ApuntesEstadistica PDF

ESCUELA TECNICA
SUPERIOR DE INGENIEROS AERONAUTICOS
ESTADISTICA
Marta Cordero Gracia

Jose Olarrea Busto
Dpto. de Matematica Aplicada y Estadstica
Indice general
1. Estadstica descriptiva
1.1. Notacion . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
1.2. Formas de agrupar los datos de una muestra . . . . . . . . . . . . . . . . .
1.3. Representacion grafica . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
1.4. Medidas numericas descriptivas . . . . . . . . . . . . . . . . . . . . . . . .
1.4.1. Medidas de posicion . . . . . . . . . . . . . . . . . . . . . . . . . .
1.4.2. Medidas de dispersion . . . . . . . . . . . . . . . . . . . . . . . . .
1.4.3. Medida de asimetra . . . . . . . . . . . . . . . . . . . . . . . . . .
1.4.4. Medida de apuntamiento . . . . . . . . . . . . . . . . . . . . . . . .
2. An
alisis combinatorio
11
2.1. Permutaciones . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 13
2.2. Variaciones . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 14
2.3. Combinaciones . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 15
3. Algebra
de sucesos
19
3.1. Experimento aleatorio . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 20

3.2. Sucesos . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 20
3.3. Operaciones con sucesos . . . . . . . . . . . . . . . . . . . . . . . . . . . . 21
3.3.1. Union de sucesos . . . . . . . . . . . . . . . . . . . . . . . . . . . . 21
3.3.2. Interseccion de sucesos . . . . . . . . . . . . . . . . . . . . . . . . . 21
3.3.3. Propiedades de la union y la interseccion . . . . . . . . . . . . . . . 21
3.3.4. Diferencia de sucesos . . . . . . . . . . . . . . . . . . . . . . . . . . 22
3.3.5. Suceso complementario . . . . . . . . . . . . . . . . . . . . . . . . . 22
4. Teora de la probabilidad
23
4.1. Concepto de probabilidad . . . . . . . . . . . . . . . . . . . . . . . . . . . 24

4.1.1. Probabilidad clasica
. . . . . . . . . . . . . . . . . . . . . . . . . . 24
i
4.1.2. Probabilidad frecuentista . . . . . . . . . . . . . . . . . . . . . . . . 24

4.1.3. Axiomatica del calculo de probabilidades . . . . . . . . . . . . . . . 26
4.1.4. Axiomatica de Kolmogorov . . . . . . . . . . . . . . . . . . . . . . 28
4.2. Teoremas del calculo de probabilidades . . . . . . . . . . . . . . . . . . . . 29
4.3. Probabilidad condicional . . . . . . . . . . . . . . . . . . . . . . . . . . . . 31
4.3.1. Regla de la multiplicacion . . . . . . . . . . . . . . . . . . . . . . . 32
4.3.2. Teorema de la probabilidad total . . . . . . . . . . . . . . . . . . . 33
4.3.3. Teorema de Bayes . . . . . . . . . . . . . . . . . . . . . . . . . . . . 33
4.4. Independencia de sucesos . . . . . . . . . . . . . . . . . . . . . . . . . . . . 34
5. Variable aleatoria unidimensional
37
5.1. Variable aleatoria . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 38

5.1.1. Definicion matematica . . . . . . . . . . . . . . . . . . . . . . . . . 38
5.1.2. Definicion intuitiva . . . . . . . . . . . . . . . . . . . . . . . . . . . 39
5.2. Variable aleatoria discreta . . . . . . . . . . . . . . . . . . . . . . . . . . . 40
5.2.1. Funcion de probabilidad . . . . . . . . . . . . . . . . . . . . . . . . 40
5.2.2. Funcion de distribucion . . . . . . . . . . . . . . . . . . . . . . . . . 41
5.3. Variable aleatoria continua . . . . . . . . . . . . . . . . . . . . . . . . . . . 42
5.3.1. Funcion de distribucion y funcion de densidad . . . . . . . . . . . . 42
5.4. Variable aleatoria mixta . . . . . . . . . . . . . . . . . . . . . . . . . . . . 44
5.5. Transformaciones de variables aleatorias . . . . . . . . . . . . . . . . . . . 46
5.5.1. Variable aleatoria discreta . . . . . . . . . . . . . . . . . . . . . . . 46
5.5.2. Variable aleatoria continua . . . . . . . . . . . . . . . . . . . . . . . 48
5.5.3. Transformacion integral . . . . . . . . . . . . . . . . . . . . . . . . 49
5.6. Distribuciones truncadas . . . . . . . . . . . . . . . . . . . . . . . . . . . . 50
6. Momentos de una variable aleatoria unidimensional
53
6.1. Esperanza matematica . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 54

6.2. Momento de orden k de una variable aleatoria . . . . . . . . . . . . . . . . 55
6.3. Varianza y desviacion tpica . . . . . . . . . . . . . . . . . . . . . . . . . . 56
6.4. Otros valores tpicos . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 57
6.5. Coeficientes de asimetra y curtosis . . . . . . . . . . . . . . . . . . . . . . 58
6.6. Teorema de Markov. Desigualdad de Chebychev . . . . . . . . . . . . . . . 60
6.7. Funcion generatriz de momentos . . . . . . . . . . . . . . . . . . . . . . . . 61
6.8. Funcion caracterstica . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 62
6.8.1. Cambio de variable en la funcion caracterstica . . . . . . . . . . . . 64
ii
7. Variable aleatoria bidimensional y n-dimensional
65
7.1. Variable aleatoria bidimensional . . . . . . . . . . . . . . . . . . . . . . . . 66

7.2. Variable aleatoria bidimensional discreta . . . . . . . . . . . . . . . . . . . 66
7.2.1. Funcion de probabilidad . . . . . . . . . . . . . . . . . . . . . . . . 67
7.2.2. Funcion de distribucion . . . . . . . . . . . . . . . . . . . . . . . . . 67
7.3. Variable aleatoria bidimensional continua . . . . . . . . . . . . . . . . . . . 69
7.3.1. Funcion de distribucion y funcion de densidad . . . . . . . . . . . . 69
7.4. Variable aleatoria bidimensional condicional . . . . . . . . . . . . . . . . . 72
7.5. Variables aleatorias bidimensionales independientes . . . . . . . . . . . . . 75
7.6. Momentos de una variable aleatoria bidimensional . . . . . . . . . . . . . . 76
7.6.1. Propiedades de las varianzas y la covarianza . . . . . . . . . . . . . 78
7.6.2. Coeficiente de correlacion lineal . . . . . . . . . . . . . . . . . . . . 80
7.7. Funcion caracterstica de una variable aleatoria bidimensional . . . . . . . 81
7.8. Transformacion de variables aleatorias bidimensionales . . . . . . . . . . . 82
7.8.1. Una funcion de dos variables aleatorias . . . . . . . . . . . . . . . . 82
7.8.2. Dos funciones de dos variables aleaorias . . . . . . . . . . . . . . . . 82
7.9. Variable aleatoria n-dimensional . . . . . . . . . . . . . . . . . . . . . . . . 84
8. Distribuciones de probabilidad discretas
85
8.1. Distribucion de Bernoulli, B(1, p) . . . . . . . . . . . . . . . . . . . . . . . 86

8.2. Distribucion Binomial, B(n, p) . . . . . . . . . . . . . . . . . . . . . . . . 86
8.2.1. Teorema de adicion para distribuciones Binomiales . . . . . . . . . 88
8.2.2. Distribucion de la proporcion . . . . . . . . . . . . . . . . . . . . . 89
8.3. Distribucion de Poisson, P() . . . . . . . . . . . . . . . . . . . . . . . . . 89
8.3.1. Teorema de adicion para distribuciones de Poisson . . . . . . . . . . 90
8.3.2. Probabilidad condicional . . . . . . . . . . . . . . . . . . . . . . . . 91
8.3.3. Aproximacion de una Binomial por una Poisson . . . . . . . . . . . 92
8.4. Distribucion Hipergeometrica, H(n, N, A) . . . . . . . . . . . . . . . . . . 92
8.5. Distribucion Geometrica, G(p) . . . . . . . . . . . . . . . . . . . . . . . . 94
8.6. Distribucion Binomial Negativa, BN(r, p) . . . . . . . . . . . . . . . . . . 95
8.6.1. Teorema de adicion para distribuciones Binomiales Negativas . . . . 96
iii
9. Distribuciones de probabilidad continuas
99
9.1. Distribucion Uniforme, U(a, b) . . . . . . . . . . . . . . . . . . . . . . . . 100

9.2. Distribucion Normal, N(, ) . . . . . . . . . . . . . . . . . . . . . . . . . 101
9.2.1. Teorema de adicion para distribuciones Normales . . . . . . . . . . 103
9.2.2. Distribucion Normal estandar . . . . . . . . . . . . . . . . . . . . . 104
9.3. Distribucion Log-Normal, Log-N(, ) . . . . . . . . . . . . . . . . . . . 105
9.4. Distribucion 2 de Pearson, 2n . . . . . . . . . . . . . . . . . . . . . . . . 107
9.4.1. Teorema de adicion para distribuciones 2 de Pearson
. . . . . . . 108
9.5. Distribucion t-Student, tn . . . . . . . . . . . . . . . . . . . . . . . . . . . 109

9.6. Distribucion F-Snedecor, Fn,m . . . . . . . . . . . . . . . . . . . . . . . . . 110
9.7. Distribucion Exponencial, Exp() . . . . . . . . . . . . . . . . . . . . . . 111
9.7.1. Teorema de adicion para distribuciones Exponenciales . . . . . . . . 113
9.8. Distribucion de Erlang Er(n, )
. . . . . . . . . . . . . . . . . . . . . . . 113
9.8.1. Teorema de adicion para distribuciones de Erlang . . . . . . . . . . 115

9.9. Relacion entre las distribuciones de Poisson, Exponencial y Erlang . . . . . 115
9.10. Distribucion de Weibull, W(r, ) . . . . . . . . . . . . . . . . . . . . . . . 117
9.11. Distribucion Gamma, G(p, q) . . . . . . . . . . . . . . . . . . . . . . . . . 118
9.11.1. Teorema de adicion para distribuciones Gamma . . . . . . . . . . . 119
9.12. Distribucion Beta, B(p, q) . . . . . . . . . . . . . . . . . . . . . . . . . . . 120
9.12.1. Transformaciones . . . . . . . . . . . . . . . . . . . . . . . . . . . . 121
9.13. Relaciones entre distribuciones continuas . . . . . . . . . . . . . . . . . . . 121
9.14. Distribucion Normal Bidimensional . . . . . . . . . . . . . . . . . . . . . . 123
10.Convergencia de sucesiones de variables aleatorias
127
10.1. Convergencia en ley . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 128

10.2. Problema central del lmite . . . . . . . . . . . . . . . . . . . . . . . . . . . 129
10.2.1. Teorema de Levy-Lindeberg . . . . . . . . . . . . . . . . . . . . . . 129
10.2.2. Teorema de Lindeberg . . . . . . . . . . . . . . . . . . . . . . . . . 129
10.3. Aproximaciones a la distribucion Normal . . . . . . . . . . . . . . . . . . . 130
10.3.1. Distribucion Binomial . . . . . . . . . . . . . . . . . . . . . . . . . 130
10.3.2. Distribucion de Poisson . . . . . . . . . . . . . . . . . . . . . . . . . 131
10.3.3. Distribucion 2 de Pearson . . . . . . . . . . . . . . . . . . . . . . 132
10.3.4. Distribucion t-Student . . . . . . . . . . . . . . . . . . . . . . . . . 132
11.Regresi
on y correlaci
on
133
11.1. Introduccion . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 134

iv
11.2. Regresion . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 134

11.2.1. Metodo de los mnimos cuadrados . . . . . . . . . . . . . . . . . . . 134
11.2.2. Metodo de la distribucion condicional . . . . . . . . . . . . . . . . . 136
11.2.3. Regresion Lineal . . . . . . . . . . . . . . . . . . . . . . . . . . . . 137
11.3. Correlacion . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 139
11.3.1. Coeficiente de correlacion lineal . . . . . . . . . . . . . . . . . . . . 140
12.Distribuciones de muestreo
143
12.1. Introduccion . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 144

12.2. Definicion de estadstico . . . . . . . . . . . . . . . . . . . . . . . . . . . . 145
12.3. Estadstico media muestral . . . . . . . . . . . . . . . . . . . . . . . . . . . 145
12.3.1. Poblacion Madre Normal . . . . . . . . . . . . . . . . . . . . . . . . 145
12.3.2. Poblacion Madre
no Normal
(n 1)s2
12.4. Estadstico
. . . . . . .
2
x
12.5. Estadstico
. . . . . . . . .
s/ n
12.5.1. Poblacion Madre Normal . .
. . . . . . . . . . . . . . . . . . . . . . 146
. . . . . . . . . . . . . . . . . . . . . . 146
. . . . . . . . . . . . . . . . . . . . . . 147
. . . . . . . . . . . . . . . . . . . . . . 147
12.5.2. Poblacion Madre no Normal . . . . . . . . . . . . . . . . . . . . . . 148

12.6. Estadstico varianza muestral . . . . . . . . . . . . . . . . . . . . . . . . . 148
12.6.1. Poblacion Madre Normal . . . . . . . . . . . . . . . . . . . . . . . . 148
12.6.2. Poblacion Madre no Normal . . . . . . . . . . . . . . . . . . . . . . 149
12.7. Estadstico desviacion tpica muestral . . . . . . . . . . . . . . . . . . . . . 150
12.8. Estadstico diferencia de medias muestrales . . . . . . . . . . . . . . . . . . 152
12.9. Estadstico cociente de varianzas muestrales . . . . . . . . . . . . . . . . . 153
12.10.Estadstico proporcion muestral . . . . . . . . . . . . . . . . . . . . . . . . 154
12.11.Estadstico elemento que ocupa el lugar r
. . . . . . . . . . . . . . . . . . 155
12.11.1.Estadstico maximo valor de una muestra . . . . . . . . . . . . . . . 155

12.11.2.Estadstico mnimo valor de una muestra . . . . . . . . . . . . . . . 156
12.11.3.Estadstico recorrido de una muestra . . . . . . . . . . . . . . . . . 156
12.11.4.Estimacion de cuantiles . . . . . . . . . . . . . . . . . . . . . . . . . 157
13.Estimaci
on puntual y estimaci
on por intervalo
159
13.1. Introduccion . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 161

13.2. Propiedades deseables de los estimadores puntuales . . . . . . . . . . . . . 163
13.2.1. Estimador suficiente . . . . . . . . . . . . . . . . . . . . . . . . . . 163
13.2.2. Estimador consistente . . . . . . . . . . . . . . . . . . . . . . . . . 164
13.2.3. Error cuadratico medio . . . . . . . . . . . . . . . . . . . . . . . . . 165
v
13.2.4. Estimador insesgado . . . . . . . . . . . . . . . . . . . . . . . . . . 166

13.2.5. Estimador eficiente . . . . . . . . . . . . . . . . . . . . . . . . . . . 167
13.3. Metodos de estimacion puntual . . . . . . . . . . . . . . . . . . . . . . . . 170
13.3.1. Metodo de maxima verosimilitud . . . . . . . . . . . . . . . . . . . 170
13.3.2. Propiedades de los estimadores de maxima verosimilitud . . . . . . 172
13.3.3. Metodo de los momentos . . . . . . . . . . . . . . . . . . . . . . . . 173
13.4. Estimacion por intervalo de confianza . . . . . . . . . . . . . . . . . . . . . 174
13.4.1. Intervalo de confianza para la media . . . . . . . . . . . . . . . . . 176
13.4.2. Intervalo de confianza para la varianza . . . . . . . . . . . . . . . . 179
13.4.3. Intervalo de confianza para la diferencia de medias
. . . . . . . . . 180
13.4.4. Intervalo de confianza para el cociente de varianzas . . . . . . . . . 182

13.4.5. Intervalo de confianza para la proporcion poblacional . . . . . . . . 183
13.5. Intervalo de confianza asintotico . . . . . . . . . . . . . . . . . . . . . . . . 185
14.Teora de muestras de poblaci
on finita
187
14.1. Introduccion . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 188

14.2. Distribuciones de muestreo . . . . . . . . . . . . . . . . . . . . . . . . . . . 189
14.2.1. Estadstico media muestral . . . . . . . . . . . . . . . . . . . . . . . 189
14.2.2. Estadstico varianza muestral . . . . . . . . . . . . . . . . . . . . . 191
14.2.3. Estadstico proporcion muestral . . . . . . . . . . . . . . . . . . . . 193
14.3. Intervalos de confianza . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 194
14.3.1. Intervalo de confianza para la media poblacional . . . . . . . . . . . 194
14.3.2. Intervalo de confianza para la proporcion poblacional . . . . . . . . 195
15.Contraste de hip
otesis
197
15.1. Introduccion . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 198

15.2. Las hipotesis nula y alternativa . . . . . . . . . . . . . . . . . . . . . . . . 199
15.3. Metodologa . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 203
15.4. Nivel de significacion y region crtica . . . . . . . . . . . . . . . . . . . . . 204
15.5. Valor-p . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 206
15.6. Potencia de un contraste . . . . . . . . . . . . . . . . . . . . . . . . . . . . 209
15.7. Contrastes para la media de una poblacion . . . . . . . . . . . . . . . . . . 209
15.7.1. Varianza conocida . . . . . . . . . . . . . . . . . . . . . . . . . . . . 210
15.7.2. Varianza desconocida . . . . . . . . . . . . . . . . . . . . . . . . . . 211
15.8. Comparacion de medias . . . . . . . . . . . . . . . . . . . . . . . . . . . . 213
15.8.1. Varianzas conocidas . . . . . . . . . . . . . . . . . . . . . . . . . . . 213
vi
15.8.2. Varianzas desconocidas e iguales . . . . . . . . . . . . . . . . . . . . 213

15.8.3. Varianzas desconocidas y distintas . . . . . . . . . . . . . . . . . . . 213
15.8.4. Muestras apareadas . . . . . . . . . . . . . . . . . . . . . . . . . . . 214
15.9. Pruebas sobre proporciones . . . . . . . . . . . . . . . . . . . . . . . . . . 214
15.9.1. Diferencia de dos proporciones . . . . . . . . . . . . . . . . . . . . . 215
15.10.Pruebas sobre varianzas . . . . . . . . . . . . . . . . . . . . . . . . . . . . 215
15.10.1.Una poblacion . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 215
15.10.2.Comparacion de varianzas . . . . . . . . . . . . . . . . . . . . . . . 215
16.Contrastes no param
etricos
219
16.1. Contraste 2 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 220

16.1.1. Prueba de bondad del ajuste . . . . . . . . . . . . . . . . . . . . . . 221
16.1.2. Prueba de homogeneidad . . . . . . . . . . . . . . . . . . . . . . . . 222
16.1.3. Prueba de independencia . . . . . . . . . . . . . . . . . . . . . . . . 223
16.2. Contraste de Kolmogorov-Smirnov
. . . . . . . . . . . . . . . . . . . . . . 223
16.3. Otros contrastes no parametricos . . . . . . . . . . . . . . . . . . . . . . . 224

16.3.1. Contrastes de posicion . . . . . . . . . . . . . . . . . . . . . . . . . 224
16.3.2. Contrastes de independencia . . . . . . . . . . . . . . . . . . . . . . 228
16.4. Ejemplos . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 230
17.Regresi
on lineal simple
251
17.1. Introduccion . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 252

17.2. Modelo lineal . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 253
17.3. Metodo de mnimos cuadrados . . . . . . . . . . . . . . . . . . . . . . . . . 254
17.4. Propiedades de los estimadores de mnimos cuadrados . . . . . . . . . . . . 256
17.4.1. Propiedades generales
. . . . . . . . . . . . . . . . . . . . . . . . . 256
17.4.2. Condiciones de normalidad . . . . . . . . . . . . . . . . . . . . . . . 257

17.5. Varianza residual . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 257
17.6. Inferencias respecto a los parametros . . . . . . . . . . . . . . . . . . . . . 258
17.7. Prediccion . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 259
17.7.1. Estimacion de la respuesta media . . . . . . . . . . . . . . . . . . . 259
17.7.2. Prediccion de una observacion . . . . . . . . . . . . . . . . . . . . . 260
17.8. Analisis de la varianza . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 261
17.9. Coeficiente de correlacion . . . . . . . . . . . . . . . . . . . . . . . . . . . . 263
17.9.1. Inferencias sobre el coeficiente de correlacion . . . . . . . . . . . . . 264
17.10.Contraste de linealidad . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 265
vii
A. Tablas estadsticas
271
B. Resumen de distribuciones
303
viii
Estadstica
descriptiva
1
Indice
1.1. Notaci
on . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
1.2. Formas de agrupar los datos de una muestra . . . . . . . . . .
1.3. Representaci
on gr
afica . . . . . . . . . . . . . . . . . . . . . . .
1.4. Medidas num

ericas descriptivas . . . . . . . . . . . . . . . . . .
1.4.1. Medidas de posici

on . . . . . . . . . . . . . . . . . . . . . . . .
1.4.1.1.
Medidas de tendencia central . . . . . . . . . . . . . .
1.4.1.2.
Cuantiles . . . . . . . . . . . . . . . . . . . . . . . . .
1.4.2. Medidas de dispersi

on . . . . . . . . . . . . . . . . . . . . . . .
1.4.2.1.
Varianza y desviacion tpica . . . . . . . . . . . . . .
1.4.2.2.
Desviacion media . . . . . . . . . . . . . . . . . . . .
1.4.2.3.
Coeficiente de variaci
on de Pearson . . . . . . . . . .
1.4.2.4.
Recorrido . . . . . . . . . . . . . . . . . . . . . . . . .
1.4.3. Medida de asimetra . . . . . . . . . . . . . . . . . . . . . . . .
1.4.4. Medida de apuntamiento
. . . . . . . . . . . . . . . . . . . . .
Estadstica
La estadstica descriptiva tiene por objeto describir y analizar un determinado con-
junto de datos sin pretender sacar conclusiones de tipo mas general.

El conjunto de datos en cuestion representa una muestra de los distintos valores que
puede tomar una poblacion (e.g. estatura de los alumnos de la Escuela, ingresos familiares
de una unidad familiar, estado civil, n
umero de grietas en las alas de un determinado
modelo de avion)
Las variables se pueden clasificar en:
Cuantitativas: variables en las que los datos difieren en magnitud (e.g. estaturas, ingresos
anuales, etc)
Cualitativas: variables en las que los datos difieren en tipo (e.g. estado civil, nacionalidad,
etc)
En este captulo se tratara u
nicamente con variables cuantitativas.
Para obtener una muestra de valores de una variable cuantitativa es necesario realizar
medidas con una determinada escala y unidad de medida. La unidad de medida puede
ser infinitamente divisible (e.g. km, m, cm, mm, . . . ) o indivisible (e.g. tama
no de una
unidad familiar). Cuando la unidad de medida es infinitamente divisible, la variable se
dice que es continua. En el caso de unidad de medida indivisible, se dice que la variable
es discreta. En otras palabras,
Variable continua: aquella que puede tomar un n
umero infinito no numerable de valores.
Variable discreta: aquella que puede tomar un n
umero finito o infinito numerable de valores.
1.1.
Notaci
on
La notacion que vamos a utilizar a lo largo de este captulo es la siguiente:

Disponemos de N observaciones, r de las cuales son distintas {x1 , x2 , . . . , xr }.
Las observaciones estan ordenadas en forma creciente x1 < x2 < < xr .
Cada observacion xi ha aparecido ni veces.
Se llama frecuencia absoluta de la observacion xi al valor ni , siendo
r
X
i=1
ni = N
1 Estadstica descriptiva
Se llama frecuencia absoluta acumulada de la observacion xi , al valor

Ni =
i
X
nk
k=1
siendo Nr = N
Se llama frecuencia relativa de la observacion xi al valor
fi =
siendo
r
X
ni
N
fi = 1
i=1
Se llama frecuencia relativa acumulada de la observacion xi , al valor

Fi =
i
X
fk
k=1
siendo Fr = 1
1.2.
Formas de agrupar los datos de una muestra
Tabla Tipo I. Se utiliza cuando el n

umero de observaciones es reducido (N es
peque
no), y cada valor distinto ha aparecido una sola vez (todas las frecuencias
absolutas valen uno).
xi
ni
x1
x2
..
.
1
..
.
xN
Tabla Tipo II. Se utiliza cuando el n

umero de observaciones es grande (N es grande), pero el n
umero de valores distintos que han aparecido es peque
no (algunas
frecuencias absolutas son distintas de uno).
Estadstica
xi
ni
x1
n1
x2
..
.
n2
..
.
xr
nr
Tabla Tipo III. Se utiliza cuando tanto el n

umero de observaciones como el n
umero
de valores distintos que han aparecido es grande. En este caso, elegiremos unos
intervalos, Li1 Li , de amplitud, ai = Li Li1 , fija o variable, que contengan
a la totalidad de los valores observados.
[L0 ,L1 )
[L1 ,L2 )
z
}|
{z
}|
{
x1 , x2 , x3 , x4 , x5 , x6 , x7 , x8 , x9 , x10 ,
..
.
x82 , x83 , x84 , x85 , x86 , x87 , x88 , x89 , x90

|
{z
}|
{z
}
[Lr2 ,Lr1 )
[Lr1 ,Lr )
Li1 Li
ni
L0 L1
n1
L1 L2
..
.
n2
..
.
Lr1 Lr
nr
En las tablas tipo III, se sugieren las siguientes normas :

Se debe intentar que los intervalos sean de amplitud constante.
Los intervalos se deben tomar semiabiertos, [Li1 , Li ).
Para facilitar los calculos, se definen las marcas de clase como
xi =
Li1 + Li
2
convirtiendolas en tablas tipo II.
1.3.
Representaci
on gr
afica
Hay muchas formas de representar graficamente una tabla, aqu veremos solo algunas
de ellas.
5
Polgono de frecuencias
Diagrama de barras
n 6
n 6
n2
n4
nr
n2
n3
n1
n1
"
"
"
aa ""
a"
%%
%
x1
x2
xr
x1 x2
x3
x4
Histograma
Histograma
h 6
n 6
h2
n2
h3
n3
n2
A2
n3
h1
A3
n1
n1
A1
-
L0
L1
ai = Li Li1 ,
1.4.
L2 L3
hi =
L0
ni
ai
L1
L2 L3
Ai = ai ni
Medidas num
ericas descriptivas
Una vez que se han recogido y graficado los datos, es conveniente definir algunas
medidas numericas para describirlos. Existen dos medidas de especial interes para cualquier conjunto de datos: la localizacion de su centro y su variabilidad. Ademas, hay otras
medidas tambien importantes como la localizacion de los extremos y la forma en que se
distribuyen los datos.
Estadstica
1.4.1.
Medidas de posici
on
1.4.1.1.
Medidas de tendencia central
Estas medidas indican donde se encuentra el centro de los datos

Media muestral (
x)
La medida de tendencia central mas utilizada es la media muestral o simplemente
media,
x =
r
x1 n1 + x2 n2 + + xr nr
1 X
xi ni
=
n1 + n2 + + nr
N i=1
Otros tipos de medias

Media geometrica
xG = (x1 n1 x2 n2 xr nr )1/N
Media cuadratica
xQ =
Media armonica
x21 n1 + x22 n2 + + x2r nr

N
N
xA = n1 n2
nr
+
++
x1 x2
xr
Media ponderada
xp =
x1 p1 + x2 p2 + + xr pr
p1 + p2 + + pr
Se cumple: xA xG x xQ
Mediana (Me)
La mediana es la medida de tendencia central que, supuestos los valores de la muestra
ordenados en forma creciente, deja igual n
umero de observaciones por debajo y por
encima de ella. As, suponiendo que los valores de la muestra son x1 x2 xN
Me =
xN
[ 2 ]+1
Si
/N
2

1 xN + xN
Si
N
+1
2
2
2
2
donde los corchetes, [ ], indican la parte entera.

Moda (Mo)
La moda se define como el valor de la muestra que tiene maxima frecuencia. La

moda no siempre es u
nica. As, si una muestra tiene dos modas se llamara bimodal,
si tiene tres modas trimodal, etc.
1.4.1.2.
Cuantiles
Ya hemos visto que la mediana divide el conjunto de datos en dos partes de igual
tama
no. Para obtener medidas de localizacion mas finas, solo es cuestion de dividir el
conjunto de datos en mas de dos partes. De esta forma se definen los p-cuantiles, siendo p
la proporcion de datos que deja el cuantil a su izquierda. Si tenemos la muestra ordenada
de forma creciente, x1 x2 xN , el p-cuantil viene dado por
xp =
[N p]+1
Si Np
/N
1 (x + x
Np
N p+1 ) Si Np N
2
donde los corchetes, [ ], indican la parte entera. Los casos particulares de cuantiles mas
utilizados son
Cuartiles (Q1/4 , Q2/4 , Q3/4 )
Son los 3 valores de la muestra que dividen las observaciones en 4 partes iguales.
Deciles (D1/10 , D2/10 , . . . , D9/10 )
Centiles o percentiles (P1/100 , P2/100 , . . . , P99/100 )
Estadstica
1.4.2.
Medidas de dispersi
on
1.4.2.1.
Varianza y desviaci
on tpica
Las medidas de dispersion mas utilizadas son la varianza y la desviacion tpica. La

varianza muestral, s2 , es un tipo de promedio de las desviaciones de los valores observados
respecto de su media, y se define como
r
(x1 x)2 n1 + + (xr x)2 nr

1 X
s =
(xi x)2 ni
=
(n1 + n2 + + nr ) 1
N 1 i=1
2
La desviacion tpica se define como la raz cuadrada de la varianza y tiene las mismas
dimensiones que los datos originales.
s=
1.4.2.2.
v
u
u
s2 = t
1 X
(xi x)2 ni
N 1 i=1
Desviaci
on media
Se define la desviacion media respecto de un parametro cualquiera, p, como

DMp =
r
1 X
|xi p| ni
N i=1
donde, generalmente, como parametro p se utiliza la media o la mediana.

1.4.2.3.
Coeficiente de variaci
on de Pearson
El coeficiente de variacion de Pearson, definido como el cociente

s
(
x 6= 0)
x
mide la dispersion de la distribucion, al igual que la desviacion tpica o la varianza, con
C.V. =
la ventaja de ser un coeficiente adimensional.

1.4.2.4.
Recorrido
Es la diferencia entre el valor maximo y el valor mnimo que toma la muestra

R = max{xi } mn{xi }
Ademas, se define
Rango intercuartlico
Rango semicuartlico
1.4.3.
RI = Q3/4 Q1/4
RSI =
Q3/4 Q1/4
RI
=
2
2
Medida de asimetra
En un conjunto de datos simetricos respecto a su media, x, la suma
P
(xi x)3
sera nula, mientras que con datos asimetricos esta suma crecera con el grado de asimetra.
Para obtener una medida adimensional del grado de asimetra se define el coeficiente de
asimetra o deformacion como
P
n (xi x)3
CA =
(n 1)(n 2)s3
(n 3 y s 6= 0)
donde s es la desviacion tpica de la muestra. Valores grandes y negativos de CA son

indicativos de asimetra hacia la izquierda (
x <Me<Mo) mientras que valores grandes y
positivos son indicativos de asimetra hacia la derecha (
x >Me>Mo).
1.4.4.
Medida de apuntamiento
Para medir si una distribucion de datos es mas puntiaguda o mas achatada de lo

normal, se define el coeficiente de apuntamiento o curtosis como
P
n(n + 1) (xi x)4
3(n 1)2
CAp =
(n 1)(n 2)(n 3)s4 (n 2)(n 3)
(n 4 y s 6= 0)
donde s es la desviacion tpica de la muestra. Si CAp> 0 indica que la distribucion es

puntiaguda, mientras que si CAp< 0 indica que es achatada.
10
Estadstica
Analisis
combinatorio
2
Indice
2.1. Permutaciones . . . . . . . . . . . . . . . . . . . . . . . . . . . .
13
2.1.0.1.
Sin repeticion
. . . . . . . . . . . . . . . . . . . . . .
13
2.1.0.2.
Con repeticion . . . . . . . . . . . . . . . . . . . . . .
14
2.2. Variaciones . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
14
2.2.0.3.
Sin repeticion
. . . . . . . . . . . . . . . . . . . . . .
14
2.2.0.4.
Con repeticion . . . . . . . . . . . . . . . . . . . . . .
15
2.3. Combinaciones . . . . . . . . . . . . . . . . . . . . . . . . . . . .
15
2.3.0.5.
Sin repeticion
. . . . . . . . . . . . . . . . . . . . . .
15
2.3.0.6.
Con repeticion . . . . . . . . . . . . . . . . . . . . . .
16
11
12
El principal objetivo de la combinatoria o, por lo menos en el que estamos aqu mas
interesados es el de hallar el cardinal de un conjunto finito o, dicho de otro modo, contar.
Una posible definicion matematica de la accion que supone contar es la de establecer una
biyeccion entre el conjunto que se desea contar y los n
umeros naturales, de modo que
podamos enumerar los elementos como el uno, el dos, etc.
Es facil, por ejemplo, contar el n
umero de cuadrados perfectos que hay entre 100
y 1000. Basta observar que 100 = (9 + 1)2 y que el mayor cuadrado perfecto menor que
1000 es 961 = 312 = (9 + 22)2 . Hemos establecido una biyeccion entre el conjunto que
deseabamos contar y los naturales entre el 1 y el 22. Hay, por tanto, 22 cuadrados perfectos
entre 100 y 1000.
Sin embargo, la mayor parte de las veces, no es evidente o siquiera posible como
establecer tal biyeccion. Un primer procedimiento accesible en estos casos es el denominado
constructivo. Se trata de recorrer los pasos necesarios para formar todos los elementos del
conjunto anotando las alternativas que puedan elegirse en cada uno.
Veamos un ejemplo: De cuantas maneras se pueden sentar tres chicas y tres chicos
en seis butacas consecutivas de un cine de forma que no haya dos chicas ni dos chicos
seguidos?
Hay que ocupar seis sitios. Los indicaremos graficamente as:
La primera butaca puede ser ocupada por cualquiera de las seis personas.
|{z}
6
Elegida la primera persona hay 3 elecciones posibles, entre las personas de sexo
contrario, para ocupar el segundo lugar.
|{z}
6
|{z}
3
La tercera butaca ha de ser ocupada por una de las 2 personas que quedan del mismo
sexo de la primera y la cuarta por una de las dos del sexo de la segunda.
|{z}
6
|{z}
3
|{z}
2
|{z}
2
Y, para terminar, las dos u

ltimas personas no tienen eleccion.
|{z}
6
|{z}
3
|{z}
2
|{z}
2
|{z}
1
|{z}
1
2 An
alisis combinatorio
13
En total hay, por tanto, 6 3 2 2 = 72 ordenaciones posibles.

La intuitiva multiplicacion que proporciona el resultado final puede expresarse como
una regla general matematica:
Si los conjuntos A1 , A2 ,. . .,Ak tienen n1 , n2 , . . .,nk elementos respectivamente,

el producto cartesiano A1 A2 Ak tiene n1 n2 nk elementos.
En algunas ocasiones hay que resolver problemas que pueden reducirse a un peque
no
n
umero de patrones o formas de contar. Estos patrones se estudian en la educacion secundaria y haremos aqu solamente un breve recordatorio. Sin embargo, la mayor parte de las
veces tendremos problemas que no corresponden exactamente a alguno de estos patrones.
Lo mas recomendable suele ser recurrir antes a la logica y al metodo constructivo que a
buscar hipoteticas formulas que resuelvan nuestro problema concreto.
Entre estos patrones fundamentales que pueden resumirse esquematicamente en la
tabla del final del captulo se encuentran los siguientes:
2.1.
Permutaciones
Supongamos un conjunto de n elementos. Se llaman permutaciones de estos n elementos a las distintas ordenaciones que podemos hacer con ellos.
2.1.0.1.
Sin repetici
on
El metodo anterior nos da facilmente el n

umero de permutaciones Pn que existen en
el conjunto si no se repite ning
un elemento (es decir, si son todos distintos o distinguibles):
El primer elemento puede ser cualquiera de los n, el segundo cualquiera de los n 1
restantes, el tercero cualquiera de los n 2 restantes y as sucesivamente.

|{z}
n
|{z}
n1
|{z}
n2
...
|{z}
3
El total de permutaciones de n elementos es, entonces:
|{z}
2
Pn = n (n 1) (n 2) 3 2 1 = n!
|{z}
1
14
Estadstica
2.1.0.2.
Con repetici
on
Supongamos ahora que no todos los n elementos del conjunto son distintos, sino que
hay r grupos de elementos iguales entre s (o indistinguibles), digamos n1 de una clase,
n2 de otra, hasta nr de la u
ltima clase. Esta claro que n1 + n2 + . . . + nr = n. Cuantas
ordenaciones podramos distinguir?
Un ejemplo tpico de este problema podra ser el siguiente: disponemos de una bolsa
en la que hay 11 bolas iguales; cuatro de ellas tienen un 1 escrito, otras tres un 2 y las
cuatro restantes un 3. Sacando las once bolas una tras otra y anotando las cifras que
aparecen Cuantos n
umeros distintos podemos obtener?
Otro ejemplo clasico: Cuantas palabras distintas pueden formarse empleando las 8
letras del vocablo CASCARAS?
Pensemos en el problema general. Si los n elementos fueran distintos tendramos n!
permutaciones posibles. Dada una cualquiera de ellas, podramos sacar de la ordenacion
los n1 elementos del primer grupo, reordenarlos arbitrariamente y volver a rellenar los
huecos que hubieran dejado libres sin que fueramos capaces de distinguir la permutacion
original del resultado final de esta operacion. Lo mismo es cierto para los n2 elementos del
segundo grupo, los n3 del tercero, hasta los nr del u
ltimo. Puesto que hay ni ! ordenaciones
parciales posibles de los elementos del grupo i-esimo, tenemos que:
P Rnn1 ,n2 ,...,nr =
2.2.
2.2.0.3.
n!
n1 ! n2 ! nr !
Variaciones
Sin repetici
on
Sea ahora un conjunto de n elementos distintos. Se llama variacion de r elementos

tomados de entre los n (Vn,r ) a una ordenacion de un subconjunto de tama
no r.
Una variacion de 3 elementos tomados de entre 7 es, por ejemplo, el podio (los 3
primeros clasificados) de una carrera con 7 inscritos.
Es muy facil calcular el n
umero de variaciones Vn,r . Basta observar que hay que
elegir r elementos de modo que el primero puede ser uno cualquiera de los n, el segundo
uno cualquiera de los n 1 restantes y as sucesivamente:
|{z}
n
|
|{z}
n1
...
{z
r
|{z}
nr+2
|{z}
nr+1
}
2 An
alisis combinatorio
15
Y aplicando la regla del producto cartesiano:

Vn,r = n (n 1) (n r + 2) (n r + 1) =
2.2.0.4.
n!
(n r)!
Con repetici
on
Supongamos ahora que cada elemento del conjunto original pueda ser repetido al
crear una ordenacion de tama
no r. Se hablara entonces de variaciones con repeticion de
r elementos tomados de entre n, V Rn,r .
Pensemos, por ejemplo, en las palabras de 8 letras que pueden formarse con el
alfabeto espa
nol. Hay que tomar 8 decisiones (cual es la primera letra, cual la segunda,
etc.) teniendo 27 posibilidades de eleccion cada vez (las 27 letras del alfabeto). El n
umero
total de palabras es, entonces 27
27 27} = 278 .
| 27 {z
8veces
Es facil observar que, en general:
V Rn,r = nr
2.3.
Combinaciones
Una combinaci
on de r elementos tomados de entre n es cualquier subconjunto de
tama
no r de un conjunto de n elementos. Es importante resaltar que en una combinacion
no interviene el orden de los elementos: si sacamos tres bolas de una bolsa que contiene
diez, numeradas del uno al diez, podemos obtener las permutaciones distintas {1, 2, 7} y
{7, 1, 2} que, sin embargo, son un mismo subconjunto de tama
no 3 (el obtenido por union
de {1}, {2} y {3}). Son, por tanto, la misma combinacion.
2.3.0.5.
Sin repetici
on
Siguiendo la idea del ejemplo anterior, una manera sencilla de contar las combinaciones de r elementos tomados entre n (Cn,r ) es observar que, de las n!/(nr)! variaciones
posibles, r! de ellas son ordenaciones distintas de los mismos elementos y, por tanto, la
misma combinacion. El n
umero total de combinaciones sera entonces:
Cn,r
n!
=
=
(n r)! r!
n
r
16
Estadstica
2.3.0.6.
Con repetici
on
Supongamos ahora que tenemos la libertad de repetir los elementos del conjunto
para formar un subconjunto de tama
no r, obtendremos una combinacion con repeticion
de r elementos tomados de entre n. En una de estas combinaciones cada uno de los n
elementos del conjunto puede aparecer 0, 1, 2, 3, . . ., hasta r veces. Cada combinacion
puede ser descrita por una n-upla de n
umeros que indica cuantas veces aparece el elemento
1, el 2, y as hasta el n. Evidentemente, la suma de las cifras de cada n-upla es r, puesto
que cada combinacion consta de r elementos. El n
umero total de n-uplas tales que la
suma de sus elementos sea r es el n
umero de posibles combinaciones con repeticion y lo
que deseamos calcular.
Olvidemonos por el momento de las combinaciones y pensemos en los siguientes
problemas:
Introducimos r bolas identicas en n cajas. Cuantas configuraciones finales distintas
podramos reconocer?
Cuantas soluciones distintas tiene la ecuacion k1 + k2 + + kn = r si cada ki debe
ser un n
umero natural o 0?
Estos dos problemas aparentemente distintos son, en realidad, equivalentes. Supongamos r bolas iguales y n cajas. Las introducimos y contamos cuantas bolas han cado en
la primera caja, cuantas en la segunda, la tercera y la cuarta. Cada configuracion nos da
una n-upla de n
umeros (k1 , k2 , . . . , kn ) que resuelve el segundo problema.
Observese, llegados a este punto, que el n
umero de configuraciones distintas que
obtenemos al introducir r bolas en n cajas y el n
umero de combinaciones que buscabamos
P
coinciden: ambas son el n
umero de n-uplas (k1 , k2 , . . . , kn ) tales que la suma ni=1 ki = r.
Vamos a calcular este n
umero empleando un sencillo y original argumento para el problema
de las bolas y las cajas.
Supongamos las n cajas colocadas una a continuacion de la otra y pegadas entre s.
Representaremos las bolas mediante asteriscos y las cajas como los n espacios comprendidos entre n + 1 barras (las paredes de las cajas). Por ejemplo, la secuencia | |||| || |
indica una manera de introducir 6 bolas en 7 cajas con el resultado de 3 en la primera,
2 en la quinta y 1 en la septima. Cada secuencia que representemos empieza y termina
por una barra vertical, pero las restantes n 1 barras y r asteriscos aparecen en un orden
arbitrario. Por lo tanto, el n

umero de configuraciones distinguibles es igual al n
umero de
formas de seleccionar r lugares de n + r 1 posiciones posibles, es decir:
2 An
alisis combinatorio
CRn,r
17
(n + r 1)!
=
=
(n 1)! r!
n+r1
r
Otro ejemplo clasico que puede reducirse al de introducir r bolas en n cajas: Cuantas
derivadas parciales de orden r diferentes existen para una funcion analtica de n variables
f (x1 , x2 , . . . , xn )?
Por ser una funcion analtica, las derivadas parciales de orden r no dependen del
orden de la derivacion, sino solo del n
umero de veces que cada variable aparece. Si identificamos cada variable con una celda, cada configuracion obtenida al introducir r bolas nos
da, de nuevo, una derivada posible de orden r. Hay, por tanto CRn,r derivadas distintas
de f .
interviene
el
orden

B
B
B
B
B
si B

no
B
B
BN

puedo
repetir
puedo
repetir

A
A
A
(n + r 1)!
r! (n 1)!
P Rnn1 ,n2 ,...,nr =
r
3 V Rn,r = n
no
Pn = n!
n!
n1 ! n2 ! nr !
3 Vn,r = n (n 1) (n r + 1)
no

Q
Q
si QQ
s
n!
r! (n r)!
n+r1
cojo
todos
CRn,r =
me dicen
cuantas veces
A
Q
se repite
AU
Q
si QQ
cada uno
s
si A
A
A

no

Q
Q
si QQ
s
3 Cn,r =
no
COMBINATORIA
18
Estadstica

Algebra
de sucesos
3
Indice
3.1. Experimento aleatorio
. . . . . . . . . . . . . . . . . . . . . . .
20
3.2. Sucesos . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
20
3.3. Operaciones con sucesos . . . . . . . . . . . . . . . . . . . . . .
21
3.3.1. Union de sucesos . . . . . . . . . . . . . . . . . . . . . . . . . .
21
3.3.2. Intersecci
on de sucesos . . . . . . . . . . . . . . . . . . . . . . .
21
3.3.3. Propiedades de la uni

on y la intersecci
on
. . . . . . . . . . . .
21
3.3.4. Diferencia de sucesos . . . . . . . . . . . . . . . . . . . . . . . .
22
3.3.5. Suceso complementario
22
. . . . . . . . . . . . . . . . . . . . . .
19
20
Estadstica
3.1.
Experimento aleatorio
Por experimento entenderemos cualquier accion que pueda dar lugar a resultados
identificables. Suponemos que podemos repetir el experimento gran n
umero de veces bajo
las mismas condiciones, y que todos los posibles resultados son conocidos antes de la
realizacion del mismo.
Si los resultados del experimento pueden ser distintos y no se sabe cual de ellos
aparecera al final, el experimento se llamara aleatorio. Si el resultado del experimento es
conocido de antemano, se llamara determinista.
3.2.
Sucesos
Llamaremos sucesos elementales de un experimento a un conjunto de resultados

posibles que cumplen:
1. Siempre ocurre alguno de ellos
2. Son mutuamente excluyentes, es decir, la ocurrencia de uno de ellos implica la no
ocurrencia de los demas
Llamaremos espacio muestral, E, al conjunto de todos los posibles resultados de un
experimento aleatorio. Si, por ejemplo, el experimento consiste en lanzar una moneda dos
veces, el espacio muestral lo forman cuatro sucesos elementales, E = {c c, c +, + c, ++}.
En un experimento aleatorio podemos estar interesados no en un suceso elemental,
sino en un conjunto de sucesos elementales, conjunto que llamaremos suceso compuesto,

es decir, un subconjunto del espacio muestral (que se obtiene mediante la union de sucesos
elementales). En el ejemplo anterior, un suceso compuesto sera obtener exactamente una
cara, S = {c +, + c}
Si el u
nico resultado que interesa del experimento es el mismo espacio muestral E,
estamos ante el suceso seguro; mientras que si el resultado deseado es no obtener ninguno
de los sucesos contenidos en E, tenemos el suceso imposible.

3 Algebra
de sucesos
3.3.
3.3.1.
21
Operaciones con sucesos

Uni
on de sucesos
Dados n sucesos S1 , S2 , . . . , Sn , la operacion union de ellos
n
[
Si
i=1
es otro suceso
constituido por los elementos comunes y no comunes a los sucesos S1 , S2 , . . . , Sn . Es decir,

un suceso que aparece cuando tiene lugar S1 o S2 o o Sn .
3.3.2.
Intersecci
on de sucesos
Dados n sucesos S1 , S2 , . . . , Sn , la operacion interseccion de ellos
n
\
i=1
Si
es otro
suceso constituido por los elementos comunes a los sucesos S1 , S2 , . . . , Sn . Es decir, un

suceso que aparece cuando tiene lugar S1 y S2 y y Sn .
Cuando n sucesos !no tienen ning

un elemento com
un, su interseccion es igual al
n
\
suceso vaco
Si = , y se dice que los sucesos son disjuntos o incompatibles. Como
i=1
caso particular, n sucesos son disjuntos dos a dos si Si Sj = i 6= j.

n
[
i=1
Si n sucesos
son disjuntos dos a dos y la union de todos ellos es el espacio muestral,
!
Si = E , se dice que los sucesos Si forman una particion del espacio muestral E.
La definicion de particion se puede ampliar a un conjunto numerable de sucesos disjuntos
[
dos a dos y tales que
Si = E.
i=1
3.3.3.
Propiedades de la uni
on y la intersecci
on
Conmutativa
S1 S2 = S2 S1
S1 S2 = S2 S1
Asociativa
S1 (S2 S3 ) = (S1 S2 ) S3
S1 (S2 S3 ) = (S1 S2 ) S3
Distributiva
S1 (S2 S3 ) = (S1 S2 ) (S1 S3 )
S1 (S2 S3 ) = (S1 S2 ) (S1 S3 )
22
Estadstica
3.3.4.
Diferencia de sucesos
Dados dos sucesos S1 y S2 , la operacion diferencia (S1 S2 ) es el suceso integrado
por los elementos de S1 que no pertenecen a S2 . Es decir, el suceso que tiene lugar cuando
sucede S1 y no sucede S2 . La operacion diferencia no goza de la propiedad conmutativa,
pues, en general, S1 S2 6= S2 S1 .
3.3.5.
Suceso complementario
es la diferencia entre el
El complementario de un suceso S, que notaremos por S,
espacio muestral, E, y el suceso S, es decir S = E S. Es el suceso compuesto por los
elementos de E que no pertenecen a S.
=S
Se comprueba facilmente que S S = E, S S = y S
Leyes de De Morgan
n
[
Si
i=1
n
\
i=1
Si
n
\
Si
i=1
n
[
i=1
Si
Teora de
la probabilidad
Indice
4.1. Concepto de probabilidad . . . . . . . . . . . . . . . . . . . . .
24
4.1.1. Probabilidad cl
asica . . . . . . . . . . . . . . . . . . . . . . . .
24
4.1.2. Probabilidad frecuentista . . . . . . . . . . . . . . . . . . . . .
24
4.1.3. Axiom
atica del calculo de probabilidades . . . . . . . . . . . .
4.1.3.1. Algebra
de sucesos . . . . . . . . . . . . . . . . . . . .
26
26
4.1.4. Axiom
atica de Kolmogorov . . . . . . . . . . . . . . . . . . . .
28
4.2. Teoremas del c

alculo de probabilidades . . . . . . . . . . . . .
29
4.3. Probabilidad condicional . . . . . . . . . . . . . . . . . . . . . .
31
4.3.1. Regla de la multiplicaci

on . . . . . . . . . . . . . . . . . . . . .
32
4.3.2. Teorema de la probabilidad total . . . . . . . . . . . . . . . . .
33
4.3.3. Teorema de Bayes . . . . . . . . . . . . . . . . . . . . . . . . .
33
4.4. Independencia de sucesos . . . . . . . . . . . . . . . . . . . . . .
34
23
24
Estadstica
4.1.
4.1.1.
Concepto de probabilidad
Probabilidad cl
asica
Laplace define la probabilidad de un suceso como el cociente entre el n

umero de casos
favorables y el n
umero de casos posibles, siempre que todos sean igualmente posibles.
De la definicion clasica de probabilidad se desprenden una serie de propiedades (S
denota cualquier suceso ya sea compuesto o elemental):
P (S) 0
P (S) 1
Si tenemos dos sucesos disjuntos S1 y S2 , y su union es S = S1 S2 , entonces
P (S) = P (S1 S2 ) = P (S1 ) + P (S2 )
= 1 P (S)
Si S es el suceso complementario de S, entonces P (S)
La probabilidad clasica supone que el n
umero de casos posibles sea finito.
4.1.2.
Probabilidad frecuentista
Esta teora se basa en dos aspectos fundamentales :

La estabilidad de las frecuencias o regularidad estadstica :
En un experimento aleatorio, a pesar del comportamiento irregular de los

resultados individuales, los resultados promedios, en largas sucesiones de
experimentos aleatorios, muestran una sorprendente regularidad.
La objetividad de la probabilidad
La probabilidad es una propiedad fsica de los objetos como la densidad,

la temperatura, etc, y por tanto, medible.
4 Teora de la probabilidad
25
Si realizamos un experimento N veces, el n

umero de veces, n, que ocurre un suceso
particular, S, es su frecuencia absoluta, mientras que la frecuencia relativa se define como
f (S) = n/N. As, la teora frecuentista define la probabilidad del suceso S como el lmite
n
P (S) = lm f (S) = lm
N
N N
Las frecuencias relativas verifican una serie de propiedades facilmente demostrables:
0 f (S) 1
Sean S1 , S2 , . . . , Sn sucesos disjuntos dos a dos y S =
n
1
f (S) =
=
N
N
n
X
ni =
i=1
n
X
i=1
n
[
Si , entonces
i=1
n
ni X
=
f (Si )
N
i=1
Por todo ello, al identificar la probabilidad de un suceso con el valor tomado en el

lmite por la frecuencia relativa, se admite que
0 P (S) 1
P (S) =
n
X
P (Si )
i=1
Para poder definir la probabilidad frecuentista, debemos imponer dos condiciones

1. En la secuencia de observaciones, existe el lmite de las frecuencias relativas (principio de existencia del lmite).
2. Considerada aleatoriamente cualquier subsecuencia dentro del colectivo, existe en
ella el lmite de la frecuencia relativa y es igual al obtenido en todo el colectivo
(principio de aleatoriedad).
Al igual que la teora clasica, esta teora tambien tiene sus inconvenientes :
Del principio de existencia del lmite se deduce que esta teora de la probabilidad
no puede aplicarse a sucesos que no puedan repetirse.
Es necesario realizar el experimento para obtener la frecuencia relativa correspondiente al suceso en cuestion.
Habra que realizar el experimento infinitas veces para calcular el lmite, pues las
reglas del calculo de lmites solo son aplicables a sucesiones no aleatorias, donde
se supone que existe un termino general.
26
Estadstica
4.1.3.
Axiom
atica del c
alculo de probabilidades
Las limitaciones de las teoras clasica y frecuentista de la probabilidad hacen imposible la formalizacion matematica de la asignacion de un modelo matematico a la probabilidad, consiguiendose este con el planteamiento axiomatico de Kolmogorov (1933), al
poner en relacion la teora de la probabilidad con la de conjuntos y con la teora de la
medida.
El planteamiento de Kolmogorov presenta la limitacion de no proporcionar un metodo practico de obtencion de probabilidades de sucesos en el mundo real. Para salvar esta
importante limitacion, Kolmogorov establece la conexion del modelo matematico con el
mundo real recurriendo a la base emprica de la teora frecuentista, al considerar que si un
experimento aleatorio se repite gran n
umero de veces, la frecuencia relativa de un suceso
diferira ligeramente de la probabilidad del suceso.
4.1.3.1.
Algebra
de sucesos
En el experimento del dado, el espacio muestral es el conjunto E = {1, 2, 3, 4, 5, 6},
pudiendo plantearse preguntas como : que probabilidad hay de obtener el n

umero 5 en
una tirada? En la pregunta, el suceso es 5, uno de los sucesos elementales constitutivos del
espacio muestral E. Sin embargo, existen otras muchas preguntas en las que se formulan
sucesos compuestos, como la obtencion de : {n
umero par}, {n
umero distinto de 5}, etc.
Todos estos sucesos compuestos tienen un denominador com

un : no figuran explcitamente
en el espacio muestral E, aunque proceden de los elementos constitutivos de el. Esto tiene
como consecuencia que el n
umero de sucesos que pueden plantearse en un experimento
aleatorio es superior al de sucesos elementales integrantes de E, y son generados desde
E mediante las operaciones de union, interseccion y complementariedad, constituyendo
todos ellos un nuevo conjunto denominado algebra.
Lo anterior puede formalizarse de la siguiente manera : sea E el espacio muestral integrado por sucesos elementales. Sea A una coleccion de subconjuntos de E, cumpliendose
las siguientes condiciones :
1. El espacio muestral, E, pertenece a A.
Como
2. Si un suceso S pertenece a A, tambien pertenece su complementario S.
consecuencia, el conjunto vaco, , pertenece a A.
27
3. Si S1 y S2 son dos subconjuntos de A, su union, S1 S2 , pertenece a A; y por

tanto tambien su interseccion, S1 S2 .
La coleccion de sucesos que cumple las tres condiciones se denomina algebra de

Boole, siendo extensible a cualquier n
umero finito de sucesos, sin mas que reiterar las
operaciones de union e interseccion.
Si en vez de tener n sucesos tenemos una sucesion numerable, S1 , S2 , . . . , Sn , . . . ,
\
[
Si tambien pertenecen a A, la coleccion recibe
Si y
pertenecientes a A, entonces
i=1
i=1
el nombre de -algebra, que representaremos por . El par (E, ) recibe el nombre de
espacio probabilizable o medible.

Mediante dos ejemplos podremos apreciar con claridad la formacion de una -algebra
de sucesos, , a partir de los elementos de un espacio muestral, E.
En el primer caso tenemos el espacio muestral E = {1, 2, 3} y como -algebra , la
-algebra completa que puede generarse desde el :
1
2
3
{ning
un elemento}={}
{1}
{2}
{3}
{no obtener el 1}={{2} {3}}

{cualquier elemento}={E}
En el segundo ejemplo hemos elegido como -algebra de interes el n

umero de
caras resultante de lanzar una moneda dos veces :
E
cc
c+
+c
++
{ning
un elemento}={}
{2 caras}={c c}
{como mnimo una cara}={{c c} {c +} {+ c}}
{como maximo una cara}={{c +} {+ c} {+ +}}
{1 cara}={{c +} {+ c}}
{no obtener una cara}={{c c} {+ +}}
{0 caras}={++}
28
Estadstica
4.1.4.
Axiom
atica de Kolmogorov
El sistema axiomatico de Kolmogorov consta de tres axiomas :

A1. Si S es un suceso de una -algebra, , existe un n
umero P (S) 0, denominado
probabilidad del suceso S
A2. P (E) = 1
A3. Dada una sucesion numerable de sucesos S1 , S2 , . . . , Sn , . . ., disjuntos dos a dos,
se verifica que
P(
i=1
Si ) =
P (Si )
i=1
La tripleta (E, , P ) se conoce como espacio probabilstico.

Ampliamos el doble ejemplo de espacio probabilizable (E, ) para disponer del espacio probabilstico (E, , P ).
En el primer caso, suponemos que P (1) = 3/12, P (2) = 4/12 y P (3)=5/12
1
2
3
{ning
un elemento}={}
{1}
{2}
{3}

P
0
3/12
4/12
5/12
9/12
8/12
7/12
1
29
En el segundo ejemplo, se supone que P (c c) = P (c +) = P (+ c) = P (+ +) = 1/4
{ning
un elemento}={}
{2 caras}={c c}
{como mnimo una cara}={{c c} {c +} {+ c}}

cc
{como maximo una cara}={{c +} {+ c} {+ +}}
c+
+ c {1 cara}={{c +} {+ c}}
++
{no obtener una cara}={{c c} {+ +}}
{0 caras}={++}
4.2.
P
0
1/4
3/4
3/4
2/4
2/4
1/4
1
Teoremas del c
alculo de probabilidades
TEOREMA 1. La probabilidad del suceso imposible es cero : P () = 0

Sea una sucesion de sucesos disjuntos dos a dos S1 , . . . , Sn ,!. . . , todos ellos iguales
X
[
P (Si ), es decir
al suceso imposible (Si = ). Seg
un el tercer Axioma P
Si =
P () =
i=1
i=1
P (), y por el Axioma 1, debe ser P () = 0
i=1
TEOREMA 2. La probabilidad de la union de n sucesos disjuntos dos a dos, S1 , . . . , Sn ,

es igual a la suma de las probabilidades :
!
n
n
[
X
P
Si =
P (Si )
i=1
i=1
Consideremos la sucesion numerable S1 , . . . , Sn , Sn+1 , Sn+2, . . . , siendo los sucesos

Sn+1 = , Sn+2 = , . . . Seg
un el tercer Axioma
!
[
X
P
Si =
P (Si )
i=1
i=1
es decir,
P
i=1
Si
=P
"
n
[
i=1
Si
i=n+1
Si
!#
=P
"
n
[
i=1
Si
!#
X
i=1
P (Si ) =
n
X
P (Si )
i=1
TEOREMA 3. La probabilidad de la union de dos sucesos cualesquiera, S1 y S2 viene

dada por P (S1 S2 ) = P (S1 ) + P (S2 ) P (S1 S2 )
Descomponemos los sucesos S1 S2 , S1 y S2 en uniones de sucesos disjuntos :
30
Estadstica
S1 S2 = (S1 S2 ) (S1 S2 ) (S1 S2 )

S1 = (S1 S2 ) (S1 S2 )
S2 = (S1 S2 ) (S1 S2 )
por el teorema 2,
P (S1 S2 ) = P (S1 S2 ) + P (S1 S2 ) + P (S1 S2 )

P (S1) = P (S1 S2 ) + P (S1 S2 )
P (S2) = P (S1 S2 ) + P (S1 S2 )
por tanto,
P (S1 S2 ) = P (S1 ) + P (S2 ) P (S1 S2 )
Para n sucesos :
!
n
n
n
n
X
X
[
X
P (Si Sj Sk ) +
P
Si =
P (Si )
P (Si Sj ) +
i=1
i=1
i<j
i<j<k
+ + (1)n+1 P (S1 S2 Sn )
TEOREMA 4. Si un suceso S1 esta contenido en otro S, (S1 S), se verifica que
P (S1 ) P (S)
Descomponemos el suceso S en la union de dos sucesos disjuntos
S = (S1 S) (S1 S)
por el teorema 2,
P (S) = P (S1 S) + P (S1 S)
Por el Axioma 1, P (S1 S) 0, por tanto P (S) P (S1 S), pero S1 S = S1 ,
con lo que P (S1 ) P (S)
TEOREMA 5. La probabilidad de cualquier suceso es menor o igual que la unidad :

P (S) 1
Todo suceso, S, esta contenido en el suceso seguro (S E), por tanto P (S)
P (E) 1
= 1 P (S)
TEOREMA 6. La probabilidad del suceso complementario S es P (S)
Siendo S y S disjuntos y tales que S S = E, se tiene que
= 1 P (S)
= 1 P (S)
P (E) = P (S) + P (S)
4.3.
31
Probabilidad condicional
Consideremos las dos situaciones siguientes : acertar si la puntuacion resultante de

lanzar un dado perfecto es 2, o acertarla sabiendo que ha salido un n
umero par. No cabe
duda que las dos situaciones son distintas en cuanto a nuestra certidumbre de ganar, pues
parece mas facil lograrlo en la segunda que en la primera. Este planteamiento conduce a un
nuevo tipo de sucesos denominados condicionados, y de aqu a la probabilidad condicional.
En el ejemplo anterior, la probabilidad de obtener un 2 es 1/6. Si sabemos que ha
salido un n
umero par, la probabilidad de que sea 2 es 1/3. La diferencia en el valor de
la probabilidad se debe a que tenemos mas informacion en el segundo caso. El efecto
de la informacion se centra en el espacio muestral. Si no existe ninguna informacion, el
espacio muestral es E = {1, 2, 3, 4, 5, 6}, y si existe informacion, el espacio muestral se
reduce a E = {2, 4, 6}. En esta situacion, el conocimiento del suceso {par} condiciona la
probabilidad de obtener el suceso {n

umero 2}, denominando al primero condicionante y
al segundo condicionado, y designandolo por {n
umero 2/par}. Establecida la existencia
de los sucesos condicionados, pasamos a su estudio.
Dados dos sucesos S1 y S, el suceso S1 esta condicionado por el suceso S si la probabilidad de que suceda S1 depende de que haya sucedido S, y la probabilidad condicional
se define como
P (S1 /S) =
P (S1 S)
P (S)
siempre que P (S) > 0.

Hemos visto que la consecuencia de disponer de la informacion proporcionada por el
conocimiento de la presencia del suceso S, radica en la modificacion del espacio muestral
E, dando lugar a un nuevo espacio muestral ES = E S. Este espacio muestral genera, a
su vez, una nueva -algebra S = S y teniendo, por u

ltimo, una nueva probabilidad
sobre S , que denominaremos PS y que ya hemos definido como PS (S1 ) = P (S1 /S). El
espacio probabilstico resultante es (S, S , PS ), siempre que P (S) > 0.

Para concluir que PS es realmente una probabilidad, debemos comprobar que verifica
los tres axiomas de Kolmogorov.
1 PS (S1 ) 0
Seg
un la definicion de probabilidad condicional,
PS (S1 ) = P (S1 /S) =
P (S1 S)
P (S)
y por el Axioma 1, P (S1 S) 0 y P (S) > 0, por tanto, PS (S1 ) 0
32
Estadstica
2 PS (ES ) = 1
PS (ES ) = P (ES /S) =
3 PS
Si
i=1
P (ES S)
P (S)
=
=1
P (S)
P (S)
PS (Si ) siendo los Si disjuntos dos a dos
i=1
Por la propiedad distributiva,
Si
i=1
por tanto,
PS
i=1
Si
X
i=1
=P
P (Si S)
P (S)
Si /S
i=1
S =
P
=
"
(Si S)
i=1
Si
i=1
P (S)
X
P (Si S)
i=1
P (S)
P
=
"
[
P (Si /S) =
i=1
i=1
(Si S)
P (S)
PS (Si )
i=1
La definicion de probabilidad condicional se extiende facilmente a mas de dos sucesos. Por ejemplo, para tres sucesos S1 , S2 y S3 , tenemos
4.3.1.
P (S1 /S2 S3 ) =
P (S1 S2 S3 )
P (S2 S3 )
P (S1 S2 /S3 ) =
P (S1 S2 S3 )
P (S3 )
Regla de la multiplicaci
on
Dados n sucesos, S1 , . . . , Sn , se verifica

!
n
\
P
Si = P (S1 )P (S2/S1 )P (S3 /S1 S2 ) P (Sn /S1 S2 Sn1 )
i=1
Demostramos este teorema por induccion. Comenzamos con dos sucesos S1 y S2

P (S2 /S1 ) =
P (S1 S2 )
P (S1 S2 ) = P (S1 )P (S2 /S1 )
P (S1 )
Pasamos a tres sucesos S1 , S2 y S3

P (S3 /S1 S2 ) =
P (S1 S2 S3 )
P (S1 S2 S3 )
=
P (S1 S2 )
P (S1 )P (S2/S1 )
33
P (S1 S2 S3 ) = P (S1 )P (S2 /S1 )P (S3 /S1 S2 )

y as sucesivamente
4.3.2.
Teorema de la probabilidad total
Dados un suceso A y n sucesos, S1 , . . . , Sn , disjuntos dos a dos, Si Sj = , tales que

n
[
Si = E, y A Si 6= i, se verifica
i=1
P (A) =
n
X
P (A/Si )P (Si )
i=1
Para la demostracion de este teorema, descomponemos el suceso A de la siguiente

forma
A=AE =A
n
[
i=1
Si
n
[
(A Si )
i=1
Tomando probabilidades, y teniendo en cuenta que los sucesos {A Si } son disjuntos dos
a dos,
P (A) = P
"
n
[
(A Si ) =
i=1
4.3.3.
n
X
i=1
P (A Si ) =
n
X
P (A/Si )P (Si )
i=1
Teorema de Bayes
Dados un suceso A y n sucesos, S1 , . . . , Sn , disjuntos dos a dos, Si Sj = , tales que

n
[
Si = E, y A Si 6= i, se verifica
i=1
P (Si /A) =
P (A/Si )P (Si )
n
X
P (A/Si )P (Si )
i=1
Por la definicion de probabilidad condicional

P (A/Si ) =
P (A Si )
P (Si )
P (Si /A) =
P (A Si )
P (A)
Por tanto,
P (A Si ) = P (Si /A)P (A) = P (A/Si )P (Si ) P (Si /A) =
P (A/Si )P (Si )
P (A)
34
Estadstica
y, del teorema de la probabilidad total resulta

P (Si /A) =
P (A/Si )P (Si )
n
X
P (A/Si )P (Si )
i=1
4.4.
Independencia de sucesos
Consideremos el siguiente ejemplo. Una urna contiene 8 bolas blancas y 4 bolas

negras. Se extraen consecutivamente dos bolas, y queremos determinar la probabilidad de
que la segunda bola sea blanca. Para calcular esta probabilidad, debemos diferenciar los
dos tipos de extraccion, con o sin reemplazamiento.
Cuando realizamos la extraccion sin reemplazamiento, la probabilidad buscada estara condicionada por el color de la primera bola. Es decir, si la primera bola sacada
es blanca, la probabilidad de que la segunda tambien lo sea es 7/11, mientras que si la
primera bola es negra, la probabilidad de que la segunda sea blanca es 8/11.
Si realizamos la extraccion con reemplazamiento, la probabilidad de que la segunda
bola sea blanca es 8/12, sea cual sea el color de la primera bola sacada.
En el primer caso, el color de la segunda bola esta condicionado por el color de la
primera bola (sucesos condicionados), mientras que en la extraccion con reemplazamiento, el color de la segunda bola es independiente del color de la primera bola (sucesos
independientes).
Dos sucesos, S1 y S2 , son independientes si
P (S1 S2 ) = P (S1 )P (S2)
es decir, cuando P (S1 /S2 ) = P (S1 ) y P (S2/S1 ) = P (S2)
En el caso de tres sucesos, S1 , S2 , S3 , para que sean independientes, han de cumplirse
las cuatro condiciones siguientes
P (S1 S2 ) = P (S1 )P (S2)
P (S1 S3 ) = P (S1 )P (S3)
P (S2 S3 ) = P (S2 )P (S3)
P (S1 S2 S3 ) = P (S1 )P (S2 )P (S3)

El cumplimiento de las tres primeras condiciones no implica el de la cuarta. Los
sucesos que cumplen solo las tres primeras condiciones reciben el nombre de sucesos
independientes dos a dos.
35
Propiedad. Si S1 y S2 son dos sucesos independientes. Entonces,

S1 y S2 son independientes ( S1 y S2 son independientes)
Descomponemos el suceso S1 en union de dos sucesos disjuntos,
S1 = (S1 S2 ) (S1 S2 )
entonces
P (S1 ) = P (S1 S2 ) + P (S1 S2 ) = P (S1 S2 ) + P (S1 )P (S2 )
P (S1 S2 ) = P (S1) P (S1 )P (S2 ) = P (S1 )[1 P (S2 )] = P (S1 )P (S2 )
36
Estadstica
Variable aleatoria
unidimensional
Indice
5.1. Variable aleatoria . . . . . . . . . . . . . . . . . . . . . . . . . .
38
5.1.1. Definici
on matem
atica . . . . . . . . . . . . . . . . . . . . . . .
38
5.1.2. Definici
on intuitiva . . . . . . . . . . . . . . . . . . . . . . . . .
39
5.2. Variable aleatoria discreta . . . . . . . . . . . . . . . . . . . . .
40
5.2.1. Funci
on de probabilidad . . . . . . . . . . . . . . . . . . . . . .
40
5.2.2. Funci
on de distribucion . . . . . . . . . . . . . . . . . . . . . .
41
5.3. Variable aleatoria continua . . . . . . . . . . . . . . . . . . . . .
42
5.3.1. Funci
on de distribucion y funcion de densidad . . . . . . . . . .
42
5.4. Variable aleatoria mixta . . . . . . . . . . . . . . . . . . . . . .
44
5.5. Transformaciones de variables aleatorias . . . . . . . . . . . .
46
5.5.1. Variable aleatoria discreta . . . . . . . . . . . . . . . . . . . . .
46
5.5.2. Variable aleatoria continua . . . . . . . . . . . . . . . . . . . .
48
5.5.3. Transformacion integral . . . . . . . . . . . . . . . . . . . . . .
49
5.6. Distribuciones truncadas . . . . . . . . . . . . . . . . . . . . . .
50
37
38
Estadstica
5.1.
5.1.1.
Variable aleatoria
Definici
on matem
atica
Dado un espacio probabilstico, (E, , P ), pretendemos asignar un n

umero a cada
uno de los sucesos elementales, Ai , del espacio muestral. Es decir, creamos una funcion
X, llamada variable aleatoria, definida en E, que toma valores en R, con la condicion de
que
X 1 (b) = {Ai E/X(Ai ) b}
siendo b = (x, y) o [x, y] o (x, y] o [x, y) o [x, x] con x, y + es decir, b es un
subconjunto de la -algebra completa de R, llamada -algebra de Borel.
Veamos un par de ejemplos. Consideremos el experimento de lanzar una moneda

dos veces. Entonces
E = {{c, c}, {c, +}, {+, c}, {+, +}} = {A1 , A2 , A3 , A4 }
= {, A1 , A4 , A2 A3 , A1 A2 A3 , A4 A2 A3 , A1 A4 , E} = {S1 , . . . , S8 }
Y : E
X: E
A1 2
A1 2
A3 5
A3 1
A2 1
A4 0
A2 1
A4 0
En el primer caso,
Y 1 ((4, 5]) = {Ai E/4 < Y (Ai ) 5} = A3
/
por tanto, Y no es una variable aleatoria de este espacio probabilstico (E, , P ). En
cambio, si consideramos la algebra completa, Y s es una variable aleatoria para este
nuevo espacio probabilstico.
En el segundo caso, es facil comprobar que
X 1 (b) = {Ai E/X(Ai ) b} b B
El hecho de que X sea una v.a. de (E, , P ) esta directamente relacionado con la
intencion con la que se creo el algebra . Al tomar como sucesos que definen los
sucesos A1 , A4 y A2 A3 , estamos diciendo que lo que nos interesa del experimento es el
n
umero de caras, lo que esta de acuerdo con la filosofa de X.
Si el n
umero de valores que toma la variable aleatoria es finito o infinito numerable,
se dice que es una variable aleatoria discreta. Si toma un n
umero infinito no numerable
5 Variable aleatoria unidimensional
39
de valores se dice que es continua. Ademas, una v.a. puede ser discreta en un conjunto
numerable de puntos y continua en el resto. En este caso, se dice que es mixta.
5.1.2.
Definici
on intuitiva
Una variable aleatoria es una regla que asigna a cada suceso un n

umero real. Se
puede interpretar, por tanto, como una funcion que toma valores en el espacio muestral E
y devuelve n
umeros reales. El uso de variables aleatorias permite, como veremos, cambiar
el algebra de sucesos por el calculo con n
umeros reales, facilitando enormemente el manejo
de probabilidades asociadas a experimentos aleatorios.
Al definir una variable aleatoria cada suceso se convierte en un subconjunto de la
recta real (en general un intervalo o un punto). En este sentido, uno de los conceptos
fundamentales es el de sucesos generados por variables aleatorias. Supongamos un experimento aleatorio con espacio muestral E. Si asignamos a cada suceso elemental un
n
umero real (en principio de manera arbitraria) hemos definido una variable aleatoria X.
Manejaremos la notacion
{X x} conjunto union de todos los sucesos de E a los que X asigna un
n
umero menor o igual que x.
De la misma manera se pueden definir los conjuntos {x1 < X x2 } o {x1 X x2 }
o {X x} o {X = x}. Observese que en cada caso hemos convertido un determinado
suceso (puesto que cualquier union de sucesos elementales lo es) en un intervalo o punto de
la recta real. P ({X x}) sera entonces la probabilidad de que ocurra el suceso definido
por {X x}. Abusando de la notacion prescindiremos en lo sucesivo de las llaves y
escribiremos P (X x).
Consideremos por ejemplo el experimento de lanzar un dado. El espacio muestral
esta formado por seis sucesos elementales E = {Si }i=1,...,6 donde Si valor obtenido en
la tirada es i. Podemos definir una variable aleatoria X asignando al suceso Si el n

umero
10i. As:
{X 35} = S1
S2
{20 X 35} = S2
{20 < X 35} = S2
S3 . El suceso representado es que salga 1, 2 o 3.

S3 . El suceso representado es que salga 2 o 3.
S3 . El suceso representado es que salga 3.
{X 5} = . Suceso imposible.
40
Estadstica
{X = 40} = S4 . El suceso representado es que salga un 4.
{X = 35} = . Suceso imposible.
Las probabilidades asociadas seran: P (X 35) = 1/2, P (20 X 35) = 1/3,
P (20 < X 35) = 1/6, P (X = 5) = 0, P (X = 40) = 1/6, P (X = 35) = 0.
Para el mismo experimento podramos haber definido una variable asignando 0 a los
sucesos S2 , S4 y S6 y 1 a S1 , S3 y S5 . Parece claro que esta u

ltima variable resultara u
til
si solo nos interesa que el resultado del experimento haya sido la obtencion de un n
umero
par o uno impar.
5.2.
Variable aleatoria discreta
5.2.1.
Funci
on de probabilidad
Una vez que hemos definido una variable aleatoria, X, podemos definir una funcion,
llamada funci
on de probabilidad asociada a X, de la siguiente forma
f : R [0, 1]
x f (x) = P (X = x)
En particular, refiriendonos al ejemplo de las dos monedas, tenemos

f : R [0, 1]
2 f (2) = P (X = 2) = P (A1) = 1/4
1 f (1) = P (X = 1) = P (A2 A3 ) = 1/2

0 f (0) = P (X = 0) = P (A4) = 1/4
En general, para que una funcion, f , sea la funcion de probabilidad asociada a una
variable aleatoria X, debe cumplir :
i) f (x) 0 x R
ii)
f (x) = 1
donde la suma en x en la segunda condicion se realiza sobre todos los posibles valores que
puede tomar la variable aleatoria.
5.2.2.
41
Funci
on de distribuci
on
Dada una v.a. discreta, X, se llama funcion de distribucion a la funcion F definida

como
F : R [0, 1]
x F (x) = P (X x)
Veamos algunas propiedades de la funcion de distribucion.

1 F () = 0
F () = lm F (x) = lm P (X x) = P () = 0
x
2 F (+) = 1
F (+) = lm F (x) = lm P (X x) = P (E) = 1
x+
x+
3 P (x1 < X x2 ) = F (x2 ) F (x1 )

Consideremos los sucesos
A = {X x2 }
B = {X x1 }
C = {x1 < X x2 }
como A = B C, siendo B C = , tenemos

P (A) = P (B) + P (C) = F (x2 ) = F (x1 ) + P (x1 < X x2 )
es decir,
P (x1 < X x2 ) = F (x2 ) F (x1 )
De forma analoga se demuestra :
P (x1 X x2 ) = F (x2 ) F (x1 ) + P (X = x1 )
P (x1 < X < x2 ) = F (x2 ) F (x1 ) P (X = x2 )
P (x1 X < x2 ) = F (x2 ) F (x1 ) + P (X = x1 ) P (X = x2 )
4 F es monotona creciente
Sean x1 < x2 , por la propiedad anterior,
F (x2 ) = F (x1 ) + P (x1 < X x2 ) F (x1 )
5 F es continua por la derecha
Tenemos que comprobar que, dado > 0, se cumple
lm (F (x + ) F (x)) = 0
42
Estadstica
pero
lm (F (x + ) F (x)) = lm P (x < X x + ) = P () = 0
Si calculamos el lmite por la izquierda,

lm(F (x) F (x )) = lm P (x < X x) = P (X = x)
y, esta probabilidad puede ser cero o no. Por tanto, la funcion de distribucion, en general,
no es continua por la izquierda. De hecho,
F (x) F (x ) = lm(F (x) F (x )) = P (X = x)
0
es decir, la probabilidad de que la v.a. discreta X tome un valor concreto es

igual al salto de la funci
on de distribuci
on en ese punto.
Ejemplo.- Sea X una v.a. discreta con funcion de probabilidad
xi
P (X = xi )
0.1
0.4
0.2
0.3
La funcion de distribucion asociada es
0.1
F (x) =
0.5
0.7
5.3.
5.3.1.
x<1
F (x)
6
1
1x<2
0.7
2x<3
0.5
3x<4
0.1
r
r
x4
Variable aleatoria continua

Funci
on de distribuci
on y funci
on de densidad
Dada una v.a. continua, X, se llama funcion de distribucion a la funcion absolutamente continua, F , definida como
F : R [0, 1]
x F (x) = P (X x)
43
Decimos que F es absolutamente continua, si existe una funcion f : R R, no
negativa e integrable Lebesgue tal que

Z
F (x) =
f (t) dt
x R
La funcion f se llama funcion de densidad. En general, una funcion f es funcion de

densidad si verifica
i) f (x) 0 x R
Z
ii)
f (x) dx = 1
Veamos algunas propiedades de la funcion de distribucion.

1 F () = 0 y F () = 1
2 F es monotona creciente
3 F es continua en R
lm (F (x + ) F (x)) = lm
Z
x+
f (t) dt

Z
f (t) dt = lm
0
Por ser f integrable en [x, x + ], [inf f, sup f ] tal que

(Primer Teorema de la Media). Por tanto,
x+
f (t) dt
x
x+
f (t) dt =
x
lm (F (x + ) F (x)) = lm( ) = 0
La continuidad por la izquierda se demuestra de forma analoga. Por ser F continua,

se cumple
P (X = x) = F (x) F (x ) = 0 x R
por tanto
P (x1 < X x2 ) = P (x1 < X < x2 ) = P (x1 X x2 ) = P (x1 X < x2 ) =
= F (x2 ) F (x1 )
Como consecuencia de esta propiedad, al ser la funcion de distribucion continua

en R, no tiene discontinuidades (saltos), por tanto la probabilidad de que la v.a.
continua X tome un valor concreto es cero (P (X = x) = 0).
4
Si f es continua, entonces F es de clase C 1 y F (x) = f (x) x R

1
F (x + ) F (x)
= lm
F (x) = lm
0
0
x+
f (t) dt
44
Estadstica
Por ser f continua en [x, x + ], x0 [x, x + ] tal que

(Primer Teorema de la Media). Por tanto,
x+
f (t) dt = f (x0 )
x
F (x + ) F (x)
1
= lm f (x0 ) = f (x0 )
0
0
Como x0 [x, x + ] x0 = x. La derivabilidad por la izquierda se demuestra de

F (x) = lm
forma analoga.
Ejemplo.- Sea X una v.a. continua con funcion de densidad
f (x) =
3 2
2x
x [1, 1]
resto
La funcion de distribuci
on asociada
Z x
Z x es
Si x < 1 F (x) =
f (t) dt =
0 dt = 0
Z
Z
Z x
x
1
1
3 2
t dt = [x3 + 1]
Si 1 x < 1 F (x) =
f (t) dt =
0 dt +
2
1 2 Z
Z x
Z 1 Z 1
x
3 2
Si x 1 F (x) =
f (t) dt =
0 dt +
t dt +
0 dt = 1
1 2
1
F (x) 6
1 3
F (x) =
[x + 1]
5.4.
x < 1
1 x < 1
x1
-1
Variable aleatoria mixta
Una v.a. mixta viene caracterizada por su funcion de distribucion, definida de igual
forma que en los casos anteriores, que es continua por la derecha, con un n
umero de
discontinuidades a lo sumo numerable, pero que no es escalonada. Es decir, en algunos
puntos es discreta (puntos de discontinuidad) y en el resto es continua. Por ejemplo, la
v.a. X con funcion de distribucion
45
(x + 1)2 + 1/4
F (x) =
5/8
x + 1/4
x < 1
1 x < 1/2
1/2 x < 1/2
1/2 x < 3/4
x 3/4
F (x) 6
1
3/4
1/2
1/4
-1
-1/2
1/2
3/4
Para esta v.a. se cumple

1
P (X = 1) = F (1+ ) F (1 ) = 1/4 0 = 1/4
P (X = 1/2) = F (1/2+ ) F (1/2 ) = 5/8 1/2 = 1/8
P (X = 1/2) = F (1/2+ ) F (1/2 ) = 3/4 5/8 = 1/8
P (X = x) = 0 x 6= 1, 1/2, 1/2
2
P (X = 1)+
1/2
1
(2x+2) dx+P (X = 1/2)+
1/2
1/2
0 dx+P (X = 1/2)+
3/4
1/2
1 dx = 1
46
Estadstica
NOTA: Tanto en el caso de variables discretas como continuas o mixtas, el conocimiento

de la funcion de distribucion (o la de probabilidad o la de densidad) es toda la informacion
que necesitamos para manejar la v.a. y estudiar el experimento para el que ha sido definida.
De hecho estas funciones constituyen la maxima informacion posible acerca de la variable.
5.5.
Transformaciones de variables aleatorias
En muchas ocasiones deberemos hacer operacionescon variables aleatorias. Dada

una variable aleatoria X una funcion de ella sera una nueva variable aleatoria Y = u(X).
En esta seccion trataremos de calcular la distribucion de esta nueva variable.
Lo primero que debemos tener en mente es que la aritmetica de las variables
aleatorias no coincide con la de los n
umeros reales. Supongamos que lanzamos un dado
y definimos la variable aleatoria X cuyo valor asignado al suceso Si ( el resultado de
la tirada es i) es i. X toma seis posibles valores {1, 2, 3, 4, 5, 6} seg
un la cara que haya
mostrado el dado. Y1 = 2X es una nueva variable aleatoria que asigna un valor doble al
definido anteriormente para cada suceso elemental. Sin embargo Y2 = X + X no tiene la
misma interpretacion. En este caso el dado es lanzado dos veces, sumandose la puntacion
obtenida en cada tirada. Los posibles valores de Y1 son {2, 4, 6, 8, 10, 12} mientras que
los de Y2 son {2, 3, 4, 5, 6, 7, 8, 9, 10, 11, 12}. Para evitar confusiones es conveniente asignar
subndices distintos a las variables que representan cada resultado de un determinado
experimento que se repite varias veces, aun cuando cada una de ellas este definida de la
misma forma. En el caso de lanzar un dado dos veces podemos considerar la variable X
definida anteriormente y obtener los posibles resultados como X1 + X2 donde cada Xi
tiene la misma distribucion de probabilidad que la X.
5.5.1.
Sea X una v.a. con funcion de probabilidad f (x) y funcion de distribucion F (x)
e, Y = u(X) otra v.a. con funcion de probabilidad g(y) y funcion de distribucion G(y).
Es decir, tenemos una funcion que relaciona a x e y, y = u(x) x = u1 (y) = w(y).
Entonces
g(y) = P (Y = y) = P (u(X) = y) = P (X = u1 (y)) = P (X = w(y)) = f [w(y)]

G(y) = P (Y y) = P (u(X) y) = P (X u1 (y)) = P (X w(y)) = F [w(y)]
En general el paso de una v.a. a otra es sencilla, solo hay que tener cuidado cuando
la funcion u no es biyectiva. Veamos un par de ejemplos para aclarar esto u
ltimo.
47
Ejemplo.- Sea X una v.a. con funcion de probabilidad

xi
-2
-1
P (X = xi )
0.1
0.2
0.2
0.4
0.1
La funcion de distribucion de X es
0.1
0.3
F (x) =
0.5
0.9
x < 2
2 x < 1
1 x < 0
0x<1
1x<2
x2
Sea Y = u(X) = 2X y = u(x) = 2x x = u1 (y) = w(y) = y/2. Los valores que
toma la v.a. Y son y = {4, 2, 0, 2, 4}. Entonces
g(y) = P (Y = y) = P (2X = y) = P (X = y/2) = f (y/2)

es decir
yi
-4
-2
P (Y = yi )
0.1
0.2
0.2
0.4
0.1
Y, la funcion de distribucion de Y es
G(y) = P (Y y) = P (2X y) = P (X y/2) = F (y/2)
es decir
0.1
0.3
G(y) =
0.5
0.9
y < 4
4 y < 2
2 y < 0
0y<2
2y<4
y4
Sea ahora Y = u(X) = X 2 . Claramente, la funcion u no es biyectiva. Tenemos

entonces que los valores que toma la v.a. Y son y = {0, 1, 4}, y la funcion de probabilidad
es
es decir
g(y) = P (Y = y) = P (X 2 = y) = P ( (X = y ) (X = + y ) ) =
= P (X = y ) + P (X = + y )
48
Estadstica
yi
P (Y = yi )
0.2
0.6
0.2
Y, la funcion de distribucion de Y es
G(y) = P (Y y) = P (X 2 y) = P ( y X + y) =
= P (X = y) + P ( y < X + y) =
= f ( y) + F (+ y) F ( y)
es decir
0.2
G(y) =
0.8
5.5.2.
y<0
0y<1
1y<4
y4
Sea X una v.a. con funcion de densidad f (x) y funcion de distribucion F (x) e,
Y = u(X) otra v.a. con funcion de densidad g(y) y funcion de distribucion G(y). Es decir,
tenemos una funcion que relaciona a x e y, y = u(x) x = u1 (y) = w(y). Entonces
G(y) = P (Y y) = P (u(X) y) = P (X u1 (y)) = P (X w(y)) = F [w(y)]
g(y) = G (y) = F [w(y)] |w (y)| = f [w(y)] |w (y)|
Igual que en el caso de las v.a. discretas, hay que tener cuidado cuando la funcion
u no es biyectiva. Veamos un par de ejemplos para aclarar esto u
ltimo.
Ejemplo.- Sea X una v.a. con funciones de densidad y distribucion
f (x) =
3 2
2x
1 x 1
resto
F (x) =
x < 1
[x3 + 1]
1 x < 1
x1
Sea Y = u(X) = 2X y = u(x) = 2x x = u1 (y) = w(y) = y/2. Entonces
49
G(y) = P (Y y) = P (2X y) = P (X y/2) = F (y/2)

g(y) = G (y) = F (y/2) 12 = f (y/2) 12
es decir,
g(y) =
3 2
y
16
2 y 2
G(y) =
resto
y < 2
[(y/2)3 + 1]
2 y < 2
y2
Sea ahora Y = u(X) = X 2 . Claramente, la funcion u no es biyectiva.
G(y) = P (Y y) = P (X 2 y) = P ( y X + y ) = F (+ y ) F ( y )
1
= f (+ y )
g(y) = G (y) = F (+ y ) 21 y F ( y ) 21
+ f ( y ) 21 y
y
2 y
es decir,
g(y) =
5.5.3.
2 y
0y1
G(y) =
resto
Transformaci
on integral
y y
y<0
0y<1
y1
Sea X una v.a. con funcion de distribucion, F , estrictamente creciente. Entonces, la

transformacion biyectiva
Y = F (X)
da lugar a una nueva v.a. con funciones de distribucion y densidad
G(y) = P (Y y) = P (F (X) y) = P (X F 1 (y)) = F (F 1(y)) = y

g(y) = G (y) = 1
50
Estadstica
Ejemplo.- Sea X una v.a. con funciones de densidad
x
1
f (x) =
F (x) =
0 resto
y distribucion
0
1 2
[x
3
x<1
1]
1x<2
x2
Realizamos la transformacion Y = 31 [X 2 1], entonces

G(y) = P (Y y) = P 31 [X 2 1] y = P (X 2 3y + 1) =

= P 3y + 1 X + 3y + 1 = F + 3y + 1 F 3y + 1 =
= F + 3y + 1
3
3
g(y) = F 3y + 1 23y+1
=f
3y + 1 23y+1
=
=
es decir,
2p
3
3y + 1
=1
3
2 3y + 1
g(y) =
5.6.
0y1
0 resto
0
G(y) =
y
y<0
0y<1
y1
Distribuciones truncadas
En ocasiones, cuando se estudia el comportamiento de una v.a., resulta conveniente

restringir su campo de variacion a un cierto subconjunto de especial interes, lo que conduce
a un tipo de v.a. llamada variable aleatoria truncada.
Expresado formalmente, sea X una v.a. cuyo campo de variacion es el conjunto E y
su funcion de distribucion es F (x); y sea S un subconjunto de E tal que P (X S) > 0.
El problema consiste en calcular la probabilidad de que X A sabiendo que X S,

siendo A S, es decir calcular la probabilidad del suceso condicionado {X A/X S}.
Para ello, recurrimos a la definicion de probabilidad condicional

P (X A/X S) =
P ((X A) (X S))
P (X S)
51
En particular, si consideramos el suceso A = {X x} entonces la probabilidad
buscada, P (X x/X S), es la funcion de distribucion truncada de la v.a. X en el
nuevo campo de variacion, S, y la notaremos por FT . As,

FT (x) P (X x/X S) =
P ((X x) (X S))
P (X S)
Ejemplo.- Sea X una v.a. definida en el intervalo E = [xi , xf ] y con funcion de distribucion
F . Dados los sucesos S = {x0 < X x1 } y A = {X x} (Fig. 5.1), entonces la funcion
de distribucion truncada es
P ((X A) (X S))
=
P (X S)
FT (x) = P (X A/X S) =
=
P ((X x) (x0 < X x1 ))

P (x0 < X x)
=
=
P (x0 X x1 )
P (x0 < X x1 )
F (x) F (x0 )
,
F (x1 ) F (x0 )
x0 < x x1
Si X es discreta, la funcion de probabilidad truncada es

PT (X = x) = P (X = x/X S) =
=
P ((X = x) (x0 < X x1 ))

=
P (x0 X x1 )
P (X = x)
,
F (x1 ) F (x0 )
x0 < x x1
Si X es continua, la funcion de densidad truncada es

fT (x) = FT (x) =
xi
f (x)
,
F (x1 ) F (x0 )
x0 < x x1
x0
x1
A
S
E
Figura 5.1: Esquema para una distribucion truncada
xf
52
Estadstica
Momentos de una
variable aleatoria
unidimensional
Indice
6.1. Esperanza matem
atica . . . . . . . . . . . . . . . . . . . . . . .
54
6.2. Momento de orden k de una variable aleatoria . . . . . . . . .
55
6.3. Varianza y desviaci

on tpica . . . . . . . . . . . . . . . . . . . .
56
6.4. Otros valores tpicos . . . . . . . . . . . . . . . . . . . . . . . . .
57
6.5. Coeficientes de asimetra y curtosis
58
. . . . . . . . . . . . . . .
6.6. Teorema de Markov. Desigualdad de Chebychev
. . . . . . .
60
6.7. Funci
on generatriz de momentos . . . . . . . . . . . . . . . . .
61
6.8. Funci
on caracterstica . . . . . . . . . . . . . . . . . . . . . . . .
62
6.8.1. Cambio de variable en la funcion caracterstica . . . . . . . . .
64
53
54
Estadstica
6.1.
Esperanza matem
atica
Se define la esperanza matematica o media de una v.a. X como

= E[X] =
xi P (X = xi )
v.a. discreta
= E[X] =
xf (x) dx
v.a. continua
De forma mas general, si tenemos una funcion T (X),

X
E[T (X)] =
T (xi ) P (X = xi )
v.a. discreta
E[T (X)] =
T (x)f (x) dx
v.a. continua
Si la v.a. es discreta y toma un n

umero finito de valores, entonces su esperanza
siempre es finita, pero en el resto de los casos, la esperanza puede no ser finita.
Ejemplo 1.- Sea X una v.a. discreta con funcion de probabilidad
Entonces
pero,
xn
2n1
P (X = xn )
2n
X
1/2
1
=
=1
P (X = xn ) =
n
2
1 1/2
n=1
n=1
E[X] =
xn P (X = xn ) =
n=1
n1
n=1
X1
1
=
=
2n
2
n=1
Ejemplo 2.- Sea X una v.a. continua con funcion de densidad
f (x) =
Entonces
pero
f (x) dx =
E[X] =
x<1
1
x2
x1
+
xf (x) dx =
1
dx = 1
x2
+
1
dx =
x2
6 Momentos de una variable aleatoria unidimensional
55
En general, tomaremos como criterio de convergencia de la esperanza matematica,

la convergencia absoluta de la serie o la integral, es decir
si
X
i
si
|xi |P (X = xi ) <
|x|f (x) dx <
X
i
xi P (X = xi ) = E[X] <
xf (x) dx = E[X] <
Veamos algunas propiedades de la esperanza matematica

La esperanza matematica de una constante es la misma constante : E[C]=C
E[T1 (X) + T2 (X)] = E[T1 (X)] + E[T2 (X)]
E[aX + b] = aE[X] + b
6.2.
Momento de orden k de una variable aleatoria
Como casos particulares de funcion de una v.a. se pueden tomar las funciones
T1 (X) = X k y T2 (X) = (X )k con k N. De esta forma, se define el
momento de orden k centrado en el origen de X como
mk = E[X k ] =
xi k P (X = xi )
v.a. discreta
mk = E[X ] =
xk f (x) dx
v.a. continua
y el momento de orden k centrado en la media de X como

Mk = E[(X )k ] =
Mk = E[(X ) ] =
X
i
Se comprueba facilmente que :
(xi )k P (X = xi )
v.a. discreta
m1 = E[X] =
M1 = E[X ] = E[X] = 0
(x )k f (x) dx
v.a. continua
56
Estadstica
Ademas, podemos relacionar los momentos centrados en la media con los momentos
centrados en el origen, y viceversa.

X
Mk = E[(X )k ] =
(xi )k P (X = xi ) =
i
X
i
"
k
0
xi k
k
1
mk
xi k1 +
k
1
"
=
6.3.
k
0
!
k
0
Mk +
k
1
X
i
(xi ) +
1
!
xi k2 2 + + (1)k
mk1 +
mk = E[X k ] = E[(X + )k ] =
X
k P (X = xi ) =
2 mk2 + + (1)k
(xi + )k P (X = xi ) =
(xi )
k1
Mk1 +
++
k
k
Mk2 + +
P (X = xi ) =
k
k
Varianza y desviaci
on tpica
Se define la varianza de una v.a., X, con media , como

2 = Var(X) = M2 = E[(X )2 ] =
= Var(X) = M2 = E[(X ) ] =
X
i
(xi )2 P (X = xi )
v.a. discreta
(x )2 f (x) dx
v.a. continua
Veamos algunas propiedades :

Var(X) = E[X 2 ] (E[X])2
X
X

Var(X) =
(xi )2 P (X = xi ) =
xi 2 + 2 2xi P (X = xi ) =
i
X
i
xi 2 P (X = xi ) + 2 2
X
i
xi P (X = xi ) = E[X 2 ] + 2 22 = E[X 2 ] (E[X])2
Var(aX + b) = a2 Var(X)
Sea Y = aX + b Y = E[Y ] = E[aX + b] = aE[X] + b = aX + b. Entonces
Var(aX + b) = Var(Y ) = E[(Y Y )2 ] =
= E[(aX + b aX b)2 ] = E[(aX aX )2 ] = a2 E[(X X )2 ] = a2 Var(X)
57
Generalmente, resulta mas practico utilizar una medida de la dispersion de los datos
en las mismas unidades que los propios datos, por ello, se define la desviacion tpica como
=
6.4.
p
Var(X)
Otros valores tpicos
Mediana (Me) : es el punto que divide la distribucion en dos partes de igual probabilidad
v.a. discreta
P (X xn ) 1/2
Me=xn R tal que
P (X x ) 1/2
n
v.a. continua
Me=x R tal que P (X x) = P (X x) = 1/2

Moda (Mo) : es el punto (o los puntos) de mayor probabilidad.
Mo=xn R tal que P (X = xn ) P (X = xi )
Mo=x R tal que f (x) f (t)
v.a. discreta
v.a. continua
Cuantiles : El cuantil de orden p es el valor xp de la variable tal que

P (X xp ) = p
(0 < p < 1)
Como casos particulares citamos :

Cuartiles : Son tres valores, Qn , tales que
P (X Qn ) =
n
4
(n = 1, 2, 3)
Deciles : Son nueve valores, Dn , tales que

P (X Dn ) =
n
10
(n = 1, . . . , 9)
Percentiles : Son 99 valores, Pn , tales que

P (X Pn ) =
n
100
(n = 1, . . . , 99)
58
Estadstica
Figura 6.1: Funcion de densidad de una distribucion Normal
6.5.
Coeficientes de asimetra y curtosis
Una distribucion continua muy utilizada es la llamada distribucion Normal (Fig.

6.1). En este apartado, pretendemos comparar la distribucion de una v.a. cualquiera, X,
con media E[X] = y varianza Var(X) = 2 , con la distribucion Normal, en dos aspectos :
grado de asimetra y grado de achatamiento.
Una de las propiedades de la distribucion Normal, es que su funcion de densidad es
simetrica respecto a su media. En general, si la distribucion que estamos estudiando es
simetrica respecto a su media, entonces
P (X + x) = P (X x) v.a. discreta
f ( + x) = f ( x)
(x > 0)
v.a. continua
y, es facil comprobar, que los momentos de orden impar centrados en la media son todos
nulos,
M2n+1 = E[(X )2n+1 ] = 0
n = 0, 1, 2, . . .
Sabemos que M1 = 0 para toda v.a., por tanto, utilizamos el siguiente momento
mas facil de calcular, que es M3 . As, definimos el coeficiente de asimetra o sesgo, como
el escalar adimensional
59
Figura 6.2: Asimetra
CA =
M3
M3
= 3/2 = " i
3
M2
X
i
M3
M3
CA = 3 = 3/2 = Z
M2
(xi )3 P (X = xi )
(xi )2 P (X = xi )
#3/2
v.a. discreta
(x )3 f (x) dx
3/2
2
(x ) f (x) dx
v.a. continua
de forma que si
CA = 0 puede ser simetrica
CA > 0 es asimetrica positiva o sesgada a la derecha

( Me)
CA < 0 es asimetrica negativa o sesgada a la izquierda ( Me)
Respecto al grado de achatamiento o apuntamiento, parece logico utilizar un coeficiente que tenga en cuenta la dispersion de los datos en torno a la media. En una
distribucion Normal, se cumple
M4
=3
M22
y, en general, definimos el coeficiente de apuntamiento o curtosis como el escalar adimensional
60
Estadstica
Figura 6.3: Curtosis
CAp =
M4
M4
3 = 2 3 = " i
4
M2
X
i
(xi )4 P (X = xi )
(xi )2 P (X = xi )
v.a. discreta
M4
M4
CAp = 4 3 = 2 3 = Z
+
M2
de forma que si
#2 3
(x )4 f (x) dx
2 3
(x )2 f (x) dx
v.a. continua
CAp > 0 distribucion leptoc

urtica
CAp = 0 distribucion mesoc

urtica
CAp < 0 distribucion platic

urtica
6.6.
Teorema de Markov. Desigualdad de Chebychev
Sea X una v.a. y g(X) una funcion tal que g(X) 0. Entonces, k > 0 se cumple
P (g(X) k)
E[g(X)]
k
La demostraci
ya que
Z + on es muy sencilla,
Z
Z
E[g(X)] =
g(x)f (x) dx =
g(x)f (x) dx +
g(X)k
g(X)k
g(x)f (x) dx k
g(X)k
g(X)<k
g(x)f (x) dx
f (x) dx = kP (g(X) k)
61
En la practica, se utilizan otras versiones de este teorema, como :

P (g(X) < k) = 1 P (g(X) k) 1
E[g(X)]
k
Si g(X) = (X )2 y k = (k)2 entonces

P ((X )2 < k 2 2 ) 1
E[(X )2 ]
=
k2 2
2
=
k2 2
1
P ( k < X < + k) 1 2
k
P (|X | < k) 1
que es la desigualdad de Chebychev. La probabilidad de que una v.a., X, tome

un valor dentro de k desviaciones de la media es al menos (1 1/k 2 )
6.7.
Funci
on generatriz de momentos
La funci
on generatriz de momentos asociada a una v.a. X se define como
X
exi P (X = xi ) v.a. discreta
g() = E[eX ] =
i
g() = E[e
]=
ex f (x) dx
v.a. continua
La funcion generatriz de momentos se utiliza, como su nombre indica, para calcular

los momentos deZuna v.a., ya que Z
+
g() = E[eX ] =
ex f (x) dx =

2 2
n n
1 + x + x + + x + f (x) dx =
2!
n!
2
n
= 1 + m1 + m2 + + mn +
2!
n!
es decir, si g() admite desarrollo de Taylor en torno a 0, entonces

dr g()
mr =
dr =0
El inconveniente de utilizar la funcion generatriz de momentos es que antes de utili-
zarla, hay que saber si la serie o la integral converge. Para evitar este problema, se define
la funcion caracterstica, que estudiamos en el siguiente apartado.
62
Estadstica
6.8.
Funci
on caracterstica
La funci
on caracterstica asociada a una v.a. X se define como
X
(t) = E[eitX ] =
eitxk P (X = xk ) v.a. discreta
k
itX
(t) = E[e
]=
eitx f (x) dx
v.a. continua
Veamos algunas de sus propiedades.

1 La funcion caracterstica existe t R
(t) = E[eitX ] = E[cos(tX) + isen(tX)] = E[cos(tX)] + iE[sen(tX)]

pero
E[|cos(tX)|] =
E[|sen(tX)|] =
|cos(tx)| f (x) dx
|sen(tx)| f (x) dx
f (x) dx = 1 < +
f (x) dx = 1 < +
por tanto, E[cos(tX)] y E[sen(tX)] son convergentes, y (t) tambien.

2 (0) = 1
3 |(t)| 1
itX
|(t)| = |E[e
itX
]| E[ |e
|] =
itx
|e | f (x) dx =
f (x) dx = 1
4 (t) = (t)
(t) = E[ei(t)X ] = E[cos(tX) isen(tX)] = E[cos(tX)] iE[sen(tX)] = (t)
5 Si (t) es la funcion caracterstica asociada a una v.a., X, con funcion de distribucion
F , y a < b son dos puntos de continuidad de F , entonces
Z T iat
1
e
eibt
F (b) F (a) =
lm
(t) dt
2 T T
it
siempre que (t) sea integrable. En particular,
1
lm lm
F (b) = F (b) 0 = F (b) F () =
2 z T
eizt eibt
(t) dt
it
6 Si (t) es integrable, y x un punto de continuidad de F , entonces

Z +
1
P (X = x) =
eitx (t) dt v.a. discreta
2
1
f (x) =
2
eitx (t) dt
v.a. continua
63
7 Si (t) es la funcion caracterstica de una v.a., y admite un desarrollo de Taylor en

torno a 0, entonces
(t) = 1 + im1 t +
i2
ik
m2 t2 + + mk tk +
2!
k!
(t) = E[eitX ]
= (0) = 1
(t) = E[iXeitX ]
= (0) = E[iX] = im1
(t) = E[i2 X 2 eitX ]

..
.
= (0) = E[i2 X 2 ] = i2 m2
dr (t)
dr (0)
r r itX
=
E[i
X
e
]
=
= E[ir X r ] = ir mr
r
r
dt
dt
es decir,

1 dr (t)
mr = r
i dtr t=0
8 La funcion caracterstica es uniformemente continua en todo intervalo de la recta real.

9 La funcion caracterstica, (t), asociada a una v.a., X, es real si y solo si, X es
simetrica.
10 A toda funcion caracterstica le corresponde una y solo una funcion de distribucion.
Es decir, si dos v.a. tienen la misma funcion caracterstica, entonces tienen la misma
funcion de distribucion y viceversa.
11 Sean {X1 , X2 , . . . , Xn } n variables aleatorias independientes con funciones carac-
tersticas {X1 , X2 , . . . , Xn }, e Y = X1 + X2 + + Xn . Entonces

Y (t) =
n
Y
Xi (t)
i=1
Es necesario resaltar que, a lo largo de este apartado, hemos visto como dada una v.a.
se puede calcular su funcion caracterstica e incluso, a partir de la funcion caracterstica
podemos calcular el valor de la funcion de distribucion asociada, en un punto. En cambio,
en ning
un momento hemos dado un criterio para saber, dada una funcion cualquiera, (t),
si es la funcion caracterstica asociada a alguna v.a. Veamos con un par de ejemplos, que
la cosa no es sencilla.
1
t R
1 + t4
Esta funcion verifica las siguientes propiedades tpicas de una funcion caracterstica :
Ejemplo 1.- Sea (t) =
64
Estadstica
esta definida en todo R
(0) = 1
(t) = (t)
es uniformemente continua en R
|(t)| 1
Supongamos que (t) es la funcion caracterstica de una v.a. X. Claramente, (t)
admite un desarrollo de Taylor, por tanto

(0)
= m1 = E[X] =
=0
i
(0)
Var(X) = E[(X )2 ] = E[X 2 ] 2 = 2 = 0
i
Es decir la v.a. X tiene que ser la v.a. degenerada que toma el valor 0 con probabilidad P (X = 0) = 1. Pero, la funcion caracterstica de esta v.a. degenerada es
X
(t) = E[eitX ] =
eitxn P (xn ) = eit0 P (0) = 1
n
1
t R
2 eit
Supongamos que (t) es la funcion caracterstica de una v.a., X, discreta. Como
Ejemplo 2.- Sea (t) =
(t) es un sumatorio de una serie de terminos, vamos a suponer que se trata de una serie
de potencias. As,
(t) =
X
x
1
1/2
1er termino X 1 ixt
e P (x) =
=
=
e
=
x+1
2 eit
1 razon
2
1 12 eit
x=0
itx
es decir, se trata de una v.a. discreta que toma todos los valores enteros no negativos,
1
x, con P (X = x) = x+1 . Si calculamos ahora la funcion caracterstica de esta v.a.,
2
comprobamos facilmente que es (t).
6.8.1.
Cambio de variable en la funci

on caracterstica
Sea X una v.a. con funcion caracterstica X (t). Realizamos el cambio Y = aX + b,

entonces
itY
Y (t) = E[e
it(aX+b)
] = E[e
= eitb
]=
eit(ax+b) f (x) dx =
eitax f (x) dx = eitb E[ei(at)X ] = eitb X (at)
Variable aleatoria
bidimensional y
n-dimensional
Indice
7.1. Variable aleatoria bidimensional
. . . . . . . . . . . . . . . . .
66
7.2. Variable aleatoria bidimensional discreta . . . . . . . . . . . .
66
7.2.1. Funci
on de probabilidad . . . . . . . . . . . . . . . . . . . . . .
67
7.2.2. Funci
on de distribucion . . . . . . . . . . . . . . . . . . . . . .
67
7.3. Variable aleatoria bidimensional continua . . . . . . . . . . . .
69
7.3.1. Funci
on de distribucion y funcion de densidad . . . . . . . . . .
69
7.4. Variable aleatoria bidimensional condicional . . . . . . . . . .
72
72
73
7.5. Variables aleatorias bidimensionales independientes . . . . . .
75
7.6. Momentos de una variable aleatoria bidimensional . . . . . .
76
7.6.1. Propiedades de las varianzas y la covarianza . . . . . . . . . . .
78
7.6.2. Coeficiente de correlaci

on lineal . . . . . . . . . . . . . . . . . .
80
7.7. Funci
on caracterstica de una variable aleatoria bidimensional 81
7.8. Transformaci
on de variables aleatorias bidimensionales . . . .
82
7.8.1. Una funci

on de dos variables aleatorias . . . . . . . . . . . . . .
82
7.8.2. Dos funciones de dos variables aleaorias . . . . . . . . . . . . .
82
83
83
7.9. Variable aleatoria n-dimensional . . . . . . . . . . . . . . . . .
84
65
66
Estadstica
7.1.
Variable aleatoria bidimensional
Cuando el resultado de un experimento aleatorio se traduce en una u

nica observacion, tenemos una variable aleatoria unidimensional. Si el resultado del experimento
se materializa en dos observaciones simultaneas, por ejemplo, el peso y la altura de un
colectivo de individuos, estamos ante una variable aleatoria bidimensional (X, Y ).
Expresado formalmente, partimos de un espacio probabilstico (E, , P ) y dos variables aleatorias X e Y definidas en el. El vector aleatorio cuyas componentes son X e
Y , se denomina variable aleatoria bidimensional (X, Y ). Este vector aleatorio tendra un
campo de variacion y una distribucion de probabilidad, que llamaremos conjunta. Por
otra parte, tanto X como Y son v.a. unidimensionales, y tendran un campo de variacion
y una distribucion de probabilidad que llamaremos marginales.
De nuevo, lo que se pretende es sustituir el algebra de sucesos por el algebra de
n
umeros reales y, otra vez, el concepto relevante es el de sucesos generados por variables
aleatorias. Dadas dos variables aleatorias X e Y podemos definir los sucesos conjuntos
{X x, Y y} como:
{X x, Y y} {X x}
{Y y}
De la teora sabemos que el conocimiento de las probabilidades de los dos sucesos

del miembro de la izquierda no basta para calcular la probabilidad de su interseccion.
Solo en el caso en que las dos variables unidimensionales X e Y representen resultados
independientes la probabilidad de la interseccion sera el producto de las probabilidades.
En general, por tanto, la maxima informacion sobre una variable bidimensional no
esta en las distribuciones marginales sino que deberemos conocer la distribucion conjunta.
En el caso de variables unidimensionales los sucesos se convierten en intervalos de
la recta real y sus probabilidades asociadas pueden calcularse integrando la funcion de
densidad sobre dicho intervalo. Ahora, los sucesos conjuntos se convierten en subconjuntos
de R2 . La probabilidad asociada a un suceso de este tipo puede calcularse tambien, como
veremos, realizando la correspondiente integracion en el plano.
7.2.
Variable aleatoria bidimensional discreta
Una v.a. bidimensional, (X, Y ), es discreta cuando las v.a. que la componen, X e
Y , son discretas.
7 Variable aleatoria bidimensional y n-dimensional
7.2.1.
67
Funci
on de probabilidad
Dada una v.a. bidimensional (X, Y ), la funcion de probabilidad conjunta viene dada
por
P (X = xi , Y = yj ) = pij
1 i, j +
debiendose cumplir
pij 0 i, j
P (X = xi , Y = yj ) =
i=1 j=1
X
X
pij = 1
i=1 j=1
Las funciones de probabilidad marginales son:

v.a. X
P (X = xi ) =
P (X = xi , Y = yj ) = pi
1 i +
P (X = xi , Y = yj ) = pj
1 j +
j=1
v.a. Y
P (Y = yj ) =
X
i=1
Como tanto X como Y son v.a. unidimensionales, debe cumplirse que
P (X = xi ) =
i=1
7.2.2.
P (Y = yj ) = 1
j=1
Funci
on de distribuci
on
Dada una v.a. bidimensional (X, Y ), la funcion de distribucion conjunta viene dada
por
F (xn , ym ) = P (X xn , Y ym ) =
n X
m
X
P (X = xi , Y = yj ) =
i=1 j=1
n X
m
X
pij
i=1 j=1
La funcion de distribucion conjunta verifica algunas de las propiedades tpicas de la

funcion de distribucion unidimensional:
(i) F (, ) = F (xi , ) = F (, yj ) = 0
(ii) F (+, +) = 1
68
Estadstica
(iii) F es monotona creciente:

Si x1 < x2 F (x1 , y) F (x2 , y) y
Si y1 < y2
F (x, y1 ) F (x, y2 ) x
Las funciones de distribucion marginales vienen dadas por

v.a. X
FX (xn ) = F (xn , +) = P (X xn , Y +) =
n X
X
pij =
n
X
i=1
i=1 j=1
FY (ym ) = F (+, ym) = P (X +, Y ym ) =
pij =
i=1 j=1
m
X
j=1
P (X = xi , Y = yj ) =
i=1 j=1
pi = P (X xn ) xn
v.a. Y
X
m
X
n X
m
X
X
P (X = xi , Y = yj ) =
i=1 j=1
pj = P (Y ym ) ym
Ejemplo.- Sea la v.a. bidimensional (X, Y ), con funcion de probabilidad conjunta,

HH
HH
H xi
yj HH
H
P (Y = yj )
-1
0.01
0.07
0.04
0.12
0.05
0.02
0.11
0.18
0.32
0.14
0.04
0.50
0.06
0.13
0.01
0.20
P (X = xi )
0.44
0.36
0.20
3 X
4
X
pij = 0.01 + + 0.01 = 1
Se cumple,
XX
i
P (X = xi , Y = yj ) =
i=1 j=1
69
Las funciones de probabilidad marginales son,

v.a. X
xi
P (X = xi )
0.44 0.36 0.20
Se cumple,
X
P (X = xi ) =
pi = 0.44 + 0.36 + 0.20 = 1
i=1
v.a. Y
3
X
yj
-1
P (Y = yj )
0.12 0.18 0.50 0.20
Se cumple,
X
P (Y = yj ) =
7.3.
4
X
j=1
pj = 0.12 + 0.18 + 0.50 + 0.20 = 1
Variable aleatoria bidimensional continua
Una v.a. bidimensional, (X, Y ), es continua cuando las v.a. que la componen, X e
Y , son continuas.
7.3.1.
Funci
on de distribuci
on y funci
on de densidad
Dada una v.a. bidimensional (X, Y ), la funcion de distribucion conjunta viene dada
por
F (x, y) = P (X x, Y y) x, y R
La funcion de distribucion conjunta verifica algunas de las propiedades tpicas de la
funcion de distribucion unidimensional:
(i) F (, ) = F (x, ) = F (, y) = 0
(ii) F (+, +) = 1
70
Estadstica
(iii) F es monotona creciente:

Si x1 < x2 F (x1 , y) F (x2 , y) y R
F (x, y1 ) F (x, y2 ) x R
Si y1 < y2
En el caso de v.a. unidimensionales continuas, a la funcion de distribucion esta asociada la funcion de densidad, que se obtiene derivando la primera. Para las v.a. bidimensionales continuas tambien hay una funcion de densidad conjunta, f (x, y), asociada a la
funcion de distribucion conjunta, de tal forma que
F (x, y) = P (X x, Y y) =
Veamos algunas relaciones importantes
1
f (x, y) 0 x, y R
f (x, y) dxdy
f (x, y) dydx = 1
P (a X b, c Y d) =
b
a
f (x, y) dydx
c
2 F (x, y)
2 F (x, y)
=
= f (x, y) x, y R
x y
y x
Las funciones de distribucion marginales vienen dadas por,

v.a. X
FX (x) = F (x, +) = P (X x, Y +) =
f (x, y) dydx =
siendo
fX (x) =
f (x, y) dy x R
la funcion de densidad marginal de X, que debe verificar

Z
fX (x) dx = 1
fX (x) dx
71
v.a. Y
FY (y) = F (+, y) = P (X +, Y y) =
f (x, y) dxdy =
fY (y) dy
siendo
Z
fY (y) =
f (x, y) dx y R
la funcion de densidad marginal de Y , que debe verificar

Z
fY (y) dy = 1
Ejemplo.- Sea (X, Y ) la v.a. bidimensional con funcion de densidad conjunta

2
f (x, y) = (x + 6y) 0 x, y 1
7
f (x, y) dydx =
2
(x + 6y) dydx =
7
2
(x + 3) dx = 1
7
Funcion de distribucion conjunta

F (x, y) =
=
x
0
f (x, y) dydx =
y
0
2
(x + 6y) dydx =
7
2
2 1
1
(xy + 3y 2) dx = ( x2 y + 3xy 2) = xy(x + 6y) 0 x, y 1
7
7 2
7
Funcion de densidad marginal de X

fX (x) =
f (x, y) dy =
2
2
(x + 6y) dy = (x + 3) 0 x 1
7
7
Funcion de densidad marginal de Y

fY (y) =
f (x, y) dx =
2
1
(x + 6y) dx = (1 + 12y) 0 y 1
7
7
Funcion de distribucion marginal de X

FX (x) =
f (x, y) dydx =
fX (x) dx =
72
Estadstica
=
1
2
(x + 3) dx = x(x + 6) 0 x 1
7
7
Funcion de distribucion marginal de Y

FY (y) =
=
f (x, y) dxdy =
fY (y)dy =
2 1
1
2 1
( + 6y) dy = ( y + 3y 2) = y(1 + 6y) 0 y 1
7 2
7 2
7
Se puede comprobar que

fX (x) = FX (x) 0 x 1
Z
fX (x) dx =
7.4.
fY (y) = FY (y) 0 y 1
fY (y) dy = 1
Variable aleatoria bidimensional condicional
Junto con las distribuciones marginales tenemos otras de gran importancia, las distribuciones condicionales, que surgen cuando en la distribucion conjunta se establece una
condicion sobre una de las variables. La distribucion condicional expresa el comportamiento probabilstico de una variable aleatoria, cuando la otra esta sujeta a ciertas condiciones.
Partimos de la definicion de probabilidad condicional de dos sucesos
P (A/B) =
P (A B)
P (B)
siempre que P (B) > 0.
7.4.1.
Sea (X, Y ) una v.a. bidimensional discreta con funcion de probabilidad conjunta
P (X = xi , Y = yj ) = pij
Definimos la funcion de distribucion de la variable Y condicionada por la variable
X, {Y|X } como
P (X = xn , Y ym )
F (ym |xn ) = P (Y ym |X=xn ) =
=
P (X = xn )
m
X
pnj
j=1
pn
73
De manera analoga, se define la funcion de distribucion de la variable X condicionada

por la variable Y , {X|Y } como
P (X xn , Y = ym )
F (xn |ym ) = P (X xn |Y =ym ) =
=
P (Y = ym )
n
X
pim
i=1
pm
Como casos particulares,
P (xr < X xs , Y ym )
P (Y ym |xr <Xxs ) =
=
P (xr < X xs )
s
m
X
X
pij
i=r+1 j=1
s
X
pi
i=r+1
P (X xn , Y ym )
P (Y ym |Xxn ) =
=
P (X xn )
n X
m
X
pij
i=1 j=1
n
X
pi
i=1
7.4.2.
Sea (X, Y ) una v.a. bidimensional discreta con funcion de densidad conjunta
f (x, y)
x, y +
Definimos la funcion de distribucion de la variable Y condicionada por la variable

X, {Y|X } como
74
Estadstica
F (y|x) = P (Y y|X=x ) = lm P (Y y|x<Xx+) =

0
P (x < X x + , Y y)
= lm
= lm
0
0
P (x < X x + )
x+
f (x, y) dydx
x+
fX (x) dx
Z
= lm
x+
x+
f (x, y) dx
dy
2
f (x, y) dy
fX (x)
fX (x) dx
f (x, y)
dy =
fX (x)
f (y|x) dy y R
habiendo definido la funcion f (y|x) como

f (x, y)
y R
fX (x)
es decir, f (y|x) es la funcion de densidad de la variable aleatoria Y condicionada por el
f (y|x) =
valor de la variable aleatoria X = x.

De manera analoga, se define la funcion de distribucion de la variable X condicionada
por la variable Y , {X|Y } como
F (x|y) = P (X x|Y =y ) =
f (x, y)
dx =
fY (y)
habiendo definido la funcion f (x|y) como
f (x|y) dx x R
f (x, y)
x R
fY (y)
es decir, f (x|y) es la funcion de densidad de la variable aleatoria X condicionada por el
f (x|y) =
valor de la variable aleatoria Y = y.

Como casos particulares,
P (X x, Y y)
=
P (Y y|Xx) =
P (X x)
f (x, y) dydx
fX (x) dx
P (a X b, Y y)
=
P (Y y|aXb ) =
P (a X b)
75
f (x, y) dydx
Z b
fX (x) dx
7.5.
Variables aleatorias bidimensionales independientes
Cuando dos sucesos son independientes, se verifica que

P (S1 S2 ) = P (S1 )P (S2 )
o, tambien
P (S1 /S2 ) = P (S1 )
P (S2 /S1 ) = P (S2 )
Utilizando el mismo razonamiento, dos variables aleatorias X e Y con funcion de
probabilidad conjunta P (X = xi , Y = yj ) = pij si son discretas, y funcion de densidad
conjunta f (x, y) si son continuas, son independientes, si se verifica
pij = pi pj
i, j
v.a. discreta
f (x, y) = f (x)f (y) x, y v.a. continua

X
Y
TEOREMA 1. Si dos variables X e Y son independientes, cualquier par de variables que

se obtengan cada una como funcion de una sola de las anteriores, Z = g(X) y W = h(Y )
son independientes.
TEOREMA 2. Si dos experimentos son independientes, dos variables aleatorias definidas
respectivamente a partir de los resultados de cada uno de los experimentos anteriores son
independientes.
76
Estadstica
7.6.
Momentos de una variable aleatoria bidimensional
Dada una v.a. bidimensional (X, Y ), se pueden definir los momentos de orden r y s
centrados en el origen o centrados en las medias.
Momento de orden r y s centrado en el origen
mrs = E[X r Y s ] =
XX
xri yjs P (X = xi , Y = yj )
i j
xr y s f (x, y) dxdy
Los momentos centrados en el origen mas utilizados son

2 Momentos de primer orden
X = m10 = E[X] =
Y = m01 = E[Y ] =
XX
X
x
P
(X
=
x
,
Y
=
y
)
=
xi pi
i
i
j
i
i j
xf (x, y) dxdy =
xfX (x) dx
XX
X
y
P
(X
=
x
,
Y
=
y
)
=
yj pj
j
i
j
j
i j
yf (x, y) dxdy =
yfY (y) dy
Como puede comprobarse, los momentos de primer orden centrados en el origen m10
y m01 son, respectivamente, las medias, X y Y , de las distribuciones marginales X e Y .
77
2 Momentos de segundo orden

XX
X
2
x
P
(X
=
x
,
Y
=
y
)
=
x2i pi
i
j
i
i
i j
m20 = E[X 2 ] =
m02 = E[Y 2 ] =
x f (x, y) dxdy =
x2 fX (x) dx
XX
X
2
y
P
(X
=
x
,
Y
=
y
)
=
yj2 pj
i
j
j
j
i j
m11 = E[XY ] =
y f (x, y) dxdy =
y 2 fY (y) dy
XX
xi yj P (X = xi , Y = yj )
i
j
xyf (x, y) dxdy
Momento de orden r y s centrado en las medias
Mrs = E[(X X )r (Y Y )s ] =
XX
(xi X )r (yj Y )s P (X = xi , Y = yj )
i j
(x X )r (y Y )s f (x, y) dxdy
Los momentos centrados en las medias mas utilizados son

2 Momentos de primer orden
M10 = E[X X ] =
M01 = E[Y Y ] =
XX
X
(x
)
P
(X
=
x
,
Y
=
y
)
=
(xi X ) pi = 0
i
X
i
j
i
i j
(x X )f (x, y) dxdy =
(x X )fX (x) dx = 0
XX
X
(yj Y ) P (Y = xi , Y = yj ) =
(yj Y ) pj = 0
i
j
i
2 Momentos de segundo orden
(y Y )f (x, y) dxdy =
(y Y )fY (y) dy = 0
78
Estadstica
2 =M
2
X
20 = E[(X X ) ] =
Y2 = M02 = E[(Y Y )2 ] =
XX
X
2
(x
)
P
(X
=
x
,
Y
=
y
)
=
(xi X )2 pi
i
X
i
j
i
i j
(x X )2 f (x, y) dxdy =
(x X )2 fX (x) dx
XX
X
2
(y
)
P
(Y
=
x
,
Y
=
y
)
=
(yj Y )2 pj
j
Y
i
j
i
i j
XY = M11 = E[(X X )(Y Y )] =
(y Y ) f (x, y) dxdy =
(y Y )2 fY (y) dx
XX
(xi X )(yj Y ) P (X = xi , Y = yj )
i j
(x X )(y Y )f (x, y) dxdy
Como puede comprobarse, los momentos de segundo orden centrados en las medias
2
M20 y M02 son, respectivamente, las varianzas, X
y Y2 , de las distribuciones marginales
X e Y.
El momento de segundo orden centrado en las medias M11 se denomina covarianza
de la v.a. bidimensional (X, Y ) y la notaremos por XY o Cov(X, Y ).
7.6.1.
Propiedades de las varianzas y la covarianza
Veamos, en primer lugar, un metodo alternativo para el calculo de las varianzas y

la covarianza.
2 Varianzas
2
X
= E[(X X )2 ] = E[(X 2 2X X + 2X ] = E[X 2 ] 2X E[X] + 2X =
= E[X 2 ] 22X + 2X = E[X 2 ] 2X = E[X 2 ] E[X]2 = m20 m210

Y2
= E[(Y Y )2 ] = E[(Y 2 2Y Y + 2Y ] = E[Y 2 ] 2Y E[Y ] + 2Y =

= E[Y 2 ] 22Y + 2Y = E[Y 2 ] 2Y = E[Y 2 ] E[Y ]2 = m02 m201
2 Covarianza
XY
79
= E[(X X )(Y Y )] = E[XY X Y Y X + X Y ] =

= E[XY ] X E[Y ] Y E[X] + X Y = E[XY ] X Y Y X + X Y =
= E[XY ] X Y = E[XY ] E[X]E[Y ] = m11 m10 m01
Ahora, veamos algunas propiedades de las varianzas y la covarianza. Sea (X, Y ) una
v.a. bidimensional
1 Var(aX + b) = a2 Var(X)
2 Var(aX + bY ) = a2 Var(X) + b2 Var(Y ) + 2abCov(X, Y )
E[aX + bY ] = aE[X] + bE[Y ] = aX + bY
Var(aX + bY ) = E [((aX + bY ) E[(aX + bY )])2 ] =
= E [((aX + bY ) (aX + bY ))2 ] =
= E [((aX aX ) + (bY bY ))2 ] =
= E [(aX aX )2 + (bY bY )2 + 2(aX aX )(bY bY )] =
= a2 E[(X X )2 ] + b2 E[(Y Y )2 ] + 2abE[(X X )(Y Y )] =
= a2 Var(X) + b2 Var(Y ) + 2abCov(X, Y )
3 Si X e Y son independientes, entonces Cov(X, Y ) = 0
Si X e Y son independientes, entonces
f (x, y) = fX (x)fY (y)
Z + Z +
Z
E[XY ] =
xyf (x, y) dydx =
Z
Z
xfX (x) dx
yfY (y) dy
xyfX (x)fY (y) dydx =
= E[X]E[Y ]
Cov(X, Y ) = E[XY ] E[X]E[Y ] = E[X]E[Y ] E[X]E[Y ] = 0
80
Estadstica
4 Si X e Y son independientes, entonces Var(aX + bY ) = a2 Var(X) + b2 Var(Y )

5 Cov2 (X, Y ) Var(X) Var(Y )
7.6.2.
Coeficiente de correlaci
on lineal
En el captulo 6, vimos que la varianza de una v.a. unidimensional nos da una idea
del grado de dispersion de los valores que toma la variable respecto a su media. Es decir,
la varianza es una medida de dispersion. Sin embargo, lo que generalmente se utiliza es
la raz cuadrada de la varianza, o sea la desviacion tpica, y as trabajar con las mismas
unidades que la media.
La covarianza, en cambio, es un momento que se refiere a una v.a. bidimensional,
(X, Y ), y da una idea del grado de asociacion lineal que existe entre ambas variables.
As, si Cov(X, Y ) > 0, hay una relacion lineal positiva entre X e Y en el sentido de, a
valores grandes de X le corresponden valores grandes de Y y viceversa; mientras que si
Cov(X, Y ) < 0, hay una relacion lineal negativa entre X e Y en el sentido de, a valores
grandes de X le corresponden valores peque
nos de Y , y viceversa. Si Cov(X, Y ) = 0, no
hay relacion lineal entre ellas.
Para medir el grado de relacion lineal entre dos variables, conviene trabajar con un
parametro adimensional. Para ello, se define el coeficiente de correlacion lineal,, como
= p
Cov(X, Y )
Var(X)Var(Y )
XY
X Y
tambien se utiliza el coeficiente de determinacion lineal, 2

2 =
2
Cov2 (X, Y )
= 2XY2
Var(X)Var(Y )
X Y
El concepto de asociacion lineal se estudiara mas adelante, por lo que, ahora, solo
nos detenemos en observar que
1 1
0 2 1
7.7.
81
Funci
on caracterstica de una variable aleatoria
bidimensional
Sea (X, Y ) una v.a. bidimensional con funcion de probabilidad conjunta dada por
P (X = x, Y = y) si es discreta, o funcion de densidad conjunta f (x, y) si es continua. Se
define la funcion caracterstica conjunta como,
(t1 , t2 ) = E[eit1 X+it2 Y ] =
XX
eit1 x+it2 y P (X = x, Y = y)
x y
eit1 x+it2 y f (x, y) dxdy
Algunas de las propiedades mas importantes de la funcion caracterstica son

(0, 0) = 1
Se cumple,
r (t1 , t2 )
= E[ir X rs Y s eit1 X+it2 Y ]
t1rs ts2
Entonces, los momentos centrados en el origen se pueden calcular como,
mrs,s = E[X
rs

1 r (t1 , t2 )
Y ]= r
i t1rs ts2 t1 =0,t2 =0
s
Si (t1 , t2 ) es la funcion caracterstica conjunta de (X, Y ), entonces las funciones

caractersticas de las distribuciones marginales X e Y son
X (t) = E[eitX ] = (t, 0)
Y (t) = E[eitY ] = (0, t)
Si, ademas, X e Y son independientes, entonces
(t1 , t2 ) = (t1 , 0)(0, t2) = X (t1 )Y (t2 )

Si (t1 , t2 ) es la funcion caracterstica conjunta de (X, Y ), y Z = X + Y , entonces,
Z (t) = (t, t)
82
Estadstica
Si, ademas, X e Y son independientes, entonces
Z (t) = (t, t) = X (t)Y (t)
7.8.
Transformaci
on de variables aleatorias bidimensionales
7.8.1.
Una funci
on de dos variables aleatorias
Sean X e Y dos variables aleatorias con distribucion conjunta conocida f (x, y).
Consideremos una nueva variable aleatoria Z definida mediante la funcion Z = g(X, Y ).
Definamos z R el subconjunto de R2

Dz (x, y) R2 tales que g(x, y) z
El suceso {Z z} es ahora {g(X, Y ) z} = {(X, Y ) Dz }, y la funcion de
distribucion de la variable Z es
FZ (z) = P (Z z) = P ((X, Y ) Dz ) =
7.8.2.
Z Z
f (x, y) dxdy
Dz
Dos funciones de dos variables aleaorias
Supongamos ahora que dadas X e Y con distribucion conjunta conocida f (x, y),
queremos calcular la distribucion de un par de variables Z y W dadas por
Z = g(X, Y )
W = h(X, Y )
Definamos en subconjunto de R2

Dzw (x, y) R2 tales que g(x, y) z , h(x, y) w
El suceso conjunto {Z z, W w} = {(X, Y ) Dzw }, y la funcion de distribucion
del par (Z, W ) es
FZW (z, w) = P (Z z, W w) = P ((X, Y ) Dzw ) =
Z Z
Dzw
f (x, y) dxdy
7.8.3.
Dada una v.a. bidimensional (X, Y ), con funcion de probabilidad conjunta

1 i, j +
P (X = xi , Y = yj ) = pij
definimos la transformacion biunvoca
U = u(X, Y )
V = v(X, Y )
La funcion de probabilidad conjunta de la nueva v.a. bidimensional (U, V ) sera
P (U = ur , V = vs ) = P ((X, Y ) S) =
7.8.4.
(xi ,yj )S
P (X = xi , Y = yj ) 1 r, s +
Dada una v.a. bidimensional (X, Y ), con funcion de densidad conjunta

x, y +
f (x, y)
definimos la transformacion biunvoca
U = u(X, Y )
V = v(X, Y )
La funcion de densidad conjunta de la nueva v.a. bidimensional (U, V ) sera
g(u, v) = f (x(u, v), y(u, v))|J|
u, v +
siendo J el jacobiano de la transformacion, es decir

x

u

J=

y

u

=

y

v
x
v
u
x
v
x
1

v
y
u
y
83
84
Estadstica
7.9.
Variable aleatoria n-dimensional
Todo lo que se ha visto para v.a. bidimensionales se puede extender al caso de

n variables aleatorias. Dado un espacio probabilstico (E, , P ) y n variables aleatorias
X1 , X2 , . . . , Xn definidas en el, el vector aleatorio (X1 , X2 , . . . , Xn ), se denomina variable
aleatoria n-dimensional.
La funcion de densidad conjunta viene dada por
P (X1 = x1 , X2 = x2 , . . . , Xn = xn ) v.a. discreta
f (x1 , x2 , . . . , xn )
v.a. continua
Las distribuciones marginales se definen como,
P (Xr = xr ) =
X
x1
fXr (xr ) =
X X
xr1 xr+1
P (X1 = x1 , . . . , Xn = xn )
v.a. discreta
xn
f (x1 , . . . , xn ) dx1 . . . dxr1 dxr+1 . . . dxn v.a. continua
Las n variables aleatorias son independientes si se verifica
P (X1 = x1 , . . . , Xn = xn ) = P (X1 = x1 ) P (Xn = xn ) x1 , . . . , xn

fX1 ,...,Xn (x1 , . . . , xn ) = fX1 (x1 ) fXn (xn ) x1 , . . . , xn
Distribuciones de
probabilidad
discretas
Indice
8.1. Distribuci
on de Bernoulli, B(1, p) . . . . . . . . . . . . . . . . .
86
8.2. Distribuci
on Binomial, B(n, p)
. . . . . . . . . . . . . . . . . .
86
8.2.1. Teorema de adici

on para distribuciones Binomiales . . . . . . .
88
8.2.2. Distribucion de la proporci

on . . . . . . . . . . . . . . . . . . .
89
8.3. Distribuci
on de Poisson, P() . . . . . . . . . . . . . . . . . . .
89

on para distribuciones de Poisson . . . . . . .
90
8.3.2. Probabilidad condicional . . . . . . . . . . . . . . . . . . . . . .
91
8.3.3. Aproximacion de una Binomial por una Poisson . . . . . . . . .
92
8.4. Distribuci
on Hipergeom
etrica, H(n, N, A)
. . . . . . . . . . .
92
8.5. Distribuci
on Geom
etrica, G(p) . . . . . . . . . . . . . . . . . .
94
8.6. Distribuci
on Binomial Negativa, BN(r, p) . . . . . . . . . . . .
95

on para distribuciones Binomiales Negativas .
96
85
86
Estadstica
8.1.
Distribuci
on de Bernoulli, B(1, p)
Supongamos un experimento, llamado experimento de Bernoulli, en el que solo se

pueden dar dos resultados, exito o fracaso. Generalmente, se asigna el valor 1 al suceso
exito, y el valor 0 al suceso fracaso. Si la probabilidad de exito es p y la de fracaso es
q = 1 p, entonces, la funcion de probabilidad de la v.a. X asociada a este experimento
es
P (X = x) = px q 1x
1
X
x = 0, 1
P (X = x) = P (X = 0) + P (X = 1) = p + q = 1
x=0
Esperanza y Varianza
E[X]
1
X
x=0
xP (X = x) = 0 P (X = 0) + 1 P (X = 1) = p
Var(X) = E[X ] (E[X]) =
1
X
x=0
x2 P (X = x) p2 =
= 02 P (X = 0) + 12 P (X = 1) p2 = p p2 = p(1 p) = pq
E[X] = p
Var(X) = pq
Funcion Caracterstica
(t) = E[eitX ] =
1
X
eitx P (X = x) = eit0 P (X = 0) + eit1 P (X = 1) = q + p eit
x=0
(t) = q + p eit
8.2.
Distribuci
on Binomial, B(n, p)
Si realizamos un experimento de Bernoulli n veces, siempre en las mismas condiciones, y nos interesamos por el n
umero de exitos obtenidos, tenemos una distribucion
Binomial B(n, p), con funcion de probabilidad
!
n
P (X = x) =
px q nx
x
x = 0, 1, 2, . . . , n
8 Distribuciones de probabilidad discretas
n
X
P (X = x) =
x=0
n
X
n
x
x=0
87
px q nx = (p + q)n = 1
itX
(t) = E[e
]=
n
X
itx
e P (X = x) =
n
X
x=0
x=0
n
x
(p eit )x q nx = (p eit + q)n
(t) = (p eit + q)n

Esperanza
(t) = npi eit (p eit + q)n1 = (0) = npi = E[X] =
(0)
= np
i
E[X] = np
Varianza
(t) = npi2 eit [(p eit + q)n1 + (n 1)p eit (p eit + q)n2]
(0) = npi2 [1 + (n 1)p] = i2 [np + (np)2 np2 ]
E[X 2 ] =
(0)
= np + (np)2 np2
i2
Var(X) = E[X 2 ] (E[X])2 = np + (np)2 np2 (np)2 = np(1 p) = npq

Var(X) = npq
Moda
Buscamos el valor de x tal que P (X = x) P (X = y)
Supongamos que x es la moda, entonces,

!
n
P (X = x) > P (X = x 1) =
px q nx >
x
n
x1
y = 0, 1, 2, . . . , n.
px1 q nx+1 =
n!
p
q
n!
px q nx >
px1 q nx+1 =
>
=
x! (n x)!
(x 1)! (n x + 1)!
x
nx+1
88
Estadstica
x < (n + 1)p
Por otra parte,
P (X = x) > P (X = x + 1) =
n
x
px q nx >
n
x+1
px+1 q nx1 =
n!
n!
q
p
px q nx >
px+1 q nx1 =
>
=
x! (n x)!
(x + 1)! (n x 1)!
nx
x+1
(n + 1)p 1 < x
Por tanto,
(n + 1)p 1 < x < (n + 1)p
es decir, la moda es el n
umero entero, x, no negativo, que se encuentra entre los
valores (n + 1)p 1 y (n + 1)p. Si (n + 1)p es un n
umero entero no negativo, entonces
la distribucion tiene dos modas :
x1 = (n + 1)p 1
x2 = (n + 1)p
8.2.1.
Teorema de adici
on para distribuciones Binomiales
Sean X1 B(n1 , p), . . . , Xr B(nr , p) r v.a. Binomiales independientes. Entonces
la nueva variable aleatoria
Y = X1 + + Xr B(n1 + + nr , p)
Para demostrarlo, utilizamos las funciones caractersticas de las variables Xk , y el
hecho de que son independientes,
Xk (t) = (q + p eit )nk
k = 1, 2, . . . , r
Y (t) = E[eitY ] = E[eit(X1 ++Xr ) ] = E[eitX1 eitXr ] = E[eitX1 ] E[eitXr ] =

= X1 (t) Xr (t) = (p eit + q)n1 (p eit + q)nr =
= (p eit + q)n1 ++nr
Pero, esta es la funcion caracterstica de una distribucion Binomial de parametros
n = n1 + + nr y p.
8.2.2.
89
Distribuci
on de la proporci
on
Si realizamos n veces un experimento de Bernoulli, podemos interesarnos por el

n
umero de exitos, para lo cual tenemos la distribucion Binomial, o podemos estar interesados en la proporcion de exitos. Sean
X N
umero de exitos al realizar n veces un experimento de Bernoulli B(n, p)
X
Y Proporcion de exitos al realizar n veces un experimento de Bernoulli =
n
La v.a. Y no sigue una distribucion Binomial, pero esta relacionada con ella por una
constante, n. Ademas, se tiene
itY
Y (t) = E[e
it X
n
] = E[e
i nt X
] = E[e
]=
X ( nt )

1
1
X
= E[X] = np = p
E[Y ] = E
n
n
n

Var(Y ) = Var
8.3.
X
n
n

i nt
= q +pe
1
1
pq
Var(X)
=
npq
=
n2
n2
n
Distribuci
on de Poisson, P()
Sea X la v.a. que describe el n

umero de eventos que ocurren por unidad de tiempo
o espacio, y el n
umero medio de estos eventos que ocurren por unidad de tiempo o
espacio. Imponemos, ademas, la restriccion de que los eventos deben ser independientes
entre s y ocurrir con una tasa constante. En ese caso, se dice que X sigue una distribucion
de Poisson de parametro , y cada uno de los eventos se denomina suceso de Poisson.
De forma mas general, una v.a. sigue una distribucion de Poisson, si su funcion de
probabilidad es de la forma
P (X = x) =
P (X = x) =
x=0
X
x
x=0
x!
=e
x
e
x!
X
x
x=0
x!
x = 0, 1, 2, . . .
= e e = 1
itX
(t) = E[e
]=
itx
e P (X = x) = e
X
(eit )x
x=0
x=0
(t) = e(e
it 1)
x!
it
= e ee = e(e
it 1)
90
Estadstica
Esperanza
(t) = ieit e(e
it 1)
= (0) = i = E[X] =
(0)
=
i
E[X] =
Varianza
(t) = i2 eit e(e
E[X 2 ] =
it 1)
[1 + eit ] = (0) = i2 ( + 2 )
(0)
= + 2 = Var(X) = E[X 2 ] (E[X])2 = + 2 2 =
i2
Var(X) =
Moda
Supongamos que la moda es x, entonces,
x
x1
P (X = x) > P (X = x 1) =
e >
e
= x <
x!
(x 1)!
P (X = x) > P (X = x + 1) =
x+1
x
e >
e
= x > 1
x!
(x + 1)!
Por tanto,
1<x<
es decir, la moda es el n
umero entero, x, no negativo, que se encuentra entre 1 y
. Si es un n
umero entero no negativo, entonces la distribucion tiene dos modas :
x1 = 1
x2 =
8.3.1.
Teorema de adici
on para distribuciones de Poisson
Sean X1 P(1 ), . . . , Xn P(n ) n v.a. de Poisson independientes. Entonces la
nueva variable aleatoria
Y = X1 + + Xn P(1 + + n )
Xk (t) = ek (e
it 1)
91
k = 1, 2, . . . , n
Y (t) = E[eitY ] = E[eit(X1 ++Xn ) ] = E[eitX1 eitXn ] = E[eitX1 ] E[eitXn ] =

= X1 (t) Xn (t) = e1 (e
= e(1 ++n )(e
it 1)
en (e
it 1)
it 1)
Pero, esta es la funcion caracterstica de una distribucion de Poisson de parametro

= 1 + + n .
8.3.2.
Probabilidad condicional
Sean X1 P(1 ) y X2 P(2 ), dos v.a. de Poisson independientes. Ya hemos visto
que entonces X1 + X2 P(1 + 2 ). Pero, si consideramos la v.a. condicionada

X1|X1 +X2
su funcion de probabilidad sera

P (X1 = x, X1 + X2 = y)
P (X1 = x, X2 = y x)
P X1 = x|X1 +X2 =y =
=
=
P (X1 + X2 = y)
P (X1 + X2 = y)
P (X1 = x)P (X2 = y x)
=
=
P (X1 + X2 = y)
x1 yx
y!
2
=
=
x! (y x)! (1 + 2 )y
y
x
yx
x
1 1 2
e
e2
x!
(yx)!
(1 +2 )y (1 +2 )
e
y!
!
1
1 + 2
x
2
1 + 2
yx
Pero, esta es la funcion de probabilidad de una distribucion Binomial de parametros

n = y, p =
1
,
1 +2
es decir
X1|X1 +X2

B n = y, p =
1
1 + 2
92
Estadstica
8.3.3.
Aproximaci
on de una Binomial por una Poisson
Originalmente, Poisson determino la distribucion que lleva su nombre como el lmite

de una B(n, p) cuando n tiende a infinito y p tiende a cero, manteniendo constante la
esperanza, np.
Si hacemos que n bajo la condicion de que = np = cte, entonces
lm np = = p =
0
n
Veamos que ocurre al introducir estos lmites en la funcion de probabilidad de una

B(n, p)
lm P (B(n, p) = x) =
n
p0
lm
n
p0
x
n!
= lm
n x! (n x)! nx
n
x
px q nx = lm
nx

1
n
!
nx
x
1
=
n
n
x

1
x
n!

lm
=
x! n nx (n x)!
1

lm 1
x
n(n 1) [n (x 1)] n

=
lm
x! n
nx
lm 1
n
n
n
x =
n
n

x
n
x =
lm 1
=
x! n
n
! n
x
1
= e = P (P() = x)
=
lm 1 + n
x! n
x!
Es decir, para valores grandes de n y peque

nos de p, de forma que el producto np
tenga un valor moderado, una Binomial B(n, p) se puede aproximar por una Poisson,
P(), siendo = np. En general, si
np 5 y p 0.1 = B(n, p)
= P( = np)
8.4.
Distribuci
on Hipergeom
etrica, H(n, N, A)
En urna hay N bolas de las cuales, A son blancas y N A son negras. La probabilidad
de sacar una bola blanca es p = A/N. Extraemos n bolas, bien sacando todas a la vez o
bien una a una sin reemplazamiento, y definimos la v.a. X como el n
umero de bolas
blancas entre las n extradas, entonces,
A
x
P (X = x) =
93
!
N A
N
n
nx
!
x = 0, 1, 2, . . . , n
NOTA.- Para algunos de estos valores de x, P (X = x) = 0. De hecho, debe ser

max{0, n N + A} x mn{n, A}
sin embargo, a lo largo del desarrollo, tomaremos 0 x n.
!
!
n
n
X
X
A
N A
1
1
P (X = x) =
!
=
!
x
n
x
N
N
x=0
x=0
n
N
n
=1
Esperanza
!
A
E[X] =
n
X
xP (X = x) =
n
X
nx
!
N
A!
=
x
x! (A x)!
x=1
n1
X
y=0
=A
A1
x1
!
N
n
A1
y
!
N
n
N A
nx
!
nx
!
n
X
x=1
x=1
=A
N
n
N A
n
X
=A
x=0
x=0
n
X
N A
=A
n1
A
=
n
X
N A
N
x=1
nx
!
N A
nx
!
N
(A 1)!
(x 1)! (A x)!
A1
n1
X
(N 1) (A 1)
y=0
(N 1) (A 1)
(n 1) y
!
N 1
(n 1) y
!
N
n
=n
A
= np
N
94
Estadstica
E[X] = n
A
= np
N
Varianza
N n A
Var(X) =
n
N 1 N
8.5.

A
(N n)np(1 p)
1
=
N
N 1
Distribuci
on Geom
etrica, G(p)
Partimos de un experimento de Bernoulli, siendo p = P (exito) y q = 1 p =
P (fracaso), y repetimos el experimento, siempre en las mismas condiciones, hasta que
ocurre el primer exito. De esta forma, definimos la v.a. X, como el n

umero de fracasos
hasta que se obtiene el primer exito. Entonces,
P (X = x) = p q x
P (X = x) =
x=0
pq = p
x=0
qx = p
x=0
Funcion de distribucion
F (x) =
x
X
k=0
P (X k) =
x = 0, 1, 2, . . .
1
1
=p =1
1q
p
x
X
p qk = p
k=0
1 qxq
= 1 q x+1
1q
(t) = E[eitX ] =
eitx P (X = x) = p
x=0
X
x=0
(t) =
(q eit )x =
p
1 q eit
p
1 q eit
Esperanza
(t) = ipq
eit
1
q
(0)
q
(0)
=
ipq
=
i
=
E[X]
=
=
(1 q eit )2
(1 q)2
p
i
p
E[X] =
q
p
95
Varianza
(t) = i2 pq eit
(0) = i2 pq
E[X 2 ] =
(1 q eit )2 + 2q eit (1 q eit )

(1 q eit )4
(1 q)2 + 2q(1 q)
2 q
=
i
(p + 2q)
(1 q)4
p2
q
(0)
= 2 (p + 2q)
2
i
p
qp + q 2
q(p + q)
q
qp + 2q 2 q 2
=
=
= 2
2
2
2
2
p
p
p
p
p
Var(X) = E[X 2 ] (E[X])2 =
Var(X) =
8.6.
q
p2
Distribuci
on Binomial Negativa, BN(r, p)
Partimos de un experimento de Bernoulli, siendo p = P (exito) y q = 1 p =
P (fracaso), y repetimos el experimento, siempre en las mismas condiciones, hasta que
ocurre el n-esimo exito. De esta forma, definimos la v.a. X, como el n

umero de fracasos
hasta que se obtiene el n-esimo exito. Entonces,
x+r1
P (X = x) =
En general, si a R y n N, se define
!
a
= (1)n
n
pr q x
x = 0, 1, 2, . . .
a+n1
n
Utilizando esta expresion, tenemos

P (X = x) = (1)x
r
x
pr q x =
r
x
pr (q)x
expresion similar a la de una distribucion Binomial.

!
X
X
r
P (X = x) =
pr (q)x = pr (1 q)r = 1
x
x=0
x=0
x = 0, 1, 2, . . .
96
Estadstica
itX
(t) = E[e
]=
itx
e P (X = x) = p
x=0
X
x=0
(t) =
p
1 q eit
r
x
it x
(q e ) =
p
1 q eit
r
r
Esperanza
(t) = ipr qr
eit
1
q
(0)
q
r
=
(0)
=
ip
qr
=
i
r
=
E[X]
=
= r
it
r+1
r+1
(1 q e )
(1 q)
p
i
p
q
E[X] = r
p
Varianza
(t) = i2 pr qr eit
(0) = i2 pr qr
(1 q eit )r+1 + (r + 1)q eit (1 q eit )r

(1 q eit )2r+2
p + (r + 1)q
(1 q)r+1 + (r + 1)q(1 q)r
= i2 qr
2r+2
(1 q)
p2
(0)
p + (r + 1)q
E[X ] =
= qr
2
i
p2
2
Var(X) = E[X 2 ] (E[X])2 =
rpq + r(r + 1)q 2 q 2 r 2

rqp + rq 2
rq(p + q)
q
=
=
= 2r
2
2
2
2
p
p
p
p
p
Var(X) =
8.6.1.
q
r
p2
Teorema de adici
on para distribuciones Binomiales Negativas
Sean X1 BN(r1 , p), . . . , Xn BN(rn , p) n v.a. Binomiales Negativas independien-
tes. Entonces la nueva variable aleatoria
Y = X1 + + Xn BN(r1 + + rn , p)
97

Xk (t) =
pr k
(1 q eit )rk
k = 1, 2, . . . , n

= X1 (t) Xn (t) =
=
pr n
pr 1
=
(1 q eit )r1
(1 q eit )rn
pr1 ++rn
(1 q eit )r1 ++rn
Pero, esta es la funcion caracterstica de una distribucion Binomial Negativa de

parametros r = r1 + + rn y p.
98
Estadstica
Distribuciones de
probabilidad
continuas
Indice
9.1. Distribuci
on Uniforme, U(a, b) . . . . . . . . . . . . . . . . . . 100
9.2. Distribuci
on Normal, N(, ) . . . . . . . . . . . . . . . . . . . 101
on para distribuciones Normales . . . . . . . . 103
9.2.2. Distribucion Normal est
andar . . . . . . . . . . . . . . . . . . . 104
9.3. Distribuci
on Log-Normal, Log-N(, ) . . . . . . . . . . . . . . 105
9.4. Distribuci
on 2 de Pearson, 2n . . . . . . . . . . . . . . . . . . 107
on para distribuciones 2 de Pearson . . . . . 108
9.5. Distribuci
on t-Student, tn . . . . . . . . . . . . . . . . . . . . . 109
9.6. Distribuci
on F-Snedecor, Fn,m
. . . . . . . . . . . . . . . . . . 110
9.7. Distribuci
on Exponencial, Exp()
. . . . . . . . . . . . . . . . 111

on para distribuciones Exponenciales . . . . . 113
9.8. Distribuci
on de Erlang Er(n, ) . . . . . . . . . . . . . . . . . . 113
on para distribuciones de Erlang . . . . . . . . 115
9.9. Relaci
on entre las distribuciones de Poisson, Exponencial y
Erlang . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 115
9.10. Distribuci
on de Weibull, W(r, ) . . . . . . . . . . . . . . . . . 117
9.11. Distribuci
on Gamma, G(p, q) . . . . . . . . . . . . . . . . . . . 118
on para distribuciones Gamma . . . . . . . . . 119
9.12. Distribuci
on Beta, B(p, q) . . . . . . . . . . . . . . . . . . . . . 120
9.12.1. Transformaciones . . . . . . . . . . . . . . . . . . . . . . . . . . 121
9.13. Relaciones entre distribuciones continuas . . . . . . . . . . . . 121
9.14. Distribuci
on Normal Bidimensional . . . . . . . . . . . . . . . 123
99
100
Estadstica
9.1.
Distribuci
on Uniforme, U(a, b)
Una v.a. X se dice que sigue una distribucion Uniforme, X U(a, b), si su funcion
de densidad es de la forma
f (x) =
1
ba
si a < x < b
a
Figura 9.1: Funcion de densidad de una distribucion U(a, b)
f (x) dx =
1
dx = 1
ba
Funcion de Distribucion
Z +
Z
F (x) =
f (x) dx =
x
a
xa
1
dx =
ba
ba
ax<b
E[X] =
xf (x) dx =
E[X ] =
x
b+a
=
ba
2
+
2
x f (x) dx =
x2
b2 + a2 + ab
=
ba
3
b2 + a2 + ab
Var(X) = E[X ] (E[X]) =

3
2
E[X] =
Z
itX
(t) = E[e ] =
b+a
2
1
e f (x) dx =
ba
itx
Var(X) =
(t) =
b+a
2
eibt eiat
i(b a)t
(b a)2
12
(b a)2
12
2
eitx dx =
eibt eiat
i(b a)t
t R
9 Distribuciones de probabilidad continuas
9.2.
101
Distribuci
on Normal, N(, )
Una v.a. X se dice que sigue una distribucion Normal, X N(, ), si su funcion
de densidad es de la forma
1
f (x) =
2
e 2
2
x +
Figura 9.2: Funcion de densidad de una distribucion N(, )
Z +
Z +
2
1
1
1 2
12 ( x
)
f (x) dx =
dx =
e
e 2 u du =
2
2
Z +
Z +
2
1
1
1 2
=
e 2 u du =
z 1/2 ez dz = (1/2) = 1
0
2 0
itX
(t) = E[e
]=
1
=
2
1
=
2
1
2 2
1
2 2
eitx e 2 (
1
[(x)2 22 itx] dx = 1
2
h
(x(+2 it))
12
x 2
) dx =
+2 (+2 it)2
dx =
2 (+ 2 it)2
2 2
1
e f (x) dx =
2
itx
x ( + 2 it)
dx =
e 22 [x
1
2 2(+ 2 it)x+2
] dx =
102
Estadstica
4 t2 2 2 it
2 2
12 u2
2 2
1 2 2
eit 2 t
2 = eit 2 t
du =
2
(t) = eit 2
2 t2
Esperanza
1
(t) = (i 2 t)eit 2
2 t2
= (0) = i = E[X] =
(0)
=
i
E[X] =
Varianza
1
(t) = [ 2 + (i 2 t)2 ] eit 2

E[X 2 ] =
2 t2
= (0) = 2 + i2 2
(0)
= 2 + 2
i2
Var(X) = E[X 2 ] (E[X])2 = ( 2 + 2 ) 2 = 2

Var(X) = 2
Coeficiente de deformacion
(0) = 3i 2 + i3 3
m3 =
M3 =
D=
(0)
(0)
=
= 3 2 + 3
3
i
i
3
0
m3
3
1
m2 +
3
2
m1 2
M3
=0
3
La distribucion Normal es simetrica respecto a la media
3
3
3 = 0
103
Coeficiente de curtosis
(iv (0) = 3 4 6i2 2 2 + i4 4
m4 =
M4 =
C=
(iv (0)
= 3 4 + 6 2 2 + 4
i4
4
0
m4
4
1
m3 +
m2 2
4
3
m1 3 +
4
4
4 = 3 4
M4
3 =0
4
La distribucion Normal es mesoc

urtica
9.2.1.
Teorema de adici
on para distribuciones Normales
Sean X1 N(1 , 1 ), . . . , Xn N(n , n ), n v.a. Normales independientes. Enton-
ces, la nueva variable aleatoria

q
2 2
2
2
Y = b + a1 X1 + + an Xn N b + a1 1 + + an n , a1 1 + + an n
1
2 2
Xk (t) = eik t 2 k t
k = 1, 2, . . . , n

Y (t) = E[eitY ] = E ei(b+a1 X1 ++an Xn )t = E eibt eia1 tX1 eian tXn =
= eibt E[eia1 tX1 ] E[eian tXn ] =
= eibt X1 (a1 t) Xn (an t) =
1
2 2 2
2 2 2
= eibt eia1 1 t 2 1 a1 t eian n t 2 n an t =

1
2 2
= ei(b+a1 1 ++an n )t 2 (a1 1 ++an n )t
104
Estadstica
Pero, esta es la funcion caracterstica de una distribucion Normal con media =
b + a1 1 + + an n y varianza 2 = a21 12 + + a2n n2 .
Tambien se puede demostrar el teorema inverso, es decir, si la distribucion de la
suma de n variables aleatorias independientes es Normal, entonces cada una de las variables sigue una distribucion Normal. Por otra parte, la distribucion Normal nunca puede
obtenerse exactamente como suma de variables aleatorias no Normales.
9.2.2.
Distribuci
on Normal est
andar
Dentro de las distribuciones Normales, la mas utilizada es la que tiene media = 0

y varianza 2 = 1, llamada distribucion Normal estandar, N(0, 1).
Funcion de densidad
1 2
1
f (x) = e 2 x
2
x +
Funcion caracterstica
1 2
(t) = e 2 t
t R
Como = 0, los momentos respecto a la media coinciden con los momentos respecto
al origen, es decir, Mk = mk k.
Como la distribucion es simetrica, los momentos de orden impar son todos nulos,
m2k+1 = 0 k = 0, 1, 2, . . .
Los momentos de orden par verifican
m2k =
(2k)!
2k k!
k = 0, 1, 2, . . .
En general, siempre podemos pasar de una N(, ) a una N(0, 1) (lo que se llama
tipificar la variable N(, )) y viceversa, por medio de una transformacion lineal.
2
N(, ) N(0, 1)
Sea Y N(, ), entonces la nueva v.a.
X=
Y
N(0, 1)
105
N(0, 1) N(, )
Sea X N(0, 1), entonces la nueva v.a.

Y = + X N(, )
9.3.
Distribuci
on Log-Normal, Log-N(, )
Sea X N(, ). Si realizamos la transformacion

Y = eX
la distribucion de la nueva v.a., llamada distribucion Log-Normal, Log-N(, ), es,
GY (y) = P (Y y) = P (eX y) = P (X Ly) = FX (Ly)
gY (y) = GY (y) = FX (Ly)
1
1
= fX (Ly)
y
y
Por tanto, la funcion de densidad de una Log-N(, ) es

g(y) =
1 Ly 2
1
e 2 ( )
y 2
y0
Figura 9.3: Funcion de densidad de una distribucion Log-N(, )
g(y) dy =
y 2
12 ( Ly
)
dy =
1 x 2
1
e 2 ( ) dx = 1
2
106
Estadstica
Esperanza
E[Y ] =
1
=
2
1
=
2
12 ( x
)
e 2 (
1
Ly 2
) dy =
1
e dx =
2
x
e 22 [(x)
1
2 2 2 x
] dx =
2 ))2 +2 (+ 2 )2
] dx =
e+ 2
=
2
e 22 [(x(+
e 22 ( (+
=
2
1
1
yg(y) dy =
2
2 )2 )
12
x(+ 2 )
dx =
2
1 2
e+ 2
2 = e+ 2
2
e 2 u du =
1
+ 2
2
E[Y ] = e
Varianza
2
E[Y ] =
1
y g(y) dy =
2
2
1
=
2
12 ( x
)
1
=
2
ye 2 (
1
Ly 2
) dy =
1
e dx =
2
2x
e 22 [(x(+2
1
e 22 [(x)
1
2 4 2 x
2 ))2 +2 (+2 2 )2
] dx =
e 22 ( (+2
=
2
2
e2+2
=
2
2 )2 )
12
x(+2 2 )
2
dx =
21 u2
e2+2
2
2 = e2+2
du =
2
2
Var(Y ) = E[Y 2 ] E[Y ]2 = e2+2 e2+ = e2+ (e 1)

2

2
Var(Y ) = e 1 e2 +
] dx =
107
Distribuci
on 2 de Pearson, 2n
9.4.
Sean X1 , . . . , Xn , n v.a. independientes e identicamente distribuidas seg

un una
N(0, 1). Entonces, la variable aleatoria
X = X12 + + Xn2 = [N(0, 1)]2 + + [N(0, 1)]2 2n
sigue una distribucion 2 de Pearson con n grados de libertad, 2n , con funcion de densidad
1
f (x) =
2n/2
n x 2 1 e 2
x0
Figura 9.4: Funcion de densidad de una distribucion 2n
f (x) dx =
2n/2
1
2n/2
n
2
x 2 1 e 2 dx =
n
2 2 1 u 2 1 eu 2 du =
n
1
n
=1
2
itX
(t) = E[e
]=
+
itx
e f (x) dx =
1
2n/2
n
2
1
2n/2
n
x 2 1 e( 2 it)x dx =
eitx x 2 1 e 2 dx =
108
Estadstica
1
2n/2
n
2
1
= n
1
1 2it
2
1 2it
n2
n2 1
n
2
u 2 1 eu
1
1 2it
2
du =
1 2it
n2
(t) = (1 2it)n/2
Esperanza
(t) = in(1 2it)1n/2 = (0) = in = E[X] =
(0)
=n
i
E[X] = n
Varianza
(t) = i2 n(n + 2)(1 2it)2n/2 = (0) = i2 n(n + 2)
E[X 2 ] =
(0)
= n2 + 2n
2
i
Var(X) = E[X 2 ] (E[X])2 = n2 + 2n n2 = 2n

Var(X) = 2n
9.4.1.
Teorema de adici
on para distribuciones 2 de Pearson
Sean X1 2n1 , . . . , Xr 2nr , r variables aleatorias 2 de Pearson independientes.
Entonces la nueva variable aleatoria
Y = X1 + + Xr 2n1 ++nr
Xk (t) = (1 2it)nk /2
k = 1, 2, . . . , r
109
Y (t) = E[eitY ] = E[eit(X1 ++Xr ) ] = E[eitX1 ] E[eitXr ] =

= X1 (t) Xr (t) = (1 2it)n1 /2 (1 2it)nr /2 =
= (1 2it)
n1 ++nr
2
Pero, esta es la funcion caracterstica de una distribucion 2 de Pearson con n =

n1 + + nr grados de libertad.
9.5.
Distribuci
on t-Student, tn
Sean Y, X1 , . . . , Xn , n+1 v.a. independientes e identicamente distribuidas seg

un una
N(0, 1). Entonces, la variable aleatoria
N(0, 1)
= r
tn
X12 + + Xn2
2n
n
n
sigue una distribucion t-Student con n grados de libertad, tn , con funcion de densidad
X=r

n+1

n+1
2
x2
2
n 1 +
f (x) =
n
n
2

xR
Figura 9.5: Funcion de densidad de una distribucion tn
f (x) dx = 1 =
n
n+1

+
n
2
x2
2
1+
dx =
n
+
1
n
110
Estadstica
Esperanza

n+1
n+1
Z +
Z +
2
x2
2
n
E[X] =
dx = 0
xf (x) dx =
x 1+
n
n
2
pues el integrando es una funcion impar.
E[X] = 0 (n > 1)
Varianza
E[X 2 ]

n+1
n+1
Z +
Z +
2
x2
2
2
2
n
=
dx =
x f (x) dx =
x 1+
n
n
2

n+1
n1
Z +
2
x2
n
2
n
1+
=
dx =
n 1
n
n
2

n+1
n2
n
n
n
2
2

n
=
=
n1
n1
n2
n
2
2

Var(X) = E[X 2 ] E[X]2 =
n
n2
Var(X) =
9.6.
n
n2
(n > 2)
Distribuci
on F-Snedecor, Fn,m
Sean X1 , . . . , Xn e Y1 , . . . , Ym , n+m v.a. independientes e identicamente distribuidas

seg
un una N(0, 1). Entonces, la variable aleatoria
2n
X12 + + Xn2
n
= n2 Fn,m
X= 2
Y1 + + Ym2
m
m
m
111
sigue una distribucion F-Snedecor con n y m grados de libertad, Fn,m , con funcion de
densidad
n
f (x) =
n+m
m
2
n m
2
2
n/2
m/2
x 2 1 (m + nx)
n+m
2
x0
Figura 9.6: Funcion de densidad de una distribucion Fn,m

Esperanza
E[X] =
m
m2
(m > 2)
Varianza
Var[X] =
Si
9.7.
X Fn,m
2m2 (n + m 2)
n (m 2)2 (m 4)
(m > 4)
1
Fm,n
X
Distribuci
on Exponencial, Exp()
Una v.a. X se dice que sigue una distribucion Exponencial de parametro > 0,
X Exp(), si su funcion de densidad es de la forma
f (x) = ex
x0
112
Estadstica
Figura 9.7: Funcion de densidad de una distribucion Exp()
f (x) dx =
ex dx = 1
Funcion de distribucion
F (x) =
f (x) dx =
ex dx = 1 ex
itX
(t) = E[e
]=
+
itx
e f (x) dx =
(t) =
e(it)x dx =
it
it
Esperanza
(t) =
i
i
(0)
1
(0)
=
=
E[X]
=
=
2
( it)
E[X] =
Varianza
(t) =
2i2
( it)3
(0) =
2i2
2

E[X 2 ] =
113
2
(0)
= 2
2
i
2
1
1
2 = 2
2
Var(X) = E[X 2 ] (E[X])2 =

Var[X] =
9.7.1.
1
2
Teorema de adici
on para distribuciones Exponenciales
Sean X1 Exp(), . . . , Xn Exp(), n v.a. Exponenciales independientes. Enton-
ces la nueva variable aleatoria
Y = X1 + + Xn Er(n, )
Xk (t) =
it
k = 1, 2, . . . , n
=
= X1 (t) Xn (t) =
it
it
it
n
Pero, esta es la funcion caracterstica de una distribucion de Erlang de parametros

n y (Sec. 9.8).
9.8.
Distribuci
on de Erlang Er(n, )
Una v.a. X se dice que sigue una distribucion de Erlang de parametros n y > 0,
X Er(n, ), si su funcion de densidad es de la forma
f (x) =
n
f (x) dx =
(n)
n n1 x
x
e
(n)
+
n1 x
1
=
(n)
n
dx =
(n)
un1 eu du =
x0
Z
u n1
eu
1
(n) = 1
(n)
1
du =
114
Estadstica
Figura 9.8: Funcion de densidad de una distribucion Er(n, )

itX
(t) = E[e
]=
n
=
(n)
n
e f (x) dx =
(n)
itx
u
it
n1
1
n
(n) =
=
(n) ( it)n
xn1 e(it)x dx =
n
1
1
du =
it
(n) ( it)n
it
(t) =
un1 eu du =
n

it
n
Esperanza
(t) =
nn i
ni
(0)
n
(0)
=
=
E[X]
=
=
n+1
( it)
E[X] =
Varianza
(t) =
n(n + 1)n i2
( it)n+2
(0) =
n(n + 1)i2
2

E[X 2 ] =
115
n(n + 1)
(0)
=
2
i
2
Var(X) = E[X 2 ] (E[X])2 =

Var[X] =
9.8.1.
n(n + 1) n2
n
2 = 2
2
n
2
Teorema de adici
on para distribuciones de Erlang
Sean X1 Er(n1 , ), . . . , Xr Er(nr , ), r v.a. de Erlang independientes. Entonces
la nueva variable aleatoria
Y = X1 + + Xr Er(n1 + + nr , )
Xk (t) =
it
nk
k = 1, 2, . . . , r
Y (t) = E[eitY ] = E[eit(X1 ++Xr ) ] = E[eitX1 eitXr ] = E[eitX1 ] E[eitXr ] =

= X1 (t) Xr (t) =
it
n1
it
nr
it
n1 ++nr
Pero, esta es la funcion caracterstica de una distribucion de Erlang de parametros

n = n1 + + nr y .
9.9.
Relaci
on entre las distribuciones de Poisson, Exponencial y Erlang
En la seccion 8.3, definimos la v.a. de Poisson, P(), como la variable que cuenta
el n
umero de eventos que ocurren por unidad de tiempo o espacio, siendo el n
umero
medio de estos eventos que ocurren por unidad de tiempo o espacio. Logicamente, el
n
umero medio de eventos que ocurren en t unidades de tiempo o espacio sera ( t), por
tanto, la v.a. que cuenta el n
umero de eventos que ocurren en t unidades de tiempo o
espacio sigue una distribucion de Poisson, P( t), de parametro ( t). As, sean
116
Estadstica
X P()
N
umero de eventos de Poisson que ocurren en una unidad de
tiempo
P (X = x) = P (ocurran x eventos en una unidad de tiempo) =
=
x
e
x!
x = 0, 1, 2, . . .
Xt P(t) N
umero de eventos de Poisson que ocurren en t unidades de
tiempo
P (Xt = x) = P (ocurran x eventos en t unidades de tiempo) =

=
(t)x t
e
x!
x = 0, 1, 2, . . .
Supongamos que estamos interesados en saber cuando ocurre el primero de estos

eventos de Poisson; es decir, sea
Y Tiempo transcurrido hasta que ocurre el primer evento de Poisson
GY (t) = P (Y t) =
= P (el primer evento ocurra antes de t unidades de tiempo) =
= 1 P (Y t) =
= 1 P (el primer evento ocurra pasadas t unidades de tiempo) =
= 1 P (en t unidades de tiempo ocurran 0 eventos de Poisson) =
= 1 P (Xt = 0) = 1 et
(t)0
= 1 et
0!
Pero, esta es la funcion de distribucion de una Exponencial de parametro . Por

tanto,
Y Exp()
117
Supongamos ahora, que estamos interesados en saber cuando ocurre el n-esimo de

estos eventos de Poisson; es decir, sea
Z Tiempo transcurrido hasta que ocurre el n-esimo evento de Poisson
Como los sucesos de Poisson ocurren de forma independiente, una vez que ocurre un
suceso de Poisson, ese instante es el origen de tiempos para el suceso siguiente, es decir
Z Tiempo transcurrido hasta que ocurre el n-esimo evento de Poisson

Tiempo transcurrido hasta que ocurre el 1er evento de Poisson+
+Tiempo transcurrido entre el 1o y el 2o eventos de Poisson+
+Tiempo transcurrido entre el 2o y el 3o eventos de Poisson+
+ + Tiempo transcurrido entre el (n 1)o y el no eventos de Poisson
Exp() + Exp() + Exp() + + Exp() Er(n, )
Por tanto,
Z Er(n, )
9.10.
Distribuci
on de Weibull, W(r, )
Sea X una v.a. con distribucion Exponencial de parametro , es decir, X Exp().
Se dice que la variable aleatoria Y sigue una distribucion de Weibull de parametros r > 0
y , Y W(r, ), si es
Y = X 1/r
Veamos algunas propiedades de la distribucion de Weibull

Funcion de densidad
GY (y) = P (Y y) = P (X 1/r y) = P (X y r ) = FX (y r )
gY (y) = GY (y) = FX (y r )ry r1 = fX (y r )ry r1
Por tanto,
118
Estadstica
gY (y) = r y r1ey
y0
Esperanza
E[Y ] = E[X
1/r
]=
+
1/r
fX (x) dx =
1+
1
r
1+ r
r1
E[Y ]
= E[X
]=
2
r
1+ r
1
r
+
2/r
fX (x) dx =
1+
x1/r ex dx =

1
1+
r
Varianza
2/r
E[Y ] = 1/r 1 +
x2/r ex dx =
r2

2
1+
r

2
Var(Y ) = E[Y 2 ] (E[Y ])2 = r 1 + 2r 2 1 + 1r

Var(Y ) = 2/r 1 + 2r 2 1 + 1r
9.11.
Distribuci
on Gamma, G(p, q)
Una v.a. X se dice que sigue una distribucion Gamma de parametros p > 0 y q > 0,
X G(p, q), si su funcion de densidad es de la forma
q p p1 qx
x e
x0
(p)
Como se puede comprobar, la distribucion de Erlang es un caso particular de la
f (x) =
distribucion Gamma, para p = n y q = . Es decir, Er(n, ) = G(p = n, q = ). Por tanto

los calculos son los mismos y no los vamos a repetir, solo citaremos los resultados.
(t) =
q
q it
p
119
Figura 9.9: Funcion de densidad de una distribucion G(p, q)

E[X] =
9.11.1.
p
q
Var[X] =
p
q2
Teorema de adici
on para distribuciones Gamma
Sean X1 G(p1 , q), . . . , Xn G(pn , q), n v.a. Gamma independientes. Entonces la
nueva variable aleatoria
Y = X1 + + Xn G(p1 + + pn , q)
Xk (t) =
q
q it
pk
k = 1, 2, . . . , n

= X1 (t) Xn (t) =
q
q it
p1
q
q it
pn
q
q it
p1 ++pn
Pero, esta es la funcion caracterstica de una distribucion Gamma de parametros

p = p1 + + pn y q.
120
Estadstica
9.12.
Distribuci
on Beta, B(p, q)
Una v.a. X se dice que sigue una distribucion Beta de parametros p > 0 y q > 0,
X B(p, q), si su funcion de densidad es de la forma
f (x) =
1
xp1 (1 x)q1
(p, q)
0x1
Figura 9.10: Funcion de densidad de una distribucion B(p, q)
1
f (x) dx =
(p, q)
1
0
1
(p, q) = 1
(p, q)
xp1 (1 x)q1 dx =
Esperanza
E[X] =
1
xf (x) dx =
(p, q)
xp (1 x)q1 dx =
1
(p + 1, q) =
(p, q)
(p + q) (p + 1)(q)
(p + q)
p
p(p)
=
=
(p)(q) (p + q + 1)
(p) (p + q)(p + q)
p+q
E[X] =
p
p+q
Varianza
2
E[X ] =
1
x f (x) dx =
(p, q)
2
1
0
xp+1 (1 x)q1 dx =
1
(p + q) (p + 2)(q)
(p + 2, q) =
=
(p, q)
(p)(q) (p + q + 2)

=
(p + 1)p
(p + 1)p(p)
(p + q)
=
(p) (p + q + 1)(p + q)(p + q)
(p + q + 1)(p + q)
(p + 1)p
Var(X) = E[X ] (E[X]) =
(p + q + 1)(p + q)
2
p
p+q
2
pq
(p + q + 1) (p + q)2
Var(X) =
9.12.1.
121
pq
(p + q + 1) (p + q)2
Transformaciones
Sean X1 G(p1 , 1) y X2 G(p2 , 1) dos v.a. Gamma independientes, entonces

X1
B(p1 , p2 )
X1 + X2
Sea X Fn,m una v.a. F-Snedecor, entonces

1+
n 1
X
B(m/2, n/2)
m
nX
B(n/2, m/2)
m + nX
9.13.
Relaciones entre distribuciones continuas
En la figura 9.13 se muestra un croquis de las relaciones que existen entre las distintas
distribuciones continuas estudiadas en este captulo.
122
Estadstica
eX
=0
=1
N( ,)
Log-N( , )
Ln X
= pq
2 = p2 q
N(0,1)
X1
q
2
X1 + X2
B(p,q)
X + + Xn
G(p,q)
/2
p=n
q=
/2
q=1
p=n
2
n
tn
p=1
q=1
Er(n, )
n=2
n=1
m m
n2 n
2
m=1
X1 +
+ Xn
Exp()
U(0,1)
Ln X
Fm,n
( ver distribucion Beta )

r=1
1/r
a + (b-a) X
caso particular
transformacion
distribucion limite
W(r, )
Figura 9.11: Relaciones entre distribuciones continuas
a=0
b=1
U(a,b)
9.14.
123
Distribuci
on Normal Bidimensional
Una v.a. bidimensional (X, Y ) se dice que sigue una distribucion Normal Bidimensional, si su funcion de densidad conjunta, definida en R2 , es de la forma
f (x, y) =
2X Y
(
1
p
1 2
1
exp
2(1 2 )
"
x X
X
2
x X
X

y Y
Y
y Y
Y
2 #)
siendo
X = E[X]
2
X
= Var(X)
Y = E[Y ]
Y2 = Var(Y )
= p
Cov(X, Y )
XY
p
=
X Y
Var(X) Var(Y )
Coeficiente de correlacion lineal de (X, Y )
1
2 2
(t1 , t2 ) = E[eit1 X+it2 Y ] = ei(X t1 +Y t2 ) 2 (X t1 +2X Y t1 t2 +Y t2 )

Distribuciones marginales
1
2 2
X (t) = (t, 0) = eiX t 2 X t

Y (t) = (0, t) = eiY t 2 Y t
= X N(X , X )
= Y N(Y , Y )
Por tanto, las funciones de densidad marginales son

fX (x) =
f (x, y) dy =
X 2
12 (
21 (
xX 2
)
X
yY
Y
xR
)2
yR
Y 2
Es decir, si (X, Y ) es una v.a. Normal Bidimensional, entonces X e Y son v.a.
fY (y) =
f (x, y) dy =
Normales unidimensionales. En general, lo contrario no es cierto. O sea, si X e Y son v.a.
124
Estadstica
Normales unidimensionales, la v.a. (X, Y ) no siempre es una Normal Bidimensional. Lo

vemos con un ejemplo
Ejemplo.- Sea (X, Y ) una v.a. bidimensional con funcion de densidad conjunta
1
f (x, y) =
2
"
(x2 2xy+y 2 )
p
e 2(12 )
+
2 1 2
#
1
2
2
(x +2xy+y )
e 2(12 )
+ p
2
2 1
(x, y) R2
Claramente, (X, Y ) no es Normal Bidimensional, sin embargo, las distribuciones

marginales de X e Y son
fX (x) =
fY (y) =
x2
1
f (x, y) dy = e 2
2
xR
y2
1
f (x, y) dy = e 2
2
yR
es decir, X N(0, 1) e Y N(0, 1).

Distribuciones condicionadas
2 1 2
f (x, y)
1
p
f (x|y) =
=
e 2X (1 )
fY (y)
2X 1 2
2 1 2
1
f (x, y)
p
=
e 2Y (1 )
f (y|x) =
fX (x)
2Y 1 2

i2
x X + X (yY )
Y

i2
y Y + Y (xX )
X
Por tanto,
X|Y N(, ) con
Y |X N(, ) con
(y Y )
= X +
= X
= Y
p
1 2
= Y +
(x X )
Como se puede comprobar, si = 0, entonces
X|Y N(X , X )
Y |X N(Y , Y )
1 2
125
Combinacion lineal de v.a. Normales
Sea (X, Y ) una v.a. Normal Bidimensional, entonces la variable aleatoria

q
2
2
2
2
Z = aX + bY N aX + bY , a X + 2abX Y + b Y
Vamos a demostrarlo utilizando la funcion caracterstica.
Z (t) = E[eitZ ] = E[eit(aX+bY ) ] = E[ei(at)X+i(bt)Y ) ] =

1
2 2 +2ab
X Y
X
= (at, bt) = ei(aX +bY )t 2 (a
2 )t2
+b2 Y
Pero, esta es la funcion caracterstica de una distribucion Normal de parametros

2
= aX + bY y 2 = a2 X
+ 2abX Y + b2 Y2 .
Como se puede comprobar facilmente, si = 0, entonces

q
2
2
2
2
Z = aX + bY N aX + bY , a X + b Y
Independencia de v.a. Normales
Sea (X, Y ) una v.a. Normal Bidimensional, entonces se cumple

X e Y son independientes = 0
2 Si X e Y son independientes = Cov(X, Y ) = 0 = = 0. (Esto es valido para

cualquier v.a. bidimensional (X, Y ))
2 En sentido contrario, si = 0 =
1
1
f (x, y) =
e 2
2X Y
1
1
e 2
2 X

xX
X
xX
X
2
2
2
y
+ Y
Y
1
1
e 2
2 Y
yY
Y
2
= fX (x) fY (y)
Por tanto, f (x, y) = fX (x) fY (y), y X e Y son independientes.
Resumen de las propiedades de la v.a. Normal Bidimensional

2 Si (X, Y ) es Normal Bidimensional = X e Y son Normales Unidimensionales.
2 Si X e Y son Normales Unidimensionales independientes = (X, Y ) es Normal
Bidimensional.
126
Estadstica
2 Si X e Y son Normales Unidimensionales no independientes =

/ (X, Y ) es Normal
Bidimensional.
2 Si (X, Y ) es Normal Bidimensional = Z = aX + bY es Normal Unidimensional.
2 Si (X, Y ) es Normal Bidimensional = X|Y e Y |X son Normales Unidimensionales.
2 Si (X, Y ) es Normal Bidimensional = X e Y son independientes = 0.
10
Convergencia de
sucesiones de
variables aleatorias
Indice
10.1. Convergencia en ley . . . . . . . . . . . . . . . . . . . . . . . . . 128
10.2. Problema central del lmite . . . . . . . . . . . . . . . . . . . . 129
10.2.1. Teorema de Levy-Lindeberg . . . . . . . . . . . . . . . . . . . . 129
10.2.2. Teorema de Lindeberg . . . . . . . . . . . . . . . . . . . . . . . 129
10.3. Aproximaciones a la distribuci
on Normal . . . . . . . . . . . . 130
10.3.1. Distribucion Binomial . . . . . . . . . . . . . . . . . . . . . . . 130
10.3.2. Distribucion de Poisson . . . . . . . . . . . . . . . . . . . . . . 131
10.3.2.1. Correccion de Yates . . . . . . . . . . . . . . . . . . . 131
10.3.3. Distribucion 2 de Pearson . . . . . . . . . . . . . . . . . . . . 132
10.3.4. Distribucion t-Student . . . . . . . . . . . . . . . . . . . . . . . 132
127
128
Estadstica
10.1.
Convergencia en ley
Sea {Fn } una sucesion de funciones de distribucion. Se dice que {Fn } converge en
ley o en distribuci
on a la funcion de distribucion F , si
x CF
lm Fn (x) = F (x)
siendo CF el conjunto de puntos de continuidad de F . La notacion sera

L
{Fn } F
Ejemplo.- Sea
0 x<0
1
0 x0
nx 0 x <
Fn (x) =
= lm Fn (x) = G(x) =
n
n
1 x>0
1 x 1
n
pero, G no es una funcion de distribucion (no es continua por la derecha en x = 0), por
tanto, {Fn } no converge en ley a G. En cambio, si consideramos
(
0 x<0
F (x) =
1 x0
F es funcion de distribucion, y {Fn } converge en ley a F , pues
lm Fn (x) = F (x) x R {0}
pero 0
/ CF , por tanto
lm Fn (x) = F (x) x CF
Consideremos ahora una sucesion de v.a., {Xn }, con funciones de distribucion {Fn }
y funciones caractersticas {n }. Y, sea X una v.a. con funcion de distribucion F y funcion
caracterstica . Entonces
Se dice que {Xn } converge en ley a la v.a. X, si {Fn } converge en ley a F , y se

notara por
{Xn } X
Si {Fn } converge en ley a F , entonces {n } converge puntualmente a , es decir
lm n (t) = (t) t R
Si {n } converge puntualmente a una funcion continua en 0, entonces es la

funcion caracterstica asociada a una v.a. Y con funcion de distribucion G, y se
cumple que {Fn } converge en ley a G.
10 Convergencia de sucesiones de variables aleatorias
10.2.
129
Problema central del lmite
Dada una sucesion de v.a., {Xn }, definidas sobre el mismo espacio probabilstico, se
dice que verifica el problema central del lmite, si se cumple

n
X
Xk E
" n
X
Xk
k=1
v
!
u
n
X
u
tVar
Xk
k=1
N(0, 1)
k=1
10.2.1.
Teorema de Levy-Lindeberg
Sea {Xn } una sucesion de v.a. independientes e identicamente distribuidas, con
E[Xn ] = < + y Var(Xn ) = 2 < +. Entonces, {Xn } verifica el problema central

del lmite. Es decir
n
X
Xk =
k=1
"
#
n
n
X
X
E[Xk ] = n
Xk =
E
k=1
k=1
n
n
X
X
Xk =
Var(Xk ) = n 2
Var
k=1
y, se cumple
n
X
k=1
Xk E
" n
X
k=1
Xk
v
!
u
n
X
u
tVar
Xk
k=1
n
X
k=1
Xk n
N(0, 1)
k=1
o, lo que es lo mismo
n
X
k=1
10.2.2.
L
Xk N(n, n )
Teorema de Lindeberg
Sea {Xn } una sucesion de v.a. independientes tales que :
130
Estadstica
i) Yn =
n
X
Xi
i=1
ii) E[Xn ] = n < + n N

iii) k 3 tal que Mk (Xn ) = E[(Xn n )k ] < + n N
iv) lm
n
X
Mk (Xi )
i=1
k (Yn )
= lm
n
X
i=1
E[(Xi i )k ]
hp
ik = 0
Var(Yn )
Entonces, {Xn } verifica el problema central del lmite.
Si k = 3, el Teorema de Lindeberg se conoce como Teorema de Liapunov.
10.3.
Aproximaciones a la distribuci
on Normal
10.3.1.
Distribuci
on Binomial
Sea {Xn } una sucesion de v.a. independientes e identicamente distribuidas seg

un
una B(1, p), es decir, Xn B(1, p) n N. Entonces,
n
X
k=1
Xk B(n, p) =
"
#
n
X
Xk = np
E
k=1
Xk = npq
Var
k=1
y, se cumple
n
X
k=1
Xk E
" n
X
k=1
Xk
v
!
u
n
X
u
tVar
Xk
B(n, p) np L
N(0, 1)
npq
k=1
Es decir, para un n suficientemente grande se cumple que

B(n, p) np
= N(np, npq )
= N(0, 1) = B(n, p)
npq
En la practica, esta aproximacion es buena cuando np(1 p) > 5.
10 Convergencia de sucesiones de variables aleatorias
10.3.2.
131
Distribuci
on de Poisson
Puesto que la distribucion Binomial se comporta en el lmite como una Poisson,

tambien esta u
ltima se puede aproximar por una Normal. En la practica, si > 5 entonces
se puede utilizar la siguiente aproximacion
P()
= N(, )
10.3.2.1.
Correcci
on de Yates
Cuando una variable aleatoria discreta se aproxima por una variable aleatoria continua, como es el caso de la Binomial o la Poisson por la Normal, surge un problema a la
hora de calcular probabilidades. Por ejemplo, sabemos que
P (x1 B(n, p) x2 ) 6= P (x1 < B(n, p) x2 )
P (B(n, p) = x) 6= 0
sin embargo,
P x1 N(np,
P N(np,

npq ) x2 = P x1 < N(np, npq ) x2

npq ) = x = 0
Para resolver este problema se aplica la correccion de Yates, que consiste en ampliar
o reducir el intervalo de integracion de la v.a. continua, para asegurar la inclusion o
exclusion de los lmites de la v.a. discreta. De forma general, si X es una v.a. discreta, e
Y una v.a. continua tal que X
= Y , entonces
P (X = x) P (x 0.5 Y x + 0.5)
P (x1 < X x2 ) P (x1 + 0.5 Y x2 + 0.5)
P (x1 X x2 ) P (x1 0.5 Y x2 + 0.5)
P (x1 < X < x2 ) P (x1 + 0.5 Y x2 0.5)
P (x1 X < x2 ) P (x1 0.5 Y x2 0.5)
132
Estadstica
10.3.3.
Distribuci
on 2 de Pearson
Como la distribucion Chi-cuadrado con n grados de libertad se define como la suma

de n v.a. independientes e identicamente distribuidas, cuando n 30 se puede utilizar la
siguiente aproximacion
10.3.4.
22n
=N
2n 1, 1
Distribuci
on t-Student
Teniendo en cuenta que una distribucion t-Student con n grados de libertad se define
como el cociente
N(0, 1)
tn = r
2n
n
2
y, que la distribucion n se puede aproximar por una Normal, cuando n 30 se puede
utilizar la siguiente aproximacion
r

n
tn
= N 0,
n2
11
Regresion
y correlacion
Indice
11.1. Introducci
on . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 134
11.2. Regresi
on . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 134
11.2.1. Metodo de los mnimos cuadrados . . . . . . . . . . . . . . . . 134
11.2.2. Metodo de la distribucion condicional . . . . . . . . . . . . . . 136
11.2.3. Regresion Lineal . . . . . . . . . . . . . . . . . . . . . . . . . . 137
11.2.3.1. Metodo de los mnimos cuadrados . . . . . . . . . . . 137
11.2.3.2. Metodo de la distribucion condicional . . . . . . . . . 138
11.3. Correlaci
on . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 139
11.3.1. Coeficiente de correlaci
on lineal . . . . . . . . . . . . . . . . . . 140
133
134
Estadstica
11.1.
Introducci
on
Sea (X, Y ) una v.a. bidimensional. Algo que nos podemos preguntar es si existe
alg
un tipo de relacion entre las dos variables que forman el par, es decir, si existe alguna
funcion que las relaciona. Por supuesto, el hecho de que exista alguna relacion entre ellas
implica que no son independientes.
Tenemos pues dos objetivos,
1.- Determinar la funcion Y = h1 (X) que mejor expresa el comportamiento de la v.a. Y
para cada valor que pueda tomar X. Esta funcion se conoce como curva de regresi
on
de Y sobre X. Igualmente, se puede determinar la funcion X = h2 (Y ) que mejor
expresa el comportamiento de la v.a. X para cada valor que pueda tomar Y . Esta
funcion se conoce como curva de regresion de X sobre Y .
2.- Medir el grado de asociacion que pueda existir entre las dos v.a. Este parametro se
conoce como coeficiente de correlacion.
La regresion tiene dos significados. Uno, surge de la distribucion conjunta de las dos
v.a., y es el que vamos a estudiar en este captulo. El otro, que estudiaremos mas adelante,
es emprico, y nace de la necesidad de ajustar una funcion a un conjunto de datos.
11.2.
Regresi
on
En la regresion de Y sobre X, como ya se ha dicho, se quiere encontrar una funcion

Y = h1 (X) que mejor exprese el comportamiento de la v.a. Y para cada valor que pueda
tomar X. Para ello, podemos utilizar dos metodos
11.2.1.
M
etodo de los mnimos cuadrados
Este metodo consiste en encontrar la funcion Y = h1 (X) de forma que el error

cuadratico medio (ECM) sea mnimo, siendo

ECM = E (Y h1 (X))2
Este metodo tiene el inconveniente de que es necesario conocer a priori la forma de

la funcion h1 .
Ejemplo 1.- Dada una v.a. bidimensional (X, Y ), con funcion de densidad conjunta
4
f (x, y) = x2 (x + y) 0 x 1; 0 y 3
9
11 Regresi
on y correlaci
on
135
De las variables X e Y se sabe que existe una relacion del tipo

Y = aX +
b
X
Se pide, calcular los valores de a y b que mejor ajustan este tipo de relacion.
ECM = E (Y h1 (X))

2
"
2 #
b
= E Y aX
X
Para calcular el mnimo de ECM, tenemos que derivar respecto de a y b

ECM
b
2
=
E
2(Y
aX
)(X)
=
2
E[XY
]
+
aE[X
]
+
b
=0
X
a

1
b
1
Y
ECM
+ a + bE
= E 2(Y aX )( ) = 2 E
=0
b
X
X
X
X2
entonces,
aE[X 2 ] + b = E[XY ]

Y
1
a + bE
=E
2
X
X
E[X ] =

E[XY
]
E
E[X 2 ]

b=
1 E[X 2 ]E
X2
4
x f (x, y) dxdy =
9
2

1
Y
E[XY ]E
E
X
X2

a
=
1 E[X 2 ]E
X2
x=0
x4 (x + y) dydx =
y=0
28
45
Z + Z +
Z
Z 3
1
4 1
8
1
E
=
f
(x,
y)
dxdy
=
(x
+
y)
dydx
=
2
X2
9 x=0 y=0
3
x

Z + Z +
Z
Z 3
y
Y
8
4 1
E
=
xy(x + y) dydx =
f (x, y) dxdy =
X
9 x=0 y=0
3
x
E[XY ] =
Por tanto,
4
xyf (x, y) dxdy =
9
1
x=0
x3 y(x + y) dydx =
y=0
7
5
136
Estadstica
144
a=
89
b = 35
89
y, la relacion entre las dos variables es de la forma
Y =
11.2.2.
144
35
X+
89
89X
M
etodo de la distribuci
on condicional
Para cada valor x que toma la variable X, el comportamiento de la variable Y viene

definido por la v.a. condicionada Y |X=x , con funcion de densidad condicionada f (y|x).
El criterio de este metodo consiste en definir la funcion h1 de tal forma que asigne
a cada valor x del campo de variacion de la variable X, el valor medio o esperanza de la

variable Y condicionado a ese valor x. Es decir,
y = h1 (x) = E [Y |X=x ] =
yf (y|x) dy
Ejemplo 2.- Dada la v.a. bidimensional (X, Y ) con funcion de densidad conjunta
f (x, y) = x + y
0 x, y 1
Se pide, calcular la curva de regresion de Y sobre X.

Primero, tenemos que calcular la funcion de densidad condicional f (y|x)
fX (x) =
f (y|x) =
f (x, y) dy =
(x + y) dy = x +
f (x, y)
2(x + y)
=
fX (x)
2x + 1
1
2
0x1
0y1
Ahora,
h1 (x) = E [Y |X=x ] =
yf (y|x) dy =
2y(x + y)
3x + 2
dy =
2x + 1
6x + 3
Por tanto, la relacion entre las dos variables es de la forma

Y =
3X + 2
6X + 3
11 Regresi
on y correlaci
on
11.2.3.
137
Regresi
on Lineal
Un caso particular de curva de regresion de Y sobre X se da cuando la curva que

relaciona las dos variables es una recta del tipo
Y = h1 (X) = a + bX
11.2.3.1.
M
etodo de los mnimos cuadrados
ECM = E[(Y h1 (X)2 ] = E[(Y a bX)2 ]
ECM
= E [2(Y a bX)(1)] = 2 (E[Y ] + a + bE[X]) = 0
ECM = E [2(Y a bX)(X)] = 2 E[XY ] + aE[X] + bE[X 2 ] = 0

b
entonces,
a + bE[X] = E[Y ]
aE[X] + bE[X 2 ] = E[XY ]
E[XY ] E[X]E[Y ]
Cov(X, Y )
b = E[X 2 ] (E[X])2 = Var(X)
a = E[Y ] bE[X]
Por tanto, la recta de regresion lineal de Y sobre X es Y = a + bX, con

b=
Cov(X, Y )
XY
= 2
Var(X)
X
a = E[Y ] bE[X] = Y bX
o, expresado de otra forma
Y = a + bX = Y bX + bX = Y + b(X X ) =
Y Y =
XY
(X X )
2
X
De igual forma, la recta de regresion lineal de X sobre Y es X = a + b Y , con
138
Estadstica
Cov(X, Y )
XY
= 2
Var(Y )
Y
b =
a = E[X] b E[Y ] = X b Y
o, expresado de otra forma
X = a + b Y = X b Y + b Y = X + b (Y Y ) =
X X =
XY
(Y Y )
Y2
Los coeficientes b y b (las pendientes de las rectas de regresion de Y sobre X y

de X sobre Y , respectivamente), se llaman coeficientes de regresion lineal. Siempre
tienen el mismo signo, por tanto, o las dos rectas son crecientes o las dos rectas son
decrecientes, siempre que Cov(X, Y ) 6= 0.
El punto de interseccion de las dos rectas de regresion se denomina centro de gravedad
de la v.a. bidimensional (X, Y ).
11.2.3.2.
M
etodo de la distribuci
on condicional
Si al aplicar el metodo de la distribucion condicional para obtener la curva de regresion de Y sobre X obtenemos una recta, entonces
y = E[Y |X=x ] = a + bx
Es decir,
E[Y |X=x ] =
yf (y|x) dy =
1
=
fX (x)
Entonces,
f (x, y)
dy =
fX (x)
yf (x, y) dy = a + bx
yf (x, y) dy = afX (x) + bxfX (x)
11 Regresi
on y correlaci
on
139
Z + Z +
Z +
Z +
yf (x, y) dydx =
afX (x) dx +
bxfX (x) dx
xyf (x, y) dydx =
Y, despejando,
axfX (x) dx +
E[Y ] = a + bE[X]
bx2 fX (x) dx
E[XY ] = aE[X] + bE[X 2 ]
Cov(X, Y )
E[XY ] E[X]E[Y ]
b = E[X 2 ] (E[X])2 = Var(X)
a = E[Y ] bE[X]
Por tanto, los coeficientes de la recta obtenidos con el metodo de la distribucion

condicional coinciden con los obtenidos con el metodo de los mnimos cuadrados.
11.3.
Correlaci
on
Ligado al concepto de regresion (relacion entre dos variables X e Y ), esta el de

correlacion (grado de relacion entre las variables X e Y ). Es decir, al calcular la curva de
regresion de Y sobre X, Y = h1 (X), en realidad estamos calculando una funcion que, con
el criterio que hayamos escogido, mejor ajusta los valores de la variable Y para un valor
dado de la variable X. Ahora, debemos cuantificar como es de bueno ese ajuste.
Una forma bastante logica de cuantificar la bondad del ajuste consiste en medir
la diferencia entre el verdadero valor de la variable Y , y el valor asignado por la curva
de regresion, h1 (X). Para que las diferencias positivas no se cancelen con las negativas,
generalmente se recurre al estudio de las diferencias al cuadrado. As, se define la varianza
residual, R2 , como la media cuadratica de estos errores

R2 = E (Y h1 (X))2
Como se puede comprobar, coincide con el error cuadratico medio. Partiendo de R2 ,

Pearson definio el coeficiente general de correlacion como
140
Estadstica
G =
R2
Y2
mientras que 2G se denomina coeficiente general de determinacion.

En cualquier caso, se cumple
0 2G 1
1 G 1
11.3.1.
on lineal
Ya que generalmente la regresion que mas se utiliza es la lineal, vamos a estudiar

con mas profundidad el coeficiente de correlacion lineal.
Si partimos de la recta de regresion de Y sobre X calculada en la seccion 11.2.3,
XY
(X X )
2
X
Y = h1 (X) = Y +
La varianza residual sera
R2 = E (Y h1 (X))
2
=E
"
XY
Y Y 2 (X X )
X
2 #

2

XY
2
= E (Y Y )2 + XY
E
(X
)
2 2 E[(Y Y )(X X )] =
X
4
X
X
= Y2 +
2
2
XY
XY
XY
2
2
XY
X
Y
4
2
2
X
X
X
Y, el coeficiente de correlacion lineal es
2
=
1 R
Y2
v
u
u
u
t
Y2
2
XY
2
X
Y2
XY
Cov(X, Y )
=p
X Y
Var(X) Var(Y )
11+
2
XY
=
2 2
X
Y
que, como se puede comprobar, coincide con el estudiado en la seccion 7.6.2. Ademas, el
coeficiente de determinacion lineal viene dado por
11 Regresi
on y correlaci
on
141
2
Cov2 (X, Y )
XY
= 2 2 =
X Y
Var(X) Var(Y )
2
Veamos algunas propiedades de estos coeficientes.

Como ocurre de forma general,
0 2 1 y
1 1
Los coeficientes de regresion lineal, b y b , y el coeficiente de correlacion lineal, , tie-
nen el mismo signo, pues este solo depende del signo de Cov(X, Y ). Si Cov(X, Y ) >
0, entonces las rectas de regresion son crecientes y el coeficiente de correlacion lineal

es positivo. Si Cov(X, Y ) < 0, entonces las rectas de regresion son decrecientes y el
coeficiente de correlacion lineal es negativo.
Como b =
XY
XY
y b = 2 , entonces,
2
X
Y
=
Como
b b
b=
XY Y
Y
XY
=
=
2
X
X Y X
X
b =
X
XY Y
XY
=
=
2
Y
X Y Y
Y
las rectas de regresion tambien se pueden escribir como,

Y Y =
Y
(X X )
X
X X =
X
(Y Y )
Y
142
Estadstica
12
Distribuciones
de muestreo
Indice
12.1. Introducci
on . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 144
12.2. Definici
on de estadstico . . . . . . . . . . . . . . . . . . . . . . 145
12.3. Estadstico media muestral . . . . . . . . . . . . . . . . . . . . . 145
12.3.1. Poblaci
on Madre Normal . . . . . . . . . . . . . . . . . . . . . 145
12.3.2. Poblaci
on Madre no Normal . . . . . . . . . .
(n 1)s2
12.4. Estadstico
. . . . . . . . . . . . . .
2
x
. . . . . . . . . . . . . . . .
12.5. Estadstico
s/ n
12.5.1. Poblaci
on Madre Normal . . . . . . . . . . .
. . . . . . . . . . 146
. . . . . . . . . . 146
. . . . . . . . . . 147
. . . . . . . . . . 147
12.5.2. Poblaci
on Madre no Normal . . . . . . . . . . . . . . . . . . . . 148
12.6. Estadstico varianza muestral . . . . . . . . . . . . . . . . . . . 148
12.6.1. Poblaci
on Madre Normal . . . . . . . . . . . . . . . . . . . . . 148
12.6.2. Poblaci
on Madre no Normal . . . . . . . . . . . . . . . . . . . . 149
12.7. Estadstico desviaci
on tpica muestral . . . . . . . . . . . . . . 150
12.8. Estadstico diferencia de medias muestrales . . . . . . . . . . . 152
12.9. Estadstico cociente de varianzas muestrales . . . . . . . . . . 153
12.10.Estadstico proporci
on muestral . . . . . . . . . . . . . . . . . . 154
12.11.Estadstico elemento que ocupa el lugar r . . . . . . . . . . . . 155
12.11.1.Estadstico m
aximo valor de una muestra . . . . . . . . . . . . 155
12.11.2.Estadstico mnimo valor de una muestra . . . . . . . . . . . . 156
12.11.3.Estadstico recorrido de una muestra . . . . . . . . . . . . . . . 156
12.11.4.Estimacion de cuantiles . . . . . . . . . . . . . . . . . . . . . . 157
143
144
Estadstica
12.1.
Introducci
on
Consideremos una poblacion de la que necesitamos analizar alguna caracterstica.

Lo ideal sera estudiar todos y cada uno de los elementos de esa poblacion, pero esto, en la
gran mayora de las ocasiones resulta difcil, caro e incluso, a veces, imposible. Ello obliga
a elegir un determinado n
umero de elementos (muestra) de la poblacion, analizar en ellos
la caracterstica antes mencionada y, de los resultados obtenidos, inferir lo que sucede en
la totalidad de la poblacion. Esto nos lleva a la Teora de Muestras.
A la poblacion objeto del estudio le damos el nombre de Poblacion Madre (P.M.).
Consideramos esta en su totalidad, y por un metodo aleatorio elegimos n elementos,
obteniendo lo que se llama una muestra de tama
no n. Ahora bien, los n elementos se
pueden extraer de dos maneras:
Todos a la vez (o uno a uno sin reemplazamiento), con lo cual el n
umero de!
muestras
N
posibles de tama
no n que se pueden obtener esta determinado por
, siendo
n
N el n
umero total de elementos de la Poblacion Madre. Ademas, el n
umero de
muestras posibles, considerando todos los tama
nos, es finito:
!
!
!
N
N
N
+
++
= 2N 1
1
2
N
Esto dara lugar al estudio de unas consecuencias que quedaran reflejadas en la
llamada Teora de Muestras de Poblacion Finita.
La muestra de tama
no n se obtiene sacando los elementos uno a uno, con reempla-
zamiento. A este tipo de muestra le daremos el nombre de muestra aleatoria simple

(m.a.s.) de tama
no n. En este caso, no importa el tama
no N de la P.M., que incluso
pudiera ser N < n. Ahora, el n

umero de muestras posibles, considerando todos los
tama
nos, es infinito.
Esto dara lugar al estudio de unas consecuencias que quedaran reflejadas en la
llamada Teora de Muestras de Poblacion Infinita.
En general, mientras no se especifique lo contrario, a lo largo de este curso consideraremos siempre que, por defecto, la muestra se ha obtenido con reemplazamiento. Es decir,
se trata de una m.a.s. Solo en el captulo 14 daremos una descripcion de los resultados
referentes a las muestras obtenidas sin reemplazamiento.
12 Distribuciones de muestreo
12.2.
145
Definici
on de estadstico
Consideremos, en un espacio unidimensional, una Poblacion Madre definida por su

funcion de densidad f (x). De ella, extraemos una m.a.s. de tama
no n, {x1 , x2 , . . . , xn }.
Cada uno de los valores xi son extracciones aleatorias e independientes obtenidas de una
P.M. intacta (extraccion con reemplazamiento). Los posibles valores de cada una de las
extracciones, xi , es una variable aleatoria, Xi . Por tanto, con este procedimiento hemos
construido una variable aleatoria n-dimensional X = (X1 , X2 , . . . , Xn ), donde todas las
v.a. son independientes e identicamente distribuidas con la misma distribucion que la
v.a. asociada a la P.M. Es decir, si la P.M. sigue una distribucion N(, ), entonces cada
Xi N(, ).
LLamaremos Estadstico a cualquier funcion de las n variables aleatorias,

T (X) = T (X1 , X2 , . . . , Xn )
El estudio de la teora de muestras que haremos en este curso estara dedicado a

obtener la distribucion de la variable aleatoria T (X), cuando T (X) sea cierto tipo de
funcion conocida. Incurriendo en un abuso de notacion, utilizaremos la expresion xi para
referirnos tanto a la v.a. Xi , como a un valor de la misma, xi .
12.3.
Estadstico media muestral

x
=
12.3.1.
n
1X
xi
i=1
Poblaci
on Madre Normal
Dada una m.a.s., {x1 , . . . , xn }, de una P.M. N(, ), sabemos que xi N(, )
y que las n v.a. son independientes. Entonces, la v.a. x tambien sigue una distribucion
Normal, por ser combinacion lineal de v.a. Normales. Ademas,
"
#
n
n
n
1X
1X
1X
E[
x] = E
xi =
E[xi ] =
=
n i=1
n i=1
n i=1
Var(
x) = Var
n
1X
xi
n i=1
n
n
1 X
1 X 2 2
= 2
Var(xi ) = 2
=
n i=1
n i=1
n
Por tanto, si la Poblacion Madre es N(, ) el estadstico media es
146
Estadstica
x N (, / n )
12.3.2.
Poblaci
on Madre no Normal
Dada una m.a.s., {x1 , . . . , xn } de una P.M. ?(, ) sabemos que xi ? (, ) y que
las n v.a. son independientes. Entonces, se puede aplicar el Teorema de Levi-Lindeberg.

n
X
i=1
xi E
" n
X
xi
i=1
v
!
u
n
X
u
tVar
xi
n
x n
x
=
= N(0, 1)
/ n
n 2
i=1
Por tanto,
si n > 30 = x
= N (, / n )
si n < 30 = x ? (, / n )
12.4.
Estadstico
(n 1)s2
2
Dada una m.a.s., {x1 , . . . , xn }, de una P.M. N(, ), definimos la varianza mues-
tral, s2 , como
1 X
(xi x)2
s =
n 1 i=1
2
Entonces,
147
n
n
(n 1)s2
1 X
1 X
2
(xi x) = 2
[(xi ) (
x )]2 =
=
2
2 i=1
i=1
" n
#
n
n
X
X
1 X
2
2
(xi ) +
(
x ) 2(
x )
(xi ) =
=
2 i=1
i=1
i=1
#
" n
1 X
=
(xi )2 + n(
x )2 2n(
x )2 =
2 i=1
#
" n
1 X
=
(xi )2 n(
x )2 =
2 i=1
2
n
X
xi
i=1
/ n
2
Pero,
xi N(, )
2
n
X
xi
xi
N(0, 1) =
2n
=
i=1
x
N(0, 1) =
x N(, / n ) =
/ n
/ n
2
21
y, aunque en general la diferencia de dos v.a. Chi-cuadrado no sigue una distribucion

Chi-cuadrado, en este caso especial se puede demostrar que
(n 1)s2
2n1
2
s/ n
12.5.
Estadstico
12.5.1.
Poblaci
on Madre Normal
Dada una m.a.s., {x1 , . . . , xn }, de una P.M. N(, ), sabemos que

x
N(0, 1)
=
x N ,
n
/ n
148
Estadstica
Por otra parte,
(n 1)s2
2n1
2
entonces, dividiendo,
Por tanto,
N(0, 1)
x
/ n
r
=r 2
= tn1
2
s/ n
n1
(n 1)s 1
2
n1
n1
x
tn1
s/ n
12.5.2.
Poblaci
on Madre no Normal
Aunque la P.M. no sea Normal, si el tama

no de muestra es suficientemente grande,
se puede hacer la aproximacion 2 s2 y aplicar el Teorema de Levy-Lindeberg. As,
si n > 30 =
x
= N(0, 1)
s/ n
si n < 30 =
12.6.
Estadstico varianza muestral

2
s =
12.6.1.
1
n1
n
X
i=1
(xi x
)2
Poblaci
on Madre Normal
Dada una m.a.s., {x1 , . . . , xn }, de una P.M. N(, ), tenemos
entonces,
2
(n 1)s2
2
2
n1 = s =
X
X=
2
n1
E[s2 ] =
2
2
E[X] =
(n 1) = 2
n1
n1
Var(s2 ) =
4
4
2 4
Var(X)
=
2(n
1)
=
(n 1)2
(n 1)2
n1
149
Por tanto,
r

2
2
si n > 100 = s = N ,
2
si n < 100 = s ?
12.6.2.
2
n1
2
n1
Poblaci
on Madre no Normal
Aunque la P.M. no sea Normal, utilizando el desarrollo del apartado 12.4, llegamos
a
n
n
1 X
(xi )2
(
x )2
s =
n 1 i=1
n1
2
y, por tanto
1 X
n
E[s ] =
E[(xi )2 ]
E[(
x )2 ]
n 1 i=1
n1
2
Pero,
E[xi ] = = E[(xi )2 ] = Var(xi ) = 2

E[
x] = = E[(
x )2 ] = Var(
x) =
2
n
entonces,
n 2
n
2

= 2
E[s ] =
n1
n1 n
Operando se puede demostrar tambien que
2
Var(s ) =
CAp
2
+
n1
n
siendo CAp el coeficiente de apuntamiendo o curtosis de la poblacion que, en caso de ser

desconocido, se puede aproximar por el coeficiente de curtosis de la muestra.
Por tanto
r

2
CAp
2
2
2
+
s = ? ,
n1
n
150
Estadstica
12.7.
Estadstico desviaci
on tpica muestral
s=
"
1
n1
n
X
i=1
(xi x
)
#1/2
Dada una m.a.s., {x1 , . . . , xn }, de una P.M. N(, ), sea

X=
n1 2
s 2n1
2
fX (x) =
n3
x
1
x 2 e 2 ,

n1
n1
2 2
2
x>0
2
X, es decir, Y = s2 . Entonces
n1

n3
2
n1
n1
n1
1

gY (y) =
e 22 y
y
, y>0
2
n1
n1
2
2
2
2
Hacemos el cambio de variable T = Y , es decir, T = s. Entonces

Hacemos el cambio de variable Y =
y, operando
1

hT (t) =
n1
n1
2 2
2
n1 2
t
2
n3
2
n1 2
e 22 t
n1
n1 2
2
n1 2
2

tn2 e 22 t ,
hT (t) =
n1
n1
2

Entonces,
n1
2t ,
2
t>0
t>0
151
n1
n1 2
Z
Z
2
n1 2
2

E[T ] =
t hT (t) dt =
tn1 e 22 t dt =
n1
0
0
n1
2
n1
n1 2
Z
2
2

=
n1
0
n1

2

r
r
1
2

n
1
n1
!n1
1

2u
n 1 du =
eu
2 u
n1
2
Z
u 2 1 eu du =
n
2
2
n1
n1
donde, para calcular la integral hemos realizado el cambio

Por otra parte,
n1
u=
2
E[T 2 ] = E[s2 ] = 2
Y, por u
ltimo, la varianza de T viene dada por
2
Var(T ) = E[T ] (E[T ]) =
1 n 1
2
Por tanto, la distribucion del estadstico s es

r
si n > 100 = s = N ,
si n < 100 = s ?
1
2(n 1)
n
2
2
2
n1
2
v

u
2 n
u
2
2
u
2 , u1
2
t
n
1
n1
n1 2 n1
2
2
n
152
Estadstica
12.8.
Estadstico diferencia de medias muestrales
De dos Poblaciones Normales P.M.= X N (x , x ) y P.M.= Y N (y , y )
extraemos dos muestras independientes, {x1 , x2 , . . . , xn } y {y1, y2 , . . . , ym }, de tama

nos n
y m, con medias y varianzas
1X
x =
xi
n i=1
1 X
=
(xi x)2
n 1 i=1
s2x
1 X
1 X
y =
yi s2y =
(yi y)2
m i=1
m 1 i=1
Definimos el estadstico diferencia de medias como

n
x y =
1X
1 X
xi
yi
n i=1
m i=1
Si x y y son conocidos
x N (x , x / n )
y N (y , y / m )
(
x y) (x y )
r
N (0, 1)
x2 y2
+
n
m
Si x y y son desconocidos
si x2 = y2 = 2
(
x y) (x y )
r
N (0, 1)
1
1
n m
2
2
(n 1)sx + (m 1)sy 2
n+m2
2
donde
Sp =
(
x y) (x y )
r
tn+m2
1
1
Sp
+
n m
(n 1)s2x + (m 1)s2y
n+m2
153
si x2 6= y2
(
x y) (x y )
r
= t
s2x s2y
+
n
m
donde,
s2y
s2x
A=
, B=
n
m
(A + B)2
=
A2
B2
+
n1 m1
12.9.
Estadstico cociente de varianzas muestrales
De dos Poblaciones Normales P.M.= X N (x , x ) y P.M.= Y N (y , y )
extraemos dos muestras independientes, {x1 , x2 , . . . , xn } y {y1 , y2 , . . . , ym}, de tama

nos n
y m, con medias y varianzas
1X
xi
x =
n i=1
s2x
1 X
=
(xi x)2
n 1 i=1
1 X
1 X
y =
yi s2y =
(yi y)2
m i=1
m 1 i=1
Definimos el estadstico cociente de varianzas como

n
s2x
=
s2y
Del apartado 12.4 sabemos que
1 X
(xi x)2
n 1 i=1
m
1 X
(yi y)2
m 1 i=1
(n 1)s2x
2n1
x2
(m 1)s2y
2m1
y2
entonces, como
2n1 /(n1)
2m1 /(m1)
Fn1,m1 ,
s2x /x2
Fn1,m1
s2y /y2
154
Estadstica
12.10.
Estadstico proporci
on muestral
Partimos de una P.M. Binomial de parametro p, es decir, p es la proporcion de exitos

de la Poblacion. Extraemos una m.a.s. {x1 , . . . , xn } y asignamos los valores
(
1 si es exito
xi =
0 si es fracaso
es decir, cada v.a. xi B(1, p)
Sean las v.a.
X n
umero de exitos de la muestra
pb proporcion de exitos de la muestra
Entonces,
X=
n
X
i=1
"
1X
X
xi B(n, p) y pb =
xi =
n i=1
n
#
n
n
1X
1X
1
E[b
p] = E
xi =
E[xi ] = np = p
n i=1
n i=1
n
n
Var(b
p) = Var
1X
xi
n i=1
n
1 X
1
p(1 p)
Var(x
)
=
np(1
p)
=
i
n2 i=1
n2
n
Aplicando el Teorema de Levy-Lindeberg

n
X
i=1
xi E
" n
X
i=1
xi
v
!
u
n
X
u
tVar
xi
i=1
Por tanto,
si n > 30 = pb
= N p,
si n < 30 = pb ?
p,
nb
p np
pb p
N(0, 1)
=r
np
p(1 p)
n
p(1 p)
n
p(1 p)
n

p
y X
= N np, np(1 p)
y X B(n, p)
12.11.
155
Estadstico elemento que ocupa el lugar r
En ocasiones no estamos interesados en estimar un parametro de la poblacion sino,

por ejemplo, el valor maximo o mnimo que puede tomar. As, podemos interesarnos
por la temperatura maxima en vez de por la temperatura media. De esta forma surge
el estadstico que estima el lugar que ocupa un elemento de la muestra, al ordenarla de
forma creciente.
Sea X la v.a. continua asociada a una P.M. con funciones de distribucion y densidad
F (x) y f (x), respectivamente. Extraemos una m.a.s. {x1 , . . . , xn } y la ordenamos en forma
creciente, quedando de la forma {u1 , . . . , un }, con u1 u2 ur un
r 1 elementos
ur1
n r elementos
1 elemento
ur
ur + dur
ur+1
n
g(ur )dur = [P (X < ur )]r1 P (ur < X ur + dur ) [P (X > ur )]nr P Rr1,1,nr
g(ur )dur =
Por tanto,
g(ur ) =
12.11.1.
n!
[F (ur )]r1 f (ur )dur [1 F (ur )]nr
(r 1)! 1! (n r)!
n!
[F (ur )]r1 f (ur ) [1 F (ur )]nr
(r 1)! 1! (n r)!
ur R
Estadstico m
aximo valor de una muestra
Utilizando el mismo razonamiento que en la Sec. 12.11, el valor maximo de la muestra
viene dado por un , por tanto,

g(un ) = n [F (un )]n1 f (un )
un R
156
Estadstica
12.11.2.
Estadstico mnimo valor de una muestra
Utilizando el mismo razonamiento que en la Sec. 12.11, el valor mnimo de la muestra
viene dado por u1 , por tanto,

g(u1) = n f (u1) [1 F (u1 )]n1
12.11.3.
u1 R
Estadstico recorrido de una muestra
As, se define el recorrido de una muestra como
R = max{xi } min{xi } = un u1
Utilizando el mismo razonamiento que en la Sec. 12.11, se puede obtener la funcion
de densidad conjunta, g(ui , uj ), del lugar que ocupan dos elementos de la muestra, con
i<j
g(ui, uj )dui duj = [P (X < ui )]i1 P (ui < X ui + dui ) [P (ui < X < uj )]ji1
n
P (uj < X uj + duj ) [P (X > uj )]nj P R i1,1,ji1,1,nj
Por tanto,
g(ui , uj ) =
n!
[F (ui )]i1 f (ui )
(i 1)! (j i 1)! (n j)!
[F (uj ) F (ui )]ji1 f (uj ) [1 F (uj )]nj
ui uj
Como R = un u1 , entonces, un = R + u1 , y en particular

g(u1 , un ) =
n!
[F (un ) F (u1 )]n2 f (u1 )f (un )
(n 2)!
u1 un +
157
por lo que
g(u1 , R) = n(n 1) [F (R + u1 ) F (u1)]n2 f (u1 )f (R + u1 )
y la funcion de densidad de R sera la marginal de g(u1, R), es decir
gR (R) =
g(u1, R) du1 =
n(n 1) [F (R + u1 ) F (u1)]n2 f (u1)f (R + u1 ) du1
Mientras que la funcion de distribucion de R se puede expresar como
GR (R) =
12.11.4.
R
0
Z
g(u1 , R) du1
=n
[F (R + u1 ) F (u1)]n1 f (u1 ) du1
Estimaci
on de cuantiles
F (x) y f (x), respectivamente. Extraemos una m.a.s. {x1 , . . . , xn } y la ordenamos en
forma creciente, quedando de la forma {u1 , . . . , un }, con u1 u2 ur un .
Definimos el estimador, x
bp , del p-cuantil poblacional, xp , como el p-cuantil de la muestra,
es decir
x
bp =
[np]+1
Si np
/Z
1 (u + u
np
np+1 ) Si np Z
2
donde los corchetes, [ ], indican la parte entera. Si f (xp ) > 0, el estimador p-cuantil tiene
una distribucion asintoticamente Normal, con
E[b
xp ] xp
Var(b
xp )
p(1 p)
nf 2 (xp )
Ejemplo.- Dada una P.M. N(, ) con funcion de densidad dada por
(

2 )
1 x
1
exp
f (x) =
xR
2
2
Un estimador de la mediana poblacional, Me, sera la mediana muestral, x
e. Si la
muestra es suficientemente grande, entonces
158
Estadstica
E[e
x] Me =
0.5 0.5
2
2 =

2n
1
n
2
donde hemos utilizado el hecho de que en una distribucion Normal, Me = . As,
r

x
e
= N ,
2n
Var(e
x)
p(1 p)
=
nf 2 (Me)
13
Estimacion puntual
y estimacion
por intervalo
Indice
13.1. Introducci
on . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 161
13.2. Propiedades deseables de los estimadores puntuales
. . . . . 163
13.2.1. Estimador suficiente . . . . . . . . . . . . . . . . . . . . . . . . 163

13.2.2. Estimador consistente . . . . . . . . . . . . . . . . . . . . . . . 164
13.2.3. Error cuadratico medio . . . . . . . . . . . . . . . . . . . . . . 165
13.2.4. Estimador insesgado . . . . . . . . . . . . . . . . . . . . . . . . 166
13.2.5. Estimador eficiente . . . . . . . . . . . . . . . . . . . . . . . . . 167
13.2.5.1. Teorema (Cota de Cramer-Rao) . . . . . . . . . . . . 168
13.3. M
etodos de estimaci
on puntual . . . . . . . . . . . . . . . . . . 170
13.3.1. Metodo de m
axima verosimilitud . . . . . . . . . . . . . . . . . 170
13.3.2. Propiedades de los estimadores de m
axima verosimilitud . . . . 172
13.3.3. Metodo de los momentos
. . . . . . . . . . . . . . . . . . . . . 173
13.4. Estimaci
on por intervalo de confianza . . . . . . . . . . . . . . 174
13.4.1. Intervalo de confianza para la media . . . . . . . . . . . . . . . 176
13.4.1.1. P.M. N(, ) con conocido . . . . . . . . . . . . 176
13.4.1.2. P.M. N(, ) con desconocido . . . . . . . . . . 177
13.4.1.3. P.M. ?(, ) con conocido y n > 30 . . . . . . . 178
13.4.1.4. P.M. ?(, ) con conocido y n < 30 . . . . . . . 178

13.4.1.5. P.M. ?(, ) con desconocido y n > 30 . . . . . 179
13.4.1.6. P.M. ?(, ) con desconocido y n < 30 . . . . . 179
13.4.2. Intervalo de confianza para la varianza . . . . . . . . . . . . . . 179
13.4.2.1. P.M. N(, ) con desconocido . . . . . . . . . . 179
159
160
13.4.3. Intervalo de confianza para la diferencia de medias . . . . . . . 180
13.4.3.1. P.M. Normales con x y y conocidas . . . . . . . . . 181
13.4.3.2. P.M. Normales con x2 = y2 = 2 desconocida . . . 181
13.4.3.3. P.M. Normales con x2 6= y2 desconocidas . . . . . . 182
13.4.4. Intervalo de confianza para el cociente de varianzas . . . . . . . 182

13.4.5. Intervalo de confianza para la proporci
on poblacional . . . . . . 183
13.4.5.1. P.M. Binomial y n > 30 . . . . . . . . . . . . . . . . 184

13.5. Intervalo de confianza asint
otico . . . . . . . . . . . . . . . . . 185
13 Estimaci
on por intervalo
13.1.
161
Introducci
on
En el captulo anterior hemos calculado la distribucion de algunos estadsticos y mencionado brevemente que los estadsticos se utilizan para estimar los valores de parametros
desconocidos de una poblacion. En este captulo se examinara con detalle el concepto de
estimacion de parametros mediante la especificacion de las propiedades deseables de los
estimadores (estadsticos), y el desarrollo de tecnicas apropiadas para implementar el proceso de estimacion. Se utilizara el punto de vista de la teora de muestras, que considera
a un parametro poblacional como una cantidad fija (nunca una v.a.), pero desconocida.
La estimacion de un parametro de la poblacion involucra el uso de los datos muestrales en conjuncion con alg
un estadstico. Existen dos formas de realizar la estimacion:
la estimacion puntual y la estimacion por intervalo. En la primera, se busca un estimador
que, con base en los datos muestrales, de origen a una estimacion univaluada del valor
del parametro poblacional, y que recibe el nombre de valor estimado. Para la segunda, se
determina un intervalo en el que, en forma probable, se encuentra el valor del parametro.
Este intervalo recibe el nombre de intervalo de confianza.
Antes de entrar en materia, vamos a ver algunas definiciones que seran de utilidad.
En general, el planteamiento del problema es el siguiente
En una P.M. definida por su funcion de distribucion F (x, ) existe un parametro, ,
cuyo valor es desconocido.
Para poder asignar un valor a dicho parametro , extraemos una muestra aleatoria
de tama
no n, X = {x1 , . . . , xn }.
b = T (X), que supone

Con los datos de la muestra, construimos un estadstico,
una simplificacion de la informacion proporcionada por la muestra.
N DE VEROSIMILITUD DE LA MUESTRA
FUNCIo
Puesto que las n variables aleatorias de la muestra constituyen una v.a. n-dimensional,
{x1 , . . . , xn }, se llama funcion de verosimilitud de la muestra a la funcion de densidad de
dicha v.a. n-dimensional, y se denota por L(x1 , . . . , xn , ).
Si la P.M. es una v.a. continua con funcion de densidad f (x, ), y la muestra es

aleatoria simple; entonces las n v.a. son independientes e identicamente distribuidas
seg
un la distribucion de la P.M. Por tanto,
L(x1 , . . . , xn , ) = f (x1 , ) f (xn , )
162
Estadstica
Si la P.M. es una v.a. discreta, sea como sea la muestra aleatoria, con o sin reemplazamiento,
L(x1 , . . . , xn , ) = P (de que salga la muestra obtenida)

PUNTUAL
ESTIMACION
b de un parametro poblacional , es un valor u
Una estimacion puntual, ,
nico del
b Por ejemplo, el valor x del estadstico media muestral, X,
calculado a partir
estadstico .
de una muestra de tama

no n, es una estimacion puntual del parametro media poblacional
.
ESTIMADOR
El estadstico que se utiliza para obtener una estimacion puntual es un estimador.
Por ejemplo, el estadstico varianza muestral, s2 , que es una funcion de la muestra aleatoria, es un estimador de 2 .
ESTIMADOR SUFICIENTE
Estimador suficiente es el que proporciona la maxima informacion posible sobre el
parametro poblacional, , una vez determinado el tama
no n de la muestra.
ESTIMADOR CONSISTENTE
b es un estimador consistente del parametro si
Se dice que un estadstico, ,
b | ) = 1
P (|
cuando
ESTIMADOR INSESGADO
b es un estimador insesgado del parametro si

ESTIMADOR SESGADO
b =
E[]
b es un estimador sesgado del parametro si

y b() recibe el nombre de sesgo.
b = + b()
E[]
ESTIMADOR EFICIENTE
Si se consideran todos los posibles estimadores insesgados de un parametro poblacional, , aquel que tenga la varianza mas peque
na se dira que es el estimador mas eficiente.
13 Estimaci
on por intervalo
13.2.
163
Propiedades deseables de los estimadores puntuales
13.2.1.
Estimador suficiente
Un estadstico T (X) es suficiente, si el conocimiento pormenorizado de los elementos

de la muestra no a
nade ninguna informacion sobre que no proporcione la simplificacion
T (X).
Una definicion mas tecnica sera que un estadstico T (X) es suficiente respecto al
parametro , si la funcion de distribucion de la muestra, condicionada por un valor del
estadstico (o sea, F (X|T (X)=t )) no depende de .
Ejemplo.- De una P.M. Binomial, desconocemos la proporcion de exitos. Es decir, = p
es desconocido. Extraemos una m.a.s. de tama
no n = 50, {x1 , . . . , x50 }, de tal forma que
(
1 si es exito
xi =
0 si es fracaso
Construyo dos estadsticos
T1 (X) =
50
X
xi
i=1
T2 (X) = max {xi }

Con los datos de la muestra obtenemos los valores de los estadsticos
t1 = T1 (x) =
50
X
xi = 35
i=1
t2 = T2 (x) = max {xi } = 1

En el primer caso, el hecho de que t1 = 35 significa que en la muestra han aparecido exactamente 35 exitos de 50 casos muestreados. Para realizar una estimacion de la
proporcion de exitos de la poblacion, me basta con este dato, podra suponer de forma
razonable que p 35/50. No necesito conocer cuales de los elementos muestreados son
exitos. Es decir, no necesito conocer de forma pormenorizada el valor de cada uno de los
elementos de la muestra.
En el segundo caso, sin embargo, el hecho de que t2 = 1 significa que en la muestra ha
aparecido al menos un exito entre los 50 casos muestreados. En este caso, el conocimiento
164
Estadstica
pormenorizado de los valores de la muestra s a

nadira informacion, y bastante, sobre el
posible valor de p.
Claramente, T1 (X) es un estimador suficiente del parametro p, mientras que T2 (X)
no lo es.
13.2.2.
Estimador consistente
Como hemos visto en el ejemplo anterior, los valores obtenidos con las muestras nos
van a servir para estimar el verdadero valor del parametro desconocido. As pues, es
razonable pensar que un buen estimador debe ser capaz de aproximarse mejor al valor
del parametro a medida que aumenta el tama
no de la muestra. Siguiendo con el ejemplo
de la P.M. binomial, si en vez de una muestra de tama
no n = 50, saco una muestra de
tama
no n = 5000, es de esperar que la proporcion de exitos en esta segunda muestra se
aproxime mas al verdadero valor de p que los 35/50 obtenidos con la primera muestra.
Sea T (X) un estimador de , y sean T1 (X), . . . , Tn (X) una secuencia de estimadores
que representan a T con distintos tama
nos de muestra 1, . . . , n, respectivamente. Se dice
que T es un estimador consistente para si
lm P (|Tn | ) = 1
Ejemplo.- Tenemos una P.M. con distribucion no Normal y media desconocida, es decir,
= . Extraemos muestras de distintos tama
nos, y construimos los estadsticos
n
1X
Tn (X) = xn =
xi
n i=1
n = 1, 2, 3, . . .
De cada una de estas v.a. sabemos que E[

xn ] = y Var(
xn ) = 2 /n. Por el teorema
de Chebychev,

p

1
1
xn ) 1 2 = P |
P |
xn E[
xn ]| k Var(
xn | k/ n 1 2
k
k
n
,
tomando k =
P (|
xn | ) 1
2
= lm P (|
xn | ) = 1
n
n2
Es decir, cuanto mayor es el tama

no de la muestra, mas se aproxima el valor de
la media muestral al valor de la media poblacional. Por tanto, la media muestral es un
estimador consistente de la media poblacional.
13 Estimaci
on por intervalo
13.2.3.
165
Error cuadr
atico medio
b se utiliza para estimar el valor de un parametro de

Puesto que un estimador, ,
la poblacion, , es conveniente que el valor esperado del estimador coincida con el valor
del parametro que va a estimar. Para que las diferencias negativas no se cancelen con las
positivas, se define el Error Cuadratico Medio (ECM) como,
i
h
b )2
ECM = E (
b es una v.a. (funcion de

Si desarrollamos esta expresion, teniendo en cuenta que
los elementos de la muestra) y es una constante (parametro desconocido de la P.M.),

2
i
h
2
b E[])
b ( E[])
b
b ) = E (
=
ECM = E (

2

2
h
i
b
b
b
b
b
b
= E E[]
+ E E[]
2( E[])E E[] =

2
b + E[]
b
= Var()
0
Es decir,
i

2
h
b + E[]
b
b )2 = Var()
ECM = E (
El ECM es la suma de dos cantidades no negativas, una es la varianza del estimador

y la otra es el cuadrado del sesgo del estimador. Estas dos cantidades estan relacionadas
con las propiedades deseables de un estimador. Por una parte, la varianza (dispersion) de
un estimador debe ser lo mas peque
na posible y, por otra, el valor esperado del estimador
debe coincidir con el valor del parametro a estimar. Por tanto, el problema de encontrar el
mejor estimador de se puede plantear, de forma simplificada, en terminos de encontrar
el estimador que tenga el ECM mas peque
no de entre todos los estimadores factibles de
. Sin embargo, en realidad el problema es mucho mas complicado. Aun si fuese practico
calcular el ECM de un gran n
umero de estimadores, para la mayora de los parametros
poblacionales no existe ning
un estimador que minimice el ECM para todos los posibles
b 1 , puede tener un ECM mnimo para algunos valores
valores de . Es decir, un estimador,
b 2 , tendra la misma propiedad para otros valores de

de , mientras que otro estimador,
166
Estadstica
Ejemplo.- De una P.M. se extrae una m.a.s. {x1 , . . . , xn }, de la cual se sabe que E[xi ] =
y Var(xi ) = 2 i = 1, n. Consideramos dos estimadores de la media
n
X
b 1 = x = 1
xi
n i=1
n
Entonces
n
1X
E[1 ] =
E[xi ] =
n i=1
b2 =
1 X
xi
n + 1 i=1
b 1) =
= ECM(
b 1) = 1
Var(
Var(x
)
=
i
n2 i=1
n
n
1 X
n
E[2 ] =
E[xi ] =
n + 1 i=1
n+1
1
n
Var(xi ) =
2
Var(2 ) = (n + 1)2
2
(n
+
1)
i=1
2
n
b 2) =
= ECM(
2 + n 2
(n + 1)2
Si n = 10 y 2 = 100, entonces,
b 1 ) = 10
ECM(
2
b 2 ) = + 1000
ECM(
121
Al igualar ambas expresiones y resolver para , se tiene que

si <
si >
b 1 ) > ECM(
b 2)
210 = ECM(
b 1 ) < ECM(
b 2)
210 = ECM(
Por esta razon, se deben examinar criterios adicionales para la seleccion de los estimadores de , aun cuando el error cuadratico medio es el concepto mas importante.
13.2.4.
que
Estimador insesgado
b es un estimador insesgado del parametro , si cumple

Se dice que un estimador
b =
E[]
13 Estimaci
on por intervalo
167
para todos los posibles valores de . De esta forma, para cualquier estimador insesgado,
b se cumple que ECM=Var().
b Como vimos en el captulo anterior, sea como sea la
,
P.M., la esperanza de la media muestral coincide con la media poblacional. Por tanto, la
media de la muestra, x, es un estimador insesgado de .
Si un estimador no es insesgado, se dice que es sesgado, y se llama sesgo a la funcion

b . El sesgo puede ser positivo, lo cual implica que el estimador en
(no v.a.) b() = E[]
cuestion esta sobrevalorando, en media, el valor de ; o puede ser negativo, lo cual implica
que el estimador en cuestion esta infravalorando, en media, el valor de .
Ejemplo.- De una P.M. N(, ) extraemos una m.a.s., {x1 , . . . , xn }, y construimos dos
estimadores de la varianza,
b 1 = s2 =
1 X
(xi x)2
n 1 i=1
X
b2 = 1
(xi x)2
n i=1
En la seccion 12.4 vimos que, si la poblacion es Normal, entonces (n 1)s2 / 2
2n1 . Por tanto,
b 1 ] = E[s2 ] =
E[
2
E[2n1 ] = 2
n1
n1 2
1
n1 b
E[1 ] =
= 2 2
n
n
n
P
2
2
b 1 = s = (xi x) /(n 1) es un estimador
Por tanto, la varianza muestral,
b 2 = P(xi x)2 /n es un
insesgado de la varianza de la poblacion, 2 . En cambio,
b 2 es b() = /n < 0, es decir, el estimador
estimador sesgado de 2 . Ademas, el sesgo de
b 2] =
E[
b 2 esta infravalorando, en media, el verdadero valor de la varianza de la poblacion 2 .
Esta es la razon por la cual se define la varianza muestral con el dividendo igual a n 1
en vez de igual a n. Por u

ltimo, hay que se
nalar que el hecho de que s2 sea un estimador
insesgado de 2 , no implica que s sea un estimador insesgado de (ver Sec. 12.7).
13.2.5.
Estimador eficiente
Sin perder de vista el hecho de que estamos buscando aquellos estimadores con ECM
b
mnimo, si consideramos los estimadores insesgados, para ellos se cumple ECM=Var().
Por tanto, el problema se reduce a encontrar un estimador insesgado que tenga varianza
b es un estimador insesgado de varianza
mnima. En general, se dice que el estimador
168
Estadstica
b = ), y Var()
b es menor que la varianza de
mnima uniforme de , si es insesgado (E[]
cualquier otro estimador de para todos los posibles valores de .
La varianza de un estimador insesgado es la cantidad mas importante para decidir

b1 y
b 2 son dos estimadores
como de bueno es el estimador para estimar . Por ejemplo, si
b 1 es mas eficiente que

b 2 si Var(
b 1 ) Var(
b 2 ), cumpliendose
insesgados de , se dice que
la desigualdad en el sentido estricto para alg

un valor de . Es muy com
un utilizar el
b 1 )/Var(
b 2 ) para determinar la eficiencia relativa de
b 1 respecto a
b 2 . Si
cociente Var(
los estimadores son sesgados, las eficiencias relativas se calculan con los respectivos errores
cuadraticos medios.
Pero, dicho todo esto, seguimos teniendo un problema. Una vez que tenemos un
estimador y conocemos su varianza, como podemos saber si existe otro estimador con
una varianza mas peque
na? Para resolverlo, recurrimos al siguiente teorema.
13.2.5.1.
Teorema (Cota de Cram

er-Rao)
Dada una P.M. con funcion de densidad f (x, ) y una muestra aleatoria simple de
b es un estimador de , entonces se cumple
tama
no n, {x1 , . . . , xn }, si
b
Var()

(1 + b ())2
Ln L(x1 , . . . , xn , )
2 =
(1 + b ())2
(1 + b ())2
"
#

2
=
2
Ln f (x, )
Ln f (x, )
nE
nE
2
b y L(x1 , . . . , xn , ) la funcion de verosimilitud de la muestra.

siendo b() el sesgo de
La primera expresion a la derecha de la desigualdad se conoce como cota de CramerRao. El resto de igualdades representan distintas versiones, generalmente mas sencillas
de calcular, de dicha cota. Lo primero que debemos observar es que, si el estimador es

insesgado, entonces b() = 0.
La cota de Cramer-Rao establece un lmite inferior para la varianza de cualquier
estimador de . Esto no implica necesariamente que deba existir un estimador de cuya
varianza coincida con la cota de Cramer-Rao. Es decir, es posible encontrar un estimador
de que tenga la varianza mas peque
na posible de entre todos los estimadores de , pero
cuya varianza sea mas grande que el lmite inferior establecido por la cota de Cramer-Rao.
Este estimador, en el caso de que ademas fuera insesgado, seguira siendo un estimador
insesgado de varianza mnima uniforme para .
Un estimador cuya varianza coincide con la cota de Cramer-Rao se dice que es un
estimador eficiente. Si, ademas, es insesgado, se llama estimador de eficiencia absoluta o
13 Estimaci
on por intervalo
169
completa. De esta forma, un estimador de de eficiencia absoluta es el mejor estimador

de que se puede encontrar.
Ejemplo.- De una P.M. N(, ), con conocido y = desconocido, se extrae una m.a.s.
de tama
no n, {x1 , . . . , xn }. Como estimador de la media de la poblacion, utilizamos la
media muestral
X
b = x = 1
xi
n i=1
de la que sabemos que su distribucion es x N(, / n ). Por tanto,

E[
x] = = = es insesgado = b() = 0
2
Var(
x) =
n
Vamos a calcular la cota de Cramer-Rao (CCR) de los estimadores insesgados de la
media de una poblacion Normal.
CCR =
nE
"
1
Ln f (x, )
2 # =
1

Ln f (x, )
nE
2

Como P.M. N(, ), su funcion de densidad es de la forma

1
2
1
f (x, ) = e 22 (x)
2
entonces
Ln f (x, ) = Ln
1
(x )2
2 2
Ln f (x, )
1
= 2 (x )
1
2 Ln f (x, )
= 2
2

Por tanto,

2 Ln f (x, )
1
1
E
=E 2 = 2
2

CCR =
Es decir,
2
1

=
n
2 Ln f (x, )
nE
2

Var(
x) = CCR
170
Estadstica
y, ademas, x es insesgado. Entonces, la media muestral de una poblacion Normal es un

estimador de eficiencia absoluta de la media poblacional.
Por u
ltimo, hay que se
nalar que, como se ha visto en este ejemplo, para calcular la
cota de Cramer-Rao es necesario conocer la distribucion de la P.M.
13.3.
M
etodos de estimaci
on puntual
En las secciones anteriores hemos comentado ampliamente las propiedades que debe
tener un buen estimador. Incluso hemos visto, a traves de los ejemplos, que un estimador de la media poblacional podra ser la media muestral, un estimador de la varianza
poblacional podra ser la varianza muestral, y un estimador de la proporcion de exitos
de la poblacion podra ser la proporcion de exitos de la muestra. Pero, que ocurre si el
parametro de la poblacion no es ni su media, ni su varianza ni su proporcion de exitos?
Por ejemplo, si la P.M. tiene una funcion de densidad
f (x, ) =
x 0, > 0
(1 + x)1+
En este caso, no es ninguno de los parametros conocidos, por tanto, en un
principio, no tenemos ninguna pista sobre como podra ser un estimador de . En esta
seccion vamos a dar dos metodos para obtener un estimador de cualquier parametro
poblacional .
13.3.1.
M
etodo de m
axima verosimilitud
La idea en la que se basa este metodo es muy sencilla y, ademas, bastante logica. Si
de una poblacion cualquiera he obtenido una muestra en particular, es razonable pensar
que la muestra obtenida es la que mayor probabilidad tena de salir. Veamos esta idea
con un ejemplo
Ejemplo.- Una urna contiene bolas rojas y blancas con una proporcion de bolas rojas, p,
desconocida. Extraemos 10 bolas con reemplazamiento (m.a.s. de tama
no n = 10) con el
resultado de 3 bolas rojas y 7 blancas. Parece logico pensar que el hecho de que en la
muestra aparezcan 3 bolas rojas de 10 es porque, seg
un la proporcion real de bolas rojas
que hay en la urna, es mas probable que salgan 3 rojas a que salgan 5 o 9. Es decir, la
muestra que ha salido es la que mayor probabilidad tena de salir. Vamos a trasladar este
razonamiento a n
umeros. La probabilidad de que salga la muestra que ha salido (o sea,
la funcion de verosimilitud de la muestra) es
10
L(p) = p3 (1 p)7 P R3,7
= p3 (1 p)7
10!
3! 7!
13 Estimaci
on por intervalo
171
Para calcular el valor de p que hace que esta probabilidad sea maxima, basta con
derivar respecto de p e igualar a 0.
10!
L(p) 2
10!
= 3p (1 p)7 7p3 (1 p)6
= p2 (1 p)6 [3 10p]
=0
p
3! 7!
3! 7!
Entonces, se pueden dar 3 casos

p=0
p=1
imposible, pues hay al menos una bola roja

imposible, pues hay al menos una bola blanca

2 L(p)
p = 3/10 ademas,
<0
2 p p=3/10
Es decir, si en la muestra han salido 3 bolas rojas de las 10 muestreadas, el valor de

p que hace de esta muestra la mas probable es p = 3/10.
Ahora, vamos a generalizar este ejemplo al caso de una P.M. cualquiera, con funcion
de densidad f (x, ), siendo un parametro cualquiera de la poblacion. Extraemos una
m.a.s. de tama
no n, {x1 , . . . , xn }. La funcion de verosimilitud de la muestra, por ser
muestra extrada con reemplazamiento, viene dada por
L(x1 , . . . , xn , ) = f (x1 , ) f (xn , )

La maxima verosimilitud puede obtenerse derivando L con respecto a e igualando
a cero. Para ello, es conveniente tomar primero logaritmos y luego derivar, ya que la
funcion logaritmo es estrictamente creciente. As, obtenemos en terminos de los xi .
El metodo puede generalizarse para el caso en que existan varios parametros poblacionales a estimar. Ahora, se toman las derivadas parciales respecto a cada uno de los
parametros, se igualan a cero y se resuelven las ecuaciones resultantes.
Ejemplo.- De una P.M. con funcion de densidad
f (x, ) =
(1 + x)1+
x 0, > 0
b de . La
extraemos una m.a.s. de tama
no n, {x1 , . . . , xn }, para calcular un estimador, ,
funcion de verosimilitud de la muestra es
L(x1 , . . . , xn , ) = f (x1 , ) f (xn , ) =
n
Y
i=1
(1 + xi )1+
172
Estadstica
Antes de derivar, tomamos logaritmos
n
n
Y
X
1+
Ln L(x1 , . . . , xn , ) = Ln Ln (1 + xi )
= nLn (1 + )
Ln (1 + xi )
n
i=1
i=1
Ln L(x1 , . . . , xn , )
n X
b=
=
Ln (1 + xi ) = 0 =
n
X
i=1
n
Ln (1 + xi )
i=1

2 Ln L(x1 , . . . , xn , )
n
=
<0

2
b2

b
Por tanto, el estimador de maxima verosimilitud (EMV) de viene dado por

b=
n
n
X
Ln (1 + xi )
i=1
Hay que se
nalar que no siempre es posible aplicar el metodo de maxima verosimilitud
para calcular un estimador (ver Sec. 13.3.2).
13.3.2.
Propiedades de los estimadores de m

axima verosimilitud
En esta seccion vamos a enumerar una serie de propiedades o teoremas que verifican
los estimadores de maxima verosimilitud (EMV), comenzando con una definicion sobre
las condiciones en las que se puede aplicar el metodo de maxima verosimilitud.
Condiciones de regularidad de Fisher-Wolfowitz
1.- La P.M. de la que procede la muestra tiene un campo de variacion que no
depende del parametro , y, por tanto, la muestra tampoco.
2.- La funcion de verosimilitud de la muestra admite, por lo menos, las derivadas
de primer y segundo orden respecto del parametro .
3.- Las operaciones de derivacion e integracion (o suma, en el caso de v.a. discretas)
son intercambiables.
Bajo condiciones de regularidad, los EMV son consistentes.
b entonces el EMV de es fun Si un parametro posee un estimador suficiente, ,
b Esto no implica que todos los EMV sean suficientes, pues no todos los
cion de .
parametros poblacionales poseen un estimador suficiente.
13 Estimaci
on por intervalo
173
Los EMV no siempre son insesgados, pero s son asintoticamente insesgados, es decir
lm b() = 0
Bajo condiciones de regularidad, si existe un estimador eficiente de , este coincide

con el obtenido por el metodo de maxima verosimilitud. De nuevo, esto no implica
que todos los EMV sean eficientes.
Bajo condiciones de regularidad, los EMV son asintoticamente eficientes y asintotib es el EMV de , entonces
camente Normales. Es decir, si
b N , p 1
lm
I()
siendo
I() = E
"
Ln L(x1 , . . . , xn , )
2 #
b es el EMV de , entonces g()

b es el EMV de g(), siempre que g sea continua
Si
y biunvoca.
13.3.3.
M
etodo de los momentos
Este metodo consiste en igualar los momentos de la distribucion de la P.M., con

los correspondientes momentos muestrales, teniendo en cuenta que, para una m.a.s. de
tama
no n, {x1 , . . . , xn }, el momento centrado en el origen de orden r es
n
1X r
mr =
x
n i=1 i
Ejemplo.- De una P.M. con funcion de densidad
f (x, ) =
(1 + x)1+
x 0, > 0
b de .
extraemos una m.a.s. de tama
no n, {x1 , . . . , xn }, para calcular un estimador, ,
Los momentos de primer orden de la poblacion y la muestra son,
Z +
Z +
1
E[P.M.] =
xf (x, ) dx =
x
dx =
( > 1)
1+
(1 + x)
1
0
n
1X
xi
m1 =
n i=1
174
Estadstica
e, igualando,
1
1X
b= n
xi =
=
n
X
1
n i=1
+1
xi
i=1
Como se puede comprobar, el estimador obtenido por el metodo de maxima verosimilitud puede no coincidir con el obtenido por el metodo de los momentos.
13.4.
Estimaci
on por intervalo de confianza
En lugar de hacer una estimacion puntual del parametro poblacional , se pretende

dar un intervalo en el que se tiene cierta probabilidad (confianza) de que se encuentre el
verdadero valor de . Es decir, un intervalo de confianza del parametro es de la forma
b e < < b + e
donde, generalmente, b es una estimacion puntual de , obtenida con el estimador puntual

b Se llama amplitud del intervalo o margen de error, al tama
.
no del intervalo, 2e.
Cuando calculamos un intervalo para un parametro poblacional , tambien debemos
dar una medida de la bondad de la estimacion, es decir, la probabilidad de que el valor

del parametro se encuentre realmente dentro del intervalo construido. As, si
P (b e < < b + e) = 1
decimos que el intervalo (b e, b + e) es un intervalo de confianza del (1 )100 %. La

fraccion (1 ) recibe el nombre de coeficiente de confianza o grado de confianza; y los
puntos extremos, b e y b + e, se llaman lmites de confianza.
Se llama nivel de significacion (N.S.) a la probabilidad de que el verdadero valor de
este fuera del intervalo de confianza, es decir
N.S. = 100 %
De esta forma, tenemos distintos niveles de significacion, seg
un el grado de confianza
obtenido. Algunos de ellos tienen nombre propio, por ejemplo
Confianza Casi Significativa
Confianza = 1 = 95 %
N.S. = = 5 %
13 Estimaci
on por intervalo
175
Confianza Significativa
Confianza = 1 = 99 %
N.S. = = 1 %
Confianza Muy Significativa

Confianza = 1 = 99.5 %
N.S. = = 0.5 %
Por u
ltimo, se habla de seguridad estadstica cuando se trabaja con un intervalo de
confianza del tipo
b 3b < < b + 3b
b
siendo b la desviacion tpica del estadstico .
En las secciones siguientes vamos a construir el intervalo de confianza de varios
parametros poblacionales tales como la media, la varianza o la proporcion de exitos,

siguiendo siempre el mismo esquema:
1.- Se definira la distribucion de la P.M.
b del parametro poblacional . Si es posible,
2.- Se definira un estimador puntual, ,
estimador insesgado.
b En cualquier caso, se
3.- Cuando sea posible, se definira la distribucion de la v.a. .
b y 2 =Var().
b
contara con la media y la varianza del estimador, b =E()
4.- Fijado un nivel de confianza, (1 )100 %, se construira un intervalo de confianza,

partiendo de el hecho de que
b | k) = 1
P (|
b sea conocida, buscaremos en las tablas apropiadas el

Cuando la distribucion de
b sea desconocida, calcularemos k aplicando
valor de k y, cuando la distribucion de
el teorema de Chebychev.
176
Estadstica
13.4.1.
Intervalo de confianza para la media
Dada un P.M. con media , como estimador puntual de la media de la poblacion,

se utiliza la media de la muestra
n
1X
x =
xi
n i=1
13.4.1.1.
P.M. N(, ) con conocido
Si tenemos una muestra de tama

no n, entonces el estadstico media muestral sigue
una distribucion x N(, / n ). Tipificando la variable,

x
N(0, 1)
/ n
entonces,
es decir

x
P z/2 < < z/2 = 1
/ n

P x z/2 < < x + z/2 = 1

n
n
siendo z/2 , el n
umero real que deja un area de /2 unidades a su derecha en una N(0, 1)
(Fig. 13.1).
Por tanto, una estimacion puntual de la media poblacional , se obtiene seleccionando una muestra aleatoria simple de tama
no n, y calculando su media x. Mientras que
un intervalo de confianza del (1 )100 % para la media poblacional viene dado por
x z/2 < < x + z/2

n
n
La semiamplitud del intervalo es
e = z/2
n
Si e es un dato del problema, podemos determinar el tama
no de la muestra adecuado
al nivel de confianza pedido, por medio de la expresion
2

z/2
n=
e
13 Estimaci
on por intervalo
177
Figura 13.1: P (z/2 < N(0, 1) < z/2 ) = 1

13.4.1.2.
P.M. N(, ) con desconocido
Si x y s son la media y la desviacion tpica de una muestra aleatoria simple de

tama
no n obtenida de una poblacion Normal con varianza 2 desconocida, entonces
x
tn1
s/ n
entonces,
P
es decir
t/2
x
< < t/2
s/ n
= 1

s
s
P x t/2 < < x + t/2 = 1
n
n
siendo t/2 , el n
umero real que deja un area de /2 unidades a su derecha en una tn1
(Fig. 13.2).
Por tanto, un intervalo de confianza del (1 )100 % para la media poblacional
viene dado por
s
s
x t/2 < < x + t/2
n
n
178
Estadstica
Figura 13.2: P (t/2 < tn1 < t/2 ) = 1

13.4.1.3.
P.M. ?(, ) con conocido y n > 30
Aun cuando la forma de la P.M. sea desconocida o no Normal, si el tama

no de la
muestra es suficientemente grande, n > 30, sabemos que
x
= N(0, 1)
/ n
y, por tanto, un intervalo de confianza del (1 )100 % para la media poblacional viene
dado por
x z/2 < < x + z/2

n
n
13.4.1.4.
P.M. ?(, ) con conocido y n < 30
Del estadstico media muestral solo sabemos que su esperanza es E[

x] = y su
varianza es Var(
x) = 2 /n, pero no conocemos su distribucion, por lo que solo podemos
aplicar el Teorema de Chebychev.
P
x k < < x + k
n
n
1 k
13 Estimaci
on por intervalo
179
siendo k = 1/k 2 . Por tanto, un intervalo de confianza del (1 k )100 % para la media
poblacional viene dado por
x k < < x + k
n
n
13.4.1.5.
P.M. ?(, ) con desconocido y n > 30
Si x y s son la media y la desviacion tpica de una muestra aleatoria simple de

tama
no n > 30 obtenida de una poblacion desconocida o no Normal, con varianza 2
desconocida, entonces se puede aproximar 2 s2 y,
x
= N(0, 1)
s/ n
y, por tanto, un intervalo de confianza del (1 )100 % para es

s
s
x z/2 < < x + z/2
n
n
13.4.1.6.
P.M. ?(, ) con desconocido y n < 30
Es el u
nico caso en el que no poseemos herramientas suficientes para obtener un
intervalo de confianza valido para la media. En cualquier caso, como estimacion puntual
de , siempre es valida la media muestral, sea cual sea el tama
no de la muestra.
13.4.2.
Intervalo de confianza para la varianza
13.4.2.1.
P.M. N(, ) con desconocido
Dada un P.M. N(, ) con media desconocida, como estimador puntual de la

varianza de la poblacion, se utiliza la varianza de la muestra
n
1 X
s =
(xi x)2
n 1 i=1
2
En la seccion 12.4, comprobamos que
(n 1)s2
2n1
2
Entonces, se puede escribir

(n 1)s2
2
2
< /2 = 1
P 1/2 <
2
180
Estadstica
Figura 13.3: P (21/2 < 2n1 < 2/2 ) = 1

o bien
2
(n 1)s
(n 1)s
< 2 <
2
/2
21/2
= 1
donde 21/2 y 2/2 son los valores de la distribucion 2n1 que dejan areas de 1 /2 y
/2, respectivamente, a su derecha (Fig. 13.3)
Por tanto, un intervalo de confianza del (1 )100 % para la varianza muestral de
una poblacion Normal viene dado por
(n 1)s2
(n 1)s2
2
<
<
2/2
21/2
13.4.3.
Intervalo de confianza para la diferencia de medias
Suponemos dos poblaciones, X e Y , con distribuciones X N(x , x ) e Y
N(y , y ). De cada una de ellas extraemos una muestra de tama

nos n y m, respectivamen
te. El estadstico media de la primera muestra sera x N (x , x / n), y el estadstico
media de la segunda muestra sera y N (y , y / m)
13 Estimaci
on por intervalo
181
Una estimacion puntual de la diferencia de medias, (x y ), viene dada por la
diferencia de las medias de las muestras,
x y =
1X
1 X
xi
yi
n i=1
m i=1
Para obtener un intervalo de confianza, debemos tener en cuenta si las varianzas son
conocidas.
13.4.3.1.
P.M. Normales con x y y conocidas
En este caso,
(
x y) (x y )
q
N(0, 1)
y2
x2
+
n
m
Entonces, un intervalo de confianza del (1 )100 % para la diferencia de medias es

(
x y)
13.4.3.2.
x2 y2
+
z/2 < x y < (
x y) +
n
m
x2 y2
+
z/2
n
m
P.M. Normales con x2 = y2 = 2 desconocida
En este caso, hemos visto que

(
x y) (x y )
r
tn+m2
1
1
Sp
+
n m
siendo
Sp =
(n 1)s2x + (m 1)s2y
n+m2
(
x y) Sp
1
1
+ t/2 < (x y ) < (
x y) + Sp
n m
1
1
+ t/2
n m
siendo t/2 , el n
umero real que deja un area de /2 unidades a su derecha en una tn+m2 .
182
Estadstica
13.4.3.3.
P.M. Normales con x2 6= y2 desconocidas
En este caso, hemos visto que

(
x y) (x y )
r
= t
s2x s2y
+
n
m
siendo
s2y
s2x
(A + B)2
A=
, B=
=
B2
A2
n
m
+
n1 m1
(
x y)
s2x s2y
+ t/2 < (x y ) < (
x y) +
n
m
s2x s2y
+ t/2
n
m
siendo t/2 , el n
umero real que deja un area de /2 unidades a su derecha en una t
13.4.4.
Intervalo de confianza para el cociente de varianzas
Suponemos dos poblaciones, X e Y , con distribuciones X N(x , x ) e Y
N(y , y ). De cada una de ellas extraemos una muestra de tama

nos n y m, respectivamente. Sean s2x y s2y las varianzas de las muestras. Una estimacion puntual del cociente
de varianzas, x2 /y2 , viene dada por el cociente de las varianzas de las muestras
s2x
s2y
1
n1
=
1
m1
n
X
(xi x)2
i=1
m
X
i=1
(yi y)2
Para obtener un intervalo de confianza, consideramos el estadstico

s2x /x2
Fn1,m1
s2y /y2
Entonces,
P
s2 / 2
f1/2 (n 1, m 1) < x2 x2 < f/2 (n 1, m 1)
sy /y
=1
siendo f1/2 (n 1, m 1) y f/2 (n 1, m 1), los n

umeros reales que dejan un area de
1 /2 y /2 unidades a su derecha, respectivamente, en una Fn1,m1 (Fig. 13.4).
O bien,
13 Estimaci
on por intervalo
183
Figura 13.4: P (f1/2 < Fn1,m1 < f/2 ) = 1
s2x
1
x2
1
s2x
<
<
s2y f/2 (n 1, m 1)
y2
s2y f1/2 (n 1, m 1)
=1
Utilizando las propiedades de la distribucion F-Snedecor, tambien se puede escribir

como
P
s2x
s2x
1
x2
<
f/2 (m 1, n 1)
<
s2y f/2 (n 1, m 1)
y2
s2y
= 1
Entonces un intervalo de confianza del (1 )100 % para el cociente de varianzas
poblacionales viene dado por
s2x
s2x
x2
1
<
f/2 (m 1, n 1)
<
s2y f/2 (n 1, m 1)
y2
s2y
13.4.5.
Intervalo de confianza para la proporci

on poblacional
Partimos de una P.M. Binomial de parametro p, es decir, p es la proporcion de exitos

de la Poblacion. Extraemos una m.a.s. {x1 , . . . , xn } y asignamos los valores
(
1 si es exito
xi =
0 si es fracaso
184
Estadstica
es decir, cada v.a. xi B(1, p)

Sean las v.a.
X n
umero de exitos de la muestra
pb proporcion de exitos de la muestra
Una estimacion puntual de la proporcion de exitos de la poblacion viene dada por

la proporcion de exitos de la muestra
n
1X
pb =
xi
n i=1
Para encontrar un intervalo de confianza, tenemos en cuenta el tama

no de la muestra.
13.4.5.1.
P.M. Binomial y n > 30
Si el tama
no de la muestra es suficientemente grande, entonces
pb N p,
y,
p(1 p)
n
pb p
= 1
r
P
z
<
<
z
/2
/2
p(1 p)
n
Por tanto,
P
pb
p(1 p)
z/2 < p < pb +
n
p(1 p)
z/2
n
= 1
Podramos decir que un intervalo de confianza del (1 )100 % para la proporcion
de exitos de la poblacion viene dado por

r
r
p(1 p)
p(1 p)
pb
z/2 < p < pb +
z/2
n
n
pero esto no sirve de mucho pues como no conocemos el valor de p, no se pueden calcular
los lmites del intervalo. Para resolver este problema se puede proceder de dos formas.
13 Estimaci
on por intervalo
185
Una solucion consiste en aproximar el valor de p por el valor de la proporcion
muestral. Por tanto, un intervalo de confianza del (1 )100 % para la proporcion

de exitos de la poblacion viene dado por
pb
pb(1 pb)
z/2 < p < pb +
n
pb(1 pb)
z/2
n
Otro metodo consiste en utilizar como valor aproximado del producto p(1 p), su
maximo valor posible. As,
y = p(1 p) y = 1 2p = 0 p =
1
1
p(1 p) =
2
4
Entonces, un intervalo de confianza del (1 )100 % para la proporcion de exitos
viene dado por
pb
13.5.
1
z/2 < p < pb +
4n
1
z/2
4n
Intervalo de confianza asint

otico
b MV es su estimador de maxima
Si es cualquier parametro de una poblacion,
b MV es asintotiverosimilitud y bMV es su estimacion de maxima verosimilitud entonces,
camente Normal con parametros
b MV ]
b MV = E[
MV
b MV )
= Var(
1

LnL(x1 , . . . , xn ; )
b
2
=MV
2
donde LnL(x1 , . . . , xn ; ) es el logaritmo neperiano de la funcion de verosimilitud de la

muestra. Por tanto, si la muestra es suficientemente grande, podemos construir un intervalo de confianza para el parametro de la forma habitual, teniendo en cuenta que
b MV b
MV
= N(0, 1)
b MV
entonces
P
z/2
b MV b
MV
<
< z/2
b MV
=1
186
Estadstica
es decir,
bMV z/2 b MV < < bMV + z/2 b MV
Un inconveniente de este metodo general es que la convergencia de la distribucion de

b MV hacia la Normal puede ser muy lenta y entonces el intervalo de confianza sera poco
preciso. Esto no ocurre cuando es un parametro de centralizacion.
Ejemplo.- Vamos a obtener el intervalo de confianza asintotico del parametro de una

poblacion Exponencial
Dada la P.M. = X Exp(), entonces
f (x, ) = ex
1
1
= E[X] =
2 = Var(X) = 2
i) Obtenemos el estimador de maxima verosimilitud de

La funcion de verosimilitud de una muestra de tama
no n es
L(x1 , . . . , xn ; ) = f (x1 , ) f (xn , ) = n e
xi
Obtenemos el logaritmo neperiano

Ln L(x1 , . . . , xn ; ) = nLn
Entonces
n P
Ln L
= xi = 0
1
n
b
MV = P =
xi
x
ii) Realizamos las aproximaciones

bMV ]
E[
bMV )
Var(
1

LnL
2
2
bMV
=
xi
xi = 0
1
1
=
n
n
x2
2
=bMV
iii) Si el tama
no de la muestra es suficientemente grande, un intervalo de confianza del
(1 ) % para el parametro de una poblacion Exponencial es
1
1
1
1
z/2 < < + z/2
x
x n
x
x n
14
Teora de muestras
de poblacion finita
Indice
14.1. Introducci
on . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 188
14.2. Distribuciones de muestreo
. . . . . . . . . . . . . . . . . . . . 189
14.2.1. Estadstico media muestral . . . . . . . . . . . . . . . . . . . . 189

14.2.2. Estadstico varianza muestral . . . . . . . . . . . . . . . . . . . 191
14.2.3. Estadstico proporci
on muestral . . . . . . . . . . . . . . . . . . 193
14.3. Intervalos de confianza . . . . . . . . . . . . . . . . . . . . . . . 194
14.3.1. Intervalo de confianza para la media poblacional . . . . . . . . 194
14.3.1.1. P.M. ?(, ) con conocido . . . . . . . . . . . . . 195
14.3.1.2. P.M. ?(, ) con desconocido . . . . . . . . . . . 195
14.3.2. Intervalo de confianza para la proporci

on poblacional . . . . . . 195
187
188
Estadstica
14.1.
Introducci
on
A lo largo de este captulo supondremos que la muestra aleatoria se ha realizado

sin reemplazamiento o, lo que es equivalente, se han extrado los n elementos a la vez. Es
importante resaltar dos cosas:
Si la muestra se extrae sin reemplazamiento, las v.a. {x1 , . . . , xn } que representan a
la muestra no son independientes, pues cada extraccion depende de las extracciones
anteriores y, ademas, no estan identicamente distribuidas, pues en cada extraccion

la configuracion de la poblacion es distinta. Por tanto, por muy grande que sea el
tama
no de la muestra, en ning
un caso estaremos en condiciones de aplicar el Teorema
de Levy-Lindeberg. Es decir, en ning
un caso podremos aproximar la distribucion del
estadstico muestral por una distribucion Normal. Por otra parte, el conocimiento
de la distribucion poblacional es, en la mayora de los casos, irrelevante.
Aunque la diferencia teorica entre la teora de poblacion infinita y poblacion finita
radica en el metodo de extraccion de la muestra (con o sin reemplazamiento), en la

practica, casi todas las muestras se realizan sin reemplazamiento. Al fin y al cabo
sera una perdida de tiempo y de dinero inspeccionar dos veces el mismo elemento
de la poblacion. Como se diferencian entonces en la practica? Veamos un ejemplo.
Supongamos que queremos estimar la proporcion de exitos, p1 y p2 , de dos poblaciones. En el primer caso, la poblacion la constituyen los 34 millones de espa
noles con derecho a voto. Extraemos una muestra aleatoria, sin reemplazamiento, de 1000 personas. Extraemos el primer elemento, lo examinamos, y lo dejamos fuera. Cuando vamos a extraer el segundo elemento, la poblacion consta de
34.000.000 1 34.000.000 elementos y la proporcion de exitos de la nueva poblacion es p1 , por tanto, podemos considerar que x1 y x2 provienen de la misma
P.M. y, ademas, son independientes. Cuando vamos a extraer el tercer elemento,
la poblacion consta de 34.000.000 2 34.000.000 elementos y la proporcion de
exitos de la nueva poblacion es p1 , por tanto, podemos considerar que x1 , x2 y

x3 provienen de la misma P.M. y, ademas, son independientes. Y as sucesivamente.
Por tanto, en este caso, no importa como se haya extrado la muestra, pues siempre
podremos considerar que {x1 , . . . , x1000 } son independientes y estan identicamen-
te distribuidas. En el segundo caso, supongamos que tenemos que inspeccionar un

lote de 50 piezas. Extraemos una muestra aleatoria, sin reemplazamiento, de 20
piezas. Claramente, ahora cada extraccion realizada modifica la composicion de la
14 Teora de muestras de poblaci

on finita
189
poblacion, tanto en tama

no como en proporcion de piezas defectuosas, y, por tanto,
{x1 , . . . , x20 } no son independientes ni estan identicamente distribuidas.
Como conclusion, en la practica, lo que diferencia una muestra con reemplazamiento
de otra sin reemplazamiento, es la relacion entre el tama
no de la poblacion y el
tama
no de la propia muestra. Un criterio de uso generalizado es considerar como
m.a.s. toda muestra que cumpla la relacion n/N < 0.10.
A lo largo de este captulo supondremos que la muestra la componen n v.a. que no
son independientes ni estan identicamente distribuidas. La nomenclatura empleada a lo
largo de este captulo es la siguiente
Poblacion Madre formada por N elementos {X1 , X2 , . . . , XN }
N
1 X
Media Poblacional =
Xi
N i=1
N
1 X
Varianza Poblacional =
(Xi )2
N i=1
2
Muestra sin reemplazamiento formada por n elementos {x1 , x2 , . . . , xn }

n
1X
xi
Media Muestral x =
n i=1
n
1 X
Varianza Muestral s =
(xi x)2
n 1 i=1
2
14.2.
Distribuciones de muestreo
14.2.1.
Estadstico media muestral

n
1X
x =
xi
n i=1
Si llamamos = x y {z1 , . . . , zm } a los posibles valores que puede tomar , entonces

!
N
1
!
m=
y
P ( = zi ) =
n
N
n
190
Estadstica
Por tanto,
E[] =
m
X
zi P ( = zi ) =
i=1
n
N 1
1
N
n
n1
m
X
zi =
i=1
(X1 + + XN )
n
! (z1 + + zm ) =
N 1
n1
!
N
1X
Xi =
n i=1
N
N
1 X
n1X
Xi =
Xi =
N n i=1
N i=1
Es decir,
E[
x] =
Para calcular la varianza,

Var() = E ( )2 = E[ 2 ] (E[])2
Pero
E[ ]
m
X
zi2 P (
= zi ) =
i=1
n
1
1
! 2
n
N
n
(E[])
"
N 1
n1
m
X
zi2 =
i=1
N
X
Xi2 + 2
N 2
i=1
n2
X
i<j
N
X
n1
1 X 2
Xi + 2
Xi Xj
nN i=1
Nn(N 1) i<j
= 2 =
N
1 X
Xi
N i=1
!2
1
= 2
N
N
X
i=1
Xi2 + 2
X
i<j
Xi Xj
Xi Xj =

on finita
191
Entonces
Var() =
X
N
1
1
2
nN
N
Xi2
+2
i=1
1
n1
2
Nn(N 1) N
X
Xi Xj =
i<j
X
N nX 2
N n
=
Xi Xj =
X
2
nN 2 i=1 i
nN 2 (N 1) i<j
"
#
N
N n
2 X
N 1X 2
=
X 2
Xi Xj =
n(N 1)
N 2 i=1 i
N i<j
N n
=
n(N 1)
"
1
1
2
N
N
X
N
i=1
"
N
1
N n
1 X 2
Xi 2
=
n(N 1) N i=1
N
#
X
2
Xi Xj =
Xi2 2
N i<j
N
X
Xi2 + 2
i=1
Xi Xj
i<j
!#
#
"
N
N

N n 1 X
N n
1 X 2
2
2=
Xi X =
Xi X
=
n(N 1) N i=1
n(N 1) N i=1
=
Es decir,
N n 2
n(N 1)
N n 2
n(N 1)
Ademas, cuando N es grande con respecto a n, entonces
Var(
x) =
estadstico media es igual que en el caso de poblacion infinita.

Por tanto,
x ?
14.2.2.
N n
n(N 1)
Estadstico varianza muestral

n
1 X
(xi x)2
s =
n 1 i=1
2
N n
N 1
1 y la varianza del
192
Estadstica
Si llamamos = s2 y {z1 , . . . , zm } a los posibles valores que puede tomar , entonces
!
N
m=
n
z1 =
z2 =
..
.
zm =
1 X
(Xi x1 )2
n1
x1 =
1 X
(Xi x2 )2
n1
x2 =
1X
Xi
n
P ( = z1 ) =
1X
Xi
n
P ( = z2 ) =
N
n
1X
1 X
(Xi xm )2 xm =
Xi P ( = zm ) =
n1
n
donde cada zi es de la forma
Entonces,

1 X 2
1 X
2
2
(Xi xi ) =
Xi n
xi
zi =
n1
n1
1
N
n
1
N
n
!
!
!

on finita
E[] =
m
X
zi P ( = zi ) =
i=1
z1 + + zm
=
!
N
n
1
!
n1
N
1
"
N 1
"
N 1
n1
193
1
!
n1
N
n1
1
n 2
n
N 1
n1
N
X
N
X
Xi2
i=1
N
X
i=1
m
X
x2i
i=1
Xi2
Xi2 + 2
i=1
N 2
n2
Xi Xj
i<j
!#
n(n 1) 1 1 X
n 1 n1X 2
Xi 2
Xi Xj =
N n 1 n i=1
N(N 1) n 1 n i<j
N
X
1 X 2
2
N
Xi
Xi Xj =
2
N i=1
N(N 1) i<j
N 1
Por tanto,
E[s2 ] =
14.2.3.
N
2
N 1
Estadstico proporci
on muestral
Tenemos una P.M. B(1, p) de N elementos, {X1 , . . . , Xi }, entre los cuales hay A
exitos y (N A) fracasos; siendo
p = P (exito) = proporcion de exitos de la P.M. =
A
N
q = P (fracaso) = proporcion de fracasos de la P.M. = 1 p

por tanto,
= E[P.M.] = p
2 = Var(P.M.) = p(1 p)
194
Estadstica
Sacamos una muestra aleatoria sin reemplazamiento, {x1 , . . . , xn }, entre los cuales
hay a exitos y (n a) fracasos; siendo
pb = P (exito) = proporcion de exitos de la muestra =
a
n
qb = P (fracaso) = proporcion de fracasos de la muestra = 1 pb
A cada elemento de la muestra le asignamos el valor
1 si es exito
xi =
entonces
0 si es fracaso
n
1X
xi = x
pb =
n i=1
es decir, la proporcion muestral no es mas que la media muestral por lo que podemos
aplicar los resultados de la seccion 14.2.1. As
E[b
p] = E[
x] = = p
Var(b
p) = Var(
x) =
Por tanto,
N n 2
N n
=
p(1 p)
n(N 1)
n(N 1)

r
N n
pb ? p, p(1 p)
n(N 1)
14.3.
Intervalos de confianza
14.3.1.
Intervalo de confianza para la media poblacional
Dada un P.M. con media , como estimador puntual de la media de la poblacion,

se utiliza la media de la muestra
n
1X
x =
xi
n i=1

on finita
14.3.1.1.
195
P.M. ?(, ) con conocido
Atendiendo a lo dicho en el apartado 14.2.1, la distribucion frecuencial del estadstico

media es
x ?
N n
n(N 1)
Teniendo en cuenta que la u

nica herramienta aplicable es Chebychev,
P
N n
k < < x +
n(N 1)
N n
k
n(N 1)
1 k
x
14.3.1.2.
N n
k < < x +
n(N 1)
N n
k
n(N 1)
P.M. ?(, ) con desconocido
Atendiendo a lo dicho en el apartado 14.2.2,

N 1 2
N
2
= E
s = 2
E[s ] =
N 1
N
2
por tanto, podemos tomar como estimacion de la varianza poblacional, el valor de la

varianza de la muestra, corregido por el factor
N 1
.
N
A partir de aqu, estamos en las
mismas condiciones que en el apartado anterior. As,

P
x s
N n
k < < x + s
nN
N n
k
nN
1 k
x s
14.3.2.
N n
k < < x + s
nN
N n
k
nN
Intervalo de confianza para la proporci

on poblacional
Dada un P.M. con una proporcion de exitos p, como estimador puntual de dicho
parametro se utilizara la proporcion de exitos de la muestra, pb.
196
Estadstica
Seg
un lo dicho en el apartado 14.2.3
pb ?
p,
N n
p(1 p)
n(N 1)
Teniendo en cuenta que la u

nica herramienta aplicable es Chebychev,
pb
N n
k < p < pb +
p(1 p)
n(N 1)
N n
k
p(1 p)
n(N 1)
1 k
siendo k = 1/k 2 . Entonces, podramos decir que un intervalo de confianza del (1

k )100 % para la proporcion de exitos de la poblacion vendra dado por
s
s
N n
N n
pb p(1 p)
k < p < pb + p(1 p)
k
n(N 1)
n(N 1)
pero esto no sirve de mucho pues como no conocemos el valor de p, no se pueden calcular
los lmites del intervalo. Para resolver este problema, se puede proceder de dos formas.
Una solucion consiste en aproximar el valor de p por el valor de la proporcion
muestral. Por tanto, un intervalo de confianza del (1 k )100 % para la proporcion
de exitos de la poblacion es
r
r
N n
N n
pb pb(1 pb)
k < p < pb + pb(1 pb)
k
n(N 1)
n(N 1)
Otro metodo consiste en utilizar como valor aproximado del producto p(1 p), su
maximo valor posible. As,
y = p(1 p) y = 1 2p = 0 p =
1
1
p(1 p) =
2
4
Entonces, un intervalo de confianza del (1 k )100 % para la proporcion de exitos

viene dado por
pb
1 N n
k < p < pb +
4 n(N 1)
1 N n
k
4 n(N 1)
Contraste
de hipotesis
15
Indice
15.1. Introducci
on . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 198
15.2. Las hip
otesis nula y alternativa . . . . . . . . . . . . . . . . . . 199
15.3. Metodologa . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 203
15.4. Nivel de significaci
on y regi
on crtica
. . . . . . . . . . . . . . 204
15.5. Valor-p . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 206

15.6. Potencia de un contraste . . . . . . . . . . . . . . . . . . . . . . 209
15.7. Contrastes para la media de una poblaci
on . . . . . . . . . . . 209
15.7.1. Varianza conocida . . . . . . . . . . . . . . . . . . . . . . . . . 210
15.7.1.1. Poblaci
on Madre Normal o n 30 . . . . . . . . . . 210
15.7.2. Varianza desconocida . . . . . . . . . . . . . . . . . . . . . . . 211
15.7.2.1. Poblaci
on Madre Normal . . . . . . . . . . . . . . . . 211
15.7.2.2. Poblaci
on Madre no Normal . . . . . . . . . . . . . . 213
15.8. Comparaci
on de medias
. . . . . . . . . . . . . . . . . . . . . . 213
15.8.1. Varianzas conocidas . . . . . . . . . . . . . . . . . . . . . . . . 213

15.8.2. Varianzas desconocidas e iguales . . . . . . . . . . . . . . . . . 213
15.8.3. Varianzas desconocidas y distintas . . . . . . . . . . . . . . . . 213
15.8.4. Muestras apareadas . . . . . . . . . . . . . . . . . . . . . . . . 214
15.9. Pruebas sobre proporciones . . . . . . . . . . . . . . . . . . . . 214
15.9.1. Diferencia de dos proporciones . . . . . . . . . . . . . . . . . . 215
15.10.Pruebas sobre varianzas . . . . . . . . . . . . . . . . . . . . . . 215
15.10.1.Una poblaci
on . . . . . . . . . . . . . . . . . . . . . . . . . . . 215
15.10.2.Comparacion de varianzas . . . . . . . . . . . . . . . . . . . . . 215
197
198
Estadstica
15.1.
Introducci
on
Con frecuencia, los problemas a los que nos enfrentamos no se refieren solo a la
estimacion de un parametro poblacional. Se nos puede plantear el problema de rechazar o
aceptar cierta hipotesis realizada sobre una poblacion, en base al estudio de una muestra
mas peque
na. Los procedimientos que conducen a la aceptacion o rechazo de una hipotesis
estadstica se enmarcan dentro de la llamada Teora de la Decision.
Una Hipotesis Estadstica es una afirmacion o conjetura acerca de una o mas poblaciones. Nunca se sabe con absoluta certeza la veracidad o falsedad de una hipotesis
estadstica, a no ser que se examine la poblacion entera. Esto, por supuesto, es poco
practico en la mayora de las ocasiones. En su lugar, se toma una muestra aleatoria de la
poblacion de interes, y se utilizan los datos de dicha muestra para obtener evidencias que
confirmen o no la hipotesis propuesta. La evidencia de la muestra que es inconsistente con
la hipotesis planteada conduce a un rechazo de la misma, mientras que la evidencia que
la apoya, conduce a su no rechazo.
Debe quedar claro que el dise
no de un procedimiento de decision debe llevarse a
cabo con la idea de la probabilidad de una conclusion equivocada. Por ejemplo, supongamos que la hipotesis planteada es que la fraccion, p, de artculos defectuosos en un
cierto proceso es de 0.10. El experimento consiste en observar una muestra aleatoria del
producto en cuestion. Supongamos, ademas, que se estudian 100 artculos y se encuentran 12 defectuosos. Es razonable concluir que esta evidencia no refuta la hipotesis de
que p = 0.10, y entonces esto puede conducir a su aceptacion. Sin embargo, tampoco
rebate que p = 0.12 o tal vez, incluso, que p = 0.15. Por tanto, debemos acostumbrarnos
a entender que la aceptaci
on de una hip
otesis implica tan s
olo que los datos no
proporcionan evidencia suficiente para rechazarla. Por otra parte, el rechazo
de una hip
otesis implica que la evidencia de la muestra la refuta. Dicho de otra
forma, el rechazo de una hip
otesis significa que la probabilidad de que dicha
hip
otesis sea cierta es muy peque
na. Por ejemplo, en la hipotesis de proporcion de
defectos, de una muestra de 100 artculos, 20 son defectuosos. Esto es una evidencia para
rechazar la hipotesis, pues si en realidad fuese p = 0.10, la probabilidad de obtener 20 o
mas artculos defectuosos es aproximadamente 0.0035. Con el peque
no riesgo de llegar a
una conclusion equivocada, parece logico rechazar la hipotesis de que p = 0.10.
Generalmente, en este tipo de problemas, si queremos respaldar un argumento, lo
que debemos intentar es rechazar el argumento contrario. Es decir, si queremos mostrar
una evidencia contundente a favor del argumento de que tomar cafe aumenta el riesgo de
15 Contraste de hip
otesis
199
infarto, la hipotesis a probar debe ser de la forma no hay aumento en el riesgo de infarto
al tomar cafe. Como resultado, el argumento se alcanza va rechazo. De igual forma, para
respaldar la afirmacion de que un tipo de medidor es mas preciso que otro, se prueba con
la hipotesis de que no hay diferencia en la exactitud de los dos tipos de medidores.
15.2.
Las hip
otesis nula y alternativa
La estructura de la prueba de hipotesis se formula utilizando el termino Hipotesis

Nula. Esto se refiere a cualquier hipotesis que se desee probar, y se representa por H0 .
El rechazo de H0 da como resultado la aceptacion de una Hipotesis Alternativa, que se
representa por H1 .
Una hipotesis nula referente a un parametro poblacional debe ser establecida de tal
forma que especifique un valor exacto del parametro, mientras que la hipotesis alternativa
admite la posibilidad de varios valores. De aqu que, si H0 es la hipotesis nula p = 0.5 para
una poblacion binomial, la hipotesis alternativa, H1 , sera una de las siguientes: p > 0.5,
p < 0.5 o p 6= 0.5.
Una hipotesis como la hipotesis nula anterior, p = 0.5, que especifica un valor
exacto del parametro se denomina simple, mientras que una hipotesis como cualquiera
de las hipotesis alternativas anteriores que no especifican un valor exacto del parametro
se denomina compuesta. Conviene observar que, seg
un lo dicho anteriormente no hay
diferencia entre el test H0 : p = 0.5 ; H1 : p > 0.5 y el test H0 : p 0.5 ; H1 : p > 0.5.
En ambos, aceptar H0 significa que no hay evidencia suficiente para creer que p > 0.5
y por tanto que H1 sea cierta. Rechazar la hipotesis nula significara, por el contrario,
que la proporcion p es superior a 0.5. As, por simplicidad, la hip
otesis nula se toma
siempre simple.
La hipotesis alternativa se clasifica como unilateral si conocemos en que direccion
puede ser falsa H0 (los casos H1 : p > 0.5 o H1 : p < 0.5) y bilateral si no podemos saber
la direccion (H1 : p 6= 0.5)
Para aclarar un poco los conceptos anteriormente expuestos, consideremos el siguien-
te ejemplo. Se sabe que, pasados 2 a

nos, cierto tipo de vacuna es eficaz solo en un 25 % de
los casos. Para verificar si una vacuna nueva y algo mas cara es mejor que la anterior para
proporcionar proteccion contra el mismo virus durante un periodo mas largo, se inyecta
en 20 personas elegidas al azar. Si mas de 8 de los que recibieron la nueva vacuna superan
el periodo de 2 a
nos sin contraer el virus, la nueva vacuna se considerara mejor que la
que se utiliza actualmente. El requisito de que el n
umero exceda de 8 es algo arbitrario,
200
Estadstica
pero parece razonable en el sentido de que representa una peque

na ganancia respecto a
las 5 personas que podra esperarse recibieran proteccion contra el virus, pasados 2 a
nos,
si a las 20 personas se les hubiera inyectado la vacuna antigua. La hipotesis alternativa
es la de que la nueva vacuna es mejor que la antigua. Esto equivale a probar la hipotesis
de que el parametro binomial para la probabilidad de un exito en un intento es p = 1/4,
contra la alternativa de que p > 1/4. Por lo general, esto se escribe como sigue:
H0 : p = 1/4
H1 : p > 1/4
Recordemos que, en realidad, queremos rechazar la hipotesis nula de que las dos
vacunas son iguales. El estadstico de prueba sobre el cual se basa la decision es X,
la cantidad de individuos en el grupo de prueba que reciben proteccion contra el virus
con la nueva vacuna, para un periodo de al menos 2 a
nos, es decir X B(20, p). Los
posibles valores de X, de 0 a 20, se dividen en dos grupos: aquellos valores menores o
iguales que 8, y los que son mayores que 8. Todos los posibles valores mayores que 8
constituyen la llamada Region Crtica o de Rechazo, y todos los valores menores o iguales
que 8 constituyen la Region de Aceptacion. El u
ltimo valor que se tiene en la region de
aceptacion antes de pasar a la region crtica (en este caso el 8), recibe el nombre de Valor
Crtico. Por tanto, si x > 8, se rechaza H0 en favor de la hipotesis alternativa H1 . Si x 8
se acepta H0 , siendo x el valor de X observado en la muestra.
El procedimiento de decision que hemos descrito podra conducir a cualquiera de dos

conclusiones erroneas. Por ejemplo, la nueva vacuna puede no ser mejor que la antigua y, en
particular para el grupo de individuos seleccionados aleatoriamente, mas de 8 sobrepasan
el periodo de 2 a
nos sin contraer el virus. Estaramos cometiendo el error de rechazar H0
cuando realmente es cierta. De igual forma, podra ocurrir que 8 o menos individuos del
grupo de prueba sobrepasan el periodo de 2 a
nos con exito, y se concluye que la nueva
vacuna no es mejor, cuando en realidad s lo es. Estaramos aceptando H0 , cuando en
realidad es falsa.
Se dice que se ha cometido un error tipo I, cuando se rechaza la hipotesis nula siendo
esta verdadera.
Se dice que se ha cometido un error tipo II, cuando se acepta la hipotesis nula siendo
esta falsa.
La probabilidad de cometer un error tipo I se llama Nivel de Significacion o tama

no
de la region crtica, y se representa por . En ejemplo anterior,
15 Contraste de hip
otesis
201

= P (error tipo I) = P Rechazar H0
=
H0 es cierta

X
20

= P X > 8
P [B(20, 1/4) = x] = 0.0409
=
p = 1/4
x=9
Se dice, entonces, que la hipotesis nula, p = 1/4, se esta probando con un nivel de
significacion de = 0.0409. Este nivel de significacion es bastante peque
no, por tanto,
es poco probable que se cometa un error tipo I. Es decir, es poco probable que mas de
8 individuos se mantengan inmunes al virus durante 2 o mas a
nos utilizando una nueva
vacuna que, en realidad, es equivalente a la que ya existe en el mercado.
La probabilidad de cometer un error tipo II, representado por , es imposible de
calcular a no ser que se tenga una hipotesis alternativa especfica. Si se prueba la hipotesis
nula de que p = 1/4 en contraposicion con la hipotesis alternativa de que p = 1/2, entonces
estamos en condiciones de calcular la probabilidad de aceptar H0 cuando en realidad es
falsa. Simplemente hay que calcular la probabilidad de obtener 8 o menos individuos en
el grupo de prueba que sobrepasen el periodo de 2 a
nos, cuando p = 1/2. Es decir,

= P (error tipo II) = P Aceptar H0
=
H0 es falsa

X
8

= P X 8
=
P [B(20, 1/2) = x] = 0.2517
p = 1/2
x=0
Esta
es una probabilidad bastante grande, lo que indica un procedimiento de prueba
con el cual es muy probable que se rechace la nueva vacuna cuando, en realidad, es
superior a la que se utiliza en la actualidad. En una situacion ideal, sera preferible utilizar
un procedimiento con el que ambos tipos de error fuesen peque
nos. Siempre es posible
disminuir el valor de , incrementando el tama
no de la region crtica. Por ejemplo, veamos
que ocurre con y cuando tomamos como valor crtico 7. Ahora, al probar p = 1/4
contra la hipotesis alternativa de que p = 1/2, se encuentra que
202
Estadstica
= P (error tipo I) = P
= P

Rechazar H0
=
H0 es cierta

X
20

X > 7
P [B(20, 1/4) = x] = 0.1018
=
p = 1/4
x=8

=
H0 es falsa
= P

X
7

X 7
=
P [B(20, 1/2) = x] = 0.1316
p = 1/2
x=0
Al adoptar un nuevo procedimiento de decision, se reduce la probabilidad de cometer

un error tipo II, a expensas de incrementar la probabilidad de cometer un error tipo I.
Para una muestra de tama
no fijo, la disminucion en la probabilidad de un tipo de error
casi siempre resulta en un aumento en la probabilidad del otro tipo de error. Sin embargo,
se puede reducir la probabilidad de cometer ambos tipos de error, aumentando el tama
no
de la muestra. Por ejemplo, supongamos que inyectamos la nueva vacuna a 100 individuos
tomados aleatoriamente. Si mas de 36 del grupo de muestra sobrepasan el periodo de 2
a
nos, se rechaza la hipotesis nula de que p = 1/4 y se acepta la hipotesis alternativa de
que p = 1/2.
Para determinar la probabilidad de cometer un error tipo I, utilizamos la aproximacion de la curva normal con
1
= np = 100 = 25
4
Tipificamos la normal
Z=
npq =
100
1 3
= 4.33
4 4
36.5 25
X
=
= 2.66
4.33
entonces
= P (error tipo I) = P

= P X > 36
p = 1/4

=
Rechazar H0
H0 es cierta
P (Z > 2.66) = 0.0039
Para determinar la probabilidad de cometer un error tipo II, utilizamos de nuevo la

aproximacion de la curva normal con
15 Contraste de hip
otesis
203
Figura 15.1: Representacion esquematica de la probabilidad de cometer errores de tipo I

y II en un contraste de hipotesis.
r
1
1 1
= np = 100 = 50 y = npq = 100 = 5

2
2 2
Tipificamos la normal
X
36.5 50
Z=
=
= 2.70
5
entonces

=
H0 es falsa
= P

X 36
P (Z < 2.70) = 0.0035
p = 1/2
En la figura 15.1 se muestra un esquema de los errores tipo I y tipo II correspondientes al ejemplo anterior.
15.3.
Metodologa
Para establecer y realizar un contraste de hipotesis sobre un parametro poblacional,

, se realizan los siguientes pasos:
1. Definir las hipotesis nula H0 y alternativa H1 . Recordamos que la hipotesis nula
siempre la consideramos simple (H0 : = 0 ).
b que permita medir si existe discrepancia entre los
2. Considerar un estadstico, ,
datos muestrales y la hipotesis H0 . Para ello, es necesario conocer la distribucion de
este estadstico bajo la suposicion de que H0 es cierta.
204
Estadstica
3. Definir la region crtica del test, es decir, especificar que valores del estadstico consideramos inadmisibles para asumir H0 . Esta especificacion se cuantifica en terminos
de probabilidades: nos interesa saber cuando la diferencia entre el valor esperado
del estadstico bajo la hipotesis H0 y su valor obtenido para la muestra (lo que se
conoce como disparo) es demasiado grande para poder atribuirse al azar.
b y
4. Tomar una muestra, calcular el valor que toma el estadstico en la muestra, ,
tomar una decision seg
un su valor caiga o no en la region crtica.
Lo que debe especificarse al definir un contraste de hipotesis es, por tanto, el estadstico que vamos a utilizar y la region crtica. En gran parte de los casos, la eleccion del
estadstico o es evidente (la media muestral, por ejemplo, si las hipotesis se refieren al valor medio de una cantidad) o este resulta ser estandar, y por tanto conocido de antemano
para un determinado tipo de problema (como el estadstico de Pearson que estudiaremos
posteriormente en los contrastes de bondad del ajuste).
La eleccion de la region crtica se hace de acuerdo al interes que tengamos en minimizar el error de tipo I. Para reducir la posibilidad de un error de tipo II deberemos jugar
con el tama
no de la muestra.
15.4.
Nivel de significaci
on y regi
on crtica
Tradicionalmente la region crtica de un contraste se determina fijando de antemano

b La region
un nivel de significacion . Supongamos un contraste basado en un estadstico .
b que consideramos tan poco probables como
crtica sera el conjunto de posibles valores de
para rechazar H0 . Llamemos a esta region Dc , de tal modo que rechazaremos H0 si el valor
b obtenido en el muestreo b Dc .
de
Recordando la definicion del nivel de significacion:
Podemos reescribir:

= P Rechazar H0
H0 es cierta
=P

b

Dc
H0 es cierta
Recordemos que es posible calcular esta probabilidad ya que conocemos la distrib bajo la suposicion de que H0 es cierta. As, fijado de antemano
bucion del estadstico
el nivel de significacion podremos obtener de la ecuacion anterior la region crtica Dc .

Basta entonces tomar la decision:
15 Contraste de hip
otesis
205
Si b Dc se rechaza la hipotesis H0
En caso contrario no existe evidencia suficiente que permita rechazar H0 , para el

nivel de significacion prefijado.
En general, en este curso vamos a trabajar solo con tres tipos de contrastes, para
los cuales la relacion entre el nivel de significacion y la region crtica es (Fig. 15.2):
Contraste bilateral
Contraste
H0 : = 0
H1 : 6= 0
Calculo de la Region Crtica
/2 = P
/2 = P
Decision
< a1
= a1
= 0

b > a2
= a2
= 0
RC = (, a1)(a2, +)
Si b < a1 o b > a2 = Rechazo H0 en favor de H1

Si a1 < b < a2
= No Rechazo H0
Contraste unilateral por la derecha

Contraste
H0 : = 0
H1 : > 0

b
= P > a
= 0
RC = (a, +)
206
Estadstica
Decision
Si b > a = Rechazo H0 en favor de H1
Si b < a = No Rechazo H0
Contraste unilateral por la izquierda

Contraste
H0 : = 0
H1 : < 0

b < a
=P

= 0
RC = (, a)
Decision
Si b < a = Rechazo H0 en favor de H1

Si b > a = No Rechazo H0
Este mecanismo basado en la fijacion de un nivel de significacion no es completamente satisfactorio y, en la actualidad, se prefiere el enfoque basado en lo que se conoce
como Valor-p de un contraste. Antes de definirlo conviene detenerse en las limitaciones
del enfoque anterior.
El resultado del test depende enormemente de la eleccion del nivel . As, es posible
rechazar H0 con un = 0.05 y, sin embargo no hacerlo si = 0.045. De hecho, con este
enfoque, no queda constancia del grado de evidencia que la muestra indica a favor o en
contra de H0 . En la figura 15.3 se muestran dos disparos que conduciran al rechazo de
H0 aunque, claramente, la evidencia de este rechazo es muy distinta.
15.5.
Valor-p
b para el que hemos

Supongamos un contraste de hipotesis basado en un estadstico
b Se define Valor-p del contraste
obtenido un disparo, o valor estimado en la muestra, de .
como:
15 Contraste de hip
otesis
207
Figura 15.2: Region crtica para un nivel de significacion . (a): contraste bilateral, (b):
contraste unilateral por la derecha, (c): contraste unilateral por la izquierda. En todos los
b cuando H0 es cierta, es decir cuando
casos se ha dibujado la distribucion del estadstico
= 0
208
Estadstica
Rechazo
Figura 15.3: Dos disparos que conducen al rechazo de la hipotesis H0 . Claramente la

evidencia para este rechazo es muy distinta en ambos casos.

b

b
Contraste bilateral
Valor-p = P ||
H0 es cierta

b b
Valor-p = P

b b
Valor-p = P

H0 es cierta
H0 es cierta
La relacion del Valor-p con el nivel de significacion es evidente: seg

un el enfoque
anterior, no rechazaramos H0 para ning
un nivel de significacion menor que el Valor-p.
Habitualmente, el criterio basado en el Valor-p es como sigue:
1. Si Valor-p 0.2 se considera que no existe evidencia estadstica para rechazar la
hipotesis H0 .
2. Si Valor-p 0.01 se considera que la evidencia es mas que suficiente para rechazar
H0 en favor de H1 .
3. Si 0.01 Valor-p 0.2 la aceptacion o rechazo de H0 dependera de la confianza
que tengamos a priori en la hipotesis H0 . Normalmente se rechaza H0 si el Valor-p

es menor que 0.1
15 Contraste de hip
otesis
15.6.
209
Potencia de un contraste
La potencia de un contraste se define en terminos de la probabilidad de cometer un

error de tipo II (es decir, aceptar H0 siendo falsa): un test es tanto mas potente cuanto
menor sea esta probabilidad.
Ya hemos visto que para calcular la probabilidad de error de tipo II necesitamos
una hipotesis alternativa H1 completamente especificada. Si nuestro contraste se refiere a
alg
un parametro poblacional, , deberemos especificar su valor.
Se define la funci
on o curva de operacion caracterstica (O.C.) de un contraste, (),
como (Fig 15.4.a):

() = P (error tipo II) = P Aceptar H0
= P Aceptar H0
H0 es falsa
Si el valor de se toma como aquel que especifica la hipotesis nula 0 , (0 ) sera la
probabilidad de aceptar H0 cuando esta es cierta y, por tanto, esta relacionada con el
nivel de significacion mediante la igualdad:
(0 ) = 1
Para cualquier otro valor de se obtiene la probabilidad de error de tipo II si la
hipotesis alternativa H1 especifica dicho valor para el parametro.
Se define la funci
on o curva de potencia de un contraste como (Fig 15.4.b)
P otencia() = 1 () = P

Rechazar H0
= P Rechazar H0
H0 es falsa
Observese que para dos contrastes con igual nivel de significacion, el de mayor potencia es aquel en el que es menos probable cometer un error de tipo II.
Como se ha visto en el ejemplo anterior una posible manera de aumentar la potencia
de un contraste es aumentar el tama
no muestral.
15.7.
Contrastes para la media de una poblaci

on
Vamos a establecer en esta seccion una serie de contrastes relacionados con el valor
de la media de una poblacion. Los estadsticos que vamos a emplear han sido estudiados
en el captulo dedicado a las distribuciones en el muestreo.
210
Estadstica
15.7.1.
Varianza conocida
Supongamos una P.M. de media y varianza conocida. Sabemos que la distribucion en el muestreo del estadstico media muestral
n
es
x
15.7.1.1.
N , / n
? (, /n )
1X
x =
xi
n i=1
si la poblacion madre es normal N(, ) o n 30
si la poblacion madre es ? (, )
Poblaci
on Madre Normal o n 30
Contraste bilateral
H0 : = 0
H1 : 6= 0
Empleando la notacion zp para el cuantil 1 p de una normal estandar N(0, 1) (es
decir, zp es el valor para el que la funcion de distribucion vale p o, dicho de otro

modo, que deja una probabilidad 1 p a su izquierda) tenemos, para un nivel de
significacion

x 0
< z/2 = 1
P z/2 <
/ n
y, por tanto, una region de aceptacion (0 z/2 / n, 0 + z/2 / n). Tomando el

valor muestral de x rechazaremos H0 si obtenemos un valor fuera de este intervalo
y deberemos aceptarla en caso contrario. El nivel crtico del test, o Valor-p, sera

x 0
Valor-p = P |N(0, 1)| >
/ n
H0 : = 0
H1 : > 0
El contraste es completamente analogo al anterior salvo que ahora la region de
aceptacion no esta limitada por la izquierda. Tenemos ahora que

x 0
< z = 1
P
/ n
15 Contraste de hip
otesis
211
y, por tanto, una region de aceptacion (, 0 + z / n). El nivel crtico del test,
o Valor-p, sera ahora

x 0
Valor-p = P N(0, 1) >

/ n
H0 : = 0
H1 : < 0

x 0
> z = 1
P
/ n
y la region de aceptacion es (0 z / n, +). El nivel crtico del test, o Valor-p,

sera ahora

x 0
Valor-p = P N(0, 1) <

/ n
En ambos casos (prueba bilateral o unilateral), el tama

no de la muestra n puede
fijarse con alguna suposicion a
nadida. Lo mas habitual es obligar a que, dada una hipotesis
alternativa determinada H1 : = 0 + , el error de tipo II sea menor que una cantidad
prefijada.
Es facil demostrar que se obtiene una potencia 1 para un tama
no muestral
(z + z )2 2
si la prueba es unilateral
(z + z )2 2
/2
si la prueba es bilateral
2
15.7.2.
Varianza desconocida
15.7.2.1.
Poblaci
on Madre Normal
En el caso de que desconozcamos la varianza de la poblacion madre, pero esta sea

N(, ), hemos visto que
x
tn1
s/ n
siendo tn1 una variable t de Student con n 1 grados de libertad.

Contraste bilateral
212
Estadstica
H0 : = 0
H1 : 6= 0
Empleando la notacion tp para el cuantil 1 p de una t de Student con n-1 grados
de libertad tn1 tenemos, para un nivel de significacion

x 0
< t/2 = 1
P t/2 <
s/ n
y, por tanto, una region de aceptacion (0 t/2 s/ n, 0 + t/2 s/ n). Tomando el

valor muestral de x rechazaremos H0 si obtenemos un valor fuera de este intervalo
y deberemos aceptarla en caso contrario. El nivel crtico del test, o Valor-p, sera

x 0
Valor-p = P |tn1 | >
s/ n
H0 : = 0
H1 : > 0
Tenemos ahora que

x 0
< t = 1
P
s/ n
y, por tanto, una region de aceptacion (, 0 + t s/ n). El nivel crtico del test,
Valor-p = P
tn1
x 0
>
s/ n

H0 : = 0
H1 : < 0
Tenemos ahora que

x 0
> t = 1
P
s/ n
y, por tanto, una region de aceptacion (0 t s/ n, +). El nivel crtico del test,

Valor-p = P
tn1
x 0
<
s/ n
15 Contraste de hip
otesis
15.7.2.2.
213
Poblaci
on Madre no Normal
Incluso en el caso de que la poblacion madre no sea normal, en virtud del teorema
central del lmite, para valores grandes de n (n > 30) podemos utilizar la aproximacion
x
= N(0, 1)
s/ n
15.8.
Comparaci
on de medias
A partir de esta seccion no seremos exhaustivos en la presentacion de los contrastes,

sino que nos limitaremos a considerar el estadstico mas apropiado y su distribucion. El
mecanismo para construir el contraste a partir de esta informacion es siempre igual.
Sean dos muestras de tama
nos n y m sacadas de dos poblaciones normales con
medias x y y y varianzas x y y respectivamente. La hipotesis nula del contraste sera
H0 : x y = d 0
15.8.1.
Varianzas conocidas
El estadstico relevante es
(
x y) (x y )
r
N (0, 1)
x2 y2
+
n
m
15.8.2.
Varianzas desconocidas e iguales

s
15.8.3.
donde,
(
x y) (x y )
tn+m2
r
2
2
(n 1)sx + (m 1)sy 1
1
+
n+m2
n m
Varianzas desconocidas y distintas

(
x y) (x y )
r
= t
s2x s2y
+
n
m
214
Estadstica
(A + B)2
=
B2
A2
+
n1 m1
15.8.4.
s2y
s2x
A=
, B=
n
m
Muestras apareadas
El anterior enfoque para la comparacion de medias no es completamente satisfactorio. En algunos casos podemos sospechar que las muestras tomadas independientemente
de las dos poblaciones no han sido hechas bajo las mismas condiciones, lo que falseara
el resultado del contraste. esto es especialmente relevante si la poblaciones presentan una
gran variabilidad, lo que suele ser indicativo de que existen muchos factores que pueden
influir en sus parametros.
Una manera de evitar este problema es tomar, si se puede, muestras apareadas:
medidas realizadas por pares en situaciones lo mas semejantes posibles. Por ejemplo, para
medir la eficacia de dos marcas de neumaticos conviene tomar medidas de los neumaticos
montados sobre el mismo vehculo, con lo que eliminaremos la variabilidad debida a los
distintos conductores, amortiguadores, mecanica etc.
En un proceso de medida apareado obtenemos n pares de valores x1,i , x2,i referidos
a las dos poblaciones 1 y 2. Se toma el valor yi = x1,i x2,i del estadstico diferencia D.
Si D y sD son su media y desviacion muestral respectivamente, el estadstico
T =
D
D
tn1
sD / n
La hipotesis nula para este contraste se reduce a

H0 : D = d0
En la tabla 15.1 se encuentra un esquema de los contrastes relativos a medias
15.9.
Pruebas sobre proporciones
El n
umero de elementos de una poblacion que presentan una determinada caracterstica sigue una distribucion binomial, como sabemos. Si X es una variable binomial
B(n, p), la proporcion de elementos de la poblacion que presentan la caracterstica deseada sera su valor medio dividido por n. Para n grande, la variable binomial se aproxima a
una normal, por lo que salvo en el caso de poblaciones peque
nas (n < 30) los contrastes
de proporciones son analogos a los referidos a las medias de una poblacion.
15 Contraste de hip
otesis
215
En el caso de poblaciones peque

nas se procede como en el ejemplo que abre este
captulo, manejando directamente el estadstico media de una variable binomial.
15.9.1.
Diferencia de dos proporciones
Si tenemos dos poblaciones y queremos medir si la diferencia de proporciones p1 p2
de una caracterstica determinada en ellas es 0 se emplea el estadstico

pb1 pb2
Z=p
N(0, 1)
pe(1 pe)(1/n1 + 1/n2 )
donde
x1 + x2
n1 + n2
siendo x1 y x2 el n
umero de elementos de cada muestra que presentan la caracterstica.
pe =
15.10.
Pruebas sobre varianzas
15.10.1.
Una poblaci
on
Tomando una muestra de tama

no n de una poblacion madre normal de varianza 2 ,
se cumple para la varianza muestral s2
(n 1)s2
2n1
2
15.10.2.
Comparaci
on de varianzas
Dadas dos muestras de tama

nos n y m de dos poblaciones normales de varianzas x
y y respectivamente
s2x /x2
Fn1,m1
s2y /y2
siendo s2x y s2y la varianza muestral de cada poblacion.
216
Estadstica
Figura 15.4: Dada la hipotesis nula H0 : p = 1/4. Curva de operacion caracterstica para
las hipotesis alternativas (a1) H1 : p 6= 1/4; (a2) H1 : p > 1/4; (a3) H1 : p < 1/4. Curva
de potencia para las hipotesis alternativas (b1) H1 : p 6= 1/4; (b2) H1 : p > 1/4; (b3)
H1 : p < 1/4
15 Contraste de hip
otesis
217
Cuadro 15.1: Pruebas relativas a medias

H0
Valor del estadstico de prueba
= 0
x 0
; conocida
z=
/ n
= 0
1 2 = d0
1 2 = d0
x 0
; =n1
t=
s/ n
desconocida
z=p
(
x1 x2 ) d0
(12 /n1 ) + (22 /n2 )

1 y 2 conocidas
(
x1 x2 ) d0
t= p
sp (1/n1 ) + (1/n2 )
= n1 + n2 2, 1 = 2
pero desconocida,
s2p =
(n1 1)s21 + (n2 1)s22

n1 + n2 2
(
x1 x2 ) d0
t= p 2
(s1 /n1 ) + (s22 /n2 )
1 2 = d0
(s21 /n1 + s22 /n2 )2

(s21 /n1 )2 (s22 /n2 )2
+
n1 1
n2 1
1 6= 2 y desconocidas
D = d0
d d0
; =n1
t=
sd / n
observaciones apareadas
H1
Region crtica
< 0
z < z
> 0
z > z
6= 0
|z| > z/2
> 0
t > t
6= 0
|t| > t/2
1 2 > d0
z > z
1 2 6= d0
|z| > z/2
1 2 < d0
t < t
1 2 > d0
t > t
1 2 6= d0
|t| > t/2
1 2 < d0
t < t
1 2 > d0
t > t
1 2 6= d0
|t| > t/2
D < d0
t < t
D > d0
t > t
D 6= d0
|t| > t/2
< 0
1 2 < d0
t < t
z < z
218
Estadstica
16
Contrastes
no parametricos
Indice
16.1. Contraste 2 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 220
16.1.1. Prueba de bondad del ajuste . . . . . . . . . . . . . . . . . . . 221
16.1.1.1. Hipotesis simple . . . . . . . . . . . . . . . . . . . . . 221
16.1.1.2. Hipotesis compuesta . . . . . . . . . . . . . . . . . . . 221
16.1.2. Prueba de homogeneidad . . . . . . . . . . . . . . . . . . . . . 222
16.1.3. Prueba de independencia . . . . . . . . . . . . . . . . . . . . . 223
16.2. Contraste de Kolmogorov-Smirnov . . . . . . . . . . . . . . . . 223
16.3. Otros contrastes no param
etricos . . . . . . . . . . . . . . . . . 224
16.3.1. Contrastes de posici
on . . . . . . . . . . . . . . . . . . . . . . . 224
16.3.1.1. Test de los signos . . . . . . . . . . . . . . . . . . . . 225
16.3.1.2. Test de Wilcoxon de los rangos signados . . . . . . . . 226
16.3.1.3. Test de la mediana . . . . . . . . . . . . . . . . . . . . 227
16.3.1.4. Test de Mann-Whitney . . . . . . . . . . . . . . . . . 227
16.3.2. Contrastes de independencia . . . . . . . . . . . . . . . . . . . 228
16.3.2.1. Test de Kendall . . . . . . . . . . . . . . . . . . . . 228
16.3.2.2. Test del coeficiente de correlaci
on entre rangos o test
de Spearman . . . . . . . . . . . . . . . . . . . . . . . 229
16.3.2.3. Test de rachas . . . . . . . . . . . . . . . . . . . . . . 229
16.4. Ejemplos . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 230
219
220
Estadstica
En el captulo anterior hemos manejado contrastes parametricos, es decir, aquellos
en los que se estudia la veracidad de hipotesis acerca de los parametros de los que depende
la distribucion de una poblacion. En muchas otras ocasiones es necesario emitir un juicio
sobre la distribucion poblacional en su conjunto. Los problemas mas habituales que suelen
plantearse son los siguientes:
Decidir, a la vista de una muestra aleatoria de una poblacion, si puede admitirse
que esta sigue una cierta distribucion dada N(0,1), Poisson(5), etc.) o bien pertenece a un cierto tipo de distribuciones (es normal, exponencial, geometrica, etc.).
Los contrastes que dilucidan esta cuestion se denominan de bondad del ajuste.
Analizar si varias muestras aleatorias provienen de poblaciones con la misma distribucion teorica, de forma que puedan utilizarse conjuntamente para inferencias
posteriores sobre esta o si, por el contrario, son muestras de poblaciones con
distinta distribucion. Es el problema de la homogeneidad de varias muestras.
Estudiar, en el caso de que se observen dos o mas caractersticas de los elementos
de la poblacion (de forma que la distribucion teorica no sea unidimensional) si las

caractersticas observadas pueden ser consideradas independientes y proceder a
su analisis por separado o, por el contrario, existe relacion estadstica entre ellas.
Cualquiera de estos problemas se denominan no parametricos ya que no se trata de
decidir entre distribuciones F que solo se diferencian en el valor del parametro . As, por
ejemplo, si queremos probar una hipotesis nula como que la distribucion es Exp( = 5)
la hipotesis alternativa contiene a todas las distribuciones continuas y no solo a las
exponenciales con otro valor de su parametro .
16.1.
Contraste 2
Reciben este nombre los contrastes basados en el estadstico de Pearson. Omitiremos

la justificacion teorica, algo complicada, del proceder para su calculo as como de la
obtencion de su distribucion.
16 Contrastes no param
etricos
221
16.1.1.
Prueba de bondad del ajuste
16.1.1.1.
Hip
otesis simple
Supongamos una muestra aleatoria simple de tama

no n de una distribucion desconocida F . Tratamos de contrastar si puede aceptarse la hipotesis H0 : F = F0 , donde F0
es una distribucion conocida completamente especificada, es decir, de la que conocemos todos y cada uno de los parametros de los que depende (la media y la desviacion en
el caso de una normal, el valor del parametro en el caso de una exponencial, etc.). El
procedimiento a seguir es el siguiente:
1. Se divide el recorrido de la distribucion poblacional en k conjuntos disjuntos o clases:
A1 , A2 , , Ak
2. Se calcula el n
umero ni de elementos de la muestra observados en cada clase Ai .
3. Se calcula el n
umero ni,esp de elementos esperados en cada clase si la hipotesis H0
es cierta. Para ello, basta multiplicar la probabilidad que la distribucion F0 asigna
a cada clase por el n
umero de elementos de la muestra.
IMPORTANTE. Solo puede realizarse el contraste si cada uno de los ni,esp es
mayor o igual a 5. En caso contrario, se unen varias clases Aj hasta conseguirlo. En
lo que sigue supondremos que el n
umero de clases k en las que hemos descompuesto
el recorrido de la distribucion teorica es el resultado de esta operacion: entre las k
clases no hay ninguna con ni,esp < 5.
4. Se realiza el test empleando el estadstico de Pearson:
D=
k
X
(ni ni,esp )2
i=1
ni,esp
que, en las condiciones antes citadas, sigue una distribucion 2 con k 1 grados de
libertad. (La region crtica es de la forma D > c).
16.1.1.2.
Hip
otesis compuesta
Supongamos ahora (lo que suele ser mas habitual) que la hipotesis a contrastar especifica una familia de distribuciones de forma funcional dada pero dependiente de algunos
parametros no especificados (por ejemplo, suponemos que nuestra poblacion es normal
de media 1 pero desconocemos la desviacion o, suponiendo que es normal, no conocemos
222
Estadstica
ni la media ni la desviacion, etc.). En este sentido se dice que la hipotesis nula es ahora
compuesta pues unifica varias hipotesis simultaneamente. Una posibilidad para resolver
el problema es tomar varias muestras: con las primeras estimamos los parametros y con
la u
ltima realizamos el contraste 2 anterior. Sin embargo, es posible (y mas conveniente
en muchos casos) realizar el estudio empleando una u
nica muestra. El procedimiento a
seguir en este segundo caso es:
1. Se estiman los parametros a partir de la muestra empleando el criterio de m
axima verosimilitud.
2. Se repite el proceso anterior con la salvedad de que ahora la distribucion del estadstico D de Pearson es una 2 con k 1 grados de libertad, siendo el
n
umero de parametros que hemos estimado.
16.1.2.
Prueba de homogeneidad
Supongamos que se dispone de m muestras aleatorias simples de otras tantas poblaciones cuyos tama
nos son, respectivamente, n1 , n2 , , nm . A partir de estos datos se desea
decidir si la distribucion poblacional es la misma en todos los casos y, por consiguiente,
se dispone de una muestra de tama

no n = n1 + n2 + + nm de una u
nica distribucion
o, por el contrario, se trata de poblaciones heterogeneas con diferentes distribuciones.
Nuevamente, el conjunto de posibles valores de las observaciones se divide en k clases

disjuntas: A1 , A2 , , Ak . Si llamamos nij al n
umero de observaciones de la muestra i
que pertenecen a la clase Aj podemos construir la siguiente tabla de contingencia:
Muestra
A1
A2
n11
n12
2
..
.
n21
..
.
n22
..
.
nm1
nm2
Total
n1
n2
Ak
Total
n1k
n1
n2k
..
.
n2
..
.
nmk
nm
..
.
nk
donde ni es la suma de los elementos de la fila i y nj es la suma de la columna j.

El contraste se realiza recurriendo al estadstico
D=
m X
k
X
(nij ni nj /n)2
ni nj /n
i=1 j=1
que sigue una distribucion 2 con (m 1)(k 1) grados de libertad.
etricos
16.1.3.
223
Prueba de independencia
Supongamos que de n elementos de una poblacion se han observado dos caractersticas X e Y , obteniendose una muestra aleatoria simple bidimensional (x1 , y1 ), (x2 , y2),
,(xn , yn ). Sobre la base de dichas observaciones se desea contrastar si las caractersticas
poblacionales X e Y son independientes o no.
Para ello se divide el conjunto de posibles valores de X en k clases disjuntas A1 ,

A2 , , Ak y los de Y en r clases disjuntas B1 , B2 , , Br . Al clasificar los elementos
de la muestra aparecera un cierto n

umero de ellos , nij , en cada una de las k r clases
constituidas, dando lugar a una tabla de contingencia de la forma:

B1
B2
A1
n11
n12
A2
..
.
n21
..
.
n22
..
.
Ak
nk1
nk2
Total
n1
n2
Br
Total
n1r
n1
n2r
..
.
n2
..
.
nkr
nk
..
.
nr
El contraste se realiza mediante el estadstico

k X
r
X
(nij ni nj /n)2
D=
ni nj /n
i=1 j=1
que sigue una distribucion 2 con kr 1 grados de libertad.
Tanto en este caso como en el anterior la region crtica del test es de la forma D > c.
16.2.
Contraste de Kolmogorov-Smirnov
El contraste K-S es una contraste de bondad del ajuste valido u

nicamente para
distribuciones continuas. No es conveniente su uso cuando hay que estimar parametros ya
que la distribucion del estadstico es entonces solo aproximada. La hipotesis nula de este
contraste es que la muestra proviene de una distribucion continua F0 (x). El procedimiento
para construir el contraste es:
1. Se ordenan los n valores muestrales de forma que
x1 x2 x3 xn
224
Estadstica
2. Se calcula la funcion de distribucion emprica de la muestra , Fn (x), con:
r
Fn (x) =
x < x1
xr x xr + 1
x xn
3. Se calcula la discrepancia maxima entre la funcion de distribucion emprica y la

teorica F0 (x) con el estadstico
n = max |Fn (x) F0 (x)|
cuya distribucion es conocida y esta tabulada seg
un los valores de n.
Para realizar correctamente el contraste hay que calcular para cada punto muestral
xh el valor
n (xh ) = max{|Fn (xh1 ) F0 (xh )| , |Fn (xh ) F0 (xh )|}
El maximo de los n valores as obtenidos es el estadstico n de KolmogorovSmirnov. La region crtica del test es de la forma n > c.
16.3.
Otros contrastes no param

etricos
16.3.1.
Contrastes de posici
on
En ocasiones solo nos interesa conocer, de una poblacion desconocida, su posicion

sobre la recta real, porque se da por supuesto que las condiciones en que se observa el
fenomeno solo pueden trasladar la distribucion sin deformarla. Ejemplos de este tipo de
situaciones pueden ser:
1. Una empresa cambia su horario de entrada, adelantandolo media hora, y se pregunta
si ello habra afectado a los retrasos de sus empleados. Los datos son aleatorios,
variando de da en da y de un empleado a otro, pero es aceptable pensar que la
forma de su distribucion no ha variado; el temor es que se haya desplazado hacia la
derecha, incrementandose el tiempo perdido.
etricos
225
2. Una comunidad ha modificado la procedencia del agua para consumo domestico.

Tras cierto tiempo, quiere comprobar si ello ha afectado a la concentracion de sodio
en la sangre de sus habitantes, en el sentido de que la distribucion de dicha concentracion se haya trasladado hacia uno u otro lado, mientras que la forma de la
distribucion se supone que no habra variado apenas.
3. Se desea saber si las ventas en dos establecimientos de la misma cadena son analogas.
Presumiblemente la forma de la distribucion de las ventas diarias sera similar para
ambas, as que el objetivo es detectar si una esta desplazada respecto a la otra.
Si no puede suponerse la normalidad de la poblacion madre (ya que entonces lo
adecuado es aplicar los contrastes parametricos sobre la media de una normal) es posible
abordar el problema de la posicion de la distribucion usando la mediana muestral.
16.3.1.1.
Test de los signos
Tenemos una distribucion continua desconocida F cuya mediana sera Me. Probaremos a contrastar la hipotesis nula
H0 : Me = m0
frente a alguna de las alternativas Me < m0 , Me > m0 o Me 6= m0 . El estadstico que se
emplea es
T = { N
umero de observaciones muestrales mayores que m0 }
que, si H0 es correcta, tiene una distribucion binomial B(n, 1/2), siendo n el tama
no de
la muestra.
S
La region crtica sera de la forma {T k}, {T k} o {T k} {T n k},
seg
un sea la hipotesis alternativa una de las rese
nadas arriba, y donde k puede fijarse
determinando un nivel crtico .
Si el tama
no muestral es apreciable (n > 20) puede aproximarse la distribucion
binomial por la normal correspondiente.
Seg
un la hipotesis de continuidad de la distribucion no deberan obtenerse valores
muestrales coincidentes con la mediana. En la practica esto puede ocurrir, siendo
aconsejable excluir tales valores, disminuyendo consecuentemente el tama

no de la
muestra.
226
Estadstica
Es facil generalizar este contraste para cualquier otro cuantil, cambiando el parametro p de la binomial.
Si tenemos datos apareados se puede aplicar el contraste a la diferencia de los
datos, siendo entonces m0 = 0. Este procedimiento nos dira si la mediana de las dos
muestras es igual o no.

16.3.1.2.
Test de Wilcoxon de los rangos signados
En el caso en que sepamos que la distribucion poblacional, ademas de continua, es

sim
etrica puede mejorarse el contraste anterior de la siguiente manera.
Si Di = xi m0 son las diferencias entre las observaciones muestrales y el valor a
contrastar para Me, se ordenan, en orden creciente, los valores absolutos |Di | y se anota
el rango (o lugar) r (|Di |) que cada uno ocupa en dicha ordenacion. El estadstico en
que se basa el test es la suma de los rangos de las observaciones mayores que m0 , cuya
distribucion, si H0 es cierta, se encuentra tabulada.
T+ =
Di >0
r (|Di |)
+
Si el tama
no muestral es apreciable
(n > 20) la distribucion del estad

stico T puede
p
aproximarse por la normal N n(n + 1)/4, n(n + 1)(2n + 1)/24 . En todo caso,
la distribucion de T + es simetrica en torno a n(n + 1)/4
Igual que antes, seg

un la hipotesis de continuidad de la distribucion, no deberan
obtenerse valores muestrales coincidentes con la mediana. En la practica esto puede
ocurrir, siendo aconsejable excluir tales valores, disminuyendo consecuentemente el

tama
no de la muestra.
Si tenemos datos apareados se puede aplicar el contraste a la diferencia de los
datos, siendo entonces m0 = 0. Este procedimiento nos dira si la mediana de las dos
muestras es igual o no.

Si se conoce la mediana poblacional este test se convierte en una prueba sobre la
hipotesis subyacente de que la distribucion es simetrica respecto a la mediana. As,
para tama
nos muestrales grandes, para los que la mediana muestral tiende al valor
de la mediana poblacional, puede usarse, sustituyendo m0 por el valor muestral de
la mediana, para contrastar la simetra de la distribucion.
etricos
16.3.1.3.
227
Test de la mediana
Los dos tests anteriores se refieren a la mediana de una u

nica poblacion y hacen uso
de una u
nica muestra (en el caso de los datos apareados la poblacion y la muestra que
interesan son las diferencias entre las parejas de datos). Sin embargo, con frecuencia se
plantean situaciones en las cuales hay que comparar dos poblaciones continuas y tratar
de detectar desplazamientos entre ambas distribuciones.
Supongamos, por tanto, dos muestras aleatorias simples: x1 , x2 , , xn e y1 , y2 , , ym
correspondientes a cada poblacion e independientes entre s. Si se ordenan conjuntamente
en orden creciente, la mediana z de la muestra combinada es el valor central, en el caso

de que n + m sea impar, y el promedio de los dos valores centrales en el caso de que n + m
sea par. El estadstico que se emplea es
T = N
umero de xi inferiores a z
Si Mex = Mey , es decir, si la hipotesis H0 es cierta, la distribucion de T es hipergeometrica
p
P (T = t) =
n+mp
nt
!
n+m
donde p es la parte entera de (n+ m)/2 y t puede variar entre max{0,

y min{n, p}.
p m}

p
Si n y m son grandes la distribucion de T es aproximadamente N n/2, nm/4(n + m) .
16.3.1.4.
Test de Mann-Whitney
Este contraste resuelve.el mismo caso que el anterior: detectar diferencias de posicion entre dos poblaciones continuas de las que tenemos dos muestras aleatorias simples.
El estadstico a utilizar es V , calculado como sigue:
1. Se ordenan conjuntamente, igual que en el caso anterior, las dos muestras en orden
creciente.
2. Para cada valor xi correspondiente a la primera muestra (que debe corresponder a
la de tama
no muestral menor) se cuenta el n
umero de valores de la segunda muestra
que hay por debajo de el.
3. V es la suma de los n
umeros calculados anteriormente.
228
Estadstica
Supongamos, por ejemplo, que al ordenar la muestra el resultado hubiera sido (cada x
representa un valor de la primera muestra y cada y uno de la segunda): xxyyxyyyxxyxxyx,

entonces
V = 0 + 0 + 2 + 5 + 5 + 6 + 6 + 7 = 31
La distribuci
este estadstico se halla
on dep
tabulada. Si n y m son grandes es, aproximadamente, N nm/2, nm(n + m + 1)/12 . En todo caso, la distribucion de V es simetrica
en torno a nm/2.
16.3.2.
Contrastes de independencia
Vamos a estudiar algunos contrastes para decidir sobre la independencia de dos

caractersticas poblacionales continuas X e Y cuya distribucion conjunta no sea normal
y que no estan basados en el contraste 2 .
En el caso de distribucion conjunta normal lo mas adecuado es realizar un contraste
parametrico sobre el coeficiente de correlacion.
16.3.2.1.
Test de Kendall
Supongamos un conjunto de n observaciones apareadas: (x1 , y1 ), (x2 , y2), , (xn , yn ).
Para calcular el estadstico T de Kendall se procede como sigue:
1. Se ordena la muestra seg

un la primera componente, de modo que x1 < x2 < < xn
2. Consideramos ahora la segunda componente de cada par as ordenado y ecribimos
su rango, es decir, el lugar que ocupa respecto del resto de valores de y. Obtenemos
entonces una sucesion de valores r1 , r2 , , rn donde rj lugar que ocupa la segunda
componente del par i-esimo en la ordenacion de estos valores.
3. Para cada valor de esta sucesion se cuenta cuantos de los valores posteriores a el
son mayores.
4. Se suman los n
umeros as obtenidos. Llamemos P a su valor.
5. T =
4P
1
n(n 1)
La distribucion de T esta tabulada y para n > 10 es aproximadamente

s
!
2(2n + 5)
N 0,
9n(n 1)
La region crtica de este contraste es de la forma {|T | > k}
etricos
16.3.2.2.
229
Test del coeficiente de correlaci

on entre rangos o test de Spearman
Supongamos de nuevo una muestra apareada de valores (xi , yi ). Este contraste

esta basado en el estadstico de Spearman, RS , que se calcula como sigue:
1. Se ordena la muestra seg
un los valores de la primera componente (en orden creciente
de esta).
2. Consideramos de nuevo el rango, rj , que corresponde al valor de la segunda componente y que ocupa el lugar j-esimo de esta ordenacion.
3. Calculamos U =
n
X
j=1
4. RS = 1
(rj j)2
6U
n(n2 1)
La distribucion de RS esta tabulada y para n > 10 es aproximadamente

1
N 0,
n1
16.3.2.3.
Test de rachas
Un problema de independencia distinto de los anteriores se plantea cuando existen

dudas acerca de que una muestra sea realmente aleatoria simple, es decir, que las sucesivas
observaciones hayan sido efectuadas independientemente. Condiciones de muestreo sin las
debidas garantas de aleatoriedad pueden afectar a la independencia de las observaciones
y dar al traste con la aplicacion de todos los metodos basados en el muestreo aleatorio
simple.
Supongamos una variable que solo puede tomar dos valores (digamos 0 y 1). Al
tomar una muestrta obtendremos sucesiones de la forma 0001101011110001.
Se llama racha a cada uno de los conjuntos de ceros consecutivos que se observan
hasta llegar a un 1 y a cada uno de los conjuntos de unos consecutivos que se observan
hasta llegar a un 0. La muestra anterior, por ejemplo, tiene 8 rachas.
Si R es el n
umero de rachas en una muestra que tiene n ceros y m unos (y por tanto
tama
no n + m) puede demostrarse que si la muestra es aleatoria
n1
P (R = 2r) = 2
r1
m1
n+m
n
r1
!
230
Estadstica
n1
P (R = 2r + 1) =
r1
m1
r
n+m
n
n1
!
m1
r1
con r min{n, m}.
Si n y m son grandes (superiores a 10) puede tomarse como distribucion de R

s
!
2nm
2nm(2nm n m)
N
+ 1,
(n + m)
(n + m)2 (n + m 1
S
La region crtica de este contraste es de la forma {R < k1 } {R > k2 }.
16.4.
Ejemplos
Ejemplo 1
Se ha estimado que el n
umero de accidentes diarios en una determinada carretera
sigue una distribucion de Poisson de parametro 2. Durante 200 das se han recogido los
siguientes datos:
n de accidentes
n de das
6 7
22 53 58 39 20 5
2 1
con los que se quiere contrastar si se ajusta a la distribucion indicada. Si la hipotesis es

cierta se espera un n
umero de das igual a 200 veces la probabilidad de que una Poisson
de parametro 2 valga 0, 1, 2, 3, 4, 5, 6 o 7:
Los valores esperados son:
n de accidentes
n esperado de das
27.06 54.14 54.14 36.08 18.04 10.54
donde se han agrupado las categoras correspondientes a 5 o mas accidentes para satisfacer
la condicion de que el n
umero esperado en cada categora sea mayor o igual a 5.
El estadstico D de Pearson vale
D=
5
X
(ni ni,esp)2
i=0
ni,esp
5
X
222
532
82
n2i
= n +
=
+
++
200 = 2.307
n
27.06 54.14
10.54
i=0 i,esp
etricos
231
cuya distribucion, si la hipotesis es correcta, es aproximadamente 2 con 5 grados de

libertad. Por ejemplo, P (25 > 7.29) = 0.2, de modo que solamente un valor de D superior
a 7.29 permitira, con nivel de significacion 0.2, afirmar que la distribucion de accidentes
no es una Poisson de parametro 2. El valor p del contraste realizado es superior a 0.7.
232
Estadstica
Ejemplo 2
Una maquina, en correcto estado de funcionamiento, fabrica piezas cuya longitud
se distribuye seg
un una N(10.5; 0.15). En determinado momento se observa la siguiente
muestra, de tama
no 40, de la longitud de las piezas producidas:
10.39 10.66 10.12 10.32 10.25 10.91 10.52 10.83
10.72 10.28 10.35 10.46 10.54 10.72 10.23 10.18
10.62 10.49 10.32 10.61 10.64 10.23 10.29 10.78
10.81 10.39 10.34 10.62 10.75 10.34 10.41 10.81
10.64 10.53 10.31 10.46 10.47 10.43 10.57 10.74
y se desea saber si la muestra avala que la maquina esta funcionando correctamente.
Vamos a realizar el contraste de bondad del ajuste de 2 primero y, posteriormente, el de
Kolmogorov-Smirnov.
Para realizar el contraste 2 , tomamos 8 intervalos buscando los cuantiles de ordenes
0.125, 0.25, 0.375, , 0.875, de modo que el n
umero esperado de valores sea 5 en cada
intervalo. La particion resultante es:
Ai
ni
ni,esp
10.33
10
(10.33, 10.4]
(10.4, 10.45]
(10.45, 10.5]
(10.5, 10.55]
(10.55, 10.6]
(10.6, 10.67]
> 10.67
Total
40
40
52 + 02 + 32 + 12 + 22 + 42 + 12 + 42
= 14.4
5
Si la hipotesis fuera correcta la distribucion de D sera 2 con 7 grados de libertad y la
D=
tabla indica que

P (27 > 14.4) = 0.0445
Y, por tanto, se puede afirmar con cualquier nivel de significacion superior a 0.0445 que
las piezas no siguen la distribucion N(10.5; 0.15).
etricos
233
Para realizar ahora el contraste K-S se construye la siguiente tabla, cuya segunda
columna da el n
umero de observaciones acumuladas hasta el valor muestral, la tercera
la funcion de distribucion muestral (dividiendo por el tama
no de la muestra), la cuarta
la distribucion teorica (dada por la hipotesis nula) y las dos siguientes las diferencias: la
quinta de la misma fila y la sexta de cada F0 (xi ) con la de la fila anterior de la distribucion
de la muestra.
234
Estadstica
xi
Fn (xi )
F0 (xi )
10.12
0.025
0.0056
10.18
0.050
10.23
10.25
Fn (xi ) F0 (xi ) Fn (xi1 ) F0 (xi )

0.0194
0.0056
0.0164
0.0336
-0.0086
0.100
0.0359
0.0641
-0.0141
0.125
0.0478
0.0772
-0.0522
10.28
0.150
0.0712
0.0788
-0.0538
10.29
0.175
0.0807
0.0943
-0.0693
10.31
0.200
0.1026
0.0974
-0.0724
10.32 10
0.250
0.1151
0.1349
-0.0849
10.34 12
0.300
0.1431
0.1569
-0.1069
10.35 13
0.325
0.1587
0.1663
-0.1413
10.39 15
0.375
0.2317
0.1433
-0.0933
10.41 16
0.400
0.2743
0.1257
-0.1007
10.43 17
0.425
0.3204
0.1046
-0.0796
10.46 19
0.475
0.3949
0.0801
-0.0301
10.47 20
0.500
0.4207
0.0793
-0.0543
10.49 21
0.525
0.4734
0.0516
-0.0266
10.52 22
0.550
0.5530
-0.0030
0.0280
10.53 23
0.575
0.5793
-0.0043
0.0293
10.54 24
0.600
0.6051
-0.0051
0.0301
10.57 25
0.625
0.6796
-0.0546
0.0796
10.61 26
0.650
0.7683
-0.1183
0.1433
10.62 28
0.700
0.7881
-0.0881
0.1381
10.64 30
0.750
0.8247
-0.0747
0.1247
10.66 31
0.775
0.8569
-0.0819
0.1069
10.72 33
0.825
0.9288
-0.1038
0.1538
10.74 34
0.850
0.9452
-0.0952
0.1202
10.75 35
0.875
0.9522
-0.0772
0.1022
10.78 36
0.900
0.9690
-0.0690
0.0940
10.81 38
0.950
0.9806
-0.0306
0.0806
10.83 39
0.975
0.9861
-0.0111
0.0361
10.91 40
0.9969
0.0031
0.0219
La entrada con mayor valor absoluto de la quinta columna es 0.1663 mientras que
la de la sexta es 0.1538. As, el estadstico de Kolmogorov-Smirnov vale
40 = 0.1663
etricos
235
y, seg
un la tabla, corresponde a un valor p muy cercano a 0.2 (y desde luego, mayor que
0.1). No hay, por tanto, evidencia seg
un este contraste en contra de la hipotesis nula.
En este ejemplo se comprueba que, a veces, el contraste 2 detecta diferencias que
el de Kolmogorov-Smirnov no es capaz de detectar.
Ejemplo 3
Hemos deducido del contraste 2 anterior que la maquina no fabrica piezas tal y como
pensabamos. Sin embargo parece plausible pensar que la distribucion de longitudes sigue
siendo normal, solo que la media y desviacion han cambiado. Probemos esta hipotesis.
Lo primero que ha de hacerse es estimar la media y la desviacion tpica por maxima
verosimilitud. Para una normal, los estimadores de estas cantidades resultan ser la media
y la desviacion muestral, obteniendose para nuestra muestra
b = x = 10.502
b = s = 0.2025
Tratemos de ajustar nuestros datos a una normal con estos parametros. Tomamos
una particion arbitraria y construimos la tabla
Ai
ni
ni,esp
10.3
6.37
(10.3, 10.4]
5.92
(10.4, 10.5]
7.55
(10.5, 10.6]
7.59
(10.6, 10.7]
6.00
> 10.7
6.57
seg
un la cual D = 3.708. Al tener seis intervalos y haber estimado dos parametros la
distribucion de D, si H0 es cierta, es una 2 con 6 1 2 = 3 grados de libertad. Como
P (23 > 3.708) = 0.295
La muestra no permite ahora rechazar la hipotesis de que la longitud de las piezas fabricadas sigue una distribucion normal N(10.502; 0.2025).
Ejemplo 4
Los impactos de 60 bombas volantes sobre la superficie de Londres, considerada
cuadrada, fueron clasificados en 9 zonas obtenidas dividiendo cada lado en tres partes
iguales, con los siguientes resultados
236
Estadstica
8
11
Los responsables de la defensa queran averiguar si las bombas perseguan alg

un
objetivo concreto o se distribuan al azar sobre la superficie de la ciudad.
Con distribucion uniforme sobre toda la superficie, cada cuadrcula tendra probabilidad 1/9 de recibir cada impacto y, por tanto, un n
umero esperado de impactos de 60/9.
El estadstico de Person vale ahora
D = 7.5
y su distribucion teorica debera ser una 2 con 8 grados de libertad.
P (28 > 7.5) = 0.48
valor que no permite rechazar la hipotesis de uniformidad.
Ejemplo 5
Un modelo genetico indica que la distribucion de daltonicos se ajusta a las probabilidades
Hombres
Mujeres
Normales
q/2
q 2 /2 + pq
Daltonicos
p/2
p2 /2
siendo p = 1q la proporcion de cromosomas X portadores del daltonismo. Para comprobar la teora se examinaron 2000 individuos elegidos al azar con los siguientes resultados
Hombres
Mujeres
Normales
894
1015
Daltonicos
81
10
y se desea saber si las observaciones concuerdan con el modelo.

Puesto que q no es conocido habra que hallar su estimacion de maxima verosimilitud.
La muestra observada tiene por verosimilitud
q 894
2000!
894! 81! 1015! 10! 2
1q
2
81 h

10
q i1015 (1 q)2
q 1
2
2
cuyo logaritmo (prescindiendo de los terminos independientes de q) es
etricos
237
894 log q + 81 log (1 q) + 1015 log q + 1015 log (2 q) + 20 log (1 q)

y tiene por derivada respecto a q
101
1015
1909
q
1q 2q
La estimacion de q es qb = 0.91277 y los n
umeros esperados en cada uno de los cuatro
grupos son
Hombres
Mujeres
Normales
912.77
992.39
Daltonicos
87.23
7.61
El estadstico D = 2.097 debe seguir una distribucion 2 con 2 grados de libertad.

Como
P (22 > 2.097) = 0.35
no puede rechazarse la hipotesis nula.
Ejemplo 6
Se quiere estudiar si los distintos grupos sanguneos se presentan con las mismas
frecuencias en tres grupos etnicos diferentes. Para ello se analizaron un cierto n
umero de
individuos de cada raza, obteniendose los resultados siguientes:
Raza
AB
Total
32
11
52
47
13 17
86
23
45
102 31 33
17
183
Total
El estadstico D = 4.691 y debe seguir una 2 con 6 grados de libertad. Como

P (26 > 4.691) = 0.584
No podemos rechazar la igualdad de frecuencias.
Esta claro que las cifras de las distintas filas de la tabla anterior no son comparables entre s directamente, puesto que se refieren a diferentes tama
nos muestrales. En
porcentajes, los datos se expresan:
238
Estadstica
Raza
AB
Total
61.54 21.15 13.46
3.85
100
54.65 15.12 19.77 10.46
100
51.11 15.56 20.00 13.33
100
55.74 16.94 18.03
100
Total
9.29
La simple inspeccion de esta tabla parece indicar que hay diferencias significativas,
al menos entre el primer grupo etnico y los otros dos. Sin embargo, el contraste nos indica
que estas diferencias son completamente admisibles como debidas al azar y no contradicen,
en absoluto, la hipotesis de igualdad de fercuencia de cada grupo sanguneo.
Ejemplo 7
Para comprobar la eficacia del test 2 de homogeneidad se han simulado dos muestras aleatorias simples, de tama
no 50, de las distribuciones N(0,1) y Cauchy ( de densidad
1 (1 + x2 )1 ), cuya apariencia grafica es similar. Las muestras obtenidas han sido:
N(0,1)
-0.99
Cauchy
1.54
-1.02
0.56 -0.36
-2.15
1.34 -2.98
0.31 -0.18
0.41
0.51 -0.44
-0.60
0.58
-0.28
0.75
0.26 -0.89
1.76
-1.21
0.98 -0.46
0.07
1.11
-16.39
0.39 -0.45
-0.44
0.68
1.27 -1.13
1.22
0.46
2.18
-0.63
1.03
7.05 -5.96
1.23
0.77
0.03
0.71
-0.56
-0.91
0.44 -27.53
0.44
3.77
-0.69
0.21
1.88
2.57 -0.80 -0.16
-0.52
1.24 -1.18
-0.52
0.28
0.89
0.03
0.25
0.83
-1.24
0.88
-0.96
0.29
0.31
0.99
0.15 -0.13 -1.56
1.28
1.58 -1.74 28.33
-0.58
0.58
-1.24 -0.64
-1.34 -0.99
1.85
0.08
-0.16
-1.21 -0.21 -0.22
12.89
0.11
0.66
-0.71 -4.07
1.28
Podemos clasificar estas muestras en los intervalos
1.39
2.45
1.41
-3.49
-1.42
etricos
239
Aj
n1j
n2j
nj
(, 2]
(2, 1.2]
(1.2, 0.9]
(0.9, 0.6]
(0.6, 0.3]
(0.3, 0]
(0, 0.3]
10
(0.3, 0.6]
11
(0.6, 0.9]
(0.9, 1.2]
(1.2, 2]
14
(2, ]
50
50
100
Total
El estadstico D toma el valor 20.03 y tiene distribucion 2 con 11 grados de libertad.

Puesto que
P (211 > 20.03) = 0.045
se puede rechazar la homogeneidad de ambas muestras con nivel crtico 0.045.
Ejemplo 8
Para estudiar si el grupo sanguneo tiene relacion con la predisposicion a padecer
diabetes, se seleccionan al azar 400 sujetos de los que se ha determinado el grupo sanguneo y el nivel de glucosa en identicas condiciones experimentales. Clasificada la segunda
medida en bajo, medio y alto, los resultados han sido:
Bajo
Medio
Alto
Total
137
86
35
258
42
23
11
76
19
17
43
AB
14
23
Total
212
133
55
400
Con los datos expresados en la tabla se obtiene D = 2.406. Por otra parte, D tiene
distribucion 2 con 6 grados de libertad y
P (26 > 2.204) = 0.9
240
Estadstica
por lo que no puede concluirse de ninguna manera que haya una relacion entre el grupo
sanguneo y la diabetes.
Ejemplo 9
Un laboratorio farmaceutico afirma que uno de sus productos confiere inmunidad
contra la picadura de insectos durante un tiempo exponencial de media 2.5 horas. Probado
en 25 sujetos, en un ambiente con gran n
umero de mosquitos, los instantes (en horas) en
que recibieron la primera picadura fueron:
0.01 0.01 0.02 0.02 0.02 0.03 0.03 0.23 0.51
0.74 0.96 1.17 1.46 1.62 2.18 2.25 2.79 3.45
3.83 3.92 4.27 5.43 5.79 5.91 6.34
Construimos, para realizar un contraste K-S, la tabla:
xi
Fn (xi )
0.01
0.08
0.02
0.03
F0 (xi ) Fn (xi ) F0 (xi ) Fn (xi1 ) F0 (xi )

0.004
0.076
0.004
0.20
0.008
0.192
-0.072
0.28
0.012
0.268
-0.188
0.23
0.32
0.088
0.232
-0.192
0.51
0.36
0.185
0.175
-0.135
0.74 10
0.40
0.256
0.144
-0.104
0.96 11
0.44
0.319
1.121
-0.081
1.17 12
0.48
0.374
0.106
-0.066
1.46 13
0.52
0.442
0.078
-0.038
1.62 14
0.56
0.477
0.083
-0.043
2.18 15
0.60
0.582
0.018
0.022
2.25 16
0.64
0.593
0.047
-0.007
2.79 17
0.68
0.672
0.008
0.032
3.45 18
0.72
0.748
-0.028
0.068
3.83 19
0.76
0.784
-0.024
0.064
3.92 20
0.80
0.792
0.008
0-032
4.27 21
0.84
0.819
0.021
0-019
5.43 22
0.88
0.886
-0.006
0.046
5.79 23
0.92
0.901
0.019
0.021
5.91 24
0.96
0.906
0-054
-0.014
6.34 25
0.921
0.079
-0.039
etricos
241
en la que la cuarta columna contiene la funcion de distribucion teorica: 1e0.4x . Se tiene,

de esta tabla, que 25 = 0.268 y la correspondiente tabla indica que la hipotesis de que la
distribucion es la que dice la empresa puede ser rechazada con nivel de significacion 0.05.
Probemos ahora un contraste 2 . Como hay solo 25 datos lo mas logico es descomponer el recorrido de la variable en 5 intervalos de probabilidad 1/5, obteniendose:
Ai
ni
ni,esp
[0, 0.558)
(0.558, 1.277]
(1.277, 2.291]
(2.291, 4.024]
(4.024, )
y un valor del estadstico D = 4.4 que, comparado con la distribucion 24 , no permite

rechazar la hipotesis de ajuste ni siquiera con nivel de significacion 0.3. Ahora es este
contraste el que no es capaz de detectar las diferencias que s ha detectado KolmogorovSmirnov.
Ejemplo 10
Una empresa decide adelantar su horario de entrada en una hora. Antes del cambio
saba que la media de retraso de sus empleados era de 5 minutos. Tras el cambio selecciona
12 empleados y observa, en un determinado da, los siguientes retrasos (en minutos):
2.5 1.2 7
1.8 8.3 6.8
5.2 3.4 4.7 6.2
9.1 5.2
El contraste que desea realizar la empresa es H0 : Me = 5 (los retrasos no han variado)

frente a H1 : Me > 5 (los retrasos han aumentado). Vamos a emplear el test de los signos:
el n
umero de datos superiores a 5 es T = 7, y la distribucion binomial B(12, 1/2),indica
que, si H0 es correcta,
P (T 7) = 0.3871
lo que indica que no es rechazable la hipotesis nula.
Ejemplo 11
Supongamos ahora que la empresa anterior selecciono 16 de sus empleados y midio sus retrasos en dos das , antes y despues del cambio de horario. Los resultados
fueron:
242
Estadstica
2.1/3.4 1.2/5.1 4.2/2.6 4.6/7.4 0.7/2.4 3.2/2.7 5.6/5.2 1.8/2.9
4.8/6.5 2.3/7.3 0.4/0.8 2.5/2.2 3.2/9.8 4.7/2.8 1.6/2.2 6.3/6.5
que se traduce en los siguientes aumentos de los retrasos:
1.3 3.9 -1.6
2.8
1.7 5.0
-0.3 6.6 -1.9
0.4
1.7 -0.5 -0.4 1.1

0.6
0.2
Si Me es la mediana de la distribucion de incrementos se puede contrastar, ahora,

la hipotesis H0 : Me = 0 frente a H1 : Me > 0. El n
umero de incrementos positivos es
T = 11 y la distribucion binomial B(16, 1/2) proporciona
P (T 11) = 0.105
y se podra rechazar la hipotesis Me = 0 con nivel crtico 0.105.
Ejemplo 12
Supongamos que la distribucion de sodio por unidad de volumen de sangre en una
poblacion es simetrica alrededor de 3.24 g. Se ha cambiado el suministro de agua y se han
obtenido los siguientes analisis de 15 habitantes (en gramos por unidad de volumen):
2.37 2.95 3.40 2.46 3.66 3.18 2.72 3.71
3.87 1.97 1.66 3.72 2.10 1.83 3.03
Las diferencias respecto a la mediana, con los rangos, en la ordenacion creciente de
sus valores absolutos, indicados junto a cada termino, tal y como se requiere para aplicar
el test de los rangos asignados a H0 : Me = 3.24 frente a H1 : Me 6= 3.24 son:
0.8711
+0.6310
0.294
1.2713
+0.162
1.5815
0.69
+0.487
+0.426
1.1412
0.061
1.4114
0.528
+0.375
0.213
La suma de los rangos de los terminos positivos es T + = 2 + 6 + 5 + 10 + 7 = 30.

Con nivel de significacion = 0.1 la tabla indica que la hipotesis Me = 3.24 puede ser
rechazada si T + 89 o T + 31. En cambio, para = 0.05 la region crtica del test es
T + 94 o T + 26. Los datos obtenidos permiten, pues, afirmar que la distribucion de
la cantidad de sodio ha variado, con un riesgo de error proximo al 10 %.
etricos
243
Ejemplo 13
En 8 personas elegidas al azar se analizo el contenido en sodio antes y despues del
cambio de suministro de agua, con los siguientes resultados:
3.34/2.58 2.82/2.46 3.06/3.50 2.30/2.16
4.22/3.78 3.55/3.19 2.61/2.94 2.83/1.94
Los incrementos han sido:
-0.76 -0.36 +0.44 -0.14 -0.44 -0.36 +0.33 -0.89
(7)
(3.5)
(5.5)
(1)
(5.5)
(3.5)
(2)
(8)
con los rangos que se indican en la segunda fila. El test de Wilcoxon para el contraste de
Me = 0 frente a Me 6= 0 nos proporciona el estadstico T + = 7.5, mientras que la tabla
correspondiente indica que, con nivel de significacion 0.1, la hipotesis Me = 0 solo podra
rechazarse si fuese T + 30 o T + 6.
Ejemplo 14
Las ventas de los establecimientos A y B fueron controladas durante 9 y 12 das
respectivamente, con los siguientes resultados (en miles de pesetas):
A:
132.5 167.4 189.8 124.6 136.6 147.5 159.9 117.8 106.3
B:
97.4
108.2 114.1
118.4 109.2
86.3
101.8 122.6
78.3
136.2
89.5
92.7
La ordenacion conjunta de ambas muestras (sin perder la procedencia de cada dato)

figura en la siguiente tabla:
A:
B:
106.3
78.3
86.3
A:
B:
89.5
92.7
97.4
101.8
124.6 132.5
118.4 122.6
117.8
108.2 109.2 114.1
136.6 147.5 159.9 167.4 189.8

136.3
La mediana de la muestra conjunta (que ocupa el valor 11) es el valor 117.8 y hay
un u
nico termino de la primera muestra inferior a este, luego T = 1.
Para contrastar Mex = Mey frente a Mex > Mey con nivel de significacion , el test
de la mediana utiliza la region crtica {T k} donde ha de ser
244
Estadstica
10
P (T k) =
k
X
11
21
t=0
9t
!
Con k = 1 el nivel de significacion resulta = 0.0058, de forma que se puede afirmar

que Mex > Mey con gran seguridad.
El contratse 2 aplicado a la tabla de contingencia
< 120 > 120
Total
10
12
Total
12
21
da una valor del estadstico D = 7.84 que, comparado con una distribucion 21 , permite
tambien descartar la homogeneidad de ambas muestras con nivel de significacion inferior
a 0.01.
Con los tama
nos muestrales usados y la particion elegida, el contraste 2 es menos
fiable que el de la mediana. Con tama
nos muestrales grandes, y sobre todo si no hay
constancia de la igualdad de forma de las distribuciones, es preferible el contraste 2 .
Tratemos ahora de emplear el test de Mann-Whitney. Para la ordenacion de las
muestras anterior basta contar el n
umero de elementos de la muestra B que hay por
debajo de cada elemento de la muestra A para obtener:
V = 6 + 9 + 11 + 11 + 12 + 12 + 12 + 12 + 12 = 97
Como V es aproximadamente N(54, 14.07) tenemos
P (V > 96) P (N(0, 1) > 2.98) = 0.0014
y el test de Mann-Whitney corrobora, con nivel de significacion inferior a 0.005 que las
ventas del establecimiento A son superiores a las del B.
Ejemplo 15
En 10 empleados de una empresa se ha observado la distancia (en km.) de su domicilio a la sede de la empresa y el retraso (en min.) con el que llegaron al trabajo cierto
da. Los resultados fueron:
etricos
245
(3.3, 5, 1) (2.4, 3.6) (1.9, 4.2) (2.8, 6.3) (1.2, 2.3)

(2.7, 3.4)
(4.0, 2.8) (0.7, 3.2) (6.1, 5.3) (3.7, 3.7)
Ordenada la muestra seg

un la distancia, los retrasos asociados son
3.2 2.3 4.2
3.6 3.4
6.3
5.1 3.7
2.8 5.3
(3) (1) (7)
(5) (4) (10) (8) (6)
(2) (9)
cuyos rangos (en la ordenacion de valores de menor a mayor) se han indicado debajo
de cada uno. El recuento de valores mayores que quedan a la derecha de cada rango
proporciona
P = 7 + 8 + 3 + 4 + 4 + 0 + 1 + 1 + 1 = 29
con lo cual T = 13/45 = 0.288. La correspondiente tabla indica que debera ser T > 0.33
para poder rechazar la hipotesis de independencia con nivel de significacion 0.1. Por tanto,
los datos no permiten concluir que haya relacion entre el retraso y la distancia del domicilio
a la empresa.
Probemos ahora con el test de Spearman. Con la ordenacion ya efectuada anteriormente:
U = 22 + 12 + 42 + 12 + 12 + 42 + 12 + 22 + 72 + 12 = 94
y el estadstico de Spearman vale RS = 1 6U/990 = 0.43. De la correspondiente tabla
observamos que dicho coeficiente no es suficiente para rechazar la independencia entre las
variables ni siquiera con nivel de significacion 0.1.
Ejemplo 16
Al extraer 17 bolas con reemplazamiento de una bolsa con bolas blancas y negras
se ha obtenido el resultado
BBBBNNNBBBBBBBBNN
que muestra R = 4 rachas. Puesto que hay 12 blancas y 5 negras, el n
umero de rachas
podra haber sido cualquiera entre 2 y 11. Las formulas dadas anteriomente permiten
calcular la probabilidad de cada uno de los valores:
2
10
11
0.0003 0.002 0.014 0.046 0.107 0.195 0.213 0.24 0.107 0.075
Incluyendo las probabilidades de menor a mayor, se observa que {R 4} es la region
crtica con tama

no = 0.0169; con tama
no = 0.0631 se podra rechazar para {R 5}
S
y para = 0.1377 se obtendra la region crtica {R 5} {R = 11}.
246
Estadstica
Ejemplo 17
Queremos comprobar si al tomar en das consecutivos los datos de ventas del establecimiento B del ejemplo 14 hemos afectado a su independencia. Los 12 datos tienen
como mediana 105. Los terminos de la muestra original, comparados con esta mediana
dan la secuencia de signos
-++--+-+-++con R = 9 rachas. Con n = m = 6 la distribucion de R es simetrica entre 2 y 12,
obteniendose las probabilidades:
2 y 12 3 y 11 4 y 10
5y9
0.002
0.011 0.216 0.216
0.011
0.054
6y8
S
La region crtica {R 4} {R 10} tendra tama
no =0.134, de forma que, con
R = 9, no puede afirmarse que la toma de datos en das consecutivos haya afectado a la

independencia de la muestra.
Ejemplo 18
Una afeccion de la glandula tiroides ha sido investigada en una cierta region durante
los a
nos ochenta. El n
umero de casos observados desde junio de 1986 hasta mayo de 1989
vienen dados en la siguiente tabla
A
no
Mes
E
F M
1986
J A
11
1987
1988
1989
Se quiere investigar si existe o no alguna periodicidad en dicha enfermedad contrastando: (a) Si pueden considerarse homogeneas las tres temporadas durante las cuales se
recogieron los datos. (b) Si los casos se presentan con variaciones estacionales.
(a) En primer lugar se trata de detectar si hay una pauta com
un en los tres ciclos
anuales considerados, ya que, en caso contrario, ello significara que el comportamiento es
diferente cada a
no. Para ello , conviene agrupar los datos de la froma
etricos
247
A-M
Total
1986-87
11
72
1987-88
50
1988-89
45
Total
21
24 20 13 15 15
15 13 14
167
con los meses de abril y mayo sumados para conseguir que sea ni nj /n 2. El estadstico
de contraste toma el valor
m X
k
3 X
11
X
X
(nij ni nj /n)2
nij
D=
= n 1 +
ni nj /n
nn
i=1 j=1
i=i j=1 i j
= 24.477
y D tiene distribucion 220 , cuya tabla indica que la hipotesis de que las tres temporadas
siguen el mismo patron no puede ser rechazada con nivel de significacion 0.1 (el nivel
crtico es, de hecho, 0.222).
(b) Admitida la homogeneidad de las tres muestras, los 167 casos, agrupados por
meses, se distribuyen como indica la tabla siguiente
J
21 24 20 13 15
15 15 13 14
La influencia del mes sobre el n

umero de casos ocurridos tendra que ser descartada
si las frecuencias observadas fuesen compatibles con probabilidades de 1/12 para cada
uno de ellos; es decir si no pudiese admitirse que los datos fueran desviaciones debidas al
azar en torno a 167/12 casos por mes. El estadstico de Pearson para dicho contraste vale
12
D = 167 +
12 X 2
n = 29.24
167 j=1 j
y tiene distribucion 211 . La hipotesis de uniformidad de la distribucion puede rechazarse,

por tanto, con nivel de significacion 0.005.
Las diferencias entre los tres meses de verano (J,J,A) no son significativas, pues los
datos
J
21
24
20
65/3 65/3 65/3

dan como valor del estadstico de Pearson D = 65 + 3/65
con la distribucion
22
3
X
n2j = 0.4 que, comparado
j=1
no permite rechazar la hipotesis de que los casos se presentan
unifromemente distribuidos entre los tres meses.
248
Estadstica
Lo mismo ocurre con los tres meses de primavera (M,A,M: D = 1.53 < 22;0.1 ) y, por
supuesto, con los seis meses de oto

no-invierno.
En cambio, existen diferencias significativas entre estos tres periodos. Por ejemplo,
la comparacion entre el verano y los seis meses siguientes da como resultado
Verano
Oto
no-Invierno
65
85
150/3
2 150/3
D = 6.75 > 21;0.01

de manera que no hay un reparto uniforme de los casos entre los tres meses de verano y
los seis siguientes.
En definitiva, puede concluirse que la incidencia de la enfermedad es mas alta en
verano y mas baja en primavera, respecto del nivel medio durante el resto del a
no.
Los datos de este ejemplo corresponden a una serie temporal (un conjunto de observaciones a lo largo del tiempo) que tienen su tratamiento especfico. Esto no significa,
sin embargo, que los resultados obtenidos mediante las tecnicas estandar para estas series
sean mejoresque las que hemos obtenido. La principal diferencia radica en la capacidad
que da el analisis de series temporales de predecir el comportamiento futuro (al menos a
corto plazo).
Ejemplo 19
Las 100 primeras cifras decimales del n
umero son
= 3.14159265358979323846264338327950288419716939937510
58209749445923078164062862089986280348253421170679
y queremos saber si estas cifras tienen las propiedades de una secuencia de cifras elegida
al azar.
Se puede contrastar, en primer lugar, si todas las cifras aparecen con la misma
frecuencia 1/10, que si hubiesen sido elegidas al azar de una urna con diez bolas numeradas
del 0 al 9.
Para ello comparamos las frecuencias esperadas y observadas, mediante la tabla
ni
ni,esp
12 11
10
12 14
10 10 10 10
10 10 10 10 10 10
etricos
249
El valor del estadstico de Pearson resulta

9
D=
1 X
(ni 10)2 = 4.2
10 i=0
que, comparado con la distribucion 29 lleva a aceptar la hipotesis de unifromidad con un

nivel crtico proximo a 0.9.
Podemos contrastar ahora si la posicion de las cifras parece el resultado de haberlas
elegido al azar, sin dependencia entre ellas. Para ello lo adecuado es el test de rachas:
eligiendo 4.5 como promedio de las 10 cifras, se indican con un + o un - aquellos dgitos
que sean, respectivamente, menores o mayores que 4.5; se obtiene as
1
+
9
+
6
8
9
+
7
con n = 49 signos y m = 51 signos + y un total de R = 54 rachas. Como n y m son

grandes, para que la colocacion de las cifras parezca hecha al azar, R tendra que tener
aproximadamente distribucion
!
r
2 49 51
2 49 51 (2 49 51 49 51)
N
= N(50.98; 4.97)
+ 1;
100
990000
El nivel crtico resulta
2P (R > 54) = 2P (Z > 0.61) = 0.5418
que no permite, en absoluto, afirmar que las cifras no estan colocadas al azar.
Otra posibilidad, en la misma direccion, es clasificar las cifras en pares e impares,
tratando de detectar alguna regularidad en la colocacion de unas y otras. Concretamente
tenemos ahora la tabla:
250
Estadstica
1
p p
p p
p p
p p
p p
p p
p p
p p
con n = 49 cifras impares, m = 51 pares y R = 43 rachas. La distribucion aproximada de

R es la misma normal anterior y el nivel crtico resulta
2P (R > 43) = 2P (Z > 1.6) = 0.1096
que tampoco permite afirmar que las cifras no estan situadas como si hubiesen sido elegidas
al azar.
Regresion
lineal simple
17
Indice
17.1. Introducci
on . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 252
17.2. Modelo lineal . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 253
17.3. M
etodo de mnimos cuadrados . . . . . . . . . . . . . . . . . . 254
17.4. Propiedades de los estimadores de mnimos cuadrados . . . . 256
17.4.1. Propiedades generales . . . . . . . . . . . . . . . . . . . . . . . 256
17.4.2. Condiciones de normalidad . . . . . . . . . . . . . . . . . . . . 257
17.5. Varianza residual . . . . . . . . . . . . . . . . . . . . . . . . . . . 257
17.6. Inferencias respecto a los par
ametros . . . . . . . . . . . . . . 258
17.7. Predicci
on . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 259
17.7.1. Estimacion de la respuesta media . . . . . . . . . . . . . . . . . 259
17.7.2. Prediccion de una observacion . . . . . . . . . . . . . . . . . . . 260
17.8. An
alisis de la varianza . . . . . . . . . . . . . . . . . . . . . . . 261
17.9. Coeficiente de correlaci
on . . . . . . . . . . . . . . . . . . . . . 263
17.9.1. Inferencias sobre el coeficiente de correlaci
on . . . . . . . . . . 264
17.10.Contraste de linealidad . . . . . . . . . . . . . . . . . . . . . . . 265
251
252
Estadstica
17.1.
Introducci
on
En la practica, con mucha frecuencia es necesario resolver problemas que implican

conjuntos de variables, cuando se sabe que existe alguna relacion inherente entre ellas.
Por ejemplo, en un caso industrial, se puede saber que el contenido de alquitran en el
producto de salida de un proceso qumico esta relacionado con la temperatura con la que
este se lleva a cabo. Puede ser interesante desarrollar un metodo de prediccion, esto es,
un procedimiento para estimar el contenido de alquitran para varios niveles de temperatura tomados de informacion experimental. El aspecto estadstico del problema consiste
entonces en lograr la mejor estimacion de la relacion entre las variables.
Para este ejemplo y para la mayora de las aplicaciones, existe una clara distincion
entre las variables en cuanto a su papel dentro del proceso experimental. Muy a menudo
se tiene una sola variable dependiente o respuesta Y , que no se controla en el experimento.
Esta respuesta depende de una o mas variables independientes o de regresion, como son
x1 , x2 , . . . , xk , las cuales se miden con un error despreciable y en realidad, en la mayora de
los casos, se controlan en el experimento. As, las variables independientes no son aleatorias
y por tanto no tienen propiedades distribucionales. En el ejemplo citado anteriormente,
la temperatura es la variable independiente o variable de regresion, x, y el contenido de
alquitran es la respuesta, Y . La relacion fija para un conjunto de datos experimentales se
caracteriza por una ecuacion de prediccion que recibe el nombre de ecuacion de regresi
on.
En el caso de una sola x, se habla de regresion simple. Para k variables independientes,
se habla de regresion m
ultiple.
En este curso se tratara el tema de la regresion lineal simple. Representamos una
m.a.s. de tama
no n por el conjunto {(x1 , y1), . . . , (xn , yn )}. Si se tomaran muestras adicionales utilizando exactamente los mismos valores de x, se debe esperar que los valores
de y varen. De ah que el valor yi en el par ordenado (xi , yi ) sea un valor de la v.a. Y |xi .
Por conveniencia se define Y |x como la v.a. Y correspondiente a un valor generico x, y su
media y su varianza se indican por Y |x y 2 Y |x , respectivamente; mientras que si x = xi ,

el smbolo Yi representa la v.a. Y |xi con media Yi = Y |xi y varianza 2 Yi = 2 Y |xi .
El termino regresion lineal implica que Y |x esta linealmente relacionado con x por
la recta de regresion lineal poblacional

Y |x = + x
donde los coeficientes de regresion y son parametros que deben estimarse a partir de
los datos muestrales. Si a y b representan estas estimaciones, respectivamente, se puede
17 Regresi
on lineal simple
253
Figura 17.1: Descripcion del modelo de regresion lineal simple.

entonces estimar Y |x por yb de la regresion muestral o recta de regresion ajustada o
estimada
yb = a + bx
El smbolo yb se utiliza aqu para distinguir entre el valor estimado que da la recta
de regresion muestral y el valor experimental real observado, y, para alg

un valor de x.
17.2.
Modelo lineal
En el caso de una regresion lineal simple, donde hay una sola variable de regresion,
x, y una sola v.a. dependiente, Y , los datos pueden representarse por los pares de observaciones {(x1 , y1 ), . . . , (xn , yn )}. Es conveniente utilizar los conceptos de la seccion anterior
para definir cada v.a. Yi = Y |xi por medio de un modelo estadstico. Si se postula que
todas las medias Yi caen sobre una recta (Fig. 17.1),
Yi = + xi
i = 1, . . . , n
(17.1)
entonces cada Yi puede describirse por el modelo de regresion lineal simple

Yi = Yi + Ei = + xi + Ei
i = 1, . . . , n
(17.2)
254
Estadstica
Figura 17.2: Descripcion del error del modelo (i ) y del residuo (ei ).
donde el error aleatorio Ei , el error del modelo, debe tener media nula. Cada observacion
(xi , yi ) de la muestra satisface la ecuacion
yi = + xi + i
(17.3)
donde i es el valor que asume la v.a. Ei cuando Yi toma el valor yi . La ecuacion anterior
puede considerarse como el modelo para una sola observacion yi .
De manera similar, al utilizar la recta de regresion lineal estimada
yb = a + bx
cada par de observaciones satisface la relacion
yi = a + bxi + ei
(17.4)
donde ei = yi ybi se llama residuo y describe el error en el ajuste del modelo en el punto
i de los datos. La diferencia entre ei y i se muestra claramente en la figura 17.2.
17.3.
M
etodo de mnimos cuadrados
El metodo se basa en encontrar las estimaciones a y b de y de tal forma que la

suma de los cuadrados de los residuos sea mnima. Si notamos por
P
P
P
SSE = e2i = (yi ybi )2 = (yi a bxi )2
17 Regresi
on lineal simple
255
Derivando respecto de a y b, e igualando a cero se tiene
P
P
(SSE)
= 2 (yi a bxi ) = 0 (= ei = 0)
(SSE) = 2 P(y a bx )x = 0 (= P x e = 0)
i
i i
i i
b
de donde
(17.5)
P
P
yi
na + b xi =
a P x + b P x2 = P x y
i
i i
i
que se pueden resolver para dar las expresiones de a y b
P
P
P
n xi yi ( xi ) ( yi )
b=
P 2
P 2
n
x
(
xi )
P
P
y
xi
ib
a=
n
(17.6)
Para simplificar un poco, definimos

x =
y =
1P
xi
n
1P
yi
n
Sxx =
Syy =
Sxy =
Entonces,
P
P
P
1 P
(xi x)2 = x2i ( xi )2 = x2i n
x2
n
P
P 2 1 P 2 P 2
(yi y)2 =
yi ( yi ) =
yi n
y2
n
P
P
P
P
1 P
(xi x)(yi y) = xi yi ( xi ) ( yi ) =
xi yi n
xy
n
b=
Sxy
Sxx
(17.7)
a = y b
x
Por tanto, la recta de regresion estimada se puede expresar como
yb = y + b(x x)
(17.8)
256
Estadstica
17.4.
Propiedades de los estimadores de mnimos cuadrados
17.4.1.
Propiedades generales
Ademas de la suposicion de que el termino de error del modelo, Ei , es una v.a. con
media cero, supongamos que cada Ei tiene la misma varianza, 2 (homocedasticidad), y
que E1 , E2 , . . . , En son independientes. Con estas hipotesis sobre las Ei podemos calcular
la media y la varianza de los estimadores de y .
Es importante recordar que los valores de a y b, obtenidos en base a una muestra
dada de n observaciones, son solo estimaciones de los parametros reales y . Si el
experimento se repite varias veces, utilizando los mismos valores de x, es muy probable que
las estimaciones resultantes de y difieran de un experimento a otro. Estas estimaciones
diferentes pueden considerarse como valores asumidos por las v.a. A y B.
Dado que los valores de x permanecen fijos, los valores de A y B dependen de
las variaciones de los valores de y, o en forma mas precisa, de los valores de las v.a.
Y1 , Y2 , . . . , Yn . Las suposiciones distribucionales de las Ei implican que Y1 , Y2 , . . . , Yn tambien se distribuyen independientemente con medias Yi = + xi y varianzas iguales 2 ;
es decir, 2 Yi = 2 para i = 1, 2, . . . , n. Dado que el estimador
P
P
P
P
P
xi Yi ( xi ) ( Yi )
n xi Yi n
x ( Yi )
(x x)Yi
= P i
B=
=
P 2
P 2
P 2 1 P 2
(xi x)2
n xi ( xi )
n
xi ( xi )
n
P
es de la forma B = ai Yi , donde
n
(xi x)
ai = P
(xi x)2
entonces,
i = 1, 2, . . . , n
P
P
(xi x)E[Yi ]
(xi x)( + xi )
P
= E[B] = P
=
=
2
(xi x)
(xi x)2
=
B2
P
P
P
P
1
1
[ xi + x2i n
x x xi ] =
[ x2i n
x2 ] =
Sxx
Sxx
P
P
2 (xi x)2
2
(xi x)2 Var(Yi )
2
P
= P
= Var(B) =
=
P
2
2 =
Sxx
(xi x)2
( (xi x)2 )
( (xi x)2 )
17 Regresi
on lineal simple
257
Igualmente, el estimador A se puede expresar como
A=
Yi B
n
xi
P

1P
(xi x)Yi P 1
x(xi x)
Yi x P
=
P
=
Yi
n
n
(xi x)2
(xi x)2
es decir, A tambien es una combinacion lineal de las v.a. independientes Yi , por tanto,
operando, se llega facilmente a
A = E[A] =
x(xi x)
1
P
n
(xi x)2
E[Yi ] =
rP 2
2
xi
x(xi x)
1
2
P
Var(Yi ) =
= Var(A) =
2
n
(xi x)
nSxx
Por tanto, sea cual sea la distribucion de los errores del modelo, los estimadores
A2
mnimo cuadraticos, A y B, de los coeficientes de regresion y , son insesgados.

Por la propia definicion de los estimadores A y B, se deduce que no son independientes, siendo
Cov(A, B) = E[(A )(B )] =
17.4.2.
x 2
Sxx
Condiciones de normalidad
Para conocer la forma de la distribucion de los estimadores A y B, es necesario conocer previamente la distribucion de los errores del modelo. Si a las hipotesis de independencia y homocedasticidad de los errores del modelo a
nadimos la hipotesis de normalidad,
es decir, Ei N(0, ) i = 1, . . . , n, entonces todas las v.a. involucradas hasta ahora: Yi ,
A, B, resultan ser combinaciones lineales de v.a. Normales e independientes, por tanto su

distribucion tambien sera Normal. As,
Yi N(Yi , ) i = 1, . . . , n
B N(, /S )
xx
Si Ei N(0, ) i = 1, . . . , n =
rP 2 !
xi
A N , nS
xx
17.5.
Varianza residual
Seg
un lo expuesto anteriormente, la hipotesis de normalidad en los errores del modelo
asegura la normalidad de los estimadores mnimo cuadraticos sin embargo, para tener
258
Estadstica
completamente especificadas sus distribuciones, es necesario tener una estimacion de la

varianza de los errores, 2 . Para ello, definimos la varianza residual como
P 2
P
SSE
e
(yi ybi )2
i
s2 =
=
=
n2
n2
n2
Veamos una forma mas sencilla de expresar s2
P
P
(yi ybi )2 = (yi a bxi )2 =
P
P
= (yi (
y b
x) bxi )2 = ((yi y) b(xi x))2 =
P
P
P
= (yi y)2 + b2 (xi x)2 2b (yi y)(xi x) =
SSE =
= Syy + b2 Sxx 2bSxy = Syy + bSxy 2bSxy = Syy bSxy

Por tanto,
Syy bSxy
(yi ybi )2
=
(17.9)
n2
n2
y, como es habitual en la varianzas que proceden de distribuciones normales, la varianza
2
s =
residual sigue una distribucion del tipo Chi-cuadrado. En particular,

(n 2)s2
2n2
2
(17.10)
Por tanto, la varianza residual es una estimacion insesgada de la varianza de los

errores del modelo.
17.6.
Inferencias respecto a los par

ametros
Una vez estimada la varianza de los errores, y recordando que mantenemos las
hipotesis de normalidad de los mismos, podemos construir los estadsticos adecuados para
realizar inferencias respecto a los parametros de regresion. As,
B N(, / Sxx )
2
(n 2)s
2n2
2
A N ,
rP
x2i
nSxx
(n 2)s2
2n2
2
B
/ Sxx
=
tn2
= s
2
s/
S
xx
(n 2)s
(n 2) 2
A
rP 2
xi
A
nSxx
= s
= r P 2 tn2
xi
(n 2)s2
nSxx
(n 2) 2
(17.11)
(17.12)
17 Regresi
on lineal simple
259
Por tanto, un intervalo de confianza del (1 )100 % para la pendiente de la recta
de regresion poblacional, , es
b t/2
s
s
< < b + t/2
Sxx
Sxx
y, un intervalo de confianza del (1 )100 % para la ordenada en el origen de la recta de
regresion poblacional, , es
a t/2 s
17.7.
rP
x2i
< < a + t/2 s
nSxx
rP
x2i
nSxx
Predicci
on
Un modelo de regresion, fijado un valor particular de la variable independiente (xp ),

permite en primer lugar, estimar el valor medio de la respuesta (Yp ); y en segundo lugar,
prever futuros valores de la variable respuesta (yp ).
Tanto la estimacion de la media, como la prediccion de un valor de la variable
dependiente, se obtienen sustituyendo en la recta de regresion estimada. Es decir,
Yp ybp = a + bxp
yp ybp = a + bxp
sin embargo, la precision de estas estimaciones es distinta, como veremos en las siguientes
secciones.
17.7.1.
Estimaci
on de la respuesta media
Utilizando la notacion habitual para v.a.
entonces
E[Ybp ]
Ybp = A + Bxp
= E[A + Bxp ] = E[A] + E[B]xp = + xp = Yp
Var(Ybp ) = Var(A + Bxp ) = Var((Y B x) + Bxp ) = Var(Y + B(xp x)) =

2
2
= Var(Y ) + (xp x)2 Var(B) =
+ (xp x)2
= 2
n
Sxx
1 (xp x)2
+
n
Sxx
260
Estadstica
donde hemos utilizado el hecho de que las variables Y y B son independientes. Entonces,
Ybp N Yp ,
1 (xp x)2
+
n
Sxx
(n 2)s2
2n2
2
es
Ybp Yp
tn2
= r
1 (xp x)2
+
s
n
Sxx
Por tanto, un intervalo de confianza del (1 )100 % para la respuesta media, Yp ,
ybp t/2 s
17.7.2.
1 (xp x)2
+
< Yp < ybp + t/2 s
n
Sxx
1 (xp x)2
+
n
Sxx
Predicci
on de una observaci
on
En este caso, utilizamos la v.a. Ybp Yp

E[Ybp Yp ]
= E[Ybp ] E[Yp ] = Yp Yp = 0
Var(Ybp Yp ) = Var(Ybp ) + Var(Yp ) = 2
1 (xp x)2
+
n
Sxx
+ 2 =

1 (xp x)2
= 1+ +
n
Sxx
2
Entonces
Ybp Yp N 0,
(n 2)s2
2n2
2
1 (xp x)2
1+ +
n
Sxx
Ybp Yp
tn2
= r
1 (xp x)2
s 1+ +
n
Sxx
y, un intervalo de confianza del (1 )100 % para una prediccion, yp , es

r
1 (xp x)2
< yp < ybp + t/2 s
ybp t/2 s 1 + +
n
Sxx
1+
1 (xp x)2
+
n
Sxx
17 Regresi
on lineal simple
17.8.
261
An
alisis de la varianza
El contraste mas importante en regresion se refiere a la pendiente de la recta de

regresion poblacional, y se plantea de la forma
H0 : = 0
H1 : 6= 0
Aunque en la seccion 17.6 hemos dado un estadstico valido para este contraste (Eq.
17.11), en este apartado vamos a estudiarlo desde otro punto de vista.
Si la pendiente de la verdadera recta de regresion es distinta de cero, entonces las
desviaciones de los datos, yi , respecto a su valor medio, y, se pueden descomponer en dos
partes (Fig. 17.3(a)): una, el residuo, es decir (yi ybi ); y otra, la diferencia entre el valor
predicho por la recta de regresion estimada y el valor medio de los datos, es decir, (b
yi y).
Sin embargo, si la verdadera pendiente de la recta de regresion es nula (Fig. 17.3(b)),

entonces todos los valores predichos verifican ybi = y, por lo que la segunda componente
es nula.
El residuo representa las fluctuaciones aleatorias dentro del rango probable de va-
lores que puede asumir la v.a. Yi , mientras que la segunda componente representa las
fluctuaciones intrnsecas debidas a la relacion lineal que verifican las v.a. Yi ; as, cuanto
mas nos alejamos de la zona central, (
x, y), mas grandes deben ser estas fluctuaciones.
De esta forma, la variacion total se puede expresar como
P
P
(yi y)2 =
[(yi ybi ) + (b
yi y)]2 =
P
P
P
= (yi ybi )2 + (b
yi y)2 + 2 (yi ybi )(b
yi y) =
P
P
2
2
= (yi ybi ) + (b
yi y)
donde hemos utilizado el hecho de que (Eq. 17.5)

P
P
P
P
(a + bxi )ei = a ei + b xi ei = 0
P
P
y(yi ybi ) = y ei = 0
ybi (yi ybi ) =
En resumen, la variacion total
P
P
P
(yi y)2 = (yi ybi )2 + (b
yi y)2
(17.13)
se descompone en dos terminos independientes: el primero refleja la variabilidad no explicada por la regresion, que es debida al caracter aleatorio de la relacion; y el segundo
contiene la variabilidad explicada por la regresion, y puede interpretarse como la parte
determinista de la variabilidad de la respuesta. LLamaremos
262
Estadstica
Figura 17.3: Descomposicion de la varianza para el caso de (a) pendiente no nula; y (b)
pendiente nula.
SST =
SSE =
P
(yi y)2 = Syy = Suma Total de los Cuadrados
P
(yi ybi )2 = Syy bSxy = Suma de los Cuadrados de los Errores
17 Regresi
on lineal simple
263
Fuente
Suma
Grados
Cuadrados
Error
Cuadrados
Libertad
Medios
Regresion
SSR
Error
SSE
Total
SST
n2
n1
SSR/1
Estadstico
Valor-P
f = SSR/s2
P (F1,n2 f )
SSE/(n 2)
Figura 17.4: Tabla ANOVA

SSR =
P
(b
yi y)2 = bSxy = Suma de los Cuadrados de Regresion
Se puede demostrar que, si la hipotesis nula es cierta es decir, si = 0, entonces

SSR/ 2 21
y SST / 2 2n1
Por tanto,
SSR
SSR/1
= 2 F1,n2
SSE/(n 2)
s
(17.14)
Este estadstico se puede utilizar como alternativa al estadstico dado en (Eq. 17.11)
para realizar el contraste regresion. Si su valor, f , es peque
no, significa que SSE es
muy grande comparado con el valor de SSR es decir, la mayor parte de la variabilidad
observada es puramente aleatoria, y la componente explicada por el modelo (la recta
propuesta) tiene muy poca influencia, por tanto no se rechaza H0 . Por otra parte, si f es
grande, significa que SSR es muy grande comparado con SSE es decir, la mayor parte de
la variabilidad observada se debe a la existencia de una recta de regresion con pendiente
no nula, por tanto se rechaza H0 . De hecho, se cumple
!2
b
f=
= t2
s/ Sxx =0
La forma habitual de presentar todos los datos vistos en esta seccion es en la llamada
tabla ANOVA (del ingles, ANalysis Of VAriance), que se muestra en la figura 17.4.
17.9.
on
La evaluacion global de una recta de regresion puede hacerse mediante la varianza

residual, que es un ndice de la precision del modelo. Sin embargo, esta medida no es u
til
264
Estadstica
para comparar rectas de regresion de variables distintas, ya que depende de las unidades
de medida. Una medida mas adecuada de la bondad del ajuste es el llamado coeficiente de
determinacion del modelo, definido como la proporcion de la variabilidad total explicada
por el modelo propuesto
P
SSR
(b
yi y)2
R =
=P
SST
(yi y)2
Para el caso particular del modelo lineal,
2
2
Sxy
Sxy
=
r =b
Syy
Sxx Syy
2
(17.15)
y, el coeficiente de correlacion lineal de la muestra es

r=p
Sxy
Sxx Syy
(17.16)
que representa una estimacion del coeficiente de correlacion lineal de la poblacion

Cov(X, Y )
= p
Var(X) Var(Y )
Sea cual sea el modelo propuesto, siempre se cumple que 0 R2 1. En particular,

0 r 2 1 (1 r 1)
Si r 2 = 1, existe una relacion lineal perfecta entre las variables X e Y (Si r =
1 la relacion es positiva, es decir, la pendiente de la recta es positiva. Si r =
1 la relacion es negativa, es decir, la pendiente de la recta es negativa). En
consecuencia, las variables son dependientes.
Si r 2 = 0 (r = 0), no existe relacion lineal entre las variables X e Y . De forma

general, esto no implica que las variables sean independientes, ya que podra
existir una relacion no lineal entre ellas.
17.9.1.
Inferencias sobre el coeficiente de correlaci

on
El contraste H0 : = 0 es equivalente al ya estudiado H0 : = 0, y se puede realizar

con el estadstico
ya que se cumple
r n2
tn2
1 r2
r n2
=
1 r2
!2
b
= t2
s/ Sxx =0
(17.17)
17 Regresi
on lineal simple
265
Para realizar el contraste general H0 : = 0 6= 0, es necesario que la poblacion, es
decir, la v.a. (X, Y ), siga una distribucion Normal Bidimensional. En ese caso, se utiliza
el estadstico
1 1+r
Ln
= N
2 1r
17.10.
1
1 1+
Ln
,
2 1 n3
(17.18)
Contraste de linealidad
Hasta ahora, hemos supuesto que realmente existe una recta de regresion que ajusta
perfectamente los datos, es decir, las medias de las v.a. Yi se encuentran sobre una recta
Yi = + xi
i = 1, . . . , n
que hemos estimado por

ybi = a + bxi
i = 1, . . . , n
Por tanto, la primera pregunta debera haber sido es cierta esa afirmacion? El
contraste de linealidad esta dise
nado para responder a esta cuestion. Cuando las medias de
las v.a. Yi no se encuentran sobre una recta (Fig. 17.5) pero casi, este casi es la llamada
componente de falta de ajuste, y el contraste de linealidad cuantifica este desajuste para
contrastar la hipotesis de linealidad del modelo.
Para realizar el contraste, es necesario disponer de varios valores de y para algunos
o todos los valores de x. LLamaremos xi (i = 1, . . . , d) a los valores distintos que toma
la variable x. Para cada valor de xi existiran observaciones yij
(j = 1, . . . , ni ), de forma
que n = n1 + + nd (Fig. 17.6)
La logica del contraste puede entenderse suponiendo que representamos graficamente
las medias de las distribuciones condicionadas, yi . Nos encontraremos con alguna de las
situaciones que muestra la figura 17.7: el grafico 17.7 (a) sugiere que probablemente la
hipotesis de linealidad es cierta, ya que las medias yi parecen tener una relacion lineal;
en 17.7 (b) se detecta una relacion claramente no lineal; y en 17.7 (c) no esta clara la
existencia de relacion.
El contraste de linealidad compara las medias muestrales estimadas directamente
de los datos observacionales, yi , con las medias muestrales estimadas bajo la hipotesis de
linealidad, ybi . Intuitivamente, si medimos la discrepancia entre ambas estimaciones con
P
ni (yi ybi )2 , tenderemos a rechazar la hipotesis de linealidad si esta discrepancia es
grande, y a no rechazarla cuando es peque
na. Para cuantificar el tama
no de esta discre-
pancia, se compara con una medida de la variabilidad muestral cuyo valor esperado no
266
Estadstica
Figura 17.5: Descripcion del modelo de regresion lineal simple con componente de falta
de ajuste.
depende de la hipotesis que estamos contrastando. Un termino razonable de comparacion
PP
es
(yij yi )2 , que mide la variabilidad inherente a los datos, sin depender de la
hipotesis de linealidad.
Vamos a aclarar estos conceptos con la figura 17.8. La ausencia de una relacion lineal
perfecta permite descomponer los residuos, eij = yij ybi , en suma de dos componentes:
una, (yij yi ), debida a la fluctuacion aleatoria dentro del rango probable de valores que
puede asumir la v.a. Yi para cada valor fijo xi ; y otra,(yi ybi ), que contiene los errores
debidos a la falta de ajuste ya que, al fin y al cabo, las medias no estan sobre una recta
por lo que la recta estimada no puede contener a las medias estimadas. Si la relacion
lineal es perfecta, entonces yi = ybi (i = 1, . . . , d) y la segunda componente es nula, por
lo que la varianza residual es una estimacion insesgada de la varianza de los errores del
modelo (como vimos en la seccion 17.5) pero, si la relacion lineal no es perfecta, la segunda
componente es distinta de cero, por lo que la varianza residual pasa a ser una estimacion
sesgada de 2 al contener un termino de falta de ajuste que no tiene nada que ver con el
error del modelo.
17 Regresi
on lineal simple
267
observaciones
x1
y11
y12
y1j
y1n1
n1
1 X
y1j
y1 =
n1 j=1
n
y2j
y2n2
..
.
..
.
..
.
yij
yini
..
.
..
.
..
.
..
.
x2
y21
y22
..
.
..
.
..
.
..
.
xi
yi1
yi2
..
.
..
.
..
.
xd
yd1
1X
ni xi
x =
n i=1
yd2
ydnd
ydj
2
1 X
y2 =
y2j
n2 j=1
..
.
ni
1 X
yi =
yij
ni j=1
..
.
nd
1 X
ydj
yd =
nd j=1
i
1X
1 XX
ni yi
yij =
y =
n i=1 j=1
n i=1
Figura 17.6: Tabla de datos para realizar el contraste de linealidad

La descomposicion de la suma de los cuadrados de los residuos es sencilla pues,
SSE =
ni
d X
X
i=1 j=1
ni
d X
X
i=1 j=1
i=1 j=1
(yij yi ) +
ni
d X
X
(yij yi )2 +
d
X
ni
d X
X
(yij yi )2 +
d
X
i=1 j=1
ni
ni
d X
d X
X
X
2
=
(yij ybi ) =
[(yij yi ) + (yi ybi )]2 =
ni
d X
X
i=1 j=1
e2ij
i=1 j=1
i=1 j=1
i=1
i=1
ni
d X
X
(yi ybi ) + 2
(yij yi )(yi ybi ) =
2
i=1 j=1
"n
#
d
i
X
X
ni (yi ybi )2 + 2
(yi ybi )
(yij yi ) =
i=1
ni (yi ybi )2
j=1
268
Estadstica
Figura 17.7: Medias condicionadas y la recta de regresion.
donde hemos utilizado el hecho de que
ni
X
j=1
cuadrados de los residuos

ni
d X
X
i=1 j=1
(yij ybi ) =
ni
d X
X
i=1 j=1
(yij yi ) = 0. En resumen, la suma de los
(yij yi ) +
d
X
i=1
ni (yi ybi )2
(17.19)
se descompone en dos terminos independientes: el primero refleja la fluctuaciones aleatorias de cada observacion en torno a su valor medio; y el segundo refleja la ausencia de una
relacion lineal perfecta en la medias de las v.a. Yi . LLamaremos
SSE =
ni
d X
X
i=1 j=1
(yij ybi )2 = Suma de los Cuadrados de los Residuos
17 Regresi
on lineal simple
269
Figura 17.8: Descomposicion del residuo (eij ) cuando existe componente de falta de ajuste.
ni
d X
X
SSE(p) =
(yij yi )2 = Error Puro
i=1 j=1
SSE(a) =
d
X
i=1
ni (yi ybi )2 = Error por Falta de Ajuste
Se puede demostrar que, si la hipotesis de linealidad es cierta, entonces

SSE(p)/ 2 2nd
y SSE(a)/ 2 2d2
Por tanto, SSE(p)/(n d) es una estimacion insesgada de la varianza, 2 , de los
errores del modelo, y el estadstico
SSE(a)/(d 2)
Fd2,nd
SSE(p)/(n d)
(17.20)
representa el cociente entre la variacion debida a la falta de ajuste y la variacion debida

a causas puramente aleatorias. As, este estadstico nos sirve para contrastar la hipotesis
de linealidad. Si su valor, f , es grande, significa que la mayor parte del error procede de
la componente de falta de ajuste, por lo que deberemos rechazar la hipotesis de relacion
lineal perfecta. Por el contrario, si f es peque
no, significa que la mayor parte del error es
puramente aleatorio y no rechazaremos la hipotesis de relacion lineal perfecta.
270
Estadstica
La forma habitual de presentar todos los datos vistos en esta seccion es en la tabla
ANOVA completa, que se muestra en la figura 17.9
Fuente
Suma
Grados
Cuadrados
Error
Cuadrados
Libertad
Medios
Regresi
on
SSR
Error
SSE
n2
SSE/(n 2)
Ajuste
SSE(a)
d2
SSE(a)/(d 2)
Puro
SSE(p)
nd
SSE(p)/(n d)
SST
n1
Total
SSR/1
Estadstico
SSR/1
SSE/(n 2)
P (F1,n2 f )
SSE(a)/(d 2)
SSE(p)/(n d)
P (Fd2,nd f )
f=
f=
Valor-P
Figura 17.9: Tabla ANOVA completa
Tablas
estadsticas
271
Tabla A.1: Distribucion Binomial. P (B(n, p) x) =
x
X
k=0
n
k
pk (1 p)nk
p
n
.10
.20
.25
.30
.40
.50
.60
.70
.80
.90
.9000
.8000
.7500
.7000
.6000
.5000
.4000
.3000
.2000
.1000
1.0000
1.0000
1.0000
1.0000
1.0000
1.0000
1.0000
1.0000
1.0000
1.0000
.8100
.6400
.5625
.4900
.3600
.2500
.1600
.0900
.0400
.0100
.9900
.9600
.9375
.9100
.8400
.7500
.6400
.5100
.3600
.1900
1.0000
1.0000
1.0000
1.0000
1.0000
1.0000
1.0000
1.0000
1.0000
1.0000
.7290
.5120
.4219
.3430
.2160
.1250
.0640
.0270
.0080
.0010
.9720
.8960
.8438
.7840
.6480
.5000
.3520
.2160
.1040
.0280
.9990
.9920
.9844
.9730
.9360
.8750
.7840
.6570
.4880
.2710
1.0000
1.0000
1.0000
1.0000
1.0000
1.0000
1.0000
1.0000
1.0000
1.0000
.6561
.4096
.3164
.2401
.1296
.0625
.0256
.0081
.0016
.0001
.9477
.8192
.7383
.6517
.4752
.3125
.1792
.0837
.0272
.0037
.9963
.9728
.9492
.9163
.8208
.6875
.5248
.3483
.1808
.0523
.9999
.9984
.9961
.9919
.9744
.9375
.8704
.7599
.5904
.3439
1.0000
1.0000
1.0000
1.0000
1.0000
1.0000
1.0000
1.0000
1.0000
1.0000
.5905
.3277
.2373
.1681
.0778
.0312
.0102
.0024
.0003
.0000
.9185
.7373
.6328
.5282
.3370
.1875
.0870
.0308
.0067
.0005
.9914
.9421
.8965
.8369
.6826
.5000
.3174
.1631
.0579
.0086
.9995
.9933
.9844
.9692
.9130
.8125
.6630
.4718
.2627
.0815
1.0000
5
6
.9997
.9990
.9976
.9898
.9688
.9222
.8319
.6723
.4095
1.0000
1.0000
1.0000
1.0000
1.0000
1.0000
1.0000
1.0000
1.0000
.5314
.2621
.1780
.1176
.0467
.0156
.0041
.0007
.0001
.0000
.8857
.6554
.5339
.4202
.2333
.1094
.0410
.0109
.0016
.0001
.9841
.9011
.8306
.7443
.5443
.3438
.1792
.0705
.0170
.0013
.9987
.9830
.9624
.9295
.8208
.6562
.4557
.2557
.0989
.0159
.9999
.9984
.9954
.9891
.9590
.8906
.7667
.5798
.3446
.1143
1.0000
.9999
.9998
.9993
.9959
.9844
.9533
.8824
.7379
.4686
1.0000
1.0000
1.0000
1.0000
1.0000
1.0000
1.0000
1.0000
1.0000
272
Tabla A.1: Distribucion Binomial (Continuacion)

p
n
.10
.20
.25
.30
.40
.50
.60
.70
.80
.90
.4783
.2097
.1335
.0824
.0280
.0078
.0016
.0002
.0000
.0000
.8503
.5767
.4449
.3294
.1586
.0625
.0188
.0038
.0004
.0000
.9743
.8520
.7564
.6471
.4199
.2266
.0963
.0288
.0047
.0002
.9973
.9667
.9294
.8740
.7102
.5000
.2898
.1260
.0333
.0027
.9998
.9953
.9871
.9712
.9037
.7734
.5801
.3529
.1480
.0257
1.0000
.9996
.9987
.9962
.9812
.9375
.8414
.6706
.4233
.1497
1.0000
.9999
.9998
.9984
.9922
.9720
.9176
.7903
.5217
1.0000
1.0000
1.0000
1.0000
1.0000
1.0000
1.0000
1.0000
6
7
8
.4305
.1678
.1001
.0576
.0168
.0039
.0007
.0001
.0000
.0000
.8131
.5033
.3671
.2553
.1064
.0352
.0085
.0013
.0001
.0000
.9619
.7969
.6785
.5518
.3154
.1445
.0498
.0113
.0012
.0000
.9950
.9437
.8862
.8059
.5941
.3633
.1737
.0580
.0104
.0004
.9996
.9896
.9727
.9420
.8263
.6367
.4059
.1941
.0563
.0050
1.0000
.9988
.9958
.9887
.9502
.8555
.6846
.4482
.2031
.0381
.9999
.9996
.9987
.9915
.9648
.8936
.7447
.4967
.1869
1.0000
1.0000
8
9
.9999
.9993
.9961
.9832
.9424
.8322
.5695
1.0000
1.0000
1.0000
1.0000
1.0000
1.0000
1.0000
.3874
.1342
.0751
.0404
.0101
.0020
.0003
.0000
.0000
.0000
.7748
.4362
.3003
.1960
.0705
.0195
.0038
.0004
.0000
.0000
.9470
.7382
.6007
.4628
.2318
.0898
.0250
.0043
.0003
.0000
.9917
.9144
.8343
.7297
.4826
.2539
.0994
.0253
.0031
.0001
.9991
.9804
.9511
.9012
.7334
.5000
.2666
.0988
.0196
.0009
.9999
.9969
.9900
.9747
.9006
.7461
.5174
.2703
.0856
.0083
1.0000
.9997
.9987
.9957
.9750
.9102
.7682
.5372
.2618
.0530
1.0000
.9999
.9996
.9962
.9805
.9295
.8040
.5638
.2252
1.0000
1.0000
.9997
.9980
.9899
.9596
.8658
.6126
1.0000
1.0000
1.0000
1.0000
1.0000
1.0000
7
8
9
273

p
n
.10
.20
.25
.30
.40
.50
.60
.70
.80
.90
10
.3487
.1074
.0563
.0282
.0060
.0010
.0001
.0000
.0000
.0000
.7361
.3758
.2440
.1493
.0464
.0107
.0017
.0001
.0000
.0000
.9298
.6778
.5256
.3828
.1673
.0547
.0123
.0016
.0001
.0000
.9872
.8791
.7759
.6496
.3823
.1719
.0548
.0106
.0009
.0000
.9984
.9672
.9219
.8497
.6331
.3770
.1662
.0473
.0064
.0001
.9999
.9936
.9803
.9527
.8338
.6230
.3669
.1503
.0328
.0016
1.0000
.9991
.9965
.9894
.9452
.8281
.6177
.3504
.1209
.0128
.9999
.9996
.9984
.9877
.9453
.8327
.6172
.3222
.0702
1.0000
1.0000
.9999
.9983
.9893
.9536
.8507
.6242
.2639
1.0000
.9999
.9990
.9940
.9718
.8926
.6513
1.0000
1.0000
1.0000
1.0000
1.0000
1.0000
9
10
11
.3138
.0859
.0422
.0198
.0036
.0005
.0000
.0000
.0000
.0000
.6974
.3221
.1971
.1130
.0302
.0059
.0007
.0000
.0000
.0000
.9104
.6174
.4552
.3127
.1189
.0327
.0059
.0006
.0000
.0000
.9815
.8389
.7133
.5696
.2963
.1133
.0293
.0043
.0002
.0000
.9972
.9496
.8854
.7897
.5328
.2744
.0994
.0216
.0020
.0000
.9997
.9883
.9657
.9218
.7535
.5000
.2465
.0782
.0117
.0003
1.0000
.9980
.9924
.9784
.9006
.7256
.4672
.2103
.0504
.0028
.9998
.9988
.9957
.9707
.8867
.7037
.4304
.1611
.0185
1.0000
.9999
.9994
.9941
.9673
.8811
.6873
.3826
.0896
1.0000
1.0000
.9993
.9941
.9698
.8870
.6779
.3026
1.0000
.9995
.9964
.9802
.9141
.6862
1.0000
1.0000
1.0000
1.0000
1.0000
9
10
11
274

p
n
.10
.20
.25
.30
.40
.50
.60
.70
.80
.90
12
.2824
.0687
.0317
.0138
.0022
.0002
.0000
.0000
.0000
.0000
.6590
.2749
.1584
.0850
.0196
.0032
.0003
.0000
.0000
.0000
.8891
.5583
.3907
.2528
.0834
.0193
.0028
.0002
.0000
.0000
.9744
.7946
.6488
.4925
.2253
.0730
.0153
.0017
.0001
.0000
.9957
.9274
.8424
.7237
.4382
.1938
.0573
.0095
.0006
.0000
.9995
.9806
.9456
.8822
.6652
.3872
.1582
.0386
.0039
.0001
.9999
.9961
.9857
.9614
.8418
.6128
.3348
.1178
.0194
.0005
1.0000
.9994
.9972
.9905
.9427
.8062
.5618
.2763
.0726
.0043
.9999
.9996
.9983
.9847
.9270
.7747
.5075
.2054
.0256
1.0000
1.0000
.9998
.9972
.9807
.9166
.7472
.4417
.1109
1.0000
.9997
.9968
.9804
.9150
.7251
.3410
1.0000
.9998
.9978
.9862
.9313
.7176
1.0000
1.0000
1.0000
1.0000
1.0000
10
11
12
13
.2542
.0550
.0238
.0097
.0013
.0001
.0000
.0000
.0000
.0000
.6213
.2336
.1267
.0637
.0126
.0017
.0001
.0000
.0000
.0000
.8661
.5017
.3326
.2025
.0579
.0112
.0013
.0001
.0000
.0000
.9658
.7473
.5843
.4206
.1686
.0461
.0078
.0007
.0000
.0000
.9935
.9009
.7940
.6543
.3530
.1334
.0321
.0040
.0002
.0000
.9991
.9700
.9198
.8346
.5744
.2905
.0977
.0182
.0012
.0000
.9999
.9930
.9757
.9376
.7712
.5000
.2288
.0624
.0070
.0001
1.0000
.9988
.9944
.9818
.9023
.7095
.4256
.1654
.0300
.0009
.9998
.9990
.9960
.9679
.8666
.6470
.3457
.0991
.0065
1.0000
.9999
.9993
.9922
.9539
.8314
.5794
.2527
.0342
1.0000
.9999
.9987
.9888
.9421
.7975
.4983
.1339
.9999
.9983
.9874
.9363
.7664
.3787
1.0000
.9999
.9987
.9903
.9450
.7458
1.0000
1.0000
1.0000
1.0000
1.0000
10
11
12
1.0000
13
275

p
n
.10
.20
.25
.30
.40
.50
.60
.70
.80
.90
14
.2288
.0440
.0178
.0068
.0008
.0001
.0000
.0000
.0000
.0000
.5846
.1979
.1010
.0475
.0081
.0009
.0001
.0000
.0000
.0000
.8416
.4481
.2811
.1608
.0398
.0065
.0006
.0000
.0000
.0000
.9559
.6982
.5213
.3552
.1243
.0287
.0039
.0002
.0000
.0000
.9908
.8702
.7415
.5842
.2793
.0898
.0175
.0017
.0000
.0000
.9985
.9561
.8883
.7805
.4859
.2120
.0583
.0083
.0004
.0000
.9998
.9884
.9617
.9067
.6925
.3953
.1501
.0315
.0024
.0000
1.0000
.9976
.9897
.9685
.8499
.6047
.3075
.0933
.0116
.0002
.9996
.9978
.9917
.9417
.7880
.5141
.2195
.0439
.0015
1.0000
.9997
.9983
.9825
.9102
.7207
.4158
.1298
.0092
1.0000
.9998
.9961
.9713
.8757
.6448
.3018
.0441
11
1.0000
.9994
.9935
.9602
.8392
.5519
.1584
12
1.0000
.9999
.9991
.9919
.9525
.8021
.4154
1.0000
.9999
.9992
.9932
.9560
.7712
1.0000
1.0000
1.0000
1.0000
1.0000
10
13
14
15
.2059
.0352
.0134
.0047
.0005
.0000
.0000
.0000
.0000
.0000
.5490
.1671
.0802
.0353
.0052
.0005
.0000
.0000
.0000
.0000
.8159
.3980
.2361
.1268
.0271
.0037
.0003
.0000
.0000
.0000
.9444
.6482
.4613
.2969
.0905
.0176
.0019
.0001
.0000
.0000
.9873
.8358
.6865
.5155
.2173
.0592
.0093
.0007
.0000
.0000
.9977
.9389
.8516
.7216
.4032
.1509
.0338
.0037
.0001
.0000
.9997
.9819
.9434
.8689
.6098
.3036
.0950
.0152
.0008
.0000
1.0000
.9958
.9827
.9500
.7869
.5000
.2131
.0500
.0042
.0000
.9992
.9958
.9848
.9050
.6964
.3902
.1311
.0181
.0003
8
9
.9999
.9992
.9963
.9662
.8491
.5968
.2784
.0611
.0022
10
1.0000
.9999
.9993
.9907
.9408
.7827
.4845
.1642
.0127
1.0000
.9999
.9981
.9824
.9095
.7031
.3518
.0556
1.0000
.9997
.9963
.9729
.8732
.6020
.1841
1.0000
.9995
.9948
.9647
.8329
.4510
1.0000
.9995
.9953
.9648
.7941
1.0000
1.0000
1.0000
1.0000
11
12
13
14
15
276

p
n
.10
.20
.25
.30
.40
.50
.60
.70
.80
.90
16
.1853
.0281
.0100
.0033
.0003
.0000
.0000
.0000
.0000
.0000
.5147
.1407
.0635
.0261
.0033
.0003
.0000
.0000
.0000
.0000
.7892
.3518
.1971
.0994
.0183
.0021
.0001
.0000
.0000
.0000
.9316
.5981
.4050
.2459
.0651
.0106
.0009
.0000
.0000
.0000
.9830
.7982
.6302
.4499
.1666
.0384
.0049
.0003
.0000
.0000
.9967
.9183
.8103
.6598
.3288
.1051
.0191
.0016
.0000
.0000
.9995
.9733
.9204
.8247
.5272
.2272
.0583
.0071
.0002
.0000
.9999
.9930
.9729
.9256
.7161
.4018
.1423
.0257
.0015
.0000
1.0000
.9985
.9925
.9743
.8577
.5982
.2839
.0744
.0070
.0001
.9998
.9984
.9929
.9417
.7728
.4728
.1753
.0267
.0005
10
1.0000
.9997
.9984
.9809
.8949
.6712
.3402
.0817
.0033
1.0000
.9997
.9951
.9616
.8334
.5501
.2018
.0170
12
1.0000
.9991
.9894
.9349
.7541
.4019
.0684
13
1.0000
.9999
.9979
.9817
.9006
.6482
.2108
1.0000
.9997
.9967
.9739
.8593
.4853
1.0000
.9997
.9967
.9719
.8147
1.0000
1.0000
1.0000
1.0000
11
14
15
16
17
.1668
.0225
.0075
.0023
.0002
.0000
.0000
.0000
.0000
.0000
.4818
.1182
.0501
.0193
.0021
.0001
.0000
.0000
.0000
.0000
.7618
.3096
.1637
.0774
.0123
.0012
.0001
.0000
.0000
.0000
.9174
.5489
.3530
.2019
.0464
.0064
.0005
.0000
.0000
.0000
.9779
.7582
.5739
.3887
.1260
.0245
.0025
.0001
.0000
.0000
.9953
.8943
.7653
.5968
.2639
.0717
.0106
.0007
.0000
.0000
.9992
.9623
.8929
.7752
.4478
.1662
.0348
.0032
.0001
.0000
.9999
.9891
.9598
.8954
.6405
.3145
.0919
.0127
.0005
.0000
1.0000
.9974
.9876
.9597
.8011
.5000
.1989
.0403
.0026
.0000
.9995
.9969
.9873
.9081
.6855
.3595
.1046
.0109
.0001
10
.9999
.9994
.9968
.9652
.8338
.5522
.2248
.0377
.0008
11
1.0000
.9999
.9993
.9894
.9283
.7361
.4032
.1057
.0047
1.0000
.9999
.9975
.9755
.8740
.6113
.2418
.0221
1.0000
.9995
.9936
.9536
.7981
.4511
.0826
14
.9999
.9988
.9877
.9226
.6904
.2382
15
1.0000
.9999
.9979
.9807
.8818
.5182
12
13
16
1.0000
17
277
.9998
.9977
.9775
.8332
1.0000
1.0000
1.0000
1.0000

p
n
.10
.20
.25
.30
.40
.50
.60
.70
.80
.90
18
.1501
.0180
.0056
.0016
.0001
.0000
.0000
.0000
.0000
.0000
.4503
.0991
.0395
.0142
.0013
.0001
.0000
.0000
.0000
.0000
.7338
.2713
.1353
.0600
.0082
.0007
.0000
.0000
.0000
.0000
.9018
.5010
.3057
.1646
.0328
.0038
.0002
.0000
.0000
.0000
.9718
.7164
.5187
.3327
.0942
.0154
.0013
.0000
.0000
.0000
.9936
.8671
.7175
.5344
.2088
.0481
.0058
.0003
.0000
.0000
.9988
.9487
.8610
.7217
.3743
.1189
.0203
.0014
.0000
.0000
.9998
.9837
.9431
.8593
.5634
.2403
.0576
.0061
.0002
.0000
1.0000
.9957
.9807
.9404
.7368
.4073
.1347
.0210
.0009
.0000
.9991
.9946
.9790
.8653
.5927
.2632
.0596
.0043
.0000
10
.9998
.9988
.9939
.9424
.7597
.4366
.1407
.0163
.0002
11
1.0000
.9998
.9986
.9797
.8811
.6257
.2783
.0513
.0012
1.0000
.9997
.9942
.9519
.7912
.4656
.1329
.0064
1.0000
.9987
.9846
.9058
.6673
.2836
.0282
14
.9998
.9962
.9672
.8354
.4990
.0982
15
1.0000
.9993
.9918
.9400
.7287
.2662
12
13
16
.9999
.9987
.9858
.9009
.5497
17
1.0000
.9999
.9984
.9820
.8499
1.0000
1.0000
1.0000
1.0000
18
278

p
n
.10
.20
.25
.30
.40
.50
.60
.70
.80
.90
19
.1351
.0144
.0042
.0011
.0001
.0000
.0000
.0000
.0000
.0000
.4203
.0829
.0310
.0104
.0008
.0000
.0000
.0000
.0000
.0000
.7054
.2369
.1113
.0462
.0055
.0004
.0000
.0000
.0000
.0000
.8850
.4551
.2631
.1332
.0230
.0022
.0001
.0000
.0000
.0000
.9648
.6733
.4654
.2822
.0696
.0096
.0006
.0000
.0000
.0000
.9914
.8369
.6678
.4739
.1629
.0318
.0031
.0001
.0000
.0000
.9983
.9324
.8251
.6655
.3081
.0835
.0116
.0006
.0000
.0000
.9997
.9767
.9225
.8180
.4878
.1796
.0352
.0028
.0000
.0000
1.0000
.9933
.9713
.9161
.6675
.3238
.0885
.0105
.0003
.0000
.9984
.9911
.9674
.8139
.5000
.1861
.0326
.0016
.0000
10
.9997
.9977
.9895
.9115
.6762
.3325
.0839
.0067
.0000
11
1.0000
.9995
.9972
.9648
.8204
.5122
.1820
.0233
.0003
12
.9999
.9994
.9884
.9165
.6919
.3345
.0676
.0017
13
1.0000
.9999
.9969
.9682
.8371
.5261
.1631
.0086
1.0000
.9994
.9904
.9304
.7178
.3267
.0352
15
.9999
.9978
.9770
.8668
.5449
.1150
16
1.0000
.9996
.9945
.9538
.7631
.2946
1.0000
.9992
.9896
.9171
.5797
18
.9999
.9989
.9856
.8649
19
1.0000
1.0000
1.0000
1.0000
14
17
279

p
n
.10
.20
.25
.30
.40
.50
.60
.70
.80
.90
20
.1216
.0115
.0032
.0008
.0000
.0000
.0000
.0000
.0000
.0000
.3917
.0692
.0243
.0076
.0005
.0000
.0000
.0000
.0000
.0000
.6769
.2061
.0913
.0355
.0036
.0002
.0000
.0000
.0000
.0000
.8670
.4114
.2252
.1071
.0160
.0013
.0000
.0000
.0000
.0000
.9568
.6296
.4148
.2375
.0510
.0059
.0003
.0000
.0000
.0000
.9887
.8042
.6172
.4164
.1256
.0207
.0016
.0000
.0000
.0000
.9976
.9133
.7858
.6080
.2500
.0577
.0065
.0003
.0000
.0000
.9996
.9679
.8982
.7723
.4159
.1316
.0210
.0013
.0000
.0000
.9999
.9900
.9591
.8867
.5956
.2517
.0565
.0051
.0001
.0000
1.0000
.9974
.9861
.9520
.7553
.4119
.1275
.0171
.0006
.0000
10
.9994
.9961
.9829
.8725
.5881
.2447
.0480
.0026
.0000
11
.9999
.9991
.9949
.9435
.7483
.4044
.1133
.0100
.0001
12
1.0000
.9998
.9987
.9790
.8684
.5841
.2277
.0321
.0004
1.0000
.9997
.9935
.9423
.7500
.3920
.0867
.0024
1.0000
.9984
.9793
.8744
.5836
.1958
.0113
15
.9997
.9941
.9490
.7625
.3704
.0432
16
1.0000
13
14
.9987
.9840
.8929
.5886
.1330
17
.9998
.9964
.9645
.7939
.3231
18
1.0000
.9995
.9924
.9308
.6083
1.0000
.9992
.9885
.8784
1.0000
1.0000
1.0000
19
20
280
Tabla A.2: Distribucion de Poisson. P (P() x) =
0.1
0.2
0.3
0.4
0.5
0
1
2
3
4
5
6
0.9048
0.9953
0.9998
1.0000
0.8187
0.9825
0.9989
0.9999
1.0000
0.7408
0.9631
0.9964
0.9997
1.0000
0.6703
0.9384
0.9921
0.9992
0.9999
1.0000
0.6065
0.9098
0.9856
0.9982
0.9998
1.0000
1.0
1.5
2.0
2.5
0
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
0.3679
0.7358
0.9197
0.9810
0.9963
0.9994
0.9999
1.0000
0.2231
0.5578
0.8088
0.9344
0.9814
0.9955
0.9991
0.9998
1.0000
0.1353
0.4060
0.6767
0.8571
0.9473
0.9834
0.9955
0.9989
0.9998
1.0000
0.0821
0.2873
0.5438
0.7576
0.8912
0.9580
0.9858
0.9958
0.9989
0.9997
0.9999
1.0000
3.0
0.0498
0.1991
0.4232
0.6472
0.8153
0.9161
0.9665
0.9881
0.9962
0.9989
0.9997
0.9999
1.0000
281
x
X
k
k=0
k!
0.6
0.7
0.8
0.9
0.5488
0.8781
0.9769
0.9966
0.9996
1.0000
0.4966
0.8442
0.9659
0.9942
0.9992
0.9999
1.0000
0.4493
0.8088
0.9526
0.9909
0.9986
0.9998
1.0000
0.4066
0.7725
0.9371
0.9865
0.9977
0.9997
1.0000
3.5
4.0
4.5
5.0
0.0302
0.1359
0.3208
0.5366
0.7254
0.8576
0.9347
0.9733
0.9901
0.9967
0.9990
0.9997
0.9999
1.0000
0.0183
0.0916
0.2381
0.4335
0.6288
0.7851
0.8893
0.9489
0.9786
0.9919
0.9972
0.9991
0.9997
0.9999
1.0000
0.0111
0.0611
0.1736
0.3423
0.5321
0.7029
0.8311
0.9134
0.9597
0.9829
0.9933
0.9976
0.9992
0.9997
0.9999
1.0000
0.0067
0.0404
0.1247
0.2650
0.4405
0.6160
0.7622
0.8666
0.9319
0.9682
0.9863
0.9945
0.9980
0.9993
0.9998
0.9999
1.0000
Tabla A.2: Distribucion de Poisson (Continuacion)

x
5.5
6.0
6.5
7.0
0
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
0.0041
0.0266
0.0884
0.2017
0.3575
0.5289
0.6860
0.8095
0.8944
0.9462
0.9747
0.9890
0.9955
0.9983
0.9994
0.9998
0.9999
1.0000
0.0025
0.0174
0.0620
0.1512
0.2851
0.4457
0.6063
0.7440
0.8472
0.9161
0.9574
0.9799
0.9912
0.9964
0.9986
0.9995
0.9998
0.9999
1.0000
0.0015
0.0113
0.0430
0.1118
0.2237
0.3690
0.5265
0.6728
0.7916
0.8774
0.9332
0.9661
0.9840
0.9929
0.9970
0.9988
0.9996
0.9998
0.9999
1.0000
0.0009
0.0073
0.0296
0.0818
0.1730
0.3007
0.4497
0.5987
0.7291
0.8305
0.9015
0.9467
0.9730
0.9872
0.9943
0.9976
0.9990
0.9996
0.9999
1.0000
7.5
0.0006
0.0047
0.0203
0.0591
0.1321
0.2414
0.3782
0.5246
0.6620
0.7764
0.8622
0.9208
0.9573
0.9784
0.9897
0.9954
0.9980
0.9992
0.9997
0.9999
1.0000
282
8.0
8.5
9.0
9.5
0.0003
0.0030
0.0138
0.0424
0.0996
0.1912
0.3134
0.4530
0.5925
0.7166
0.8159
0.8881
0.9362
0.9658
0.9827
0.9918
0.9963
0.9984
0.9993
0.9997
0.9999
1.0000
0.0002
0.0019
0.0093
0.0301
0.0744
0.1496
0.2562
0.3856
0.5231
0.6530
0.7634
0.8487
0.9091
0.9486
0.9726
0.9862
0.9934
0.9970
0.9987
0.9995
0.9998
0.9999
1.0000
0.0001
0.0012
0.0062
0.0212
0.0550
0.1157
0.2068
0.3239
0.4557
0.5874
0.7060
0.8030
0.8758
0.9261
0.9585
0.9780
0.9889
0.9947
0.9976
0.9989
0.9996
0.9998
0.9999
1.0000
0.0001
0.0008
0.0042
0.0149
0.0403
0.0885
0.1649
0.2687
0.3918
0.5218
0.6453
0.7520
0.8364
0.8981
0.9400
0.9665
0.9823
0.9911
0.9957
0.9980
0.9991
0.9996
0.9999
0.9999
1.0000
Tabla A.2: Distribucion de Poisson (Continuacion)

x
10.0
11.0
12.0
13.0
0
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
32
33
34
35
36
37
0.0000
0.0005
0.0028
0.0103
0.0293
0.0671
0.1301
0.2202
0.3328
0.4579
0.5830
0.6968
0.7916
0.8645
0.9165
0.9513
0.9730
0.9857
0.9928
0.9965
0.9984
0.9993
0.9997
0.9999
1.0000
0.0000
0.0002
0.0012
0.0049
0.0151
0.0375
0.0786
0.1432
0.2320
0.3405
0.4599
0.5793
0.6887
0.7813
0.8540
0.9074
0.9441
0.9678
0.9823
0.9907
0.9953
0.9977
0.9990
0.9995
0.9998
0.9999
1.0000
0.0000
0.0001
0.0005
0.0023
0.0076
0.0203
0.0458
0.0895
0.1550
0.2424
0.3472
0.4616
0.5760
0.6815
0.7720
0.8444
0.8987
0.9370
0.9626
0.9787
0.9884
0.9939
0.9970
0.9985
0.9993
0.9997
0.9999
0.9999
1.0000
0.0000
0.0000
0.0002
0.0011
0.0037
0.0107
0.0259
0.0540
0.0998
0.1658
0.2517
0.3532
0.4631
0.5730
0.6751
0.7636
0.8355
0.8905
0.9302
0.9573
0.9750
0.9859
0.9924
0.9960
0.9980
0.9990
0.9995
0.9998
0.9999
1.0000
14.0
0.0000
0.0000
0.0001
0.0005
0.0018
0.0055
0.0142
0.0316
0.0621
0.1094
0.1757
0.2600
0.3585
0.4644
0.5704
0.6694
0.7559
0.8272
0.8826
0.9235
0.9521
0.9712
0.9833
0.9907
0.9950
0.9974
0.9987
0.9994
0.9997
0.9999
0.9999
1.0000
283
15.0
16.0
17.0
18.0
0.0000
0.0000
0.0000
0.0002
0.0009
0.0028
0.0076
0.0180
0.0374
0.0699
0.1185
0.1848
0.2676
0.3632
0.4657
0.5681
0.6641
0.7489
0.8195
0.8752
0.9170
0.9469
0.9673
0.9805
0.9888
0.9938
0.9967
0.9983
0.9991
0.9996
0.9998
0.9999
1.0000
0.0000
0.0000
0.0000
0.0001
0.0004
0.0014
0.0040
0.0100
0.0220
0.0433
0.0774
0.1270
0.1931
0.2745
0.3675
0.4667
0.5660
0.6593
0.7423
0.8122
0.8682
0.9108
0.9418
0.9633
0.9777
0.9869
0.9925
0.9959
0.9978
0.9989
0.9994
0.9997
0.9999
0.9999
1.0000
0.0000
0.0000
0.0000
0.0000
0.0002
0.0007
0.0021
0.0054
0.0126
0.0261
0.0491
0.0847
0.1350
0.2009
0.2808
0.3715
0.4677
0.5640
0.6550
0.7363
0.8055
0.8615
0.9047
0.9367
0.9594
0.9748
0.9848
0.9912
0.9950
0.9973
0.9986
0.9993
0.9996
0.9998
0.9999
1.0000
0.0000
0.0000
0.0000
0.0000
0.0001
0.0003
0.0010
0.0029
0.0071
0.0154
0.0304
0.0549
0.0917
0.1426
0.2081
0.2867
0.3751
0.4686
0.5622
0.6509
0.7307
0.7991
0.8551
0.8989
0.9317
0.9554
0.9718
0.9827
0.9897
0.9941
0.9967
0.9982
0.9990
0.9995
0.9998
0.9999
0.9999
1.0000
Tabla A.3: Distribucion Normal Estandar. P (N(0, 1) z)
0.00
0.01
0.02
0.03
0.04
0.05
0.06
0.07
0.08
0.09
0.0
.5000 .4960 .4920 .4880 .4840 .4801 .4761 .4721 .4681 .4641
0.1
.4602 .4562 .4522 .4483 .4443 .4404 .4364 .4325 .4286 .4247
0.2
.4207 .4168 .4129 .4090 .4052 .4013 .3974 .3936 .3897 .3859
0.3
.3821 .3783 .3745 .3707 .3669 .3632 .3594 .3557 .3520 .3483
0.4
.3446 .3409 .3372 .3336 .3300 .3264 .3228 .3192 .3156 .3121
0.5
.3085 .3050 .3015 .2981 .2946 .2912 .2877 .2843 .2810 .2776
0.6
.2743 .2709 .2676 .2643 .2611 .2578 .2546 .2514 .2483 .2451
0.7
.2420 .2389 .2358 .2327 .2296 .2266 .2236 .2206 .2177 .2148
0.8
.2119 .2090 .2061 .2033 .2005 .1977 .1949 .1922 .1894 .1867
0.9
.1841 .1814 .1788 .1762 .1736 .1711 .1685 .1660 .1635 .1611
1.0
.1587 .1562 .1539 .1515 .1492 .1469 .1446 .1423 .1401 .1379
1.1
.1357 .1335 .1314 .1292 .1271 .1251 .1230 .1210 .1190 .1170
1.2
.1151 .1131 .1112 .1093 .1075 .1056 .1038 .1020 .1003 .0985
1.3
.0968 .0951 .0934 .0918 .0901 .0885 .0869 .0853 .0838 .0823
1.4
.0808 .0793 .0778 .0764 .0749 .0735 .0721 .0708 .0694 .0681
1.5
.0668 .0655 .0642 .0630 .0618 .0606 .0594 .0582 .0571 .0559
284
Tabla A.3: Distribucion Normal Estandar (Continuacion)
0.00
0.01
0.02
0.03
0.04
0.05
0.06
0.07
0.08
0.09
1.6
.0548 .0537 .0526 .0516 .0505 .0495 .0485 .0475 .0465 .0455
1.7
.0446 .0436 .0427 .0418 .0409 .0401 .0392 .0384 .0375 .0367
1.8
.0359 .0351 .0344 .0336 .0329 .0322 .0314 .0307 .0301 .0294
1.9
.0287 .0281 .0274 .0268 .0262 .0256 .0250 .0244 .0239 .0233
2.0
.0228 .0222 .0217 .0212 .0207 .0202 .0197 .0192 .0188 .0183
2.1
.0179 .0174 .0170 .0166 .0162 .0158 .0154 .0150 .0146 .0143
2.2
.0139 .0136 .0132 .0129 .0125 .0122 .0119 .0116 .0113 .0110
2.3
.0107 .0104 .0102 .0099 .0096 .0094 .0091 .0089 .0087 .0084
2.4
.0082 .0080 .0078 .0075 .0073 .0071 .0069 .0068 .0066 .0064
2.5
.0062 .0060 .0059 .0057 .0055 .0054 .0052 .0051 .0049 .0048
2.6
.0047 .0045 .0044 .0043 .0041 .0040 .0039 .0038 .0037 .0036
2.7
.0035 .0034 .0033 .0032 .0031 .0030 .0029 .0028 .0027 .0026
2.8
.0026 .0025 .0024 .0023 .0023 .0022 .0021 .0021 .0020 .0019
2.9
.0019 .0018 .0018 .0017 .0016 .0016 .0015 .0015 .0014 .0014
3.0
.0013 .0013 .0013 .0012 .0012 .0011 .0011 .0011 .0010 .0010
3.1
.0010 .0009 .0009 .0009 .0008 .0008 .0008 .0008 .0007 .0007
3.2
.0007 .0007 .0006 .0006 .0006 .0006 .0006 .0005 .0005 .0005
3.3
.0005 .0005 .0005 .0004 .0004 .0004 .0004 .0004 .0004 .0003
3.4
.0003 .0003 .0003 .0003 .0003 .0003 .0003 .0003 .0003 .0002
285
Tabla A.4: Distribucion t-Student. P (tn a)

Probabilidades
Grados de
libertad
0.40
0.25
0.15
0.10
0.05
0.025
0.001
0.005
0.3249 1.0000 1.9626 3.0777 6.3138 12.7062 31.8205 63.6567
0.2887 0.8165 1.3862 1.8856 2.9200
4.3027
6.9646
9.9248
0.2767 0.7649 1.2498 1.6377 2.3534
3.1824
4.5408
5.8408
0.2707 0.7407 1.1896 1.5332 2.1318
2.7764
3.7470
4.6041
0.2672 0.7267 1.1558 1.4759 2.0150
2.5706
3.3649
4.0321
0.2648 0.7176 1.1342 1.4398 1.9432
2.4469
3.1427
3.7074
0.2632 0.7111 1.1192 1.4149 1.8946
2.3646
2.9980
3.4995
0.2619 0.7064 1.1081 1.3968 1.8595
2.3060
2.8965
3.3554
0.2610 0.7027 1.0997 1.3830 1.8331
2.2622
2.8215
3.2498
10
0.2602 0.6998 1.0931 1.3722 1.8125
2.2281
2.7638
3.1693
11
0.2596 0.6974 1.0877 1.3634 1.7959
2.2010
2.7181
3.1058
12
0.2590 0.6955 1.0832 1.3562 1.7823
2.1788
2.6810
3.0546
13
0.2586 0.6938 1.0795 1.3502 1.7709
2.1604
2.6503
3.0123
14
0.2582 0.6924 1.0763 1.3450 1.7613
2.1448
2.6245
2.9768
15
0.2579 0.6912 1.0735 1.3406 1.7531
2.1314
2.6025
2.9467
16
0.2576 0.6901 1.0711 1.3368 1.7459
2.1199
2.5835
2.9208
17
0.2573 0.6892 1.0690 1.3334 1.7396
2.1098
2.5669
2.8982
18
0.2571 0.6884 1.0672 1.3304 1.7341
2.1009
2.5524
2.8784
19
0.2569 0.6876 1.0655 1.3277 1.7291
2.0930
2.5395
2.8609
20
0.2567 0.6870 1.0640 1.3253 1.7247
2.0860
2.5280
2.8453
286
Tabla A.4: Distribucion t-Student (Continuacion)

Probabilidades
Grados de
libertad
0.40
0.25
0.15
0.10
0.05
0.025
0.001
0.005
21
0.2566 0.6864 1.0627 1.3232 1.7207 2.0796 2.5176 2.8314
22
0.2564 0.6858 1.0614 1.3212 1.7171 2.0739 2.5083 2.8188
23
0.2563 0.6853 1.0603 1.3195 1.7139 2.0687 2.4999 2.8073
24
0.2562 0.6848 1.0593 1.3178 1.7109 2.0639 2.4922 2.7969
25
0.2561 0.6844 1.0584 1.3163 1.7081 2.0595 2.4851 2.7874
26
0.2560 0.6840 1.0575 1.3150 1.7056 2.0555 2.4786 2.7787
27
0.2559 0.6837 1.0567 1.3137 1.7033 2.0518 2.4727 2.7707
28
0.2558 0.6834 1.0560 1.3125 1.7011 2.0484 2.4671 2.7633
29
0.2557 0.6830 1.0553 1.3114 1.6991 2.0452 2.4620 2.7564
30
0.2556 0.6828 1.0547 1.3104 1.6973 2.0423 2.4573 2.7500
35
0.2553 0.6816 1.0520 1.3062 1.6896 2.0301 2.4377 2.7238
40
0.2550 0.6807 1.0500 1.3031 1.6839 2.0211 2.4233 2.7045
45
0.2549 0.6800 1.0485 1.3006 1.6794 2.0141 2.4121 2.6896
50
0.2547 0.6794 1.0473 1.2987 1.6759 2.0086 2.4033 2.6778
60
0.2545 0.6786 1.0455 1.2958 1.6706 2.0003 2.3901 2.6603
70
0.2543 0.6780 1.0442 1.2938 1.6669 1.9944 2.3808 2.6479
80
0.2542 0.6776 1.0432 1.2922 1.6641 1.9901 2.3739 2.6387
90
0.2541 0.6772 1.0424 1.2910 1.6620 1.9867 2.3685 2.6316
100
0.2540 0.6770 1.0418 1.2901 1.6602 1.9840 2.3642 2.6259
120
0.2539 0.6765 1.0409 1.2886 1.6577 1.9799 2.3578 2.6174
150
0.2538 0.6761 1.0400 1.2872 1.6551 1.9759 2.3515 2.6090
200
0.2537 0.6757 1.0391 1.2858 1.6525 1.9719 2.3451 2.6006
300
0.2536 0.6753 1.0382 1.2844 1.6499 1.9679 2.3388 2.5923
0.2533 0.6745 1.0364 1.2816 1.6449 1.9600 2.3263 2.5758
287
Tabla A.5: Distribucon 2n . P (2n a)

Probabilidades
Grados de
libertad
0.99
0.975
0.95
0.90
0.75
0.50
0.25
0.10
0.05
0.025
0.01
1.571
9.821
39.320
0.016
0.102
0.455
1.323
2.706
3.841
5.024
6.635
0.020
0.051
0.103
0.211
0.575
1.386
2.773
4.605
5.991
7.378
9.210
0.115
0.216
0.352
0.584
1.213
2.366
4.108
6.252
7.815
9.349
11.346
0.297
0.484
0.711
1.064
1.923
3.357
5.385
7.779
9.488
11.143
13.277
0.554
0.831
1.145
1.610
2.675
4.351
6.626
9.236
11.070
12.832
15.086
288
0.872
1.237
1.635
2.204
3.455
5.348
7.841
10.645
12.592
14.449
16.812
1.239
1.690
2.167
2.833
4.255
6.346
9.037
12.017
14.067
16.013
18.475
1.646
2.180
2.733
3.490
5.071
7.344
10.219
13.362
15.507
17.535
20.090
2.088
2.700
3.325
4.168
5.899
8.343
11.389
14.684
16.919
19.023
21.666
10
2.558
3.247
3.940
4.865
6.737
9.342
12.549
15.987
18.307
20.483
23.209
11
3.053
3.816
4.575
5.578
7.584
10.341
13.701
17.275
19.675
21.920
24.725
12
3.571
4.404
5.226
6.304
8.438
11.340
14.845
18.549
21.026
23.337
26.217
13
4.107
5.009
5.892
7.041
9.299
12.340
15.984
19.812
22.362
24.712
27.688
14
4.660
5.629
6.571
7.790
10.165
13.339
17.117
21.064
23.685
26.119
29.141
15
5.229
6.262
7.261
8.547
11.037
14.339
18.245
22.307
24.996
27.488
30.578
16
5.812
6.908
7.962
9.312
11.912
15.338
19.369
23.542
26.296
28.845
32.000
17
6.408
7.564
8.672
10.085
12.792
16.338
20.489
24.769
27.587
30.191
33.409
18
7.015
8.231
9.390
10.865
13.675
17.338
21.605
25.989
28.869
31.526
34.805
19
7.633
8.907
10.117
11.651
14.562
18.338
22.718
27.204
30.144
32.852
36.191
20
8.260
9.591
10.851
12.443
15.452
19.337
23.828
28.412
31.410
34.170
37.566
Dividir entre 1000
Tabla A.5: Distribucion 2n (Continuacion)

Probabilidades
Grados de
289
libertad
0.99
0.975
0.95
0.90
0.75
0.50
0.25
0.10
0.05
0.025
0.01
21
8.897
10.283
11.591
13.240
16.344
20.337
24.935
29.615
32.671
35.479
38.932
22
9.542
10.982
12.338
14.041
17.240
21.337
26.039
30.813
33.924
36.781
40.289
23
10.196
11.689
13.091
14.848
18.137
22.337
27.141
32.007
35.172
38.076
41.638
24
10.856
12.401
13.848
15.659
19.037
23.337
28.241
33.196
36.415
39.364
42.980
25
11.524
13.120
14.611
16.473
19.939
24.337
29.339
34.382
37.652
40.646
44.314
26
12.198
13.844
15.379
17.292
20.843
25.336
30.435
35.563
38.885
41.923
45.642
27
12.879
14.573
16.151
18.114
21.749
26.336
31.528
36.741
40.113
43.194
46.963
28
13.565
15.308
16.928
18.939
22.657
27.336
32.620
37.916
41.329
44.461
48.278
29
14.256
16.047
17.708
19.768
23.567
28.336
33.711
39.087
42.557
45.722
49.588
30
14.954
16.791
18.493
20.599
24.478
29.336
34.800
40.256
43.773
46.979
50.892
40
22.164
24.433
26.509
29.050
33.660
39.335
45.616
51.805
55.758
59.342
63.691
50
29.707
32.357
34.764
37.689
42.942
49.335
56.334
63.167
67.505
71.420
76.154
60
37.485
40.482
43.188
46.459
52.294
59.335
66.981
74.397
79.082
83.298
88.379
70
45.442
48.758
51.739
55.329
61.698
69.334
77.577
85.527
90.531
95.023
100.425
80
53.540
57.153
60.391
64.278
71.144
70.334
88.130
96.578
101.879
106.629
112.329
90
61.754
65.647
69.126
73.291
80.625
89.334
98.650
107.565
113.145
118.136
124.116
100
70.065
74.222
77.929
82.358
90.133
99.334
109.141
118.498
124.342
129.561
135.807
Tabla A.6.1: Distribucion Fnm . P (Fnm a) = 0.25

Grados de
Grados del libertad del numerador (n)
libertad del
denominador (m)
290
10
12
15
20
24
30
40
60
120
1
2
3
4
5
5.83
2.57
2.02
1.81
1.69
7.50
3.00
2.28
2.00
1.85
8.20
3.15
2.36
2.05
1.88
8.58
3.23
2.39
2.06
1.89
8.82
3.28
2.41
2.07
1.89
8.98
3.31
2.42
2.08
1.89
9.10
3.34
2.43
2.08
1.89
9.19
3.35
2.44
2.08
1.89
9.26
3.37
2.44
2.08
1.89
9.32
3.38
2.44
2.08
1.89
9.41
3.39
2.45
2.08
1.89
9.49
3.41
2.46
2.08
1.89
9.58
3.43
2.46
2.08
1.88
9.63
3.43
2.46
2.08
1.88
9.67
3.44
2.47
2.08
1.88
9.71
3.45
2.47
2.08
1.88
9.76
3.46
2.47
2.08
1.87
9.80
3.47
2.47
2.08
1.87
9.85
3.48
2.47
2.08
1.87
6
7
8
9
10
1.62
1.57
1.54
1.51
1.49
1.76
1.70
1.66
1.62
1.60
1.78
1.72
1.67
1.63
1.60
1.79
1.72
1.66
1.63
1.59
1.79
1.71
1.66
1.62
1.59
1.78
1.71
1.65
1.61
1.58
1.78
1.70
1.64
1.60
1.57
1.78
1.70
1.64
1.60
1.56
1.77
1.69
1.63
1.59
1.56
1.77
1.69
1.63
1.59
1.55
1.77
1.68
1.62
1.58
1.54
1.76
1.68
1.62
1.57
1.53
1.76
1.67
1.61
1.56
1.52
1.75
1.67
1.60
1.56
1.52
1.75
1.66
1.60
1.55
1.51
1.75
1.66
1.59
1.54
1.51
1.74
1.65
1.59
1.54
1.50
1.74
1.65
1.58
1.53
1.49
1.74
1.65
1.58
1.53
1.48
11
12
13
14
15
1.47
1.46
1.45
1.44
1.43
1.58
1.56
1.55
1.53
1.52
1.58
1.56
1.55
1.53
1.52
1.57
1.55
1.53
1.52
1.51
1.56
1.54
1.52
1.51
1.49
1.55
1.53
1.51
1.50
1.48
1.54
1.52
1.50
1.49
1.47
1.53
1.51
1.49
1.48
1.46
1.53
1.51
1.49
1.47
1.46
1.52
1.50
1.48
1.46
1.45
1.51
1.49
1.47
1.45
1.44
1.50
1.48
1.46
1.44
1.43
1.49
1.47
1.45
1.43
1.41
1.49
1.46
1.44
1.42
1.41
1.48
1.45
1.43
1.41
1.40
1.47
1.45
1.42
1.41
1.39
1.47
1.44
1.42
1.40
1.38
1.46
1.43
1.41
1.39
1.37
1.45
1.42
1.40
1.38
1.36
16
17
18
19
20
1.42
1.42
1.41
1.41
1.40
1.51
1.51
1.50
1.49
1.49
1.51
1.50
1.49
1.49
1.48
1.50
1.49
1.48
1.47
1.47
1.48
1.47
1.46
1.46
1.45
1.47
1.46
1.45
1.44
1.44
1.46
1.45
1.44
1.43
1.43
1.45
1.44
1.43
1.42
1.42
1.44
1.43
1.42
1.41
1.41
1.44
1.43
1.42
1.41
1.40
1.43
1.41
1.40
1.40
1.39
1.41
1.40
1.39
1.38
1.37
1.40
1.39
1.38
1.37
1.36
1.39
1.38
1.37
1.36
1.35
1.38
1.37
1.36
1.35
1.34
1.37
1.36
1.35
1.34
1.33
1.36
1.35
1.34
1.33
1.32
1.35
1.34
1.33
1.32
1.31
1.34
1.33
1.32
1.30
1.29
21
22
23
24
25
1.40
1.40
1.39
1.39
1.39
1.48
1.48
1.47
1.47
1.47
1.48
1.47
1.47
1.46
1.46
1.46
1.45
1.45
1.44
1.44
1.44
1.44
1.43
1.43
1.42
1.43
1.42
1.42
1.41
1.41
1.42
1.41
1.41
1.40
1.40
1.41
1.40
1.40
1.39
1.39
1.40
1.39
1.39
1.38
1.38
1.39
1.39
1.38
1.38
1.37
1.38
1.37
1.37
1.36
1.36
1.37
1.36
1.35
1.35
1.34
1.35
1.34
1.34
1.33
1.33
1.34
1.33
1.33
1.32
1.32
1.33
1.32
1.32
1.31
1.31
1.32
1.31
1.31
1.30
1.29
1.31
1.30
1.30
1.29
1.28
1.30
1.29
1.28
1.28
1.27
1.28
1.28
1.27
1.26
1.25
26
27
28
29
30
1.38
1.38
1.38
1.38
1.38
1.46
1.46
1.46
1.45
1.45
1.45
1.45
1.45
1.45
1.44
1.44
1.43
1.43
1.43
1.42
1.42
1.42
1.41
1.41
1.41
1.41
1.40
1.40
1.40
1.39
1.39
1.39
1.39
1.38
1.38
1.38
1.38
1.38
1.37
1.37
1.37
1.37
1.37
1.36
1.36
1.37
1.36
1.36
1.35
1.35
1.35
1.35
1.34
1.34
1.34
1.34
1.33
1.33
1.32
1.32
1.32
1.32
1.31
1.31
1.30
1.31
1.31
1.30
1.30
1.29
1.30
1.30
1.29
1.29
1.28
1.29
1.28
1.28
1.27
1.27
1.28
1.27
1.27
1.26
1.26
1.26
1.26
1.25
1.25
1.24
1.25
1.24
1.24
1.23
1.23
40
60
120
1.36
1.35
1.34
1.32
1.44
1.42
1.40
1.39
1.42
1.41
1.39
1.37
1.40
1.38
1.37
1.35
1.39
1.37
1.35
1.33
1.37
1.35
1.33
1.31
1.36
1.33
1.31
1.29
1.35
1.32
1.30
1.28
1.34
1.31
1.29
1.27
1.33
1.30
1.28
1.25
1.31
1.29
1.26
1.24
1.30
1.27
1.24
1.22
1.28
1.25
1.22
1.19
1.26
1.24
1.21
1.18
1.25
1.22
1.19
1.16
1.24
1.21
1.18
1.14
1.22
1.19
1.16
1.12
1.21
1.17
1.13
1.08
1.19
1.15
1.10
1.00

Grados de
libertad del
291
denominador (m)
10
12
15
20
24
30
40
60
120
1
2
3
4
5
39.86
8.53
5.54
4.54
4.06
49.50
9.00
5.46
4.32
3.78
53.59
9.16
5.39
4.19
3.62
55.83
9.24
5.34
4.11
3.52
57.24
9.29
5.31
4.05
3.45
58.20
9.33
5.28
4.01
3.40
58.91
9.35
5.27
3.98
3.37
59.44
9.37
5.25
3.95
3.34
59.86
9.38
5.24
3.94
3.32
60.19
9.39
5.23
3.92
3.30
60.71
9.41
5.22
3.90
3.27
61.22
9.42
5.20
3.87
3.24
61.74
9.44
5.18
3.84
3.21
62.00
9.45
5.18
3.83
3.19
62.26
9.46
5.17
3.82
3.17
62.53
9.47
5.16
3.80
3.16
62.79
9.47
5.15
3.79
3.14
63.06
9.48
5.14
3.78
3.12
63.33
9.49
5.13
3.76
3.10
6
7
8
9
10
3.78
3.59
3.46
3.36
3.29
3.46
3.26
3.11
3.01
2.92
3.29
3.07
2.92
2.81
2.73
3.18
2.96
2.81
2.69
2.61
3.11
2.88
2.73
2.61
2.52
3.05
2.83
2.67
2.55
2.46
3.01
2.78
2.62
2.51
2.41
2.98
2.75
2.59
2.47
2.38
2.96
2.72
2.56
2.44
2.35
2.94
2.70
2.54
2.42
2.32
2.90
2.67
2.50
2.38
2.28
2.87
2.63
2.46
2.34
2.24
2.84
2.59
2.42
2.30
2.20
2.82
2.58
2.40
2.28
2.18
2.80
2.56
2.38
2.25
2.16
2.78
2.54
2.36
2.23
2.13
2.76
2.51
2.34
2.21
2.11
2.74
2.49
2.32
2.18
2.08
2.72
2.47
2.29
2.16
2.06
11
12
13
14
15
3.23
3.18
3.14
3.10
3.07
2.86
2.81
2.76
2.73
2.70
2.66
2.61
2.56
2.52
2.49
2.54
2.48
2.43
2.39
2.36
2.45
2.39
2.35
2.31
2.27
2.39
2.33
2.28
2.24
2.21
2.34
2.28
2.23
2.19
2.16
2.30
2.24
2.20
2.15
2.12
2.27
2.21
2.16
2.12
2.09
2.25
2.19
2.14
2.10
2.06
2.21
2.15
2.10
2.05
2.02
2.17
2.10
2.05
2.01
1.97
2.12
2.06
2.01
1.96
1.92
2.10
2.04
1.98
1.94
1.90
2.08
2.01
1.96
1.91
1.87
2.05
1.99
1.93
1.89
1.85
2.03
1.96
1.90
1.86
1.82
2.00
1.93
1.88
1.83
1.79
1.97
1.90
1.85
1.80
1.76
16
17
18
19
20
3.05
3.03
3.01
2.99
2.97
2.67
2.64
2.62
2.61
2.59
2.46
2.44
2.42
2.40
2.38
2.33
2.31
2.29
2.27
2.25
2.24
2.22
2.20
2.18
2.16
2.18
2.15
2.13
2.11
2.09
2.13
2.10
2.08
2.06
2.04
2.09
2.06
2.04
2.02
2.00
2.06
2.03
2.00
1.98
1.96
2.03
2.00
1.98
1.96
1.94
1.99
1.96
1.93
1.91
1.89
1.94
1.91
1.89
1.86
1.84
1.89
1.86
1.84
1.81
1.79
1.87
1.84
1.81
1.79
1.77
1.84
1.81
1.78
1.76
1.74
1.81
1.78
1.75
1.73
1.71
1.78
1.75
1.72
1.70
1.68
1.75
1.72
1.69
1.67
1.64
1.72
1.69
1.66
1.63
1.61
21
22
23
24
25
2.96
2.95
2.94
2.93
2.92
2.57
2.56
2.55
2.54
2.53
2.36
2.35
2.34
2.33
2.32
2.23
2.22
2.21
2.19
2.18
2.14
2.13
2.11
2.10
2.09
2.08
2.06
2.05
2.04
2.02
2.02
2.01
1.99
1.98
1.97
1.98
1.97
1.95
1.94
1.93
1.95
1.93
1.92
1.91
1.89
1.92
1.90
1.89
1.88
1.87
1.87
1.86
1.84
1.83
1.82
1.83
1.81
1.80
1.78
1.77
1.78
1.76
1.74
1.73
1.72
1.75
1.73
1.72
1.70
1.69
1.72
1.70
1.69
1.67
1.66
1.69
1.67
1.66
1.64
1.63
1.66
1.64
1.62
1.61
1.59
1.62
1.60
1.59
1.57
1.56
1.59
1.57
1.55
1.53
1.52
26
27
28
29
30
2.91
2.90
2.89
2.89
2.88
2.52
2.51
2.50
2.50
2.49
2.31
2.30
2.29
2.28
2.28
2.17
2.17
2.16
2.15
2.14
2.08
2.07
2.06
2.06
2.05
2.01
2.00
2.00
1.99
1.98
1.96
1.95
1.94
1.93
1.93
1.92
1.91
1.90
1.89
1.88
1.88
1.87
1.87
1.86
1.85
1.86
1.85
1.84
1.83
1.82
1.81
1.80
1.79
1.78
1.77
1.76
1.75
1.74
1.73
1.72
1.71
1.70
1.69
1.68
1.67
1.68
1.67
1.66
1.65
1.64
1.65
1.64
1.63
1.62
1.61
1.61
1.60
1.59
1.58
1.57
1.58
1.57
1.56
1.55
1.54
1.54
1.53
1.52
1.51
1.50
1.50
1.49
1.48
1.47
1.46
40
60
120
2.84
2.79
2.75
2.71
2.44
2.39
2.35
2.30
2.23
2.18
2.13
2.08
2.09
2.04
1.99
1.94
2.00
1.95
1.90
1.85
1.93
1.87
1.82
1.77
1.87
1.82
1.77
1.72
1.83
1.77
1.72
1.67
1.79
1.74
1.68
1.63
1.76
1.71
1.65
1.60
1.71
1.66
1.60
1.55
1.66
1.60
1.55
1.49
1.61
1.54
1.48
1.42
1.57
1.51
1.45
1.38
1.54
1.48
1.41
1.34
1.51
1.44
1.37
1.30
1.47
1.40
1.32
1.24
1.42
1.35
1.26
1.17
1.38
1.29
1.19
1.00

Grados de
libertad del
292
denominador (m)
10
12
15
20
24
30
40
60
120
1
2
3
4
5
161.40
18.51
10.13
7.71
6.61
199.50
19.00
9.55
6.94
5.79
215.70
19.16
9.28
6.59
5.41
224.60
19.25
9.12
6.39
5.19
230.20
19.30
9.01
6.26
5.05
234.00
19.33
8.94
6.16
4.95
236.80
19.35
8.89
6.09
4.88
238.90
19.37
8.85
6.04
4.82
240.50
19.39
8.81
6.00
4.77
241.90
19.40
8.79
5.96
4.74
243.90
19.41
8.75
5.91
4.68
245.90
19.43
8.70
5.86
4.62
248.00
19.45
8.66
5.80
4.56
249.10
19.45
8.64
5.77
4.53
250.10
19.46
8.62
5.75
4.50
251.10
19.47
8.59
5.72
4.46
252.20
19.48
8.57
5.69
4.43
253.30
19.49
8.55
5.66
4.40
254.30
19.50
8.53
5.63
4.36
6
7
8
9
10
5.99
5.59
5.32
5.12
4.96
5.14
4.74
4.46
4.26
4.10
4.76
4.35
4.07
3.86
3.71
4.53
4.12
3.84
3.63
3.48
4.39
3.97
3.69
3.48
3.33
4.28
3.87
3.58
3.37
3.22
4.21
3.79
3.50
3.29
3.14
4.15
3.73
3.44
3.23
3.07
4.10
3.68
3.39
3.18
3.02
4.06
3.64
3.35
3.14
2.98
4.00
3.57
3.28
3.07
2.91
3.94
3.51
3.22
3.01
2.85
3.87
3.44
3.15
2.94
2.77
3.84
3.41
3.12
2.90
2.74
3.81
3.38
3.08
2.86
2.70
3.77
3.34
3.04
2.83
2.66
3.74
3.30
3.01
2.79
2.62
3.70
3.27
2.97
2.75
2.58
3.67
3.23
2.93
2.71
2.54
11
12
13
14
15
4.84
4.75
4.67
4.60
4.54
3.98
3.89
3.81
3.74
3.68
3.59
3.49
3.41
3.34
3.29
3.36
3.26
3.18
3.11
3.06
3.20
3.11
3.03
2.96
2.90
3.09
3.00
2.92
2.85
2.79
3.01
2.91
2.83
2.76
2.71
2.95
2.85
2.77
2.70
2.64
2.90
2.80
2.71
2.65
2.59
2.85
2.75
2.67
2.60
2.54
2.79
2.69
2.60
2.53
2.48
2.72
2.62
2.53
2.46
2.40
2.65
2.54
2.46
2.39
2.33
2.61
2.51
2.42
2.35
2.29
2.57
2.47
2.38
2.31
2.25
2.53
2.43
2.34
2.27
2.20
2.49
2.38
2.30
2.22
2.16
2.45
2.34
2.25
2.18
2.11
2.40
2.30
2.21
2.13
2.07
16
17
18
19
20
4.49
4.45
4.41
4.38
4.35
3.63
3.59
3.55
3.52
3.49
3.24
3.20
3.16
3.13
3.10
3.01
2.96
2.93
2.90
2.87
2.85
2.81
2.77
2.74
2.71
2.74
2.70
2.66
2.63
2.60
2.66
2.61
2.58
2.54
2.51
2.59
2.55
2.51
2.48
2.45
2.54
2.49
2.46
2.42
2.39
2.49
2.45
2.41
2.38
2.35
2.42
2.38
2.34
2.31
2.28
2.35
2.31
2.27
2.23
2.20
2.28
2.23
2.19
2.16
2.12
2.24
2.19
2.15
2.11
2.08
2.19
2.15
2.11
2.07
2.04
2.15
2.10
2.06
2.03
1.99
2.11
2.06
2.02
1.98
1.95
2.06
2.01
1.97
1.93
1.90
2.01
1.96
1.92
1.88
1.84
21
22
23
24
25
4.32
4.30
4.28
4.26
4.24
3.47
3.44
3.42
3.40
3.39
3.07
3.05
3.03
3.01
2.99
2.84
2.82
2.80
2.78
2.76
2.68
2.66
2.64
2.62
2.60
2.57
2.55
2.53
2.51
2.49
2.49
2.46
2.44
2.42
2.40
2.42
2.40
2.37
2.36
2.34
2.37
2.34
2.32
2.30
2.28
2.32
2.30
2.27
2.25
2.24
2.25
2.23
2.20
2.18
2.16
2.18
2.15
2.13
2.11
2.09
2.10
2.07
2.05
2.03
2.01
2.05
2.03
2.01
1.98
1.96
2.01
1.98
1.96
1.94
1.92
1.96
1.94
1.91
1.89
1.87
1.92
1.89
1.86
1.84
1.82
1.87
1.84
1.81
1.79
1.77
1.81
1.78
1.76
1.73
1.71
26
27
28
29
30
4.23
4.21
4.20
4.18
4.17
3.37
3.35
3.34
3.33
3.32
2.98
2.96
2.95
2.93
2.92
2.74
2.73
2.71
2.70
2.69
2.59
2.57
2.56
2.55
2.53
2.47
2.46
2.45
2.43
2.42
2.39
2.37
2.36
2.35
2.33
2.32
2.31
2.29
2.28
2.27
2.27
2.25
2.24
2.22
2.21
2.22
2.20
2.19
2.18
2.16
2.15
2.13
2.12
2.10
2.09
2.07
2.06
2.04
2.03
2.01
1.99
1.97
1.96
1.94
1.93
1.95
1.93
1.91
1.90
1.89
1.90
1.88
1.87
1.85
1.84
1.85
1.84
1.82
1.81
1.79
1.80
1.79
1.77
1.75
1.74
1.75
1.73
1.71
1.70
1.68
1.69
1.67
1.65
1.64
1.62
40
60
120
4.08
4.00
3.92
3.84
3.23
3.15
3.07
3.00
2.84
2.76
2.68
2.60
2.61
2.53
2.45
2.37
2.45
2.37
2.29
2.21
2.34
2.25
2.17
2.10
2.25
2.17
2.09
2.01
2.18
2.10
2.02
1.94
2.12
2.04
1.96
1.88
2.08
1.99
1.91
1.83
2.00
1.92
1.83
1.75
1.92
1.84
1.75
1.67
1.84
1.75
1.66
1.57
1.79
1.70
1.61
1.52
1.74
1.65
1.55
1.46
1.69
1.59
1.50
1.39
1.64
1.53
1.43
1.32
1.58
1.47
1.35
1.22
1.51
1.39
1.25
1.00

Grados de
libertad del
293
denominador (m)
10
12
15
20
24
30
40
60
120
1
2
3
4
5
647.80
38.51
17.44
12.22
10.01
799.50
39.00
16.04
10.65
8.43
864.20
39.17
15.44
9.98
7.76
899.60
39.25
15.10
9.60
7.39
921.80
39.30
14.88
9.36
7.15
937.10
39.33
14.73
9.20
6.98
948.20
39.36
14.62
9.07
6.85
956.70
39.37
14.54
8.98
6.76
963.30
39.39
14.47
8.90
6.68
968.60
39.40
14.42
8.84
6.62
976.70
39.41
14.34
8.75
6.52
984.90
39.43
14.25
8.66
6.43
993.10
39.45
14.17
8.56
6.33
997.20
39.46
14.12
8.51
6.28
1001.00
39.46
14.08
8.46
6.23
1006.00
39.47
14.04
8.41
6.18
1010.00
39.48
13.99
8.36
6.12
1014.00
39.49
13.95
8.31
6.07
1018.00
39.50
13.90
8.26
6.02
6
7
8
9
10
8.81
8.07
7.57
7.21
6.94
7.26
6.54
6.06
5.71
5.46
6.60
5.89
5.42
5.08
4.83
6.23
5.52
5.05
4.72
4.47
5.99
5.29
4.82
4.48
4.24
5.82
5.12
4.65
4.32
4.07
5.70
4.99
4.53
4.20
3.95
5.60
4.90
4.43
4.10
3.85
5.52
4.82
4.36
4.03
3.78
5.46
4.76
4.30
3.96
3.72
5.37
4.67
4.20
3.87
3.62
5.27
4.57
4.10
3.77
3.52
5.17
4.47
4.00
3.67
3.42
5.12
4.41
3.95
3.61
3.37
5.07
4.36
3.89
3.56
3.31
5.01
4.31
3.84
3.51
3.26
4.96
4.25
3.78
3.45
3.20
4.90
4.20
3.73
3.39
3.14
4.85
4.14
3.67
3.33
3.08
11
12
13
14
15
6.72
6.55
6.41
6.30
6.20
5.26
5.10
4.97
4.86
4.77
4.63
4.47
4.35
4.24
4.15
4.28
4.12
4.00
3.89
3.80
4.04
3.89
3.77
3.66
3.58
3.88
3.73
3.60
3.50
3.41
3.76
3.61
3.48
3.38
3.29
3.66
3.51
3.39
3.29
3.20
3.59
3.44
3.31
3.21
3.12
3.53
3.37
3.25
3.15
3.06
3.43
3.28
3.15
3.05
2.96
3.33
3.18
3.05
2.95
2.86
3.23
3.07
2.95
2.84
2.76
3.17
3.02
2.89
2.79
2.70
3.12
2.96
2.84
2.73
2.64
3.06
2.91
2.78
2.67
2.59
3.00
2.85
2.72
2.61
2.52
2.94
2.79
2.66
2.55
2.46
2.88
2.72
2.60
2.49
2.40
16
17
18
19
20
6.12
6.04
5.98
5.92
5.87
4.69
4.62
4.56
4.51
4.46
4.08
4.01
3.95
3.90
3.86
3.73
3.66
3.61
3.56
3.51
3.50
3.44
3.38
3.33
3.29
3.34
3.28
3.22
3.17
3.13
3.22
3.16
3.10
3.05
3.01
3.12
3.06
3.01
2.96
2.91
3.05
2.98
2.93
2.88
2.84
2.99
2.92
2.87
2.82
2.77
2.89
2.82
2.77
2.72
2.68
2.79
2.72
2.67
2.62
2.57
2.68
2.62
2.56
2.51
2.46
2.63
2.56
2.50
2.45
2.41
2.57
2.50
2.44
2.39
2.35
2.51
2.44
2.38
2.33
2.29
2.45
2.38
2.32
2.27
2.22
2.38
2.32
2.26
2.20
2.16
2.32
2.25
2.19
2.13
2.09
21
22
23
24
25
5.83
5.79
5.75
5.72
5.69
4.42
4.38
4.35
4.32
4.29
3.82
3.78
3.75
3.72
3.69
3.48
3.44
3.41
3.38
3.35
3.25
3.22
3.18
3.15
3.13
3.09
3.05
3.02
2.99
2.97
2.97
2.93
2.90
2.87
2.85
2.87
2.84
2.81
2.78
2.75
2.80
2.76
2.73
2.70
2.68
2.73
2.70
2.67
2.64
2.61
2.64
2.60
2.57
2.54
2.51
2.53
2.50
2.47
2.44
2.41
2.42
2.39
2.36
2.33
2.30
2.37
2.33
2.30
2.27
2.24
2.31
2.27
2.24
2.21
2.18
2.25
2.21
2.18
2.15
2.12
2.18
2.14
2.11
2.08
2.05
2.11
2.08
2.04
2.01
1.98
2.04
2.00
1.97
1.94
1.91
26
27
28
29
30
5.66
5.63
5.61
5.59
5.57
4.27
4.24
4.22
4.20
4.18
3.67
3.65
3.63
3.61
3.59
3.33
3.31
3.29
3.27
3.25
3.10
3.08
3.06
3.04
3.03
2.94
2.92
2.90
2.88
2.87
2.82
2.80
2.78
2.76
2.75
2.73
2.71
2.69
2.67
2.65
2.65
2.63
2.61
2.59
2.57
2.59
2.57
2.55
2.53
2.51
2.49
2.47
2.45
2.43
2.41
2.39
2.36
2.34
2.32
2.31
2.28
2.25
2.23
2.21
2.20
2.22
2.19
2.17
2.15
2.14
2.16
2.13
2.11
2.09
2.07
2.09
2.07
2.05
2.03
2.01
2.03
2.00
1.98
1.96
1.94
1.95
1.93
1.91
1.89
1.87
1.88
1.85
1.83
1.81
1.79
40
60
120
5.42
5.29
5.15
5.02
4.05
3.93
3.80
3.69
3.46
3.34
3.23
3.12
3.13
3.01
2.89
2.79
2.90
2.79
2.67
2.57
2.74
2.63
2.52
2.41
2.62
2.51
2.39
2.29
2.53
2.41
2.30
2.19
2.45
2.33
2.22
2.11
2.39
2.27
2.16
2.05
2.29
2.17
2.05
1.94
2.18
2.06
1.94
1.83
2.07
1.94
1.82
1.71
2.01
1.88
1.76
1.64
1.94
1.82
1.69
1.57
1.88
1.74
1.61
1.48
1.80
1.67
1.53
1.39
1.72
1.58
1.43
1.27
1.64
1.68
1.31
1.00

Grados de
libertad del
denominador (m)
1
2
3
4
5
10
12
15
20
24
30
40
60
120
294
4052.19
98.50
34.12
21.20
16.26
4999.50
99.00
30.82
18.00
13.27
5403.00
99.17
29.46
16.69
12.06
5625.00
99.25
28.71
15.98
11.39
5764.00
99.30
28.24
15.52
10.97
5859.00
99.33
27.91
15.21
10.67
5928.00
99.36
27.67
14.98
10.46
5982.00
99.37
27.49
14.80
10.29
6022.00
99.39
27.35
14.66
10.16
6056.00
99.40
27.23
14.55
10.05
6106.00
99.42
27.05
14.37
9.89
6157.00
99.43
26.87
14.20
9.72
6209.00
99.45
26.69
14.02
9.55
6235.00
99.46
26.60
13.93
9.47
6261.00
99.47
26.50
13.84
9.38
6287.00
99.47
26.41
13.75
9.29
6313.00
99.48
26.32
13.65
9.20
6399.00
99.49
26.22
13.56
9.11
6366.00
99.00
26.13
13.46
9.02
6
7
8
9
10
13.75
12.25
11.26
10.56
10.04
10.92
9.55
8.65
8.02
7.56
9.78
8.45
7.59
6.99
6.55
9.15
7.85
7.01
6.42
5.99
8.75
7.46
6.63
6.06
5.64
8.47
7.19
6.37
5.80
5.39
8.26
6.99
6.18
5.61
5.20
8.10
6.84
6.03
5.47
5.06
7.98
6.72
5.91
5.35
4.94
7.87
6.62
5.81
5.26
4.85
7.72
6.47
5.67
5.11
4.71
7.56
6.31
5.52
4.96
4.56
7.40
6.16
5.36
4.81
4.41
7.31
6.07
5.28
4.73
4.33
7.23
5.99
5.20
4.65
4.25
7.14
5.91
5.12
4.57
4.17
7.06
5.82
5.03
4.48
4.08
6.97
5.74
4.95
4.40
4.00
6.88
5.65
4.86
4.31
3.91
11
12
13
14
15
9.65
9.33
9.07
8.86
8.68
7.21
6.93
6.70
6.51
6.36
6.22
5.95
5.74
5.56
5.42
5.67
5.41
5.21
5.04
4.89
5.32
5.06
4.86
4.69
4.56
5.07
4.82
4.62
4.46
4.32
4.89
4.64
4.44
4.28
4.14
4.74
4.50
4.30
4.14
4.00
4.63
4.39
4.19
4.03
3.89
4.54
4.30
4.10
3.94
3.80
4.40
4.16
3.96
3.80
3.67
4.25
4.01
3.82
3.66
3.52
4.10
3.86
3.66
3.51
3.37
4.02
3.78
3.59
3.43
3.29
3.94
3.70
3.51
3.35
3.21
3.86
3.62
3.43
3.27
3.13
3.78
3.54
3.34
3.18
3.05
3.69
3.45
3.25
3.09
2.96
3.60
3.36
3.17
3.00
2.87
16
17
18
19
20
8.53
8.40
8.29
8.18
8.10
6.23
6.11
6.01
5.93
5.85
5.29
5.19
5.09
5.01
4.94
4.77
4.67
4.58
4.50
4.43
4.44
4.34
4.25
4.17
4.10
4.20
4.10
4.01
3.94
3.87
4.03
3.93
3.84
3.77
3.70
3.89
3.79
3.71
3.63
3.56
3.78
3.68
3.60
3.52
3.46
3.69
3.59
3.51
3.43
3.37
3.55
3.46
3.37
3.30
3.23
3.41
3.31
3.23
3.15
3.09
3.26
3.16
3.08
3.00
2.94
3.18
3.08
3.00
2.92
2.86
3.10
3.00
2.92
2.84
2.78
3.02
2.92
2.84
2.76
2.69
2.93
2.83
2.75
2.67
2.61
2.84
2.75
2.66
2.58
2.52
2.75
2.65
2.57
2.49
2.42
21
22
23
24
25
8.02
7.95
7.88
7.82
7.77
5.78
5.72
5.66
5.61
5.57
4.87
4.82
4.76
4.72
4.68
4.37
4.31
4.26
4.22
4.18
4.04
3.99
3.94
3.90
3.85
3.81
3.76
3.71
3.67
3.63
3.64
3.59
3.54
3.50
3.46
3.51
3.45
3.41
3.36
3.32
3.40
3.35
3.30
3.26
3.22
3.31
3.26
3.21
3.17
3.13
3.17
3.12
3.07
3.03
2.99
3.03
2.98
2.93
2.89
2.85
2.88
2.83
2.78
2.74
2.70
2.80
2.75
2.70
2.66
2.62
2.72
2.67
2.62
2.58
2.54
2.64
2.58
2.54
2.49
2.45
2.55
2.50
2.45
2.40
2.36
2.46
2.40
2.35
2.31
2.27
2.36
2.31
2.26
2.21
2.17
26
27
28
29
30
7.72
7.68
7.64
7.60
7.56
5.53
5.49
5.45
5.42
5.39
4.64
4.60
4.57
4.54
4.51
4.14
4.11
4.07
4.04
4.02
3.82
3.78
3.75
3.73
3.70
3.59
3.56
3.53
3.50
3.47
3.42
3.39
3.36
3.33
3.30
3.29
3.26
3.23
3.20
3.17
3.18
3.15
3.12
3.09
3.07
3.09
3.06
3.03
3.00
2.98
2.96
2.93
2.90
2.87
2.84
2.81
2.78
2.75
2.73
2.70
2.66
2.63
2.60
2.57
2.55
2.58
2.55
2.52
2.49
2.47
2.50
2.47
2.44
2.41
2.39
2.42
2.38
2.35
2.33
2.30
2.33
2.29
2.26
2.23
2.21
2.23
2.20
2.17
2.14
2.11
2.13
2.10
2.06
2.03
2.01
40
60
120
7.31
7.08
6.85
6.63
5.18
4.98
4.79
4.61
4.31
4.13
3.95
3.78
3.83
3.65
3.48
3.32
3.51
3.34
3.17
3.02
3.29
3.12
2.96
2.80
3.12
2.95
2.79
2.64
2.99
2.82
2.66
2.51
2.89
2.72
2.56
2.41
2.80
2.63
2.47
2.32
2.66
2.50
2.34
2.18
2.52
2.35
2.19
2.04
2.37
2.20
2.03
1.88
2.29
2.12
1.95
1.79
2.20
2.03
1.86
1.70
2.11
1.94
1.76
1.59
2.02
1.84
1.66
1.47
1.92
1.73
1.53
1.32
1.80
1.60
1.38
1.00

Grados de
libertad del
denominador (m)
10
12
15
20
24
30
40
60
120
162.11
198.50
55.55
31.33
22.78
200.00
199.00
49.80
26.28
18.31
216.15
199.17
47.47
24.26
16.53
225.00
199.25
46.19
23.15
15.56
230.56
199.30
45.39
22.46
14.94
234.37
199.33
44.84
21.97
14.51
237.15
199.36
44.43
21.62
14.20
239.25
199.37
44.13
21.35
13.96
240.91
199.39
43.88
21.14
13.77
242.24
199.40
43.69
20.97
13.62
244.26
199.42
43.39
20.70
13.38
246.30
199.43
43.08
20.44
13.15
248.36
199.45
42.78
20.17
12.90
249.40
199.46
42.62
20.03
12.78
250.44
199.47
42.47
19.89
12.66
251.48
199.47
42.31
19.75
12.53
252.53
199.48
42.15
19.61
12.40
253.59
199.49
41.99
19.47
12.27
254.65
199.50
41.83
19.32
12.14
6
7
8
9
10
18.63
16.24
14.69
13.61
12.83
14.54
12.40
11.04
10.11
9.43
12.92
10.88
9.60
8.72
8.08
12.03
10.05
8.81
7.96
7.34
11.46
9.52
8.30
7.47
6.87
11.07
9.16
7.95
7.13
6.54
10.79
8.89
7.69
6.88
6.30
10.57
8.68
7.50
6.69
6.12
10.39
8.51
7.34
6.54
5.97
10.25
8.38
7.21
6.42
5.85
10.03
8.18
7.01
6.23
5.66
9.81
7.97
6.81
6.03
5.47
9.59
7.75
6.61
5.83
5.27
9.47
7.64
6.50
5.73
5.17
9.36
7.53
6.40
5.62
5.07
9.24
7.42
6.29
5.52
4.97
9.12
7.31
6.18
5.41
4.86
9.00
7.19
6.06
5.30
4.75
8.88
7.08
5.95
5.19
4.64
11
12
13
14
15
12.23
11.75
11.37
11.06
10.80
8.91
8.51
8.19
7.92
7.70
7.60
7.23
6.93
6.68
6.48
6.88
6.52
6.23
6.00
5.80
6.42
6.07
5.79
5.56
5.37
6.10
5.76
5.48
5.26
5.07
5.86
5.52
5.25
5.03
4.85
5.68
5.35
5.08
4.86
4.67
5.54
5.20
4.94
4.72
4.54
5.42
5.09
4.82
4.60
4.42
5.24
4.91
4.64
4.43
4.25
5.05
4.72
4.46
4.25
4.07
4.86
4.53
4.27
4.06
3.88
4.76
4.43
4.17
3.96
3.79
4.65
4.33
4.07
3.86
3.69
4.55
4.23
3.97
3.76
3.58
4.44
4.12
3.87
3.66
3.48
4.34
4.01
3.76
3.55
3.37
4.23
3.90
3.65
3.44
3.26
16
17
18
19
20
10.58
10.38
10.22
10.07
9.94
7.51
7.35
7.21
7.09
6.99
6.30
6.16
6.03
5.92
5.82
5.64
5.50
5.37
5.27
5.17
5.21
5.07
4.96
4.85
4.76
4.91
4.78
4.66
4.56
4.47
4.69
4.56
4.44
4.34
4.26
4.52
4.39
4.28
4.18
4.09
4.38
4.25
4.14
4.04
3.96
4.27
4.14
4.03
3.93
3.85
4.10
3.97
3.86
3.76
3.68
3.92
3.79
3.68
3.59
3.50
3.73
3.61
3.50
3.40
3.32
3.64
3.51
3.40
3.31
3.22
3.54
3.41
3.30
3.21
3.12
3.44
3.31
3.20
3.11
3.02
3.33
3.21
3.10
3.00
2.92
3.22
3.10
2.99
2.89
2.81
3.11
2.98
2.87
2.78
2.69
21
22
23
24
25
9.83
9.73
9.63
9.55
9.48
6.89
6.81
6.73
6.66
6.60
5.73
5.65
5.58
5.52
5.46
5.09
5.02
4.95
4.89
4.84
4.68
4.61
4.54
4.49
4.43
4.39
4.32
4.26
4.20
4.15
4.18
4.11
4.05
3.99
3.94
4.01
3.94
3.88
3.83
3.78
3.88
3.81
3.75
3.69
3.64
3.77
3.70
3.64
3.59
3.54
3.60
3.54
3.47
3.42
3.37
3.43
3.36
3.30
3.25
3.20
3.24
3.18
3.12
3.06
3.01
3.15
3.08
3.02
2.97
2.92
3.05
2.98
2.92
2.87
2.82
2.95
2.88
2.82
2.77
2.72
2.84
2.77
2.71
2.66
2.61
2.73
2.66
2.60
2.55
2.50
2.61
2.55
2.48
2.43
2.38
26
27
28
29
30
9.41
9.34
9.28
9.23
9.18
6.54
6.49
6.44
6.40
6.35
5.41
5.36
5.32
5.28
5.24
4.79
4.74
4.70
4.66
4.62
4.38
4.34
4.30
4.26
4.23
4.10
4.06
4.02
3.98
3.95
3.89
3.85
3.81
3.77
3.74
3.73
3.69
3.65
3.61
3.58
3.60
3.56
3.52
3.48
3.45
3.49
3.45
3.41
3.38
3.34
3.33
3.28
3.25
3.21
3.18
3.15
3.11
3.07
3.04
3.01
2.97
2.93
2.89
2.86
2.82
2.87
2.83
2.79
2.76
2.73
2.77
2.73
2.69
2.66
2.63
2.67
2.63
2.59
2.56
2.52
2.56
2.52
2.48
2.45
2.42
2.45
2.41
2.37
2.33
2.30
2.33
2.29
2.25
2.21
2.18
40
60
120
8.83
8.49
8.18
7.88
6.07
5.79
5.54
5.30
4.98
4.73
4.50
4.28
4.37
4.14
3.92
3.72
3.99
3.76
3.55
3.35
3.71
3.49
3.28
3.09
3.51
3.29
3.09
2.90
3.35
3.13
2.93
2.74
3.22
3.01
2.81
2.62
3.12
2.90
2.71
2.52
2.95
2.74
2.54
2.36
2.78
2.57
2.37
2.19
2.60
2.39
2.19
2.00
2.50
2.29
2.09
1.90
2.40
2.19
1.98
1.79
2.30
2.08
1.87
1.67
2.18
1.96
1.75
1.53
2.06
1.83
1.61
1.36
1.93
1.69
1.43
1.00
1
2
3
4
5
295
* Muliplicar por 100

Grados de
libertad del
296
denominador (m)
10
12
15
20
24
30
40
60
120
1
2
3
4
5
4053
998.50
167.00
74.14
47.18
5000
999.00
148.50
61.25
37.12
5404
999.20
141.10
56.18
33.20
5625
999.20
137.10
53.44
31.09
5764
999.30
134.60
51.71
29.75
5859
999.30
132.80
50.53
28.83
5929
999.40
131.60
49.66
28.16
5981
999.40
130.60
49.00
27.65
6023
999.40
129.90
48.47
27.24
6056
999.40
129.20
48.05
26.92
6107
999.40
128.30
47.41
26.42
6158
999.40
127.40
46.76
25.91
6209
999.40
126.40
46.10
25.39
6235
999.50
125.90
45.77
25.13
6261
999.50
125.40
45.43
24.87
6287
999.50
125.00
45.09
24.60
6313
999.50
124.50
44.75
24.33
6340
999.50
124.00
44.40
24.06
6366
999.50
123.50
44.05
23.79
6
7
8
9
10
35.51
29.25
25.41
22.86
21.04
27.00
21.69
18.49
16.39
14.91
23.70
18.77
15.83
13.90
12.55
21.92
17.20
14.39
12.56
11.28
20.80
16.21
13.48
11.71
10.48
20.03
15.52
12.86
11.13
9.93
19.46
15.02
12.40
10.70
9.52
19.03
14.63
12.05
10.37
9.20
18.69
14.33
11.77
10.11
8.96
18.41
14.08
11.54
9.89
8.75
17.99
13.71
11.19
9.57
8.45
17.56
13.32
10.84
9.24
8.13
17.12
12.93
10.48
8.90
7.80
16.90
12.73
10.30
8.72
7.64
16.67
12.53
10.11
8.55
7.47
16.44
12.33
9.92
8.37
7.30
16.21
12.12
9.73
8.19
7.12
15.98
11.91
9.53
8.00
6.94
15.75
11.70
9.33
7.81
6.76
11
12
13
14
15
19.69
18.64
17.82
17.14
16.59
13.81
12.97
12.31
11.78
11.34
11.56
10.80
10.21
9.73
9.34
10.35
9.63
9.07
8.62
8.25
9.58
8.89
8.35
7.92
7.57
9.05
8.38
7.86
7.44
7.09
8.66
8.00
7.49
7.08
6.74
8.35
7.71
7.21
6.80
6.47
8.12
7.48
6.98
6.58
6.26
7.92
7.29
6.80
6.40
6.08
7.63
7.00
6.52
6.13
5.81
7.32
6.71
6.23
5.85
5.54
7.01
6.40
5.93
5.56
5.25
6.85
6.25
5.78
5.41
5.10
6.68
6.09
5.63
5.25
4.95
6.52
5.93
5.47
5.10
4.80
6.35
5.76
5.30
4.94
4.64
6.17
5.59
5.14
4.77
4.47
6.00
5.42
4.97
4.60
4.31
16
17
18
19
20
16.12
15.72
15.38
15.08
14.82
10.97
10.66
10.39
10.16
9.95
9.01
8.73
8.49
8.28
8.10
7.94
7.68
7.46
7.27
7.10
7.27
7.02
6.81
6.62
6.46
6.80
6.56
6.35
6.18
6.02
6.46
6.22
6.02
5.85
5.69
6.19
5.96
5.76
5.59
5.44
5.98
5.75
5.56
5.39
5.24
5.81
5.58
5.39
5.22
5.08
5.55
5.32
5.13
4.97
4.82
5.27
5.05
4.87
4.70
4.56
4.99
4.78
4.59
4.43
4.29
4.85
4.63
4.45
4.29
4.15
4.70
4.48
4.30
4.14
4.00
4.54
4.33
4.15
3.99
3.86
4.39
4.18
4.00
3.84
3.70
4.23
4.02
3.84
3.68
3.54
4.06
3.85
3.67
3.51
3.38
21
22
23
24
25
14.59
14.38
14.20
14.03
13.88
9.77
9.61
9.47
9.34
9.22
7.94
7.80
7.67
7.55
7.45
6.95
6.81
6.70
6.59
6.49
6.32
6.19
6.08
5.98
5.89
5.88
5.76
5.65
5.55
5.46
5.56
5.44
5.33
5.23
5.15
5.31
5.19
5.09
4.99
4.91
5.11
4.99
4.89
4.80
4.71
4.95
4.83
4.73
4.64
4.56
4.70
4.58
4.48
4.39
4.31
4.44
4.33
4.23
4.14
4.06
4.17
4.06
3.96
3.87
3.79
4.03
3.92
3.82
3.74
3.66
3.88
3.78
3.68
3.59
3.52
3.74
3.63
3.53
3.45
3.37
3.58
3.48
3.38
3.29
3.22
3.42
3.32
3.22
3.14
3.06
3.26
3.15
3.05
2.97
2.89
26
27
28
29
30
13.74
13.61
13.50
13.39
13.29
9.12
9.02
8.93
8.85
8.77
7.36
7.27
7.19
7.12
7.05
6.41
6.33
6.25
6.19
6.12
5.80
5.73
5.66
5.59
5.53
5.38
5.31
5.24
5.18
5.12
5.07
5.00
4.93
4.87
4.82
4.83
4.76
4.69
4.64
4.58
4.64
4.57
4.50
4.45
4.39
4.48
4.41
4.35
4.29
4.24
4.24
4.17
4.11
4.05
4.00
3.99
3.92
3.86
3.80
3.75
3.72
3.66
3.60
3.54
3.49
3.59
3.52
3.46
3.41
3.36
3.44
3.38
3.32
3.27
3.22
3.30
3.23
3.18
3.12
3.07
3.15
3.08
3.02
2.97
2.92
2.99
2.92
2.86
2.81
2.76
2.82
2.75
2.69
2.64
2.59
40
60
120
12.61
11.97
11.38
10.83
8.25
7.77
7.32
6.91
6.59
6.17
5.78
5.42
5.70
5.31
4.95
4.62
5.13
4.76
4.42
4.10
4.73
4.37
4.04
3.74
4.44
4.09
3.77
3.47
4.21
3.86
3.55
3.27
4.02
3.69
3.38
3.10
3.87
3.54
3.24
2.96
3.64
3.32
3.02
2.74
3.40
3.08
2.78
2.51
3.14
2.83
2.53
2.27
3.01
2.69
2.40
2.13
2.87
2.55
2.26
1.99
2.73
2.41
2.11
1.84
2.57
2.25
1.95
1.66
2.41
2.08
1.76
1.45
2.23
1.89
1.54
1.00
* Muliplicar por 100
Tabla A.7: Distribucion del Estadstico n de Kolmogorov-Smirnov. P (n > x) = p

0.2
0.1
0.05
0.02
0.01
n
2
3
4
5
6
7
8
9
10
0.684
0.565
0.493
0.447
0.410
0.381
0.358
0.339
0.323
0.776
0.636
0.565
0.509
0.468
0.436
0.410
0.387
0.369
0.842
0.708
0.624
0.563
0.519
0.483
0.454
0.430
0.409
0.900
0.785
0.689
0.627
0.577
0.538
0.507
0.480
0.457
0.929
0.829
0.734
0.669
0.617
0.576
0.542
0.513
0.489
11
12
13
14
15
16
17
18
19
20
0.308
0.296
0.285
0.275
0.266
0.258
0.250
0.244
0.237
0.232
0.352
0.338
0.325
0.314
0.304
0.295
0.286
0.279
0.271
0.265
0.391
0.375
0.361
0.349
0.338
0.327
0.318
0.309
0.301
0.294
0.437
0.419
0.404
0.390
0.377
0.366
0.355
0.346
0.337
0.329
0.468
0.449
0.432
0.418
0.404
0.392
0.381
0.371
0.361
0.352
21
22
23
24
25
26
27
28
29
30
0.226
0.221
0.216
0.212
0.208
0.204
0.200
0.197
0.193
0.190
0.259
0.253
0.247
0.242
0.238
0.233
0.229
0.225
0.221
0.218
0.287
0.281
0.275
0.269
0.264
0.259
0.254
0.250
0.246
0.242
0.321
0.314
0.307
0.301
0.295
0.290
0.284
0.279
0.275
0.270
0.344
0.337
0.330
0.323
0.317
0.311
0.305
0.300
0.295
0.290
0.187
0.184
0.182
0.179
0.177
0.174
0.172
0.170
0.168
0.165
1.07/ n
0.214
0.211
0.208
0.205
0.202
0.199
0.196
0.194
0.191
0.189
1.22/ n
0.238
0.234
0.231
0.227
0.224
0.221
0.218
0.215
0.213
0.210
1.36/ n
0.266
0.262
0.258
0.254
0.251
0.247
0.244
0.241
0.238
0.235
1.52/ n
0.285
0.281
0.277
0.273
0.269
0.265
0.262
0.258
0.255
0.252
1.63/ n
31
32
33
34
35
36
37
38
39
40
n > 40
297
Cuadro A.8: Distribucion del estadstico de Wilcoxon. P {T + > x} = p
0.1
0.05 0.025 0.01
n
3
10
10
10
12
14
15
15
17
18
20
21
22
24
25
27
27
30
32
34
34
36
39
41
10
40
44
46
49
11
48
52
55
58
12
56
60
64
67
13
64
69
73
78
14
73
79
84
89
15
83
89
94
100
16
93
100
106
112
17 104
111
118
125
18 115
123
130
138
19 127
136
143
152
20 140
149
157
166
298
Cuadro A.9: Distribucion del estadstico de Kendall. P {|T | > x} = p
0.2
0.1
0.05
0.02
n
3
1.0000 1.0000 1.0000 1.0000
0.6667 0.6667 1.0000 1.0000
0.6000 0.6000 0.8000 0.8000
0.4667 0.6000 0.7333 0.7333
0.4286 0.5238 0.6190 0.7143
0.4128 0.5000 0.5714 0.6429
0.3333 0.4444 0.5000 0.6111
10 0.3333 0.4222 0.4667 0.5556
299
Cuadro A.10: Distribucion del estadstico de Mann-Whitney. P {V > x} = p

m 2 3 4 5 6 7 8 9 10
n
0.100
0.050
0.025
0.010
0.100
0.050
0.025
0.010
0.100
0.050
0.025
0.010
0.100
0.050
0.025
0.010
0.100
0.050
0.025
0.010
0.100
0.050
0.025
0.010
0.100
0.050
0.025
0.010
0.100
0.050
0.025
0.010
10
0.100
0.050
0.025
0.010
4
4
4
4
5
6
6
6
7
8
8
8
8
9
10
10
10
11
12
12
12
13
14
14
13
14
15
16
15
16
17
18
16
18
19
20
7
8
9
9
10
11
11
12
12
13
14
15
14
15
16
18
16
18
19
20
18
20
21
22
21
22
24
25
23
25
26
28
12
14
15
16
15
17
18
19
18
20
21
22
21
23
24
26
24
26
27
29
26
29
31
32
29
32
34
36
19
20
22
23
22
24
26
27
26
28
29
31
29
31
33
35
32
35
37
39
36
38
41
43
26
28
30
32
30
33
35
37
34
37
39
41
38
41
43
46
42
45
48
51
35
37
40
42
39
42
45
48
44
47
50
53
48
52
55
58
44
48
50
54
49
53
56
60
55
59
62
66
55
59
63
66
61
65
69
73
67
72
76
80
300
Cuadro A.11: Distribucion del estadstico de Spearman. P {RS > x} = p
0.1
0.05
0.025
0.01
0.005
0.001
n
4
0.8000 0.8000
0.7000 0.8000 0.9000 0.9000
0.6000 0.7714 0.8286 0.8857 0.9429
0.5357 0.6786 0.7450 0.8571 0.8929 0.9643
0.5000 0.6190 0.7143 0.8095 0.8571 0.9286
0.4667 0.5833 0.6833 0.7667 0.8167 0.9000
10
0.4424 0.5515 0.6364 0.7333 0.7818 0.8667
11
0.4182 0.5273 0.6091 0.7000 0.7545 0.8364
12
0.3986 0.4965 0.5804 0.6713 0.7273 0.8182
13
0.3791 0.4780 0.5549 0.6429 0.6978 0.7912
14
0.3626 0.4593 0.5341 0.6220 0.6747 0.7670
15
0.3500 0.4429 0.5179 0.6000 0.6536 0.7464
16
0.3382 0.4264 0.5000 0.5824 0.6324 0.7265
17
0.3260 0.4118 0.4853 0.5637 0.6152 0.7083
18
0.3148 0.3994 0.4716 0.5480 0.5975 0.6904
19
0.3070 0.3895 0.4579 0.5333 0.5825 0.6737
20
0.2977 0.3789 0.4451 0.5203 0.5684 0.6586
21
0.2909 0.3688 0.4351 0.5078 0.5545 0.6455
22
0.2829 0.3597 0.4241 0.4963 0.5426 0.6318
23
0.2767 0.3518 0.4150 0.4852 0.5306 0.6186
24
0.2704 0.3435 0.4061 0.4748 0.5200 0.6070
25
0.2646 0.3362 0.3977 0.4654 0.5100 0.5962
26
0.2588 0.3299 0.3894 0.4564 0.5002 0.5856
27
0.2540 0.3236 0.3822 0.4481 0.4915 0.5757
28
0.2490 0.3175 0.3749 0.4401 0.4828 0.5660
29
0.2443 0.3113 0.3685 0.4320 0.4744 0.5567
30
0.2400 0.3059 0.3620 0.4251 0.4665 0.5479
301
302
Resumen
de distribuciones
303
Distribucion
F. de densidad
F. Caracterstica
Esperanza
Varianza
Bernoulli B(1, p)
px q 1x x = 0, 1
q + peit
pq
(q + peit )n
np
npq
Binomial B(n, p)
304
K
x
px q nx x = 0, 1, . . . , n

N A
nx

N
n
x+r1
x
e(e
it 1)
x = 0, 1, . . . , n
pq x x = 0, 1, . . .
Geometrica G(p)
Binomial Negativa BN(r, p)
x
e
x = 0, 1, . . .
x!
Poisson P()
Hipergeometrica H(n, N, A)
n
x
pr q x x = 0, 1, . . .
A
= np
N
n(N n)pq
N 1
p
1 qeit
q
p
q
p2
pr
(1 qeit )r
q
r
p
q
r
p2
Distribucion
F. de densidad
F. Caracterstica
Esperanza
Varianza
Uniforme U(a, b)
1
a<x<b
ba
eibt eiat
i(b a)t
a+b
2
(b a)2
12
Normal N(, )
Log-Normal Log-N(, )
305
x 2
1
Pearson 2n
t-Student tn
F-Snedecor Fn,m
2n/2

1
2
e
e 2
Lx
2
2
xR
1
it t2 2
2
e
1
+ 2
2
e
x0
n xn/21 ex/2 x 0
(1 2it)n/2
(e 1)e2+
2n
0 (n > 1)
n
(n > 2)
n2
m
m2
2m2 (n + m 2)
n(m 2)2 (m 4)

n+1
n + 1

x2
2
2
n 1 +
n
n
2
xR

n+m
n+m
nn/2 mm/2
2
n/21
2
n m
x0
x
(m + nx)
2
2
Distribucion
F. de densidad
F. Caracterstica
Esperanza
Varianza
Exponencial Exp()
ex x 0
it
1
2
Erlang Er(n, )
n n1 x
x
e
x0
(n)
n
2
Gamma G(p, q)
q p p1 qx
x e
x0
(p)
p
q
p
q2
306
Weibull W(r, )
Beta B(p, q)
Normal Bidimensional
r
rxr1 ex
it
q
q it
n
p
1/r
x0
1
xp1 (1 x)q1 0 x 1
(p, q)
f (x, y) =
2x y
1
p
1
exp
2
2(1
2 )
1
1
1+
r
2/r

1
2
2
1+
1+
r
r
p
p+q
"
x x
x
2
x x
x
pq
(p + q)2 (p + q + 1)

y y
y
y y
y
2 #)

ApuntesEstadistica PDF

Cargado por

Información del documento

Título original

Derechos de autor

Formatos disponibles

Compartir este documento

Compartir o incrustar documentos

Opciones para compartir

¿Le pareció útil este documento?

¿Este contenido es inapropiado?

Copyright:

Formatos disponibles

ApuntesEstadistica PDF

Cargado por

Copyright:

Formatos disponibles

ESCUELA TECNICA

SUPERIOR DE INGENIEROS AERONAUTICOS

Marta Cordero Gracia

1.2. Formas de agrupar los datos de una muestra . . . . . . . . . . . . . . . . .

1.3. Representacion grafica . . . . . . . . . . . . . . . . . . . . . . . . . . . . .

1.4. Medidas numericas descriptivas . . . . . . . . . . . . . . . . . . . . . . . .

1.4.1. Medidas de posicion . . . . . . . . . . . . . . . . . . . . . . . . . .

1.4.2. Medidas de dispersion . . . . . . . . . . . . . . . . . . . . . . . . .

1.4.3. Medida de asimetra . . . . . . . . . . . . . . . . . . . . . . . . . .

1.4.4. Medida de apuntamiento . . . . . . . . . . . . . . . . . . . . . . . .

3.1. Experimento aleatorio . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 20

4.1. Concepto de probabilidad . . . . . . . . . . . . . . . . . . . . . . . . . . . 24

4.1.2. Probabilidad frecuentista . . . . . . . . . . . . . . . . . . . . . . . . 24

5.1. Variable aleatoria . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 38

6.1. Esperanza matematica . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 54

7. Variable aleatoria bidimensional y n-dimensional

7.1. Variable aleatoria bidimensional . . . . . . . . . . . . . . . . . . . . . . . . 66

8.1. Distribucion de Bernoulli, B(1, p) . . . . . . . . . . . . . . . . . . . . . . . 86

9. Distribuciones de probabilidad continuas

9.1. Distribucion Uniforme, U(a, b) . . . . . . . . . . . . . . . . . . . . . . . . 100

9.5. Distribucion t-Student, tn . . . . . . . . . . . . . . . . . . . . . . . . . . . 109

9.8.1. Teorema de adicion para distribuciones de Erlang . . . . . . . . . . 115

10.1. Convergencia en ley . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 128

11.1. Introduccion . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 134

11.2. Regresion . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 134

12.1. Introduccion . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 144

12.5.2. Poblacion Madre no Normal . . . . . . . . . . . . . . . . . . . . . . 148

12.11.1.Estadstico maximo valor de una muestra . . . . . . . . . . . . . . . 155

13.1. Introduccion . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 161

13.2.4. Estimador insesgado . . . . . . . . . . . . . . . . . . . . . . . . . . 166

13.4.4. Intervalo de confianza para el cociente de varianzas . . . . . . . . . 182

14.1. Introduccion . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 188

15.1. Introduccion . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 198

15.8.2. Varianzas desconocidas e iguales . . . . . . . . . . . . . . . . . . . . 213

16.1. Contraste 2 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 220

16.3. Otros contrastes no parametricos . . . . . . . . . . . . . . . . . . . . . . . 224

17.1. Introduccion . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 252

17.4.2. Condiciones de normalidad . . . . . . . . . . . . . . . . . . . . . . . 257

1.2. Formas de agrupar los datos de una muestra . . . . . . . . . .

1.4. Medidas num

1.4.1. Medidas de posici

Medidas de tendencia central . . . . . . . . . . . . . .

1.4.2. Medidas de dispersi

Varianza y desviacion tpica . . . . . . . . . . . . . .

1.4.3. Medida de asimetra . . . . . . . . . . . . . . . . . . . . . . . .

1.4.4. Medida de apuntamiento

junto de datos sin pretender sacar conclusiones de tipo mas general.

La notacion que vamos a utilizar a lo largo de este captulo es la siguiente:

Se llama frecuencia absoluta acumulada de la observacion xi , al valor

Se llama frecuencia relativa acumulada de la observacion xi , al valor

Formas de agrupar los datos de una muestra

Tabla Tipo I. Se utiliza cuando el n

Tabla Tipo II. Se utiliza cuando el n

Tabla Tipo III. Se utiliza cuando tanto el n

a la totalidad de los valores observados.

x82 , x83 , x84 , x85 , x86 , x87 , x88 , x89 , x90

En las tablas tipo III, se sugieren las siguientes normas :

convirtiendolas en tablas tipo II.

Medidas de tendencia central

Estas medidas indican donde se encuentra el centro de los datos

Otros tipos de medias

x21 n1 + x22 n2 + + x2r nr

donde los corchetes, [ ], indican la parte entera.