Está en la página 1de 177
<2= “eS R88 -~“S iL sROS DE TEXTC ESTADISTICA PARA LA eociates Vol . yn Blanca Rosa Pérez Salvad ADA UNIVERSIDAD AUTONOMA METROPOLITAR ematme UNIDAD IZTAPAL ESTADISTICA PARA LAS CIENCIAS SOCIALES | Estadistica para las ciencias sociales tomo i tiene ia virtud de presentar a la materia como una extensién del sentido comin. Con lenguaje sencillo, sin dejar de ser formal, introduce al lector al mundo de la in- ferencia estadistica de una manera muy natural. A grandes rasgos, el texto trata los siguientes te- mas basicos: EI anélisis de datos, la introduccién a la probabilidad y la estimacién de parémetros. Por tal raz6n, al terminar su lectura, el lector tendré una idea general muy completa de la metodologia estad Ca, que le permitird incursionar con éxito en la inves- tigacién empirica, o bien, profundizar en el estudio de otras técnicas estadisticas mas especializadas, co- mo las pruebas de hipstesis (tomo Ii) o el andlisis de regresién lineal (tomo Ill). Finalmente, se considera que, a pesar del nombre, el texto resulta util a toda persona que en su vida pro- fesional utilice la estadistica, y no sdlo a los estudio- sos de las ciencias sociales. ESTADISTICA PARA LAS CIENCIAS SOCIALES VOL. | SQA UNIVERSIDAD AUTONOMA METROPOLITANA, Dr. Gustavo A. Chapela Casiahares Rector gencrat Dr. Enrique Fernandez Fassnacht Secretario general UNIDAD IZTAPALAPA. Dr. Julio Rubio Oca Rector Mtro. José Luis Rodriguez Herrera Secretario Dr. José Luis Gézquez Mateos Director de la Divisién de Ciencias Bésicas ¢ Ingenieria Dr. Richard Wilson Jefe det Departamento de Matemésticas ESTADISTICA PARA LAS . Blanca Rosa Pérez Salvador AOA UNIVERSIDAD AUTONOMA METROPOLITANA UNIDAD IZTAPALAPA FACULTAD BE CIENCIAS PALITICAS Y SOCIALES HALVS PYF ul Spe 1 BFIEY Primera edicién, 1992 UNIVERSIDAD AUTONOMA METROPOLITANA, UNIDAD IZTAPALAPA Av. Michoacén y La Purisima Inapalapa, 09340, México, D.F ISBN: 970-620-055-X Impreso y hecho en Méxtco /Printed sn Menco A Armando, Armandito, Blanca y Rosendo vu Ini gran equipo cP p3uub4 CONTENIDO Introduccién_ CAPITULO I. ESTADISTICA DESCRIPTIVA. 1.1 Poblacién y muestra. 1.2 Clasificacién de variable 1.3 Tabla de frecuencias y diagrama de rama-4rbol. 1.4 Medidas de centralidad, de tendencia central o de posicién 1.5 Medidas de dispersion. 1.6 Resumen 1.7 Simetria... . 1.8 Representaciones graficas de las frecuencias. 1.9 Problemas para resolver. . CAPITULO II. POBLACION, MUESTRA, PARAMETRO, ESTIMADOR.....- 49 CAPETULO IIL, INTRODUCCION A LA PROBABILIDAD, 37 3.1 Generalidades 37 3.2 Relacién entre la probabilidad y la frecuen: ia relativa de un evento... 3,3 Analisis combinatori 3.4 Probabilidad condicional.. 2 3.5 Férmula de Bayes. . 75 3,6 Eventos independiente: 80 CAPITULO IV. VARIABLES ALEATORIAS 83 4.1 Definicién y conceptos generales. 83 4.2 Funcién de densidad y de distribucién de una variable aleatoria. 88 4.3. Valor esperado 0 esperanza matemdtica de una variable aleatoria.....0.....20c0000ecree cece ” CAPITULO V. FUNCIONES DE DENSIDAD Y DE DISTRIBUCION PARTICULARES . . 105 116 5.1 Distribuciones de variables aleatorias discretas 5.2. Distribuciones de variables aleatorias continua: CAPITULO VI. TEOREMA CENTRAL DEL LIMITE... .. . 139 6.1 Primera aplicacién del teorema central del limite. we . 144 6.2 Segunda aplicacién del teorema central dei limite. . CapfTULo Vil. ESTIMACION. 7.1 Estimacién puntual 7.2 Estimacion por intervalos.......--. 6.06. sse eee eeee ee eee INTRODUCCION Generaimente, cuando se escucha la palabra estadistica, se piensa en un con- junto de métodos para coleccionar y maneyar un gran numero de datos con el propésito de presentarlos en gréficas 0 en tablas; o bien, para obtener me- dias y varianzas. Sin embargo, esto no es mas que una pequefia parte de lo que estudia la estadistica. La estadistica estudia también métodos, que van desde los muy generales hasta los muy especializados, que permiten tomar decisio- nes acerca de una poblacién con base tinicamente de informacién parcial. A la serie de métodos que permiten manipular y presentar ordenadamente tun conjunto de datos, se conoce como estadistica descriptiva; mientras que, al conjunto de métodos que permiten inferir las caracteristicas de una pobla- cin con base imicamente en informacidn parcial se llama estadistica inferen- cial. Cabe mencionar que los métodos estadisticos m son tnicos ni son universales; se aceptan si no contradicen la estructura establecida, pero se pueden modificar si el problema en particular asi lo requiere. Es importante notar que los resultados obtenidos a través de un analisis es- tadistico no son mégicos; sin embargo, si se usa el método adecuado al caso particular tratado, se llega a conclusiones con un margen grande de confia- bilidad. Con la finalidad de explicar cudles son las caracteristicas que presenta un resultado obtenido a través de un proceso estadistico se discuten dos ejemplos, porque considero que un buen ejemplo sustituye mil, o quizas mas, palabras. Ejemplo 1: Supén que perteneces al equipo de investigacién que tiene como finalidad determinar si en un cierto lago se puede permutir la pesca deportiva sin poner en peligro la especie de carpas que ahi habita, iComo puedes resolver el problema? Tu equipo considera que si la poblacién de peces adultos en el lago es ma- yor a un numero dado, la especie de carpas no peligra con la pesca deportiva Entonces su misign es determinar el nimero total de carpas adultas que habitan el lago. ¥ lo primero que deben hacer es identificar esta inedgnita de alguna manera, por ejemplo con a letra T. u El método mas seguro de conocer el valor de T es con un censo; 0 sea, sacar todas Jas carpas adultas del lago y contarlas, Sin embargo, éste no es un méto- do prdctico, puede resultar caro y al final se podria terminar con ta mayoria de los peces muertos. Por esta razdn, es conveniente usar un métode indirec- to, que sin ser exacto es practico y puede proporcionar resultados confiables. Lo primero que se nos ocutre hacer para conocer el valor de T, es delimitar un vohimen ? dentro det lago y luego contar los peces que hay en él. Ast si t es el mimero de peces en 7 y T es mimero de peces en el volumen total 1/ se sigue que: TY 7 Y T= 5, de aqui T = 5H. Esta ecuacién, supone que la proporcién de peces en el lago es igual a la proporcién de peces en 7. O sea, que los peces estan distribuidos uniforme- mente en todo el lago; sin embargo, esto no es cierto porque los peces se agru- pan en cardimenes. En el lago hay zonas donde se encuentran todos los peces y zonas donde no hay peces; no es fécil delimitar un volumen 3 dentro de lago y contar los peces en su interior; ademas nuestra presencia puede modificar la conducta de los peces (puede que se alejen o que se acerquen), lo que provocarla que e1 niimero de peces en el interior de @ se altere con nuestra presencia. Por lo tanto, a pesar de que por este método obtenemos un valor para T, este valor no es razonablemente confiable. PPO MOO OP OPO OP DO PO DOO ey PEEee CeeeS oe ae HAE AD IDOE OO OO OOO DD OO WOO POD OO ay PeERPPPwPOOH! | op Figura 4. a) Peces disttsbuidos untformemente ) Peces agrupados en cardsimenes Un segundo pianteamiento al problema es: Primero, se extraen M peces vivos del lago y se marcan con una sefial mde- leble (que no se borre con el agua). Luego, se regresan al lago y s¢ espera un tiempo razonable, por ejemplo ‘un dia, con la finalidad que los peces marcados se mezclen con los no marcados. Finalmente, se extrae una nueva muestra de t peces, y se cuentan los peces marcados en elia, si mes este nlimero, se puede establecer una ecuacién que explique la proporcién entre los peces marcados en la poblacién total y los pe- ces marcados en la segunda muestra de la siguiente manera: a = , lo que implica que T = + M Esta expresion tiene sentido siz I) La proporcién de peces marcados en la muestra y la proporcién de los pe- ces marcados en la poblacién es semejante; o sea que, los peces marcados se encuentran uniformente distribuidos en la poblacién total (los peces mar- cados no forman un grupo social o familiar que los haga permanecer sepa- rados de los demas). II) Todos los peces tienen la misma oportunidad de estar en la segunda muestra. ‘Como estas dos hipétesis se cumplen, el valor de T resulta razonablemente confiable. Ahora, la pregunta es: {Este nuimero coincide con el valor real buscado? La respuesta es: no necesariamente. El valor calculado de T depende del ta- mafio de la segunda muestra y del niimero de peces marcados en Ja misma, por lo tanto puede variar si se cambia la muestra con el msmo procedimiento general. En otras palabras, el valor de T depende de! azar. A las variables que dependen del azar se les llama variables aleatorias. 13 Entonces, existen dos valores: uno el real, desconocido por nosotros; y el otro, el calculado con los datos muestrales. El primero es fijo y se llama pard- metro del problema; el segundo varia en funcién de la muestra, se utiliza para tratar de conocer el valor del parametro y se Hama estimador del parémetro. Para diferenciar entre el pardmetro y el estimador, este iltumo se eseribe con un gottito. Asi T es el valor real, y T es el valor estimado de T. Ejemplo 2: Ahora eres cl comandante en jefe del eyército de tu pais que esté en guerra, y deseas conocer cusintos tanques tiene el ejército contrano. En estas condi- ciones al pardmetro se identifica con la letra N. Asi Nes el mimero total de tanques del enemigo. Se puede conocer el valor de N si se pregunta al enemigo, si se revisan sus listas de inventario o s1 se espera a que termine la guerra para averiguar; pero, cualquiera de estos métodos resultan imprdcticos y poco recomendables, por tal motivo también se debe buscar un método indirecto para conocer ef valor de N. Eres muy precavido y no quieres confiar tu decisin en un solo criterio, por so después de tomar una muestra al azar le encomiendas la misién a tres gru- ‘pos que trabajan independientemente. A los tres grupos se les entregan los datos muestrales 87, 34, 117, 54 y 130. y se les pide que trabajen con los supuestos siguientes: 1°, Los tanques estén numerados del 1 al N. 2°, Todos los tanques tuvieron igual oportunidad de ser observados. Es claro que si alguna de las dos hip6tesis no se cumple, las predicciones no seran confiables, 4 iQué se puede deducir de estos datos? Solucién del primer grupo. El primer grupo decide ordenar los datos 34, 54, 87, 117 y 130, y razona que si los tanques estén numerados del 1 al N, entonces N no puede ser menor que 130. Y para no complicarse la vida deciden que su estimador es igual al maximo valor observado en la muestra. N, = maximo fx} = Ta13 el subfndice del estimador es para identificar el grupo que lo encontré. Solucién del segundo grupo. El segundo grupo ordena los datos y después de un rato razona que la dis- tancia entre dos datos consecutivos, incluidos 1 y N, debe ser semejante, ya que todos los tanques tenian la misma oportunidad de ser observados. 1 34— 54 — 87 — 117 — 130 —N dd: dy dy ds dg d, debe ser semejante a las otras distancias. As{, es razonable pensar que d, ¢s igual al promedio de las otras § distancias (la distancia entre x, y x, es igual al valor absoluto de su diferencia |x, - x,!). b+ do + dy + da + dy ae 3 = G41) + 54-34) + (87-54) + (117-87) + (130-117) _ 130-1 3 3 por otzo lado se sabe que d, = N - 130; al igualar estas dos maneras de escri- bir a d, se tiene que 130-1 N-130 = —S— de aqui se despeja el numero N aot. A, = 130 + ——— = 156 - El estimador del segundo grupo es: 8 n+1 1 -Mtay-t, aqui n es el tamafio de la muestra. Solucién del tercer grupo. El tercer grupo considera que el punto medio entre el maximo y el minimo de la muestra, debe ser semejante al punto medho entre 1 y N, y de esta mane- Ta se establece la ecuacion maximo + minimo _ N+1 2 2 de la cual al despejar N resulta: N, = méximo + minimo-1 = 163 y éste es el estimador que encuentra el tercer grupo. Ahora tienes el problema de decidir ,Cual de los tres estimadores es mejor? No ¢s facil gverdad?; pero no te preocupes, al terminar el primer curso de estadistica podrds responder a esta pregunta. Estos ejemplos tienen la finalidad de ubicarte para que entiendas que los resultados que obtienes a través de los métodos estadisticos estan influidos por el azar, por lo tanto no son deterministicos; sin embargo, cuando los supues- tos def modelo se cumplen los resultados pueden ser bastante contiables. Capitulo | ESTADISTICA DESCRIPTIVA 1.1 POBLACION Y MUESTRA {ntimamente ligada a la palabra estadistica estd el concepto de medicién, cua- litativa o cuantitativa, por esta razon primero se define qué medir, y como medir. Poblacién. Es el conjunto objeto del estudio, sus elementos son las unida- des del muestreo, éstas pueden ser: personas, animales, familias, arboles, hec- tareas de terreno, volados, etc. Eltamafo de la poblacién es igual al nimero de unidades que la conforman y se denota con la letra maytiscula N. N puede ser cualquier entero positivo, ¢ inclusive puede ser infinito. Un ejemplo de poblacién infinita ¢s la pobla- cidn de los volados, ya que siempre podemos lanzar un volado mAs, no impor- ta cudntos se hayan lanzado. Marco, Es una lista de las unidades de muestreo (0 un equivalente a la lista). Variable. Es una caracteristica de interés que se puede observar en todas y cada una de las unidades de muestreo, Espacio muestral. Es el conjunto de todos los posibles valores que toma la variable de interés. Muestra. Es un subconjunto de la poblacién. Cuando la muestra se clige al azar, se dice que es una muestra aleatoria. Al mimero de unidades en la mues- tra se denota con Ja letra minuscula n. Por ejemplo: si la poblacién es igual a {u,, U,, Uy, ..., Uy); U, puede ser una persona, un Arbol, una familia, segiin el caso. Y, es la variable que mide la caracteristica de interés (se denota por lo gene- ral con las dltimas letras mayisculas del alfabeto). Si la poblacién es un grupo de personas, la variable puede ser el ingreso, la edad, el sexo, la religidn, etc. Si la poblacién es de arboles, la variable puede ser el tamafio, la cantidad de follaje, produccién o calidad de fruto, etc. CAPITULO 1 Ejemplo 1.1.1: La poblacidn es el conyunto de todos los alumnos de ia UAM-I. Esta pobla- cidn es finita y la seccién escolar tiene una lista de todas las unidades de mues- treo, lo que sirve de un marco perfecto para cualquier estudio. Si la variable de interés Y, es el sexo de cada alumno; esta variable tinica- mente toma los valores femenino y masculino. Asi, el espacio muestral cons- tara de dos valores. En este caso podria ser de interés conocer la proporcién de alguno de los dos sexos. Ejemplo 1.1.2: La poblacién es el conjunto de arboles de café sembrados en un lugar deter- minado. Esta poblacién también es finita pero no existe una lista de Jos arbo- les; sin embargo, se puede recurrir a mapas de la regién o a las listas de las diferentes fincas cafetaleras como matco para ayudarnos a ubicar alas unida- des de muestreo. La variable de interés, X, es la produccién de café; asi los posibles valores. de X van del cero hasta la maxima produccién por Arbol, este intervalo es e] espacio muestral. El parametro de interés es la produccién total de café pro- ducido en esa region. Ejemplo 1.1.3: La pobiacién es el conjunto de familias del municipio A. Esta poblacion s finita, El marco puede ser una lista de las familias (esta lista se podria obte- ner a partir de los datos del tiltimo censo) o bien un mapa por manzanas de Ja regién. La variable de interés, X, puede ser el nimero de hijos por familia, el ingre- so familiar, la edad del padre, o la escolaridad de la madre, etc. Ejemplo 1.1.4: La poblacién es el conjunto de todas las posibles tiradas de un dado. Esta poblacion es infinita (ya que siempre podemos tirar el dado de nuevo}. El marco es una lista imaginaria. ESTADISTICA DESCRIPTIVA 21 La variable Z, determina el nimero que cae hacia arriba en cada tirada, asi el espacio muestral es (1, 2, 3, 4. 5, 6}. 1.2 CLASIFICACION DE LAS VARIABLES Por la naturaleza de las variables, éstas se clasifican en cuantitativas y cuali- tativas. Las variables cuantitativas son aquéllas cuyo recorrido o rango de valores son niimetos, por ejemplo el mimero de hijos, la edad o el ingreso. Por otro Jado, las variables cualitativas tienen como rango un conjunto no numérico, por ejemplo: la religién, el sexo o la carrera que cursa un estudiante. Las variables cuantitativas se clasifican a su vez en: variables de intervalos ¥y variables de razén. Las variables de intervafo tienen el cero arbitrariamente situado y éste no representa la ausencia de la cualidad que se estd midiendo. Ejemplo 1.2.1: La temperatura, La colocacién del cero en la temperatura es arbitraria, prueba de ello es que existen al menos tres escalas de medicion de temperatura (la cen- tigrada, la farenheit y la kelvin) y el cero no coincide en las tres. Ademas si algo tiene temperatura cero, no implica que no tenge temperatura, EI tiempo. Nuestro sistema de medir ei tiempo coloca al cero en la fecha del nacimiento de Cristo, asi se habla de afios antes o después de Cristo. Tam- bign aqut et cero se coloca arbitrariamente, prueba de ello es que en otras cul- turas existen otras maneras de medir el tempo, Un acontecimiento en el alto cero, no imphica que ocurrié fuera del tiempo. La altura. Por lo general al medir la altura el cero se coloca al nivel del mar, note que la altura cero no imphca ausencia de posicién. En las variables de razén, el cero es absoluto y representa la ausencia del atributo medido. Ejemplo de variables numéricas de razén: CAPITULO I Ejemplo 1.2.2: El niimero de hljos. Aqui el cero estd bien determinado, y si para alguien esta variable vale cero, esto implica que carece de hijos. Elingreso familiar. También en esta variable el cero esta bien determinado, y el cero significa carencia de la caracteristica. La estatura. La edad, Las variables cualitativas se clasifican en variables ordinales y nominales. Las variables ordinales presentan un orden jerérquico establecido. Por ejem- plo: las érdenes militares, las 6rdenes religiosas (cl Papa es “mayor” que fos Cardenales, etc.). Las variables nominales no Uenen un orden jerérquico establecido. Eyem- plos de estas variables son: el sexo, la religi6n, la divisién en la que est inseri- to un alumno, ete. La mayoria de los métodos estadisticos se aplican a las variables cuantitati- vas; debe tenerse cuidado en utilizar el método adecuado al tipo de variable que se tiene; el asignar un valor numérico a una variable cualitativa no le trans- mite las caracteristicas de orden de una variable cuantitativa. de intervalo cuantitativas de razén Variables ordinal cualitativas nominal |.3 TABLA DE FRECUENCIAS Y DIAGRAMA DE RAMA-ARBOL 1.3.1 Analisis para Varlables Cuantitativas Como ya se dijo anteriormente, la estadistica descriptiva se compone del con- junto de métodos para clasificar y presentar en grdficos o tablas la informa- TICA DESCRIPTIVA, 23 cién contenida en un conjunto de datos. En esta parte, se explicaré cémo cons- truir una tabla de frecucncias y un diagrama de rama-drbol. Frecuencia absoluta de un dato. Es el mimero de veces que aparece ese dato en la lista. Cominmente se denota como frecuencia, Frecuencia acamulada de x,. Es igual al miimero de datos menores que 0 iguales a x,. Si f(x) es la frecuencia de x, entonces la frecuencia acumulada se obtiene mediante la férmula falm) = 2 fon) Frecuencia desacumulada de x,. Es igual al mimero de datos mayores que © iguales a x,. La frecuencia desacumulada se encuentra con Ja férmula faq) = fo Ejemplo 1.3.1: Dada la siguiente lista de datos: 1, 4,3, 5,2,4,3, 5, 7,4, 3, 6,8, 5,0, 5,0, 8, 7,0, 1,9, 3, 3, 8,0,1,0,4,5. primero se clasifican en una tabla. VARIABLE FRECUENCIA LEA “Ut / “UL Ma LEE / ft Let Z fro foo |~a fon fur] [eofra|—lo fsa fn fmf | fer fm [la CAPETULO 1 Con esta clasificacién se elabora la tabla de frecuencias. VARIABLE | FRECUENCIA | FRECUENCIA FRECUENCIA ACUMULADA | DESACUMULADA x f fa fd oO ~5 Ss 30 1 3 8 28. 2 4 9 22 3 5 14 a 4 4 18 16. 5 5 23 12 6 1 24 7 7 2 26 6 8 3 29 4 9 1 30 1 Cer suEEnHs t i i ma de rama-érbol. Es una presentacién grafica de la frecuencia de Note que los datos se clasificaron en 10 grupos, y cada grupo sdlo contiene un elemento (1 grupo del 0, e! del 1, etc.). Ejemplo 1.3.2: Con la siguiente lista de datos encuentra su tabla de frecuencias y su diagra- ma de rama-drbol. CICA DESCRIPTIVA 25 54, 33, 16, 28, 0, 5, 50, 18, 10, 31, 19, 3, 8, 0, 11, 30, 4, 35, 13, 22, 15, 3, 8, 14, 27, 12, 0, 17, 21, 5, 36, 23, 39, 13, 10, 18, 26. ‘Con estos datos no resulta practice clasificar en grupos de un tinico elemen- to, porque serian muchos grupos con pocas o ninguna repeticién; en este caso es mAs conveniente clasificar en grupos de 10 elementos cada uno. Tabla de frecuencias Diagrama de rama-érbol x t | m Tt x o-9 | 1 | 10 | 37 0- 9 | teteeseeee wo-19 | 13 | 23 | 27 10 - 19 | #eaeseessenen 20-29 | 6 | 29 | 14 20 - 29 | seeee+ 30-39 | 6 | 35 8 30 - 39 | seeeee 4-49 | 0 | 35 2 40 - 49 go-s9 | 2 | 37 2 30-39 | * Con la finalidad de conservar “‘integra” la lista de datos, aun ya agrupa- dos, se propone sustituir los asteriscos en el diagrama de rama-arbol por el digito de las unidades de cada dato. Tabla de frecuencias Diagrama de rama-arbol x f fa. fd. x or 10 10 37 0* | 0003345588 ” 13 23 27 1* | 0012334867889 2* 6 29 14 2* | 123678 3° 6 35 8 3* | 013569 a oO} 35 2 a 3 2 37 20) S* | 04 Asi, 2* representa al grupo de valores entre 20 y 29. Con el diagrama de rama-drbol se puede reconstruir Ja lista de datos; los datos del grupo 2* son: 21, 22, 23, 26, 27 y 28 (ver el tercer renglén del diagra- ma de rama-érbol). Si se considera conveniente se puede hacer una clasificacién mas fina agru- pando los datos en intervalos de 5 datos, con lo que se tiene un mayor desglose. CAPETULO 1 ‘Tabla de frecuencias Diagrama de rama-drbol x f fa fd. x o* 6 6 37 O* | 000334 o 4 10 31 0° | 5588 ih 7 7 27 1* | 0012334 1° 6 23 2 1° | 567889 rae 3 6 14 2* | 123 2 3 29 MW 2° | 678 3° 3 32, 8 3* | 013 3° 3 35 $ 3° | 569 od 0 35 2 ae 4 0 35 2 a s* 2 35, 7 5* | 04 Aqui el * representa a los digitos 0, 1, 2, 3y 4; y ° alos digitos 5, 6,7, 8 9. Los siguientes ejemplos terminan de ilustrar este t6pico. Ejemplo 1.3. Tabla de frecuencias Diagrama de rama-érbol x |] tf | fa x i 3 | 8 | 4 1#* | 0319252933717789 2 5 | 13 | 32 2e* | 1421294590 a 9] 2 | a aex | 121229354246505969 a+ 10 | 32) 18 4+ | 09234567696970758695 se 8 | 40 8 5#* | 3437455659698995 Aqui los datos se clasificaron en intervalos de 100 datos cada uno. En el diagrama de rama-arbol se conservan dos cifras por dato, las decenas y las unidades, por lo tanto si se quiere reconstruir 1a lista de datos; ésta es: 103, 119, 125, etc. [ICA DESCRIPTIVA 27 Ejemplo 1.3.4: Tabla de frecuencias Diagrama de rama-drbol x f | ta | fa x 0." 3 3 | 27 0.* | 367 Le $ 8 24 1.* | 14799 2 6 14 19 2.* | 033589 3." 4) i | 2B 3.* | 2268 4s 7 | 2B 9 4. | 1344789 5.4 2|2 2 5. | 38 Los datos se clasificaron en intervalos de longitud 1; el diagrama de rama- Arbol conserva [a primera cifra decimal. Los datos son: 0.3, 0.6, 0.7, 1.1,..., 5.3, 5.8 Ejemplo 1.3 Tabla de frecuencias Diagrama de rama-drbol x i]t | x a 4 4 20 ~3* | 96522 2 2 6 16 -2* | B3 “1 5 | u | 1 -1* | 87741 -0* 3 | 14 9 0* | 752 or 2; 16 6 or | 37 I* 3 | 19 4 1* | 179 2 o | 19 1 2 at 1 20 1 3*|0 Los datos se agruparon en intervalos de 10 nimeros; y se puede ver que los datos son: -39, -36, -35, -32, -28, -23, -18, -17, -17, -14, -I1, -7, -5, -2, 3,7, 11, 17, 19, 30. 28 CAPITULO 1 Resumen: con el diagrama de rama drbol lo. Se puede reconstruir la lista de datos. 2o. Se clasifican con base en la numeracién decimal. 30. Los intervalos de clase no dependen directamente del maximo y del mi- nimo. Asi, silos datos aumentan se puede utilizar la misma clasificacién. Es importante la Eimpieza y el orden al elaborar un diagrama de rama-drbol; Jos nimeros deben ser del mismo tamaito ya que de otra manera se pierde el efecto visual buscado. 1.4 MEDIDAS DE CENTRALIDAD, DE TENDENCIA CENTRAL 0 DE POSICION Una medida de centralidad es un representante de los datos y nos indica de alguna manera cual es su posicién; por ejemplo: el promedio de las califica- ciones de tos examenes parciales es un representante del total de las califica- ciones, y nos indica cual es la posicién de éstas. Las medidas de centralidad més conocidas son /a media aritmética, la moda y la mediana. Media aritmética, cominmente Hamada media, es igual al promedio de los datos. Su férmula es: zx, a media = y se denota con el nombre de la variable y una raya arriba X(para muestras), © con la letra gtiega y (para podlaciones). Moda. Es el valor que aparece mas frecuentemente. Si los datos estan agru- pados, la moda es el grupo con mas datos y s¢ llama intervalo modal, Se deno- ta con el simbolo Mo. ICA DESCRIPTIVA » Mediana. Es el valor que se localiza en el centro, después de haberse orde- nado los datos. De esta manera, el numero de datos mayores a la mediana es igual al nimero de datos menores a ella. Se denota con la letra M. Media geométrica. Es una medida de centralidad de uso menos frecuente, y se define por medio de la formula: La media geométtica = V XXX. Xe La media geométrica es el antilogaritmo de una media aritmética. tog V KR, — BX + lowXs ++ lOBXe n Por ultimo se presentan Jos cuartiles que son otra forma de determinar la posicidn de los datos, sin que esto implique que sean valores de centralidad. Los cuartiles. Son 3 mimeros que dividen a la lista ya ordenada en cuatro partes iguales. El primer cuartil es la mediana de los datos menores a la me- diana, el segundo cuartil coincide con la mediana y el tercer cuartil es la me- diana de los datos mayores la mediana, 1.4.1 Caracteristicas de las Medidas de Centralidad La media es la medida de centralidad mas comin, sin embargo, tiene la des- ventaja de ser sensible a valores extremos. Esto significa que un tinico valor en la lista “‘muy” diferente a los otros, influye fuertemente en el valor de la media. Esta desventaja se acentia cuando Ja diferencia en los datos se debe a un error de transcripcién. Por ejemplo, si los datos son: 1.75, 1.36, 1.48, 1.20, 1.57, 1.83 y 1.65 la media es 1.55; pero suponga que al escribirlos sc co- mete un error y se omite el punto decimal en sdlo un dato, fa lista queda co- mo: 1.75, 1.36, 1.48, 1.20, 1.57, 1.83 y 165 . La media de estos datos es 24.88 que como puede verse difiere mucho de la media real. Cabe notar que casi todo el desarrollo tedrico de la estadistica se ha hecho usando como medida de centralidad a la media. La moda no es sensible @ valores extremos, como la media; sin embargo, tiene la desventaja de no ser Unica, Otra desventaja es que su frecuencia puede CAPITULO I diferir muy poco de la de otros valores, y atin mas, la moda puede ser uno de los valores extremos. Como ejemplo, observe el siguiente diagrama de rama-arbol 1, 2 | 2222222 3 | 3333333, 4 | 4444444 5! 5555555 Ja moda es 1; pero, la diferencia de su frecuencia con la de los otros valores es minima y por afiadidura el uno es un valor extremo. No obstante, en ocasiones es necesario conocer qué grupo tiene mayor fre- cuencia, entonces es cuando se debe considerar la moda como medida de cen- tralidad. Por ejemplo, para planificar la produccién de una fabrica de camisas se requiere conocer cual talla es la que mas se vende, entonces cs conveniente usar la moda. ‘La mediana no es sensible a valores extremos, ¢s tunica y cs facil de obtener. Por estas razones se recomienda usarla en el anélisis de tos datos de la estadis- tica descriptiva. Sim os ¢l mimero de datos, la mediana ocupa el lugar (7 + 1)/2 en la lista ordenada; el niimero del lugar que ocupa un dato a partir de los extremos har cia el centro, hasta llegar a la mediana se le Hama profundidad de un dato. En la siguiente lista hay 9 datos, n = 9, la mediana ocupa el lugar (a + 1)/2 = @ + 1/2 = 10/2 = 5, es la profundidad de la mediana. El mimero asignado a los datos desde los extremos hasta el centro es su pro- fundidad. ttt Datos ordenados 1,2,2,3,5,7,8, + Profundidad de cada dato h 2, h 4,5, 4,3, 8,9 tt 21 La profundidad es un numero simétricamente asociado hacia ¢! centro y es facil ver que la mediana es el dato con mayor profundidad. ESTADISTICA DESCRIPTIVA 31 Cuando nes impar, la profundidad de la mediana es un entero y para en- contrar el valor de la mediana basta contar hasta el dato (n + 1)/2. Por otro lado, sia es par, la profundidad de la mediana no es entero y para encontrar 1 valor de la mediana se calcula el promedio de los dos datos centrales, 0 sea, los que tienen profundidad 1/2 y n/2 + 1; por ejemplo la mediana de los $ datos siguientes 1.3, 1.8, 2.0, 2.7, 3.5 esta en el lugar (5+1)/2 = 3 yes igual a 2.0, mientras que la mediana de los datos 25, 28, 35, 39, 43, 50 esta en el lugar (6 + 1)/2 = dato. -5, y la mediana es el promedio del tercer y cuarto 35 + 39 = Soe La profundidad de los cuartiles se calcula con la parte entera de la profun- didad de la mediana mas uno entre dos. En los dos casos anteriores los cuarti- Tes estan en el lugar (3+ 1)/2 = 2, porque la parte entera de la profundidad de la mediana es tres. 1.5 MEDIDAS DE DISPERSION Con las medidas de centralidad se tiene la informacién de la posicion de los datos; sin embargo, es una informacion insuficiente. Eemplo 1.5.1: Suponga que la temperatura promedio de las dos ciudades, A y B, es igual 1a 25 grados centigrados. :Serd semejante la temperatura de las ciudades?, zqué crees? Seguramente tu respuesta es isi! Pero, ,cual seria tu respuesta con la siguiente informacién? CAPITULO I Ciudad A B Temperatura promedio 25°C 25°C Temperatura maxima 30°C 45°C Temperatura minima 20°C 5c La respuesta sin lugar a dudas es no! La temperatura de la ciudad B tiene mayor variacién. Es importante tener una medida de centralidad, pero es igualmente impor- tante medir la dispersion de los datos. Ejemplo 1.5.2: De una fabrica que produce tornillos de un centimetro de diametro prome- dio con dos maquinas, se extrae una muestra de su produccién diaria con los siguientes resultados: El didmetro de los tornillos fabricados por la primera maquina son: 1.003, 1.002, .998, 1.001, .995, 1,000, ... ; mientras que el did- metro de los tornillos fabricados por la segunda maquina son:.950, 1.100, 1.010, -930, .990, 1.009, ... ‘Suponga que se cuenta con el capital suficiente para cambiar una de las ma- quinas, jcual de las dos maquinas cambiaria usted? La respuesta ¢s simple, se debe cambiar la maquina que hace tornillos con mayor variacién del didmetro esperado. Diferencia entre el diametro observado y el diametro esperado. Maquina 1: Maquina 003, .002, -.002, .001, -.005, .000, 050, .100, .010, -.070, -.010, .009, La maquina que se debe cambiar ¢s la 2. Existen varias maneras de medir la dispersién de los datos, entre las medi- das de dispersign mas comunes estén: CICA DESCRIPTIVA 3 Rango. Es igual a la diferencia entre el maximo y el minimo dato, por lo que es la distancia entre la que se encuentran contenidos todos los datos. R = max - min Es obvio que esta medida es sensible a valores extremos, porque depende directamente de ellos; ademas, por utilizar slo la informacién de dos datos resulta una medida de dispersién muy pobre. Rango intercuartilico. Es igual a ta diferencia entre el primer cuartil y el ter- cer cuartil, por lo que es igual a la distancia entre Ja que se encuentran Ja mi- tad de los datos centrales, cuando ya se han ordenado. R.L. = 3er, cuartil - ler. cuartil datos ordenados t 4 + 4 medina + do. cuarul ar! + } Rd. i Jer, cuarul Ser cuartl Fl rango intercuartilico no es sensible a valores extremos y es muy facil de obtener, Esta es la medida de dispersién utilizada en el andlisis de datos de Ta estadistica descriptiva. Desviacién media. Es igual al promedio de las distancias entre cada dato y Ia median. desviacion media = = P= Ml Esta es una medida de dispersion muy natural, porque primero se obuenen las distancias entre cada dato y la mediana, y después se promedian estas dis- tancias. Como se puede ver, si todos 1os datos son iguales, la desviacién media es cero, en cambio, si los datos son muy diferentes la desviacion media es grande. CAPITULO 1 Esta medida de dispersién tiene la desventaja de ser promedio de valores absolutos, y el valor absoluto no ¢s una funcidn diferenciable en todo el domi- nio de definicion, por lo que en el desarrollo tedrico de la estadistica, donde se requiere diferenciar, no resulta ser una medida adecuada. Varianza. Es igual al promedio del cuadrado de las distancias entre cada dato y la media, 2 -w? woo = 2H con esta medida también se promedia la separacion de los datos con una me- dida de centralidad, ia media; pero el cuadrado afecta también a las unidades originales de !a variable X, por ejemplo, si X, estd en metros, la media tam- bién estd en metros y fo mismo (X, - ); por lo que (X, - y)’ y Ja varianza es- t4m en metros cuadrados; con la raiz cuadrada de la varianza se obtiene una medida de dispersion en las unidades originales. Desviacién esténdar. Es igual a Ja raiz cuadrada de la varianza. desviacién estandar = Y varlanza = o La varianza y Ia desviacién estAndar son las medidas de dispersion utiliza- das en el desarrollo de la estadistica inferencial. Ejemplo 1.5.3: Encuentre el diagrama de rama-drbol, la tabla de frecuencias, las medidas de posicién y las medidas de dispersién de los siguientes datos. Datos: 25, 32, 51, 43, 73, 47, 81, 37, 43, 54, 37, 26, 32, 17, 21, 43, 67, 38, 47, $4, 43, 37, 57, 31. Los datos se clasificaron en intervalos de 10 niimeros cada uno, y con cllos se elaboré la tabla de frecuencias y el diagrama de rama-arbol. ESTADISTICA DESCRIPTIVA Tabla de frecuencias x f fa fd It 1 1 a ras 3 4 23 3* 7 ul 20 a 6 W 13 se 4 21 7 o* 1 22 3 cid 1 23 2 ae i a 1 sin ordenar 1” 2 ie ae St 6t 7" ge 7 561 2772871 373373 ‘1447 7 3 1 Diagrama de rama-drbol ordenado 7 156 1227778 333377 4447 7 3 1 Para construir el diagrama de rama-drbol se colocan los datos en cada in- tervalo de la clasificacion de acuerdo como aparecen en la lista, por eso ¢l pri- mer diagrama presenta los datos sin ordenar, en un segundo paso se ordenan Jos datos de cada intervalo. ‘Las medidas de centralidad son: El intervalo modal se obtiene directamente del diagrama de rama-arbol. intervalo modal = (30,39). CAPITULO 1 La media se encuentra promediando los datos. x Bat M As Wares Reese 37 + 38 + 43 + 43 4 43 + 43447 4 47 4 Ss 54 SA 74 67+ 13+ Bi = Mo as.t66 X = 43.166 Para encontrar el valor de la mediana es necesario obtener primero su pro- fundidad; - n+l 2444 Profundidad de le mediana = 7%" = =p + 2s, como 12.5 no es un ntimero entero, se deduce que la mediana esta entre el da- to 12 y el dato 13. En el diagrama de rama-érbol ordenado se buscan estos datos. 43 + 43 Mediana = M = =43 Las medidas de dispersin son: Rango = méx- min = 81-17 = 64 Para calcular el rango intercuartilico, Primero se encuentra la profundidad de los cuartiles (m es la parte entera de la profundidad de Ia mediana). mt+l 1241 Profundidad de los cuartiles = re de aqui se ve que los cuartiles estan entre el dato 6 y el dato 7. = 6.5 = 52.5 3+ 32 SL + $4 2 ler. cuartl = =R 3er, cuartil = ESTADISTICA DESCRIPTIVA 7 1.6 RESUMEN Con estos valores se encuentra el range intercuartilico. R.1. = 3er. cuartil - Jer. cuartil = $2.5 - 32 = 20.5. Conociendo que 43 es la mediana, se encuentra Ja desviaci6n media: Desviacion media (17-43 + [21-43] +... + |81-43] = 2 ~ s04 m4 Finalmente, se encuentran la varianza y la desviacién estandar. 5 1073.16" +..+ (81-43.16)7] = 240.94 o = 15.52 El resumen es una presentacién de los valores descriptivos mas importantes en una tabla con la siguiente distribucién: M (mediana) Profundidad de Ja mediana C (ouartiles) Profundidad de | ter. evarul er. enaru) | R.I. (rango los cuartiles intercuar- tilico) E (extremos) Profundidad de | mnimo R (rango) los extremos Ejemplo 1.6.1: En la lista de datos del ejemplo 1.5.3 se obtuvieron Los valores estadisticos més importantes: 12.5 es la profundidad de la mediana y la de los cuartiles, 6.5; la mediana es igual a 43; el primer cuartil es 32 y el tercero es 52.5; el valor minimo es 17 y el maximo es 81; etc Todo esto colocado en su lugar da como resultado el siguiente resumen. 38 CAPETULO 1 M 12.5 4 Cc 65 132 52.5] 20.5 El v7 81 El resumen proporciona la informacién contenida en los datos de forma sin- tetizada. Con el resumen se puede conocer el total de datos; entre qué valores Se encuentran; qué tan dispersos estan, etc. 4.7 SIMETRIA Otra caracteristica que resulta de interés al analizar los datos, es su simetria; una manera muy simple de determinar la simetria se basa en el siguiente prin- i si los datos son simétricos, ¢l punto medio de los extremos, el punto medio del Jer. y 3er. cuartil y la mediana deben coincidir, por lo que mientras mas diferentes sean estos valores, mds evidencia de asimetria existe. Para determinar si existe simetria en un conjunto de datos, se sigue el si- guiente proceso: i) Se obtiene el punto medio de los extremos; E = (max + min)/2. in) Se obtiene el punto medio del cuartil Ler. y 3er. © = der. cuartil + 3er. cuartil)/2 ili) Se obtiene la median: i¥) Se obtiene el maximo de las diferencias entre estos tres valores: \E-C, JE -Mly iC - MI. V) Se compara el maximo de estos tres valores con Rango/n; si Rango/n es mayor que el maximo de estas diferencias se dice que los datos son simétricos, si ocurre lo contrario se dice que los datos no son simétricos (algunos autores consideran que !a cota para medir la simetria de los datos es Rango/20 en lugar de Rango/n). ESTADISTICA DESCRIPTIVA 9 Esta es una prueba que determina de manera mds precisa la asimetria que Ja simetria. Ejemplo 1.7.1: ‘Mida la simetria de los datos del ejemplo 1.5.3. Primero se obtiene la mediana, el promedio de los cuartiles y el promedio de los extremos. M| 45 mediana | 44.75 promedio de los cuartiles E| 49 promedio de los extremos La diferencia maxima entre estos tres datos es 49 - 44.75 = 4.25. Por otro lado se encuentra que Rango/n = 2.67 (0 Rango/20 = 3.2) y co mo 2.67 < 4.25, se concluye que los datos son asimeétricos. 4.8 REPRESENTACIONES GRAFICAS DE LA FRECUENCIA 1.8.1 Frecuencia Relative Para concluir la seccién dedicada al andlisis de datos y a la estadistica descrip- tiva se estudiardn una serie de graficas de la frecuencia de los datos que pue- den aplicarse tanto a variables cuantitativas, como a variables cualitativas. Para ello se revisa el concepto de frecuencia relativa. Frecuencia relativa de un dato, o de un intervalo de datos. Es igual a la fre- cuencia absoluta del mimero dividida entre e] mimero total de datos. fr = f/n La frecuencia relativa siempre es un numero positivo menor que uno. La suma de la frecuencia relativa de todos los intervalos es igual a uno. Con la frecuencia relativa se pueden comparar dos 0 mis listas de datos de diferente tamafio, siempre y cuando se clasifiquen con la misma escala; por ejemplo, considere las dos tablas de frecuencia siguientes. CAPETULO 1 x f x 0 3 0 29 1 7 1 2 2 u 2 109 3 15 3 151 4 17 4 168 $ 21 5 209 6 16 6 161 7 12 7 122 8 3 8 49 9 2 9 18 aTienen una distribucién semejante los datos de las dos tablas? No es obvio comparar las dos listas, porque en la primera lista hay 100 da- tos y en la segunda, 1000; pero, si se agrega a las tablas una columna mas con los datos de la frecuencia relativa xX Tr f x Tr Tr) 0 3 [030 o__| “29 F029 1 7 | 070 1 72] 072 2) | to 2_ [109 1.109 3 | 1s | 150 37 isi [1s a [17 J 170 47 [168 [168 S| 21 | 210 5_{ 209 {209 6 16_| 160 6_| 161 | 161 (71277 120 7 [122 7122 8 S| .050 8_ | 49 [049 9 21.020 9 | 18 [os si se pueden comparar las dos listas con esta ultima columna. Se observa que sf es semejante la distribucién de tas dos listas de datos. También se puede hablar de frecuencia reiativa acumulada y frecuencia re- lativa desacumulada; pero éstas sdlo se utilizan para variables cuantitativas. ESTADISTICA DESCRIPTIVA. La frecuencia relativa es equivalente al porcentaje, fr = 11 = porcentaje = 11%. Ejemplo 1.8.1: 4 Dados los siguientes datos, construya una tabla con las frecuencias tanto relativas como absolutas. Datos: 7, 3, 4, 1, 2, 3, 5, 4, 3, 2, 1. 7, 3, 8,9, 3, 4, 5, 3,6 Tabla de frecuencia x f fa fd far. fra, f.r.d. 1 2 2 20 1 A 1.0 2 2 4 18 a 2 a 3 6 10 16 3 5 38 4 3 13 10 AAS 65 5 5 2 15 7 1 78 35 6 1 16 5 05 80 25 7 2 18 4 al 90. 2 8 1 19 2 05 95 al 9 1 20 1 05 1.00 205 €— frecuencias —> ¢< _____—frecuencias ————> absolutas relativas. Con Ja frecuencia relativa se pueden obtener los histogramas, los poligonos de frecuencia y las gréificas circulares, las cuales son representaciones erdficas de la distribucién de los datos. Histogramas. Son representaciones gréficas por barras, la base de la barra representa la variable y la altura, su frecuencia, los histogramas son las repre- sentaciones gréficas mas comunes. Poligonos de frecuencia. Son representaciones grificas elaboradas con li- neas quebradas que unen los puntos (m,, fr); donde m, es el centro del i-ésimo intervalo y fr, es su frecuencia relativa. El poligono de frecuencia se define dimicamente para datos numéricos. a2. CAPITULO 1 Graficas circulares o de pastel. Son representaciones grdficas de la frecuen- cia relativa, generalmente, de variables cualitativas. La frecuencia relativa de cada grupo en la clasificacién se representa con una rebanada del circulo, de rea proporcional a ella. Ejemplo 1.8.2: Construya el histograma y ef poligono de frecuencia de los datos del ejem- plo 1.8.1. Con los datos contenidos en la tabla anterior, se puede elaborar el histogra- ma y el poligono de frecuencia correspondiente. La variable X se coloca en el eje horizontal y la frecuencia relativa en el eje vertical, la altura de cada barra corresponde a la frecuencia relativa de la variable X. 08 J Pil tid a PEP perry s +X Histograma ESTADISTICA DESCRIPTIVA a 10203 4 $ 6 7 & 9 Poligono de Frecuencia El Area bajo el poligono de frecuencia es igual al area de todas las barras del histograma. Y cuando la base de cada barra es igual a uno, el dtea bajo el poligono de frecuencia es igual a la unidad. Los centros de las barras de] histograma son los ntimeros enteros entre 1 y 9. Sila clasificacién se hace en intervalos de mas de un dato por grupo, los extremos de las bases de las barras comnciden con los extremos de los intervalos. Ejemplo 1.8.3: Con las frecuencias relativas de la siguiente tabla elabore el diagrama circu- Jar correspondiente. Tabla de frecuencias x f catdlicos | 25 | 5 budistas 15) 3 protestantes| 10 | .2 Solucién: Para determinar de cudntos grados son los angulos en el circulo que corres- ponden a cada religién, se debe multiplicar 360 x fr. CAPITULO 1 Catdlicos 360x0,50 = 180 Budistas 3600.30 = 108 Protestantes 3600.20 = 72 O Caténeos BE budistas B Protestants E] siguiente cs un reporte terminado del andlisis de una serie de datos. Diagrama de rama-arbo} on 5 1* | 3487 2* | 333567 3* | 2344667778 ae | 22449 5* | 224789 6* | 2345 7* 1 3368 Tabla de frecuencias x ft fa fd fir firea. fund. o 1 1 40 025 025 1.000 i 4 5 39 -100 125 918 2* 6 M 35 150 275 875 * 10 21 29 250 S25 725 4* 5 6 19 125. 650 A475 st 6 32 14 150 800 350 o 4 36 8 100 .900 200 ™ 4 40 4 100 1.000 -100 ESTADISTICA DESCRIPTIVA, M ¢ E 4s 20.5 37.8 Simetria 37.5 10.5 26.5 57,5) 31 C 42.0 1 3 78173 E (41.5 La maxima diferencia entre estos datos es = 42.0 - 37.5 = 4.5. Este valor es mayor que Rango/20 = 3.65, de lo que se deduce que los da- tos no son simétricos. 250 a 0 1 2 3 4 $ 6 7 6 Histograma y poligono de frecuencia 1.9 PROBLEMAS PARA RESOLVER 1. Una compatiia tiene 250 empleados, de los cuales 240 son obreres y perso- nal administrativo con un salario mensual de $700,000.00; ¥ los otros 10 son personal de confianza con un salario mensual de $10,000,090 00. EL CAPITULO 1 x a Pa sindicato pide un aumento de salarios y se le contesta que su peticién no procede porque el salario mensual promedio es de $1,072,000.00 que esté por arriba de ottas empresas. ;Cual es la medida de centralidad que debe utilizar el sindicato para argumentar su peticién y cémo contradice los ar- gumentos del empresario? . Dado el siguiente diagrama de rama~Arbol, escriba los datos originales, haga el resumen y determine la simetria. 91* | 256 92* | 14699 93* | 268889 94* | 00379 95* | 14577899 96* 033578 97* | 1237 98" | 46 . Investigue en diferentes libros las definiciones de estadistica descriptiva y de estadistica inferencial y después escriba su propia definicion. |. Calcule las medidas de posicién y de dispersion de los siguientes datos: 37, 22, 81, 57, 32, 61, 54, 27, 93, 63, 50, 47, 65, 37, 83, 54. Un grupo de estudiantes efectué un muestreo para determinar cudntos autos entran en ia UAMAI por hora, para ello observaron y anotaron cudntos autos entraron a la Universidad en distintos intervalos de 5 minutos en di- ferentes momentos de! dia. Si los datos del muestreo son los siguientes: 3, 5, 2, 6, 3,0, 9, 6, 4, y 4; encuentre un estimador del promedio real. . Para la poblacién: el conjunto de los alumnos de la UAM, enuncie tres variables cualitativas y tres cuantitativas; en cada caso diga si son ordina- les o nominales, de intervalo o de razon. . En un grupo de 30 personas, se encontré que 10 de ellas tenian ojos ne- gros, $ ojos claros y 15 ojos cafés. Represente estos datos en una grafica circular. ESTADISTICA DESCRIPTIVA aT 8. Dado el siguiente resumen comente acerca de los datos. M 45.5 303 Cc 2 358 590 | 232 El 162 630 | 468 9. {Hay simetria en los datos del resumen del ejercicio 8? 10. Con los datos siguientes calcule: a) El resumen, b) La tabla de frecuencia completa (con frecuencias relativas y absolutas). c) El diagrama de rama-drbol. d) La simetria, ©) Dibuje el histograma y el poligono de frecuencias. 2.3, 4.7, 3.8, 7.4, 3.2, 5.3, 8.2, 5.6, 6.9, 9.0, 4.6, 3.9, 8.9, 9.3, 5, 8, 6.3, 3.2, 4.5, 6.4, 3.7, 8.4, 7.9, 5.2, 6.2, 5.4, 7.3, 6.8, 4.6, 9.6, 4.7, 3.0, 5.4, 7.2, 5.7. Capitulo Il ; POBLACION, MUESTRA, PARAMETRO, ESTIMADOR En el capitulo I, se estudiaron algunos métodos para clasificar, ordenar y pre- sentar los datos de una manera clara; pero esos resultados sélo sirven para des- cribir el comportamiento de los datos que se tienen. El objetivo ahora es estudiar los métodos que nos permiten obtener conclusiones acerca de la poblacién de Ja que fue extraida la muestra, para ello se deben aprender varios conceptos y se deben conocer los principios de la teoria de la probabilidad. Se comenzar con una serie de definiciones. Poblacién. Es el conjunto objeto de nuestro estudio, sus elementos se cono- cen como unidades de muestreo. Muestra. Es un subconjunto de la poblacién, si los elementos en la muestra se eligen a través de un proceso aleatorio (que depende de la suerte o del azar) se Ie lama muestra aleatoria. La elecci6n de la muestra puede ser con reemplazo o sin reemplazo. El mues- treo con reemplazo (cr) permite que una unidad ya seleccionada, pueda ser seleccionada de nuevo (la unidad seleccionada se regresa a la urna, antes de hacer la siguiente elecci6n); en ef muestreo sin eemplazo (sr), una unidad se- leccionada ya no puede volver a ser seleccionada (no se regresa a la urna). Parametro. Es un valor que determina una caracteristica de la poblacién. Este valor es fijo y en la mayoria de los casos de interés es desconocido, total © parcialmente. Recuerde el ejemplo de los peces y el de los tanques, en ambos casos el pardmetro de interés era el total de individuos en la poblacién, y co- mo se recuerda, ese parametro era desconocido. Los pardmetros de estudio més comunes son Ja media y la varianza pobla- cionales. CAPITULO II Estimador de un pardmetro. Bs el valor en funcién de los datos muestrales que se utiliza para tratar de conocer ¢! valor del pardmetro cuando éste es des- conocido. Como se puede ver, no es posible hablar de un estimador sin hacer referencia al pardmetro. En otras palabras, un estimador proporciona “‘cier- ta” informacién acerca del pardmetro. En ia tcoria del muestreo se utilizan las letras maytisculas para designar caracteristicas de la poblacion, y letras mintisculas para designar las mismas ca- racteristicas de la muestra. Asi N representa el tamafto de la poblacién, y 2 el tamafio de la muestra; X, representa el valor de la variable X en la j-¢sima unidad de la poblacién, y x, representa el valor de la varlable X en la /-ési- ma unidad de la muestra; etc. Ejemplo 2.1: Sea P una poblacién finita P = {W), Way Ws..--. Wyl. de tamafio N y X la variable de interés. X, es el valor de la variable X en la unidad de muestreo w,. Se quiere conocer el valor de la media y la varianza poblacionales dados por: {XRF Mz N LX y v= zi- Zl wy o son los pardmetros del problema. Para conocer estos valores es necesario censar a la poblacién. Sin embargo, en la mayoria de los casos no es posible hacerlo, debido principalmente a pro- blemas de costo y de tiempo. En los casos que no sea posible censar a la pobla- cién, se recurre a disefar un muestreo aleatorio para estimar el valor de los pardmetros. Asi entonces, se obtiene una muestra aleatoria de tamaito 7 M = fin wa. » ea POBLACION, MUESTRA, PARAMETRO, ESTIMADOR st con la que se tienen Ios datos muestrales x1, X2, .--5 Xa+ = = *: 1a media muestral es el estimador de la media poblacional , es el estimador de 1a varianza poblacional. Note que se divide entre n - 1, y no entre n. Ejemplo 2.2; Con el fin de clarificar la relacién pardmetro-estimador, se ha preparado un ejemplo simple para explicar las caracteristicas aleatorias del estimador de la media. Se tiene la siguiente poblacién P = {uj, tz, us, U4, Us} con los valores de XX, = 2%) = 0% =3,X, =X =) Calculando directamente se tiene que la media y la varianza poblacionales son: = 1.6 yo? = 1.04, Suponga que no se conocen los parémetros poblacionales, y que se desea estimarlos utilizando los datos de una muestra. La tabla siguiente describe todas las posibles muestras de dos elementos ex- traidos sin reemplazo, éstas coinciden con los diferentes subconjuntos de la poblacién con dos elementos cada uno. muestra datos muestrales media muestral (+ x2 fu, u3 2,0 10 fu, us 2,3 2.5 fu, u3 2,2 2.0 fu,, ugh 21 15 fu, uh 0,3 15 fu, u) 0,2 1.0 {uy ug) Ot 0.8 fu, u) 3,2 2.5 fu, u) 31 2.0 21 1s fu, CAPITULO IT ‘Se puede cstar seguro que al obtener una muestra, ésta va a scr alguno de los conjuntos de la lista anterior, y el estimador de la media tendré que ser uno de los promedios anteriores. El diagrama de rama-arbol de los promedios muestrales es: La variable aleatoria X , puede tomar valores entre .5 y 2.5 , de estos valores el que més se aproxima a la media poblacional es 1.5 y al mismo tiempo ¢s el valor mas probable, porque hay tres muestras que dan este promedio. Al calcular la media de todos los posibles valores de X , se encuentra que: la metha de # es 2% Le, - 1.6? = 1 —“ 7% 1.6 y que su varianza es Entonces se observa que: i) El promedio de ¥ coincide con la media poblacional ii) La varianza de ¥ es menor que la varianza de la poblacién. Ahora se hard el mismo analisis para un muestreo de tamafio 3 sin reempla- zo. En este caso también hay 10 posibles muestras, pero no se enlistaran como en el caso anterior. POBLACION, MUESTRA, PARAMETRO, ESTIMADOR 33 Los valores de para las 10 muestras son: 4/3, 1, 7/3, 2, $/3, 5/3, 4/3, ly 2, y su diagrama de rama-arbol es: x f 1 2 ” 4a 2 * 5/3 3 ™ 2 2 “ WV 1 * La media y la varianza de estos diez valores son: zx Ze - 1.67 70 = 16 y —) 173. Observe que: i) La media de ¥ coincide con la media poblacional. ii) La varianza de X es menor que la misma varianza con las muestras de tama- fio 2. El valor que mejor estima al promedio poblacional es $/3 = 1.66, y de nue- vo es el mas frecuente. Para comparar las caracteristicas de los muestreos, con reemplazo y sin reem- plazo, se hace el mismo andlisis ahora para un muestreo con reemplazo. Cuando » = 2, hay 25 muestras diferentes dadas por los pares ordenados: (a;, U), Gy, Us), (U1, UD, (Hi, Us), (Ur, Us), (Uz, UL), (U2, U2), (Uz, Uy)s (Vay Waly (Uzy Us (Us, Uns (Us, Ua), (Usy Us), (Uy Ba), (Ug, Usds (igs Us) (Has Ua), (Os Us)s (Ug, U4)> ss US), (Us, U4), (sy Us (Us Us) (Us, Ua)s (Us, Us)s POBLACION, MUESTRA, PARAMETRO, ESTIMADOR cuyos promedios muestrales se describen en el siguiente diagrama de rama-érbol. x 0.0 0s 1.0 15 2.0 25 3.0 ” tonne enews seater weer JH Raaune |S El valor que mds se aproxima al promedio poblacional es 1.5, y hay 6 mues- tras que dan este valor. Se puede observar que la mayoria de las muestras dan promedios muestra- les cercanos a la media poblacional. La media de los promedios muestrales es 1.6 y su varianza, 0.52. i) De nuevo la media de X coincide con la media de la poblacion. ii) La varianza de ¥ es menor que la varianza poblacional; peto es mayor que la varianza de Ja X de una muestra de tamafio 2 sin reemplazo. POBLACION, MUESTRA, PARAMETRO, ESTIMADOR, 35 Por ultimo, para un muestreo de tamaiio 3 con reemplazo, se obtienen 125 muestras diferentes. El diagrama de rama-arbol de los promedios muestrales correspondientes es: x f 0 1 |* 1/3 3) [see 24 9 | teseneene 1 16 | ttessaeenesennen 4/3 24 | tetsenecseseenensosenees 58 27 | sete eenneeaeanenensanentens 2 23 | Peederseressanaesevenee A 15 | Shenaeenenseses 8/3 6 [ teese 3 1_|* El valor que mas se aproxima a la media poblacional es 5/3 = 1.66, es tam- bién el mds frecuente, como en los otros casos, La media y la varianza de X son 1.6 y 0.3977 respectivamente. En resumen, los resultados de los cuatro casos fueron: Muestreo sin reemplazo Muestreo con reemplazo a= n=2 Hy = 1.6 te = 1.6 of = 39 of = 52 a= a=3 iy = 16 CAPITULO Conclusiones: 1) En los cuatro casos, la media de los promedios muestrales p, coincide con la media poblacional X (6 y, que es equivalente). 2) Cuando 1 es mayor la varianza de X of, es menor. 3) Con un muestreo sin reemplazo la varianza de ¥ es menor que con un mues- treo con reemplazo del mismo tamafio. 4) Los valores de ¥ cercanos a la media poblacional ocurren con mas frecuencia. Sélo se ha visto un ejemplo muy simple, con una poblacién de 5 elementos; sin embargo, estos cuatro resultados se cumplen, para cualquier poblacién. Este resultado se puede probar formalmente, pero no es el objetivo que se per sigue, el interés en este ejemplo es que se vea claro cual es la relacién entre el pardmetro que se desconoce y el estimador que es aleat {Qué significa que la media de los valores de ¥ coincida con X, el parame- tro que estima? Bueno, lo que significa es que se esta estimando con un valor que en prome- dio es el mimero que deseamos conocer. Y zqué sigmfica que la variacién de X sea menor?. Bueno, si la variacién es menor, en promedio X esté mas cerca de X; y por Jo tanto, es una buena manera de estimar al parémetro, porque atin cuando se tenga la mala suerte de elegir la muestra con el promedio més alejado de la media poblacional, este aleyamiento debe ser pequefio. Es importante notar que en un problema real, sélo se tiene una muestra, y no se sabe si es de las que su promedio muestral esta cerca de X, 0 110; esto @s algo que siempre se desconoceré (a menos, claro, que se haga un censo). Sin embargo, es uitil conocer que en promedio la media muestral se aproxima ala media poblacional, y que la variacién promedio del estimador es peque- flo, Una manera de medir la incertidumbre de la cercania del estimador al pa- rémetro es con ias herramientas que proporciona la teoria de la probabilidad. Capitulo III INTRODUCCION A LA PROBABILIDAD 3.1 GENERALIDADES (Cudntas llamadas entraran en un conmutador telefonico en los préximos 5 minutos? {Cuénto tiempo tardard el autobuis esta maflana para transportarme de mi casa al trabajo? {Quién seré el ganador en el partido de futbol del domingo? Qué tan representativa es la muestra para la estimacién de X? iCual serd la calificacién que obtenga al terminar el curso de estadistica I? ¢Cual sera el precio del petréleo el préximo mes? ‘ Estas preguntas tienen como comin denominador la incertidumbre de sus respuestas. Se pueden conocer todos los posibles resultados, pero se descono- ce cual serd el resultado en una observacién particular. Una manera de medir Ja incertidumbre de la respuesta a estas preguntas es mediante un modelo fre- cuentista con datos observables, 6 utilizando la teoria de la probabilidad, Ejemplo 3.1.1; Suponga que en un lugar apartado vive un ermitafo el cual ha observado que cuando en et cielo no hay nubes, no llueve, pero cuando hay nubes a veces Ilueve y a veces no. Intrigado por este hecho decide especificar esta observa- cién, Después de observar 40 dias nublados encuentra que en 32 de ellos llovid y concluye que de cada 40 dias nublados, 32 serdn Iluviosos; en otras pala- bras, esta cuantificando la incertidumbre de que Ilueva. En este punto, puede decirse que la probabilidad es una medida frecuentis- ta de la incertidumbre de un hecho. CAPITULO IIT Esta incertidumbre, las mas de las veces, es debida al desconocimiento 0 falta de control de uno o mas factores que intervienen en Ia realizacién del fenémeno observado. Por ejemplo, si el ermitafio pudiera conocer cémo afec- ta Ja presién atmosférica, la temperatura del aire, la altura de las nubes, la densidad de humedad ambiental, la velocidad y direccién del viento, etc.,en Ja aparicién de la luvia, y ademds pudiera medir cada una de estas variables con toda exactitud, éf podria predecir, sin lugar a dudas, s: en un dia nublado cualquiera habré o no luvia. Lo mismo ocurre con un volado, si se pudiera controlar la fuerza del impul- so al lanzarlo, la posicién cxacta de lanzamiento, la altura que se alcanza, etc., entonces se podria predecir con exactitud qué cara de la moneda caerd hacia arriba. Nétese que el desconocimiento puede presentarse aun cuando ya se realiz6 el experimento y se tiene el resultado. Por ejemplo, cuando se lanza un volado y la moneda se atrapa en el aire y se presenta cubierta con una de jas manos, es valido aun apostar a una de Jas caras de la moneda (Aguila o sol) y se tiene la misma probabilidad de acer- tar, 0 fallar, que antes de lanzarse el volado. También es vilido apostar sobre el sexo de un bebé que esta por nacer, a pesar de que su sexo se determiné desde el momento de la concepcién. Los conceptos basicos de la teoria de la probabilidad son: Espacio muestral, Es ¢l conjunto de posibles resultados en un experimento. Ejemplo: Al lanzar una moneda al aire, el espacio muestral esta dado por el conjunto @ = {dguila, sol). Evento 0 suceso. Es un subconjunto del espacio muestral. Ejemplo: Si Q = {éguila, sol} un evento puede ser E = {sol). Eventos elementales. Son aquellos eventos que no pueden subdividirse en eventos més pequefios. Ejemplo: Los eventos (4guila}, {sol} son eventos elementales en e| espacio muestral Q = faguila, sol}. INTRODUCCION A LA PROBABILIDAD 59 Evento imposible, Como su nombre lo dice, es el evento que no puede ocu- rir. El simbolo para denotar este evento es $. Ejemplo: Es imposible que caiga 4guila y sol al mismo tiempo. Eventos mutuamente excluyentes. Dos eventos A y B son mutuamente ex- cluyentes, si la ocurrencia de uno de ellos impide la ocurrencia del otro; en otras palabras, los dos eventos no pueden ocurrir simultaneamente: en simbo- los, se dice que A y B son mutuamente excluyentes si AB = 4. Sigma Sgebra (o-dlgebra) (opcional). Es el conjunto de todos los eventos. Al o-dlgebra se le denota con la letra Propiedades del o-dlgebra. i) Si A € sentonces Av E wv. En otras palabras, esto quiere decir que si A es un evento, A® también es un evento; o sea que si existe la posibilidad de ganar, también existe la po- sibilidad de perder; si con A se gana, con A® se pierde. HQE x En otras palabras, esto quiere decir que @ es un evento, el evento seguro; ‘© sea que siempre es posible cubrir todas las posibilidades de ganar: se pueden comprar todos los boletos de una rifa, en este caso se juega con el evento seguro. iil) Si Ay, Aas Assess Aa © aj entonces A\UA,UAU...UA, of Esto significa que si Aj, Az, Ay, Ag... An son eventos, entonces también lo es la unién de todos ellos A|UA;UA;U...U Ag, 0 sea que puedo comprar va- rios boletos de la rifa y puedo ganar con cualquiera de ellos. En la teoria de probabilidades se utiliza la notacién de la teoria de conjun- tos, los eventos se identifican con las letras maytisculas del alfabeto, como con- juntos. denota al espacio muestral o evento seguro, y $ denota al evento imposible. CAPITULO Ii Ejemplo 3.1.2 Un ejemplo donde se pueden revisar las uniones, intersecciones y comple- ‘mentos de eventos es el de las quinielas de los prondsticos deportivos; ademds, este ejemplo tiene la ventaja de ser conocido por la mayoria de las personas. Para un andlisis mds simple, se considerardn tinicamente los resultados de dos partidos de futbol; de la misma manera se pucde generalizar a la quinicla completa, Los resultados del primer partido dan lugar a los sigmentes eventos ele- mentales: E, = (gana local}, B, = (empate}, E; = fpierde local}; y de manera correspondiente los eventos del segundo partido son F), Fy Fy, definidos de manera similar. Enseguida se presentan algunas maneras de tlenar la quimela y la manera de denotarlas en funcién de los eventos E, y F,. Partido jugado resultado apostado Henado de Ja quiniela Partido 1: gana focal = _ Partido 2: gana visitante - - Esta quiniela gana si en el primer partido el equipo local gana, y en el se- gundo partido el equipo visitante gana; deben darse ambos resultados al mis- ‘mo tiempo, esto se escribe asi: E, F;, como la interseccién de dos eventos. Partido jugado resultado apostado Henado de Ia quiniela Partido 1: gana local =a] Partido 2: ho gana ef visitante _ Para ganar con esta quiniela es necesario que en el primer partido gane el equipo local, y que en el segundo partido gane ¢! equipo local o empaten los dos equipos; la manera de escribirlo es: E,N F;. INTRODUCCION A LA PROBABILIDAD 61 Partido jugado resultado apostado Henado de ta quinieta Partido 1: no hay empate -_ Partido 2: gana el local = — Esta quiniela se escribe asi: (E, U E,) 9 F, 0 asi ES 0 Fy En este ejemplo E, 0 E; es imposible ya que no puede ocurrir que en un mismo partido gane el local y que empaten los dos equipos al mismo tiempo. La unién de dos eventos ocurre cuando aiguno de los dos, 0 los dos, ocurre; la interseccion de eventos ocurre, cuando los dos eventos simultéaneamente ocurren. Ya se conoce qué son los eventos y qué es el espacio muestral, ahora se va a estudiar una manera de medir dichos eventos, La probabilidad. Es una medida asociada a los eventos, P(A) es la probabi- Jidad del evento A. La probabilidad cumple las tres propiedades siguientes, llamados axiomas de a probabilidad. iO s PA) = 1 para cualquier evento A. Esto es, la probabilidad de un evento es un mimero positive entre cero y uno. ii) PQ) = 1. La probabilidad de que ocurra el evento seguro es siempre 1. iii) P(AUB) = P(A) + P(B) si AB = $. La probabilidad de que ocurra la union de dos eventos es igual a la suma de las probabilidades de tos eventos individuales, siempre y cuando sea im- posible que los dos eventos ocurran al mismo tiempo. A partir de estos axiomas se desarrotla toda la teoria de la probabilidad. CAPITULO 111 Una manera operativa de definir Ja probabilidad de un evento es con el co- ciente: pia = Mmero de casos en A Gl) niimero de casos en Q pero esta definicién se aphica tinicamente para espacios muestrales cuyos eventos elementales tienen igual probabilidad, en estos casos se dice que @ es equi- probable. Es importante notar que no todos los espacios muestrales son equiproba- Dies; es un error muy comin considerar que si hay n posibles resultados la pro- babilidad de que ocurra cualquiera de ellos es igual a 1/n. Se pueden dar muchos ejemplos en donde esto no es cierto, como el siguiente: Mafiana pueden ocurrir dos cosas, que salga el sol 0 que no salga. A pesar de que hay dos posibles resultados, la probabilidad de que ocurra cualquiera de ellos no es la misma. La experiencia nos dice que es muy poco probable que el sol no salga mafiana. Los Siguientgs teoremas se obtienen a partir de las tres propiedades basicas de ka probabil (o axiomas de probabilidad). Teorema 3.1 a) Si A y B son eventos y A C B entonces P(A) = P(B). Demostracion: Por el axioma 1 se tiene que la probabilidad de cualquier evento es mayor © igual a cero, entonees para el evento BM AS PAS NB) = 0 ahora, sia ambos lados de la desigualdad le sumamos la misma cantidad P(A), Ja desigualdad se conserva P(A) + P(AS MB) = P(A)+ 0 G.2) INTRODUCCION A LA PROBABILIT 1D 63 Por otro lado, el conjunto B se puede escribir como ia unién de dos conjun- tos ajenos ¢ ver la prafica de abajo) B=AU@NAD con AN(BNAY y por el axioma 3, se sigue que: P(B) = P(A U BN A) = P(A) + PBN AD sustituyendo este resuit.:do en (3.2) se sigue que: P(B) > P(A). que es lo que se querfa demostrar. Teorema 3.2 b) Para cualquier evento A; P(A) = 1 - P(A). Demostracion: Se sabe que el evento A y su complemento son mutuamente excluyentes y que su unién cubre todos los posibles resultados, o sea que AM A‘ = oy Q@=Aana CAPITULO OI _ El axioma 2 afirma que: P(A U AX = PQ) = 1; y el axioma 3, afirma que P(A U AD = P(A) + PAD Combinando los dos resultados se tiene que P(A) + P(A‘) = 1 y despejando la probabilidad de A‘ se concluye que P(A‘) = 1 - P(A). Teorema 3.3 ) P() = Demostracion: Como el evento imposible es gual al complemento del evento seguro, $ = 9%, se puede aplicar e} teorema 1 con lo que PH) = Pe) = 1- PQ) y en esta ecuacién se sustituye la P(Q) que se sabe es igual a I por el axioma 2; con lo que finalmente P@) = P= 1-1 = 0 que es precisamente lo que se quicre probar. INTRODUCCION A LA PROBABILIDAD. 65 Teorema 3.4 d) P(A U B) = P(A) + P(B)- P(A B). La demostracién de este resultado se deja como gjercicio al lector. 3.2 RELACION ENTRE LA PROBABILIDAD Y LA FRECUENCIA RELATIVA DE UN EVENTO Eniste una estrecha relacién entre la frecuencia relativa y la probabilidad: la misma definicién de la probabilidad (3.1) en espacios equiprobables recuerda la definicién de la frecuencia relativa. Ejemplo 3.2.1; Al lanzar una moneda no cargada al aire, se genera el espacio muestral @ = {aguila, sol); supdngase que el evento de interés es E = {Aguila}; como la moneda no estd cargada, el espacio muestral es equiprobable, asi las dos caras de la moneda tienen la misma probabihdad de aparecer; la probabilidad del evento E es igual a 1/2. En otras palabras, ay! Praguila) = 5 Por otro lado, suponga que se lanzaron 10 volados con los siguientes re- sultados. 5,8, 5) SB, 8, 8, a 5, 8. O sea que hubo 4 Aguilas y 6 soles, asi la frecuencia relativa del evento {4guila} en los 10 yolados es 4/10. £,,(léguila)) = a La probabilidad es un valor teérico, mientras que la frecuencia relativa es el valor observado después de hacer e] experimento. La ley de los grandes nuimeros, resultado que se puede probar formalmen- te, afirma que si el nimero de observaciones en la muestra es grande, es muy probable que la frecuencia relativa sea casi igual a la probabilidad, CAPITULO Ul En simbolos esto se puede decir asf: lim f, (A) P(A) O sea que, conforme n crece es casi seguro que f,(A) sea snuy parecida a P(A). Con la finalidad de aclarar lo que afirma la ley de los grandes nimeros, se van a considerar los resultados obtenidos en una seric de volados con los que se calcula la frecuencia relativa secuencial de los experimentos. a, a 5, a 8, SS, a S, 5 a A a, S, 8, 5) 5, By vee La frecuencia relativa de dguila, considerando sélo el primer volado es: numero de aguilas hasta el primer volado 1 f,@) = =1 La misma frecuencia relativa, considerando los dos primeros volados es: namero de dguilas hasta el segundo volado f, oe (a) 2 Asi sucesivamente, las siguientes frecuencias relativas son: £40) = 35 14) = f,@) = 4 2 3 fay = Lo que afirma la ley de los grandes niimeros es que mientras més volados se tengan es casi seguro que f=. |nwTRODUCCION A LA PROBARILIDAD a 3 ANALISIS COMBINATORIO (Opcional) Ya se vio que para calcular la probabilidad del evento A, en espacios equipro- bables se requiere conocer cuantos elementos tienen los eventos A y Q; por lo tanto, ¢s muy conveniente tener algunos métodos de conteo para encontrar el miimeto de casos que pertenecen a un evento determinado. Una de las herramientas de conteo més iitiles es el andlisis combinatorio, del cual se presentan enseguida los resultados y definiciones mds comunes. Ordenaciones con Repeticién Dado un conjunto con n elementos distintos A = (@;, G2, @3,.-.4 dq}; se dice que una ordenacién con repeticién de m elementos de A es cada una de las distintas maneras de colocar en m Ingares @ cualquiera de los elementos del conjunto A, permitiéndose que un mismo elemento aparezca mds de una vez en la ordenacién. Para determinar cudntas diferentes ordenaciones con repeticién se pueden formar con n elementos en dos lugares, se despliegan estas ordenaciones. ay, ay a os Oqy Ay Ay a, oo Day 4, ay Gy, Oy oo May ts a, Gy 9, Oy ve Oy, 0, 4Cuantas son? ‘Note que hay n columnas y en cada columna hay n renglones, entonces hay n X n = n? ordenaciones diferentes. Para conocer el numero de ordenaciones con repeticion en tres lugares, se debe notar que estando ocupados los dos primeros, el tercer lugar lo puede CAPITULO HII ocupar cualquiera de los elementos de A, aunque ya esté repetide. Asi por ca- da ordenaci6n en dos lugares, hay n ordenaciones en tres lugares, por lo que el total de maneras de ordenar los elementos de A en tres lugares €s igual a wxn=n, ay a y como el numero de diferentes maneras de co- ay Jocar los dos primeros elementos es 07, enton- ces la manera de ocupar los tres lugares es 4, Gy Ge, Por un razonamiento andlogo se llega a que el nimero de ordenaciones con repeticién de los n elementos de A en m lugares es igual a n°. Ordenaciones sin Repeticién: Las ordenaciones sin repeticién se definen de manera andloga, solo que un ele- mento no puede aparecer mas de una vez en la ordenacién; se deducira la for- mula que determina cudntas diferentes ordenaciones existen de manera similar ‘a como se hizo antes, primero para m = 2 y después en general. Sim = 2, las ordenaciones sin repeticién que se pueden formar son: a, a 2, a a a gy 4 a, Oy Ay Gy ay, 2, . Ay, dy yy dy iy Oy Ay, Oy nv Sut {Cudntas formas diferentes de ordenar los n clementos en 2 lugares hay? CCION A LA PROBABILIDAD ce Ahora se tiene n columnas y en cada una hay n-1 renglones, uno menos por- que no se puede repetir el elemento que est en el primer lugar, entonces hay n(a-1) ordenaciones diferentes. Si la ordenacién es en tres lugares (m = 3), y los dos primeros estén ocupa- dos por a, y q, el tercer lugar puede ser ocupado por cualquiera de los n - 2 elementos de A diferentes de 4, ¥ 4,. a, y como el ntimero de diferentes maneras de co- Jocar los dos primeros elementos es n(n-1) en- Se tonces la manera de ocupar los tres lugares es Bat afn-1)(n-2) a, ay De una manera andloga se llega a que el niimero de ordenaciones sin repeti- cién de los n elementos de A en m lugares, es igual a n(a-I)(n-2)...(a-(m-1)) = A(a-1)(n-2)...0-m + 1). Permutaciones Una permutacién es igual a una ordenacién sin repeticién cuando 2 es igual a m; esto implica que el nimero de posibles permutaciones es na-1\n-2)...2-a-1)) = a(n-1)(0-2)... Combinacién Por iiltimo, una combinacién de m en n, es un subconjunto de m elementos del conjunto A. iCuantos subconjuntos de m elementos diferentes se pueden encontrar en un conjunto de n elementos? CAPITULO IIT Ya se vio que el niimero de ordenaciones con repeticién de n elementos en m lugares es n(n-1)...(a-m +1), y que los elementos de un mismo subconjunto al ordenarse de manera diferente, cuentan como una diferente ordenacién. Un mismo subconjunto, jen cudntas ordenaciones diferentes aparece? La respuesta es: tantas como permutaciones del subconjunto de m elemen- tos existan; o sea, un mismo subconjunto de m elementos, aparece en m(m-1)(m-2)...1 ordenaciones diferentes. Ejemplo 3.3.1: Considere el caso en quem = 5 y m = 3; el mimero de ordenaciones sin repeticién de los 5 elementos en tres lugares es segtin la formula $43 = 60. De estas 60 ordenaciones, aquellas formadas por los elementos a;, 82, 83, Son todas las posibles permutaciones de estos tres elementos en tres lugares, y se gin la formula 3-2-1 son = 6. Esto sucede con cualquicr subconjunto con tres elementos, as{ cada subcon- junto da 6 diferentes ordenaciones, por lo que si C es el mimero de conjuntos diferentes, C cumple la ecuacién Cx6= 60 i 60 y de aqui se sigue que C = -— = 10 Generalizando a partir de este ejemplo se sigue que para cualquier m y , m ® tat que X(verde) = 1 X(rojo) = 2 X(aml} = 3 de esta manera se puede definir una probabilidad en los mimeros reales a tra- vés de la funcién X de la siguiente manera: P(X = 1) = P(verde) Nim ale wie P(X = 2) = P(rojo) P(X = 3) = Pfam) = La funcién X, asi definida, es una variable aleatoria. Variable aleatoria. Es una funcién medible cuyo dominio es el espacio mues- tral, 2, y cuyo dominio es el conjunto de los ntimeros reales, B Los valores que toma la variable X dependen del azar, de ahi el nombre de aleatoria. El concepto de funcién medible va més alla del alcance de este libro por lo que no se dard mayor explicacién acerca de él. Definiclon: Dada una variable aleatoria X : 2 > R, se dice que los conjuntos A < y B s R son equivalentes si y sélo si A= (w €Q| X(w) € B) De esta manera se puede definir una probabilidad en los subconjuntos de R, en términos de la probabilidad de los eventos de Q. Asi, si A y B son conjuntos equivalentes P(A) = P(B). S ALEATORIAS 85 En el ejemplo de la ruleta, los conjuntos {1} y {verde} son equivalentes, (il) ¢ R y {verde] < Q). Las variables aleatorias, por lo general, se denotan con las dltimas letras mayusculas del alfabeto. Ejemplo 4.1.2: Se lanzan dos monedas al aire y se observa que cara cae hacia arriba. El espacio muestral asociado a este experiment es: Q = (5,5), (5,4), (2,8), (2,a)} El o-dlgebra estd compuesto por todos los subconjuntos de Q; esto es, cual- quier subconjunto de Q es un evento. Se define la variable aleatoria X = numero de Aguilas que aparecen al reali- zarse el experimento. Asi X : @ — R puede tomar los valores 0, 1 y 2. XG,s) = 0 X(,a) = 1 Xs) = 1 X(aa) = 2 Aqui, el intervalo I = (0.5, 1.5) y el conjunto A = {w © 9 |X(w)El) = {(,a), (@,s)} son conjuntos equivalentes. Ejemplo 4.1.3: Las reglas de un juego de dados son: ganas si cae el 1 6 el 2, en caso contra- mo, pierdes. E] minimo o-dlgebra que define el yuego es: v= {4 @ (1,21, (34,56) a proposito no se defimsé el o-dlgebra como el conjunto de todos los subcon- juntos de Q. CAPITULO IV. ‘Note que cumple las propiedades de un o-dlgebra. yoew ii) si AE AE ill) si AJA, En este espacio muestral se define la variable aleatoria Y = 1, si ganas y Y = 0, si pierdes. A.C > UAE#. Ejemplo 4.1.4: Si de una urna con 6 bolas rojas, 5 negras y 4 blancas, se extrae una bola al azar, el espacio muestral o conjunto de posibles resultados es: Q= [roja, negra, blanca} Con este espacio muestral se define la variable, X{rojo) = X(ncgro) = 0 y X(blanco) = 100; de esta manera los conyuntos {0} y {rojo, negro} son equivalentes, y P(X=0) = P(rojo,negro) = 11/15 y PQX = 100) = P(blanca) = 4/15. Ejemplo 4.1,5: En un conmutador telefénico se puede definir la variable aleatoria que aso- cia a cada llamada el tiempo que dura en la linea, desde que entra hasta que termina. En el mismo conmutador se puede definir la variable que asocia a cada la- mada el nimero natural que determing el orden en el que entré: el | a la pri- mera llamada, el 2 a la segunda, etc. i$ ALEATORIAS. a7 Ejemplo 4.1.6: ‘Se lanza tres veces una moneda al aire. El espacio muestral del experimento es: Q = {(a.a,a),(a,a,5),(a,8,a),(5.a,a,).(2,5,5),(5,8,5),(8,5,4),(5,5,8) y se define la variable aleatoria X como el niimero de dguitas al realizarse el experimento, asi X es: x aa) ——— 3 px = 39-1 @as) 3 (ays) }-—— 2 PK = 2) => .a,a) 8 (a,s,s) (s,a,s) — 1 -3 (ss,a) 8 (s,s,s) —_————0 PK = 0) = i Al definir una variable aleatoria (v.2.) se pueden traducir todos los concep- 10s de la probabilidad en © a probabilidad en &.. Esto presenta la ventaja de poder generalizar los ejemplos, pues un solo modelo puede describir més de un experimento; por ejemplo: los siguientes experimentos, con dos tinicos re- sultados, son diferentes; pero pueden quedar enmarcados en un mismo mode- Jo a través de la variable aleatoria. Experimentos Resultados — Volados: aguila, sol. —- Control de calidad: ‘bueno, malo. — Nacimiento: nifto, nifia. — Anflisis clinico: positivo, negativo. — Un juego de loteria: se gana, se pierde. 88 CAPITULO IV En cada caso existe un resultado de interés, sia este resultado se le Hama éxito y al otro resultado se le lama fracaso; la vanable X, tal que X = 1 si ocurre un éxita y X = 0 si ocurre un fracaso, modeta a todos ellos. Note que el concepto de éxito en estos ejemplos es subjetivo, ya que para alguien puede ser éxito fo que para otro es fracaso. Esta variable aleatoria se le conoce con el nombre de variable aleatoria Ber- noulli, y la probabihdad asociada es: P(X = 1) = py P(X = 0) = b pes la probabilidad de que ocurra éxito. 4.2 FUNCION DE DENSIDAD Y DE DISTRIBUCION DE UNA VARIABLE ALEATORIA Las variables aleatorias se clasifican en v.a. discretas y v.a. continuas. Las va~ riables aleatorias discretas son aquellas cuyo dominio 0 rango de valores es un conjunto finito o bien un conjunto infinito pero numerable. Las variables aleatorias continuas son aquellas cuyo dominio es un intervalo o la unién de varios intervalos. Por ejemplo, la variable que determina ¢l ntimero de aguilas que aparecen al lanzar cinco monedas es una variable aleatoria discreta, mientras que la va- riable que mide el tiempo que dura una llamada telefonica es una variable alea- toria continua. De acuerdo a si la variable aleatoria es discreta o es continua, 5 que se define sus funciones de densidad y de distribucién. Funcién de densidad de una variable aleatoria discreta, Es :gual a la proba- bilidad de que la v.a. tome un valor puntual. Si f(k) es la funcién de densidad de la variable aleatoria X, entonces fa) = PK = 2. ab Las propiedades de la funci6n de densidad de una variable aleatorta discre- ta son: i) £4) = 0; la funcién de densidad es positiva i) Ef = 15 Ja suma sobre todas los valores de la funcién de densi- cea dad ¢s uno. ES ALEATORIAS. Funeién de distribucién de una variable aleatoris discreta. Es igual a la pro- babilidad de que la variable X tome un valor acumulativo hasta un numero dado. Si F(é) es la funcién de distribuctén, entonces: Fe = PX SH= 5 fi) (4.2) fa Las propiedades de la funcién de distribucién son: i) F(x) es creciente 1) i F(x) = 1 ylim F(x) = 0 iii) F(x) es continua por Ja derecha. Notese que la funcion de densidad de una variable aleatoria X esta determi- nada por una probabildad puntual y es equivalente a la frecuencia relativa de X; mientras que la funcién de distribucién de la misma variable esta deter- minada por la probabilidad acumulada y es equivalente a la frecuencia relati- va acumulada de la variable aleatoria X. Es costumbre generalizada, identificar a Ja funcidn de densidad de una va- riable aleatoria, continua o discreta, con una de las letras mintisculas del alfa- beto como f, g, h, etc.; y para identificar a la funcién de distribucién de la misma variable aleatoria se utiliza la misma letra pero en mayuscula. Ejemplo 4.2. Sea X la v.a. de éxito-fracaso con probabilidad de éxito igual a p, entonces X = 1s ocurre un éxito, y X = 0 si ocurre un fracaso; entonces la funcién de densidad de X es: £0) = py £0)=1-p © bien f(x) = p'(-p)!* para x = 0, 15 CAPITULO IV mientras que su funcion de distribucién es: 0 six<0 (PK <-1) = 0) FQ) = I-p si0sx<1 (P(X Ss .5)=1-p) 1 six21 PKs) ee) Esta funcién de distribucién se conoce como: Funcién de distribucién Ber- noulli. 273 _—_—_—__ 3 L_ t jp 0 L 1 0 Grafica de ta funcion de densidad de la v a Grafica de la funcion de stribusion de lav a Bernoulh con p= 1/3. Bernoull con p=1/3 Funcién de distribucién de una variable aleatoria continua, Es la funcion de probabilidad acumulada de la variable. Si F( x ) es la funcién de distribu- cién entonces, F@) = PX <5) (4.3) La funcién de distribucién de una v.a. continua tiene las mismas propieda- des de Ja funcién de distribucién de una v.a. discreta. Funcién de densidad de una variable aleatoria continua. Si F(x) es la fun- cién de distribucion de la v.a. X, la funcién de densidad de la misma v.a. esta dada por: = oF &) fo) = 44) VARIABLES ALEATORIAS 1 Las propiedades de ta funcién de densidad de una v.a. continua son: 1) fx) = 0; Ia Fad. es positiva. i) S fio)dx = 1; el area bajo la f.d. es igual a uno. Por la misma definicién de funcién de densidad se sigue que FQ) = J far (4.5) 1 — 1 — 2/3 vat af es yp + 1 oO Grifica de Is funesér de densidad de una v a Grafica dela funciin de ditnbucion de una va continu. cominua Ejemplo 4.2.2: Se tiene un grupo de 40 personas con las siguientes caracteristicas, 10 son de la Division de CBI, 10 son de CBS y el resto son de CSH. Al grupo se les pregunté su opinién sobre el servicio de cémputo, los resultados de la encues- ta fueron: en desacuerdo con el servicio estan 3 de CBI, 4 de CBS y 5 de CSH; indiferentes con el servicio estan 2 de CBI, 1 de CBS y 3 de CSH; de acuerdo con el servicio estan S de CBI, 5 de CBS y 12 de CSH. CAPITULO IV Estos datos se reportan en la siguiente tabla. DIVISION Y CBI CBS ~—CSH_ total desacuerdo [3 4 5 12 OPINION __indiferente [2 1 3 6 de acuerdo 5 3 12 22 total [10 i0 20 40 Tabla 41 Datos del gyempto 422 En este espacio muestral se pueden definir dos variables aleatorias, una que esté asociada a la divisién en la que esta inscrito un estudiante y la otra que esté asociada a su opinién con respecto al servicio de cémputo. Sea X la variable aleatona definida as{: a un estudiante de CBI se le asocia el 1; 2 un estudiante de CBS se le asocia un 2; y a un estudiante de CSH se Je asocia un 3. Y sea Y la v.a. definida como: a un estudiante en desacuerdo con el servicio se le asocia un 0; a un estudiante indifcrente con el servicio se le asocia un 1; y a un estudiante de acuerdo con el servicio se le asocia un 2. ‘Los conjuatos equivalentes en términos de X son: A, = (x| x esta inscrito en la Division de CBI} es equivalente a {X A, = Ix| x est inscrito en la Division de CBS} es equivalente a |X = A, = (x| x estd inscrito en la Division de CSH) es equivalenie a {X = 3]=[3} ¥ los conjuntos equivalentes en términos de Y son: [x| x estd en contra del servicioj es equivalente a {Y = 0} = {0} {x| x es indiferente al servicio] es equivalente a (Y = 1) = (1) ix| x estd de acuerdo con el servicio} es equivalente a {Y = 2} = (2) 1 a ys pos how Si el experimento es elegir a un estudiante al azar, se pueden establecer las funciones de densidad de ambas vanables. Una manera simple de escribir las probabilidades asociadas a X y Y es en una tabla, basada en los datos de la tabla 4.1, VARIABLES ALEATORIAS 93 Las probabilidades de la v.a. X se encuentran en ¢l ultimo renglon de la tabla 4,2; las probabilidades de la v.a. Y se encuentran en Ja ultima columna de la misma tabla; la probabilidad de que las dos variables aleatorias tomen simulténeamente valores especificos se encuentran en los otros compartimien- tos de la tabla. variable X 1 2 3 total 0 | .075 -100 125 -300 variable 1 | .050 025 O75 150. Y 2 [25 12s 300 -550, total 250 .250 500 1 Tabla 4.2, Probabindadesasoomas a las vas X'y ¥ Asf en la tabla 4.2 se pueden encontrar las siguientes probabilidades. PCY = 1) = .150; P(X = 2) = .250; y P(X = 2y Y = 1) = 025, Observe con cuidaco la tabla 4.2, para entender las siguientes definiciones. Funcién de densidad conjunta de dos variables aleatorias X y Y, caso dis- ereto. Es igual a la probabilidad puntual del vector aleatotio (X, Y). Si f(x, y) es la funcién de densidad conjunta de las variables X y ¥ entonces f(x, y) = PX = x, ¥ = y), (4.6) note que (X = x, ¥ = y) =(X = xy Y = y), es equivalente al conjunto A, B,. O sea a la interseccin de dos eventos. Asi, f(2, 1) = P(X Y = 1) = P(ANB). (4.7) Las propiedades de las funciones de densidad conjuntas caso discreto son: i) fh, y) = 05 ii) ZX fx y) = 4b la suma de f(, y) sobre x y sobre y es 1. ey Estas propiedades se pueden comprobar directamente en la tabla 4.2. CAPITULO IV. Funcién de distribucién conjunta caso disereto. Es la funcién de probabili- dades acumuladas con respecto a las dos variables. Si F(x, y) es la funcién de distribucién conjunta de las variables aleatorias X y Y entonces: FG, y) = PX #) = 1- P(X = 4} este mimero se busca en las tablas. PR2zH=1-PK sk- 1) Para calcular la probabilidad de que X esté entre a y b, se utiliza el tercer axioma de la probabilidad. f0, 1, 2, 3,..., B} = (0, 1, 2, ..., a-MUla, at, .., b]; asi PO, 1, 2,3, ..., BD = PUO, 1, 2, -.., lj) + Pla, at, .... bY > PK sb) = PX sal)+ Pa Pa@ s X s 6) = P(X Ss b)- P(X < al). Esta Ultima relacién se cumple aun cuando a = b, y los dos sumandos del Jado derecho se pueden leer en las tablas. Ejemplo 5.1.3: Se lanza 10 veces una moneda al aire, encuentre Ja probabilidad de que: a) El néimero de dguilas esté entre 6 y 9 ‘b) El mimero de Aguilas sea igual a 8 ) El mimero de Aguilas sea mayor que 5 Solucién: Si X es Ja v. a. que determina el mimero de Aguilas en el experimento, X es una v.a. binomial con parametros n = 10 yp = .5. Los resultados se localizan en las tablas de Ja distribucién binomial, busca ‘en donde indica n = 10 y p = -50; como ejercicio encuentra las soluciones y compdralas con las que aqui se dan. FUNCIONES DE DENSIDAD ¥ DE DISTRIBUCION PARTICULARES un a) PO s X <9) = P(K < 9)- P(X = 5) = FQ) - FOS) = 376 b) P(X = 8) = P(X = 8) - P(X < 7) = F(8)- F(7) = .044 ©) P(X >5) = 1 - F(S) = 1 - 623 = 377 Como se ve, en todos los casos resulté igual a una diferencia de F(#), donde F(® es la probabilidad acumulada hasta k. Ejemplo $.1.4: De lo producido por una fabrica con el 10% de produccién defectuosa, se escogen 15 articulos al azar. a) ,Cual es la probabilidad de que haya mds de 10 articulos buenos en la muestra? b) ;Cudles la media y la varianza del ntimero de articulos buenos en la muestra? Solucién: Como se quieren saber probabilidades en funcién del niimero de articulos buenos, es conveniente considerar como éxito esta caracteristica; asi éxito es equivalente a ‘‘el articulo es bueno”. Si X es la v. a. que mide el mimero de articulos buenos en la muestra, X €s binomial con pardmetros n = 15, y p = .90; porque cada cleccidn es inde- pendiente de las anteriores. a) En este inciso se pide encontrar ta probabilidad de que X sea mayor a 10, P(X > 10) = 1- P(X = 10), © sea | menos la probabilidad del complemento, y escribiéndolo asi ya se puede buscar en las tablas, en la parte asignada an = 15 yp = .90. P(X >10) = 1 - F(10) 0127 = .9873 b) La media de X se calcula con la formula np = 15x(.9) = 13.5, ry CAPITULO V Ja varianza de X se calcula con la férmula = np] - p) = 15x(90)x(1-.90) = 15x (.90)x(.10) = 1.35 ‘Cuando en una urna se extraen bolas con reemplazo, la y.a., que mide las veces que aparece un color en particular en la muestra, es una v.a. binomial. 5.1.2 Variable Aleatoria Hipergeométrica (Opclonal) De una urna con N bolas del color 1 (digamos negro) y M bolas del color 2 (por ejemplo blanco), se extrae una muestra de tamaito a. X es la v.a. que mide el mimero de bolas de color 1 en la muestra. Si el muestreo es con reemplazo, X es una v.a. binomial. Si el muestrco ¢s sin reemplazo, X es una v.a. hipergeométrica. Considere que el muestreo es sin reemplazo, por lo tanto, X es hipergeomé- rica; entonces, ef recorrido de X depende de los valores de N, M y 1, como se verd en los ejemplos. Para encontrar la funcién de densidad de X se calcula el cociente: niimero de muestras con & éxitos 1 = ~~~ Tamero total de muestras ‘Las muestras sin reemplazo de tamafio n son iguales que los subconjuntos de n elementos, porque un mismo elemento no puede ser elegido dos veces en Ja muestra. Asi, el nimero total de muestras de tamaito 1 que se pueden obtener de las N+M bolas que estén en la muestra es igual a one El nuimero de maneras de elegir & bolas del color 1, de las N bolas que estan en la urna es Q 38 DE DENSIDAD Y DE DISTRIBUCION PARTICULARES a3 Y el mimero de maneras de elegir n - & bolas de color 2 de las M bolas en Ja urna es M Coe ‘Asi, el ntimero de maneras de tener & bolas del color J y 2 - k bolas del color 2 en Ja muestra es igual a ox Ch Con esto se tiene que se om my 2 TEE on cum 9 en la otra notacion Nye (8) tt * Line ( +H] A En el ejemplo de los peces, visto en Ia introduccién, la variable que mide ef mimero de peces marcados en la segunda muestra es una v.a. hipergeométtica. P(X =k) = 5.1.3 Variable Aleatoria Uniforme (Opcional) La variable aleatoria uniforme toma n valores con igual probabilidad. Si X es una v.a. uniforme, X= 1,2,3,....8 su funcién de densidad es: fy = + para & 123,-.40 6.5) y su valor esperado es E(X) = (9+ /2. (5.6) CAPITULO V Los resultados de la tirada de un dado no cargado da lugar a ia v. a. unifor- meconn = 6. El rango de X es: X = 1, 2, 3, 4, 3,6 Su densidad es f(x) = i Su valor esperado es E(X) = 3.5 Y su varianza V(X) = E 3.5700) . (1-3.57 + 2-3.5P + B-3.57 + 63.57 +6-3.57 +635)? 291 ee Eee m2 5.1.4 Variable Aleatoria Polsson (Opclonal) La variable aleatoria Poisson describe fenémenos tales como: el mimero de accidentes automovilisticos que ocurren en una ciudad en el lapso de una ho- a; 0 el mimero de particulas radiadas por un material radiactivo durante un minuto. No se deducir4 su distribucion, inicamente se enunciard. ‘Si X es una variable aleatoria Poisson, su rango es infinito: X = 0,1, 2,3, 4,... Su funcién de densidad depende de un pardmetro positivo, 4, y es igual a: Xs foy = Fe 61) Su valor esperado es E(X) = A Y su varianza es V(X) = A. Es importante puntualizar que una variable aleatoria binomial con n ‘‘gran- de” y p “pequeita”, tiene una distribucién “‘parecida” a la distribucién Pois- son con parametro A = np. FUNCIONES DE DENSIDAD ¥ DE DISTRIBUCION PARTICULARES us Problemas: 1) Sea Y la suma de los resultados de lanzar dos dados, a) Escriba la funcién de densidad de ¥. b) Encuentre la media y la varianza de Y. ©) Grafique las funciones de densidad y distribucién de Y. 2) En el problema de ‘grandes y chicos’, ya descrito, encuentre la ganancia esperada de la casa siz a) Solo hay un jugador que apuesta a los menores. b) Hay dos jugadores, uno apostando a los mayores y el otro.a los menores. 3) De una urna con 5 bolas rojas y 13 bolas negras se extrae sin reemplazo una muestra de tamafio 4, sea X la variable que mide el ntimero de bolas rojas en la muestra. a) Diga ,cudl es el rango de la v. a. X? b) Encuentre la funcién de densidad de X. c) ¢Es X una variable aleatoria binomial? 4) Lo mismo que en el problema 3, pero con una muestra de 8 unidades. 5) Lo mismo que en el problema 3, pero con una muestra de 14 unidades. 6) Pruebe que P(A U B) = P(A) + P(B) - P(A B). 7) Si un grupo de 8 muchachas va a quedar repartido en dos subconjuntos de cuatro elementos cada uno. De cudntas maneras se pueden formar los dos grupos? 8) Sien un sal6n hay 8 sillas y entran 8 personas, gde cudntas maneras dife- Tentes se pueden sentar? 9) Si en el mismo salén sélo entran 6 personas, ide cudntas maneras se pue- den sentar ahora? 10) Un periédico local realiza una encuesta y encuentra que el 30% de la po- biacién votara por el candidato A, el 50% votara por el candidato B y el 16 CAPITULO V 20% restante no se ha definido. También se encontré que de los que apo- yan al candidato A, el 20% es menor de 25 afios; de los que apoyan a B, el 30% es menor de 25 aiios; y de los no definidos, el 50% es menor de 25 aitos; de los que apoyan a B el 30% son menores de 25 aos y de los indecisos ¢l 50% son menores de 25 afios. Se elige a un votante al azar y se ve que es menor de 25 afios. ¢Cual es la probabilidad de que esa persona sea simpatizante del candidato A? 11) Sea X una v. a. binomial, calcule las siguientes probabilidades utilizando fa tabla 1. a) Sin = 15 yp = .45 calcule i) P(X = 6) ii) P(7 < X = 10) iii) P(X > 3) b) sin = 75 calcule i) P(X = 8) i) PS < X <9) iii) P(X > 10) 5.2 DISTRIBUCIONES DE VARIABLES ALEATORIAS CONTINUAS Como ya se dijo, las variables aleatorias continuas tienen como dominio un intervalo o bien la unién de varios intervalos. En esta parte, se darén algunos ejemplos de variables aleatorias continuas, y se estudiard la v. a. normal, la més importante de las variables aleatorias continuas. 5.2.1 Funcién de Distribucién Unitorme, Caso Continuo (Opcicnal) 1a funcién de densidad de la v. a. uniforme tiene dos pardmetros, a y b, y 4 definida como: f(x) = 1/(0-a) para a < x < by cero en otro caso, FUNCIONES DE DENSIDAD Y DE DISTRIBUCION PARTICULARES. 47 como se puede ver, es una funcién constante en el intervalo [a, 5). Al integrar la funcién f(x) se encuentra la funcién de distribucién. Osixsa Foy = a/b a siasx 0, su funcién de distribucién es: Osix<0 FQ) = { 1-¢e* parax 20 © @ cr Grética 6.3. Foncién de densidad de la ¥ a, exponencial. "BL érea sombreada corresponde a P(c 2 n2 Resultado 5.2.7: SiX,, X.-+5 X,, SOM variables aleatorias normales, con media comin py varianza 0”, entonces la variable X-H, jable XP i i aT YNO: 1) y Ia variable <5" ~ 42, son independientes, La demostracién se omite. Resultado 5.2.8: Si X,, Xp... X,, son variables aleatorias normales, con media comin p y varianza o?, entonces la variable X- a ne distribucién t con a - 1 grados de libertad. Demostracién: Observe que s?/o? es una x2, entre sus grados de libertad, ya que = xy _ st @-Ne CAPITULO V Entonces el siguiente cociente es una v.a. ¢ con n-! grados de libertad. X-u X-u __ofn _ ofn _ X-9 2 s si- = = 2 ° ° Y ¢5 lo que se queria probar. Los calculos de los percentiles de esta distribucién se incluyen en }a tabla 3 del apéndice y tienen el mismo formato que la tabla 4. §.2.6 La Distribucion F La variable aleatoria _ Xn ~ Yfn donde X y Y son dos variables aleatorias independientes tales que X ~v x2, ¥ Y -v 2 es una variable aleatoria con funcién de distribucién F con n y m gra- dos de libertad, 2n(m +n-2) La media de Z es E(Z) = =" y su varianza es V(Z) = m( (1-2) (0-4) cuando n>4. Resultado 5.2.9: Si s? y st son dos estimadores independientes de o*, obtenidos de dos mues- tras de tamafio 1, ¥ M, respectivamente, entonces el cociente s}/s; es una v.a. cuya funcién de distribucién es una F con a,-1 ya-1 grados de libertad. FUNCIONES DE DENSIDAD Y DE DISTRIBUCION PARTICULARES 133, Demostracion: Ya se vio que el cociente s*/o? es una x’ entre sus grados de libertad, en- tonces el cociente s/o sie > ~ F con nly nl grados de libertad, 2 pero si/o* _ 51 y esto es lo que se queria demostrar. sie S Los valores calculades de P(X = x) = a, donde X es una v.a. F con n y m grados de libertad, se presentan en la tabla § del apéndice para los valores de @ = 01, .025, .0$ y .10 1 2 3 4 5 6 7 8 9 10 .01 4045.2 4996.3 5396.0 $619.5 $759.6[5847.6]5920.8 5970.3 6012.0 6045.6 1025 647.6 799.0 863.6 899.2 921.5 936.1 947.4 956.0 962.5 967.7 05 161.4 199.4 215.6 224.4 230.1 234.0 236.7 238.8 240.4 241.8 10 39.86 49.49 $3.56 55,81 57.23 58.18 58.88 59.43 59.84 60.18 Tabla 5.3. Frogmento de la tabla $ del apendice De esta manera el valor encerrado en el rectdngulo es igual al ntimero x,, tal que P(X = x) = 01 donde X es una v. a. F con 6 grados de libertad en el numerador y 1 grado de libertad en ¢l denominador. Las tres variables aleatorias: Ia y?, lat de Student y la F, son basicas en la inferencia estadistica. Capitulo VI ; TEOREMA CENTRAL DEL LIMITE Sin duda alguna, este es uno de los teoremas mas importantes en la teoria de ja estadistica y es una de las razones de la preponderancia que tiene la funcién de distribucién normal. La conceptualizacién del teorema es simple, pero su demostracién es com- pleja por lo que se omite; sin embargo, se presentan suficientes ejemplos con el fin de aclararlo. El teorema afirma que, el promedio y la suma de variables aleatorias inde- pendientes ¢ idénticamente distribuidas, tienen una distribucién aproximada- mente normal cuando la muestra es grande. Teorema Central del Limite Caso 1: ‘Si X,, X2, X;, ..., X, son variables aleatorias independientes e idénticamen- te distribuidas, con media y varianza comin y y o*, entonces la distribucién de la suma Ys = EX tiende a parecerse a una distribucién N(mu, no?) cuando m crece. Caso 2: Si X,, Xo, Xa, --.) Xq Son variables aleatorias independientes e idénticamen- te distribuidas, con media y varianza comtn y y 0”, entonces la distribucién del promedio X= 2X0 tiende a parecerse a una distribucién N(y, o°/n) cuando a crece. CAPITULO VI Caso 3: Si X,, Xn Xyp ---s Xp Son variables aleatorias independientes e idénticamen- te distribuidas, con media y varianza comin y y o, entonces la distribucién del promedio estandarizado YAO + Z.NO,1) evando n+ # Observe que los tres casos son equivalentes: X, =Y,/a vn (%-w) | &e-w) on La rapidez de convergencla depende de cul sea la funcién de distribucién de X,. Con la v.a. uniforme, o bien, con la v.a. Bernoulli con p cercano a .5, la convergencia se da para a relativamente pequefia. Ejemplo 6.1: Sea Xj, Xz, .-.. Xq, una sucesién de v.a.’s uniformes discretas entre | y 6 (son los resultados de las tiradas sucesivas de un dado no cargado). Cason = ti Unicamente se tiene una observacién, X,. El promedio de una observacién es igual a la observacién misma. La funcién de densidad del promedio es entonces f(k} = 1/6. TEOREMA CENTRAL DEL LIMITE 137 La grafica, en forma de histograma, de la funcién de densidad del prome- dio de una observacién es: {op a 4S Esta grafica se parece a la densidad normal? Pues no, no se parece. Cason = 2: Ahora bay dos observaciones, X; y X- El promedio de las observaciones es X = (X; + X,)/2, por lo tanto el ran- go de Xes: X = 1,15, 2, 2.5, 3, 3.5, 4, 4.5, 5, 5.5, 6. En el ejemplo de ‘'mayores y menores”* se vio la funcién de densidad de la suma de los resultados de lanzar dos dados, con ese mismo ejemplo se ob- tiene la funcidn de densidad de X. f(1) = £(6) = 1/36; 11.5) = £(5.5) = 2/36, f(2) = (5) = 3/36; £(2.5) = (4.5) = 4/36; £3) = (4) = 5/36; £G.5) = 6/36. CAPITULO VI La grafica en forma de histograma de esta funcién es: 1/36 5/96 3/36 1238 Py htt p é 1 2 3 a 8 8 7 Grétieg 62. Funcién de densidad del promedio de dos variables aleatonas umformesen 1, 2,34, 5,6 {Cual de las dos densidades se parece mds a la densidad normal, la del pro- medio de una observacién o la del promedio de dos observaciones? La respuesta es obvia, esta ultima densidad se parece mds a la densidad nor- mal; sin embargo, el parecido ain es poco. Cason = 3: __ Ahora se tienen 3 observaciones del dado: X;, Xz ¥ Xs y su promedio es: X=, Xy XV. Altirar tres veces un dado, existen 216 resultados diferentes, si se despliega elespacio muestral y se encuentran los diferentes casos que dan un mismo pro- medio, se obtiene la funcién de densidad de X (este ejercicio se deja al lector interesado). El rango de X es 1, 1.3, 1.6, 2, 2.3, 2.6, ... , 5.6 y 6; y su funcién de densi- dad es: (1) = £(6) = 1/216; £(1.3) = (5.6) = 3/216; £(1.6) = (5.3) = 6/216 £(2) = £(5) = 10/216; 1(2.3) = £(4.6) = 15/216; £(2.6) = £(4.3) = 21/216 £3) = f(4) = 25/216; 13.3) = £36) = 27/216 TEOREMA CENTRAL DEL LIMITE 139 La grdfica de Ja funcién de densidad de X es: 30/211 26/216. 22/216 18/216. 14/216. 10/216. 6/216 2/216 | Fe moibbbbbibtbs 4 bool l id Gréftea 63 Foncién de densidad dei promedio de 3 vas unsformes en 1, 2,3, 4,5, 6 Como se puede ver en las graficas 6.1, 6.2 y 6.3, la aproximacién a la nor- ‘mal va mejorando conforme aumentan las observacioncs. Cuando n sea igual 410, 42002 30, la aproximacién sera mejor. Esto es lo que afirma el teorema central del limite. 6.1 PRIMERA APLICACION DEL TEOREMA CENTRAL DEL LIMITE Sean X,, Xz. ..., X, Observaciones independientes de una variable aleatoria Bernoulli con probabilidad de éxito igual a p. La media de X, es w = p, su varianza es o? = p (1-p). El caso 1 del teorema central del limite, dice que la distribucién de X = © X, ¢s aproximadamente igual a una normal con media ay y varianza no? (np y apt] - p)}. Por otro lado, se sabe quie la suma de bernoullis independientes es una v.a. binomial, asi X es una v.a. binomial con parémetros n y p. 140 CAPITULO VI De aqui se concluye que una distribucién binomial se aproxima a una nor- mal con media ap y varianza np(I - p), cuando n es “‘grande”’. lh i I ap 1 Graflen 64. ]uncion de densidad binomial De esta manera, para valores grandes de x, las probabilidades de una + a. binomial se pueden calcular utilizando fa tabla 2 de la distribucién normal. ‘Si X es una v.a binomial (X ~ B(n, p)) y Y es una v.a. normal (Y ~~ N(ap, np(\ - p))) la correspondiente probabulidad P(X = 4), que equivale al area de una barra del histograma, se puede calcular aproximadamente con el area ba- jo Ja curva normal en el mismo intervalo de la barra. Asi PIX = KEP. SY Kk + 5) En general, si X es la variable alcatoria binomial, con pardmetros n y p, y Y es la variable aleatoria normal con media n p y varianza n p (1 - p) se sigue que Pla sX w E 28.5, 29.5) Capitulo VII ESTIMACION 7.1 ESTIMACION PUNTUAL En multiples ocasiones, desde la introduccién hasta aqui, se ha mencionado cl concepto de estimador, ahora se va a formalizar su estudio, estableciendo las propiedades y las caracteristicas de un “buen” estimador, Estimador puntual de un pardmetro. Es una funcion de los datos muestra- Jes que se utiliza como referencia para ‘‘adivinar” el valor desconocido de un pardmetro (recuerde los ejemplos de los peces y de los tanques), Se llama esti- mador puntual porque se obtiene un solo valor; esto es, un punto de la recta numérica. Ya se dijo que los estimadores se denotan con la misma letra que se denotan Jos parémetros, la unica diferencia es que a los primeros se les dibuja un gorti- to encima. Por ejemplo, el estimador de T es T, el estimador p es 8, etc. Observe que un estimador es una funcién de los datos muestrales; por lo tanto, el valor que pudiera dar un adivino, que no sea a través de datos mues- rales, no se puede considerar como un estimador. Para un solo pardmetro se pueden encontrar varios estimadores (recuerde el problema de los tanques), entonces, ¢s conveniente tener criterios para se- leccionar a los “‘buenos” estimadores. Algunos de estos ctiterios son los si- guientes; Estimador insesgado. 6 es un estimador insesgado del pardmetro @ si el va- lor esperado del estimador coincide con el valor del pardmetro; en otras pala- bras, 8 es un estimador insesgado de 8 si E@) =@ 2) Esto significa que los posibles valores de un estimador insesgado, estan alre- dedor del parametro, CAPITULO VIL El sesgo de un estimador de @ es igual a E(@) - 8, cuando el sesgo es cero, el estimador es insesgado. Estimador eficiente. 8 es un estimador eficiente de 0, si para cualquier otro estimador de 6, digamos 6*, va < ve) 7.2) Esto significa que 6 es el estimador de menor varianza. Estimador consistente. 0 es un estimador consistente de 6, si a medida que se aumenta el tamafio de la muestra es casi seguro que 4 y @ estén cercanos, Esto significa que si @ es un estimador consistente y se toma una muestra “ grande’? es seguro que el valor de @ sea casi igual a 0, también significa que tanto el sesgo como la varianza del estimador convergen a cero conforme 1 aumenta. Estimador suficiente. 9 es un estimador suficiente de 6, si éste contiene toda la informacién proporcionada en la muestra, Si 8 es un estimador suficiente del parametro 6, existen dos funciones h y g, tal que 8) = h@, Oet,, »: Bacay (te Xs 7) a3) Cuando se tiene un estimador puntual, se debe ver si cumple alguna de las cuatro caracteristicas para ser considerado como un buen estimador. Por lo general, se buscan estimadores insesgados y de minima varianza. Los dos pardmetros mds comunes son la media y la varianza poblacional, por ello se presentan los estimadores puntuales de estos dos parémetros en la siguiente tabla. Los estimadores que aqui se presentan cumplen las cuatro con- diciones. ESTIMACION 149 Parémetro _estimador tipo de media del_varianza del muestreo _estimador _estimador x con reemplazo # en # zg sin reemplazo “# ms on con reemplazo o no se caleuld Nel & (x, - x? oN at ‘Tabla 7.4. Esumadores de la media y la vananze poblaconal. sin reemplazo—o?—snto se calcul 7.2 ESTIMACION POR INTERVALOS Ya se sabe que el valor de un estimador puntual no tiene por qué coincidir con el valor del pardmetro que estima; pero, se confia en que esi¢ cerca de A, Siesto ocurre, debe existir un intervalo alrededor del estimador que contie- ne al pardmetro con una probabilidad fija. Este intervalo se llama mtervalo de confianza. A pesar de que se puede definir un intervalo de confianza para cualquier estimador, aqu{ sdlo se discutirdn los intervalos de confianza para la media y para la varianza poblacional. 7.24 Intervalo de Confianza para 1a Media Para encontrar un intervalo de confianza para la media de una poblacién se utiliza el estimador puntual %, del cual ya se conoce mucho. La varianza de x se escribe en forma simplificada como of ; y representa la varianza tanto de un muestreo con reemplazo como de uno sin reemplazo, como aparece en la tabla 7.1. X, de acuerdo con el teorema central del limite, tiene una distribucién apro- ximadamente normal, y para efectos practicos se considerar4 como tal. Si ~ Nii, 03), entonces (x - u)/o ~~ NO, 1). CAPITULO VI Asi, para a fija, se puede encontrar a 24/2 tal que P25 &- wo, = Zn) = 1-@ De laexpresion -2,,. S$ (F- u)/og < 2/2 S¢ despeja la media y y se tiene F-2,.0y Sw SX + 2,2 075 Y esta expresion ya estd determinando un inter- valo aleatorio (R25 08, F + 2,205) a4) que contiene a y en un (1 - @)100% de los casos. Cuando no se conoce 0%, se utiliza su estimador y se cambia de la tabla 2 a la tabla 3, porque (& - w)/G, © t con n-1 grados de libertad, asi se busca el numero f,,2 de la relacién Plt, < Vat -w/or 3 tay) = 1l-@ usando la tabla correspondiente para tener el intervalo ba F + te200) i) Intervalo de conflanza para ia media poblacional, 4. Es igual al intervalo (®-a,X + a) cona onda 2t,,0/0 cuando el muestreo es con reemplazo, o la poblacién es grande. ¥ cs igual a MiN-ny o/VN-In 6a = t, V(N-n) o/V(N-1)n (+a, ¥ + a) cona = cuando el muestreo es sin reemplazo. La confianza de un intervalo se indica en porcentajes; por ejemplo: (1 = 2)100% de confianza. ESTIMACION 1s Intuitivamente, esto significa que al obtener una muestra el parémetro des- conocido p esta en el intervalo ( ¥ - a, ¥ + a) con una probabilidad igual a 1a, y esta fuera de él con probabilidad igual a a. Al definir el intervalo de confianza como @-a, X + a) cong = 242 0/VR6 a = ZnV(N-n) o/V (N-I)n éste queda determinado por tres mimeros: a, z/2 Y ; si se conocen dos de ellos, el tercero quedo determinada de mmediato, al despejarse de la ecuacién que define al nimero a. Ejemplo 7.2.1: En una poblacién cuya varianza es igual a 100 se toma una muestra al azar de 50 unidades con reemplazo, El promedio de la muestra es igual a 48.3, en- cuentre un intervalo para estimar a la media poblacional con 95% de confianza. Solucién Del enunciado del problema se pueden obtener los siguientes datos: la = .95; el porcentaje es 95% n = 50; el tamafio de la muestra ot = 100 3 ¢ = 10; la varianza poblacional es 100 X = 48.3; la media muestral De los tres términos, , 2,2 ¥ 2, s¢ conove n = 50 y en la tabla de la distri- bucién normal se puede encontrar el valor de 2,/2 para a = .05 mediante la relacién: Peta SZ San) = 1-40 donde Z ~ N(O, 1); asi se encuentra que z ms = 1.96. Con esto se calcula et Gnico valor desconocido, en a = Z,2 0/VT 10 a= 1.9% 2.77 CAPITULO VIL por fo que el intervalo de confianza es: (@& - 2.77, ¥ + 2.77) = (45.53, 51.07) Conclusién p € (45.53, 51.07) con un 95% de confianza. Ejemplo 7.2.2: {Cuil debe ser el tamafio de la muestra para tener un intervalo de 1.5 de Iongitud que estime a la media poblacional con 90% de confianza? La varian- za de Ja poblaci6n cs igual a 79 y el muestreo es con reemplazo. Solucién: Del enunciado del problema se obtienen los datos 1- @ = 90; la confianza es igual a 90% @ = 1.5/2 = .75; @ es igual a la mitad de Ja longitud del intervalo. a? = 79 » o = 8.89; la varianza poblacional Ahora se conoce el valor de a y se puede encontrar en Ia tabla 2 el valor de Z,/2» Ze.2 = 1.645; sustituyendo estos valores en la relacién @ = 1,2 0/VT > «75 = 1,645 xX8,.89/ 0 al despejar n queda: Vi = 1.645x8,89/.75 3 m = (1.645% 8.89/.75" = 19.4989 = 380.20 el resultado de este proceso, por lo general, no ¢s un entero. Para asegurar que n sea entero se escoge el mayor entero del resultado, jno se hace redondeo! Asi se concluye que n = 381, ON 153 Ejemplo 7.2.3: En una poblacion de tamafo 1000 cuya varianza es o” = 64, se tomé ur muestreo sin reemplazo de tamaho 70 y se encontré que x = 19.5. Para un: confianza de .85. ;Cudl ¢s el intervalo de confianza? Datos: 10 n= -19.5 a = .15; de aguf se encuentra en la tabla 2 2,2 = Zos = 1,44 a=? Como el muestreo es sin reemplazo, se utiliza la relacion @ = tn (Nemo/V (Nel) al sustituir Jos valores conocidos resulta que a = 24.¥(N-ne MN-Da = 1.44V1000-70 x 8/V(1000-1)x70 = 1.3, el intervalo de confianza es as{: (% - 1,328, F + 1.328) y finalmente se concluye que # © (20.828, -18.171) con 85% de confianza. Ejemplo 7.2.4: zDe qué tamaiio debe ser la muestra para que con un muestreo sin reemp zo, y con una confianza de 95%, y y ¥ no difiera en mas de 2 unidades? sabe que o = 120 y N = 903, CAPITULO Vil Datos: N = 903 2 = .95; de aqul se encuentra en la tabla 2 el valor zy = 1.96 a=2 n=? o = 1205 0 = 10.95 De nuevo, el muestreo es sin reemplazo, entonces se utiliza la relacién; a = 2,.V Nao W-In esto es equivalente a: 2 aV Na = 4.VNa 0 9 ale = 2, (N-n)o? abora se sustituyen los términos conocidos y se despeja n, 9 4(902)n = 3.8416(903-n)(120) » 36089 = 416275.7 - 460,992n n= 102.278 + 2 = 103. Ejemplo 7.2.5: Si de una poblacién con varianza 100, se obtiene una muestra con reempla- 20 de tamafio 64, jcudl es la confianza de un intervalo de tamafic 3? Datos: =100" 0 = 10 n= 64 a=xV2=15 a=? ESTIMACION 155 Como el muestreo es con reemplazo, se utiliza la relacién a= 2,0 en la que se sustituyen los valores conocidos 1S = 2,,10/V 64 de aqui se despeja 24, = 1.5X8/10 = 1.2; finalmente se busca en la tabla 2 la probabilidad correspondiente al valor de zer2- PCL2 SZ < 1.2) = .7698 en la tabla 2 + 1a = .7698. La confianza del intervalo es 76.98%. En los ejemplos anteriores se consideré conocida la varianza poblacional. En general, esto no ocurre, y cuando se desconoce o” se utiliza el estimador correspondiente. Ejemplo 7.2.6: {Cual es el intervalo para Ja media poblacional con una confianza de 95%, si la muestra es de 30 unidades sin reemplazo y la media y varianza estimadas 3.6 y de a? = 34.62 Ademds, el tamajio de la poblacién es grande. Ia = .95; de aqui se sigue que t,2 = 2.093, valor que se busca en la tabla 3 para n-1 = 29 grados de libertad. 3.6 @ = 34.6 = 6 = 5.88 La ecuacién que se utiliza ahora para encontrar el intervalo de confianza es @ = f,,0/V/n, porque N es grande. CAPITULO VIL En esta ecuacidn se sustituyen los términos conocidos y resulta @ = t,,,0/Vn = 2.093x5.88/V30 = 2.24 con este mimero se encuentra el intervalo de confianza (X - a, + a) Finalmente, se concluye que » € (1.35, 5.85) con 95% de confianza. 7.2.2 Intervalo de Contianza para la varianza El intervalo de confianza para la varianza, se construye con la variable aleatoria que se distribuye como una x? con n - I grados de libertad; Y v x3, Para esta variable existen las constantes @ y b tal que 2 p [os EW - pene o Las constantes @ y b se escogen de manera que dejen una probabilidad igual a o/2 en cada extremo de la grafica. PQ, < a) = POd, > b) = 2/2. Si de la desigualdad as rae sb se despeja a o”, se obtiene la relacion Zoe oy EG b - a ON que determina el intervalo aleatorio E (, - xb, E &, - 8a) (7.6) ¥ que contiene al pardmetro o? un (1 - 2)100% de los casos, Ejemplo 7.2.7: 4Cual es el intervalo con 90% de confianza para la varianza poblacional, si se tiene una muestra de 28 unidades y el estimador de Ja varianza es a= 2G _ 355 Datos: nm = 28; » grados de libertad = n- 1 = 27 1. 90 + a/2 = 05 @ = 35.8 = E(x, - x) = 27x35.8 = 966.6 Las constantes a y b cumplen PG? < a) = P(@ = b) = .05. Estos valores se buscan en la tabla de la x? con 27 grados de libertad, y se encuentra que a = 16.15 yb = 40.1. En la férmula del intervalo de confianza para la varianza se sustituyen los valores conocidos, y se encuentra €E (x, - 3)°7b, E (x, - x)°/a) = (966.6/40.1, 966.6/16.15) = (24.10, 59.85) CAPITULO VII con lo que se concluye que o*€ (24.10, 59.85) con 90% de confianza. Problemas: 1, Si.X es normal con z = 100, y o = 100 calcule las probabilidades som- breadas en las graficas. b) ©) a) Lo THO Me > 2. Encuentre el valor de z, en las grAficas de la normal (0,1) dadas enseguida. a) b) °) 115 80 90 I I = o 26 0 9 20 3. Encuentre el valor de t, sefialado en las gréficas de una densidad t con 10 grados de libertad, a) 6) °° le\ < _ a) ty ee 4. Calcule los valores de a y b de la distribuci6n 37, de acuerdo con las gré- ficas siguientes: Grados de libertad = 15 a) b) Grados de libertad = 15 Grados de libertad = 9 5. Utilizando la aproximacién normal, resuelva el siguiente problema. En una bodega se empacan semillas en cajas de 200 unidades cada una. Se sabe que el 5% de las semillas son defectuosas. Al venderse al piiblico, se garantiza que al menos el 90% de cada caja germinard, de lo contrario CAPITULO VII 1. . Dada la poblacién X; = 1, X; = 4, X; = 3, Xi = 2, Xs se regresard lo pagado. Se vende una caja ,Cual es la probabilidad de que se tenga que regresar ¢! unporte? . La varianza poblacional de la variable X es igual a 100, y el muestreo es. con reemplazo. a) Paran = 81, = 2 y x = 134.5 encuentrea y el intervalo de confian- za para la media poblacional. b) Conn = 81, l-a = .95 y x = 134.5 encuentre el intervalo de confian- za para la media poblacional. ©) Con I-a = .90y a = 1.5 encuentre el tamaiio de muestra adecuado para tener un interval de confianza con los datos anteriores. , Hacer lo mismo que en el ejercicio anterior, pero con un muestreo sin reem- plazo y N = 200. |. Con una muestra de $1 unidades se calcula ¥ = S64 ys? = 49: a) Sia = .90, encuentre el valor de 1-2, 4Es posible calcularlo con Ja tabla que se tiene? b) Si I- a = .95, encuenre el valor de a. a) Caleule la media y la varianza poblacional b) Para muestras de tamaiio 2 con reemplazo, pruebe numéricamente que ZG os insespado. n-T el estimador de Ia varianza 6° = Encuenire el intervalo de confianza para la varianza si EO _ 473 e ee= n-1 con un muestreo de tamafio 31 y un nivel de confianza de .90. BIBLIOGRAFIA Haber, Audrey y Richard P. Punyon. 1972. Fstadistica General. Fondo Edu- cativo Interamericano. México, D.F. Meyer, Sturat L. 1975: Data Analysis for Scientist and Engineers. Wiley; New ‘York. Mood, Alexander M. 1974. Introduction to the Theory of Statistics. Third Edi- tion, Mc. Graw-Hill, International Boock Company. Punyon, Richard P. y Audrey Haber, 1970. Estadistica para las Ciencias So- ciales. Fondo Educativo Interamericano. México, D.F. Yamane, Taro. 1973. Estadistica. Ed. Harla, S.A. de C.V. México, D.F. sess APENDICE *#** TABLA 1. Probabilidades de 1s distribucién binomial Los valores tabulados x correspoden a F(k) = P(X = k) = EP(X= 0 130, k P 0.10 0,18 0.20 0.25 0.30 0.35 0.40 0.45 0.50 © 9025 0 8100 0 7225 0 6400 0.5625 0.4900 0.4225 0 3600 0.3025 0.2500 ° 1 0 9975 0.9900 0 9775 0 9600 0 9375 0.9100 0.8775 0 8400 0 7975 0.7500 2 1 0000 1 0000 1 0000 1.0000 1 0000 1 0000 1 0000 1 0000 1 0900 1.0000 2 0.50 0.55 0.60 0.65 0.70 0.75 0,80 0.85 0.90 0.95 0 2800 0.2025 0 1600 0 1225 0 9800 0.0625 0.0400 0 0225 0 G100 0 0025 9 6975 0 6409 0 5775 0 5100 0 4375 0 3600 0.2775 0 1900 0.0975 1 0000 1 0000 1 OGD 1 G06 1 G00 1 4900 1.0000 1.0000 1 9000 1.0000 © & neo 3 3 8 2 0,05 0.10 0.15 0.20 0.25 0.30 0,35 0.40 0.45 0.50 © 0 8574 0 7290 0 6141 0 5120 0.4219 0 3430 0 2746 0 2160 0 1664 G 1250 1 0 9927 0 9720 0 9392 0.8960 0 B43R 0 7840 0 7183 0.6480 0 5748 0 5000 2 09 9999 G 9990 0 9866 0 9920 C 9844 0 9730 0 9571 0 9360 0.9089 0 8750 3 1 0000 1 0000 i OOG 1 EA0d 1 000 1 9000 1 0000 1 0000 1.0000 1 0000 3 0.80 0.55 0.60 0.65 0.70 0.75 0.80 0.85 0.90 0.98 0 1250 0 0911 0 0640 0 0429 0 0270 0 0156 9.0080 0 0034 0 0919 © 0001 © S000 © 4253 0 3620 0 2818 0 2180 0 1562 0 1040 0 0608 0 0280 9 0073 © 8336 0 7840 D 7254 0 6570 0 5781 0 4880 0 3859 0.2710 0. 1426 1 0000 t O00G 1 0000 1 BOG 1.0000 1 6090 1.0000 1 9000 1 0000 1 0000 wmee 3 4 0.05 0.10 0.15 0.20 0.25 0.30 0.95 0.40 0.48 0.50 © 8145 0 6561 0 5220 0 4096 0 3264 0 2401 0 1785 0, 1296 0 0815 0 0625 0 9860 0 9477 0 8905 0.8182 0 7383 0.6517 0 5630 0.4752 O 9910 0.3125 . 0 9963 0 S880 0 9728 0 9492 0 S183 0 B735 0.8208 O 7585 0.6875 10000 0 8399 0 S995 C S984 0 9981 0 9919 0.9850 0 9744 0 9590 0.9375 1 0000 1 0009 1 C00 1 D000 2.0000 1 O9G0 1 0000 1 0000 1 C000 1.0000 4 0.50 0.55 0.60 0.65 0.70 0.75 0.80 0.85 0.90 0.95 0.0625 0 0410 0 0256 0.0150 0 0081 0.0039 0 0016 0 9005 0 0601 9 G000 © 3125 0 2415 D 1792 0 1285 0 0837 0 OBOR O 0272 0.0120 0.0037 0.0005 0 6875 0 GOSC D 5248 0 4370 0 3483 0 2617 O 1808 0 1095 0.0523 0 0140 0 9375 0 $085 9 8704 0 8215 0.7598 0 6836 0.5904 0.4780 0 3439 0 1855 1 0000 1 0600 1 GO00 1.9060 1 9000 1.0000 1 9000 1 9000 1.0000 1 0000 Bowne @ g & munne 5 0.05 0.10 0.15 0.20 0.25 0.30 0.35 0.40 0.48 0.50 0 7738 0 5808 0 4437 0 9277 0.2373 0 1881 0 1160 0.0778 0 003 0.0313 0 9774 © 8185 0.8352 0 7379 0 6328 0 5282 0 4284 0.3370 0.2862 0. 1875 0 9982 0 9914 0 $734 0 9421 0 8965 0 8969 0.7648 0 6826 0 5931 0 S000 1 0000 0 9995 0 g97E 0 9933 0 9844 0 BBT2 0 2460 0 9130 0 BEB O 8125 1 0600 1 0000 0 9999 0 9997 0 989 0 9976 0 9947 0.9894 0.9815 0 9687 1 0000 1 0000 1 0000 1 0000 1 0000 1 C000 1 9000 1 ECD 1 0000 1 C200 aaenro 163 NOaeeNHo YeMMENEe cCuRENHO OO AUNEO aeunne oN auRenne 0.50 0 0313 © 1875, © S000 0.8125, o 9688 1 0009 0.08 7381 3672 9978 gg9 9000 9000 9000 0.50 0188 1094 3437 8562 8906 gee 0000 spr oooe poocoes 0.05 5983 3558 9982 3998 ‘2090 0000 +0090 0000 0.50 og78 0625 2266 000 7734 ga7s 9922 ooo Bee oooo =oog90c0 0.05 8624 a2 9942 9996 0000 ‘10000 0090 goo onoo HeeeHoooo 0.58 0.0185 0 1312 0. 4069 0 7438 0 9497 10900 0.10 o sata 0 8EB57 0 9842 0 9987 0 g3s9 1 9000 1 0900 0.55 0.0083 0 o3ae2. 0 2553 0. 5585) a 8364 0 g723 1 6900 0.10 4783 8503 9743 9973 998 e000 0900 0000 0.88 oat 0387 1529 3a17 6896 8O76 S848 c000 0.10 4305 8131 9819 9950 2996 0900 6900 000 0000 0.60 ° ° ° ° ° 1 o102 azo 3174 8630 9222 cooe 0.15 ° 0 © 0 ° 1 1 a77t 7785 9527 98841 9996 000 000 0.60 ° © ° © ° ° 1 0041 ala. 1792 4857 ‘7687 9533 000 0.15 ° ° © ° 8 0 1 1 3206 7166 a2e2 9873 gees. 9899 000) 000 0.60 ° ° ° ° ° 8 o 1 ao16: 0188 863 2898 $801 8414 9720, ‘9900 0.15 ° ° ° ° ° ° 1 1 1 2728 8872 8948, 9786 9871 gous 000) 5000 eo) 0.65 o. o 0 a 0 1 0053 6540 2352 5716 2840 ec09 0.20 0 oO. 9. o 0 0 1 2821 6554 sou 3830 goe4 sea ‘e000 0.65 0 0 0 OL ry 9 1 018 0223 M74 3829 8809 9245 ‘9000 0.20 9. 9. o ° a ° i i 207 5767 8520 9867 gas 99s6 0900 ‘0000 0.65 0. o ° ° o ° 0 1 0008 oso oss 1988 4577 7862 9510 000 0.20 ° 9 0 ° ° o o 1 1 1878. 5033 7989 9937 gae6 goge 999 0000 009 0.70 © 9024 © ag08 © 1631 © 4718 0.8318 1 0000 0.25 © 1780 © S938 © 8306 © 3824 © 9954 © gac8 1 9000 0.70 0.0907 9 0109 0 0705 0 2557 © 5788 0 8824 1 0000 0.25 1935 4a49 7864 e204 9871 9987 sag e900 0.70 oouz 6038 0288 1280 3528 6706 S176 ‘9000 Hoeococe 4e000000 0.25 001 3571 6785 BRED S727 gose 3996 e000 6000 49000000 164 0.75 0010 0 0188 D 1038 9 3672 0 7627 1 0000 0.30 0 1176 9 4202 9.7443, 0 9235, 9 9891 0 9983 4.0080 0.75 © 9002 9.90048 9376 0 1694 4681 0 8220 + 000 0.30 og24 3294 6471 8740 9712 9962 . 9898, ‘0000 0.75 0001 0013 0125 o708 2436 5551 8665 0000 0.30 2883 5518 ags9 9420 3887 9987 9999 goao 576" 0.80 © 0003 © 0087 0 0573 0 2527 0 6723 1 0000 0.38 © 0754 0 3191 0 6471 0 8826 0 9777 0.9982 1 0000 0.80 © 909 © 0016 0 0170 9 oss, © 3448 0 7379, 4 0000 0.35 9 0490 0 2338 0 5323 9 002 0 gaaa 9 9919 0 9984 1 0000 0.80 9 0000 © 0004 9.0047 9 0333 0 1480 0 4233 0 7803 1 0000 0.38 ‘0 asi 0 1881 9 4278 0 7064 9 939 0 9747 9 9964 9 9998 1 0000 neacse 0.85 0091, 0022 0288 1648 8583 000, 0.90 © 0000 © 0005, 0 0086 © 0815, © 4035 1,.0090 0.48 0 c277 0 1636 0.4415. 0.7447 ' s308 0 9317 1 0900 0.90 0.0000 0.0001 0 0013 0 0188 0 1143 0, 4886, 10000 0.45 0 0182 0 1024 0 3164 0.6083, 0.8471 0.9643 0 9983 1 0900 0.90 0900 ‘0000 0002 9027 0287 1497 5217 0000 noson0ns 0.48 0084 0632 2201 4770 7398 gus 9819 9983 0900 0.95 0 9 ° a ° 1. 0000 opac ool 0226 2282 o000 0.50 pessoas 0156 1094 3438 8963 asoe geaa 0000 0.98 000 9000 9001 022 0928 2648 9090 0.50 moeacace 0078 0825 2286 5000 7734 9375 9922 6000 0.95 ° 0 0 oe 0 © 0 1 ‘9090 000 ‘0000 e002 0028 oaaa 3017 e000 0.50 hescaccec oo39 0352 1445 3633 8357 8555 9648 9981 e000 8 10 10 Son voueunre DOIOUSRONHO wOrADBENne eyauauneo Nodaunro 0.50 0039 0352 1445 -0eee90000 ‘9900 e000 0,50 90010 0107 0847 1719 3770 6230 goa) aso ecccccce 0.55 0017 o1g1 ons 2604 5230 7799 9368 9816 ‘©9000 =occocces 0.10 0 3874 0 7748 0 9970 0 9917 0 9991 0 9999. 1 0000 10900 4 990 1 0000 0.55 0008 0091 0498 1658 3786 6386 8505 9615 9954 ‘9009 nooacocceas 0.10 3487 7381 9298 9972 9984 goo ‘0000 ‘0000 0000 090 bee s-o05000 0.58 0003 0045 0274 1020 816 4956 7340 004 99090000 0.60 0007 008s 048 1737 4059 6845 8935 9832 o0o¢ Hoaoocooo 0.15 © 2316 0 5995 0 859, 0 966. 0 3944 9 9994 1 0000 1 0000 3 e000 1 e000 0.60 coos 0038 0250 0994 2666 5174 7682 9295 9898 e000 =o000cco90 0.25 1969 5443 8202 9500 9901 9986 9999 ‘0000 ‘0000 e000 ‘9000 HWanwocoooue 0.60 ogo1 on17 9123 0548 1662 3669 6177 8327 eecc0ese 0.68 0002 0036 0283 1061 2936 5722 8305 9681 coo soop0cec] 0,20 0 1342 9 4362 0 7382 0 9144 0 9804 9 9969 0 9997 1 0000 1 99c0 1 apc0 0.85 9001 0014 0112 0596 177 3311 6627 aio 9793 0009 4 oeconec00 0.20 1074 3758 6778 8791 9672 9936 9991 9999 ‘0000 ‘000 800 mHroeeseooc 0.65 © 0000 9 UNS 0 coas 0 0260 0 0949 0 2485 0 4862 0 7384 0.70 @ 0001 0.0013 0 0113 0 O580 0.1942 0 aag2 0 7407 0 9424 1 9000 0.28 0751 3003 e007 843 9511 9300 ‘9987 gg9g ‘9000 ‘0000 He eogceace 0.70 e900 004 0043 0253 ogas 2703 5372 2040 9596 e000 sococcccos 0,28 0583 2440 5256 7759 9219 9803 9966 9996 0000 o0ac ocog une eoooeo00 0.70 © 9000 0.9002 ois 0106 0473 1503 3504 6172 200000 168 0.78 ‘ococ 0004 0042 0273 1138 |. 3215 6329 3999 000 +coo00000 0.30 0 0404 © 1960 0 4628 0.7297 0 9012 0 9747 © 9957 o 9998 1 9600 1 9000 0.75 000 0001 0013 0100 0489 1657 3989 6997 9243 ‘oca0 Hoeecocces 0.30 © c2B2 0 1493, 0 3828 0 6498 0 8497 0 9827 © 9894 © 9984 1 0000 1 0900 0.75 9900 9000 occa 9035 ois? oval 2241 4764 ¢9000000 0.80 ‘9000 9001 012 0104 563 2031 4967 8322 0000 -20000000 0.35 0 0207 0 1211 0.3973 0.6089, 0 8283, © $484 © B88 © s986 0 9999 1 0000 0.80 ‘0000 0000 e003 0031 0188 0856 2618 5638 8658 ‘9000 + o0cc0a00e 0.35 0135 2618 5138 7818 9081 9740, gos 9895 ‘9000 oeoo Haooaeeecoe 0 80 ‘0000 ‘0000 9001 ‘0003 0064 32g 1208 3222 e2c00006 0.85 000 0000 0002 0029 aia 1082 3az8 7278 0000 =20000000 0.40 9 o101 9.9705 2318 4826 7334 2006 9750 go62 0 9a97 ¥ 0000 e00000 0.88 0000 ‘9000 0000 0008 0058 0339 1403 4008 7684 2000 =o00009000 0.40 0 0060 0 0464 0 1873 0 3823 © 6331 0 8338 0 9452 0 9877 9 9989, 0 9999, 1 0000 0.85 9000 ‘0000 9000 0001 0014 0083 0500 1798 oneacece 0.90 ‘000 ‘0000 ‘000 0004 o0s0 0381 1889 S695 ‘0000 Hoogscoce ose o3as 1495 3614 b214 3342 9502 ‘9909 gaa2 ‘0000 no00eSc0ce 0.90 0000 ‘0900 900 coos 0009 0083 0530 2282 6126 0000 -ooscoccae 0.45 0025 0233 0996 2660 5044 7384 8980 9726 9958 9997 0600 =o0anc00000 0.90 0000 ‘0000 ‘9000 oc00 oca1 cos 128 702 00000006 0.98 0.0000 0.0090 © 000 © coco 0 0004 0 0058 0 0572 0 3366 1 0000 0.50 9 0020 0 0195 9 0898 0 2539 0 0c0 0. 7481 0.9102 0 9805 0 3980 1 9000 0.98 ‘0000 9000 coo coo 0000 0008 0084 712 3698 ‘0000 sooosocese 0.50 e010 0107 osa7 i718 3770 6230 2281 gas gaa ‘9990 ‘o0c0 -o000000000 0.95 ‘0000 ‘0000 ‘0000 ‘0000 9001 9010 ous 0000000 See 2 SeaxmmewwHo BS eerxonsene OIDURENHO 9893 9890 9000 ree 0.05 0, 5888 co 981 © saa8 © 3984 oO 988 1.9009 1 9000 1 9000 1 9000 1 0000 1 0900 1 0coo 0.80 0005 0089 0000 0.50 © 0002 © 0032 0 0193 0 0730 0 1938 0.3872 0.6128 0 8082 0 9270 0 9767 0 9975 1 0000 0.10 0 3138 0 6974 0 g10a 90 9815 0.972 9.9997 1.0000 10000 1 0000 1 0000 1 0000 1 0000 0.88 0002 0022 o1ag 0610 1738 2669 6028 8089 9348 9861 9986 0000 magos9co0000 0.10 0 2824 a 8g90 0 gaa1 0 9744 0 9987 © 9995 © 9999 1 000G 1 0000 1 000 1.0000 1.0000 1 0000 0.55 © 0001 0 oor 0.0079 0 0356, 0.1117 0.2807 0.4731 0. 6956 0 8655 0 9536 © gaa0 1 0000 0.15 1873 4922 7788 9306 9841 9973 $997 e000 e000 ‘e000 e000 ‘900 Hu O000000 0.60 © 9000 © 0007 © 0983. 0 0293 9 0994 9 2465 0 4672 0 7037 0 agit 0 9698 0 9964 1 0000 0.18 1422 4438 7358 9078 9781 9954 age3 9999 - 0000 0000 0000 0096 ‘000 Beer oococece 0.60 ‘e000 0003 0028 0183 0573 1582 3348 5618 a7 eococccce 100 0.20 0687 274s 5583 7948 9274 9806 9961 gga ggse e000 9000 ‘9000 ‘9000 Bau ca0000000 0.68 © 0000 © 0001 0056 0255 0846 2127 4167 6593 eoccce 0 a507 0 9718 1 9000 9 0422 0.1971 0. 4552 9.7133 0 8854 0.9857 019824 0, 9988 0 999 1 0000 1 G000 1.0000 0.70 © 0000 ‘9006 0043 0 ga72 0, 3898 1 0000 1 0900 1 0900 1.0000 0.70 ‘0000 0000 0002 0017 0095 0386 1178 - 2763 5075 eccccccee 166 0 7560 0.30 0198 1330 3127 5696 7897 9218 a7a4 9957 9994 e000 C000 000 reeoecccecce 0.75 0000 ‘e900 ‘9001 oo1z 0076 0343 1146, 2867 Saas 2029 9578 0000 “oocgcecceca 0,30 0138 0850 2828 4925 7237 es22 9614 9905 sea gage 9000 009 0000 =H reaccecce00 0.78 0000 0000 0000 0004 0028 0143 0544 1576 3512 e000a0000 © 6242 © 8926 1 0000 9.38 9 0088. 9 0608. 0 2001 0. 4258, 0 6683 9.8513 0.9499 0.9878 9 9380 0 9998 1 0000 + 0000 0.80 © 9000 © 9000 © 9000, 0 o002 9 9020, 0 0117 0 0504 © 1611 © 3826 0 6778, 0 9141 1 9000 0.35 0 0087 0 oa2a 0 1513 0 3467 0 5833 0 7873 0.9154 0 9785 9 9944 9 9992 9.9999 10000 1 0900 0.80 © co00 © co00 © 000 0 0001 9 anos 0.0039 9 0194 0 0726 0 2084 4557 8031, ‘0000 roo 0.40 0036 0302 1189 2963 5328 7535 008 ‘9707 9941 9993 1 0000 1 0000 2000000000 0.85 9 c000 9 co00 9.0900 9 0000 9 C003 0 0027 0 c158 0, 0684 0 2212 0 5078 0.8327 1.0000 ecocooase 8 9 2639, 9 8513, 1 0000 0,48 © 0014 0 0139 © 0652 0.1911 0 3971 0.6331 0 8262 0.9390 0 352 0 9978 0 S998 1 0000 0.90 ‘0000 ‘9000 0000 ‘0000 0090 003 0028 0185 0896, 3026 |. $862 0000 90009000000 © 0008 © 0083, © 0421 0 1345, 0 3044 0 5269 0.7393 0.8883 0 9644 0.9921 0.9989, 0 9999, 1.0000 0.90 9 000 0.0000 0.0009 0.0000 0.0000 0 0001 8 0005 0 0043 0 0256 9 0861 9, 4913 0000 0.50 0059 0327 4133, 2744 ‘5000 7286 8867 9673 9941 9995 ‘0900 =oocececcooe 0.95 ‘0900 0000 ‘0000 ‘000 ‘e000 e000 oat 0016 o1s2 9,1019 0 4312 1 0000 00000000 0.50 © 0002 © 0032 © 0193 0 0730 0 1938 0. 3872 0 6128 0. 8082 0.9270 0.9807 0 9968 © 9998 1 0000 0.98 0000 0000 000 9000 0000 0000 0000 e002 ooz2 ecococaca 13 13 14 14 10 4 wargueuneo BRESenseusunso WOONONA 0. 9807 0 9968 0 gaa 1 0000 © 9996 41,0000 10000 1 0000 1 0000 1 0000 1.0000 1.0000 1.0900 1 coco 1.0000 0.50 0 coor 8 0009 0.9579 0 9917 © sa92 i 0000 0 2542 0 S213 0 8861 0 9858 0 9935 0 9991 90,9999 1.0000 1 000 1 0000 1.9000 1.0000 1.0000 1 0000 0.0000 9.0008, 0041 0203 ogg 1788 3563 3732 7721 9071 9731 9951 9996 0900 #00900900000 0.10 0 2288 0.5846 0.8416 0 9859 0 s908 0 9985 9.9898, 1.0000 1.0000 1.0000 10600 1.0000 1 000 1 9006 1 9000 0.55 © 0000 © 0003 0 9266 0. 9804 0.9978 1 0000 0.15 0 1209 0 3982 © 6920 0.8820 0. 9858 0.9925 0 9987 0 S998 1.0000 4 0000 1 0000 1 0000 1.0000 1.0000 0.60 0000 go01 0013 0078 0321 0977 2288 9256 6470 aa14 242i 9874 9987 1,0000 e022e00000000 0.18 0. 1028 0 3567 0.8473 © 8535 0 9833 0.9885 0 ga78 0 9997 1 0000 1 0000 1 0000 1.6000 1.0000 10900 1 0900 0.60 © 0000 9 0001 0.20 0 0850 0 2338 9.5017 0.7873 0 9008 @ 9700 0.9930 0.9988 0.9998 1,0000 1.0000 1 9000 1.0000 1.0000 0.65 © 0000 © 9000 © 0003 © 0025 8 0128 0.0862 0.1295, 0 2841 9 4995 0.7217 0.8868 9.9704 o's963 1 G000 0.20 0 0440 0 1979 9 44a1 9.6982 0 B702 © 9581 0.9884 0.9976 0.9996 1 0000 1 0000 1 9000 1.0600 1.0000 1 0000 0.65 0 0000 0 0000 0 7472 9.9150 9.9862 1 0000 0,25 9.0238 0. 1267 0 3326 0.5843, 0.7340 0.9198 0.9757 0 9944 0, 9890 0 aga 1.0000 1.0000 4 0600 1 0000 0.70 ‘0 0000 © 0000 9.0001 9.0007 9.0040 ois 0624 1654 3457 $794 7975 9363 9303 ‘e000 recooocee 0.28 0.0178 0 1010 0 2811 0 5233 0 7435 9, 8883 09617 0. 9897 0 9978 0 9997 1.0000 1.0000 t 0009 1 9000 1.0000 9.70 © 0000 © 0000 167 9.6093 0 8418 © 9883, 1.0009 0.30 ©, 0097 © 9637 0. 2025 0.4208 0.6543 0 8346 9.9376 0.9818 0.9980 0.8993 0.9999 1 0000 1.0900 1.0000 0.75 © 9000 9 0000 0 0000 © coo1 0 9010 0.0058: 0 0243 © 0802 © 2080 0.4157 0.8874 0.8733 0 8782 1 9000 0.30 © 008s 0.0475, 0. 1808 0 3552 0 5842 © 7805 0.9087 9.9685 0.9917 0 983 0 g998 4 0000 1.0000 1 0900 1 coco 0.75 0 0000 0 0000 447 7281 9313 9000 0.38 0 0037 0.0296 0 1132 0 2783 0 5005 0.7168 0 8705, 0. 9538 0 9874 0 9975 0.9997 1.0000 1 9000 1 0000 0,80 9.0000 © 0000 ‘0000 0000 0902 0012 oo70 0300 0391 2527 4983 7684 9450 ‘0000 Hoccoccc0ces 0.38 9, 0024 D 0208 0 0839 0 2205, 0. 4227 0.6405 0.8164 9.9247 0 9787 © 9940 © 9989 0.9999 1 0000 1 0000 1.0000 0.80 © a000, © Good 9.2642 0 1109 9.5865 9.9410 0 8578 0.7176 1 0000 1.0000 0.40 0.48 0.0013 0 0004 9 0126 0 0049 © 0573 0.0269 0. 1686 9 0929 0 3630 0.2278 0 5744 0 4268 0 7712 0.8497 © 9023 0 8212 0.9675 0 9302 0 9922 0.9797 0. 9959 0.9995 1 0000 1 ooo 0,90 o 0.0000 oO 0.0000 0. 9 on00 0 0.0000 ° © 0000 0 9002 0 0G00 9 0013 9 0001 0 0075 9.0009 9 0342 0.0065 © 1180 0.0342 0 3080 0 1339 0.8017 0 3787 0 8791 0 7458 1 0000 1.0000 0.40 0.45 0008 9. 9002 0081 9.0023 0398 0 0170 1243 0.0632 2793 0 1672 4859 0.3373 6925 0.5461 8499 0.7414 8417 © 8811 9825 0 9574 9961 0 S886 9904 0 9978 9999 0 9997 ‘9000 1 0000 0000 1 0000 ==cc0cccecc0000 0.85 0.90 0 coca 0 0000 9 g000 © exo © 0196 o 1184 0 4596 1.0000 0.50 0.0001 0.0017 0 o112 @ 0461 0 1334 9, 2805, 0, 5000 0 7095 0. 8665 0.9539, 0. g888, 0.9983 9, 9999, 1,.0000 0.95 9 0900 0.80 0, 0001 0.0008 0.0065, 0 0287 © 0898 0 2120 6 3953 0 8047 © 7880 8 9102 9 9713 0.9935 0 9991 0 9999 1 0000 0.88 0 0900 0 0000 15 15 18 ousonre 0,08 © 4401 © 8108 0 9871 0.9930 0.9991 0 9999 + 0000 0022 014 0426 1189 2586 4539 6627 8328 9368 . 9830 9971 9998 0000 +eoce0e090000 0.10 2089 5480 8159 9444 9873 9978 9997 0900 0900 ‘6000 ‘9000 0000 000 0900 ‘0000 0000 Benes coogece 0.58 0000 0001 oon 0063 0255 0769 1828. 3465 5478 7392 8796 as76 9893 9983 gga 0000 =aa9000090090000 0.10 0 1853 0 147 0 7892 9 9316 0.9830 9.9987 0.9895, © 0008 9.0039 9.0175, 0.0583 0 1503 0.2075 0 5141 0 7207 0 8757 0, 9602 o's919 0, 9982 1.6000 0.45 874 pee aa0000000 B g e0e0000 3 8 0.0001 0.0011 0.0080 0 0243 0 0783 0 1936 0.3595 0 5773 0 7795 0.9161 9.0128 9 0422 0.1132 0.2452 0.4357 0 64a1 0 8273 0 9383 0 9858 0.9984 1 0000 0.20 9 o2a1 9 1407 0 3518 0.5981 0.7982 0.9183 0.9733 9.0000 9 0002 0 0017 0.0083 0 0315, 0 0933, 0.2195, 0 4158 0.6448 0.8392 0. 3525 0.9932 1 0000 0.28 0.0134 0.0802 2361 4613 5868 8516 9434 9827 9958 9992 9999 ‘0000 9000 9000 6090 e000 Ho4erecosscocce 0.70 9.0000 0.0900 0.0000 © 0001 0.0007 © 0037 0.0152 9.9500 0 1311 0 2784 0 4845 9.7031 0.8732 0.9887 0.8953 1 0000 0,25 0.0100 0.0835 0 1971 © 4050 © 6302 0.8103 0 9204 0, 0080 0 e000 9.9000 0.0000 0.0003 9 0000 9.0022 0 0004 0.0103 0 0024 0 0383 0 0116 0 1117 0 0439 0 2585 0 1288 0 4787 0 3018 © 7289 0.5519 © 8990 0.8021 0, 9822 0.9560 1.0909 1.0000 0.30 0.35 © 0047 0 0016 0.0953 0 0142 9.1268 0.0617 0.2569 0. 1727 0.8155 0.3519 072168 0 8843 © 8689 0 7548 © 9500 0 8868 0,9848 0 9578 9.9963 0 9876 9 9993 0 9972 0 sag9 0 9995 1,0000 0 9999 10000 1 0000 1 0000 1 0000 1,0000 1.0000 0.75 9.80 © 0000 © G000 @ 0000 0.0000 9 0000 9.0900 9 0009 0 0000 9 0001 9.0000 © 0008 0 0007 0 0042 0 G008 0.0173 0 o0az 90,0566 0.0181 01484 0.0511 9.3135 0. 1642 0.5387 0.3518 0 7639 0 6020 0.9198 0.8329 0.9866 0.9648 1.0000 10000 0.30 0.38 0.0032 0.0010 0.0261 0.0098 9.0984 0 0451 9 2459 0 1339 0 4499 0 2892 0.6598 0 4900 0 8247 0.6881 1.0900 0.85 © 0000 © 0000 9 0000 0.0000 0 0000 © 0000 0 0001 9.0005 19,0036 0.0168 0.0617 0 1773 0.3958 0.6814 0.9126 1 0000 0.40 0.0003 © 0033 0 0183 0 0651 0. 1668 0 3288 0.5272 9 C000 © 000 9 0000 9 0000 9.0000 0.0002 9.0015 9 cos 9 gat © 1588 0 4154 0 712 2.0000 0.45 © 001 0 9017 0.0107 0.0424 0. 1204 9 2608 © a522 0.6535, 0.8182 9231 9745 9937 9989 g999 ‘9000 0900 n-00000 0.90 0.0000 0.0000 0.0000 0.0000 © 6090 © G000 9 0000 0.0000 0.0003, © coz 0 0127 0 0536 0. 1841 0.4510 0 7941 1 0000 0.48 0.0001 0.0010 © 0086 90,0281 0.0853 0.1976 0.3660 0. 0c00 9, 9000 © 9000 0.0000 © 0000 0 0000 9.0000 9.0004 0 0042 © 0301 © 1830, 0.5123 10000 0.80 0.0000 0.0005 9.0037 9.0176 0.0592 0.1503 0 3036 0.5000 0 6964 0.8481 0, 9408 0 9824 0 9963 0 9995 1.0000 1.0000 0.85 0. 0000 9.0000 90,0000 0.0000 0,.9000 6.90000 0 0000 0.0000 0.0000, 9.0001 0 9006 © 0055. 0.0382 0.1710 0 $367 1.0000 0.50 9.0000 0.0003, © 0021 0.90106 0.0384 0. 1051. © 2272 16 17 17 Swaraueunno Sanon wermdaonHe ouRuNHo 0.05 0 4181 0 79z2 o 9497 0 9812 © 9988 © $999, 1 0000 1 0090 1 0000 1 0000 1 0000 1 0000 1 0000 1 0000 1.0000 1 0000 1 6000 1 e000 0.50 © 0000 © 0001 0 0012 © 0064 0 0285 0 O717 0 1662 ssunsGHdii o1a9 12M1 aa7L 5340 8024 9147 3719 2934 9990 9999 0000 Hococcacagoococee ¥ 3 0.10 1668 4318 7818 9174 9779 9983 g992 ggg 0000 0000 0000 9000 0000 0000 9000 1.0000 1 0006 1 ooo Beene ca0000ce 0.55 © 0000 © 0000, © 0003, 0 0019 © 0086 0 0301 0 0826 ‘9989 9998 0000 0000 ‘9000 9000 ‘ope ‘000 0000 0000 cree oo 0.80 9 0000 0 0000 9 0001 0.0008 0 0049 0 O81 0 0583 9 1423 0 2839 0 4728 0 8712 0 8334 0 9349 0 9817 0 9967 0 9997 1 0000 0.15 0 0631 0 2525 0 5198 0 7558 © 9013 9 S681 9 9817 9.9983 9.9997 1 0000 1 0000 1 a000 1 0000 1 0000 1 0000 1 C000 1 0000 1.0000 0.60 © 0000 © 9000 0.0001 9.0005 © 0025 © o106 © 0348 9930 9985 goa ‘0000 0000 0000 coo ‘coo 0000 1:0000 penne 000 0.65 0.0000 9 0000 9.0000 0. 0002 0.0013 0062 0229 oe71 1594 3119 5100 7108 a68t 9549 9902 9990 1 0000 e@ecaccn0099 0.20 0225 1182 3096 5439 7882 3943 9623 98s 9974 9995 8999 ‘0000 0000 ‘0000 0000 090 9600 0600 Pee sHooscoccocu0 0.65 ‘000 ecccoce © 9258 9.8408 0 9729 0.9925 0 9743 0 9984 0 9929 0.9997 0.9984 1.0000 0 9997 1.0000 1 0000 1.000 1.0000 1.0000 1 9000 1.9900 1 9000 1apa0 1 A000 0.70 0.75 3 a900 6 Ga00 9.0000 9, 0000 © 0000 0 C00 © 0000 0 Good © 0003 0.0000 © 0016 0.0003 0.0071 0.0016 9.0257 0.0075 00748 0 0271 9 1753 0 C796 © 3402 0 1897 © 5501 0 3698 0 7541 0 5950 0.9006 0 8029 0 9739 0 9365 © 9967 9 9900 1 0000 1 0009 0.25 0.30 0 0075 0 0023 0 0801 0 0193 © 1837 0 90774 © 3630 0.2019 9 5738 0 3887 0.7853 0 5988 0 g928 6 7752 0 9598 ¢ Bo54 0.9876 0 9597 0 9969 0 9873 0.9994 0 9968 0.9999 9 9993 1 0000 0. 9995 1 0000 1.0000 1.0000 1.0000 1090 1 co00 10000 1 C000 1 0000 1 C000 0,70 0.76 © 0000 0.c000 9 0000 0 d000 0.0000 0 0000 © 0000 0 0000 9.0001 0 0000 0.0007 0 0001 0 0032 0 0006 9 0. 9. 0 0 1 1 1 1 9329 9771. 9938 8987 seg8 0000 +0000 0000 £0000 0.80 ° 0 9, 0. o ° ° 6 0 0 9 0 ° ° ° 0. 1 e000 e000 9000 9000 0000 ‘990 once 0018 0070 0267 ogi7 2018 4019. 6482 8593 8718 £0600 0.38 ° 0 0 0 0 0 0 0 9 9. oO 0 0. 8. 1 1 1 1 0007 0087 osar 1028 2348 4197 6188 7912 ‘9006 . S617 ‘9880 9970 9984 9999 0920 ‘e000 ‘9000 0000 0.80 ococoss ‘9000 0000 0000 co90 se00 0600) 0901 @,.0000 © c000 9 9000 9.0000 © 0000 9.0000 0. co00 9.0002 0.0011 0 0056 0 0235, 0 o7a1 0 2101 0 4386 9.718% 0 257 1 0900 90 a002 3 0021 0 0123 0, 0464 0.1280 0 2633 0.4478 0.6405 @ 8011 © g08t 0 3652 0.9894 0 9975, 0.9995 0 3989 1 0000 1,.0000 10000 0.85 0.0000 9 0900 0.0000 0 9000 9 9000 9 aoa © 0009 © S62 0.7483 0 a783 0 9514 0, 9881 0. 9965 0.9994 0 9899 1 0000 1 0000 0.90 9.9000 9. 0000 0 0000 ‘a 0000 9 0009 0.0000 © 0000, 0.0000 0001 ‘005 0033 0.0170 0 0684 © 2108 0 aBs3 O 8147 1.0000 eco 0.45 ‘9000 0041 o1ga 4a71 2902 4743 6626 8166 9.9174 9, 9888 0.9914 0 998 0 9987 1 0000 1,.0000 10000 eogocccoce 0.90 0000 0000 0000 0000 000 eco 2000000 4018 5982 T7128 9949 9616 9894 eo0sp00 0.9997 1.0000 10000 0,96 ‘9. 0000 0.0000 0.0000 © coGo 2, 0000, 0. 0000 0.9900 0 0000 0 0000 © 0000 0.0001 ‘9. 0009 0 0070 0.0429 0 1892 oO S589 1.0000 0.80 0 0008 0 0001 0 0012 © 0064 © o2as 9.0717 0. 1862 0. 3145 0 5000 6c, 6855 0 8338 0.9283, 0.9735 0 9936 © 9988 © 9399 1 0000 1.0000 0.95 © 9000 9 G000 0 0000 9 c009 ‘ecoo 0000 occ e900 18 18 19 SIBSONlS oarvHdeuwHo wee 0.3145 9 5000 0 6855, 0 8338 0 $283 0 S755, 0.9835 oO S388 © 9989 1.0900 1 9000 0038 o1ss 0481 1189 - 2403 4073 B927 Test gait 9519 9845 9962 9993 esa9 ‘0900 pe00 Br oecccecces9000000 0.05 0 3774 0. 7547 0 9235 1934 . 3374 5257 7098 2529 9404 9816 9988 9994 0000 0000 “pocoecooso 0.10 9. 1501 9 4503 0.7338 09,9018, 9718 9936 goes soe 0000 ‘0000 ‘0000 ‘0000 cooe 0090 e000 eee eee C00 0.55 9001 0010 ooag 0183 0537 1280 2827 a222 6085 T1492 9923 9975 9997 = 0000 0000 Pro 9eaccecoccoceeoe 0.10 0 1351 0 4203 0.7054 90,0919 0 1989 0 3595 0 5522 0.7361 0.8740 9 9836 O 3877 0 9973 gag 1 oooD 0.15 sag 22a 4797 7e02 e794 9581 g8g2 9973 9995 3999 ‘0000 ‘0000 ‘000 ‘0000 9000 000 oad 000 ‘g008 Pee oun eeosoaD0000 0.60 0000 0000 ‘0000 0002 0013 0058 0203 576 1347 2632 4386 6257 7912 9058 9672 asis 9987 gees 000 000006000000000000 0.15 9 0456 0 1985 0 4413 9.0383 0.0994 0 2128 0 3812 0 5809 0 7652 0.9972 0 9673 0.8833 0. $993 1 e000 0.20 0.0190 0931 2713 5010 7164 ge71 2487 9837 9957 9991 9998 0000 9000 0000 = 0000 ‘occa 9000 9000 e009 Been ener cocoscoo0e 0.65 ‘0000 ‘0900 0000 9000 0003 ona 0062 9212 0897 1331 2nt 4509 6450 ana 9217 a7ea 0.9954 9 ga08 1 0000 ©002000000000000 9.20 0 0144 0 0829 0 0127 © 0803, 0. 1046 0 2208 0. 4032, 0.6113 0.7981 0.9226 0 9807 0 3977 1 0¢00 0.28 ose 0395 1383, - 3087 . 187 nN 8610 9431 9807 9946 998 9998 1 0000 1 9000 1 0000 1 0090 1 0000 1.0900 1 0090 ©c000gcg9000 0.70 ‘9000 ‘0000 ‘008 ‘0000 6000 0003 0014 0081 210 0596 1407 2783 GSB 6673 8354 9490 9858 sora 1 e000 2e2e00000C50000000 0.25 © oa © 0310 9 0031 9 0124 0 n402 0.1071 0.2347 0 4261 0.8470 0 8363 © 9193 0 9925, 1 0000 0.30 0 0011 9 0104 0 2369 0 1113 0 0462 170 0005 co26 19g 0377 1057 2418 4511 6904 8818. soooopococe 0000 coo 9003 9017 9083 0319 osa7 2449 . 4802 . 7475 9269 1.0000 2999000000 0.40 0001 9013 0082 0828 oga2 2088 3743 5634 7368 8653 $424 9737 9992 aca? ge08 ‘9000 0000 HHH ao009000909000000 0.98 @ 9000 © 9000 © 9000 © 9090 © 0000 © 0000 © 0000 0.0000 © 0001 0.0005 0.0027 0 0118 0 94g 0 1208 © 2798 0 8203 © 7789 0 9464 1 0000 0.40 © 0001 ¢ ocog © 0058 © 0000 0 9000 0.0001 © 0008 0 0047 o o ° 0.5182 0 8332 1 0000 0.48 0, 0009, 0.0003, 9 0025 0 0120 0 0411 0.1077 2258 5915 STB 7473 8720 9463 9817 9951 9999 999 1 0000 1 0000 1 0000 2900090000 0.80 © 0000 9.0000 9.0000 ‘ooo 9000 0000 ‘9000 ‘9000 0000 ‘9000 0002 0.0032 0 0084 9 0282 9 0982 0 2662 0 $497 0 9499 1 0000 eeccooce 0.45 9 000 9 002 9 0015, © 0000 0.0000 0 9000 9.9090 6 9001 © o012 0 cogs © 0503, 0 2078 0.5819 1 0000, 0,50 9000 9003 9007 9038 0154 0481 1189 2903 4073 927 7597 gait 9818 Bde 9962 9993 0000 = 400000000000000000 0.95 6000 ‘9000 0000 De00 0006 ‘9000 ‘0000 ‘0000 0000 0000 ‘9000 0900 9002 0015, 0108 0581 2265 6028 0000 HoeocaccocoeoaccacS 0,50 © 9009 © 9000 © 0004 19 ‘9000 ‘0000 0000 1,.0900 10000 0.50 © 0000 © 0000 © 0004 0 0022 0 0096 0 318 0 0825 0 1796 0 3238 © 5000 0 6762 © 8204 0.9165, 0.9682 0 9804 0 9278 0 S996 1 0000, 1 000 1.0800, 0.08 0 3585 0.7358 0 9245, 0 9841 0 $974 0 9997 1 0900 1 0900, 1 0900, 1 0000, 1 e900 1 6900 1 0000 1 000 1 e000 1 e000 1 9000 1 0000 8830 648, 9814 geaa 9937 090 9600 ‘oo00 ‘0600 ‘000 ‘0000 ‘9000 ‘000 ‘9000 ‘e000 ‘9000 ‘9000 0.88 © 9000 © 0000 © 0001 © 0005 © 0028 © 0109, © 0342 0 0871 0 1841 0 3290 0 5060 0 683 0 8273 0 9223 0 3720 9 g923 9.3985 0 agse 1 9009 1 000 0,10 1216 9817 6769 8670 9568 9887 9976 99c6 g9so ooce ‘oooe coca coca ocd 000 cose 0090 0000 Hee oooc0ecoe 9 6841 0 8555, 0 9463 9 9R37 9 9959 9 9982 0 9999 ‘0000 ‘000 ‘0000 ‘0000 0000 ‘0000 ‘0000 ‘0000 i 0.60 9 a000 0 0000 0 0000 0 0001 0 0008 0 0031 0 0116 0 0352 0 088s 0 1861 0 2328 0 5122 0 6919 0 8371 0 ¢304 0 $770 0 S945 o e992 0 gage 1 6000 0.15 0388 1756 4048 6477 g208 9327 9781 9943 9987 9998 1 C009 1 0000 1 0000 1 0000 1 9000 10000 1 0000 10900 © © ° 0 0 0. 9. o 1 1 1 1 1 4851 6733 9369 9324 9787 9933 9984 gag? 0000 0000 0000 ‘0000 ‘0000 1.0000 1 qe 1 ‘0900 0000 0000 0. oO oO oO ° oO ° o ° e00e0ce00 1 ‘0000 ‘0000 0000 0000 0001 0031 ola 0247 0875 1255 3344 5188 7032 B500 940g 3830 g9ss 9997 9090 0.20 o 0 Q 0 8 o ° 0 0 0 0 0 1 115 0692 2081 4114 8296 Boaz 9133 9679 9800 9874 9994 ag93 0600 ‘9000 ‘0000 9000 0000 0000 Maan oosesesasce m 1332 2822 4739 6855 8180 151 9874 9895 9972 9994 9999 ‘0000 0000 ‘0000 0000 ‘ooac 1,000 peepeocescocceco 0.75 ooo 0000 ‘0000 ooo ‘0000 ‘000 0001 9008 0023 0088 0287 orrs 1743 3322 5346 7369 a887 g3g0 $958 1 e900 eoccccsccococoaccae 0.30 go08 cove 0355 1071 2378 4184 6080 7723 8867 9520 9829 ga4o 9987 99g7 1 0000 1 0000 1 0900 1 0900 0000000000000 osa1 1500 2968 4812 6656 14s 9125 9853 9886 9969 9993 gee ‘9000 ‘9000 ‘9000 ‘9000 9000 are ooocee000000 0.80 ‘9000 ‘9000 9900 9900 9000 9000 9000 ‘9000 9003 0016 00e7 0233 0876 1831 3267 sag ai71 9856 0000 neocoaaacocc:0000000 0.38 © a002 0 0021 0 9121 0 0444 0 1182 0 2454 0. 4168, 0.6010 7624 e782 9468 9804 9940 9985 ‘9997 + 0000 1 0000 1 0000 ecococe 0 0077 0 0280 0 0777, 0 1727 0 3169 9.4940 06710 9 8159 0 g129 9, $658 9 gaat 90 g972 0, $995, 0 goes 1,.0000 1 6000 1 C000 0,90 0 g000 0 C000 9 c000 9,.0000 0.0000, 9.9000 6000 6000 0000 0000 0000 0903 0917 0086 0352 1150 2946 S797 8649 1 0000 ecoceaaccooce 0.48 © 0000 0 0001 9 0009, 0 0043, 0.0189 © 0022 © 0096 0 0318 © 0835 0 1796 0.3238 0 5000 0 6752 0 8204 0 9165 O 9882 0 9904 0, 9978 0 8998 1 0090 1 0090 1 9000 0,95 0 0000 0 9000 9 9000 9 9000 0 9000 © 9000 9.9000 © 9000 © 0000 © 0000 © 0000 © 9000 © 0900 © 0002 © 0020 0 0132 9 0685 0 2453 0 6226 1 0000 0.30 9 0000 ‘9 0000 9 0002 9.0013 0 0058 0 0207 0.0577 0.1316 0.2517 0.4119, 0 5881 0 7483, 0 2684 0 9423 0 S793 0 9941 0 g987 0, 9998, at 2 SSSUSEEGRES oar omMonnHo wOIDEBYNHO oeenne 1.9000 1.9000 1.0000 0.50 ‘ovo9 9000 oooz e013 cose 0207 os77 1316 2517 41139, 5881 7483 3684 9423 9793 goat 9987 ‘9998 0000 0000 0000 ben ooscop oc cDCoCCoOCOS 0.08 3408 7170 gist 9811 9968 9996 ‘0060 ‘0000 0900 ‘9900 000 ‘0000 ‘9000 ‘9000 9900 ‘0000 0009 ‘0000 ‘0000 ‘0000 ‘000 ooo bebe ee eee eer eH ooeoce 0.50 ooo 0090 001 ovo? 036 0133 eo0c0e 1.0000 1 0000 1.0000 0.55 0900 000 ‘0000 0003 0015 9064 e214 os80 1308 2493 4086 5857 7480 8701 9447 9811 9981 9981 gas occ 000 He 9g eococvec2CCCecCDS 0.10 1094 3647 Baga 8480 9478 9856 8967 9994 9998 co00 ‘9000 ‘e090 0000 ‘e090 e006 0090 ‘coe ‘0000 ‘0000 ‘0900 0000 ‘000 Beppe ee eee ooeoeccs 0.85 e900 e000 ‘e000 0001 0908 0a? 1 e000, 1 0¢00 1 9090 0.60 ‘e000 ‘0000 ‘0900 ‘000 003 0016 08s 0210 0865 1275 2aar 4044 5841 7300 grad 9480 9240 9364 gass 0000 0000 He DoDoaDGOCDCUOOCRCES 0.15 0328 1550 3708 6113 8025 9173, 9713 991? S880 996 gage e000 9000 e900 ‘9000 0000 000 000 090 0090, 0000 0090: boone ee oocescaoneS 0.60 0000 600) 000 000) one 0908 e00000 1.0000 1.0000 1.0900 0.65 ooo 0000 ‘8000 9600 000 9003 0015 0080 0196 0832, 1218 2376 3390 5334 7546 3818 9556 9879 ears 9998 ‘e090 +e eocasccononcascaces 0.20 © 0082 0.0576 01787 0 3704 0 5860 0 7693, 0 a915 0 9569 9 2886 0 gaa 0 ga90 0 g998 1 0000 1 9000 4 6000 1 0000 1 9000 1 9000 1 Go0o 1 9000 1 9000 1 0900 0.65 © 0000 © 9000 © 9000 © 9000 © 9000 0 0081 1 9000 1,.0000 1 9900 90.70 0.0000 9 0000 9, 0000 9 0000 9 9000 9 0900 9 0003 2 0013 9.0051 0 0171 9 0480 0 1133 0.2277 3820 |. 5836 7625 8925 9645 gga - 8992 1-¢900 0.28 024 190 ras; 1917 9674 5686 7436 8761 9439, g7aa 9936 9983 9396 ga99 1 0000, 1.0900 1 ooo 1 0000 1 ogc 1 9000 1 0000 1 000 20000000000000 0.70 ooce ‘p00 ‘0009 ‘0000 ‘o0co ‘9000 200000 12 1 9000 1 0000 1 0000 1 0000 1 0090 1 o600 0.75 © 0 ©. ° ° o 9 0 0 9 9 0 a a 0 ao 0 o oO 0 1 ‘000 ‘0000 0909 0000 0900 9900 0900 002 0009 0039 0139 0409 1018, 2142 |. 3828 5852 7748 9087 9757 9968 ooo 9.30 weapons seaeagcae 00s ose oa7t ossé 1884 3627 5508 7230 3523 9324 9736 9913 9876 9sa4 9893 ‘ovoo 0600, oGo0 ‘coo ‘e000 e009 soon 0.75 200000 co00 ‘9000 ‘co00 006 0900 ga00 0.80 ‘0000 0900 - 0000 co00 ‘e900 ea00 co90 ‘e000 001 0006 0026 0100 321 ogs7 1958 3704 5886 7939 9308 sge5 cac0 roopecapococeesuccsccs 0.38 6001 oo14 ooge 0331 og24 2008 3867 5368 7088 9377 9228 9887 gece 9969 9993 9999 0000 0900 6000 ‘000 ‘0000 ‘9000 hone Opo00gggG0coceae 0.80 3 90¢0 6 0060 8 9000 © aa00 0 g000 5 geno 1.0900 1 9000 1 0900 1.9000 1,000 1 0000 0.85 0.90 0 G00 © cooe 9 cOod © coOG 8 9000 6 GOOD 0 9000 © oG00 0 9000 © ap0C 1D 9000 ¢ 600 0 9060 0 000 0 9060 0 600 0 9009 9 9900 9 9060 6 saa 0 9002 0 0900 0 0013 0 O00 0 0088 0.0004 0.0219 0.0024 0 0673 0 0113, 9 1702 0 0432 9 3523 0 1330 9 5951 0 3241 0 8244 0 6083 © 9612 0 8784 1 9000 1 C000 0.40 0.48 © 9000 0 0000 6 0003 9.0001 © 0024 9.0008 0 0110 0.0031 0 0370 0.0126 0 6957 0.0389 0 2002 0.0364 0 3495 0 1971 0 5237 0 3413 0 6914 0 5117 0 8256 0 6790 © 153 0 2159 0 368 0 g0S2 0 S877 0 S821 © 9984 0 9968 0 9992 0 9963 © e998 0 9992 1,000 0 9999 10000 1 0000 1 0090 1 G000 1 0090 1 9000 1 0000 1 G000 0.85 0.90 9 9000 0 G90 @ 0000 0 O00 8 cad 0 B00 9 0900 6 ON00 © 0900 0 GoD 3 fa00 6 BAD 1 0000 1,c000 1 coo 0.95 0000 ‘000 ‘9000 ‘9000 9000 9000 0000 ona0 ‘0090 ocae aooe oo90 000 0000 ‘0603 0026 0189 o7ss, 2642 6a15 9000 Hoe eecosococcccccooCD 0.50 0000 9000 9001 0007 0036 0133 e392 948 1917 3318 5000 e682 2083 8054 9608 8867 9964 9933 9938 0000 ‘ooo 0000 bn ocooeoococnseDcesoS 0.96 © a000 8 9900 8 0000 © a000 © 0000 © coon 22 22 ware 10 at 13 14 15 16 7 18 19 20 WHI DMSUNHS 0 0392 0 0986 0 1917 0 3318 0 5000 0. 6682 © 8083 © 9054 © 3608 0 9887 90,9984 9 9993 9 g399 1 6900 1 e900 1 0000 0.08 9235 6982 9082 9778 9960 9994 9999 0000 0000 0000 0000 9000 0000 0000 ‘0000 ‘apo 9000 0000 9000 ‘0000 0900 0000 aD00 Bee eee ee eee eee ococcce 0.50 0000 0000 0001 0004 ooz2 008s 0262 0669 1431 2617 4159 ogal 7383 8569 arn 9738 eeeaccocococcaes ° ° 200000000000 1 1 0192 0379 0908 1941 3210 4883 3887 g02g 9036 9611 9874 9968 9994 gas 9090 0090 0.10 200000C00 1 1 1 1 1 1 1 1 1 1 1 1 1 1 oges: 3392 8200 8281 9379 9818 9956 9991 9999 0000 9000 (0000 0000 ‘9000 0000 ‘9000 ‘9000 ecoo 0a00 e900 e000 0900 e900 0.55 Usecacococceacas 000 c090 0n00 0001 0005 oo21 0080 0243 0817 1328, 2as7 3963 Se50 1236 BaR2 9285 9 0038 0 0123 0 0352 9 0849 0 1744 0 3086 4763 0 6505 0 7998 9 8043 9 3630 9 a8a0 9.9976 9 9997 3 0000 10000 2x0. 3382 9007 0031 0108 0313 ove 1623 2341 9635 6433 7931 9076 9868 9914 9986 9998 0000 4 eoococnccacaco] 0.20 oo74 oago 1545 3320 8429 7328 8670 9439 9799 0 9939 0 9984 0 9997 0 s999 1 0000 1 0000 1 0000 i 0000 1 0009 1 0000 1 0900 1 0000 1 0000 1 0000 eoocc0c00 0.88 9 coca 9 coo 0 c000 © 0000 9 0000 © 0001 0 0003 0 0016 0 0088, 9 0180 0 0474 0 toy 0 2084 0 3534 D S204 c R978 0001 0006 ooza oo87 0264 1a77 2770 4995 6973 8015 a1 9729 9944 gad ‘0000 HeapeccegeR00000 0.28 oo1g. 0149 9606 1624 3238 5168 6994 gas 9254 9705 9300 9971 9993 ‘999 ‘000 ood cooc 000 oooG cog ‘god coo cocoa barren 2OS0C0C0000000 0.70 eco et) ‘0000 ‘0000 0000 ‘0000 ‘6000 ‘0002 0011 0043 0140 0387 0916 1865, 3287 S058 oovececcoo0o00ce 13 =oooovcoccoacoce ‘0000 0001 9004 0017 0064 9208 0361 1298 2564 4334 6228 8083 9255 9810 9976 0000 0.30 2200000000000 8 Hee ncooocoooo9ccecS 0004 0041 0207 0681 1645 3134 aga2 6713 8135 g084 9613 9860 9957 gang 9998 e000 9000 9co0 coo 9900 9000 9000 cco 75 0090 ooo ‘000 9000 0000 e000 0000 0000 0001 900? 0023 160 0795 ora 1615 3968 9000 0600 G00 9002 9019 oat o14a 0431 1085 2307 4140 6296 2213 9az4 3908 0000 ~ooooceoocoecaca 0.38 0001 0010 0061, 0245 716 1628 3022 4736 6456 7916 8930 9526 9820 gg42 9984 meer -ccoccscaccc0000000 ‘0000 0.80 ‘000 ‘0000 ‘000 8000, 0000 ‘ogc 0000 0000 0090, 0001 003 6018 001 6201 0861 Vien esceoococoese ‘9000 0000 9009 0900 0001 0004 0020 0083 0287 0827 1975, 3887 6298 8450 9671 0000 Hoocococccooce00 9000 9009 9000 600 oc00 9600 0001 0006 0033 0144 os22 1520 3516 6353 3906 ‘0000 0.45 9 0 0 0 9 © 0. ° ° ° ° o 0 0 9. 0 0 0 o 1 1 1 1 ‘0000 ocoo cos 0020 0083 0271 0705 1518. 2784 4350 6037 7343 8672 9383 9757 9920 9979 9995 9999 0000 0000 ‘e000 ‘0000 0.90 nooooeoccocoece ‘0000 ‘0000 ‘0000 ‘9000 0090 co00 C090 G000 9090 0000 0000 0000 ‘0090 00. ‘0008 04a 9 coco 9 060 9 0000 9 0000 0.0009 0 0000 © 0009 © 0000 © 0000 9 0004 0.0032 0 o189 0 0843, 0 2830 0 e594 1 6000 0.50 0. 0000 0 0000 0.0001 ‘0004 ong2 0088 9262 0669 1434 2617 4159 S841 7383 8569 9331 9738 9915 Hus oeacoDcCcCCGD0000 0000 ‘eco eco e009 2009 e009 ‘ocoo cos 009 9008 coy 0008, 9 9001 2oeoececDee] TABLA 3. Probabilidades de la distribucion t. Los valores tabulados corresponden a P(t >t) = @ gl t t t t 100 050 om ono 008 1 12.707 31.821 83.857 2 4.903 6.965 $.925 3 3.183 4.541 S841 4 2.777 3.747 4.808 5 2871 3.365 4.033 6 2.447 3.143 -3.708 T 2.385 2.988 3. 500 8 2.307 2.887 3.358 3 2.263 2.822 3.250 10. - 2.229 .. 2.764 .. 3.170 n 2.201 °° 2.719 3.106 12 2.179 2.681 3.055 13 2.161 2.651 3.013 14 2.145 2625 2.977 15 2.192 2.603 2.947 16 2.120 2.68 © 2.921 47 2.110 2.587 2.895 18 2.101 2.553 2.879 19 2.094 2.540261 20 2.08 «2.528 2.846 2a 21080 2.518 2.832 22 207k = 2.8082. B19 23 2,089 2.500 2.808 24 2.084 2.4932. 787 28 2,060 2.486 2.788 26 2.086 2.478 2.779 27 2.082 2.473 2.771 28 2.049 2.488 «2.764 23 2.045 2.463 2.787 30 2.043 2.458 2.750 31 2.009 2.453 2.745 22 Bog? 2.4ag 3.799 33 2.035 2.488 2.730 34 2.033 2.442 2.7279 35 2.031 2.4382. 728 36 2.02 2.435 2.720 37 2.027 2.492 2.716 38 2.02 2.429 2.712 39 2.023 2.428 2.708 40 2.022 2.424 2.705 a1 2020 2.421 2.702 42 2.0;9 2.419 2.699 43 2.017 2417 2.698 a4 2.016 2.415 2-693 4s, 2.018 2.413 2.690 46 2.019 2.411 2.688 a7 2.012 2.403 2.685 48 2.011 2.40% 2.689 49 2010 2405 2.680 50 2.008 2.404 2.678 1.960 2.928 2.576 TABLA CACCULADA POR ELANCA” «ROSA.-PEREZ SALVADOR, OEPARTANENTO DE MATEMATICAS, UNIVERSICAD —-AUTONOMA METROPOLITAN, UNIDAD. —«1ZTAPALAPA. 178 TABLA 4. Porcentiles de la distribucion x7. los valores tabulados corresponden al valor de x 005 000033 7010028 1071721 + 206983 411738 878726 = 989265 1.3444 1.7348 10 2.1559 112.6031 12 3.0798 13° 3.5850 14 4.0746 15 4.8009 16 5.1420 17 5.6970 18 6.2647 19 6.8438 20 7.4337 21 8.0935 22 8.6424 23° 9.2601 24 9.8863 25 10.5195 26 11. 1601 27 11.8075 28 12.4612 28 13. 1208 30 13.7868 OOVa meena TABLA CALCULADA UNI VERS TOAD tal que <0 000157 -020100 [114831 = 297103 384300 872085 2390 - 8485 0879 - 5582 1 1 2 2. 3.0534 3.8708, 4.1069, 4.6604, 5.2283, 5.8121 6.4076 7.0148 7.6325, 8.2803 8. $ 970 8424 10. 1954 10.8561 11.5236 12, 1981 12.8781 13.5644 14. 2565) 14.9529 PQ” < 0225 ocogs2 060835 215789 484406, “831210 . 2373 "6899 1797 7003 2489 1 1 2. 2 3 3.8187 4.4037 5.0087 5.6287 6.2620 6.9076 7.9841 8.2307 8. 9065 9.5907 10. 2826 10. 9821 11.6882 12. 4019 13,1195 13, 8438 14.5729 15.3076 36.0470 16.7903 POR BLANCA x) =P. 08. 003833 102587 -381848 7 1 1 2 2 3 3 4 5 Ss 6 7. 7 8 3 10 10. a 2 3 13 14 15. 18 18. 17, 18. 10713 1455 6383 1673 1326 3251 - 8402 -5748 2280 agit +5705 2607 9816 8717 - 3904 1168 : 8508 - 5902 3378 0803 - 8480 6112 g7e8T 1509 9278 - 7079 4921 rosa AUTGNOMA —-HETROPOLITANA, 0: 2 P. +10 15792 10720. 584378 1.06363 1 2 2 3 4 4 5 6 ? 7 8. 9. 10 10 u 12 13 14, 14, 15 16. 17. 18. 18. 19) 20, PEREZ -8103 2041 ea31 4395, - 2681 :8651 S777 = 3037 414 +7893, SA68 3123 0851 8650 "8508 4425 2393 0415. 8477 6582 24734 2a14 1134, 9392 |. 7675 . 5989 ‘uNTDAD 179 2.71 4.61 6.25 78 8.24 10.68 12.02 13.36 14.68 15.89 17.27 18.55 19.81 21.08 22.31 23.54 24.77 28.99 27.21 28.41 29.62 30.81 32.01 33.20 34.38 95.56 36.74 37.92 33.08 40.25 SALVADOR, DEPARTAMENTO TTAPALAPA. 975 5.02 7.38 2.38 wa 12.83 14.45 16.01 47.84 19.02 20.48 21.92 23.34 24.74 2B. 12 27.49 28.85 30.19 31.53 32.85 34.17 35. 48 38.78 38.07 39.38 40.64 41.92 43.20 44.46 45.72 46.98 Dr :89 .995 6.63 7.88 9.21 10.60 11.34 12.84 13,28 14.86 15.09 16.75 16.81 18.55 18.48 20.28 20.08 21.95 21.87 23.59 23.21 25.18 24.72 26.76 26.21 28.30 27.68 29.82 20.14 31-32 30.57 32.80 92.09 34,27 33.41 35.72 34.81 37.15 36.19 38.58 37.87 39.99 38.93 41.40 40.29 42.80 A164 44.18 42.98 45.56 44.31 46.93 45.65 48.29 46.96 49.64 48.27 50.99 49.68 52.33 50.89 53.67 NATENATICAS, TABLA 5 Porcentiles de Ja distribucién F. Los valores tabulades corresponden a P(X = F,) = a, 7, Son los grados de libertad del nunerador y r, son los grades de libertad del denominador. ri a 1 2 3 4 8 6 7 8 3 10 01 4045.2 4996.3 $396.0 5619.5 5759.6 5847.6 $920.8 5970.3 6012.0 8045.6 [oa5 647.6 769.0 883.8 $99.2 921.5 996.1 947.4 956.0 962.5 967.7 ToS 161.4 199.4 215.8 224.4 230.1 234.0 236.7 238.8 240.4 241.8 [1039.86 49.49 53.58 55.81 57.23 58.18 58.88 59.43 59.94 60.18 r2= 2 101 98.592 99.022 99.198 99.268 99,303 99,339 99.974 99.408 99.409 98, 409 To2s 38.508 99,002 39.174 39.256 39.307 39.998 99.358 39.378 39.389 39.400 [0S 18.516 19.001 18.165 19.248 19.299 19.931 19.956 19.975 19.387 19.399 T10 8.526 91001 §.162 9.243 9,293 9.326 9.980 9.368 9.382 9,392 r2=3 101 34.120 30.829 29,461 28.708 28.234 27.910 27.674 27.495 27.345 27.236 Togs 171444 16.045 15.439 15.102 14.888 14,738 14.825 14.543 14.473 14,420 ToS 10.129 $554 9.279 9.116 8.013 8.942 8.888 8.245 8.812 8.785 1051538 5.463 5.361 5.942 5.309 5.284 5.265 5.253 5.240 5.230 ra = 4 101 21.201 18.001 18,697 15.978 15.522 15.207 14.879 14.798 14.661 14.549 o25 12.218 10.649 9.982 9.605 9.366 9.199 9.076 8.979 8.906 8.845 ToS 7.709 6.944 6.591 6.990 6.256 6.164 6.096 6.04, 5.999 5.955 [404.544 4.324 4.191 4.107 4.050 4.010 3.978 3.985 3.936 2,920 r2.= 58 101 18.263 13.287 12.068 11.998 10.978 10.680 10.465 10.298 10. 162 10.061 ‘92s 10.014 8.437 7.767 7.391 7.180 6,982 6.855 6.763 6.686 6.624 ToS 6-611 5.790 5.412 5.195 §.053 4.953 4.879 4.820 4.774 4.797 Tio 41082 3.781 3.620 3.521 3.455 3.406 3.969 3.341 3.318 3.299 r2=6 101 13.757 10.995 9,787 9,154 8.750 8.474 8.263 8.104 7.978 7.877 ‘028 8.821 7.264 6.602 6.229 $991 $.824 5.699 §.602 5.525 5.463 Tos 5.991 5.147 4.780 4.538 4.390 4.287 4.209 4.149 4.102 4,082 M10 3.777 3.465 9,290 3.183 3.108 3.086 3.015 2.985 2.959 2.998 1227 01 12.258 9.559 8.456 7.849 7.463 7.185 6.996 6.846 6.722 6.624 To2s $1075 6.545 5.891 5.925 5.289 §.122 4.998 49.902 4.828 4.763 ToS $1595 4.740 4.349 4.123 3.974 3.868 3.788 3.727 3.678 3.638 Tyo 3/591 3.258 9.075 2.962 2.885 2.828 2.786 2.753 2.728 2.704 r2=8 LOL 11.269 8.655 7.584 7.010 6.637 6.374 6.180 6.033 5.914 5.816 eas 71573 6.081 5.419 8.056 4.820 4,650 4.531 4.496 4.980 4,297 ToB 51322 4.480 4.069 2.840 3.690 3.582 3.502 9.440 3.989 3.348 Tio 31459 91114 2.924 2.807 2.727 2.670 2.625 2.591 2.562 2.540 r2=9 "OL 10,872 8.024 5.996 6.425 6.061 5.805 5.616 5.470 5.355 5.269 logs 71214 5.717 $.081 4.720 4.486 4.322 4.189 4.104 4.028 3.965 [05 G.11S 4.257 3.884 3.694 9.489 9.378 3.285 3.291 3.181 3.198 T103g8z 2.008 2.814 2.693 2.511 2.552 2.807 2.471 2.441 2.417 2 = 10 ‘Ol 10.059 7.562 6.898 §,998 5.841 5.388 5.204 5.060 4.984 4.852 Toes 8.939 5.459 4.829 4.470 4.238 4.074 3.951 3.857 2.781 3,719 oS 4.968 4.104 3.711 3.480 3.927 3.218 3.136 3.074 3.022 2.980 103.286 2.926 2.728 2.808 2.522 2.461 2.414 2.378 2.348 2,323 180 r2 = 01 2025 2 OL 1028, 105) 210 r2= 01 1028, 105; :10 1 35 6148.1 984.0 245.9 61.20 2 99.405 38.441 19.431 9,428 3 28.874 14. 254 8.705 5.200 4 14.202 858 857 870 poe 728 433 620 240 Dame BBZ 272, 2880 873 7 6,320 4.871 3.512 2.633 a 5.518 4,104 3.218 2.488 3 4.965 3.770 3.008 2.341 10 4.9861 3.823 2.897 2.248 20 6200.1 992.3 207.9 61.72 99. 40 39.451 19.447 9.443 26.689 14.168 022 804 844 8 860 332 2581 208 401 2172 :877 ag? ROMY WRO 160 2468 age. 596 w ose 361 oor 151 az6 giz 868. 338 300 PROS NoBT 408 420 8 202 RA 25 6235.2 997.6 249.1 62.04 99.480 39. 461 19.459 3.452 28.994 1ali7 8.694 5.175 13.911 8.501 5.769 3.828 9.453 6.270 4.823 2. 189 7.299 5.109 3.836 2.816 68.081 4.405 3.408 2.872 5.268 3.938 3.109 2.401 4.715 3.504 2.895 2.274 4.314 3.387 2.791 2.175 30 5252.8 1000.7 245.3 62.28 9g. 480 39.472 18. 463 8.459 28. 506 14.084 @.817 8.168 14.840 8.461 5.746 alee 9,382 6.228 4.497 3.176 7.234 8.069 3.820 2.802 8.998 4,365 2.377 2,557 5.201 21898 3.082 2.384 4.881 3.561 2.864 2.756 4.250 3.313 2.700 2.156 ry 3s 6270.5 1903.0 250.5 62.40 99, 480 39.472 19.471 9.464 26,453 14.086 8,808 5.163 13. 785 8.433 3.730 2.810 393 201 431 186 185 038 Tat 730 Regn oRae gaa 334 387 535 153 868 sg. a7 NEE N gage 60a, 531 84d 242 RNoe 208 281 879 143 181 40 6279.4 1004.8 251.0 62.52 99.480 33. 482 19.471 9.467 28.414 14.038 8. 596 5.180 13.747 8.413 8.717 3.804 9.298 6,180 4.465 3. 158 2.148 B07 2.777 2.782 8.910 4.312 3.343 2,536 5.119 3.842 3.044 2.362 4.568 2,508 2.827 2.293 4.168 3.287 2.862 2.132 63 6306.1 1003. 252.2 62.82 99.515 39.492 19. 483 9.476 26.311 13.885, 8.570 5.150 13.639 8.954 5.683 3.787 9.198 6.118 4.429 3.140 7.008 41953 3.738 2.760 5.812 4,248 3.300 2.511 5,023 3.277 3.000 2.337 4.473 3.442 2.782 2.208 4.072 3.191 2.616 2108 120 6202.9 1013.0 253.1 63.03 99.515 38. 492 ig. 433 6. 4B4 26.221 13. 950 8.550 5.143 13.958 8.309 5.858 3.778 120 073 200 123 gre 1908, 708, 743 738 2201 288 493 » Ope 980 728 368 317 400 393 748 185 998 141 581 O82, 155 6332.¢ 1014.6 253.3 63.11 99. 515 39. 492 19. 491 9. 485 26. 208 13.933 8.544 5.141 13.537 8.298 5.651 3.772 9.095 6.061 4.393 3.120 6.953 4.893 3.698 2.738 5.720 4.189 3.260 2.499 4.929 am 2.959 2.911 4.380 2.380 2.739 2.180 3.978 3.128 2.572 2.07F 200 6341.9 1014.8 253.6 53, 148 99.515 39. 502, 19.491, 9.487 26. 182 13.928 8.541 5.140 13.521 8.290 3.646 3.770 3.079 6.049 4,388 317 6.999 4.884 3,692 2.738 5.706 4177 2.254 2. 485 4a.gie 3.708 2.953 2,308 4.385 3. 389 2.792 2.175 9,985 S07 2.584 2.072 continua — r2=1 1 01 9.655 1025 6.730 105 4.845 110 3.228 12 = 12 01 9.332 1025 6.558 105 4.746 210 3.173 12243 01 9.080 1025 6.419, 105 4.638 210 3.136 re= 14 01 8.866 1028 6.302 05 4.803 103.101 2 01 8.886, 1025 6.204 105 4.544 10 3.074 r2 = 168 01 8.537 2028 6.118 05 4.493 +10 3.050 2 = 17 01 8,405 1025 6 041 105 4.453 10 3.026 12 = 18 2 7.210 5.257 3.384 2.862 6.929 5.099 3.889 2.808 6.701 4.967 3.806 2.764 6.521 4.e58 3.743 2.728 6,364 4.765 3.885 2.897 6.231 4.692 4.633 2.688 6.118 4.620 3.591 2.646 6.016 4.562 3.587 2.828 5.993 4.510 3.526 2.607 5.852 4.485 3.496 2.891 5.787 4.420 3.467 2.874 6. 4 3. 2. 5. 4 3. 2. 5. 4 3 2. 5. 4 3. 2. 8. 4. 2. 5, 4 a 2, 5, 4 2 2. Roos veow pepe 3 222 832 581 860 se 476 = 492 607 740 348 412 SEL 570 aL - 346 524 421 2153 . 289 490 292 or eat 481 188, 013, 197, 2439) 092, 955 161 416 13 308 - 129 399 941 98. 382 877 aig o74 385 4 5.670 4.28 3.387 2.537 5.41 4.123 3.259 2.482 5.208 3.999 3.173 2.438 5.039 3.893 3.112 2.396 4,896 3.808 3.087 2.382 ari 3.729 3.010 2.334 4.874 2.688 2.987 2,308 4,573 3.612 2.928 2.287 4.804 3.862 2.896 2.266 4.491 3.516 2.868 2.250 4.370 2.476 2.840 2.234 5 5.321 4.048 3.204 2.451 5.068 3.893 3.108 2.994 4.864 3.769 3.026 2.348 4.898 3.864 2.960 2.308 4. 856 3.578 2.902 2.273 4.442 3.804 2.852 2.243 4.398 4.439 2.812 2.219 4.252 3.384 2.773 2.197 aire 3.394 27a1 2.117 4,102 3.289 2711 2. 160 4.043 3.252 2.685 2.143 182 6 5.072 3.888 3.095 2.389 4.820 3.729 2.996 2.331 4.620 3.608 2.818 2.288 4.459 3.504 2.849 2.243 4.321 3.416 2.791 2.208 4.208 3.342 2.744 2.179 4.102 3.278 2.700 2.184 4.018 3.222 2.663 2.130 3.941 3.172 2628 2.110 3.875 3,129 2.599 2.093 3.818 3.091 2.574 2.077 7 4.890 3.760 3.013 2.343 4.844 3.608 2.915 2.284 4.442 3.aBa 2.934 2.234 4.278 3.380 2.764 2.195 4,143 3.296 2.708 2.158 4,028 3.222 2.657 2.128 3.927 3.158 2.615 2.103 3.842 3.101 2.877 2.079 3.765 3.053 2.545 2.059 3,898 3.910 2.516 2.081 3.642 2.970 2.490 2.025 8 .7a8. 864 981 305 prop 50, 512 849 246 305 388 187 197 143 285 2,700 2.154 OP VOLE Noe 4,008 201 2.643 2.120 3.893 126 593, ogg NOw 702 064 550, 063 jor 008 10 039 Yow KRow 633 957 a77 on7 nNne - 566, 2915, Aas +993 508 2874 2421 -982 eeNe 4 3. 2. 2. 4. 3. 2. 2. 4. 3 2 2 4 3 2 2 3 3 2 2 3. 3 2. 2. 3. 2 2. 2. 3. 2. 2 2 3 2 2. 1 3. 2. 2 632 581 B96. 275 392 436 73T 2214 194 ais TAS 184 033 211 545, 2122, aoe 128 588 087 783 050 539 057 685, 987 495, 029 . 599 2 OBL sé - 005 524 880 424 1984 459 837 394 985 400 B00, 367 948, 10 4,540 3.529 2.8ss 2.248 4.300 3.377 2.795 2.188 4.102 3.252 2.671 2.138 944 1a? 604 O97 HOw 3.808 3.060 2.545 2.061 2.694 2.987 2.498 2.029 3.595 2.925 2.451 2.001 3. 508 2.868 2.4aid 1.978 3,436 2.818 2.379 1.986 3.389 2.776 2.308 1.937 3.311 2.735 2.322 1.921 r2= 1115 -01_ 4.252 025 3.330 105 2.720 102.169 r2-= 12 -01 4,019 025 3.179 108 2.618 2102, 105 r2.= 19 01 3.819, 1028 3.053 05 2.534 210 2.055 r2= 14 -01 3.855 1025 2.951 108 2.464 102,011 12 = 15 -O1 3.524 1025 2.885 105 2.404 +10 1.973 12216 01 3.412 2028 2.788 108 2.353 :10 1.941 12=17 -01 3.311 1028 2.723 505 2,308 101.813, 72.5 18 01 3.230 2028 2.668 10S 227k 101.888 r= 19 01 3.154 1028 2.618 05 2.234 110 1.865 2 =20 01 3.091 1025 2.574 105 2.203, 101,848 72 = 24 01 3,030 2028 2.534 105 2.177 M0 1.828 20 4.102 3.226 2.649 2.124 3.861 3.074 21848 2.061 3.868 2.951 2.459 2,007 3,808 2.848 2.388 1.963 3.373 2.788 2.329 1.924 3.289 2.683 2.278 iag2 3.165 2-618 2.232 1.863 3.077 2.561 2182 1.837 3.003 2.510 2.156 1.815 2.998 2.468 2.124 1.788 2.880 2.428 2.097 1.778 PNRe een BANDE epee BNRO PEL NNoS SVEN BRR 25 908 165 601 oss 788 10 S00 033 574 882 aia 978 412 778 341 933 2a1 631 280 89s 168 815 228 861 070 550 182 832 a3 492 143 806 gos 4ai 107 Tea ane 396 O76 162 785 387 047 a4 30 3.901 3g 2.572 2.077 3.703 2.964 2.013 3.508 2.840 2.382 1,958 9.380 2.735 2.310 1.313 3.215 2.646 2. Ba8 1.874 a.101 2.963 2.195 1.839 3.003 2.503 2.149 1.810 2918 2,446 2.107 1.783 2.845 2.394 2.073 1.760 2.979 2.950 2-041 1.739 2.720 2.310 2.011 1.720 3.463 2.806 2.357 1.943 3.304 2. 700 2.284 1.897 3.168 2.612 2.223 1.858 3.057 2.534 2171 1,823 2.987 2.469 2.124 1.793 2.874 2.401 2.083 1.787 2.797 2.360 2.087 Tad 2.792 2.315 2.015 Lat 2.874 2.215 1, 986 1.708 183 a0 3.861 3.064 2.531 2.053 3.821 2.909 2.426 1.986 3.428 2.782 2.341 1.932 3.266 2.678 2.268 1.886 3.133 2.885 2.208 1.846 3.020 2.510 2.152 1.811 2.922 2.440 2.108 1.784 2.837 2.384 2.065 1.755 2.761 2.334 2.027 1731 2.697 2,283 1.994 1.709 2.637 2.248 1.968 1880 3.765 2.995 2.484 2.023 3.524 2.840 2.379 1.956 3.330 2.711 2.291 1.991 3.188 2.807 2.217 1.853 3.938 2.516 2.154 1.813 2.922 2.438 2.099 1.778 2.821 2.972 2.083 1747 2.738 2.312 2.011 1.718 2.883 2,262 Lara 1.695, 2.896 2.214 1.939 1.672 2.537 2.173 1.910 1.652 rene =eee BERR ERM omen ree PReeM cRNe en Beye 120 sa4 944 44g -993, 451 788 343 933 285 660 282 877 95 $53 479 828 960 481 116 7e8 84 384 OBL 2782 746 317 aut 720 660 : 287 +959 692 sas 203 932 668 518 ise 897 643 45S 116 sev 623 ERB ene rem BERN fENN oN ENDO SNNe =NNB 155 672 931 439 934 432 TH 332 926 237 646 243 870 077 538 188 822 941 2443, 103 780 825 370 cag. 744 726 301 938 72 840 241 624 583 188, 2918. Bsa 497 1a 886 636 436 ogg 254 515 200 3,659 2.922 2.431 1.980 3.416 2.764 2.324 4.922 3,222 2.695 2.238 1. B65 3.060 2.526 2.480 1817 2.925 2.436 2.095 1.778 2.806 2.387 2.041 1.739 2.711 2, 289 1.992 1.707 2.828 2.230 1.948 Lev 2.547 2.477 1.810 1652 2.479 2.128 1.876 1.630 2.421 2.087 1.846 1.810 continua —> r2=22 1 OL 7.950 1025 8.787 4,305 2.951 23 7.890 5.756 4.278 2.938 2a 7.830 5.716 4,263 2.928 28 TTT 5.693 4.241 2.918 28 7.728 5.682 4,226 2.909 27 7.617 5.639 4.210 2.902 2 = 28 01 7.642 1028 5.616 05 4.200 110 2.896 2 2a -01 7.596 1028 5.593 105 4.184 [102.887 r2 = 30 017.582 2025 5.570 105 4.174 110 2,880 wR NosM Noa” YEPD MERA NORE YuEa pero 2 724 387 443 563 670 354 424 ~ 550 616 321 404 339. 870 294 388 ) 332 268 369 521 age 2a7 387 510 488 220 342 503 424 20s 330 aa7 392 184 ais 490 3 4.820 3.783 3.050 2.383 4.765 3.752 3.030 2.341 4.722 2.728 3.010 2.329 4.680 3.894 2.993 2.317 4.898 3.672 2.977 2.308 4.803 3.851 2.960 2.2908 4.568 3.629 2.947 2.291 4,529 3/808 2,994 2.PRa 4.510 3.591 2.928 2.278 4 316 443 818 22t 268 412 197 208 220 380 776 195 179 358 761 186 143 330 744 175 108 308 728 167 ROP NOSE NYSE ONES YNBE HEF 4.077 3.289 2.714 2.158 4.098 3.270 2.703 2.149 4.018 3.252 2.691 2.143 Ss 989 215 863 128 a1 186 640 116 Ags. 158 e21 103 e586. 129 Bod, 093 ais BY YNOY WHEE NNOU NHWE NOHO WHOS WHEY Syuw 8 184 8 3. 780 3.087 2.850 2.061 3.712 3,023 2.528 2.048 3.868 2.996 2.510 2.037 3.829 2.970 2.492 2.025 3.591 2.947 2.474 2.015 4.862 2.925 2.461 2.005 3.529 2.902 2.446 1.998 3.800 2.887 2.434 1,988 3.476 2.868 2.421 1.980 3 2. 2. 2, 3, 2. 2, 1 3 2 2. 1 3. 2 2 1 3. 2 2 1 3 2. 2 1 3. 2. 3 2. 2. 7 987 934 ABA 008 SAL go2 444 2998 495 ava 424 924 459 843 406 1973 424 825. 389 ast 388 B03 374 982 361 782 943 330 784, 234g, 935 - 308, 336, 928 8 3.455 2.840 2.396 1.987 3.408 2.809 2.377 1.954 3.365 2.779 2.355 1.941 3.327 2.755 2.338 1.830 3.289 2.732 2.322 iigia 3.259 2.708 2.305 1.810 3.228 2,688 2.291 1.901 3.201 2,668 2.280 1.893 2.178 2.651 2.266 1.884 3. 2. 2. 1 a 2. 2 1 2. 2. 2. 1 3 2 2. 3. 2. 2. 3. 2. 2. 2. 346 7A 343 993 300 732 322 1919 258 703 +301 7908, 219 677 282 B95 183. 654 266 1884, 150 632 250 “876 122 612 237 867 995 2593, 2223, as os? SIT 212 843, PeNe Nee eyNe rere rene 033 006 529 177 828 980 513 167 820 r2=2218 20 2 30 35 40 685 120 188 200 +01 2,980 2,828 2.735 2.668 2.621 2.585 2.482 2.404 2.382 2.265 +025 2.500 2.389 2.922 2.273 2.237 2.210 2.135 2.077 2.08; 2.04g +05 2.152 2.071 2.021 1.984 1.959 1.939 1.883 1.839 1.827 1.817 +10 1.811 1.760 1.726 1.703 1.686 1.672 1.634 1.605 1.597 1.590 r2 = 23 -O1 2.931 2.782 2.685 2.621 2.574 2.537 2.434 2.955 2.934 2.317 1028 2.466 2.357 2.289 2.239 2.209 2.177 2.101 2.043 2.927 2.019 -05 2.128 2.049 1.998 1.961 1,935 1.915 1.858 1.819 1.801 1.791 10 1.796 1.744 1.710 1.687 1.689 1.655 1.818 1.582 1.580 1.579 2 = 24 +01 2,890 2.741 2.643 2.580 2.531 2.492 2.391 2.310 2.289 2.273 025 2.439 2.928 2.259 2.210 2175 2.147 2.071 2/011 1.994 1.982 +05 2.110 2.027 1.976 1.939 1.913 1.893 1.835 1.790 1.778 1.758 +10 01.783 1,731 1.696 1.673 1685 1.642 1.602 1.573 1.564 1.557 r2 = 25 -O1_ 2,852 2.700 2.604 2.599 2.492 2.454 2.350 2.271 2.248 2.292 +025 2.411 2.301 2.292 2.182 2.147 2.120 2.043 1.982 1.985 1.352 +05 2.089 2.003 1.956 1.921 1.893 1.872 1.815 1.770 1.757 1.747 «101.771 1.718 1,684 1.680 1.642 1.627 1.988 1.857 1.549 1.542 r2= 28 +01 2,815 2.686 2.569 2.503 2.456 2.419 2.315 2.234 2.212 2.195 2025 2.387 2.278 2.208 2.158 2.122 2.093 21015 1.955 1.938 1.926 +05 2.073 1.990 1.939 1.902 1.876 1.854 1.795 1.750 1.737 1.728 +10 1.760 1.706 1.672 1.548 1.630 1.615 1.575 1.545 1.935 1.529 2 = 27 +01 2.785 2.692 2.597 2.472 2.424 2.384 2.280 2.199 2.177 2.160 +025 2.365 2.255 2.184 2.195 2.097 2.071 1.992 1.932 1.919 1.901 +05 2.057 1.975 1.922 1.884 1.858 1.837 1.778 1.731 1.718 1.709 +10 1.750 1.696 1.661 1.636 1.618 1.804 1.564 1.531 1.523 1.517 r2 = 28 101 2.755 2.604 2.508 2.441 2.991 2.385 2.250 2.169 2.145 2.128 025 2.345 2.204 2.162 2.114 2.077 2.049 1.989 1.908 1.892 1.877 +05 2.083 1.959 1.905 1.870 1.842 1.822 1.762 1-715 1.701 1.892 +10 1.741 1.686 1.651 1.626 1.607 1.594 1.553 1.521 1.51: 1.505 r2 = 2g +01 2.726 2.574 2.479 2.414 2.385 2.326 2.221 2.139 2.116 2.099 1025 2.325 2.214 2.143 2.093 2.057 2.029 1.948 1.886 1.870 1.8568 +08 2.029 1.945 1.892 1.884 1.827 1.806 1.745 1.700 1.686 1.675 +10 1.731 1.676 1.642 1.617 1.598 1.582 19542 1/510 1.501 1.499 2 = 30 01 2.703 2.850 2.454 2.987 2.338 2.301 2.195 2.112 2.089 2.071 +025 2.308 2.197 2.124 2.078 2.039 2.009 1.990 1.867 1.849 1.835 +05 2,015 1.932 1.879 1.82 1.813 1.793 1.733 1.684 1.670 1.860 +100 1.723 1.667 1.693 1.607 1,588 1.574 1.532 1/499 1.490 1.482 TABLA CALCULADA POR BLANCA ROSA PEREZ SALVADOR, GFPARTAMENTO DE MATEMATICAS, UNIVERSIDAD AUTONOMA. —-METROPOLITAMA, UNIDAD —_IZTAPALAPA 185 ww Estadistica para Jas ciencias sociales vol. se terming de imprimir en junio de 1992 Tipografia e impzesién: Impresiones y Grabecos M ‘Serna, S.A. de C.V. Tel, 694 11 97, Fax 694 31 47 icidn consta de 1000 ejemplares y estuve al euidado de la Coordinacida de Extensién Universitaria de Is UAMT La