Académique Documents
Professionnel Documents
Culture Documents
Sea X1, X2, ..., Xn una muestra aleatoria de una distribución con valor medio μ y desviación estándar σ. Entonces:
1. E(X) = μx = μ
2. V(X) = σx ² = σ ²/n y σx = σ/√n
Además, con T0 = X1 + X2 + ... + Xn (la muestra total), E(T0) = n.μ, V(T0) = n.σ ², y σ.T0 = √n.σ.
N: número de muestras.
n: número de muestras en el subconjunto extraído del conjunto madre de N muestras.
μx = μx
σx ² = σ ²/n
σx = σ/√n
A medida que aumentan las muestras, la variabilidad disminuye.
Sea X1, X2, ..., Xn una muestra aleatoria de una distribución normal con valor medio μ y desviación estándar σ.
Entonces, para cualquier n, X está normalmente distribuida (con media μ y desviación estándar σ/√n), como es T0
(con media n.μ desviación estándar √n.σ).
TEOREMA DEL LIMITE CENTRAL
Teorema:
Sea X1, X2, ..., Xn una muestra aleatoria de una distribución con media μ y varianza σ ². Entonces, si n es
suficientemente grande, X tiene aproximadamente una distribución normal con μx = μ y σx ² = σ ²/n, y T0 tiene también
aproximadamente una distribución normal con μT0 = n.μ, σ ²T0 = n.σ ². Cuanto mas grande sea el valor de n, mejor
será la aproximación.
El Teorema del Límite Central garantiza una distribución normal cuando n es suficientemente grande
Si n > 30, se puede usar el TLC.
Si la distribución madre es normal, la distribución de la media muestral también es normal, independientemente del
tamaño.
x ≈ N(μx; σx) x ≈ N(μx; σx)
Ejemplo 1:
Si se sabe que la dureza Rockwell de pernos de cierto tipo tiene un valor medio de 50 y desviación estándar de 1,5.
a) Si la distribución es normal, ¿cuál es la probabilidad de que la dureza muestral media para una muestra aleatoria
de 9 pernos sea por lo menos 52?
b) ¿Cuál es la probabilidad (aproximada) de que la dureza muestral media para una muestra aleatoria de 40 pernos
sea al menos 52?
x = 50
σ = 1,5
x ≈ N(50; 1,5)
a)
n=9
x = 52
x ≈ N(50; 1,5.√9)
z = (x - μ)/(σ/√n)
n = 200
x = 136
a) Para 1 - α/2 = 0,95
p = x/n
p = 136/200 = 0,68
p=1–qq=1-p
q = 1 - 0,68 = 0,32
Li/s = p ± z(1 - α/2).√p.q/n
Li/s = 0,68 ± z( 0,95).√0,68.0,32/200
De tabla z(0,95) = 1,645
Li/s = 0,68 ± 1,645.0,33
Li/s = 0,68 ± 0,054
(0,626; 0,734)
b)
n = [z(1 - α/2) ².p.q]/L ²
n = 1,645 ².0,5.0,5/(0,25 ²)
Sin sondeo previo tomar p = q = 0,5
n = 10,82 clientes
c) Para el 82%
Li/s = p ± z(1 - α/2).√p.q/n
α = 0,82
1 - α = 0,18
α/2 = 0,09
1 - α/2 = 0,91
De tabla e interpolando z(1 - α/2) = 1,3425
Li/s = 0,68 ± z(0,91).√0,68.0,32/200
De tabla z(0,91) = 1,645
Li/s = 0,68 ± 1,3425.0,33
Li/s = 0,68 ± 0,0443
(0,6357; 0,7243)
Cuadro de Contingencia
A B
P(A) P(B) 1
Del cuadro:
P(A) = P(A H) + P(A K)
P(B) = P(B H) + P(B K)
P(H) = P(A H) + P(B H)
P(K) = P(A K) + P(B K)
P(A) + P(B) = 1
P(H) + P(K) = 1
P(A H) = P(A/H).P(H)
P(A H) = P(H/A).P(A)
P(A K) = P(A/K).P(K)
P(A K) = P(K/A).P(A)
P(B H) = P(H/B).P(B)
P(B H) = P(B/H).P(H)
P(B K) = P(B/K).P(K)
P(B K) = P(K/B).P(B)
P(A) ó P(H) = P(A H) = P(A K) + P(B H) - P(A H) - Para eventos independientes
Teorema de Bayes
Ejemplo:
De 300 estudiantes de Ciencias Económicas, 100 cursan Estadística y 80 cursan Historia Económica I. Estas cifras
incluyen 30 estudiantes que cursan ambas materias.
a) ¿Cuál es la probabilidad de que un estudiante elegido aleatoriamente curse Estadística o Historia Económica I?
b) Idem anterior pero que no curse ninguna de esas dos materias.
c) ¿Qué probabilidad hay de que al elegir un estudiante al azar curse Historia Económica I, dado que cursa
Estadística?
d) ¿Qué probabilidad hay de que al elegir un estudiante al azar curse Estadística, dado que cursa Historia
Económica I?
e) Pruebe si el hecho de cursar Estadística es independiente de cursar Historia Económica I.
Lamamos:
E: Estadística.
HE: Historia Económica I.
X: Ni Estadística ni Historia Económica I.
Armamos la tabla:
HE HE
E 30 100
E 200
80 220 300
Completamos los lugares vacíos:
HE HE
E 30 70 100
E 50 150 200
80 220 300
a) Se pide P(E) o P(HE), es decir P(E HE).
P(E HE) = P(E) + P(HE) - P(E HE)
P(E) = 100/300 = 0,333
P(HE) = 80/300 = 0,267
P(E HE) = 30/300 = 0,100
P(E HE) = 0,333 + 0,267 - 0,100 = 0,500
c) Se pide P(HE/E).
P(HE/E) = P(E HE)/P(E) = 0,100/0,333 = 0,3003
d) Se pide P(E/HE).
P(E/HE) = P(E HE)/P(HE) = 0,100/0,267 = 0,3745
C
S
C
S
S
• Tablas rejilla
- Conjunto de posibles resultados al tirar un dado rojo y uno azul
11 21 31 41 51 61
12 22 32 42 52 62
13 23 33 43 53 63
14 24 34 44 54 64
15 25 35 45 55 65
16 26 36 46 56 66
M 40 25 65
H 60 30 90
100 55 155
Recordemos cuales son los totales marginales y el gran total.
DEFINICIONES DE PROBABILIDAD
DEFINICION CLASICA
• Se basa en que todos los resultados son
• igualmente probables o equiprobables.
• Mutuamente excluyentes
• Colectivamente exhaustivos
Número de resultados favorables
Probabilidad de un evento =
Número de resultados posibles
DEFINICION FRECUENCIAL
• Cuando los resultados no son equiprobables la probabilidad de ocurrencia de un
evento se determina por observación del número de veces que eventos similares
ocurrieron en el pasado. (frecuencia relativa)
Número de veces que el evento ocurrió en el pasado
Probabilidad de un evento =
Número de observaciones
Ejemplo:
Sea el experimento de estudiar una droga que cura cierta enfermedad en vacunos enfermos. Se aplicó a 1000
vacunos y se curaron 700.
• El espacio muestral será S = {curado; no curado}
• Consideremos el evento de que el vacuno se cure.
• Probabilidad de curado = 700/1000 = 0,7
DEFINICION SUBJETIVA
• Cuando no se tienen datos para ningún tipo de cálculo, ni posibilidad de efectuar repetidamente el experimento,
se recurre a un experto, quien de acuerdo a su buen saber y entender estimará la probabilidad.
Ejemplos:
• Calcular la probabilidad de que un tenista gane un campeonato
• Calcular la probabilidad de que un club de futbol salga campeón
• Calcular la probabilidad de que el precio de las acciones de una compañía se incremente en dos años.
AXIOMAS DE PROBABILIDADES
• Independientemente de que definición de probabilidad utilicemos, siempre se deberán cumplir los siguientes tres
axiomas.
Axiomas:
• Axioma 1: La probabilidad de un evento existe y es un número mayor o igual a cero
0 ≤ P(A)
• Axioma 2: La probabilidad de todo el espacio muestral es 1.
P(S) = 1
• Axioma 3: Si dos eventos A y B son mutuamente excluyentes
P(AB) = P(A) + P(B)
CONSECUENCIAS DE LOS AXIOMAS DE PROBABILIDADES
P(Φ) = 0
Si Ā = suceso complementario de A es decir Ā = S - A, será P(Ā) = 1 - P(A)
Si A1A2, entonces P(A1) ≤ P(A2)
" A se cumple que P(A) ≤ 1
REGLA GENERAL DE LA SUMA
• Si A y B son dos sucesos no mutuamente excluyentes, luego la probabilidad de la unión entre ambos está dada
por la siguiente fórmula.
P(A B) = P(A) + P(B) - P(A B)
B
AyB
A
a) P(A) = 3/8
(b) P(Ā) = 5/8
(c) P(A U B) = P(A) + P(B) - P(AB)
P(A U B) = 3/8 + 5/8 - 2/8 = 6/8 = 0,75
resultado que es muy fácil verificar visualmente en el diagrama.
INDEPENDENCIA
• Dos eventos A y B son independientes cuando se cumple que la probabilidad conjunta es igual al producto de las
probabilidades marginales.
P(A B) = P(A)*P(B)
PROBABILIDAD CONDICIONAL
• Probabilidad Condicional es la probabilidad de ocurrencia de un evento en particular, dado que otro evento ha
ocurrido. La probabilidad condicional de el evento A dado que el evento B ha ocurrido se escribe P(A|B).
REGLA GENERAL DEL PRODUCTO
• Dados dos eventos A y B la probabilidad conjunta de que ambos sucedan se calcula según la siguiente fórmula:
P(A B) = P(A)*P(B|A) = P(B A) = P(B)*P(A|B)
• Si los eventos A y B son independientes la probabilidad conjunta de que ambos sucedan se calcula según la
siguiente fórmula:
P(A B) = P(B A) = P(A)*P(B) = P(B)*P(A)
Ejemplo:
Un experimento genera un espacio muestral que contiene ocho sucesos E1,...,E8 con p(Ei) = 1/8, i = 1,...,8. Los
sucesos A y B se definen así:
A = {E1,E4,E6}
B = {E3,E4,E5,E6,E7}
Resolver:
(a) ¿Son los sucesos A y B mutuamente excluyentes? ¿Por qué?
(b) ¿Son los sucesos A y B independientes? ¿Por qué?
(c) P(AB)
(d) P(A/B)
Solución:
a) P(+15A) = P(+15/A)*P(A) = 0,07*0,54 = 0,0378
b) P(A/-15) = P(A-15) / P(-15) = 0,5022 / 0,66 = 0,76
3) El 70% del ganado es inyectado con una vacuna para combatir una enfermedad grave. La probabilidad de
recuperarse de la enfermedad es 1 en 20 si no ha habido tratamiento y de 1 en 5 si hubo tratamiento. Si un animal
infectada se recupera, ¿cuál es la probabilidad de que haya recibido la vacuna preventiva?
Sugerencias: Recordar probabilidad condicional y probabilidad conjunta Regla del producto.
Datos:
P( I ) = 0,7
P( R / I ) = 0,2
P( Ī ) = 0,3
P( R / Ī ) = 0,05
Incógnita:
P( I /R )
Autor: Olga Susana Filippini
VARIABLE ALEATORIA
Dado un experimento aleatorio y su correspondiente espacio muestral se denomina variable aleatoria a la función que
asigna a cada elemento del espacio muestral un número real.
X: S R/X(s) x
Ejemplo: Si se define la variable aleatoria X = número de caras obtenidas al arrojar dos monedas
2) P(xi) = 1
VARIABLE ALEATORIA CONTINUA
Una variable es continua en un intervalo cuando puede tomar cualquier valor perteneciente al intervalo.
En general definiremos variables aleatorias continuas cuando las experiencias consistan en medir peso, altura,
longitud, tiempo, temperatura, etc.
En este caso se define (en lugar de la función de distribución) una función de densidad de probabilidad que tiene las
siguientes propiedades
1) f(x) ≥ 0 X ε R
2) f(x).dx = 1
μ = E(X) = xi.p(xi)
Si X es continua
∫
μ = E(X) = x.f(x).dx
La esperanza E(x) no es un resultado que esperararíamos cuando X se observa sólo una vez.
Pero si observáramos un gran número de observaciones independientes de X el promedio de esos resultados estará
cerca de E(x).
Ejemplo:
En una operación comercial se puede obtener una utilidad de $1000 o sufrir una pérdida de $500. Si la probabilidad
de una utilidad es de 0,6, demuestre que la utilidad esperada en dicha operación es de $400.
Primero definimos la variable aleatoria
X = utilidad en operación comercial
μ = E(X) = xi.p(xi)
E(X) = 1000*0,6+(-500)*0,4
E(X) = 400
PROPIEDADES DE LA ESPERANZA
Sean X e Y variables aleatorias y c una constante perteneciente a los reales:
1) E (c ) = c
2) E (X+c ) = E(X) + c
3) E (cX) = c E(X)
4) E (X+Y) = E(X) + E(Y)
5) E (X-Y) = E(X) - E(Y)
6) Si X e Y son independientes E (XY) = E(X) * E(Y)
VARIANCIA DE UNA VARIABLE ALEATORIA
La variancia es un parámetro de la distribución. Es una medida de dispersión de los valores de x alrededor de E(X)
Var(X) = σ² = E(X - μ)²
Var(X) = σ² = E(X² - [E(X)]²)
PROPIEDADES DE LA VARIANCIA
Sean X e Y variables aleatorias y c una constante perteneciente a los reales:
1) V (c ) = 0
2) V (X + c ) = V(X)
3) V (cX) = c2 V(X)
4) Si X e Y son independientes V (X + Y) = V(X) + V(Y)
5) Si X e Y son independientes V (X - Y) = V(X) + V(Y)
TEOREMA DE BAYES
P(a ≤ x ≤ b) = f(x).dx
La Distribución Normal Estandard
• Hay un número ilimitado de distribuciones de probabilidad normal, aunque afortunadamente todas están
relacionadas con una distribución, la distribución normal Estandard.
• Propiedades de la Distribución Normal Standard
• El área total bajo la curva normal es igual a 1.
• La distribución tiene forma de campana y es simétrica; se extiende en ambas direcciones y el eje x es su asíntota.
• Tiene media igual a 0 y desviación standard igual a 1.
• La media divide el área en dos mitades.
• Casi toda el área está entre z = -3 y z = +3.
Ejemplo:
En una granja modelo de la Provincia de Entre Ríos, en un momento determinado de su desarrollo, los cerdos que
producen tienen en cuanto a su peso, una distribución Normal con un promedio de 75 kg. y un desvío estándar de 6
kg.
Es decir: x ~ N (75 , 6) a variable Normal Estándar será: z = (x - μ)/σ = (x - 75)/6
Donde: z ~ N (0,1)
Con esa información calcular:
P(μ - k σ < x < μ + k.σ) = P(- k.σ < x - μ < k.σ) = P(- k < (x - μ)/σ < k) =
Dándole valores a k se tiene:
Para k = 1
P(|z| < 1) = P(-1 < z < 1) = F(1) - F(-1) = 0.84134 - 0.15866 = 0,68268
El 68 % de los cerdos tendrán pesos comprendidos entre un desvío estándar en más y en menos de la media (es
decir entre 69 y 81 kg.) (μ ±σ)
Para k = 2
P(|z| < 2) = P(-2 < z < 2) = F(2) - F(-2) = 0.97725 - 0.02275 = 0,9545
El 95 % de los cerdos tendrán pesos comprendidos entre dos desvíos estándar en más y en menos de la media (es
decir entre 63 y 87 kg.) (μ ± 2.σ)
Para k = 3
P(|z| < 3) = P(-3 < z < 3) = F(3) - F(-3) = 0.99865 - 0.00135 = 0,9973
Casi el 100% (99.73%) de los cerdos tendrán pesos entre tres desvíos estándar en más y en menos de la media (es
decir 57 y 93 kg.) (μ ± 3.σ)
b) P(x > 72) = P (z > (x - 75) /6 = -0.50) = 1 - F(-0.50) = 1 - 0.19146 = 0,80854
El 81 % de los cerdos tendrán pesos superiores a 72 kg.
c) P (69 < x < 87) = P (-1 < z < 2) = F(2) - F(-1) = 0.97725 - 0.15866 = 0,81859
El 82 % de los cerdos tendrán pesos comprendidos entre 69 y 87 kg.
d) De 20 cerdos elegidos aleatoriamente, ¿cuántos se esperan que pesen más de 81 kg.? = 20.
P(x > 81) = 20 . P (z > 1) = 20.[1 - F(1)] = 20.(1 - 0,84134) = 20.0,15866 = 3,1732 cerdos
Se espera que tres (o cuatro) cerdos tengan pesos superiores a 81 kg.
e) ¿Cuál es el peso que es superado por el 10 % de los cerdos?: Con las Tablas que se dispone para este Curso, se
tienen algunos valores:
P (x > x0) = ~ 0,10 P (z > z0) = ~ 0,10 z0 = 1,28;
o bien
P (z ≤ z0) = ~ 1 - 0,10 F (z0) = ~ 0,90 no disponible en las Tablas.
Si z = (x - μ) /σ x = z . σ + μ;
y para x0 será:
x0 = 1,28 . 6 + 75 = 82,68 kg.
El peso de los cerdos que es superado por el 10 % de ellos es 82,68 kg.
f) Determinar el valor de peso que supera al 5 % de los cerdos:
P (x < x0) = P (z < z0) = 0,05; de donde surge que z0 es un valor negativo y simétrico a:
P (z > z0') = 0,05; z0' = 1,645 y será:
z0 = - 1,645 x0 = - 1,645.6 + 75 = 65,03 kg.
El peso superado por el 5 % de los cerdos e 65 kg.
1 75 150
2 25 50
3 130 260
Figura 1
Relación funcional perfecta entre dosis y rendimientos
1 30 73
2 20 50
3 60 128
4 80 170
5 40 87
Figura 2
Relación estadística entre tamaño del lote y horas hombre
Nota: La mayor parte de los punto no caen directamente sobre la línea de relación estadística.
Esta dispersión de punto alrededor de la línea representa la variación aleatoria
Figura 3
Coordenadas de puntos de control utilizados para corregir la columna de los niveles digitales de una imagen
satelital
Nota: se trata de un terreno rugoso donde varían notablemente las condiciones de observación del sensor, para
corregir errores geométricos de la imagen, se aplican funciones de segundo grado. Los datos sugieren que la
relación estadística es de tipo curvilínea.
Conceptos básicos
Análisis de Regresión: Es un procedimiento estadístico que estudia la relación funcional entre variables.Con el objeto
de predecir una en función de la/s otra/s.
Análisis de Correlación: Un grupo de técnicas estadísticas usadas para medir la intensidad de la relación entre dos
variables
Diagrama de Dispersión: Es un gráfico que muestra la intensidad y el sentido de la relación entre dos variables de
interés.
Variable dependiente (respuesta, predicha, endógena): es la variable que se desea predecir o estimar
Variables independientes (predictoras, explicativas exógenas). Son las variables que proveen las bases para estimar.
Regresión simple: interviene una sola variable independiente
Regresión múltiple: intervienen dos o más variables independientes.
Regresión lineal: la función es una combinación lineal de los parámetros.
Regresión no lineal: la función que relaciona los parámetros no es una combinación lineal
Gráfico de dispersión
Los diagramas de dispersión no sólo muestran la relación existente entre variables, sino también resaltan las
observaciones individuales que se desvían de la relación general. Estas observaciones son conocidas como outliers o
valores inusitados, que son puntos de los datos que aparecen separados del resto.
Gráfico de dispersión entre Bandas
Coeficiente de correlación lineal
El Coeficiente de Correlación (r) requiere variables medidas en escala de intervalos o de proporciones
- Varía entre -1 y 1.
- Valores de -1 ó 1 indican correlación perfecta.
- Valor igual a 0 indica ausencia de correlación.
- Valores negativos indican una relación lineal inversa y valores positivos indican una relación lineal directa
Correlación Negativa Perfecta
Modelos de Regresión
Un modelo de regresión, es una manera de expresar dos ingredientes esenciales de una relación estadística:
- Una tendencia de la variable dependiente Y a variar conjuntamente con la variación de la o las X de una manera
sistemática
- Una dispersión de las observaciones alrededor de la curva de relación estadística
Estas dos características están implícitas en un modelo de regresión, postulando que:
- En la población de observaciones asociadas con el proceso que fue muestreado, hay una distribución de
probabilidades de Y para cada nivel de X.
- Las medias de estas distribuciones varían de manera sistemática al variar X.
Representación gráfica del modelo de Regresión Lineal
Nota: en esta figura se muestran las distribuciones de probabilidades de Y para distintos valores de X
Análisis de Regresión
• Objetivo: determinar la ecuación de regresión para predecir los valores de la variable dependiente (Y) en base a la
o las variables independientes (X).
• Procedimiento: seleccionar una muestra a partir de la población, listar pares de datos para cada observación;
dibujar un diagrama de puntos para dar una imagen visual de la relación; determinar la ecuación de regresión.
Supuestos de Regresión Lineal Clásica
• Cada error está normalmente distribuido con:
- Esperanza de los errores igual a 0
- Variancia de los errores igual a una constante σ².
- Covariancia de los errores nulas para todo i ≠ Ψ
Proceso de estimación de la regresión lineal simple
a = (∑Y)/n - b.(∑X)/n
Mínimos cuadrados - Supuestos
El modelo de regresión es lineal en los parámetros.
Los valores de X son fijos en muestreo repetido.
El valor medio de la perturbación εi es igual a cero.
Homocedasticidad o igual variancia de εi.
No autocorrelación entre las perturbaciones.
La covariancia entre εi y Xi es cero.
El número de observaciones n debe ser mayor que el número de parámetros a estimar.
Variabilidad en los valores de X.
El modelo de regresión está correctamente especificado.
No hay relaciones lineales perfectas entre las explicativas.
Estimación de la variancia de los términos del error (σ²)
Debe ser estimada por varios motivos
Para tener una indicación de la variabilidad de las distribuciones de probabilidad de Y.
Para realizar inferencias con respecto a la función de regresión y la predicción de Y.
La lógica del desarrollo de un estimador de σ² para el modelo de regresión es la misma que cuando se muestrea una
sola población
La variancia de cada observación Yi es σ²,la misma que la de cada término del error
Dado que los Yi provienen de diferentes distribuciones de probabilidades con medias diferentes que dependen del
nivel de X, la desviación de una observación Yi debe ser calculada con respecto a su propia media estimada Yi.
Yi - Ŷi = ei
Por tanto, las desviaciones son los residuales
Y la suma de cuadrados es:
La suma de cuadrados del error, tiene n-2 grados de libertad asociados con ella, ya que se tuvieron que estimar dos
parámetros.
Por lo tanto, las desviaciones al cuadrado dividido por los grados de libertad, se denomina cuadrados medios
Donde CM es el Cuadrado medio del error o cuadrado medio residual. Es un estimador insesgado de σ²
Análisis de Variancia en el análisis de regresión
El enfoque desde el análisis de variancia se basa en la partición de sumas de cuadrados y grados de libertad
asociados con la variable respuesta Y.
La variación de los Yi se mide convencionalmente en términos de las desviaciones
(Yi - Yi)
La medida de la variación total SC tot, es la suma de las desviaciones al cuadrado
∑(Yi - Yi)²
Desarrollo formal de la partición
Consideremos la desviación
(Yi - Yi)
Podemos descomponerla en
(Yi - Y) = (Ŷi - Y) + (Yi - Ŷi)
T R E
Y = 338.71*X - 4.87
R² = 0.32
Y = 155.37*X - 13.25
R² = 0.57
Y = -1004.34*X +112.24
R² = 0.44
Estimadores puntuales y por intervalo de confianza para media y varianza poblacionales
Introducción al tema
• El único método científico para validar conclusiones sobre un grupo de individuos a partir de la información que
nos proporciona un subconjunto más o menos amplio de los mismos es el Método Estadístico.
• En el experimento típico, el objetivo básico es estimar algunas características que describan la población de
interés. Es decir:
• Estimar los parámetros que caracterizan a la función de probabilidad de la variable aleatoria en estudio
Mapa conceptual
Introducción al tema
Veamos el caso de un especialista en producción animal:
Sea X1, X2, ... , Xn, una muestra aleatoria simple de una población X ≡ N(μ,σ²), entonces la variable aleatoria
Métodos de estimación
Hay varios métodos de estimación, el de máxima verosimilitud es el que proporciona estimadores consistentes pero
no siempre insesgados. Los estimadores mencionados en los puntos anteriores (x, S²) eran estimadores máximo
verosimiles. El mismo resultado se puede obtener por el método de los momentos.
El método de mínimos cuadrados se verá cuando se trate regresión.
Estimación por intervalos
Dada una muestra aleatoria X1, X2, ... , Xn , de una población con función de densidad f(x;θ) Un intervalo de confianza,
de extremos Linferior y Lsuperior, para el parámetro θ de la población es un par ordenado de funciones reales de las
n medidas de la muestra
I θ = [L inferior (X1,...,Xn);L superior (X1,..., Xn)]
Construidas de forma que la probabilidad de que los extremos contengan al verdadero valor del parámetro es un
valor prefijado (1 - α). Al número (1 - α) se le denomina "nivel de confianza".
• El nivel de confianza suele ser 0,95 (95%) ó 0,99 (99%). La interpretación práctica es sencilla, por ejemplo si el
nivel de confianza es del 95%, significa que en el 95% de las veces que repitiéramos el experimento, el intervalo de
confianza calculado contendría al verdadero valor del parámetro y en el 5% restante el intervalo no contendría el
verdadero valor.
• Una vez que el intervalo de confianza ha sido calculado para una muestra concreta, el intervalo obtenido contiene
o no contiene al verdadero valor del parámetro, con probabilidad 1, por esa razón, cuando ya tenemos un valor
concreto hablamos de confianza y no de probabilidad. Confiamos en que el intervalo que hemos calculado sea del
95% que contiene el verdadero valor.
Nivel de confianza gráficamente
Figura 2: interpretación del nivel de confianza en un intervalo para la media de una distribución normal.
Intervalo de confianza para la media poblacional, σ conocido
Supongamos que disponemos de una población en la que tenemos una v.a. con distribución N(μ,σ) con σ conocida
(de estudios previos, por ejemplo).
Obtenemos una muestra de tamaño n y deseamos estimar la media μ de la población. El estimador puntual de la
misma es la media muestral cuya distribución muestral es conocida
la cantidad
x ≡ N(μ,σ/√n)
z = (x - μ)/(σ/√n)
tendrá distribución normal estándar
Sobre la distribución N(0, 1) podremos seleccionar dos puntos simétricos -zα/2 y z α/2 , tales que
P(-z α/2≤ Z ≤ z α/2 ) = 1-α
Figura 1: selección de los puntos críticos para el cálculo del intervalo de confianza.
Sustituyendo Z por su valor en este caso particular
{382,16 ≤ μ ≤ 397,84}
Recordemos que si la varianza poblacional es desconocida y la variable es normal o se puede aproximar a la
distribución normal por el Teorema central del límite, entonces se usaría la t de Student con n - 1 grados de libertad y
el desvío estándar muestral.
El intervalo de confianza que resulta,
Ejemplo,
En un establecimiento dedicado a la elaboración de alimentos balanceados para aves, se afirma que su producto
aumenta el peso promedio de las aves en 30 g diarios. En una muestra de 9 aves tomadas al azar, se obtuvo un
aumento promedio de 35 g con desviación de 3,04 g. Estimar el intervalo de confianza del 95% para el verdadero
aumento promedio
{32,66 ≤ μ ≤ 37,34}
Determinación del tamaño de muestra n para un grado de precisión dado
z 1 - α/2.(σ/√n) es la mitad del ancho del intervalo de confianza (producto del coeficiente y el error estándar) y se
denomina error máximo de estimación E.
Dado un valor de error y un cierto nivel de confianza, puedo estimar cuál sería el tamaño de la muestra
Z²1 - α.σ²/E² = n
Intervalo de confianza para la varianza poblacional
Sea X una variable aleatoria con distribución normal con μ y σ desconocidos y sea X1, X2, ..., Xn una muestra aleatoria
de tamaño n.
El intervalo de confianza se construye a partir de la variable
² = (n - 1).S²/σ²
Que tiene una distribución ji-cuadrado con n-1 grados de libertad y dos valores tales que delimiten el 100(1 - α)%
Pr {²(n - 1);α/2 ≤ ²(n - 1) ≤ ²(n - 1);α/2}
Reemplazando la variable ² en el intervalo
Ejemplo,
Se sembró cierta variedad de trigo en parcela de cierta localidad, se extrajo una muestra al azar de 20 parcelas y se
midió el rendimiento. Se obtuvo un rendimiento de 58 kilogramos por parcela y una desviación típica de 8 kg por
parcela. Estimar la varianza poblacional con un nivel de confianza del 95%, sabiendo que el rendimiento se distribuye
normalmente
{(19).64/32,9 ≤ σ² ≤ (19).64/8,91}
{32,66 ≤ σ² ≤ 37,34}
Autor: Olga Susana Filippini
Análisis de Datos Categóricos
En el análisis de datos, especialmente del área biológica (Cs. Naturales, Medicina, Farmacología, etc.) a menudo
nos encontramos con mediciones de respuestas que son de naturaleza categórica. Éstas respuestas reflejan
información de categorías más que mediciones en escala de intervalos o razón.
Extenderemos los principios básicos de la prueba de hipótesis a situaciones que implican variables categóricas.
Trataremos información que se obtiene del recuento del número de casos que se presentan al estudiar
caracteristicas cualitativas
Para el desarrollo de los contenidos correspondientes a esta presentación se ha considerado un hilo conductor
según se presenta en el mapa conceptual.
La distribución χ² que hemos visto en los capítulos sobre Estimación de Parámetros y de Pruebas de hipótesis con
relación a variancias muestrales, tiene un gran campo de aplicación en el análisis de variables de naturaleza
categórica,
Introducción
Si consideramos la situación más sencilla de esta unidad donde cada observación de una muestra se clasifica como
pertenecientes a un número finito de categorías:
Ejemplo 1
Se observaron 80 nacimientos de un cruzamiento de cerdos de los cuales 42 fueron rojizos, 12 negros y 26 blancos.
Las leyes de la herencia implican que estas tres categorías presentan un modelo genético 9:3:4, es decir que deben
tener probabilidades 9/16; 3/16 y 4/16 de aparecer en cada cruzamiento. ¿Son los datos consistentes con el modelo
teórico propuesto?
Ejemplo 2
En la frontera fitosanitaria de la Patagonia se revisaron cargamentos de frutas de
distinta procedencia para evaluar la posibilidad de introducción de mosca de las frutas
(Ceratitis capitata), una plaga importante de los frutales, en áreas no infestadas. La
información de cargamentos con presencia de la plaga se resume en la siguiente tabla:
Región de procedencia del cargamento
Presencia de la plaga
Cuyo NOA NEA
Con mosca 22 32 33
Sin mosca 67 5 10
donde k es el número de categorías y oi y ei son las frecuencia observada y esperada en la i-ésima categoría,
respectivamente.
Características de la multinomial
Consta de n ensayos independientes e idénticos.
El resultado de cada ensayo cae en una de las k categorías posibles (medidas en escala nominal) de la única
variable, donde k>2.
Hay una probabilidad asociada a cada categoria, la cual es constante de un ensayo a otro
Las categorias son exhaustivas y excluyentes, por lo cual la suma de sus probabilidades es 1
Se obtienen frecuencias observadas para cada categoría, siendo su suma igual a n.
El número esperado de intentos que resulten en la categoría i es E(Ni)= n*πi,, donde πi es la probabilidad de que
cualquier observación en particular pertenezca a la categoría i
Prueba de hipotesis para el experimento multinomial
Hipotesis nula H0: π1, π 2, ... , π k poseen valores especificados (iguales o no)
Hipotesis alternativa Ha: alguna probabilidad de las celdas. Difiere de los valores especificados en H0
Estadistico de prueba
Región de rechazo Esta determinada por la distribución χ² , con un determinado α y k - 1 grados de libertad
• Decisión. Puesto que 3.0 < 3.84 no puede rechazarse H0 con α = 0.05. Los datos de la muestra no constituyen
una prueba suficiente como para dudar de que las proporciones verdaderas son 3:1.
Aún cuando hemos desarrollado la prueba χ²–cuadrado para situaciones donde k>2, también se puede utilizar
cuando k = 2.
La hipótesis nula en este caso se puede expresar como H0: π1= π10.
Estas hipótesis también se pueden probar utilizando una prueba z de dos colas con estadísticos de prueba
De manera sorprendente, los dos procedimientos de prueba son completamente equivalentes. Esto es porque se
puede demostrar que Z²= χ² y (zα/2)= χ²1 α de modo que χ² ≥ χ²α, k –1 si y sólo si Z ≥ zα/2.
Tablas de contingencia con dos criterios de clasificación
En una tabla de contingencia la información está representada por conteos o frecuencias organizadas en i-filas y j-
columnas (dos criterios de clasificación). Se presentan dos situaciones:
Hay i-poblaciones de interés ubicadas cada una en una fila de la tabla y en cada población se describen j-
categorías o atributos. Se toma una muestra de cada población y las frecuencias se anotan en la celda de la tabla.
Hay una sola población de interés, y cada individuo es clasificado respecto a dos factores diferentes (i-categorías
de un factor j-categorías de otro). Se toma una sola muestra y se anota el número de individuos en cada categoría
de ambos factores.
Características de las tablas de contingencia
Consta de n ensayos independientes e identicos
Hay 2 variables en juego y se representa una tabla de doble entrada
El resultado de cada ensayo cae en una de las celdas, las cuales resultan de las combinaciones posibles de
categorias (medidas en escala nominal) de ambas variables
Hay una probabilidad asociada a cada celda, la cual es constante de un ensayo a otro
La probabilidad asociada a cada celda resulta del producto de sus probabilidades marginales
La suma de las probabilidades asociadas a cada celda es 1
Se obtienen frecuencias observadas para cada categoria, siendo su suma igual a n
Caso 1: Prueba de homogeneidad
Ocurre cuando una de las 2 variables es controlada por el investigador, de modo que los totales por fila o por
columna estan predeterminados
El analisis es idéntico al de las tablas de contingencia para independencia
La hipotesis nula que se plantea en este caso consiste en sostener que la distribución de proporciones entre las
categorias de la variable no controlada (por fila o por columna) es la misma para cada categoria de la variable
controlada
Otra manera de abordar el mismo problema es preguntarse si las muestras provienen de la misma población
Prueba de hipótesis para prueba de homogeneidad
Hipótesis. H0: las i-muestras son extraídas de la misma población. H1: son extraídas de diferentes poblaciones.
H0: π1j= π2j= π3j= ...= πij
H1: H0 no es verdadera
Nivel de significación. α = 0.05.
Estadística de la prueba. que se distribuye aproximadamente como. Aquí υ = (i – 1)·(j – 1)
Regla de decisión. Rechazamos H0 si, y solo si, el valor de χ² calculado es mayor que χ² α,(i-1)*(j-1). En caso contrario,
se acepta H0.
Total 39 59 45 57 200
h0: las preferencias (%) acerca del envase de dulce de leche no difieren entre hombres y mujeres
ha: las preferencias (%) acerca del envase de dulce de leche difieren entre hombres y mujeres
Estadistico χ²*: 8,296 χ² tabla (α = 0,05; gl = 3): 7,81
Valor p: 0,0402
Conclusión: se rechaza h0: las preferencias acerca del envase de dulce de leche difieren entre hombres y mujeres
Caso 2: Prueba de independencia
Este tipo de prueba se aplica cuando existe interés en determinar si dos atributos categóricos presentan algún tipo
de asociación entre ellos o, por el contrario, son independientes.
Este tipo de información se suele presentar en tablas de doble entrada.
El estadístico que se utiliza en estas pruebas es el mismo que el empleado en las pruebas de bondad del ajuste y
homogeneidad.
Se estudia la relación entre dos factores diferentes de la misma población
A diferencia de las pruebas de homogeneidad donde en general los totales de filas están fijos por anticipado, en las
pruebas de independencia solo el tamaño muestral es fijo. Por lo tanto los totales de filas como de columnas son
variables aleatorias
Hipotesis nula H0: πij = πi.* π.j las variables son independientes
Hipotesis alternativa Ha: πij ≠ πi.* π.j las variables no son independientes
χ² = ∑ (O - E)²/E
Estadistico de prueba
donde O y E representan las Frecuencias observadas y esperadas para cada celda
Bueno Deficiente
Técnicas 20 60
Bachiller 15 150
Otras 25 230
¿Confirman estos datos que la aptitud en matemáticas depende de la orientación de los estudios secundarios?
H0: La aptitud en matemáticas es independiente de la orientación del secundario
H1: La aptitud en matemáticas es dependiente de la orientación del secundario
Estadistico χ²*: 15,289 χ² tabla (α = 0,05; gl = 2): 5.99
Valor p: 0,00047845
Conclusión: se rechaza h0: La aptitud en matemáticas es independiente de la orientación del secundario, por lo tanto
las variables son dependientes.
Precauciones en la interpretación de resultados
Los grados de libertad dependen de la cantidad de categorías de las variables y no del número de casos, de modo
que el valor de tabla no se modifica al aumentar el número de casos
Utilizando muestras grandes, se dice poca cosa al decir que una relación es significativa, ya que es relativamente
fácil establecer significación, aún en el caso de que la relación existente sea muy superficial.
Inferencia Estadística
¿Qué es una Hipótesis?
Hipótesis: Es un suposición acerca del valor de un parámetro de una población con el propósito de discutir su
validez.
Ejemplo de hipótesis acerca de un parámetro de una población son:
- El sueldo promedio de un profesional asciende a $2,625.
- El veinte por ciento de los consumidores utiliza aceite de oliva
¿Qué es una prueba de hipótesis?
Prueba de hipótesis: es un procedimiento, basado en la evidencia de la muestra y en la teoría de las
probabilidades, usado para determinar si la hipótesis es una afirmación razonable y debería no ser rechazada o si
no es razonable debería ser rechazada
Prueba de Hipótesis
Paso 1: Establecer la hipótesis nula y la alternativa
Paso 2: Seleccionar el nivel de significación
Paso 3: Identificar el estadístico de prueba
Paso 4: Formular una regla de decisión
Paso 5: Tomar una muestra, llegar a una decisión
No realizar la hipótesis Rechazar la nula y aceptar la alternativa
Definiciones
Hipótesis nula H0: Una afirmación acerca del valor de un parámetro de la población.
Hipótesis Alternativa H1: Una afirmación que es aceptada si la muestra provee la evidencia de que la hipótesis nula
es falsa.
Nivel de significación: La probabilidad de rechazar la hipótesis nula cuando en realidad es verdadera.
Error tipo I: Rechazar la nula cuando en realida es verdadera
Error tipo II: Aceptar la hipótesis nula cuando en realidad es falsa.
Estadístico de prueba: Es un valor, determinado a partir de la información de la muestra, usado para decidir si
rechazar o no la hipótesis nula.
Valor crítico:El punto que divide la región entre el lugar en el que la hipótesis nula es rechazada y y la región donde
la hipótesis nula es no rechazada.
Hipótesis nula unilateral a derecha
Distribución de muestreo para la estadística z
Una cola - nivel de significación 0.05
Hipótesis nula bilateral
Distribución de muestreo para la estadística z
A dos colas - nivel de significación 0,05
Prueba de hipótesis para la media de una Población, muestras grandes desviación estándar población
conocida
Cuando se plantean hipótesis par la media de la población , a partir de muestras grandes y la desviación estándar
poblacional es conocida, el estadísitco de prueba está dado por:
z = (X - μ)/(σ/√n)
Características de la distribución t-Student
Tiene las siguientes propiedades:
- Es continua, campanular, y simétrica como la distribución z.
- Existe una familia de distribuciones t con media cero, pero con diferentes desviaciones estándar.
- La distribución t es más aplanada y de colas más larga que la z.
- Tiende a la z para tamaños grandes de muestra.
Caso 1:Prueba de hipótesis para la media de una Población
Supongamos que una máquina empacadora de harina produce bolsas con un contenido de 50 kg. Para controlar el
funcionamiento de la máquina se tomó una muestra de 20 bolsas de harina y el peso medio resultó ser de 42 kg. con
un desvío standard de 11 kgs. ¿Está la máquina trabajando correctamente ? ( α = 0.10)
En este caso, se debe considerar que la máquina está trabajando correctamente si produce empaques que no
excedan demasiado el peso promedio, ni por encima ni por debajo de 50 kgs, así que se trata claramente de una
prueba bilateral.
Caso 1: Prueba de hipótesis para la media de una población, tamaño muestral pequeño y desviación estándar
desconocida
La estadística t para el caso de una sola muestra es:
t = (X - μ)/(s/√n)
Resolución
Hipótesis. H0: μ = 50; H1: μ ≠ 50.
Nivel de significación. α = 0.10.
Estadística de prueba.
tn - 1 = (X - μ)/(sn - 1/√n)
Región crítica. Puesto que P(t19 < -1.729 t19 > +1.729) = 0.10, se rechazará H0 si t < -1.729 ó t > +1.729.
Cálculos. n = 20, = 42, = 5 y
t19 = (42 - 50)/(11/√20) = -8/2,460 = - 3,25
Decisión. Dado que el valor del estadístico de prueba cae netamente en la región crítica izquierda, H0 es
rechazada a favor de H1.
Valor P
• Valor p: probabilidad de observar un valor de prueba más extremo que el valor observado, dado que la hipótesi
nula es verdadera.
• Si el valor p es más chico que el nivel de significación la hipótesis nula es rechazada.
• Si el valor p es más grande que el nivel de significación la hipótesis nula no es rechazada.
Prueba de hipótesis para dos medias
• Si un número grande de muestras aleatorias e independientes de dos poblaciones normales es seleccionada, la
distribución de la diferencias entre las medias de ambas también es normal.
•
Caso 2: Prueba de diferencia entre medias con muestras independientes
Un investigador estaba interesado en comparar el efecto de 2 hormonas (A y B) de
crecimiento sobre la longitud total alcanzada por una leguminosa. Para ello se tomó
una muestra de 20 plantas, asignando al azar 10 a cada hormona. Los resultados en
cm. fueron los siguientes:
Hormona A: 10 10 13 12 10 8 12 11 16 15
Hormona B: 15 11 16 17 18 9 14 12 15 16
a) Determinar si hay diferencias significativas entre los crecimientos producidos por ambas hormonas a un nivel del
5%.
b) Realizar el mismo análisis que en a), pero suponiendo que cada una de las parejas, en el orden dado, tienen la
misma ascendencia genética.
Resolución
Prueba t para dos muestras suponiendo varianzas iguales
-3,40 0,0003 0,0003 0,0003 0,0003 0,0003 0,0003 0,0003 0,0003 0,0003 0,0002
-3,30 0,0005 0,0005 0,0005 0,0004 0,0004 0,0004 0,0004 0,0004 0,0004 0,0003
-3,20 0,0007 0,0007 0,0006 0,0006 0,0006 0,0006 0,0006 0,0005 0,0005 0,0005
-3,10 0,0010 0,0009 0,0009 0,0009 0,0008 0,0008 0,0008 0,0008 0,0007 0,0007
-3,00 0,0013 0,0013 0,0013 0,0012 0,0012 0,0011 0,0011 0,0011 0,0010 0,0010
-2,90 0,0019 0,0018 0,0018 0,0017 0,0016 0,0016 0,0015 0,0015 0,0014 0,0014
-2,80 0,0026 0,0025 0,0024 0,0023 0,0023 0,0022 0,0021 0,0021 0,0020 0,0019
-2,70 0,0035 0,0034 0,0033 0,0032 0,0031 0,0030 0,0029 0,0028 0,0027 0,0026
-2,60 0,0047 0,0045 0,0044 0,0043 0,0041 0,0040 0,0039 0,0038 0,0037 0,0036
-2,50 0,0062 0,0060 0,0059 0,0057 0,0055 0,0054 0,0052 0,0051 0,0049 0,0048
-2,40 0,0082 0,0080 0,0078 0,0075 0,0073 0,0071 0,0069 0,0068 0,0066 0,0064
-2,30 0,0107 0,0104 0,0102 0,0099 0,0096 0,0094 0,0091 0,0089 0,0087 0,0084
-2,20 0,0139 0,0136 0,0132 0,0129 0,0125 0,0122 0,0119 0,0116 0,0113 0,0110
-2,10 0,0179 0,0174 0,0170 0,0166 0,0162 0,0158 0,0154 0,0150 0,0146 0,0143
-2,00 0,0228 0,0222 0,0217 0,0212 0,0207 0,0202 0,0197 0,0192 0,0188 0,0183
-1,90 0,0287 0,0281 0,0274 0,0268 0,0262 0,0256 0,0250 0,0244 0,0239 0,0233
-1,80 0,0359 0,0351 0,0344 0,0336 0,0329 0,0322 0,0314 0,0307 0,0301 0,0294
-1,70 0,0446 0,0436 0,0427 0,0418 0,0409 0,0401 0,0392 0,0384 0,0375 0,0367
-1,60 0,0548 0,0537 0,0526 0,0516 0,0505 0,0495 0,0485 0,0475 0,0465 0,0455
-1,50 0,0668 0,0655 0,0643 0,0630 0,0618 0,0606 0,0594 0,0582 0,0571 0,0559
-1,40 0,0808 0,0793 0,0778 0,0764 0,0749 0,0735 0,0721 0,0708 0,0694 0,0681
-1,30 0,0968 0,0951 0,0934 0,0918 0,0901 0,0885 0,0869 0,0853 0,0838 0,0823
-1,20 0,1151 0,1131 0,1112 0,1093 0,1075 0,1056 0,1038 0,1020 0,1003 0,0985
-1,10 0,1357 0,1335 0,1314 0,1292 0,1271 0,1251 0,1230 0,1210 0,1190 0,1170
-1,00 0,1587 0,1562 0,1539 0,1515 0,1492 0,1469 0,1446 0,1423 0,1401 0,1379
-0,90 0,1841 0,1814 0,1788 0,1762 0,1736 0,1711 0,1685 0,1660 0,1635 0,1611
-0,80 0,2119 0,2090 0,2061 0,2033 0,2005 0,1977 0,1949 0,1922 0,1894 0,1867
-0,70 0,2420 0,2389 0,2358 0,2327 0,2296 0,2266 0,2236 0,2206 0,2177 0,2148
-0,60 0,2743 0,2709 0,2676 0,2643 0,2611 0,2578 0,2546 0,2514 0,2483 0,2451
-0,50 0,3085 0,3050 0,3015 0,2981 0,2946 0,2912 0,2877 0,2843 0,2810 0,2776
-0,40 0,3446 0,3409 0,3372 0,3336 0,3300 0,3264 0,3228 0,3192 0,3156 0,3121
-0,30 0,3821 0,3783 0,3745 0,3707 0,3669 0,3632 0,3594 0,3557 0,3520 0,3483
-0,20 0,4207 0,4168 0,4129 0,4090 0,4052 0,4013 0,3974 0,3936 0,3897 0,3859
-0,10 0,4602 0,4562 0,4522 0,4483 0,4443 0,4404 0,4364 0,4325 0,4286 0,4247
-0,00 0,5000 0,4960 0,4920 0,4880 0,4840 0,4801 0,4761 0,4721 0,4681 0,4641
0,00 0,5000 0,5040 0,5080 0,5120 0,5160 0,5199 0,5239 0,5279 0,5319 0,5359
0,10 0,5398 0,5438 0,5478 0,5517 0,5557 0,5596 0,5636 0,5675 0,5714 0,5753
0,20 0,5793 0,5832 0,5871 0,5910 0,5948 0,5987 0,6026 0,6064 0,6103 0,6141
0,30 0,6179 0,6217 0,6255 0,6293 0,6331 0,6368 0,6406 0,6443 0,6480 0,6517
0,40 0,6554 0,6591 0,6628 0,6664 0,6700 0,6736 0,6772 0,6808 0,6844 0,6879
0,50 0,6915 0,6950 0,6985 0,7019 0,7054 0,7088 0,7123 0,7157 0,7190 0,7224
0,60 0,7257 0,7291 0,7324 0,7357 0,7389 0,7422 0,7454 0,7486 0,7517 0,7549
0,70 0,7580 0,7611 0,7642 0,7673 0,7704 0,7734 0,7764 0,7794 0,7823 0,7852
0,80 0,7881 0,7910 0,7939 0,7967 0,7995 0,8023 0,8051 0,8078 0,8106 0,8133
0,90 0,8159 0,8186 0,8212 0,8238 0,8264 0,8289 0,8315 0,8340 0,8365 0,8389
1,00 0,8413 0,8438 0,8461 0,8485 0,8508 0,8531 0,8554 0,8577 0,8599 0,8621
1,10 0,8643 0,8665 0,8686 0,8708 0,8729 0,8749 0,8770 0,8790 0,8810 0,8830
1,20 0,8849 0,8869 0,8888 0,8907 0,8925 0,8944 0,8962 0,8980 0,8997 0,9015
1,30 0,9032 0,9049 0,9066 0,9082 0,9099 0,9115 0,9131 0,9147 0,9162 0,9177
1,40 0,9192 0,9207 0,9222 0,9236 0,9251 0,9265 0,9279 0,9292 0,9306 0,9319
1,50 0,9332 0,9345 0,9357 0,9370 0,9382 0,9394 0,9406 0,9418 0,9429 0,9441
1,60 0,9452 0,9463 0,9474 0,9484 0,9495 0,9505 0,9515 0,9525 0,9535 0,9545
1,70 0,9554 0,9564 0,9573 0,9582 0,9591 0,9599 0,9608 0,9616 0,9625 0,9633
1,80 0,9641 0,9649 0,9656 0,9664 0,9671 0,9678 0,9686 0,9693 0,9699 0,9706
1,90 0,9713 0,9719 0,9726 0,9732 0,9738 0,9744 0,9750 0,9756 0,9761 0,9767
2,00 0,9772 0,9778 0,9783 0,9788 0,9793 0,9798 0,9803 0,9808 0,9812 0,9817
2,10 0,9821 0,9826 0,9830 0,9834 0,9838 0,9842 0,9846 0,9850 0,9854 0,9857
2,20 0,9861 0,9864 0,9868 0,9871 0,9875 0,9878 0,9881 0,9884 0,9887 0,9890
2,30 0,9893 0,9896 0,9898 0,9901 0,9904 0,9906 0,9909 0,9911 0,9913 0,9916
2,40 0,9918 0,9920 0,9922 0,9925 0,9927 0,9929 0,9931 0,9932 0,9934 0,9936
2,50 0,9938 0,9940 0,9941 0,9943 0,9945 0,9946 0,9948 0,9949 0,9951 0,9952
2,60 0,9953 0,9955 0,9956 0,9957 0,9959 0,9960 0,9961 0,9962 0,9963 0,9964
2,70 0,9965 0,9966 0,9967 0,9968 0,9969 0,9970 0,9971 0,9972 0,9973 0,9974
2,80 0,9974 0,9975 0,9976 0,9977 0,9977 0,9978 0,9979 0,9979 0,9980 0,9981
2,90 0,9981 0,9982 0,9982 0,9983 0,9984 0,9984 0,9985 0,9985 0,9986 0,9986
3,00 0,9987 0,9987 0,9987 0,9988 0,9988 0,9989 0,9989 0,9989 0,9990 0,9990
3,10 0,9990 0,9991 0,9991 0,9991 0,9992 0,9992 0,9992 0,9992 0,9993 0,9993
3,20 0,9993 0,9993 0,9994 0,9994 0,9994 0,9994 0,9994 0,9995 0,9995 0,9995
3,30 0,9995 0,9995 0,9995 0,9996 0,9996 0,9996 0,9996 0,9996 0,9996 0,9997
3,40 0,9997 0,9997 0,9997 0,9997 0,9997 0,9997 0,9997 0,9997 0,9997 0,9998