
3.52

2.20
2.07
1.94
1.82
1.71

2.42
2.39
2.36
2.33
2.30

2.68
2.62
2.56
2.51
2.46

3.23
3.07
2.95
2.84
2.76

5.17
4.47
4.00
3.67
3.42

2.14
2.01
1.88
1.76
1.64

2.37
2.33
2.30
2.27
2.24

2.63
2.56
2.50
2.45
2.41

3.17
3.02
2.89
2.79
2.70

5.12
4.41
3.95
3.61
3.37

2.07
1.94
1.82
1.69
1.57

2.31
2.27
2.24
2.21
2.18

2.57
2.50
2.44
2.39
2.35

3.12
2.96
2.84
2.73
2.64

5.07
4.36
3.89
3.56
3.31

2.01
1.88
1.74
1.61
1.48

2.25
2.21
2.18
2.15
2.12

2.51
2.44
2.38
2.33
2.29

3.06
2.91
2.78
2.67
2.59

5.01
4.31
3.84
3.51
3.26

v1
1
2
3
4
5
6
7
8
9
10
12
15
20
24
30
40
647.79 799.50 864.16 899.58 921.85 937.11 948.22 956.66 963.28 968.63 976.71 984.87 993.10 997.25 1001.41 1005.60
38.51 39.00 39.17 39.25 39.30 39.33 39.36 39.37 39.39 39.40 39.41 39.43 39.45 39.46
39.46
39.47
17.44 16.04 15.44 15.10 14.88 14.73 14.62 14.54 14.47 14.42 14.34 14.25 14.17 14.12
14.08
14.04
12.22 10.65
9.98
9.60
9.36
9.20
9.07
8.98
8.90
8.84
8.75
8.66
8.56
8.51
8.46
8.41
10.01
8.43
7.76
7.39
7.15
6.98
6.85
6.76
6.68
6.62
6.52
6.43
6.33
6.28
6.23
6.18

6
7
8
9
10

v2
1
2
3
4
5

Distribuci
on F
Valores de f,v1 ,v2 para = 0,025

1.94
1.80
1.67
1.53
1.39

2.18
2.14
2.11
2.08
2.05

2.45
2.38
2.32
2.27
2.22

3.00
2.85
2.72
2.61
2.52

4.96
4.25
3.78
3.45
3.20

1.79
1.64
1.48
1.31
1.00

2.04
2.00
1.97
1.94
1.91

2.32
2.25
2.19
2.13
2.09

2.88
2.72
2.60
2.49
2.40

4.85
4.14
3.67
3.33
3.08

60

1009.80 1018.23
39.48
39.50
13.99
13.90
8.36
8.26
6.12
6.02

A2-27

13.75
12.25
11.26
10.56
10.04

9.65
9.33
9.07
8.86
8.68

8.53
8.40
8.29
8.18
8.10

8.02
7.95
7.88
7.82
7.77

7.56
7.31
7.08
6.85
6.63

11
12
13
14
15

16
17
18
19
20

21
22
23
24
25

30
40
60
120

5.39
5.18
4.98
4.79
4.61

5.78
5.72
5.66
5.61
5.57

6.23
6.11
6.01
5.93
5.85

7.21
6.93
6.70
6.51
6.36

10.92
9.55
8.65
8.02
7.56

4.51
4.31
4.13
3.95
3.78

4.87
4.82
4.76
4.72
4.68

5.29
5.18
5.09
5.01
4.94

6.22
5.95
5.74
5.56
5.42

9.78
8.45
7.59
6.99
6.55

4.02
3.83
3.65
3.48
3.32

4.37
4.31
4.26
4.22
4.18

4.77
4.67
4.58
4.50
4.43

5.67
5.41
5.21
5.04
4.89

9.15
7.85
7.01
6.42
5.99

3.70
3.51
3.34
3.17
3.02

4.04
3.99
3.94
3.90
3.85

4.44
4.34
4.25
4.17
4.10

5.32
5.06
4.86
4.69
4.56

8.75
7.46
6.63
6.06
5.64

3.47
3.29
3.12
2.96
2.80

3.81
3.76
3.71
3.67
3.63

4.20
4.10
4.01
3.94
3.87

5.07
4.82
4.62
4.46
4.32

8.47
7.19
6.37
5.80
5.39

3.30
3.12
2.95
2.79
2.64

3.64
3.59
3.54
3.50
3.46

4.03
3.93
3.84
3.77
3.70

4.89
4.64
4.44
4.28
4.14

8.26
6.99
6.18
5.61
5.20

3.17
2.99
2.82
2.66
2.51

3.51
3.45
3.41
3.36
3.32

3.89
3.79
3.71
3.63
3.56

4.74
4.50
4.30
4.14
4.00

8.10
6.84
6.03
5.47
5.06

3.07
2.89
2.72
2.56
2.41

3.40
3.35
3.30
3.26
3.22

3.78
3.68
3.60
3.52
3.46

4.63
4.39
4.19
4.03
3.89

7.98
6.72
5.91
5.35
4.94

2.98
2.80
2.63
2.47
2.32

3.31
3.26
3.21
3.17
3.13

3.69
3.59
3.51
3.43
3.37

4.54
4.30
4.10
3.94
3.80

7.87
6.62
5.81
5.26
4.85

2.84
2.66
2.50
2.34
2.18

3.17
3.12
3.07
3.03
2.99

3.55
3.46
3.37
3.30
3.23

4.40
4.16
3.96
3.80
3.67

7.72
6.47
5.67
5.11
4.71

2.70
2.52
2.35
2.19
2.04

3.03
2.98
2.93
2.89
2.85

3.41
3.31
3.23
3.15
3.09

4.25
4.01
3.82
3.66
3.52

7.56
6.31
5.52
4.96
4.56

2.55
2.37
2.20
2.03
1.88

2.88
2.83
2.78
2.74
2.70

3.26
3.16
3.08
3.00
2.94

4.10
3.86
3.66
3.51
3.37

7.40
6.16
5.36
4.81
4.41

2.47
2.29
2.12
1.95
1.79

2.80
2.75
2.70
2.66
2.62

3.18
3.08
3.00
2.92
2.86

4.02
3.78
3.59
3.43
3.29

7.31
6.07
5.28
4.73
4.33

2.39
2.20
2.03
1.86
1.70

2.72
2.67
2.62
2.58
2.54

3.10
3.00
2.92
2.84
2.78

3.94
3.70
3.51
3.35
3.21

7.23
5.99
5.20
4.65
4.25

2.30
2.11
1.94
1.76
1.59

2.64
2.58
2.54
2.49
2.45

3.02
2.92
2.84
2.76
2.69

3.86
3.62
3.43
3.27
3.13

7.14
5.91
5.12
4.57
4.17

2.21
2.02
1.84
1.66
1.47

2.55
2.50
2.45
2.40
2.36

2.93
2.83
2.75
2.67
2.61

3.78
3.54
3.34
3.18
3.05

7.06
5.82
5.03
4.48
4.08

2.01
1.80
1.60
1.38
1.00

2.36
2.31
2.26
2.21
2.17

2.75
2.65
2.57
2.49
2.42

3.60
3.36
3.17
3.00
2.87

6.88
5.65
4.86
4.31
3.91

v1
1
2
3
4
5
6
7
8
9
10
12
15
20
24
30
40
60

4052.18 4999.50 5403.35 5624.58 5763.65 5858.99 5928.36 5981.07 6022.47 6055.85 6106.32 6157.28 6208.73 6234.63 6260.65 6286.78 6313.03 6365.68
98.50
99.00
99.17
99.25
99.30
99.33
99.36
99.37
99.39
99.40
99.42
99.43
99.45
99.46
99.47
99.47
99.48
99.50
34.12
30.82
29.46
28.71
28.24
27.91
27.67
27.49
27.35
27.23
27.05
26.87
26.69
26.60
26.50
26.41
26.32
26.13
21.20
18.00
16.69
15.98
15.52
15.21
14.98
14.80
14.66
14.55
14.37
14.20
14.02
13.93
13.84
13.75
13.65
13.46
16.26
13.27
12.06
11.39
10.97
10.67
10.46
10.29
10.16
10.05
9.89
9.72
9.55
9.47
9.38
9.29
9.20
9.02

6
7
8
9
10

v2
1
2
3
4
5

Distribuci
on F
Valores de f,v1 ,v2 para = 0,01

A2-28

18.63
16.24
14.69
13.61
12.83

12.23
11.75
11.37
11.06
10.80

10.58
10.38
10.22
10.07
9.94

9.83
9.73
9.63
9.55
9.48

9.18
8.83
8.49
8.18
7.88

11
12
13
14
15

16
17
18
19
20

21
22
23
24
25

30
40
60
120

6.35
6.07
5.79
5.54
5.30

6.89
6.81
6.73
6.66
6.60

7.51
7.35
7.21
7.09
6.99

8.91
8.51
8.19
7.92
7.70

14.54
12.40
11.04
10.11
9.43

5.24
4.98
4.73
4.50
4.28

5.73
5.65
5.58
5.52
5.46

6.30
6.16
6.03
5.92
5.82

7.60
7.23
6.93
6.68
6.48

12.92
10.88
9.60
8.72
8.08

4.62
4.37
4.14
3.92
3.72

5.09
5.02
4.95
4.89
4.84

5.64
5.50
5.37
5.27
5.17

6.88
6.52
6.23
6.00
5.80

12.03
10.05
8.81
7.96
7.34

4.23
3.99
3.76
3.55
3.35

4.68
4.61
4.54
4.49
4.43

5.21
5.07
4.96
4.85
4.76

6.42
6.07
5.79
5.56
5.37

11.46
9.52
8.30
7.47
6.87

3.95
3.71
3.49
3.28
3.09

4.39
4.32
4.26
4.20
4.15

4.91
4.78
4.66
4.56
4.47

6.10
5.76
5.48
5.26
5.07

11.07
9.16
7.95
7.13
6.54

3.74
3.51
3.29
3.09
2.90

4.18
4.11
4.05
3.99
3.94

4.69
4.56
4.44
4.34
4.26

5.86
5.52
5.25
5.03
4.85

10.79
8.89
7.69
6.88
6.30

3.58
3.35
3.13
2.93
2.74

4.01
3.94
3.88
3.83
3.78

4.52
4.39
4.28
4.18
4.09

5.68
5.35
5.08
4.86
4.67

10.57
8.68
7.50
6.69
6.12

3.45
3.22
3.01
2.81
2.62

3.88
3.81
3.75
3.69
3.64

4.38
4.25
4.14
4.04
3.96

5.54
5.20
4.94
4.72
4.54

10.39
8.51
7.34
6.54
5.97

3.34
3.12
2.90
2.71
2.52

3.77
3.70
3.64
3.59
3.54

4.27
4.14
4.03
3.93
3.85

5.42
5.09
4.82
4.60
4.42

10.25
8.38
7.21
6.42
5.85

3.18
2.95
2.74
2.54
2.36

3.60
3.54
3.47
3.42
3.37

4.10
3.97
3.86
3.76
3.68

5.24
4.91
4.64
4.43
4.25

10.03
8.18
7.01
6.23
5.66

3.01
2.78
2.57
2.37
2.19

3.43
3.36
3.30
3.25
3.20

3.92
3.79
3.68
3.59
3.50

5.05
4.72
4.46
4.25
4.07

9.81
7.97
6.81
6.03
5.47

2.82
2.60
2.39
2.19
2.00

3.24
3.18
3.12
3.06
3.01

3.73
3.61
3.50
3.40
3.32

4.86
4.53
4.27
4.06
3.88

9.59
7.75
6.61
5.83
5.27

2.73
2.50
2.29
2.09
1.90

3.15
3.08
3.02
2.97
2.92

3.64
3.51
3.40
3.31
3.22

4.76
4.43
4.17
3.96
3.79

9.47
7.64
6.50
5.73
5.17

2.63
2.40
2.19
1.98
1.79

3.05
2.98
2.92
2.87
2.82

3.54
3.41
3.30
3.21
3.12

4.65
4.33
4.07
3.86
3.69

9.36
7.53
6.40
5.62
5.07

2.52
2.30
2.08
1.87
1.67

2.95
2.88
2.82
2.77
2.72

3.44
3.31
3.20
3.11
3.02

4.55
4.23
3.97
3.76
3.58

9.24
7.42
6.29
5.52
4.97

2.42
2.18
1.96
1.75
1.53

2.84
2.77
2.71
2.66
2.61

3.33
3.21
3.10
3.00
2.92

4.45
4.12
3.87
3.66
3.48

9.12
7.31
6.18
5.41
4.86

2.18
1.93
1.69
1.43
1.00

2.61
2.55
2.48
2.43
2.38

3.11
2.98
2.87
2.78
2.69

4.23
3.90
3.65
3.44
3.26

8.88
7.08
5.95
5.19
4.64

v1
1
2
3
4
5
6
7
8
9
10
12
15
20
24
30
40
60

16210.72 19999.50 21614.74 22499.58 23055.80 23437.11 23714.57 23925.41 24091.00 24224.49 24426.37 24630.21 24835.97 24939.57 25043.63 25148.15 25253.14 25464.08
198.50
199.00
199.17
199.25
199.30
199.33
199.36
199.37
199.39
199.40
199.42
199.43
199.45
199.46
199.47
199.47
199.48
199.50
55.55
49.80
47.47
46.19
45.39
44.84
44.43
44.13
43.88
43.69
43.39
43.08
42.78
42.62
42.47
42.31
42.15
41.83
31.33
26.28
24.26
23.15
22.46
21.97
21.62
21.35
21.14
20.97
20.70
20.44
20.17
20.03
19.89
19.75
19.61
19.32
22.78
18.31
16.53
15.56
14.94
14.51
14.20
13.96
13.77
13.62
13.38
13.15
12.90
12.78
12.66
12.53
12.40
12.14

6
7
8
9
10

v2
1
2
3
4
5

Distribuci
on F
Valores de f,v1 ,v2 para = 0,005