Está en la página 1de 125

ESTADSTICA

MATEMTICA
ROBERT J. FLOWERS
HELIODORO D. CRUZ SUREZ
EDILBERTO NJERA RANGEL
AROLDO PREZ PREZ
Captu! "# D$%t&$'u($!)*% +* ,u)($!)*% +* -a&$a'*% a*at!&$a%
".". E ./t!+! +* a ,u)($0) +* +$%t&$'u($0)
Supongamos que se observa una variable aleatoria X con distribucin F(x) conocida, pero la
variable aleatoria de inters es Y = u(X). Por lo tanto, los parmetros de inters estn definidos en
trminos de la distribucin de Y. Para poder hacer inferencia con respecto a estos parmetros, es
necesario determinar la distribucin de Y. n procedimiento mu! "til para distribuciones
univariables (o univariadas) es el mtodo de la funcin de distribucin.
Sea X una variable aleatoria con distribucin F(x) conocida ! con funcin de densidad f tal
que f(x) # $ en el intervalo a % x % b, f es continua en b x a , ! f(x) = $ si x &a, b'.
Supongamos que Y=u(X) es la variable de inters, donde u es una funcin continua !
estrictamente creciente en el intervalo b x a . Sea G la funcin de distribucin de Y. Si
y&u(a), u(b)', por definicin se tiene
( ) [ ] ( ) [ ] ( ) [ ] [ ]



) (
( (
(
) ( ) ( Pr Pr Pr
y u
a
dx x f y u F y u X y X u y Y y G .
)dems G(y) = $ si y % u(a), ! G(y) = ( si y # u(b).
Si u
*(
tiene derivada continua en &u(a), u(b)', sea w = u
*(
. +a funcin de densidad de
probabilidad (f.d.p.) de Y, g(y), est dada por la derivada G,(y). Por la regla de la cadena,
( ) ( ) ( ) [ ] ( ) ( ) [ ] ( ) y w y w f y w y w F y G y g ,
donde y&u(a), u(b)'. Para todos los dems valores de y, g(y) toma el valor cero.
Si ahora u es continua ! estrictamente decreciente en el intervalo b x a , siguiendo el
mismo procedimiento se llega a que
( ) [ ]



) (
(
(
) ( ( ) ( (
y u
a
dx x f y u F y G , ( ) ( ) a u y b u .
-ambin, G(y) = $ si y % u(b), ! G(y) = ( si y # u(a).
.tra ve/, si u
*(
es derivable en &u(b), u(a)', sea w = u
*(
. 0ntonces,
( ) ( ) ( ) [ ] ( ) ( ) [ ] ( ) y w y w f y w y w F y G y g ,
donde y&u(b), u(a)'. Para todos los dems valores de y, g(y) toma el valor cero.
E1*.p! "." Sea X una variable aleatoria con distribucin e1ponencial con media
2
(
. Su f.d.p. es
( )

'

>

. $ , $
, $ , 2
2
x
x e
x f
x
0ncontrar la funcin de densidad de
X Y
.
S!u($0).
Por la definicin de la funcin de distribucin,
( ) [ ] [ ] [ ]
3
Pr Pr Pr y X y X y Y y G .
Si y # $,
( ) [ ]
3
3
3 3
2
$
2
$
2
$
( 2 ) (
y
y
x
y
x
y
e e dx e dx x f y G



.
4erivando G(y) se obtiene ( )
3
2
5
y
ye y g

. )s6,

'

>

. $ , $
, $ , 5
) (
3
2
y
y ye
y g
y

-ambin se puede obtener la distribucin de la suma de dos variables usando el mtodo


de la funcin de distribucin, como se muestra en el siguiente e7emplo.
E1*.p! ".2 Sea X
(
, X
3
una muestra aleatoria de la distribucin uniforme en &$,('. +a funcin de
densidad con7unta de (X
(
, X
3
) es
( )

'

. , $
, ( $ , ( $ , (
,
3 (
3 (
punto otro cualquier en
x x
x x f
0ncontrar la distribucin de Y = X
(
8 X
3
.
S!u($0).
+a regin del plano para la que f(x
(
,x
3
) # $ es el cuadrado unitario que se muestra en la
figura (.(. 9omo $ :
(
( ! $ :
3
(, el con7unto de valores posibles de Y es ;!< $ y 3=.
Sea G la funcin de distribucin de Y ! sea y&$,3'. 0ntonces
G(y) = Pr&Y > y' = Pr&X
(
8 X
3
> y' = Pr()),
donde A es la regin del plano definida por todos los valores posibles de X
(
, x
(
, ! por todos los
valores posibles de X
3
, x
3
, tales que 1
(
81
3
y, es decir,
{ } y x x x x x x A +
3 ( 3 ( 3 (
$ , ( $ , ( $ < ) , ( .
)s6,
[ ]

+
A A
dx dx dx dx x x f y X X G(y)
3 ( 3 ( 3 ( 3 (
) , ( Pr
.
?os conviene considerar dos casos<
( $ y
!
3 ( < y
. Para el primero, A es el tringulo
rectngulo que aparece sombreado en la figura (.(. 4e aqu6,
( ) ( )


y x y y
y dx x y dx dx y G
$ $ $
3
3
(
3 3 3 (
3
.
Para el intervalo
3 ( < y
, A es la regin no sombreada del cuadrado unitario en la figura
(.3.
)s6,

( )


c
A A
dx dx dx dx y G
3 ( 3 (
(
,
donde A
c
es el tringulo rectngulo que aparece sombreado en la figura (.3. Se sigue que
( ) ( ) ( )


+
(
(
(
(
3
3
(
3 3
(
3 (
3 ( ( ( (
3
y y x y
y dx x y dx dx y G
.
Por lo tanto, la funcin de distribucin de Y est dada como sigue

'

>
<

<

. 3 , (
, 3 ( , ) 3 ( (
, ( $ ,
, $ , $
) (
3
3
(
3
3
(
y
y y
y y
y
y G
4erivando G(y) se obtiene la f.d.p. de Y, g(y),
( )

'

<

. , $
, 3 ( , 3
, ( $ ,
punto otro cualquier en
y y
y y
y g

".2.T&a)%,!&.a($!)*% +* -a&$a'*%
Sea X una variable aleatoria con distribucin F(x) conocida ! con funcin de densidad f tal
que f(x) # $ en el intervalo a % x % b, f es continua en b x a , ! f(x) = $ si x &a, b'.
Supongamos que Y=u(X) es la variable de inters, donde u es una funcin estrictamente creciente
en el intervalo b x a , cu!a funcin inversa
(
u tiene derivada continua en el intervalo
( ) ( ) b u y a u . Sea G la funcin de distribucin de Y. Si ) ( ) (
(
y u y w x

, por definicin se
tiene
( ) [ ] ( ) [ ] ( ) [ ] ( ) [ ] [ ] ) ( Pr Pr Pr Pr
(
y w F y w X y u X y X u y Y y G

.
Si ( ) ( ) b u y a u ,
( ) ( )
( )
( ) [ ] ( ) ( ) [ ] y w F a F y w F dx x f y G
y w
a

.
4el mismo modo se obtiene G(y) = $ si y % u(a), ! G(y) = ( si y # u(b).
+a funcin de densidad de probabilidad (f.d.p) de Y, g(y), est dada por la derivada G'(y).
Por la regla de la cadena,
( ) ( ) ( ) [ ] ( ) ( ) [ ] ( ) ( ) [ ]
dy
dx
x f
dy
dx
y w f y w y w f y w y w F y G y g ) (
,
donde g(y) @ $, ) (
(
y u x

,
$
dy
dx
para ( ) ( ) b u y a u . Para todos los dems valores de y, g(y)
toma el valor cero.
Si ahora u es estrictamente decreciente en el intervalo b x a pero satisface las dems
condiciones, siguiendo el mismo procedimiento se llega a que
( ) ( ) [ ] y w F y G ( , ( ) ( ) a u y b u ,
!
( ) ( ) ( ) [ ] ( ) ( ) [ ] ( ) ( ) [ ] ( ) ( ) ( )

,
_


dy
dx
x f y w y w f y w y w f y w y w F y G y g
,
donde g(y) @ $ ! ) (
(
y u x

para ( ) ( ) a u y b u . Para todos los dems valores de y, g(y) toma
el valor cero. .bservemos que w es estrictamente decreciente en &u(b), u(a)', de donde wA(y) > $,
o sea
$
dy
dx
.
+os hechos anteriores los resumimos en el siguiente teorema.
T*!&*.a "." Sea X una variable aleatoria con funcin de densidad f tal que f(x) # $ en
el intervalo a % x % b, f es continua en b x a , ! f(x) = $ si x &a, b'. Supongamos que
Y=u(X) es la variable de inters, donde u es una funcin montona en el intervalo b x a ,
cu!a funcin inversa
(
u tiene derivada continua en el intervalo ( ) ( ) b u y a u . Si I
Y
= ;y< y =
u(x) para alg"n x&a, b'=, la funcin de densidad de probabilidad de Y est dada por
( )

caso, otro en $
, si
) (

'

Y
I y x f
y g
donde ) (
(
y u x

!
dy
dx

es el 7acobiano de la transformacin
(
u .
O'%*&-a($0) " Si en lugar de un intervalo &a, b' se tiene cualquier intervalo I
X
para el cual
f(x) # $ si ! slo si x I
X
! tal que se satisfacen las dems hiptesis del teorema, entonces se
tiene la misma conclusin.
E1*.p! ".3 Sea : una variable aleatoria con f.d.p.
( )

'

. , $
( $ , (
punto otro cualquier en
x
x f
0ncuentre la f.d.p. de
X Y
.
S!u($0).
Sea x x u y ) ( . 0ntonces
3 (
) ( y y u x

, luego
y
dy
dx
3
. Se sigue que
si y&u($), u(()' = &$, (',
( ) ( ) ( ) y
dy
dx
y f
dy
dx
x f y g 3
3
,
de donde se tiene,
( )

'

. punto otro cualquier en , $


( $ , 3 y y
y g

Si X
(
! X
3
son variables aleatorias continuas con f.d.p. con7unta f(x
(
, x
3
) ! ( )
3 (
, X X u Y
es una variable aleatoria definida como funcin de X
(
! X
3
, se puede e1tender la metodolog6a
anterior para determinar la f.d.p de Y. Para ello es conveniente definir otra variable aleatoria
( )
3 (
, X X ! " , como funcin de X
(
! X
3
, de modo que ( )
3 (
, x x u y ! ( )
3 (
, x x ! # definan una
transformacin uno a uno ! sobre de un subcon7unto de
3
a otro subcon7unto de
3
, donde
denota al con7unto de los n"meros reales. )hora las variables x
(
! x
3
pueden ser e1presadas como
funciones de y ! #. 0l 7acobiano de la transformacin est dado por
#
x
y
x
#
x
y
x

3 3
( (
.
0ntonces la funcin de densidad de probabilidad con7unta de Y ! " est dada por
( ) ( ) ( ) [ ] # y x # y x f # y g , , , ,
3 (

.
Bs precisamente, tenemos el siguiente teorema general.
T*!&*.a ".2 Sean X
(
, X
3
, ..., X
n
variables aleatorias continuas con funcin de densidad
con7unta f(x
(
,x
3
,...,x
n
), ! Y
(
= $
(
(X
(
,X
3
,...,X
n
), Y
3
= $
3
(X
(
,X
3
,...,X
n
), C, Y
n
= $
n
(X
(
,X
3
,...,X
n
) variables
aleatorias definidas como funciones de X
(
, X
3
, ..., X
n
. Sean D = ;(x
(
,x
3
,...,x
n
)< f(x
(
,x
3
,...,x
n
) # $= ! E
= ;(y
(
,y
3
,...,y
n
)< y
(
= $
(
(x
(
,x
3
,...,x
n
), y
3
= $
3
(x
(
,x
3
,...,x
n
), C, y
n
= $
n
(x
(
,x
3
,...,x
n
) para alguna (x
(
,x
3
,...,x
n
)
D=. Supongamos que
a)

%
i
i
(
D D

, con los D
i
a7enos a pares.
b) y
(
= $
(
(x
(
,x
3
,...,x
n
), y
3
= $
3
(x
(
,x
3
,...,x
n
), C, y
n
= $
n
(x
(
,x
3
,...,x
n
) definen una transformacin
uno a uno ! sobre de D
i
en E, i = (, C, %. Sea ) ,..., (
(
(
( ( n i
y y $ x

, C, ) ,..., (
(
(
n ni n
y y $ x


la transformacin inversa de E en D
i
, i = (, C, %. Sea

i
=

$
(i
(
y
(
$
(i
(
y
3

$
(i
(
y
n
$
3i
(
y
(
$
3i
(
y
3

$
3i
(
y
n

$
ni
(
y
(
$
ni
(
y
3

$
ni
(
y
n

, i = &, ''', %.
c) -odas las derivadas parciales que aparecen en
i
son continuas en E !
i
$ para todo
(y
(
,y
3
,...,y
n
) en E, i = (, C, %.
0ntonces la funcin de densidad con7unta de (Y
(
,Y
3
,C,Y
n
) est dada por
( )

punto. otro cualquier en $,
E ) ,..., ( , ) ,..., ( ),..., ,..., (
) ,..., (
( (
(
(
(
(
(
(

'

n n ni n i
%
i
i
n
y y y y $ y y $ f
y y g
O'%*&-a($0) 2 9omo un caso particular del teorema anterior tenemos el siguiente, el cual se
usa frecuentemente< Sean X
(
! X
3
variables aleatorias continuas con funcin de densidad con7unta
f(x
(
, x
3
), ! sean ( )
3 (
, X X u Y ! ( )
3 (
, X X ! " variables aleatorias definidas como funciones de
X
(
! X
3
. Sea D = ;(x
(
, x
3
) < f(x
(
, x
3
) # $=. Supongamos que<
a) y = u(x
(
, x
3
) ! # = !(x
(
, x
3
) definen una transformacin uno a uno de D en E, donde E =
;(y, #) < ( )
3 (
, x x u y ! ( )
3 (
, x x ! # para alguna (x
(
, x
3
) D=.
b) +as primeras derivada parciales de x
(
= u
*(
(y, #) ! x
3
= !
*(
(y, #) son continuas en E.
c) 0l 7acobiano de la transformacin es diferente de cero para todo (y, #) E.
0ntonces la funcin de densidad con7unta de ( )
3 (
, X X u Y ! ( )
3 (
, X X ! " est dada por

punto, otro cualquier en $
E ) , ( si ) , (
) , (
3 (

'

# y x x f
# y g
donde x
(
= u
*(
(y, #) ! x
3
= !
*(
(y, #).
9omo nos interesa la variable aleatoria Y, su f.d.p. la obtenemos integrando g(y, #) con respecto a
#, o sea, si g
(
(y) denota la f.d.p. (marginal) de Y, entonces


. ) , ( ) (
(
d# # y g y g
E1*.p! ".4 Sea (X
(
, X
3
) una muestra aleatoria de una distribucin e1ponencial con media (.
0ncuentre la distribucin de Y = X
(
8 X
3
.
S!u($0).
9omo X
(
! X
3
son observaciones de una distribucin e1ponencial con f.d.p.
( )

'

>

, $ , $
$ ,
x
x e
x f
x
la f.d.p. con7unta de X
(
! X
3
est dada por
( ) ( ) ( ) $ , ,
3 ( 3 3 ( ( 3 (
3 (
>

x x para e x f x f x x f
x x
.
4efinimos
3 (
x x y + ,
3
x # .
0ntonces
# y x
(
,
# x
3
F
se sigue que el 7acobiano de la transformacin est dado por
(
( $
( (
3 3
( (

#
x
y
x
#
x
y
x

.
)hora, la f.d.p. con7unta es
( ) < < <

y # e e # y g
y y
$ , ( ,
.
4e aqu6, la f.d.p. marginal de Y es
( ) ( ) $ , ,
$
(
>


y ye d# e d# # y g y g
y
y
y
.
Se puede ver que la variable Y sigue una distribucin gamma con media ! varian/a iguales a dos.

E1*.p! ".5 Sea ( una variable aleatoria con distribucin normal estndar ! sea ) una variable
aleatoria con distribucin 7i*cuadrada con r grados de libertad. 0ncuentre la distribucin de
r ) ( * .
S!u($0).
Para poder definir una transformacin de un subcon7unto de
3
a
3
, definimos la variable
aleatoria + = ). 0ntonces
r ! w t
! u
es una transformacin de un subcon7unto de
3
a
3
, de modo que
r u t w
. u !
0l 7acobiano de la transformacin es
r u
r u r
t
r u
u
!
t
!
u
w
t
w

( $
3 .
Se sigue que
( ) ( ) ( ) [ ] u t ! u t w f u t g , , , ,
( ) r
u
e u e
u
r
r
r u t
r
3
(
3
3
3
3
3
3
(
3
(


( )
( )
( )
,
3 (
(
3
(
3
3 (
3
(
3

,
_

+

,
_

+ +

r
t
u
r
r
r
e u
r
donde * % t % ! $ % u % . Da! que integrar con respecto a u para obtener la f.d.p. marginal de
*. 0sto es
( )
( )
( )
( )

,
_

+

,
_

+ +

$
3 (
(
3
(
3
3 (
3
(
(
3
du e u
r
t g
r
t
u
r
r
r

.
01cepto por la constante, el integrando tiene la forma de la f.d.p. gamma. sando este hecho se
obtiene
( )
( )
( )
( )
< <

,
_

+
+
t
r
t
r
t g
r
r
r
, (
3 (
3
3
3
(
(

.
0sta es la f.d.p. t de Student. +a distribucin t de Student es de mucha importancia en inferencia
estad6stica.

E1*.p! ".6 Sean + ! ) variables aleatorias independientes con distribuciones 7i*cuadradas con
r
(
! r
3
grados de libertad, respectivamente. 0ncuentre la distribucin de ( ) ( )
3 (
r ) r + F .
S!u($0).
Se puede definir " = ). )s6 tenemos la transformacin
( ) ( )
3 (
r ! r u f
! #
,
4e aqu6,
3 (
r f#r u
# !
.
0l 7acobiano de la transformacin est dado por
3 (
3 ( 3 (
( $
r r #
r r f r r #
#
!
f
!
#
u
f
u

.
+a f.d.p. con7unta de F ! " est dada por
( ) ( ) ( ) [ ] # f ! # f u $ # f g , , , ,
( )
( )
( )
( )
3
( 3
(
3
3
3
(
3
(
3
3
(
3
3
( 3
3
3
3 (
(
(
(
r
r
# e # e
r
r
f#
#
r
r
r
r r f#
r
r
r

,
_

.
Simplificando se llega a
( )
( )
( ) ( )
< < < <

,
_

,
_

+
# f e # f
r
r
# f g
#
r
r
f
r r r
r
r r
r r
$ , $ , ,
3 (
(
3
(
3
3
3
(
3 3
3
(
3
(
3 ( (
(
3 (
3 (
.
Gntegrando con respecto a / se obtiene
( )
( ) ( )
( ) ( )
( )
( )
< <
+

+
+
f
f
f
f g
r r
r
r
r
r r
r r
r
r
r
$ ,
(
3
(
3
3 3
3
3
(
3 (
3
(
(
3 (
3 (
(
3
(
.
Hsta es la f.d.p. F de Iisher con r
(
! r
3
grados de libertad.

E1*.p! ".7 Sea X


(
, X
3
una muestra aleatoria de una distribucin normal con media ! varian/a

3
. Sean
3 ( (
X X Y +
!
3 ( 3
X X Y
. 4emostrar que Y
(
! Y
3
son estocsticamente
independientes, Y
(
es normal con media 3 ! varian/a 3
3
, ! Y
3
es normal con media cero !
varian/a 3
3
.
S!u($0).
4e la definicin de Y
(
! Y
3
, se tiene
3 3
(
( 3
(
(
Y Y X +
!
3 3
(
( 3
(
3
Y Y X
. 0ntonces el
7acobiano de la transformacin respectiva est dado por
3
(
3
(
3
(
3
(
3
(
3
3
(
3
3
(
(
(

y
x
y
x
y
x
y
x

.
+a funcin de densidad con7unta de Y
(
! Y
3
es
( ) ( ) ( ) [ ] y y x y y x f y y g
3 ( 3 3 ( ( 3 (
, , , ,
( ) ( )
3
(
3
3
3 3
(
( 3
(
3
3
3 3
(
( 3
(
3
e1p
3
(
3
e1p
3
(

'

'


y y y y
( )

'
+ +

3
3
3
3
(
3
(
3
J
3 K K 3
e1p
K
(


y y y

'

,
_

'

,
_



3
3
3
(
3
(
3
(
3
e1p
3 3
(
3
3
e1p
3 3
(


y y
( ) ( ) < < < <
3 ( 3 3 ( (
, , y y y g y g .
Se puede ver que Y
(
! Y
3
son independientes, Y
(
es normal con media 3 ! varian/a 3
3
, ! Y
3
es
normal con media cero ! varian/a 3
3
.

".3. E ./t!+! +* a ,u)($0) 8*)*&a+!&a +* .!.*)t!%


Lecordemos que la funcin generadora de momentos de una variable aleatoria X se define por
( ) ( )
tX
e , t - ,
siempre que para alg"n # $ la esperan/a e1ista (es decir que sea finita) para todo t(*, ). Si
no e1iste la esperan/a en una vecindad de $, entonces diremos que no e1iste la funcin
generadora de momentos.
T*!&*.a ".3 Sean X ! Y dos variables aleatorias para las que e1isten todos sus momentos
! tambin sus funciones generadoras de momentos -
X
(t) ! -
Y
(t). Si -
X
(t) = -
Y
(t) para todo t en
alguna vecindad de $, entonces X ! Y tienen la misma distribucin de probabilidad.
E1*.p! ".9 Sea X una variable aleatoria con distribucin normal con media varian/a
3
.
4emuestre que Y = (X*)M sigue una distribucin normal estndar.
S!u($0).
Se puede demostrar que la funcin generadora de momentos de la distribucin normal
est dada por
( )
3 3
3
(
t t
e t -
+

.
0ntonces, es suficiente demostrar que la funcin generadora de momentos de Y es
( )
3
3
(
t
e t -
.
Por definicin,
( ) ( )
( )
[ ]

t
X
t
X
t
X t tY
Y
e
t
- e e , e , e , t -

,
_

,
_


.
Pero
3
3
(
t
t
X
e
t
-
+

,
_

.
Se sigue que
( )
3 3
3
(
3
(
t
t
t
t
Y
e e e t -
+

.
Hsta es la funcin generadora de momentos de una normal estndar. 4e aqu6 se conclu!e que Y
sigue una distribucin normal estndar.

E1*.p! ".: Sean X


(
, X
3
,C, X
n
variables aleatorias normales e independientes con medias
(
,
3
,
.,
n
! varian/as
3 3
3
3
(
, , ,
n

respectivamente. 4emuestre que

n
/
i i
X / Y
(
sigue una distribucin normal con media

n
/
i i
/
(

! varian/a

n
/
i i
/
(
3 3

.
S!u($0).
+a variable X
i
tiene la funcin generadora de momentos
( )
3 3
3
(
t t
i i
e t -
+

.
Por definicin,
( ) ( ) ( )

,
_

n
i
X t/
X / t
tY
Y
i i
i i
e , e , e , t -
(
.
Por el supuesto de la independencia, se sigue que
( ) ( )


+


3 3 3 3 3 3
3
(
(
3
(
(
i i i i i i i i
i i
/ t / t
n
i
t / t /
n
i
X t/
Y
e e e , t -

.
Hsta es la funcin generadora de momentos de una distribucin normal con media

n
/
i i
/
(

!
varian/a

n
/
i i
/
(
3 3

E1*.p! "."; Sea " un variable aleatoria con distribucin normal estndar. 4emuestre que
3
" ( sigue una distribucin 7i*cuadrada con un grado de libertad.
S!u($0).
Por definicin
( ) ( ) ( )
( )

d# e d# e
e
e , e , t -
# t #
t#
t" t( 3 3 ( 3
3 3
3
3
3
(
3
.
)hora, se puede hacer el cambio de variable t # u 3 ( . 0ntonces
( )
t
du e
t
t -
u
3 (
(
3
(
3 (
(
3
3

.
Hsta es la funcin generadora de momentos de una distribucin 7i*cuadrada con un grado de
libertad.

E1*.p! "."" Sean +


(
, +
3
, C, +
n
variables aleatorias independientes con distribuciones 7i*
cuadradas con r
(
, r
3
, C, r
n
grados de libertad respectivamente. 4emuestre que

n
i
i
+ Y
(
sigue
una distribucin 7i*cuadrada con

n
i
i
r
(
grados de libertad.
S!u($0).
Se puede demostrar que la variable +
i
tiene la funcin generadora de momentos
( ) ( ) ( )
i i
r t+
t e , t -

3 ( .
0ntonces por definicin,
( ) ( ) ( )

,
_

n
i
t+
+ t
tY
Y
i
i
e , e , e , t -
(
.
Por el supuesto de la independencia,
( ) ( ) ( ) ( )





n
i
n
i
r r t+
Y
i i i
t t e , t -
( (
3 ( 3 (
.
Hsta es la funcin generadora de momentos de una distribucin 7i*cuadrada con

n
i
i
r
(
grados de
libertad.

E1*.p! "."2 Sea X una variable aleatoria con distribucin gaussiana inversa con media

!
varian/a
2
. 4emuestre que la variable aleatoria
( ) X X Y
3 3

sigue una distribucin 7i*cuadrada con un grado de libertad.
S!u($0).
+a funcin generadora de momentos de Y est dada por
( ) ( )
( )

,
_

1
]
1


t
X
X
, e , t -
tY
3
3
e1p


.
Por lo tanto,
( )
( ) ( )
dx e
x
e t -
x x x t x
3 3 3 3
3
$
2
3

( ) ( )
dx e
x
x x t
3 3
3 3 (
$
2
3

( )
( )
( ) ( )
dx e
x
t
t
x x t
3 3
3 3 (
$
2
3 (
3
3 (
3 (



( )
3 (
3 (

t .
Hsta es la funcin generadora de momentos de una distribucin 7i*cuadrada con un grado de
libertad.

".4. La% +$%t&$'u($!)*% +* a .*+$a < -a&$a)=a .u*%t&a*% *) +$%t&$'u($!)*% )!&.a*%


Sea X
(
, X
3
, ..., X
n
, una muestra aleatoria de una distribucin normal con media ! varian/a

3
. Para poder hacer inferencias con respecto a los valores de los parmetros !
3
, es necesario
encontrar las distribuciones de la media ! varian/a muestrales, las que se definen respectivamente
por
n
X
X
i
i
i

(
!
( )
(
(
3
3

n
X X
0
n
i
i
.
Se demuestra que
) (X ,
!
3 3
) ( 0 , , lo cual hace que la media ! varian/a muestrales sean
candidatos naturales para estimar la media ! varian/a de la distribucin normal. 0l -eorema (.N
considera el caso de una muestra de tamaOo 3. )ntes establecemos el teorema siguiente, sin
demostracin, el cual se usa impl6citamente en las demostraciones de los teoremas (.N ! (.5.
T*!&*.a ".4 Sean X
(
, X
3
, ...,X
n
vectores aleatorios (estocsticamente) independientes. Para cada
i = (, C, n, sea g
i
(x
i
) una funcin slo de x
i
, con g
i
de valor real (Porel medible). 0ntonces las
variables aleatorias +
i
= g
i
(X
i
), i = (, C, n, son independientes.
T*!&*.a ".5 Sea (X
(
, X
3
) una muestra aleatoria de una distribucin normal con media !
varian/a
3
. 0n tal caso<
a)
3
3 (
X X
X
+
tiene una distribucin normal con media ! varian/a
3
M3,
b)
( )
3
3
(
3
3
3

i
i
X X
0 tiene una distribucin 7i*cuadrada con ( grado de libertad,
c) X !
3
0 son independientes.
D*.!%t&a($0).
a) 0s un caso particular del e7emplo (.Q, haciendo n = 3, /
(
= /
3
= R ,
(
=
3
= , !
(
=
3
=.
b) 4el e7emplo (.Q tambin se sigue que
3 ( 3
X X Y es normal con media cero ! varian/a 3
3
.
Por el resultado del e7emplo (.J se tiene que 3
3
Y " es normal estndar. 0n el e7emplo
(.($ se demostr que la distribucin de S
3
es 7i*cuadrada con ( grado de libertad. Para el
caso de n = 3, 3
3
3
3
Y 0 , de donde se conclu!e que
3 3
0 es una variable 7i*cuadrada con (
grado de libertad.
c) 0n el e7emplo (.T se prob que
3 ( (
X X Y + !
3 ( 3
X X Y son independientes. )hora,
3
(
Y X ! 3
3
3
3
Y 0 . Puesto que U
(
! U
3
son independientes, se sigue que X !
3
0 son
independientes.

0n el -eorema (.5 se e1tienden los resultados del -eorema (.N a muestras de tamaOo n # 3.
+a demostracin del teorema es una modificacin de una demostracin hecha por ErusVal (ver
Stigler, (QJK).
T*!&*.a ".6 Sea (X
(
, X
3
, ...,X
n
) una muestra aleatoria de una distribucin normal con media !
varian/a
3
. 0n tal caso<
a)

n
i
i n n
X X
(
(
se distribu!e seg"n una distribucin normal con media ! varian/a
3
Mn,
b) ( )
( )
3
(
3
3
3
(

n
i
i
n
X X
0 n se distribu!e seg"n una distribucin 7i*cuadrada con n*( grados de
libertad,
c)
n
X
!
3
n
0 son independientes.
D*.!%t&a($0).
a) 0s un caso particular del e7emplo (.Q, haciendo /
i
= (Mn,
i
= !
i
= , para i = (,...,n.
saremos induccin matemtica para demostrar las afirmaciones de los incisos b) ! c). Para n =3
!a fueron demostradas en el -eorema (.N. Supongamos entonces que se cumplen para n @ 3
! veamos que tambin se cumplen para n 8 (. Se tiene
( )

+

(
(
3 3
(
(
n
i
i n
X X
n
0
,
de donde
( ) ( ) [ ]

+ +
+
(
(
3
(
3
(
n
i
n n n i n
X X X X n0
( ) ( ) ( ) ( ) ( )

+

+ +
+ + +
(
(
(
(
3
( (
3
( 3
n
i
n
i
n n n i n n n i
X X n X X X X X X
( ) ( ) [ ] ( ) ( ) ( ) ( )
3
( ( (
3
(
3
( 3 (
+ + + +
+ + + +
n n n n n n n n n
X X n X X X X X X 0 n (W)
4e las igualdades siguientes

+
+

(
(
(
(
(
n
i
i n
X
n
X
= ( )
(
(
(
+
+
+
n n
X X n
n
se tiene
( ) ( )
( (
(
+ +
+
n n n n
X X X X n
. (WW)
sando (WW) en (W) se llega a que
( ) ( )
3
(
3 3
(
(
(
n n n n
X X
n
n
0 n n0
+ +
+
+ .
Ua que
3
n
0 est definida en trminos de las primeras n observaciones, se sigue que
3
n
0 es
independiente de
( + n
X
. -ambin,
n
X
!
3
n
0 son independientes por hiptesis de induccin.
0ntonces ( )
3 3
(
n
0 n ! ( ) ( )
3
3
(
( +
+
n X X n
n n
son independientes. 0l primero de estos
trminos sigue una distribucin 7i*cuadrada con n X ( grados de libertad por la hiptesis de
induccin ! el segundo trmino es 7i*cuadrada con ( grado de libertad. +a suma de dos variables
7i*cuadradas es tambin 7i*cuadrada. 0ntonces se sigue que
3 3
(

+ n
n0 sigue una distribucin 7i*
cuadrada. 0l n"mero de grados de libertad es igual a la suma de los grados de libertad de los
trminos. 0sto demuestra el inciso b).
Puesto que
n
X
!
3
n
0 son independientes por hiptesis de induccin, ! adems
+ ( n
X
( )
(
(
(
+
+
+
n n
X X n
n
! ( ) ( )
3
(
3 3
(
(
(
n n n n
X X
n
n
0 n n0
+ +
+
+ , para demostrar el inciso c) basta ver
que
( )
( +
+
n n
X X n
!
( )
n n
X X
+ (
son independientesF esto se puede hacer utili/ando el mtodo de
la funcin generadora de momentos. Por definicin,
( )
( ) ( )
[ ]
n n n n
X X t X X n t
e , t t -
+ +
+ +

( 3 ( (
3 (
,
( )
[ ]
( )
[ ]
( 3 ( 3 ( +
+

n n
X t t X t n t
e , e ,
( ) ( ) ( ) ( )

'

+ + +

'

+
3
3 (
3
3 (
3
3 (
3
3 (
3
(
e1p
3
(
e1p t t t t t n t
n
t n t

( ) ( )

'
+

'

+ + +
3
3
3
( (
(
3
(
e1p (
3
(
( e1p t
n
n
t n t n
( ) ( )
3 3 ( (
t - t - ,
lo cual demuestra que
( )
( +
+
n n
X X n
!
( )
n n
X X
+ (
son independientes.

".5 E t*!&*.a +* .$t* (*)t&a


0l teorema del l6mite central es uno de los teoremas ms importantes de la estad6stica. Pa7o
ciertas condiciones, este teorema permite el uso de la distribucin normal para evaluar medias de
muestras aleatorias cuando las observaciones no son necesariamente de la normal. 0l teorema del
l6mite central es vlido ba7o condiciones ms generales que las establecidas en el -eorema (.J. +a
demostracin que se da, la cual es de -ardiff ((QJ(), es de un caso a"n ms particular. Para sta
necesitamos el siguiente teorema, mismo que slo enunciamos.
T*!&*.a ".7 >C!)-*&8*)($a +* ,u)($!)*% 8*)*&a+!&a% +* .!.*)t!%? Sea {X
n
, n = (, 3, C}
una sucesin de variables aleatorias, cada una con funcin generadora de momentos -
Xn
(t).
Supongamos que e1iste una funcin generadora de momentos -
X
(t) tal que
) ( ) ( lim t - t -
X X
n
n


, t (*, ) para alg"n # $.
0ntonces e1iste una funcin de distribucin F
X
"nica, cu!os momentos estn determinados por
-
X
(t) !, para toda x donde F
X
es continua,
). ( ) ( lim x F x F
X X
n
n


T*!&*.a ".9 >T*!&*.a +* .$t* (*)t&a? Sea X
(
, X
3,
..., X
n
una muestra aleatoria de una
distribucin F(x) con media

! varian/a
3
, donde $ %
3
% . Si
n X es la media muestral,
entonces la distribucin de
( )

n
n
X n
Y
se apro1ima a una distribucin normal estndar cuando
n
, es decir, si G
n
(y) es la funcin de
distribucin de Y
n
, se tiene que, y (*, ),

y #
n
n
d# e y G
3
3
3
(
) ( lim

.
D*.!%t&a($0).
)qu6 slo se hace la demostracin para el caso donde e1iste la funcin generadora de
momentos, -(t), de la distribucin F(x). 0ntonces la funcin generadora de momentos de Y
n
es
( ) ( )
( )
[ ] ( )
n t n X t X n t tY
Y
e e , e , e , t -
i n n
n

.
9omo las variables aleatorias X
i
son independientes,
( )
n t
n
i
n tX
Y
e e , t -
i
n

,
_


(
( )
n t
n
I
n tX
e e ,
i

1
]
1


(
.
0l factor entre parntesis cuadrados en el lado derecho de la "ltima ecuacin es el producto de las
funciones generadoras de momentos de las X
i
. Se sigue que
( ) ( )

n t
n
i
X Y
e n t - t -
n

1
]
1


(
( ) [ ]

n t
n
X
e n t -

.
Sea
( ) [ ] { }

n t
n
X
n
e n t - 1


lim
.
0l l6mite anterior e1iste si el l6mite siguiente e1iste<
( )
1
]
1

n t
n t - n 1
X
n
ln lim ln
.
0ste paso se 7ustifica usando el siguiente teorema de 9lculo< f es continua en y
$
si ! slo si para
toda sucesin ;y
n
= que converge a y
$
,
( ) ( )

n
n n
n
y f y f lim lim
. )qu6 f(y) = e
y
. Si definimos
( ) ( ) t - t
X
ln , entonces
( )
1
1
1
1
]
1



(
lim ln
n
n
t
n t
1
n

( )
1
1
1
1
]
1



(
lim
x
x
t
x t
x

,
donde x , el con7unto de los n"meros reales. Ua que ( ) $ $ , se cumplen las condiciones
para aplicar la regla de +,Dospital. )s6,
( )
1
1
1
]
1



3
(
3
lim ln
x
t
x t
t
1
x

.
Ua que ( ) $ , se cumplen de nuevo las condiciones para aplicar la regla de +,Dospital.
0ntonces
( )
1
]
1

x t
t
1
x
3
3
3
lim ln
.
)hora, se puede demostrar que ( )
3
$ , de donde sigue que
3
3
(
ln t 1 ! por lo tanto
3
3
t
e 1
. 0sto demuestra el anunciado.
E1*.p! "."3 Sea X
(
, X
3
, ..., X
3$
una muestra aleatoria de una distribucin de Poisson con media
= (.3. 0ncuentre [ ] N . ( Pr X .
S!u($0).
Para la distribucin de Poisson es posible obtener el valor e1acto de [ ] N . ( Pr X . 0ste
hecho permite hacer una comparacin con el valor obtenido por la aplicacin del teorema del
l6mite central. )s6, se puede ver que tan buena es la apro1imacin. Primero encontremos el valor
e1acto.
Se puede demostrar que

n
i
i
X
(
sigue una distribucin de Poisson con media n. +uego,
[ ] (23$ . $ J5J$ . $ ( 3Q Pr ( 2$ Pr N . ( Pr
3$
(
3$
(

1
]
1


1
]
1



i
i
i
i
X X X
.
)hora encontremos una apro1imacin de [ ] N . ( Pr X por medio del teorema del l6mite central,
seg"n el cual
X
es apro1imadamente normal con media = (.3 ! varian/a
$5 . $
3
n . Por lo tanto,
[ ] ( ) (((3 . $ JJJJ . $ ( 33 . ( (
$5 . $
3 . ( N . (
Pr N . ( Pr
1
]
1


n %
X
X

,
donde ( ) # es la distribucin normal estndar. 0sta apro1imacin no es tan buena como se
desea, pues no se ha tenido en cuenta que
i
X
es discreta. Por esta ra/n se debe incluir una
Ycorreccin por continuidadZ, como se muestra enseguida
[ ] [ ] KTN . ( Pr N . 3Q Pr 2$ Pr N . ( Pr
3$
(
3$
(

1
]
1


1
]
1




X X X X
i
i
i
i
( ) (2(K . $ J5J5 . $ ( (3 . ( (
$5 . $
3 . ( KTN . (
(

,
_

".6. E%ta+%t$(!% +* !&+*) pa&a -a&$a'*% a*at!&$a% (!)t$)ua%


Sea X
(
, X
3
,...,X
n
una muestra aleatoria de la funcin de distribucin F(x). +os estad6sticos de
orden, que denotaremos por Y
(
, Y
3
, ..., Y
n
, se definen como sigue< primero se ordenan en forma no
decreciente los valores que toman X
(
, X
3
, ..., X
n
F entonces el valor que toma Y
(
es igual al primero
de esos valores as6 ordenados, el valor que toma Y
3
es igual al segundo, ! as6 sucesivamente.
?otemos que
n
Y Y Y ...
3 (
, donde
{ } n i X Y
i
,... ( < min
(

!
{ } n i X Y
i n
,... ( < ma1
.
0n el -eorema (.Q se da la funcin de densidad con7unta de los estad6sticos de orden, cuando
la distribucin F(x) es continua.
T*!&*.a ".: Sea X
(
, X
3
, ..., X
n
una muestra aleatoria de la funcin de densidad f(x). 0ntonces la
funcin de densidad con7unta de los estad6sticos de orden Y
(
, Y
3
, ..., Y
n
est dada por
( ) ( ) ( ) ( ) < < < < <
n n n
y y y y f y f y f n y y y g ... , [ ,..., ,
3 ( 3 ( 3 (

.
D*.!%t&a($0).
)qu6 solamente se dar la demostracin para n = 2, pero el resultado puede ser e1tendido
a cualquier n. Sea X
(
, X
3
, X
2
una muestra aleatoria de f(x). 4e acuerdo a la definicin de los
estad6sticos de orden, las funciones ( )
2 3 (
(
( (
, , y y y $ x
i

, ( )
2 3 (
(
3 3
, , y y y $ x
i

! ( )
2 3 (
(
2 2
, , y y y $ x
i

, i
= (, C , 5, del -eorema (.3 quedan definidas como sigue<
2 3 ( 2 2 3 3 ( (
, , x x x 2i x y x y x y < <
,
2 ( 3 2 2 ( 3 3 (
, , x x x 2i x y x y x y < <
,
( 2 3 ( 2 2 3 3 (
, , x x x 2i x y x y x y < <
,
( 3 2 ( 2 3 3 2 (
, , x x x 2i x y x y x y < <
,
3 ( 2 3 2 ( 3 2 (
, , x x x 2i x y x y x y < <
,
3 2 ( 3 2 2 3 ( (
, , x x x 2i x y x y x y < <
.
Da! n[ = 2[ = 5 casos. Para el primer caso, el 7acobiano de la transformacin est dado por
. (
( $ $
$ ( $
$ $ (
2
2
3
2
(
2
2
3
3
3
(
3
2
(
3
(
(
(
(

y
x
y
x
y
x
y
x
y
x
y
x
y
x
y
x
y
x

Para el segundo caso se tiene


. (
( $ $
$ $ (
$ ( $
3

0n cada caso, el 7acobiano tiene el valor de ( o X(. 0ntonces la funcin de densidad con7unta es
( ) ( ) ( ) ( ) ( ) ( ) ( ) ( ) ( ) ( )
5 3 2 ( 3 2 ( 3 ( 2 3 ( 2 3 (
... , , y f y f y f y f y f y f y f y f y f y y y g + + +
( ) ( ) ( ) < < < <
2 3 ( 2 3 (
, [ 2 y y y y f y f y f
.

E1*.p! "."4 Sea X


(
, X
3
, X
2
, X
K
una muestra aleatoria de la distribucin
( )

'

< <

. ( , (
, ( $ ,
, $ , $
3
x
x x
x
x F
0ncuentre la funcin de densidad con7unta de los estad6sticos de orden Y
(
, Y
3
, Y
2
, Y
K
.
S!u($0).
Para 1 en ($,(), f(1) = 31. 0ntonces se sigue que
( ) ( ) ( ) ( ) ( )
K 2 3 ( K 2 3 (
[ K , , y f y f y f y f y y y y g
( ) ( ) ( ) ( )
K 2 3 (
3 3 3 3 3K y y y y
( $ , 2JK
K 2 3 ( K 2 3 (
< < < < < y y y y y y y y
.

Si X
(
, X
3
, ..., X
n
es una muestra aleatoria de la funcin de densidad f(x), se puede usar el
resultado del -eorema (.Q para obtener la distribucin del m1imo de la muestra. Gntegrando con
respecto a y
(
, y
3
,...,y
n*(
resulta
( ) ( ) ( ) ( )

n
y y y
n n n n
dy dy dy y f y f y f n y g
2 3
( 3 ( 3 (
[
( ) [ ] ( ) < <

n n
n
n
y y f y F n ,
(
.
Por consiguiente,
( ) ( ) [ ] ( ) ( ) [ ]


n
y
n
n
n
n n
y F du u f u F n y G
(
.
Se puede obtener este mismo resultado usando el mtodo de la funcin de distribucin. 0sto se
demuestra en el siguiente e7emplo.
E1*.p! "."5 Sea X
(
, X
3
, ..., X
n
una muestra aleatoria de una distribucin F(x). 0ncuentre la
distribucin del m1imo de la muestra, usando el mtodo de la funcin de distribucin.
S!u($0).
Por definicin,
( ) [ ]
n n n n n n
y X y X y X y G ,..., , Pr
3 (
.
Ua que las variables X
i
son independientes,
( ) [ ] ( ) ( ) [ ]



n
i
n
i
n
n n n i n n
y F y F y X y G
( (
Pr
.

Se puede obtener la funcin de distribucin del m6nimo de la misma manera que se


obtuvo la distribucin del m1imo. +a funcin de densidad del m6nimo est dada por
( ) ( ) ( ) ( )

( 3 (
3 ( 3 ( ( (
[
y y y
n n n
n
dy dy dy y f y f y f n y g
( ) ( ) [ ] < <

(
(
( (
, ( y y F y nf
n
.
Gntegrando se obtiene la funcin de distribucin,
( ) ( ) ( ) [ ] ( ) [ ]


(
(
(
( (
( ( (
y
n n
y F du u F u nf y G .
0n el siguiente e7emplo se obtiene este mismo resultado usando el mtodo de la funcin de
distribucin.
E1*.p! "."6 Sea X
(
, X
3
, ..., X
n
una muestra aleatoria de una distribucin F(x). ) travs del
mtodo de la funcin de distribucin, encuentre la distribucin del m6nimo de la muestra.
S!u($0).
Por definicin
( ) [ ] [ ] [ ]
( ( 3 ( ( ( ( ( ( ( (
,..., , Pr ( Pr ( Pr y X y X y X y Y y Y y G
n
>
.
+as variables X
i
son independientes, por lo tanto
( ) [ ] [ ] ( ) ( ) [ ] ( ) [ ]


<
n
i
n
n
i
n
i
i i
y F y F y X y X y G
(
( (
( (
( ( ( (
( ( ( ( Pr ( ( Pr (

E1*.p! "."7 Sea X


(
, X
3
,..., X
n
una muestra aleatoria de una distribucin e1ponencial con media

. 0ncuentre la distribucin del m6nimo.


S!u($0).
+a distribucin de X
(
est dada por ( )
x
e x F

( para 1 # $. 0ntonces la distribucin del
valor m6nimo es
( ) ( ) [ ]
nx
n
x
e e y G

( ( ( (
( (
.
Se puede ver que Y
(
sigue una distribucin e1ponencial con media n .

Para obtener la funcin de densidad de otro estad6stico de orden como la mediana, es


necesario determinar la densidad de Y
/
. Se puede obtener la funcin de densidad del /*simo
valor ms pequeOo como sigue<
( ) ( ) ( ) ( )



+

/ n
/
y y
y y
/ n / n / /
dy dy dy dy y f y f y f n y g
(
3
( ( ( 3 (
[
( ) [ ]
( )
( ) ( )


+

/ n
y y
/ n n /
/
/
dy dy y f y f
/
y F
n
(
(
(
[ (
[
( ) ( )
( ) [ ] ( ) [ ] ( )
/
/ n
/
/
/
y f y F y F
/ n /
n


(
[ [ (
[
(
.
E1*.p! "."9 Sea X
(
, X
3
, ..., X
n
una muestra aleatoria de la distribucin uniforme ($,(). 0ncuentre
la funcin de densidad de Y
/
.
S!u($0).
Para la distribucin uniforme, ( ) x x F para $ % 1 % (. 0ntonces
( )
( ) ( )
( ) ( $ , (
[ [ (
[
(
< <


/
/ n
/
/
/ / /
y y y
/ n /
n
y g
.
0sta es una distribucin beta con parmetros / ! n3/8(.

-ambin se pueden obtener distribuciones con7untas de dos o ms estad6sticos de orden.


Por e7emplo, la funcin de densidad con7unta de los estad6sticos de orden Y
i
! Y
4
, i % 4, est dada
por
( ) ( ) ( ) ( )



+ +

4 n
4
i
i
i
i
y y
y
y
y
y
y y
4 n 4 i i n 4 i i4
dy dy dy dy dy dy y f y f y f n y y g
(
3 3
( ( ( ( ( 3 (
[ ,
( ) [ ]
( )
( ) ( )


+ +

4 n
4
i
i
i
y y
y
y
y
y
4 n 4 i n i
i
i
dy dy dy dy y f y f
i
y F
n
(
3
( ( (
(
[ (
[
( ) [ ]
( )
( )
( ) ( ) [ ]
( )
( ) ( )


+

4 n
y y
4 n n 4
i 4
i 4
i
i
i
dy dy y f y f
i 4
y F y F
y f
i
y F
n
(
(
(
(
[ ( [ (
[
( ) ( ) ( )
( ) [ ] ( ) ( ) [ ] ( ) [ ] ( ) ( )
4 i
4 n
4
i 4
i 4
i
i
y f y f y F y F y F y F
4 n i 4 i
n



(
[ [ ( [ (
[
( (
.
4e este "ltimo hecho se sigue que
( ) ( ) ( ) ( ) [ ] ( ) ( ) < < <

n n
n
n n n
y y y f y f y F y F n n y y g
( (
3
( ( (
, ( , .
0ste resultado es importante en control de calidad, donde se traba7a con diagramas de control
para el rango.
(.T. E%ta+%t$(!% +* !&+*) pa&a -a&$a'*% a*at!&$a% +$%(&*ta%
0n general, los estad6sticos de orden para las variables aleatorias discretas requieren
procedimientos distintos a los de las variables continuas. Se puede aplicar el mtodo de la
funcin de distribucin para obtener las distribuciones de valor m1imo ! m6nimo, pero no se
puede usar el mtodo de la transformacin.
Primero consideremos la distribucin del valor m1imo de una muestra aleatoria X
(
, X
3
, ...
X
n
. Por el mtodo de la funcin de distribucin se tiene
( ) [ ] [ ]
n n n n n n n n
y X y X y X y Y y G ,..., , Pr Pr
3 (
.
Ua que las variables X
i
son independientes,
[ ] [ ]


n
i
n i n n n n
y X y X y X y X
(
3 (
Pr ,..., , Pr
.
4e aqu6,
( ) [ ] ( ) ( ) [ ]
n
n
n
i
n
n
i
n i n n
y F y F y X y G

( (
Pr
.
0ste es el mismo resultado que se obtuvo para las variables aleatorias continuas. Si los valores
posibles de las X
i
,s son a
(
% a
3
% C, entonces, haciendo a
$
= a % a
(
, a fi7o, la funcin de
probabilidad del m1imo la obtenemos como a continuacin se muestra
( ) ( ) ( ) ( ) [ ] ( ) [ ]
n
i
n
i i n i n i n
a F a F a G a G a g
( (
, i = (, 3, C
E1*.p! ".": 0n un 7uego de dados, se lan/a tres veces un dado 7usto ! se determina el valor
m1imo. 0ncuentre la distribucin ! la funcin de probabilidad del valor m1imo.
S!u($0).
Para el lan/amiento de un slo dado, la funcin de distribucin est dada por ( )
5
x
x F para
5 , N , K , 2 , 3 , ( x
. 0ntonces la funcin distribucin del valor m1imo de tres lan/amientos es
( ) ( ) [ ]
2
2
2
2 2 2
5

,
_


y
y F y G .
+a funcin de probabilidad est dada por
( )
2
2
2
2
2 2
5
(
5

,
_



,
_

y y
y g , y
2
= (,3,C,5.

-ambin se puede obtener la distribucin del valor m6nimo de n observaciones


independientes, usando el mtodo de la funcin de distribucin. Se tiene
( ) [ ] [ ] [ ]
( ( 3 ( ( ( ( ( ( ( (
,..., , Pr ( Pr ( Pr y X y X y X y Y y Y y G
n
> > > >
.
Por el supuesto de la independencia se sigue que
( ) [ ] [ ] ( ) ( ) [ ] ( ) [ ]
n
n
i
n
i
i
n
i
i
y F y F y X y X y G
(
(
(
(
(
(
( ( (
( ( ( ( Pr ( ( Pr ( >


.
9omo en el caso del m1imo, si los valores posibles de las X
i
,s son a
(
% a
3
% C, entonces,
haciendo a
$
= a % a
(
, a fi7o, la funcin de probabilidad del valor m6nimo la obtenemos como a
continuacin se muestra
( ) ( ) ( ) ( ) [ ] ( ) [ ]
n
i
n
i i i i
a F a F a G a G a g

( (
( ( ( ( (
, i = (,3, C
E1*.p! ".2; 0n un 7uego de dados, se lan/a un dado 7usto cuatro veces ! se determina el valor
m6nimo. 0ncuentre la distribucin ! la funcin de probabilidad del valor m6nimo.
S!u($0).
Para el lan/amiento de un dado, ( )
5
x
x F ,
5 , N , K , 2 , 3 , ( x
. 0ntonces la distribucin del
valor m6nimo de los cuatro lan/amientos es
( ) ( ) [ ]
K
(
K
(
K
( ( (
5
5
(
5
( ( ( (
,
_



,
_


y y
y F y G .
+a funcin de probabilidad est dada por
( )
K
(
K
(
K
(
K
(
( (
5
5
5
T
5
T
(
5
5
(
,
_



,
_

1
1
]
1

,
_



1
1
]
1

,
_



y y y y
y g
.

(.J. La +$%t&$'u($0) +* a +$,*&*)($a *)t&* *%ta+%t$(!% +* !&+*)


0n la seccin (.5 se encontr que la funcin de densidad con7unta de los estad6sticos de orden
Y
(
! Y
n
es
( ) ( ) ( ) ( ) [ ] ( ) ( ) < <

( (
3
( ( (
, ( , y y f y f y F y F n n y y g
n
n
n n n
.
Se puede definir el rango por 5 = Y
n
X Y
(
. Para obtener la distribucin del rango, podemos definir
0 = Y
(
para tener la transformacin r = y
n
X y
(
! 2 = y
(
. Su 7acobiano est dado por
(
( (
( $
( (

2
y
r
y
2
y
r
y

n n
.
Se sigue que
( ) ( ) ( ) [ ] 2 r y 2 r y g 2 r $
n
, , , ,
(

( ) ( ) ( ) [ ] ( ) ( ) 2 r f 2 f 2 F 2 r F n n
n
+ +
3
( .
Si
( ) $ ,
( (
>
n n
y y g
para
b y y a
n
< < <
(
, entonces r b 2 a < < ! a b r < < $ . Por lo tanto, la
funcin de densidad de 5 est dada por
( ) ( ) ( ) ( ) [ ] ( ) ( )

+ +
r b
a
n
d2 2 r f 2 f 2 F 2 r F n n r $
3
(
(
.
E1*.p! ".2" Sea X
(
, X
3
, ..., X
5
una muestra aleatoria de la distribucin uniforme ($,(). 0ncuentre
la funcin de densidad del rango 5 = Y
5
X Y
(
.
S!u($0).
+a distribucin uniforme est dada por ( ) x x F , ( $ < < x . Se sigue que
( ) ( ) ( ) [ ] ( ) r r d2 r d2 2 2 r r $
r r
+


( 2$ 2$ N 5
K
(
$
K
K
(
$
(
para ( $ < < r .

Captu! 2# E%t$.a($0) pu)tua


2.". E%t$.a+!&*% $)%*%8a+!%
Sea
\
un estimador puntual para el parmetro . Se dice que
\
es un estimador
insesgado para si ( )
\
, . 0l sesgo P de un estimador
\
se define por
( )
\
, 6 .
+a media del cuadrado del error de un estimador puntual
\
se define por
( ) ( ) [ ]
3
\ \
, -7,
.
Si se define ( )
\
$
, , entonces se sigue que
( ) ( ) [ ]
3
$ $
\ \
+ , -7,
( ) [ ] ( ) ( ) ( ) [ ]
3
$ $ $
3
$
\
3
\
+ + , , ,
( ) [ ] ( ) [ ]
3
$
3
$
\
+ , ,
( ) ( ) ( )
3 3
$
\ \
6 ) ) + + .
E1*.p! 2."# Sea :
(
, :
3
,C, :
n
una muestra aleatoria de una distribucin I(1) con media

!
varian/a
3
. Si

n
i
i
X
n
X
(
(
!
( )
(
(
3
3

n
X X
0
n
i
i
,
entonces demuestre que X ! S
3
son estimadores insesgados para

!
3
respectivamente.
S!u($0).
+a media de X est dada por
( ) ( )
i
n
i
i
X ,
n
X
n
, X ,
( (
(

,
_

.
Ua que la media de X
i
es

, se sigue que
( ) ( )

n
n n
X ,
n
i
( (
(
.
Por lo tanto, X es un estimador insesgado para

. 0l valor esperado de (n*()S


3
est dado por
( ) [ ] ( ) ( )
1
]
1

+
1
]
1




n
i
i
n
i
i
X X , X X , 0 n ,
(
3
(
3
3
(
( ) ( ) ( ) ( )
1
]
1

+
1
]
1


1
]
1




n
i
n
i
i
n
i
i
X , X X , X ,
(
3
( (
3
3
( ) ( ) [ ]
3
(
3

1
]
1

X n, X ,
n
i
i
( )
1
1
]
1

,
_

3
(
3
(
n
i
i
X
n
n, n
( ) ( )
1
]
1




n
i
n
4
4 i
X X ,
n
n
( (
3
(

.
Se supone que :
i
! :
7
son independientes. Por lo tanto, la covarian/a entre :
i
! :
7
es cero.
0ntonces la ecuacin de arriba se reduce a
( ) ( ) ( ) ( )
3 3 3 3
(
(
( n n
n
n 0 , n .
4ividiendo entre n*(, se obtiene ( )
3 3
0 , . Por lo tanto, S
3
es un estimador insesgado para
3
.

E1*.p! 2.2# Sea : una variable aleatoria de una distribucin binomial con parmetros n ! p.
0ncuentran estimadores insesgados para p ! para la varian/a de :.
S!u($0).
Ua que
( ) ( ) p np
n
X ,
n n
X
,
,
_

( (
,
se sigue que :Mn es un estimador insesgado para p. +a varian/a de : est dada por
( ) ( ) ( )
n
p p
n
p np
n
X )
n
X
)


,
_

( (
3 3
3

.
0ntonces, ser6a natural estimar la varian/a de : por
( )
2
3
(
\
n
X n X
n
n
X
n
X

,
_


.
Pero este estimador no es insesgado, !a que
( )
( ) ( ) ( ) ( )
2
3
3 2
3
3
3
(
\
n
np p np
n
np
n
X ,
n
X ,
,
+

( ) ( ) ( )
3
3
3
( ( (
n
p p
n
p p
n
p
n
p p
n
p


( )
n
p p
n
n

,
_

( (
.
0ste estimador tiene sesgo
( )
( ) ( )
3
3
( (
\
n
p p
n
p p
, 6

.
Se puede obtener un estimador insesgado para : por definir
3 3
\
(

,
_

n
n
0
.

E1*.p! 2.3# Se demostr que la varian/a muestral, S


3
, es un estimador insesgado para
3
.
)hora, suponga que la muestra aleatoria viene de una distribucin normal con media

!
varian/a
3
. 4emuestre que S no es un estimador insesgado para

.
S!u($0).
Se demostr en el cap6tulo ( que ( )
3 3
( 0 n + sigue una distribucin 7i*cuadrada con
n*( grados de libertad. 0ntonces
( )
( )
du e u
n
u + ,
u
n
n
3
(
3
(
$
3 (
3
(
3
(

,
_

,
_

( )
du e u
n
u
n
n
3
(
3
$
3 (
3
(
3
(

,
_

,
_

( )
( )
3
3
(
3
3
(
3
3
(
3
(
3
3 (

,
_

,
_

,
_

,
_

,
_

,
_

n
n n
n
n
n
.
)hora, se sigue que
3
3
(
3 (

,
_

,
_

,
_


n
n
0 n
,

,
! por lo tanto
( )
(
3
3
(
3

,
_

,
_

n n
n
0 ,
.
0n el control de calidad se define c
K
tal que ( )
K
c 0 , . 0ntonces se sigue que
(
3
3
(
3
K

,
_

,
_

n n
n
c
.

2.2. E,$($*)($a &*at$-a


Sean
(
\
!
3
\
estimadores insesgados para con varian/as ( )
(
\
) ! ( )
3
\
)
respectivamente. 0ntonces la eficiencia relativa de
(
\
con respecto a
3
\
se define por
( ) ( )
( 3
\ \
) ) .
Si ( > , entonces
(
\
tiene una varian/a menor de
3
\
.
T*!&*.a 2.">La +*%$8ua+a+ +* Ra!@C&a.*&?# Sea :
(
, :
3
, C, :
n
una muestra aleatoria de una
distribucin con funcin (densidad) de probabilidad ( ) F x f . Si
( )
n
X X X u Y ,..., ,
3 (

es un
estimador insesgado de , entonces
( )
( )
1
1
]
1

,
_

3
F ln
(

X f
n,
Y )
.
D*.!%t&a($0)#
Ua que ( ) F x f es una funcin (densidad) de probabilidad, se sigue que
( )


n i dx x f
i i
,..., 3 , ( , F ( .
0ntonces se sigue que
( ) ( )
( )
( )
1
]
1

F ln
F
F ln F
$
i
i i
i
i
i
X f
, dx x f
x f
dx
x f
.
Se puede definir la variable aleatoria S por
( )
1
]
1

n
i
i
X f
"
(
F ln

.
S est definida por una suma donde cada componente tiene media $ ! por lo tanto varian/a
( )

'

1
]
1

3
F ln

X f
,
. .bviamente ( ) $ " , . -ambin, !a que S es una suma de n variables
aleatorias independientes, se sigue que la varian/a de S es igual a la suma de las varian/as de
cada componente de la suma. 0sto es,
( )
( )

'

1
]
1


3
3
F ln

X f
n, " )
"
.
)hora, sea ( ) F y g la funcin (densidad) de probabilidad de
( )
n
X X X u Y ,..., ,
3 (

. Ua que
se supone que U es un estimador insesgado para , se sigue que
( ) ( )


dy y yg Y , F
( ) ( ) ( )

n n n
dx dx x f x f x x u
( ( (
F F ,..., .
Por lo tanto
( )
( )
( )
( ) ( )



1
]
1

n n
n
i
i
i
n
dx dx x f x f
x f
x f
x x u
( (
(
(
F F
F
F
(
,..., (

( )
( )
( ) ( )



1
]
1

n n
n
i
i
n
dx dx x f x f
x f
x x u
( (
(
(
F F
F ln
,...,

.
+a "ltima e1presin es ( ) Y" , . 0ntonces ( ) ( Y" , . )hora,
( ) ( ) ( ) ( ) " , Y , Y" , " Y 7o!
" Y
, ,
donde

es la correlacin entre U ! S. Ua que ( ) Y , ! ( ) $ " , , se sigue que


( ) ( Y" ,
" Y
.
0ntonces,
" Y

.
Ua que (
3
, se sigue que
(
(
3 3

" Y

. 4e este resultado, se obtiene
( )

'

1
]
1


3 3
3
F ln
( (

X f
n,
"
Y
.

D*,$)$($0) 2."# Si
( )
n
X X X u Y ,..., ,
3 (

es un estimador insesgado de tal que


( )
( )
1
1
]
1

,
_

3
F ln
(

X f
n,
Y )
,
entonces se dice que U es un estimador eficiente de .
E1*.p! 2.4# Sea :
(
, :
3
, C, :
n
una muestra aleatoria de una distribucin uniforme ($, ). Sean
X 3
\
(
!
( )
n
X X X %ax ..., ,
\
, 3 ( 3

dos estimadores de . 4emuestre que los dos estimadores
son insesgados ! determine la eficiencia relativa de
3
\
con respecto a
(
\
.
S!u($0).
+a funcin de densidad de probabilidad uniforme est dada por
( )

'

< <

. , $
$ ,
(
punto otro cualquier en
x
x f

0l r*simo momento con respecto al origen est dado por


( )

+

$
(
(
r
dx x X ,
r
r r
.
Se sigue que ( )
3

X , ! ( )
2
3
3

X , , ! por lo tanto
( )
(3 3 2
3
3
3 3

,
_

X ) .
Por consiguiente,
( ) ( ) X , , 3
\
(
,
!
( ) ( ) ( )
n
X )
n
X ) )
2
K
K
\
3
(

.
4efinimos
( )
n n
X X X %ax Y ..., ,
, 3 (

. 0n el cap6tulo (, se demostr que


( ) ( ) [ ]
n
n
n
n n n
y
y F y G
,
_

.
0ntonces la funcin de densidad de probabilidad de U
n
est dada por
( )

'

< <

. , $
$ ,
punto otro cualquier en
y
n
y g
n
n
n n

)hora, se sigue que


( )

+

+


$ $
( ( r
n
n r
n
n
n
n
n
n
r
n
r
n
n r
n
dy y
n
dy y
n
y Y ,
,
Por lo tanto
( )
( +

n
n
Y ,
n
!
( )
3 3
3

n
n
Y ,
n
.
+a varian/a de U
n
est dada por
( )
( ) ( )
3
3
3
3 (
( 3

+ +

,
_

n n
n
n
n
n
n
Y )
n
.
) partir de estos resultados se obtienen
( ) ( )
+

,
_

n n
Y ,
n
n
Y
n
n
, ,
( (
\
3
,
!
( ) ( )
( ) 3
( (
\
3
3
3
+

,
_

+

,
_

n n
Y )
n
n
Y
n
n
) )
n n

.
+a eficiencia relativa de
3
\
con respecto a
(
\
es
( )
( )
( )
3 (
2
3
3
2
\
\
3
3
3
(
>
+

1
]
1

,
_

n para
n
n n
n
)
)

2.3. C!)%$%t*)($a
Se dice que
n

\
es un estimador consistente para si para todo $ > ,
[ ] (
\
Pr


n
n
li%
.
T*!&*.a 2.2# 0l estimador
n

\
es un estimador consistente para si
n

\
es insesgado ! si
( ) $
\


n
n
) li%
.
D*.!%t&a($0).
Por el teorema de 9heb!shev,
[ ]
3
(
(
\
Pr
/
/
n n

donde ( )
n n
)
\
. 4efinimos
n
/
. 0ntonces
n
/
, ! se sigue que
[ ]
( )
3 3
3
(
(
(
\
Pr


n
n
n

.
Si
$
3


n
n
li%
, entonces
[ ] ( ) ( (
\
Pr
3 3



n
n
n
n
li% li%
.
Ua que, una probabilidad no puede ser ma!or que (, se sigue que
[ ] (
\
Pr


n
n
li%
.
0sto demuestra que
n

\
es un estimador consistente para .

E1*.p! 2.5# Sea :


(
, :
3
,C, :
n
una muestra aleatoria de una distribucin con media

!
varian/a
3
. 4emuestre que X es un estimador consistente para

.
S!u($0).
0n la seccin 3.(, se demostr que X es un estimador insesgado para

. Ua que :
(
, :
3
,
C, :
n
son variables aleatorias independientes con varian/a
3
, se sigue que
( ) n X )
X
3 3
.
0ntonces
$
3 3


n li% li%
n
X
n

,
! por el teorema 3.3 se sigue que X es un estimador consistente para

. 0ste resultado es
conocido como la le! de los grandes n"meros.

2.4. Su,$($*)($a
Sea :
(
, :
3
,C, :
n
una muestra aleatoria de una distribucin con funcin (densidad) de
probabilidad ( ) F x f , ! sea ( )
n
x x x d ,..., ,
\
3 (
un estad6stico con funcin (densidad) de
probabilidad ( ) ,
\
g . Se dice que
\
es un estad6stico suficiente para si ! solo si
( )
( ) [ ]
( )
n
n
n
i
i
x x x $
x x x d g
x f
,...,
F ,... ,
F
3 , (
3 (
(

,
donde
( )
n
x x x $ ,..., ,
3 (
no depende de .
E1*.p! 2.6# Sea :
(
, :
3
,C, :
n
una muestra aleatoria de una distribucin de Poisson con
parmetro m. 4emuestre que X es un estad6stico suficiente para m.
S!u($0).
Si cada :
i
sigue una distribucin de Poisson con parmetro m, entonces se puede
demostrar que

n
i
i
X
(
sigue una distribucin de Poisson con media nm. +a funcin de
probabilidad de X est dada por
( )
( )
( )

,...,
3
,
(
, $ F
[
F
n n
x
x n
n% e
% x g
x n n%
.
Por consiguiente
( )
( )
( )
( )
( )
( )
n
n
i
i
x n
x n n%
n
i i
x %
n
i
i
x x x $
x n
x n
x n
n% e
x
% e
% x g
% x f
i
,...,
[
[
[
[
F
F
3 , (
(
( (

.
0sto demuestra que X es un estad6stico suficiente para m.

2.5. Su,$($*)($a .)$.a


0n la prctica se trata de encontrar los estad6sticos suficientes que redu/can los datos lo
ms posible. 0stos estad6sticos se llaman los estad6sticos de suficiencia m6nima. 0l mtodo de
+ehman ! Sheff permite obtener los estad6sticos de m6nima suficiencia. 0ste procedimiento se
define a continuacin.
4efinamos la funcin de verosimilitud por
( ) ( )

n
i
i n
x f x x x 1
(
3 (
F ,..., ,
.
Da! que encontrar un funcin
( )
n
x x x u ,..., ,
3 (
tal que la ra/n
( )
( )
n
n
y y y 1
x x x 1
,..., ,
,..., ,
3 (
3 (
no depende de
si ! solo si
( ) ( )
n n
y y y u x x x u ,..., , ,... ,
3 ( 3 (

. Si e1iste tal funcin, entonces
( )
n
x x x u ,..., ,
3 (
es un
estad6stico de suficiencia m6nima para .
E1*.p! 2.7# Sea :
(
, :
3
,C, :
n
una muestra aleatoria de una distribucin gamma con funcin de
densidad
( )

'

>

. $ $
$ ,
3
x
x xe
x f
x

0ncuentre un estad6stico de suficiencia m6nima para .


S!u($0).
Puesto que
( )
( )

,
_

,
_

,
_

,
_

n
i
n
i
i i
n
i
i
n
i
i
y x n
I i
i
y n
i
i
n
x n
i
i
n
n
n
e
y
x
e y
e x
y y y 1
x x x 1
( (
(
(
(
(
3
(
3
3 (
3 (
,..., ,
,..., ,

,
se sigue que
( )

n
i
i n
x x x x u
(
3 (
,..., ,
.

Se puede aplicar este mismo procedimiento a distribuciones de ms de un parmetro.


E1*.p! 2.9# Sea :
(
, :
3
,C, :
n
una muestra aleatoria de una distribucin gamma con funcin de
densidad
( )
( )

'

>


. $ , $
$ ,
(
x
x e x
x f
x

0ncuentre los estad6sticos de suficiencia m6nima para !

.
S!u($0).
Puesto que
( )
( )
( ) [ ]
( ) [ ]

,
_

,
_

n
i
i
n
i
i
y n
i
i
n
n
x n
i
i
n
n
n
n
e y
e x
y y y 1
x x x 1
(
(
(
(
(
(
3 (
3 (
,..., ,
,..., ,

( )

,
_

,
_


n
i
i
n
i
i
n
i
n
i
i i
y x y x
e e
( ( ( (
ln ln (
,
se sigue que
( )

n
i
i n
x x x x u
(
3 ( (
,..., ,
!
( )

n
i
i n
x x x x u
(
3 ( 3
ln ,..., ,
,
son los estad6sticos de suficiencia m6nima.

2.6. E ./t!+! +* !% .!.*)t!%


no de los procedimientos ms sencillos para estimar los parmetros de una distribucin
es el mtodo de los momentos. Por este procedimiento se obtienen los estimadores de los
parmetros al igualar los primeros r momentos de la distribucin con los primeros r momentos de
la muestra donde r es el n"mero de parmetros de la distribucin. 0sto es, si
r
,..., ,
3 (
son los
parmetros de la distribucin ! si
r
,..., ,
3 (
son los primeros r momentos con respecto a la
media, entonces se pueden obtener los estimadores mediante momentos resolviendo el siguiente
sistema de ecuaciones<
( )
( )
( )

n
i
r
i r r
n
i
i r
n
i
i r
X
n
X
n
X
n
(
3 (
(
3
3 ( 3
(
3 ( (
.
(
,..., ,
,
(
,..., ,
,
(
,..., ,


,
E1*.p! 2.:# Sea :
(
, :
3
,C, :
n
una muestra aleatoria de una distribucin gamma con funcin de
densidad
( )
( )

'

>


. $ , $
$ ,
(
x
x e x
x f
x

0ncuentre los estimadores mediante momentos para !

.
S!u($0).
+a distribucin gamma tiene dos parmetros. 0ntonces se necesitan igualar los primeros
dos momentos con respecto al origen a los primeros dos momentos de la muestra. 0sto es,
X X
n
n
i
i


(
(

,
( )

+
n
i
i
X
n
(
3
3
( (


.
Lesolviendo este sistema de ecuaciones, se obtienen
( )

n
i
i
X X
n
X
(
3
3
(
\
,
!
( )

n
i
i
X X
n
X
(
3 (
\

E1*.p! 2.";# Sea :


(
, :
3
,C, :
n
una muestra aleatoria de una distribucin binomial negativa con
funcin de probabilidad
( ) ( ) ,.... 2 , 3 , ( , $ , (
(

,
_

+
x p p
x
x /
x f
x /
0ncuentre los estimadores mediante momentos para V ! p.
S!u($0).
+os primeros dos momentos con respecto al origen de la binomial negativa estn dados
por
( )
( )
p
p /
X ,

(
,
!
( )
( ) ( )
3
3 3
3
3
( (
p
p /
p
p /
X ,

+

.
Ggualando los primeros dos momentos de la distribucin binomial negativa a los primeros dos
momentos muestrales se obtiene el sistema siguiente de ecuaciones<
( )
X
p
p /

(
,
( ) ( )

n
i
i
X
n p
p /
p
p /
(
3
3
3 3
3
( ( (
.
Lesolviendo este sistema de ecuaciones se obtienen
( )

n
i
i
X X
n
X
p
(
3 (
\
!
p
p X
/
\ (
\
\

2.7. E p&$)($p$! +* .AB$.a -*&!%$.$$tu+


Sea
n
X X X ,...
3 , (
una muestra aleatoria de una distribucin con funcin (densidad) de
probabilidad ( ) F x f . +a funcin de verosimilitud se define por
( ) ( )

n
i
i
x f 1
(
F
.
Se puede obtener un estimador para al encontrar el valor de que hace m1ima la funcin de
verosimilitud. 0ste estimador se llama el estimador de m1ima verosimilitud. Si ( ) F x f
representa una funcin de probabilidad, entonces esto es equivalente a ma1imi/ar la probabilidad
de observar la muestra dada. 0n la ma!or6a de los casos se puede obtener un estimador de
m1ima verosimilitud por encontrar la solucin de la ecuacin
( )
$

d
d1
.
) veces es ms fcil obtener el estimador de m1ima verosimilitud resolviendo la ecuacin
( )
$
ln

d
1 d
.
E1*.p! 2.""# 0ncuentre el estimador de m1ima verosimilitud para la distribucin de Poisson.
S!u($0).
+a funcin de probabilidad de Poisson est dada por
( ) ,.... 3 , ( , $ F
[
F

x
x
e
x f
x

0ntonces la funcin de verosimilitud es


( )



n
i
i
x
n n
i i
x
x
e
x
e
1
i
i
(
(
[
[


! por lo tanto la funcin de log*verosimilitud est dada por
( )

,
_


,
_

+


n
i
i
n
i
i
x x n 1
( (
[ ln ln ln
.
Lesolviendo la ecuacin
( )
$
ln
(
+

n
i
i
x
n
d
1 d
se obtiene


n
i
i
x x
n
(
(
\

.
Se puede ver que el estimador de m1ima verosimilitud para es un estimador insesgado. 0n
general, esto no es una propiedad de los estimadores de m1ima verosimilitud.

E1*.p! 2."2# 0ncontrar los estimadores de m1ima verosimilitud para los parmetros de la
distribucin normal.
S!u($0).
+a funcin de densidad de probabilidad normal est dada por
( )
( )
< <
1
]
1


x
x
x f ,
3
e1p
3
(
, F
3
3
3



.
0ntonces la funcin de verosimilitud es
( )
( )
( )
1
]
1


,
_

1
1
]
1





n
i
i
n
n
i
i
x
x
1
(
3
3
3
3
(
3
3
3
3
(
e1p
3
(
3
e1p
3
(
,



.
-omando el logaritmo se obtiene la funcin de log*verosimilitud
( ) ( ) ( )


n
i
i
x
n n
1
(
3
3
3 3
3
(
ln
3
3 ln
3
, ln


.
Se obtienen los estimadores de m1ima verosimilitud por resolver el siguiente sistema de
ecuaciones<
( )
( ) $
( , ln
(
3
3

n
i
i
x
1



,
( )
( )

n
i
i
x
n 1
(
3
K 3 3
3
$
3
(
3
, ln



.
Se define el sistema de ecuaciones anterior derivando con respecto a

!
3
. -ambin se
puede definir el sistema de ecuaciones derivando con respecto a

. +os dos sistemas de


ecuaciones tienen las mismas soluciones.
0s fcil demostrar que la solucin del sistema de ecuaciones es
x x
n
n
i
i


(
(
\
!
( ) ( )



n
i
n
i
i i
x x
n
x
n
( (
3 3 3
(
\
(
\
.
Ua que ( ) X , !
( )
3 3
(
3 ( ( (

n
n
0
n
n
, X X
n
,
n
i
i


,
_

1
]
1

, se sigue que
\ es un
estimador insesgado pero
3
\ no lo es.

E1*.p! 2."3# Sea : una variable aleatoria con funcin de densidad


( )

'

< < <

. , $
$ , $ ,
(
F
punto otro cualquier en
x
x f

0ncuentre el estimador de m1ima verosimilitud para .


S!u($0).
+a funcin de verosimilitud est dada por
( )

<
,
_

i
n
x 1 $ ,
(
.
-omando el logaritmo, se obtiene la funcin de log*verosimilitud
( ) ln ln n 1 .
0n este e7emplo, no se puede usar la derivada para encontrar el estimador de m1ima
verosimilitud, !a que
( )
$

n
d
d1
implica que
\
. 0n este caso, se obtiene el estimador de m1ima verosimilitud haciendo
tan pequeOo como sea posible. Ua que no puede ser menor del valor m1imo de la muestra, se
sigue que el estimador de m1ima verosimilitud es ( )
n
X X X %ax ,..., ,
\
3 (
.

+os estimadores de m1ima verosimilitud tienen las propiedades de ser eficientes,


consistentes, ! ptimos asintticamente normales.
2.9. E%t$.a+!&*% pa&a a +$%t&$'u($0) 8a..a
Si : es una variable aleatoria gamma, entonces : tiene la siguiente funcin de densidad
( )
( )

'

>


. , $
$ ,
, F
(
punto otro cualquier en
x e x
x f
x


+a funcin de verosimilitud est dada por
( )
( ) [ ] ( ) [ ]
x n n n
n
n n
i
x
i
n
n
e x e x 1
i


]
,
(
(
donde x
]
es la media geomtrica. Se sigue que la funcin de log*verosimilitud es
( ) ( ) ( ) x n x n n n n 1 +
]
ln ln ln , ln .
Para obtener los estimadores de m1ima verosimilitud para los parmetros

! , ha!
que resolver el siguiente sistema de ecuaciones<
( ) ( )
( )
$
]
ln ln
, ln
+

x n n n
1


,
( )
$
, ln

x n
n 1


.
Se puede obtener la solucin de este sistema de ecuaciones encontrando primero el valor de


que satisface la ecuacin
( ) ( ) x x
]
ln ln ,
donde
( )
( )
( )



,
es la funcin psi. 0ste requiere un procedimiento iterativo como un algoritmo de ?e^ton*
Laphson. Se puede usar el mtodo de los momentos para obtener un valor inicial para

. Para
poder definir un algoritmo de ?e^ton*Laphson, es "til la siguiente apro1imacin
( )
( )
( )
5 K 3
3N3
(
(3$
(
(3
(
3
(
ln



Hsta apro1imacin para la funcin psi fue tomada de )bramo^it/ ! Stegun ((Q5J). Si se define
( ) ( ) ( ) $
]
ln ln x x ,
entonces el algoritmo de ?e^ton*Laphson est dado por
( )
( )
[ ]
( )
[ ]
(
(
(


/
/
/ /



donde los super6ndices dan el n"mero de la iteracin. Para el valor inicial, se puede usar el
estimador mediante momentos. 4espus de obtener

, se puede obtener usando la ecuacin


x .
na alternativa al algoritmo de ?e^ton*Laphson es usar la apro1imacin de _reen^ood
! 4urand dada por
( )
( )

'


+ +
+ +
< +

(T NTT3 . $ ,
Q5JKTT . (( TQT3J . (T
QTTN2T2 . $ $NQQN$ . Q JQJQ(Q . J
NTT3 . $ $ , $NKK3TK . $ (5KJJN3 . $ N$$$JT5 . $
(
\
3
3
3
5
5 5 5
5 5
5 5 5
5

donde ( ) x x 5
]
ln .
`ang ((QJT) recomend el mtodo de estimacin de autocovarian/a para estimar los
parmetros de la distribucin gamma. 0ste procedimiento utili/a los momentos ( ) X , , ( ) X , ln ,
! ( ) X X , ln .
0s fcil demostrar que la media de gamma es ( ) X , . Se obtiene ( ) X , ln como
sigue<
( )
( )
( )

$
(
ln ln dx e x x X ,
x

( )
( )
1
]
1

d/
d
( )
( )

ln

( ) ln .
)hora, se obtiene ( ) X X , ln en la misma manera.
( )
( )
( )

$
ln ln dx e x x X X ,
x

( )
( )
1
]
1

+ (
(

d
d
( )
( )
1
]
1

+ (

d
d
( )

ln (
+
( ) X , ln
(

+ .
)hora,
( ) ( ) ( ) ( ) X , X , X X , X X 7o! ln ln ln ,
( ) ( ) X , X , ln ln
(


1
]
1

+
=

(
.
Se puede usar los dos resultados
( ) X ,
!
( )

(
ln , X X 7o!
para definir los estimadores de

! en la misma manera que se hace en el mtodo de los


momentos. Para hacer esto, es conveniente definir
i i i
X X Y ln
!
i i
X " ln
para i=(,3,...,n.
0ntonces

\
\ X
!

\
( " X Y .
Lesolviendo este sistema de ecuaciones, se obtiene
" X Y
X

\
!
" X Y

(
\
.
Seg"n `ang ((QJT), estos estimadores son superiores a los estimadores por momentos ! casi tan
buenos como los estimadores de m1ima verosimilitud.

E1*.p! 2."4# Para poder comparar los varios procedimientos para estimar los parmetros de la
distribucin gamma, se generaron 3$ variables aleatorias de una gamma con N . 2 ! N . $ .
+os valores generados son, (N.(NK$5, J.3K32$5, 5.$Q(($5, 5.32K5K5, 3.(K325N, 2.$N5N2,
J.2$N$52, N.JJJQ2T, ((.$3NT5, 3.KQJ(J2, K.J5$$Q2, ($.QQKN, K.JTK$J, 2.K2KN$J, ((.3T5NT,
2.K$($$K, 2.J2JN3, 2.K5KJN3, T.($2(J, K.K$K25J. 0stimar los parmetros de la gamma usando el
mtodo de los momentos, el mtodo de estimacin de autocovarian/a, el mtodo de m1ima
verosimilitud, ! la apro1imacin al mtodo de m1ima verosimilitud de )bramo^it/ ! Stegun
((Q5J).
S!u($0).
+os estad6sticos de la muestra son 2(KN23 . 5 X ,
JK3T3 . ((
3

p
0
, N(((5 . (3 Y !
T$((5Q . ( " donde
3
p
0
es la varian/a muestral usando un divisor de n !
Y
!
"
estn definidas
como en el mtodo de estimacin de autocovarian/a. Para el mtodo de los momentos
2(KN23 . 5
\
\
X

,
JKT3 . ((
\
\
3
3

p
0

.
Lesolviendo este sistema de ecuaciones, se obtiene 255Q . 2 \
-
! N223 . $
\

-
. Se puede
usar
-
\ como el valor inicial en el algoritmo de ?e^ton*Laphson para obtener el estimador
de m1ima verosimilitud para

. 4espus de tres iteraciones se obtiene


5JT2 . 2 \
)

. Se
obtiene el mismo valor en la cuarta iteracin. Por lo tanto, no es necesaria hacer ms
iteraciones. )hora NJ2Q . $ \
\
X
) )
. Por el mtodo de estimacin de autocovarian/a se
obtiene
N5QK . 2 \

" X Y
X
7

!
N5N2 . $
(
\

" X Y
7
.
Para la apro1imacin de )bramo^it/ ! Stegun, (K(5JK5 . $ 5 . Por lo tanto, se usa la primera
frmula para obtener 5J5J . 2 \
A
! luego NJ2Q . $
\

A
. Se puede ver que la apro1imacin de
)bramo^it/ ! Stegun da casi los mismos valores que fueron obtenidos por el mtodod de
m1ima verosimilitud. -odos los procedimientos considerados aqu6 dan estimaciones ra/onables.
0n este e7emplo particular, el mtodo de estimacin de autocovarian/a se acerc ms al valor
verdadero de

, ! el mtodo de los momentos hi/o me7or estimacin de . 0n general, se espera


que el mtodo de m1ima verosimilitud proporcione me7ores resultados.

2.:. E ./t!+! +* .AB$.! -*&!%$.$$tu+ pa&a u) pa&A.*t&! Cu* *% u) )D.*&! *)t*&!


) veces, un investigador puede querer estimar un parmetro que toma un valor entero. 0l
procedimiento presentado en sta seccin fue desarrollado por 4ahi!a ((QJ().
Sea
n
X X X ,..., ,
3 (
una muestra aleatoria de una distribucin con funcin (densidad) de
probabilidad ( ) , F x f . +a funcin de verosimilitud est dada por
( ) ( )

n
i
i
x f 1
(
, F ,
.
Supongamos que

es un n"mero entero mientras

es real. Primero, ha! que determinar el


estimador de m1ima verosimilitud de

dado el valor de

. Hste estimador es una funcin de

. +uego, se reempla/a

en la funcin de verosimilitud ( ) , 1 con el estimador ( )


\
para
obtener
( ) ( ) [ ]
\
,
W
1 1 .
0l siguiente paso es encontrar ! tal que
( ) ( ) (
W W
! 1 ! 1 .
Si ( ) ! 1
W
es unimodal, entonces \ se encuentra en el intervalo [ ) ! ! , ( . 0ste intervalo solamente
contiene un n"mero entero. 0ntonces
! \ donde
!
es el ma!or entero que es menor o igual a
!.
E1*.p! 2."5# Sea
n
X X X ,..., ,
3 (
una muestra aleatoria de una distribucin de 0rlang con
funcin de densidad
( )
( )

'

>


. , $
$ ,
, F
(
punto otro cualquier en
x e x
x f
x


0ncontrar los estimadores de m1ima verosimilitud para los parmetros

.
S!u($0).
+a distribucin de 0rlang es un caso especial de la distribucin gamma donde el
parmetro

es entero. +a funcin de verosimilitud para la distribucin de 0rlang est dada por


( )
( ) [ ]

,
_

i
x
n
i
i
n
n
e x 1


(
(
,
.
Primero, ha! que encontrar el estimador de m1ima verosimilitud de

dado el valor de

. Se
puede escribir la funcin de log*verosimilitud como
( )


n
i
i
x n 1
(
ln ln
.
4erivando con respecto a

se obtiene
( )

n
i
i
x
n
1
(
$
ln


,
! por lo tanto x
\
.
)hora, ha! que reempla/ar

por su estimador x en la funcin de verosimilitud


( ) , 1 para obtener
( )
( ) [ ]

n
n
i
i
n na
n
e x
x
1

,
_


(
( W
.
Daciendo
( ) ( ) (
W W
! 1 ! 1 ,
se obtiene
( ) [ ]
( )
( )
( )
( ) [ ]
( ) (
(
3
(
(
(
(
(
(

,
_

,
_


! n
n
i
!
i
n ! n
! n
n!
n
i
!
i
n n!
n!
e x
! x
!
e x
! x
!
4espus de simplificar, se obtiene
( )
n n n!
n
i
i
n!
e x ! x ! (
(

,
_

.
Si se representa la media geomtrica por

n
i
n
i
x x
(
(
]
, entonces se puede e1presar la ecuacin por

,
_


,
_

x
x
e
!
!
!
]
(
.
Se puede usar la tabla 3.( para obtener la solucin de la ecuacin anterior. Por e7emplo, si la
e1presin en el lado derecho es igual a 3.Q$, entonces ! se encuentra entre J ! Q. ?o se necesita el
valor e1acto, !a que \ es igual al ma!or entero que es menor o igual a !. Por lo tanto, J \ .
-abla 3.(
!
( ) [ ]
!
! ! (
!
( ) [ ]
!
! ! (
3 K.$$$$$$ (5 3.J$JK$K
2 2.2TN$$$ (T 3.J$3TQQ
K 2.(5$KQK (J 3.TQTJN(
N 2.$N(TNJ (Q 3.TQ2KKQ
5 3.QJNQJK 3$ 3.TJQN($
T 3.QK(JQT 3( 3.TJNQ52
J 3.Q($3JN 33 3.TJ3TN3
Q 3.JJ5N$J 32 3.TTQJ23
($ 3.J5TQT3 3K 3.TTT(5N
(( 3.JN2((T 3N 3.TTKT3$
(3 3.JK$QKK 35 3.TT3KT$
(2 3.J2$TJJ 3T 3.TT$2Q3
(K 3.J33(J5 3J 3.T5JK5J
(N 3.J(KJ$N 3Q 3.T555J(
Captu! 3# I)t*&-a!% +* C!),$a)=a
3.". I)t*&-a!% +* (!),$a)=a pa&a a .*+$a +* u)a +$%t&$'u($0) )!&.a
Sea :
(
, :
3
,...,:
n
una muestra aleatoria de una distribucin normal con media

!
varian/a
3
. Se demostr en el teorema (.3 que
X
sigue una distribucin normal con media


! varian/a n
3
. 0ntonces se sigue que ( ) X n " es una variable aleatoria normal
estndar. Da! dos casos que considerar. 0l parmetro

puede tener un valor conocido o


desconocido.
Primero, se considera el caso donde

tiene un valor conocido. Ua que S es una variable


normal estndar, se puede definir

#
tal que
[ ] ( )

# # " Pr
. 4onde ( ) # es la
distribucin normal estndar. 0ntonces, se sigue que



1
]
1


( Pr
3 ( 3
#
n
X
#
.
+a distribucin normal es simtrica. Por lo tanto,
3 ( 3
# #
. 0ntonces, a partir del
intervalo
3 ( 3 (

#
n
X
#
se puede obtener el siguiente intervalo para

n
# X
n
# X

3 ( 3 (
+
.
0ste intervalo se llama un intervalo de confian/a del ( ) a ($$ ( . ?o se debe hacer la
interpretacin de que

se encuentra en el intervalo con probabilidad ( . Bs bien, si se


hacen un gran n"mero de e1perimentos ! para cada e1perimento se determina un intervalo de
confian/a para

, entonces se espera que

se encuentra en ( ) a ($$ ( de los intervalos.


E1*.p! 3."# Sea :
(
, :
3
,...,:
3N
una muestra aleatoria de una distribucin normal con media

!
varian/a 3N
3
. Si la media muestral es ($, encuentre un intervalo de confian/a del J$ por
ciento

.
S!u($0).
Para un intervalo de confian/a del J$ por ciento ($ . $ . Para la distribucin normal
3 ( 3
# #
. 0ste resultado se debe a la simetr6a de la distribucin normal. 0ntonces se tiene
3J3 . (
($ . $
#
!
3J3 . (
Q$ . $
#
. 0l intervalo de confian/a del J$ por ciento est dado por
3N
N
3J3 . ( ($
3N
N
3J3 . ( ($ +
o
3J3 . (( T(J . J
.

9uando
3
tiene un valor desconocido, se puede estimar usando
( ) ( )


n
i
n X 0
(
3
3
(
.
S
3
es un estimador insesgado ! consistente para
3
. Se demostr en el teorema (.3 que
( )
3 3
( 0 n ) sigue una distribucin 7i*cuadrada con n*( grados de libertad. 0n el problema
(.N se demostr que si S es una variable normal estndar ! si b es una variable aleatoria 7i*
cuadrada con r grados de libertad, entonces r ) " * sigue una distribucin t de Student. Se
puede usar este resultado para obtener un intervalo de confian/a para

en el caso de que el
valor de
3
es desconocido.
Por el resultado del prrafo anterior, se sigue que
n 2
X
r )
"
*


es una variable aleatoria de la distribucin t de Student. Se puede definir

t
tal que
[ ]

t * Pr
. 0ntonces



1
]
1


( Pr
3 ( 3
t
n 2
X
t
.
0sto nos proporciona el intervalo
3 ( 3

t
n 2
X
t
.
)s6, el intervalo de confian/a del ( ) a ($$ ( est dado por
n
2
t X
n
2
t X
3 ( 3


+
.
E1*.p! 3.2# Sea :
(
, :
3
,...,:
3N
una muestra aleatoria de una distribucin normal con media

!
varian/a
3
. ) partir de la muestra, se estiman la media ! varian/a respectivamente por ($ X !
3N
3
0 . 0ncuentre un intervalo de confian/a del J$ por ciento para

.
S!u($0).
Para este e7emplo, ($ . $ . +a distribucin t de Student es una distribucin simtrica.
Por lo tanto,
3 ( 3
t t
. 0ntonces
2(J . (
($ . $
t
!
2(J . (
Q$ . $
t
. 0l intervalo de confian/a de J$
por ciento es
3N
N
2(J . ( ($
3N
N
2(J . ( ($ +
o
2(J . (( 5J3 . J
.
Si se compara este resultado con el del e7emplo 2.(, se ve que este intervalo es ms ancho que si
ha! que estimar
3
.

3.2. I)t*&-a!% +* (!),$a)=a pa&a a +$,*&*)($a *)t&* +!% .*+$a%


Sea
n
X X X ,..., ,
3 (
una muestra aleatoria de una distribucin normal con media
(
!
varian/a
3
! sea
%
Y Y Y ,..., ,
3 (
otra muestra aleatoria de una distribucin normal con media
3

pero con la misma varian/a
3
. Para poder determinar si es ra/onable suponer que las medias
son iguales o no, se puede construir un intervalo de confian/a para
3 (
. Si el valor $ no se
encuentra en el intervalo, entonces se conclu!e que las dos media son diferentes.
Se sabe que
X
!
Y
son estimadores insesgados para
(
!
3
respectivamente. 0ntonces se
sigue que
Y X
es un estimador insesgado para
3 (
. -ambin se sabe que
X
!
Y
tienen
varian/as n
3
! %
3
respectivamente. 0ntonces usando el resultado del e7emplo (.Q, se puede
demostrar que
Y X
sigue una distribucin normal con media
3 (
! varian/a
% n
3 3

+ . Por
el resultado del e7emplo (.J, se sigue que el estad6stico estandari/ado
( ) ( )
% n
Y X
"
( (
3 (
+


sigue una distribucin normal estndar. Si
3
tiene un valor conocido, entonces se puede
construir un intervalo de confian/a de ( ) ($$ ( a para
3 (
de la misma manera que se hi/o
en la seccin anterior para

. )s6, se obtiene
% n
# Y X
% n
# Y X
( ( ( (
3 ( 3 ( 3 (
+ + +



.
0n la ma!or6a de los casos,
3
tiene un valor desconocido ! tiene que ser estimado. +os dos
estad6sticos
( ) ( ) (
(
3
3
(

n X X 0
n
i
i
!
( ) ( ) (
(
3
3
3

% Y Y 0
%
i
i
son estimadores insesgados para
3
. )dems, del teorema (.3, se sigue que ( )
3 3
(
( 0 n !
( )
3 3
3
( 0 % siguen distribuciones 7i*cuadradas con n*( ! m*( grados de libertad
respectivamente. 0n el e7emplo (.((, se demostr que la suma de n variables con distribuciones
7i*cuadrada tambin sigue una distribucin 7i*cuadrada con el n"mero de grados de libertad igual
a la suma de los grados de libertad de cada elemento de la suma. Por lo tanto,
( ) ( )
3
3
3
3
(
( (

0 % 0 n +
sigue una distribucin 7i*cuadrada con n8m*3 grados de libertad. Ua que la media de una variable
7i*cuadrada es igual al n"mero de grados de libertad, se sigue que
( ) ( )
3
( (
3
3
3
3
(
+
1
]
1

+
% n
0 % 0 n
,

.
0ste resultado nos permite definir un estimador insesgado para
3
como
( ) ( )
3
( (
3
3
3
( 3
+
+

% n
0 % 0 n
0 .
0n el e7emplo (.N, se demostr que si ` es una variable normal estndar, b es una
variable 7i*cuadrada con r grados de libertad, ! ` ! b son independientes, entonces
r ) ( * sigue una distribucin t de Student con r grados de libertad. Ua que,
3 3
) 3 ( 0 % n + es una variable 7i*cuadrada con n8m*3 grados de libertad, se sigue que
( ) ( )
( ) ( )
% n
0
Y X
0
% n
Y X
*
( (
( (
3 (
3
3
3 (
+


es una variable t de Student con n8m*3 grados de libertad. Si se define

t
tal que
[ ]

t * Pr
,
entonces
( ) ( )




1
1
1
1
]
1


(
( (
Pr
3 (
3 (
3
t
% n
0
Y X
t
.
+a distribucin t de Student tambin es una distribucin simtrica. Por lo tanto,
3 ( 3
t t
.
0ntonces, se puede definir un intervalo de confian/a para
3 (
a partir del intervalo
( ) ( )
3 (
3 (
3 (
( (




+

t
% n
0
Y X
t
.
4espus de un poco de lgebra, se obtiene
% n
0 t Y X
% n
0 t Y X
( ( ( (
3 ( 3 ( 3 (
+ + +

.
0sto es un intervalo de confian/a del ( ) ($$ ( por ciento para
3 (
.
E1*.p! 3.3# 0n una muestra de ($ se observaron N x ! 3N
3
(
2 , mientras en una segunda
muestra de (3 se observaron
5 y
! (5
3
3
2 . Suponiendo que las dos muestras son variables
aleatorias de distribuciones normales con la misma varian/a, determine un intervalo de confian/a
del J$ por ciento para la diferencia entre las medias.
S!u($0).
+a variable - de student tiene 3$ 3 + % n grados de libertad. Por lo tanto,
23N . (
3$ , Q$ . $
t
. 4ebido al supuesto que las varian/as de las dos muestras son iguales, se puede
estimar
3
por
( ) ( ) ( )
$N . 3$
3 (3 ($
(5 ( (3 ) 3N ( ( ($
3

+
+
2
Sustitu!endo los valores
x
,
y
, 2, ! t en la e1presin de arriba, se obtiene

,
_

+ +
,
_

+
(3
(
($
(
$N . 3$ 5 N
(3
(
($
(
$N . 3$ 23N . ( 5 N
3 (

o
NK$ . ( NK$ . 2
3 (
< < .
0ste intervalo inclu!e el valor cero. Por lo tanto, no ha! suficiente evidencia para concluir que las
medias son iguales.

9uando la varian/a es diferente para las dos distribuciones, el problema se llama el


problema de Pehrens*Iisher. Se puede demostrar que el estad6stico
( ) ( )
%
0
n
0
Y X
*
3
3
3
(
3 (
+


sigue apro1imadamente un distribucin t de Student con
( ) ( )
( (
3
3
3
3
3
(
3
3
3
3
(

,
_

%
% 0
n
n 0
%
0
n
0

grados de libertad. 0ntonces un intervalo de confian/a del ( ) ($$ ( por ciento est dado por
( ) ( )
%
0
n
0
t Y X
%
0
n
0
t Y X
3
3
3
(
3 ( 3 (
3
3
3
(
3 (
+ + +

.
0sta es la apro1imacin de Satterth^aite ((QK5) al problema de Pehrens*Iisher. 0sta
apro1imacin es mu! parecida a la de `elch ((QKT). `elch us el mismo estad6stico -, pero
estim los grados de libertad usando
( ) ( )
3
( (
3
3
3
3
3
(
3
3
3
3
(

+
+
+

,
_

%
% 0
n
n 0
%
0
n
0

.
Seg"n `iner ((QT() la apro1imacin de `elch debe ser un poco ms precisa. Pest ! La!ner
((QJT) demostraron que stas apro1imaciones son casi tan buenas como la prueba - de Student
cuando
3
3
3
(
, pero cuando
3
3
3
(
las apro1imaciones de Satterth^aite ! `elch son
superiores.
E1*.p! 3.4# 0n una muestra de 3$ se observaron los valores $ . 5 x ! $ . K
3
(
2 . 0n una
segunda muestra de (3 se observaron
N . 5 y
! J . K
3
3
2 . Suponga que las observaciones de las
dos muestras son de distribuciones normales con varian/as distintas ! determine un intervalo de
confian/a del Q$ por ciento para la diferencia entre las medias.
S!u($0).
Ua que las muestras son normales con varian/as distintas, se debe usar la apro1imacin de
Satterth^aite. +os grados de libertad para la prueba son
( ) ( )
T . 3(
((
(3 J . K
(Q
3$ $ . K
(3
J . K
3$
$ . K
3 3
3

,
_

+
.
)qu6, se debe redondear al m1imo entero menor o igual al valor para obtener 3( . 4e la tabla
para la distribucin - de Student se obtiene
T3( . (
3( , QN . $
t
. 0ntonces el intervalo de confian/a
est dado por
( ) ( )
(3
J . K
3$
$ . K
T3( . ( $ . 5 N . 5
(3
J . K
3$
$ . K
T3( . ( $ . 5 N . 5
( 3
+ + +
o
J2 . ( J2 . $
( 3
.
0ste intervalo no inclu!e cero. 0ntonces, no se puede concluir que las dos medias son diferentes.

3.3. I)t*&-a!% +* (!),$a)=a pa&a a -a&$a)=a


Se aplican los intervalos de confian/a ms a las medias que a las varian/as, pero a veces la
variabilidad de una muestra es de mucha importancia como, por e7emplo, en el control de
calidad. +a media muestral de una muestra puede ser aceptable, pero si ha! mucha
variabilidad en la muestra es posible que muchos de los productos queden fuera de los l6mites
de especificacin. Por eso, los tcnicos de control de calidad tambin deben evaluar las
varian/as de las muestras.
0n el e7emplo (.($ se demostr que si : es una variable aleatoria normal con media

!
varian/a
3
, entonces ( )
3 3
X es una variable 7i*cuadrada con un grado de libertad. )hora,
si
n
X X X ,..., ,
3 (
es una muestra aleatoria de una distribucin normal con media

! varian/a
3

, entonces ( )
3 3

i
X es una variable 7i*cuadrada con un grado de libertad. 4el resultado del
e7emplo (.((, se sigue que
( )


n
i
i
X Y
(
3 3

es una variable 7i*cuadrada con n grados de libertad. Si

tiene un valor conocido, entonces se


puede usar la variable U para definir un intervalo de confian/a para
3
.
4e las tablas de la distribucin 7i*cuadrada, se pueden obtener
3
, 3 n

!
3
, 3 ( n


tales que
( )


1
]
1

( Pr
(
3
, 3 (
3 3 3
, 3
n
i
n i n
X
.
0sto nos da el intervalo de confian/a de ( ) ($$ ( por ciento
( ) ( )
3
, 3
(
3
3
3
, 3 (
(
3
n
n
i
i
n
n
i
i
X X

.
E1*.p! 3.5# Sea
3N 3 (
,..., , X X X
una muestra aleatoria de una distribucin normal con media
N
! varian/a
3
desconocida. Se encuentra que
( )


3N
(
3
KQ N
i
i
x
.
Dalle un intervalo de confian/a del Q$ por ciento para
3
.
S!u($0).
4e las tablas de la distribucin 7i*cuadrada, se obtienen los valores
5( . (K
3
3N , $N . $

!
5N . 2T
3
3N , QN . $

. 0ntonces el intervalo de confian/a del Q$ por ciento est dado por
5( . (K
KQ
5N . 2T
KQ
3

o
2NK . 2 2$( . (
3
.

0n el caso de que el valor de

sea desconocido, el procedimiento es mu! parecido a


aquel donde se conoce el valor de

con la e1cepcin de los grados de libertad. Se demostr en


el teorema (.3 que
( ) ( )


n
i
i
X X 0 n
(
3
3
3 3
(
sigue una distribucin 7i*cuadrada con n*( grados de libertad. 0ntonces se pueden obtener
3
( , 3 n


!
3
( , 3 ( n

tales que
( )


1
]
1


( Pr
(
3
( , 3 (
3
3
3
( , 3
n
i
n i n
X X
.
Por lo tanto, el intervalo de confian/a de ( ) ($$ ( a est dado por
( ) ( )
3
( , 3
(
3
3
3
( , 3 (
(
3

n
n
i
i
n
n
i
i
X X X X

.
E1*.p! 3.6# Sea
3N 3 (
,..., , X X X
una muestra aleatoria de una distribucin normal con media !
varian/a desconocida. Se encuentra que
( )


3N
(
3
Q5
i
i
x x
.
Dalle un intervalo de confian/a del J$ por ciento para
3
.
S!u($0).
4e la tabla para la distribucin 7i*cuadrada, se obtienen
5NQ . (N
3
3K , ($ . $

!
(Q5 . 22
3
3K , Q$ . $

. 0ntonces el intervalo de confian/a del J$ por ciento est dado por
5NQ . (N
Q5
(Q5 . 22
Q5
3

o
(2( . 5 JQ3 . 3
3
.

3.4. I)t*&-a!% +* (!),$a)=a pa&a a &a=0) +* +!% -a&$a)=a%


Para las pruebas de las diferencias entre pares de medias es com"n suponer la homogeneidad
de las varian/as. Por eso, es de inters tener un intervalo de confian/a para la ra/n de varian/as
para determinar si el supuesto de la homogeneidad de varian/as es ra/onable. Si el intervalo no
inclu!e el valor de uno, entonces ha! evidencia que las varian/as no son iguales.
Sea
n
X X X ,..., ,
3 (
una muestra aleatoria de una distribucin normal con media
(
!
varian/a
3
(
! sea
%
Y Y Y ,..., ,
3 (
otra muestra aleatoria pero de una normal con media
3
!
3
3
.
0ntonces
( )


n
i
i
X X +
(
3
(
3
(

es una variable 7i*cuadrada con n*( grados de libertad !
( )


%
i
i
Y Y +
(
3
3
3
3

es otra variable 7i*cuadrada pero con m*( grados de libertad. Se demostr en el e7emplo (.5 que si
(
+ !
3
+ son variables 7i*cuadradas independientes con
(
r !
3
r grados de libertad
respectivamente, entonces ( ) ( )
3 3 ( (
r + r + F sigue una distribucin I de Iisher con
(
r !
3
r
grados de libertad. 0ntonces
( )
( )
( )
( )
3
(
3
3
3
3
3
(
3
3
(
3
3
(
(
3
( (

0
0
%
Y Y
n
X X
%
i
i
n
i
i



sigue una distribucin I con n*( ! m*( grados de libertad. 4e la tabla de la distribucin I, se
pueden encontrar
( , ( , 3 % n
F

!
( , ( , 3 ( % n
F

tales que



1
]
1



( Pr
( , ( , 3 (
3
(
3
3
3
3
3
(
( , ( , 3 % n % n
F
0
0
F
.
Por lo tanto, el intervalo de confian/a del ( ) ($$ ( a est dado por
( , ( , 3 (
3
(
3
3
3
(
3
3
( , ( , 3
3
(
3
3


% n % n
F
0
0
F
0
0

0l problema principal es que las tablas de la distribucin I dan los valores de


( , ( , 3 ( % n
F

pero no
de
( , ( , 3 % n
F

. Por definicin, se define


( , ( , 3 % n
F

tal que
[ ] 3 Pr
( , ( , 3

<
% n
F F
.
Puesto que
3
(
3
(
3
3
3
3
(

0
0
F

es una variable aleatoria de una distribucin I con m*( ! n*( grados de libertad, se sigue que
3 (
(
Pr
( , ( , 3 (


1
]
1

<
n %
F
F
.
0sta probabilidad tambin puede escribirse en la forma
3 (
(
Pr
( , ( , 3 (


1
1
]
1

<

F
F
n %
.
Se sigue que
3
(
Pr
( , ( , 3 (

1
1
]
1

<
n %
F
F
,
! por lo tanto
( , ( , 3 (
( , ( , 3
(



n %
% n
F
F

.
tili/ando este resultado, el intervalo de confian/a del ( ) ($$ ( a puede estar escrito en la
forma
( , ( , 3 (
3
(
3
3
3
(
3
3
( , ( , 3 (
3
(
3
3
(



% n
n %
F
0
0
F 0
0

.
E1*.p! 3.7# Sea
($ 3 (
,..., , X X X
una muestra aleatoria de una distribucin normal con media
(

! varian/a
3
(
, ! sea
J 3 (
,..., , Y Y Y
una muestra aleatoria de un distribucin normal con media
3

! varian/a
3
3
. +as varian/as muestrales son 3$
3
(
2 ! K$
3
3
2 respectivamente. 0ncuentre un
intervalo de confian/a del Q$a para la ra/n de varian/as.
S!u($0).
4e la tabla de la distribucin I, se obtienen
5TT . 2
T , Q , QN . $
F
!
3Q2 . 2
Q , T , QN . $
F
. 0ntonces
el intervalo de confian/a del Q$a est dado por
( ) 5TT . 2
3$
K$
3Q2 . 2
(
3$
K$
3
(
3
3

o
2NK . T 5$T . $
3
(
3
3

BarVo^sVi ! BarVo^sVi ((QQ$) demostraron que la prueba I no es mu! buena para


determinar si el supuesto de la homogeneidad de varian/as es vlido para la prueba t de Student
para la diferencia entre dos medias. Si las dos muestras son del mismo tamaOo, la prueba t es
mu! robusta para diferencias en varian/as, ! por lo tanto la prueba I no es necesaria. Para
muestras de diferentes tamaOos, la prueba I no tiene el poder necesario para determinar cuando el
supuesto de la homogeneidad de varian/as no es vlido.
3.5. I)t*&-a!% +* (!),$a)=a pa&a a .*+$a +* a +$%t&$'u($0) *Bp!)*)($a
Sea
n
X X X ,..., ,
3 (
una muestra aleatoria de la distribucin e1ponencial con media

.
Se puede escribir la funcin de densidad e1ponencial como
( )

'

>

$ , $
$ ,
(
x
x e
x f
x
.
0l estimador de m1ima verosimilitud para

es X . 0ste estimador es asintticamente


normal. 0ste hecho nos permite construir un intervalo de confian/a para

, usando la
distribucin normal, pero es preferible determinar la distribucin de X ! usar esa distribucin
para definir el intervalo de confian/a.
Se puede encontrar la distribucin de X usando el mtodo de la funcin generadora de
momentos. 0s fcil demostrar que la funcin generadora de momentos de la e1ponencial est
dada por
( ) ( )
(
(

t t -
X
.
Sea X Y . 0ntonces
( ) ( ) ( ) ( )

,
_

n
i
tX
n X t
X t tY
Y
i
i
e , e , e , e , t -
(
.
Por el supuesto de la independencia
( ) ( )

n
i
tX
Y
i
e , t -
(
! por lo tanto
( ) ( )


,
_


,
_


n
i
n
i
n
X Y
t
n n
t
n t - t -
( (
(
( (

.
0sta es la funcin generadora de momentos de una distribucin gamma con funcin de densidad
( )
( )
( )
( )
$ ,
( 3
>


y e y
n
y g
y n n

.
0s conveniente hacer la transformacin X n + 3 . 0s fcil demostrar que sigue una
distribucin 7i*cuadrada con 3n grados de libertad. 0ntonces se puede encontrar
3
3 , 3 n

!
3
3 , 3 ( n



tales que
[ ]



( 3 Pr
3
3 , 3 (
3
3 , 3 n n
X n
.
Por consiguiente, el intervalo de confian/a del ( ) ($$ ( a para

est dado por


3
3 , 3
3
3 , 3 (
3 3
n n
X n X n

.
E1*.p! 3.9# Sea (J.2NT, N.JN5, ($.3$(, $.$J5, 3.KQ5, $.3T3, (.2TQ, K.$QK, ($.N5$, (.2N3) una
muestra de una e1ponencial con media

. 0ncuentre un intervalo de confian/a del J$ por ciento


para

.
S!u($0).
0l promedio de la observaciones es K5N2 . K x . 4e la tabla de la distribucin 7i*cuadrada,
se obtienen
KK2 . (3
3
3$ , ($ . $

!
K(3 . 3J
3
3$ , Q$ . $

. Por lo tanto, el intervalo de confian/a del J$a
para

est dado por


( ) ( )
KK2 . (3
5N2 . KK 3
K(3 . 3J
5N2 . KK 3

o
(TT . T (K2 . 2
.

3.6. I)t*&-a!% +* (!),$a)=a pa&a * pa&A.*t&! p +* a +$%t&$'u($0) '$)!.$a


Se sabe que si
n
X X X ,..., ,
3 (
es una muestra de una distribucin de Pernoulli con
parmetro p, entonces

n
i
i
X Y
(
sigue una distribucin binomial con parmetros n ! p. Por el
teorema del l6mite central, se sigue que
( ) n p p
p
n
Y
"

(
tiene asintticamente una distribucin normal estndar. Ua que el valor de p en el denominador
es desconocido, seria ms fcil definir un intervalo de confian/a para p usando
( =
Y
n
3 p
Y
n
&3
Y
n
n

_
,

0l estad6stico ` tambin es asintticamente normal estndar. Se puede demostrar este resultado


usando el hecho de que
p Y n
es un estimador consistente para p ! por lo tanto ( )
M p p n (
es un estimador consistente para p(&3 p) 8 n . 9omo
( )
( )
+
p p
p p

(
(
converge en probabilidad a ( !
" =
Y
n
3 p
p(&3 p) 8 n

converge a una distribucin normal estndar, entonces ( = "8+ converge a una distribucin
normal estndar.
Ua que
9r:3 # " # ; &3
&3 8 < &3 8 <

,
se sigue que
Y
n
"
Y
n
Y
n
n
p
Y
n
"
Y
n
Y
n
n

_
,

_
,

_
,

_
,

(
3
(
3
( (


es un intervalo de confian/a apro1imadamente
(&3 ) &==>
para el parmetro p.
E1*.p! 3.:# 0n el e7emplo anterior se ten6a que en una muestra de tamaOo ($$ se encontraron
siete productos defectuosos. 0ncontrar un intervalo de confian/a del J$a para la proporcin de
defectuosos.
S!u($0).
-enemos que un intervalo de confian/a se puede encontrar con<
Y
n
"
Y
n
Y
n
n
p
Y
n
"
Y
n
Y
n
n

_
,

_
,

_
,

_
,

(
3
(
3
( (


entonces como
&'<?< =
#'@= tenemos<
T
($$
(3J3
T
($$
(
T
($$
($$
T
($$
(3J3
T
($$
(
T
($$
($$

_
,

_
,

. . p
as6<
$ $2T $($2 . . p

E1*.p! 3.";# 0n un per6odo de tiempo de un aOo, se observaron 5TN accidentes durante la


noche ! 23N durante el d6a, en la carretera principal de una ciudad. 0ncontrar un intervalo de
confian/a del J$a para la proporcin de accidentes durante la noche.
S!u($0).
Para un intervalo de confian/a del J$a, usamos
&'<?< =
#'@= . 0ntonces el intervalo de confian/a
para p est dado por<
ABC
&===
3 &'<?<
ABC
&===
D<C
&===
&===
p
ABC
&===
E&'<?<
ABC
&===
D<C
&===
&===

.
Por lo que se tiene que
='ACA p ='A@F

na forma modificada del intervalo anterior, para muestras grandes, se obtiene


considerando la e1presin siguiente, en donde la desviacin se escribe en trminos de p<
( )
( ) ( )


"
n p p
p p
"
(
3
(
3 (
3
(

de donde, para poder despe7ar el valor de p consideramos<


( )
( ) ( )
( ) ( ) ( )
( )
n p p
p p
" n p p " p p
n p pp p p" p "


+


(
(
3
(
3 (
3
(
3
(
3
3 3
(
3
3 3
(
3
3


+

_
,
+

_
,
+

n " p np " p np
(
3
3 3
(
3
3 3
3 $



+ t +

_
,
+

_
,

_
,

p
np " np " n " np
n "
3 3 K
3
(
3
3
(
3
3
3
(
3
3 3
(
3
3

( )

+ t +

1
]
1
+

_
,

3 K
3
(
3
3
(
3
3
(
3
3 3
(
3
3
np " " " n p p
n "

( )
3
3 3
3
3
(
3
3
(
3
(
3
3
(
( 3
\ \ K \ 3
( 3
\ \ K \ 3
c
q p c c c p
n
"
q p
n
"
n
"
n
"
p
+
+ t +

,
_

+
+ t +


donde
c
"
n
y q p
(
3
(


, as6 el intervalo de confian/a es<
( ) ( )
3 K
3 (
3 K
3 (
3 3
3
3 3
3

,
p c c c pq
c
p c c c pq
c
+ +
+
+ + +
+

_
,

.
_hosh ((QTQ) demostr que este "ltimo intervalo apro1imado es superior al intervalo clsico.
E1*.p! 3.""# 9on el mismo e7emplo(.N considerado anteriormente, recordemos que ha! una
muestra de ($$ televisores ! se encontraron T productos defectuosos. 0ncontrar un intervalo de
confian/a del J$a para la proporcin de defectuosos, con el intervalo recomendado por _hosh.
S!u($0).
( ) ( )

,
_

+
+ + +
+
+ +
3
3 3
3
3 3
( 3
\ \ K \ 3
,
( 3
\ \ K \ 3
c
q p c c c p
c
q p c c c p
( )

+
+ +
,
(3J3 . $ ( 3
($$
Q2
($$
T
K (3J3 . $ (3J3 . $ (3J3 . $
($$
T
3
3
3 3
( )
) ($(( . $ , $N3J . $ (
(3J3 . $ ( 3
($$
Q2
($$
T
K (3J3 . $ (3J3 . $ (3J3 . $
($$
T
3
3
3 3

,
_
+
+ + +
0n donde
c
"
n

(
3
(3J3
($
$(3J3

.
.
.

)hora obtendremos un intervalo de confian/a para la proporcin de la binomial a partir de


la distribucin I. Sea p la proporcin de la variable aleatoria binomial Y con tamaOo muestral n.
+os l6mites de confian/a al &==(&3)> para p son las soluciones de las ecuaciones<
( )
( )
n
/
p p
n
/
p p
1
/
1
n /
/ y
n
+
/
+
n /
/
y

_
,

_
,

(
3
(
3
$

)qu6,
1
p representa el l6mite inferior !
+
p
el l6mite superior.
Se puede demostrar que
( ) ( )
( )
( )
( )
n
y n y
w w dw
n
/ n /
p p
y n y
p
1
/
1
n /
/ y
n
1
[
[ [
[
[ [


(
( (
(
$
,
( )
( )
( )
( )
n
y n y
w w dw
n
/ n /
p p
y n y
p
+
/
+
n /
/
y
+
[
[ [
[
[ [


(
( (
(
(
$
.
0n la seccin (.J se demuestra que si la variable ` sigue una distribucin beta con parmetros
! , entonces +
(
(

sigue una distribucin I con < ! < grados de libertad. Si se define


= y E & ! = n G y, entonces se sigue que
( )
n
/
p p 9 F
p
p
n y
y
+
/
+
n /
/
y
+
+

_
,
>

'

(
( (
$
( 3
,
donde
F

( 3
, es una variable aleatoria que tiene una ra/n de varian/a con distribucin I con
( ) ( )
( 3
3 ( 3 + y y n y grados de libertad.
0ntonces, considerando los correspondientes percentiles de I, se sigue que<
( ) ( )
p
p
n y
y
F
+
+
y n y ( ( (
3
3 ( 3

+

+

, ,
( )
( ) ( )
( ) ( ) ( ) ( )
( )
( ) ( )
( ) ( )
( ) ( )


+
+

_
,


+
+ +
+
+ +
+
+
p
n y
y
p F
p
n y
y
F F
p
y F
n y y F
+ +
y n y
+
y n y y n y
+
y n y
y n y
(
(
(
(
(
(
3
3 ( 3
(
3
3 ( 3 (
3
3 ( 3
(
3
3 ( 3
(
3
3 ( 3

, ,
, , , ,
, ,
, ,
! para el otro l6mite observemos que<
( )
( )
( )
( )


3
(
( (
(
(
(
( (
$
(
( 3

_
,


_
,

>

_
,

n
/
p p
n
/
p p
9 F
p
p
n y
y
/ y
n
1
/
1
n /
/
y
1
/
1
n /
1
1
,
donde ( )
( 3
3 3 ( + y n y , , entonces<
( )
9 F
p
p
n y
y
1
1

( 3
(
(
(
3
,
>

_
,

de donde considerando al percentil correspondiente<
( ) p
p
n y
y
F
F
1
1
(
( (
3
(
3
( 3
3 (


, ,
, ,
( )
( )
+
+
p
y
n y F p
1
n y y
1
( (
(
3
3 ( 3

, ,
( )

+
+

'


+
p
n y
y
F
1
n y y
(
( (
(
3
3 ( 3

, ,
( )
( ) y y n
1
F y n y
y
p
3 , ( 3 ,
3
(
(
+
+ +

E1*.p! 3."2# 0n el e7emplo 2.Q, se tom una muestra de tamaOo ($$ ! se encontraron T
productos defectuosos. 0ncontrar un intervalo de confian/a del J$a para la proporcin de
defectuosos.
S!u($0).
Por las relaciones obtenidas anteriormente tenemos que<
( )
( ) ( )
( ) ( )
( ) ( )
p
y F
n y y F
+
y n y
y n y

+
+ +


+

+
+
(
(
J (N$Q(
Q2 J (N$Q(
$((N
(
3
3 ( 3
(
3
3 ( 3

, ,
, ,
.
.
.
( )
( )
$2Q . $
J3T5 . ( QK T
T
(
3 , ( 3 ,
3
(

+ +

+ y y n
1
F y n y
y
p

4e donde el intervalo de confian/a para la proporcin de defectuosos es ($.$2Q , $.((N).

3.7. I)t*&-a!% +* (!),$a)=a pa&a a +$,*&*)($a *)t&* +!% p&!p!&($!)*%


Sean Y
&
! Y
<
dos variables aleatorias binomiales independientes con parmetros (n&,p&) !
(n<,p<). Se pueden comparar los parmetros p& ! p< por encontrar un intervalo de confian/a para
3 (
p p . Si el intervalo inclu!e el valor cero, entonces se puede concluir que ha! una diferencia
significativa entre p& ! p< .
Ua que los estad6sticos
( ( (
\ n Y p !
3 3 3
\ n Y p son asintticamente normales, se sigue que
3 (
\ \ p p tambin es asintticamente normal. +a media de
3 (
\ \ p p es
3 (
p p ! la varian/a es la
suma de las varian/as de p& ! p<

! por lo tanto es igual a

( ) ( )
3
3 3
(
( (
( (
n
p p
n
p p
+

.
Para poder definir un intervalo de confian/a para
3 (
p p es necesario definir un estimador para
la varian/a de
3 (
\ \ p p . 0n la e1presin para la varian/a se puede sustituir
(
\ p !
3
\ p en lugar de
los parmetros p& ! p< para obtener
( ) ( )
3
3 3
(
( (
\ ( \ \ ( \
n
p p
n
p p
+

.
Ua que
(
\ p !
3
\ p son estimadores consistentes para p
&
! p
<
, se sigue que
( ) ( )
( ) ( )
3
3 (
(
( (
3 ( 3 (
\ ( \ \ ( \
\ \
n
p p
n
p p
p p p p
"

sigue asintticamente una distribucin normal estndar. Por lo tanto, el intervalo de confian/a del
( ) ($$ ( a est dado por
( ) ( )
3
3 3
(
( (
3 ( 3 ( 3 (
\ ( \ \ ( \
\ \
n
p p
n
p p
# p p p p

+

t

.
E1*.p! 3."3< 0l 4r. 9. D. Lichardson hi/o un e1perimento para determinar el porcenta7e de
fidos muertos por una solucin de oleato de sodio en dos concentraciones diferentes. +os datos
se muestran en la tabla 2.(.
-abla 2.(< Supervivencia de fidos por concentracin de oleato de sodio.
9oncentracin bivos Buertos
$.5N (2 NN
(.($ 2 53
4e Snedecor ! 9ochran ((QT()
4eterminar si la ms alta concentracin era ms efectiva en matar los fidos. sar
='=C = .
S!u($0).
Para los datos de la tabla 2.(, 5J NN \
(
p ! 5N 53 \
3
p . 0l intervalo de confian/a del
QNa est dado por
5N
5N
2
5N
53
5J
5J
(2
5J
NN
Q5 . (
5N
53
5J
NN
5N
5N
2
5N
53
5J
5J
(2
5J
NN
Q5 . (
5N
53
5J
NN
3 (

,
_

,
_

,
_

,
_

p p
o
$2Q . $ 3N3 . $
3 (
p p
Puesto que el intervalo no inclu!e el valor $
3 (
= p p , concluimos que la concentracin ms alta
es significativamente ms efectiva para matar fidos.

3.9. I)t*&-a!% +* (!),$a)=a pa&a a .*+$a +* a +$%t&$'u($0) +* P!$%%!)


Da! dos resultados as6ntoticos que se pueden usar para definir intervalos de confian/a para la
media de la distribucin de Poisson. 0l primero se presenta en el siguiente teorema.
T*!&*.a 3."< Si : sigue una distribucin de Poisson con parmetro m, entonces
%
% X
es
asintticamente normal estndar.
D*.!%t&a($0).
Se puede obtener la distribucin asinttica de
%
% X
"

usando el mtodo de la funcin


generadora de momentos. Por definicin<
( )
t"
"
e , -
( )
[ ]


, e
t X % % M
( )

1
]
1

, e e
t % X
t %
M
( )


- t % e
X
t %
M
,
donde ( ) % t -
X
M es la funcin generadora de momentos de :. 0ntonces, se sigue que

( )
- t e e
"
% e
t %
t
%

_
,

(
.
4efinimos
( ) ( )
[ ]

" "
t - t ln
.
0ntonces
( )
"
t
%
t % e t %

_
,
(
( )
"
t
%
t
e
t
%
%

_
,

(
(

Se puede obtener primero
( )


li% t
%
"
! luego determinar
( )
( )
- t e
t

.9omo<
li% e
t
%
%
t
%

_
,
( $
li%
%
%

(
$
,
se puede aplicar la regla de +cDospital para obtener<
( )


_
,

t li%
e t% t%
%
%
t
%
(
3
(
3
2
3
2
3
3



(
3
(
(
3
t li%
e
%
%
t
%
.
Ua que<
li% e
%
t
%

_
,
( $
!
li% %
%

(
3
$
,
se puede aplicar nuevamente la regla de +cDospital para obtener
( )

_
,

t t li%
e t%
%
%
t
%
(
3
(
3
(
3
2
3
2
3


(
3
3
t li% e
%
t
%

(
3
3
t
Por consiguiente,
( )
( )
- t e e
t
t

3
3
0sta es la funcin generadora de una distribucin normal estndar.

Se puede usar el teorema 2.( para definir un intervalo de confian/a. Se sigue que



1
]
1



( Pr
3 ( 3 (
#
%
% X
#
.
)hora, es posible definir un intervalo de confian/a para m resolviendo la ecuacin cuadrtica
% # X %
3 (
t .
Se sigue que
( ) % # X %
3
3 (
3


o
( ) $ 3
3 3
3 (
3
+ +

X % # X %

.
Lesolviendo sta ecuacin se obtiene
( )
3
K 3 3
3
3
3
3 (
3
3 (
X # X # X
%
+ t +


K 3
3
3 (
3 (
3
3 (

+ t +
#
X #
#
X
.
0ntonces el intervalo de confian/a del ( ) ($$ ( a est dado por
K 3 K 3
3
3 (
3 (
3
3 (
3
3 (
3 (
3
3 (

+ + + + +
#
X #
#
X %
#
X #
#
X
.
Si : es grande, entonces se puede usar la apro1imacin
X # X % X # X
3 ( 3 (
+ .
Sahai ! Ehurshid ((QQ2) recomiendan usar la apro1imacin solamente si : es por lo menos ($$.
0llos tambin recomiendan el uso de una correccin por la continuidad si : tiene un valor
pequeOo.
E1*.p! 3."4# Sea m el n"mero de accidentes que se espera en una seccin de carretera en un
aOo. Suponga que se observaron KQ accidentes de trnsito en el aOo anterior. .btenga un intervalo
de confian/a del Q$ por ciento para m.
S!u($0).
Ua que
5KN . (
QN . $
#
, se sigue que el intervalo del Q$a est dado por
( ) ( ) ( ) ( )
K
5KN . (
KQ 5KN . (
3
5KN . (
KQ
K
5KN . (
KQ 5KN . (
3
5KN . (
KQ
3 3 3 3
+ + + + + %
o
QN . 5( T5 . 2J % .

Por el teorema del l6mite central, se sigue que la media


X
de una muestra aleatoria de una
distribucin de Poisson con parmetro m es apro1imadamente normal con media m ! varian/a
mMn para n grande. 0sto es,
X %
% n

es apro1imadamente normal estndar. Si se desea calcular un intervalo de confian/a para m,


e1iste el problema de que la m en el denominador tiene un valor desconocido. Puesto que,
[ ]
, X % !
( )
li%)ar X li%
%
n
n n
$
se sigue que
X
es un estimador consistente para m. 0ntonces se puede usar
X
en lugar de m en
el denominador ! la distribucin del nuevo estad6stico ser6a asintticamente normal. Para
demostrar esto, se puede definir
"
X %
% n


!
+ X % .
Siendo que S es asintticamente normal estndar ! tiende en probabilidad a (, se sigue que
(
"
+
X %
X n


es asintticamente normal estndar. Se puede usar este resultado para construir un intervalo de
confian/a para m. Siendo que
[ ]
Pr

# ( #
( 3 ( 3
(


,
se sigue que
X # X n % X # X n +
( 3 ( 3
es un intervalo de confian/a del ((*)($$ por ciento para m.
E1*.p! 3."5# Supongamos que el n"mero de tornados en un estado particular en un aOo sigue
una distribucin de Poisson con parmetro m. Si durante los "ltimos 3$ aOos se han observado en
promedio cuatro tornados por aOo, encontrar un intervalo de confian/a del J$a para m.
S!u($0).
0l intervalo de confian/a para m es de la forma
X # X n % X # X n +
. . Q$ Q$
.
Siendo que
X K
, #
'@=
= &'<?<, n = 3$, se sigue que
2K2 K NT . . %
es un intervalo de confian/a del J$ por ciento para m.

.tra forma de obtener intervalos de confian/a, para el parmetro m de la distribucin de


Poisson, es utili/ando los llamados intervalos de cola, los cuales utili/an una identidad para
aplicar la distribucin 7i*cuadrada.
Para este caso se tienen que encontrar los valores %
1
, %
+
tales que<
[ ]
9 X x %
+


3
[ ]
9 X x %
1


3
las cuales nos proporcionan las siguientes relaciones<
e %
/
e %
/
%
+
/
/
x
%
1
/
/ x
+
1

[
[

3
3
$
0s fcil obtener la siguiente identidad, por integracin por partes<
( )
e %
/ x
u e du
%
+ x u
%
/
x +
+

+

[
(
(
$

Daciendo el cambio de variable u
w

3
tenemos que<
( )
( )
e %
/ x
w e dw
%
+
x
x
w
%
/
x +
+

+

[
(
3
(
(
3
3
$

4e donde<
[ ] [ ] 9 X x % 9 %
%
%
u x +
+
x
+
x
>


+
+
+

3 3
3
(
3
3 3
3
(
3
3 3
3
3
3
3
3
,
,
Para el otro e1tremo se tiene que<
[ ] [ ]
[ ] [ ]
9 X x % 9 X x %
9 X x % 9 %
%
%
1 1
1 x 1
1
x
1
x
<
>


(
( ( ( 3
3
3
3
3
3
3
3
3
3
3
3

,
,
0ntonces el intervalo de confian/a del ( ) ($$ ( a est dado por
3 3
3
3 3 , 3 (
3
3 , 3 +

x x
%


.
Seg"n Santner ! 4uff! ((QJQ) ! Sahai ! Ehurshid ((QQ5), estos intervalos son
conservadores. 0sto es, el intervalo de cola es por lo menos un intervalo de confian/a de
( ) ($$ ( a. Para ver su utilidad consideremos el siguiente e7emplo<
E1*.p! 3."6# 0n el e7emplo 2.(K se ten6a que el n"mero de accidentes en una seccin de
carretera en un aOo sigue una distribucin de Poisson con parmetro m. Suponiendo que se
observaron KQ accidentes de trnsito en el aOo anterior, obtenga un intervalo de confian/a del
Q$a para m utili/ando los intervalos de cola.
S!u($0).
0l intervalo de confian/a para m, es de la forma
3 3
3
($$ , QN . $
3
QJ , $N . $

% .
4el apndice 9, se obtienen
(5Q . T5
3
QJ , $N . $

!
2K3 . (3K
3
($$ , QN . $

. 0l primero de estos dos
valores fue obtenido por interpolar entre Q$ ! ($$ grados de libertad. Se sigue que el intervalo de
confian/a del Q$a est dado por
3
2K3 . (3K
3
(5Q . T5
%
o
(T . 53 $J . 2J % .
0ste intervalo es mu! parecido al intervalo que es obtuvo en el e7emplo 2.(K.

E1*.p! 3."7# 0n el e7emplo 2.(N se ten6a que el n"mero de tornados en un estado particular en
un aOo sigue una distribucin de Poisson con parmetro m. Si durante los "ltimos 3$ aOos se han
observado en promedio cuatro tornados por aOo, encontrar otro intervalo de confian/a utili/ando
los intervalos de cola.
S!u($0).
0l intervalo de confian/a para m, es de la forma
3 3
3
(53 , Q$ . $
3
(5$ , ($ . $

%
Para este caso X = J$. 0ntonces por interpolar entre (N$ ! 3$$ grados de libertad en el apndice
9, se obtienen
TQK . 5J
3
NJT . (2T
3
3
(5$ , ($ . $


1
%
T$2 . Q3
3
K$T . (JN
3
3
(53 , Q$ . $


+
%
as6, el intervalo de confian/a, para el n"mero de tornados en 3$ aOos es<
T$ . Q3 TQ . 5J %
Si se quiere el intervalo de confian/a para un aOo solo ha! que dividir entre 3$ obteniendo<
( ) 5K . K , KK . 2 .
.bservemos que ha! poca diferencia, entre este intervalo ! el que se obtuvo en el e7emplo 2.(K.

3.: I)t*&-a!% +* (!),$a)=a pa&a a (!.pa&a($0) +* +!% .*+$a% +* P!$%%!)


Por el teorema del l6mite central, se sabe que si :
(
,:
3
,...,:
n
es una muestra aleatoria de
una distribucin de Poisson con parmetro m, entonces ( )
X % % n es apro1imadamente
normal estndar. 0ntonces, para n grande,
X
es apro1imadamente normal con media m !
varian/a mMn. )hora, si X
i
es la media muestral de una muestra de tamaOo n
i
de variables
aleatorias de Poisson con parmetro m
i
(i=(,3), entonces se sigue que
( ) ( )
(
X X % %
%
n
%
n


+
( 3 ( 3
(
(
3
3
es apro1imadamente normal estndar. Para poder definir un intervalo de confian/a para la
diferencia entre m
(
! m
3
, ha! que reempla/ar m
(
! m
3
en el denominador de la e1presin para `
por estimadores consistentes de m
(
! m
3
. Siendo que X
(
! X
3
son estimadores consistentes para
m
(
! m
3
, se tiene que
( ) ( )
"
X X % %
X
n
X
n


+
( 3 ( 3
(
(
3
3
es tambin normal estndar. )hora, un intervalo de confian/a del ((*)($$a est dado por
X X #
X
n
X
n
% % X X #
X
n
X
n
( 3 ( 3
(
(
3
3
( 3 ( 3 ( 3
(
(
3
3
+ + +

.
E1*.p! 3."9# Supongamos que el n"mero de parsitos de un cierto tipo, encontrado en un pe/
adulto en el L6o _ri7alva, sigue una distribucin de Poisson. Para un estudio biolgico de ese
parsito, se atrapan die/ carpas ! doce robalos. Si en promedio hubo J parsitos en el robalo ! (3
en la carpa, construir un intervalo de confian/a para la diferencia entre el n"mero de parsitos por
pe/ en el robalo ! la carpa. sar = $.3$.
S!u($0).
Sean m
(
! m
3
los n"meros esperados de parsitos por pe/ en el robalo ! la carpa respectivamente.
Siendo que X
(
J ! X
3
(3 , ! /
.Q$
= (.3J3, se sigue que un intervalo de confian/a del J$a est
dado por
NTN3 3 3KJ
( 3
. . % %
.
0ste intervalo no inclu!e $. Por lo tanto, se puede concluir que la carpa tiene significativamente
ms parsitos que el robalo.

3.";. I)t*&-a!% +* (!),$a)=a pa&a a +$,*&*)($a *)t&* p&!p!&($!)*% +* a .$%.a *)(u*%ta


Scott ! Seber ((QJ2) presentaron un e7emplo del clculo de un intervalo de confian/a para
la diferencia entre proporciones de la misma muestra. )qu6 se sigue la presentacin de ellos.
0n una encuesta, el muestreo es sin reempla/o, si el tamaOo de la muestra es pequeOo
relativo al tamaOo de la poblacin, entonces es ra/onable suponer una distribucin multinomial
para las observaciones de la muestra. Para el desarrollo, supongamos que :
(
! :
3
son las
observaciones ba7o los primeros dos niveles del factor de inters.
Se puede demostrar que<
( ) 7o! X X Hp p
( 3 ( 3
, .
-ambin las :
i
siguen distribuciones binomiales con parmetros ? !
i
p
. Se pueden estimar los
parmetros
i
p
por
. p X H
i i

Se sigue que<
[ ] [ ] ( ) , p p , X X Hp Hp p p
H H

( 3
(
( 3
(
( 3 ( 3
.
0ntonces
( ) ( ) ( ) ( ) )ar p p )ar p )ar p 7o! p p ,
( 3 ( 3 ( 3
3 +
( ) ( )

_
,

p p
H
p p
H
Hp p
H
( ( 3 3 ( 3
3
( (
3
( ) ( )


+

+
p p
H
p p
H
p p
H
( ( 3 3 ( 3
( (
3
( ) ( )

+ p p p p
H
( 3 ( 3
3
.
Se sabe que
p
(
!
p
3
son asintticamente normales con medias
(
p !
3
p ! varian/as
( ) p p H
( (
( ! ( ) p p H
3 3
( respectivamente. Se sigue que
p p
( 3

es tambin
asintticamente normal con media
3 (
p p ! varian/a ( ) ( )
[ ]
p p p p H
( 3 ( 3
3
+
. Por lo tanto,
( ) ( )
( ) ( )
(
p p p p
p p p p
H


+

( 3 ( 3
( 3 ( 3
3
es asintticamente normal estndar. Siendo que
p
(
!
p
3
son estimadores consistentes para p
(
!
p
3
, se sigue que
( ) ( )
( ) ( )
"
p p p p
p p p p
H


+


( 3 ( 3
( 3 ( 3
3
tambin es normal estndar. )hora, el intervalo de confian/a del ($$((*)a est dado por
( ) ( ) ( ) ( )




M M
p p #
p p p p
H
p p p p #
p p p p
H
( 3 ( 3
( 3 ( 3
3
( 3 ( 3 ( 3
( 3 ( 3
3

+
+
+

.
E1*.p! 3.":# 0l 9entro de 0studios de .pinin hi/o una encuesta al final de Septiembre de
3$$$ para determinar las preferencias electorales para gobernador del estado de -abasco. Se
encuestaron K$5N personas mediante la aplicacin de la tcnica )leatoria 0stratificada. 0n esta
encuesta (J$( personas indicaron que votar6an por Banuel )ndrade 46a/ del PLG, (323 votar6an
por 9esar La"l .7eda Subieta del PL4, ! J$N votar6an por dos )ntonio de la bega )smitia del
P)?. +os dems indicaron que votar6an por otro candidato, no estaban decididos, no pensaron
votar, o rehusaron contestar. 0stos resultados fueron publicados en el -abasco Do! de +unes, 3
de .ctubre de 3$$$. 4etermine un intervalo de confian/a del QN por ciento para la diferencia
entra las proporciones de los quienes prefer6an a )ndrade ! los quienes prefer6an a .7eda.
S!u($0).
Para este problema
Q5 . ( ,
K$5N
(323
\ ,
K$5N
(J$(
\
QTN . $ 3 (
# p p .
0l estimador de la varian/a de
3 (
\ \ p p est dada por
( ) $$$(TJT2 . $
K$5N
K$5N
(323
K$5N
(J$(
K$5N
(323
K$5N
(J$(
\ \
\
3
3 (

,
_


,
_

+
p p )
,
Por lo tanto el intervalo de confian/a es de la forma
$$$(TJT2 . $ Q5 . (
K$5N
(323
K$5N
(J$(
$$$(TJT2 . $ Q5 . (
K$5N
(323
K$5N
(J$(
3 (
+ p p
o
(55 . $ ((K . $
3 (
p p .
Hste intervalo no inclu!e el valor cero. 0ntonces, se puede concluir que ha! una diferencia
significativa entre las dos proporciones, ! por lo tanto Banuel )ndrade 46a/ del PLG es el
candidato preferido.

E1*.p! 3.2;# +os estudiantes de 9iencias Pol6ticas ! 0conom6a del Gnstituto -ecnolgico
)utnoma de B1ico hicieron una encuesta en el mes de Septiembre de 3$$$ para determinar las
preferencias electorales para gobernador del estado de -abasco. Para sta encuesta se usaron un
muestreo estratificado. 4e las (3$$ personas, KNQ indicaron que votar6an por 9esar La"l .7eda
Subieta del PL4, K$T votar6an por Banuel )ndrade 46a/ del PLG, ! (5T votar6an por dos
)ntonio de la bega )smitia del P)?. +os dems indicaron que votar6an por otro candidato, no
estuvieron decididos, o no contestaron. 0stos resultados fueron publicados en el -abasco Do! de
Bartes, 2 de .ctubre de 3$$$. 4etermine un intervalo de confian/a del QN por ciento para la
diferencia entre las proporciones de los que prefer6an a .7eda ! los que prefer6an a )ndrade.
S!u($0).
Para este e7emplo
(3$$
KNQ
\
(
p !
(3$$
K$T
\
3
p .
Por lo tanto, el estimador de la varian/a de
3 (
\ \ p p est dado por
( ) $$$NQQJ3 . $
(3$$
(3$$
K$T
(3$$
KNQ
(3$$
K$T
(3$$
KNQ
\ \
\
3
3 (

,
_


,
_

+
p p )
,
4ado que
Q5 . (
QTN .
#
, se sigue que el intervalo de confian/a es de la forma
$$$NQQJ3 . $ Q5 . (
(3$$
K$T
(3$$
KNQ
$$$NQQJ3 . $ Q5 . (
(3$$
K$T
(3$$
KNQ
3 (
+ p p
Simplificando se obtiene
$Q(2 . $ $$KT . $
3 (
p p .
Bientras ste intervalo de confian/a parece indicar una preferencia por el candidato 9esar
La"l .7eda Subieta del PL4, el intervalo si inclu!e el valor cero, ! por lo tanto la diferencia
entre las dos proporciones no es significativa. Se puede ver que es necesario hacer la encuesta
con una muestra ms grande para poder obtener una diferencia significativa.

0n los e7emplos 2.(Q ! 2.3$, se hicieron encuestas durante el mismo mes usando un
muestreo estratificado, pero los resultados eran bastante diferentes. Para las dos encuestas, los
investigadores reportaron errores mu! ba7os para la estimacin de las proporciones. 0llos
supusieron que identificaron bien los estratos. Si no se escogieron bien los estratos, entonces los
errores reportados pod6an subestimar por mucho el tamaOo del verdadero error.
3."". I)t*&-a!% +* (!),$a)=a pa&a u) -a!& (!) p*&$!+! +* &*t!&)! +* T aE!%
0n hidrolog6a, ha! mucho inters en determinar la probabilidad de observar un valor
e1tremo. Por e7emplo, un hidrlogo puede querer determinar la probabilidad de que el gasto de
un r6o e1cede un valor cr6tico que puede resultar en la falla de una presa. Sea el n"mero de
aOos hasta observar un gasto suficiente grande para causar la falla de la presa. Se puede suponer
que sigue una distribucin geomtrica con parmetro p. 0s fcil demostrar que tiene media
de p ( . 0n la hidrolog6a, es com"n representar sta media por el parmetro - ! el valor cr6tico de
inters por
*
x . Se dice que el valor cr6tico
*
x tiene un periodo de retorno de - aOos.
Para determinar el periodo de retorno, ha! que definir la distribucin de los gastos. Si la
variable aleatoria : representa el gasto del r6o, entonces ha! que encontrar [ ]
*
x X Pr . 0l
periodo de retorno es entonces
[ ]
*
x X
*

Pr
(
.
Para calcular el periodo de retorno, se puede buscar un valor
*
I tal que
[ ]
*
I
X
x X
* *
(
Pr Pr
1
]
1

donde

representan la media ! desviacin estndar de la distribucin de las observaciones.


0ntonces, el valor de 1 con periodo de retorno de - aOos es

* *
I x + .
Para estimar
*
x , ha! que encontrar estimadores apropiados para los parmetros

. 0n el
teorema 2.3 se presenta un resultado que es mu! "til para estimar las varian/as de los parmetros.
T*!&*.a 3.2# +os estimadores de m1ima verosimilitud
/

\
,...,
\
,
\
3 (
de los parmetros de la
funcin (densidad) de probabilidad
( )
/
x f ,..., , F
3 (
para muestras de tamaOo n, tienen, para
muestras grandes, una distribucin que se apro1ima a la normal multivariable de medias
/
,..., ,
3 (
! matri/ covarian/a
(
) donde
1
1
1
1
1
1
1
1
]
1

,
_

,
_

,
_

,
_

,
_

,
_

,
_

,
_

,
_

3
3
3
3
(
3
3
3
3
3
3
( 3
3
(
3
3 (
3
3
(
3
/ / /
/
/
1
,
1
,
1
,
1
,
1
,
1
,
1
,
1
,
1
,
)


es la matri/ de informacin ! + es la funcin de log*verosimilitud.


0n el anlisis de frecuencias para los valores e1tremos, se usan varios distribuciones
inclu!endo la normal, la lognormal, la Pearson tipo GGG, la log*Pearson tipo GGG, ! la _umbel. 0n
sta seccin, solamente se considera la distribucin normal. Para una discusin de las otras
distribuciones, el lector puede ver el te1to de Shahin, .orschot, ! 4e +ange ((QQ2).
Se puede estimar
*
x usando los estimadores de m1ima verosimilitud para

.
Para una muestra de la distribucin normal
X \ !
( )


n
i
i
X X
n
(
3
3
(
\
.
Se obtiene el estimador de

por tomar la ra6/ cuadrada del estimador de


3
. 0n la prctica, los
hidrlogos usan S para estimar

. 0ntonces se puede estimar


*
x usando
0 I X x
* *
+ \ .
0sta estimacin de
*
x puede subestimar o sobrestimar el verdadero valor de
*
x . Por lo tanto,
hidrlogos definen un intervalo de confian/a para
*
x\ . Primero, se da la varian/a de \
*
I X + .
+a varian/a de S difiera de la varian/a de \ por un factor multiplicativo que tiende a uno cuando
n tiende al infinito.
Para la distribucin normal, la funcin de log*verosimilitud est dada por
( ) ( )
( )
3
(
3
3
ln 3 ln
3


n
i
i
X
n
n
1
.
Se sigue que
( )
3
(

n
i
i
X
1 ,
( )
2
(
3

n
i
i
X
n 1 ,
3 3
3

n 1

,
( )
2
(
3 3
3

n
i
i
X
1 1 ,
( )
K
(
3
3 3
3
2

n
i
i
X
n 1 .
)hora,
1
1
1
1
]
1

,
_

,
_

,
_

,
_

3
3 3
3
3
3


1
,
1
,
1
,
1
,
)
1
1
1
]
1

3
3
3
$
$

n
n
.
Hsta es la matri/ de informacin. +a matri/ de las varian/as ! covarian/as asintticas est dada
por
1
1
1
1
]
1

n
n
)
3
$
$
3
3
(

.
0l primer valor en el diagonal de la matri/ es la varian/a de X ! el segundo valor es la varian/a
de \ . +os ceros de la matri/ son las covarian/as entre X ! \ . 0ntonces la varian/a de
\
*
I X + est dada por
( )
n
I
n
I X )
* *
3
\
3
3
3

+ + .
Si se define d
-
por
3
(
* *
I d +
entonces la varian/a de \
*
I X + est dada por
( )
n
d I X )
* *
3
3
\

+ .
Ua que
\
(

n
n
0 ,
se sigue que
( )
n n
n
I
n
0 I X )
* *
3 (
3
3
3

,
_

+ +
( ) ( 3
3
3
3

+
n
I
n
*

Para n grande
( )
n
d
n
I
n
0 I X )
* * *
3
3
3
3
3
3

+ + .
0l valor de
3
es desconocido en sta e1presin. Se puede estimar la varian/a de
*
x usando
n
0
d 0
* *
3
3 3
.
)hora, el intervalo de confian/a del ( ) ($$ ( por ciento est dada por
n
0
d t x x
n
0
d t x
* * * * * 3 ( 3 (
\ \

+
.
+os estimadores de m1ima verosimilitud son asintticamente normales. Por lo tanto, se puede
tomar el valor t de la tabla de la distribucin normal. 0n la prctica, los hidrlogos usan la tabla
de la distribucin t de Student. Se muestran los factores de frecuencia E
-
! los factores de
frecuencia d
-
en la tabla 2.(.
-abla 2.(< Iactores de Irecuencia (E
-
) ! Iactores de 0rror 0stndar (d
-
)
- E
-
d
-
3 $ (
N $.JK(5 (.(52T
($ (.3J(5 (.2KQN
3$ (.5KKQ (.N22Q
2$ (.J22Q (.52T5
K$ (.Q5$$ (.T$Q$
N$ 3.$N2T (.T523
5$ 3.(3J$ (.J$5T
T$ 3.(JQ2 (.JK2$
J$ 3.3K(K (.JTK$
Q$ 3.3J5N (.Q$((
($$ 3.2352 (.Q3N(
3$$ 3.NTNJ 3.$TTJ
2$$ 3.T(2( 3.(52K
K$$ 3.J$T$ 3.333N
N$$ 3.JTJ3 3.35T5
5$$ 3.Q2N3 3.2$2J
T$$ 3.QJ3T 3.22K3
J$$ 2.$322 3.25$(
Q$$ 2.$NJJ 3.2J3Q
($$$ 2.$Q$3 3.K$2(
+a valide/ de usar d
-
para estimar la varian/a depende de que tan buena es la
apro1imacin a la varian/a de S. Si se define
( )
n
c ,
, 3
\
!
( )
n
c 0 ,
, K

como en el control de
calidad, entonces se pueden obtener las varian/as de los estimadores de la desviacin estndar
usando el resultado del e7emplo 3.2. Se puede demostrar que ( )
3 3
K
( ) ( c 0 ) . Por conveniencia
definamos las varian/as como ( )
n
) )
n
3
, 3
\

! ( )
n
) 0 )
n
3
, K

. 0ntonces los valores de
n
c
, 3
,
n
c
, K
,
n
)
, 3
, !
n
)
, K
estn dados en la tabla 2.3. 4e los valores de
n
c
, 3
!
n
c
, K
se puede ver que S tiene
menos sesgo que \ . -ambin, se puede ver que el valor de $.N es una buena apro1imacin para
n
)
, 3
!
n
)
, K
para n ma!or de 2$. Si n tiene un valor pequeOo, se puede modificar los valores de d
-
usando los valores de la tabla 2.3.
-abla 2.3< balores de
n
c
, 3
,
n
c
, K
,
n
)
, 3
, !
n
)
, K
n
n
c
, 3 n
c
, K n
)
, 3 n
)
, K
N $.JK$T $.QK$$ $.K5NT $.NJ3(
($ $.Q33T $.QT3T $.KJNK $.N2Q2
(N $.QKQ$ $.QJ32 $.KQ$J $.N3NJ
3$ $.Q5(Q $.QJ5Q $.KQ22 $.N(Q3
2$ $.QTKJ $.QQ(K $.KQN5 $.N(3T
K$ $.QJ(( $.QQ25 $.KQ5J $.N$QN
N$ $.QJKQ $.QQKQ $.KQTK $.N$T5
5$ $.QJTK $.QQNJ $.KQTQ $.N$52
T$ $.QJQ3 $.QQ5K $.KQJ3 $.N$NK
J$ $.QQ$5 $.QQ5J $.KQJK $.N$KT
Q$ $.QQ(5 $.QQT3 $.KQJ5 $.N$K3
($$ $.QQ3N $.QQTN $.KQJT $.N$2J
E1*.p! 3.2"# 0n la tabla 2.( se presentan los valores m1imos anuales de los gastos medios
diarios de la estacin hidrolgica Poca del 9erro sobre el r6o sumacinta para los aOos (QKJ*
(QJ$. 0stos datos fueron anali/ado por .livares ((QJ3) quien conclu!o que la distribucin log*
Pearson tipo GGG era la me7or para representar a los datos, pero encontr que la distribucin normal
da resultados parecidos. 0ncuentre el gasto de N$$ aOos,
N$$
\ x
, suponiendo que la muestra viene
de una distribucin normal ! determine un intervalo de confian/a del Q$ por ciento para
N$$
\ x
.
S!u($0).
Para estos datos N3 . N3N( x < 53 . JQ$ 2 . Para un periodo de retorno de N$$ aOos
JTJ . 3
*
I . 0ntonces el gasto de N$$ aOos est dado por
( ) ( ) 2eg % 2 I x x M Q . TJ(K 53 . JQ$ JTJ . 3 N3 . N3N( \
2
N$$ N$$
+ + .
0l intervalo de confian/a del Q$ por ciento est dado por
N$$ 23 , QN . $ N$$ N$$ N$$ 23 , QN . $ N$$
\ \ 0 t x x 0 t x +
donde
5QK . (
23 , QN . $
t
! 35T5 . 3
*
d . 0l valor de S
N$$
es
( ) N5 . 2N(
22
53 . JQ$
35T5 . 3
N$$ N$$

,
_


n
0
d 0
.
0ntonces
( ) ( ) ( ) ( ) N5 . 2N( 5QK . ( Q . TJ(K N5 . 2N( 5QK . ( Q . TJ(K
N$$
+ x
o
K . JK($ K . T3(Q
N$$
x

-abla 2.2< _astos m1imos (m


2
Mseg) de la estacin hidrolgico Poca del 9erro
)Oo _asto B1imo )Oo _asto B1imo
(QKJ K3$$ (Q5N 5$T$
(QKQ K$Q$ (Q55 5$T$
(QN$ N(5$ (Q5T 55$$
(QN( 2J5$ (Q5J N23$
(QN3 NNQ$ (Q5Q 5(3$
(QN2 N(N$ (QT$ NQ5$
(QNK N3N$ (QT( K3J$
(QNN NJK$ (QT3 5($$
(QN5 NKK$ (QT2 533$
(QNT K2Q$ (QTK 532$
(QNJ K3T$ (QTN 5T($
(QNQ 25($ (QT5 KQN$
(Q5$ N3N$ (QTT KKT$
(Q5( K$3$ (QTJ 5$5$
(Q53 KNJ$ (QTQ 525$
(Q52 N2$$ (QJ$ N5N$
(Q5K K(2$
Captu! 5
Gnferencia Pa!esiana
5." I)t&!+u(($0)
Supongamos que se observa una variable X con de densidad ) ( x f , ! parmetro desconocido , ste
"ltimo con valores posibles en el con7unto . n problema que se presenta en la inferencia estad6stica sobre
) ( x f , consiste en elegir el modelo ms adecuado para X en = < ) ( ; x f .
0n el enfoque ba!esiano de la estad6stica, la incertidumbre presente en un modelo dado, digamos ) ( x f ,
se representa a travs de una f.d.p. (o f.p.), ) ( g , sobre los posibles valores del parmetro desconocido que
define el modelo. Por lo que es necesario encontrar una distribucin de probabilidad para , incorporando todo la
informacin disponible que se tenga sobre .
0n general, dado los modelos ) ( x f ! ) ( g , las distribuciones con7unta ( , ) x ! marginal
% x ( )

estn determinadas por<
) ( ) ( ) , ( g x f x F

'



. en continuo s con valore , ) ( ) (
. en discreto s con valore , ) ( ) (
) (

d g x f
g x f
x %
Bientras que el teorema de Pa!es determina la distribucin condicional ) ( x g ,
) (
) ( ) (
) (
x %
g x f
x g

.
Supongamos que x x x x
n
; , , =
(
,
3
es una muestra de n observaciones independientes de una
variable X con densidad ) ( x f , ! parmetro desconocido . +a informacin observada sobre X estar contenida
en la verosimilitud
) , , , ( ) (
3 (

n
x x x f x f .
Bientras que la informacin disponible a priori sobre el parmetro , se puede incorporar a una funcin de , ) ( g ,
para obtener una informacin con7unta ( , ) x . )plicando el teorema de Pa!es se tiene que
) (
) ( ) (
) (
x %
g x f
x g

.
D*,$)$($0) 5." >D$%t&$'u($!)*% a p&$!&$ < a p!%t*&$!&$?. Sea x es una muestra de n observaciones
independientes de una variable X con densidad ) ( x f , ! parmetro desconocido , ste "ltimo con valores
posibles en el con7unto . +a incertidumbre sobre el parmetro en ) ( x f se puede modelar a travs de una
distribucin de probabilidad

sobre , llamada di2tribuciJn a prioriF ! las inferencias entonces se basan sobre la


distribucin de condicional sobre x , ) ( x g , llamada di2tribuciJn po2terior ! definida por el teorema de Pa!es
) (
) ( ) (
) (
x %
g x f
x g

.
?ote que la distribucin marginal % x ( ) vista como una funcin de , resulta ser una constante. 4e esta
manera la distribucin posteriori es proporcional al producto de la verosimilitud ! la distribucin a priori.
D*,$)$($0) 5.2. n modelo estad6stico ba!esiano ) ( x g esta dado por un modelo estad6stico paramtrico,
) ( x g , ! una distribucin a priori sobre los parmetros, ) ( g , definido por
) ( ) ( ) ( g x f x g .
Por lo tanto, el teorema de Pa!es permite incorporar la informacin contenida en un con7unto de datos
x x x x
n
; , , =
(
,
3
, produciendo una descripcin con7unta de la incertidumbre sobre los valores del parmetro
del modelo a travs de la distribucin final ) ( x g .
E1*.p! 5.". Sea x x x x
n
; , , =
(
,
3
una muestra de n observaciones independientes de una variable
X 9oi22on( ) . 9onsidere una densidad a priori ) , ( Ga%%a para , ! encuentre ) ( x g .
0oluciJn' +a informacin a priori disponible para est dada por

'

>


$ , $
$
) (
) (
,
(

e
g .
4espus de observar a x x x x
n
; , , =
(
,
3
, queremos volver a evaluar nuestras ideas acerca de con base en
la verosimilitud
( )

n
i
i
x f x f
(
) (
donde
( )

'

ca2o otro cualquier en


x
x
e
x f
i
x
i
i
$
,... 3 , ( , $ ,
[

.
0ntonces


[ [
) (
( i
x n
n
n
i i
x
x
e
x
e x f
i


.
4e esta manera se tiene que
( )
( )
1
]
1

1
1
]
1


e
x
e x g
i
x n
n (
[
[ ][ ]



e e
n x n (
( )

+ +

n x n
e
(
0s decir,
( )
( )

( (
(
(
(
(

e x g
donde 8 = !
( (
n x n + .
n aspecto importante de la estad6stica Pa!esiana, est relacionado sobre la informacin a
priori disponible, !a que sta determina en gran medida la distribucin posteriori resultante.
E1*.p! 5.2 Suponga que se observa una variable :] ( ) p n 6ino%ial , , con n conocido ! p desconocido.
Suponga una densidad a priori 6eta( , ) para p, ! encuentre ) ( x p g .
0oluciJn. 0n este caso tenemos que

'

,
_

ca2o otro en
n x
x n
p
x
p
x
n
p x f
, $
,..., ( , $ , ) ( (
) (
!

'

< <


ca2o cualquier en
p p p
6
p g
, $
( $ , ) ( (
) , (
(
) (
( (

donde ( ) , 6 es la funcin beta. Se puede demostrar que
( )
( ) ( )
( )


+

, 6
.
Por lo tanto,
( ) ( )
( )
( )
1
]
1

1
]
1

,
_

( (
(
,
(
(


p p
6
p p
x
n
x p g
x n x
,
( ) ( )
. ) ( (
( ( + +

x n x
p p
0s decir,
( )
( (
( (
( (
) ( (
,
(
) (




p p
6
x p g
donde
+ + x n x = !
( (
.

D*,$)$($0) 5.3. Sea x x x x
n
; , , =
(
,
3
una muestra de n observaciones independientes de una
variable X con densidad f x
% %
( M , , , )
( (
, ! vector de parmetros desconocidos ( , , , )
( 3

%
.
0ntonces dadas las densidades a priori,

(
( $
M ) ),

(
3
M
(
), ,

(
% % %
M , , ,
( 3 (
),
la distribucin posteriori est dada por
( , , , M ) ( M , , , ) ( M , , , ) ( M ) ( M ).
% % % % % % %
x f x

( ( ( ( ( 3 ( 3 ( ( $

E1*.p! 5.3. Sea x x x x
n
; , , =
(
,
3
una muestra de n observaciones independientes de la distribucin
H( , )
, donde
3
( llamada precisin, donde ambas
!
son desconocidas. 9onsidere a priori que


) , (
$ $
Ga%%a ! M H( , )
$ $
, ! encuentre la distribucin posteriori de
( , )
.
0oluciJn. 9ada observacin Xi tiene la f.d.p.
( )
( )
< <

i
x
i
x e x f
i
,
3
,
3 3
3

.
0ntonces

,
_

,
_

3
)
(
(
3 3
3
) , (


n
i i
x
e
n
x f
.
+as densidades previas estn dadas por,
< <

,
_

,
_


,
3
)
$
(
3
$
3
(
3
$
) ( e g
,
!
( )

'

>

ca2o otro en
g
e
, $
$
) (
) (
,
$
(
$
$ $
$

.
4e la definicin anterior se tiene que
) M , ( x g ( )

n
e
x
i i
n
3
3
(
3

( )
( )
3
)
$
(
3
$
3
(


e
( )

$
$
(

e
.
1
]
1

+ +
+ +


$
3
$ $
3
(
$ 3 ) ( ) (
3
( )
3
(
3
(

n
i
i
x
n
e
.

5.2. E%t$.a($0).
Sea = , , , ;
3 ( n
x x x x una muestra de n observaciones de una variable X de la f.d.p. (o f.p.) ) ( x f .
4esde el punto de vista clsico se buscan estimadores para ! g( ) de la forma ) (x . 0n el enfoque Pa!esiano,
un e2ti%ador ra/onable para ser<
() +a media de ) ( x g F
3) +a mediana de ) ( x g F
2) +a moda de ) ( x g .
Sea ) (x la funcin del valor observado de Y que usamos para estimar . +a funcin ) (x se llama la
funcin de decisin. n valor particular de ) (x se llama una decisin. 4enotamos por ( ) [ ] x 1 , la perdida al
tomar la decisin ) (x cuando es el parmetro. ( ) [ ] x 1 , se llama la funcin de perdida. 0l valor esperado de
la perdida se llama el riesgo. Si ( ) x f es la f.d.p. (o f.p.), entonces la funcin de riesgo est dada por
( ) [ ] ( )
( ) [ ] ( )
( ) [ ] ( )

'


di2creta Y x f x f 1
continua Y dx dx x f x 1
1 , 5
y
n
, ,
, ... ,
, ,
(


.
)hora, dada la funcin de densidad posterior de , ( ) x g , ha! que encontrar la decisin

\

que
hace m6nimo el valor esperado condicional de la perdida. 0ntonces el estimador de Pa!es es el valor de ) (x que
hace m6nimo
( ) [ ] ( ) ( ) [ ] ( ) d y g x 1 x 1 ,


, , .
0ste valor esperado se llama el riesgo a posteriori. 4enotemos el riesgo esperado por
( ) ( ) [ ] ( ) ( ) d g 5 5 , 6


, , .
Sea U es una variable continua, entonces se sigue que
( ) [ ] ( ) ( ) ( ) [ ] ( ) ( ) d g dx dx x f x 1 dx dx x f d x g x 1
n n

'

'

... , ... ,
( (
( ) ( ) ( ) 6 d g 5


, .
0ntonces el valor ( ) x
\
que hace m6nimo el riesgo a posteriori, tambin hace m6nimo el riesgo esperado 6(w).
+a demostracin para Xi discreta es anloga.
0n realidad el e2ti%ador se elegir con base en de como vamos a usarlo. 4e aqu6 la importancia de las
funcione2 de pKrdida2 t6picas<
() ( ) [ ]
3
x , error cuadrtico.
3) ( ) x , error absoluto.
2)

'

. , $
F ,
)
,
(


c
c
Si la funcin de perdida es el error cuadrtico, entonces el estimador de Pa!es es ) ( X , . Por otro lado, si la
funcin de perdida es el error absoluto, entonces la mediana de la distribucin condicional es el estimador de Pa!es.
_eneralmente, es ms fcil traba7ar con la media posterior que con la mediana de la distribucin posterior. Por lo
tanto, en lo que sigue usaremos el error cuadrtico para definir la funcin de perdida.
Por otro lado, como

) (
) ( ) (
) (
x %
g x f
x g


entonces

'


continuo. caso , ) (
. discreto caso ), (
) (


d x g
x g
X ,
Por lo tanto, para cada distribucin a priori, ) ( g , e1iste un estimador Pa!esiano correspondiente,
) ( ) ( x x X , .
E1*.p! 5.4 +an/amos una moneda varias veces, con P(guila)=
p
. 9onsideramos dos casos< (i) +an/amos
hasta que apare/can 2 guilas ! esto ocurre en el lan/amiento n"mero T. (ii) +an/amos la moneda T veces !
obtenemos 2 guilas. eueremos estimar a
p
en ambos casos.
0oluciJn. Sean
=;guila, sol=F
X
aguila
( )
, ,
,

'

(
$

= sol .
!
9 X x
p x
p x
( )
, ,
, .

'

=
=
(
( $
Por tanto, X sigue una ) ( p 6ernoulli .
a) Desde el punto de vista Clsico.
i) Sea; , , = x x x
n (
,
3
una muestra de n observaciones independientes de una variable aleatoria X de una
) ( p 6ernoulli . Si U es el n"mero de pruebas hasta obtener el r simo 1ito, entonces Y es
6ino%ial Hegati!a r p ( , ) .
+uego,
= , ( 8 r , ; , ) ( (
(
(
) ( r y
r y
p
r
p
r
y
p y f

,
_

F
[ ] = , ( 8 r , ; ), ( ( ) ( ) (
(
(
) ( r y p 1og r y p r1og
r
y
1og p y f 1og + +
1
]
1

,
_

.
0l estimador de m1ima verosimilitud para
p
, est dado por
y
r
p

,
y r r + ; , , = (
.
0n particular, para
r y 2 T !
, tenemos que

p
2
T
.
ii) Sea ; , , = x x x
n (
,
3
una muestra de n observaciones independientes de una variable aleatoria X de una
) ( p 6ernoulli .
Si Y X
i
i
n

(
, entonces Y es 6ino%ial n p ( , ) .
+uego,
= , , ( , $ ; , ) ( ( ) ( n y
y n
p
y
p
y
n
p y f

,
_

F
[ ] = , , ( , $ ; ), ( ( ) ( ) ( ) ( n y p 1og y n p y1og
y
n
1og p y f 1og + +
1
]
1

,
_

.
0l estimador de m1ima verosimilitud para
p
, est dado por

p
y
n
, y n ; , , , = $ ( . 0n particular, para
n y T 2 ! , tenemos que

p
2
T
.
b) Desde el punto de Vista Bayesiano.
i) Si g(p) es uniforme ($,() !
= , K , 2 ;
2
) ( (
2
) (

y para
y
p p p y f
, entonces
( ) 3 (
) ( (
( K
=
2
) ( (
2
) (
(



y
p p
y
p p y p g
,
de donde y 9 es 6eta y ( , ) K 3 . 0l estimador de Pa!es para
p
, est dado por
.
3
K
) 3 P(K,
3) * , N (
( ) 3 (
) ( (
( K
) 3 , K (
(
) ( \
(
$
y y
y 6
dp
y
p p p
y 6
y 9 , p
+

0n particular, para y T ,

p
K
Q
.
ii) Si g(p) es uniforme($,() !
= , , ( , $ ; ) ( ( ) ( n y para
y n
p
y
p p y f


, entonces
( ) ( (
) ( (
( ) ( (
= ) ( ( ) (
+

+

y n
p
y
p
y n
p
y
p y p g
,
de donde y Y 9 es 6eta y y ( , ) + + ( ( n * . 0l estimador de Pa!es para
p
, est dado por
dp
y n
p
y
p p
y y 6
y 9 , p
( ) ( (
) ( (
( ) ( (
) ( * n , ( (
(
) (
(
$
+

+
+ +

.
3
(
) ( * n (, 8 P(!
() 8 * n , 3 (
+
+

+
+

n
y
y
y y 6
0n particular, para
n y T 2 !
,

p
K
Q
.

Dasta ahora se ha e1plicado como definir la funcin de densidad previa. Buchos investigadores escogen la
funcin de densidad con7ugada para facilitar los clculos. +a funcin de densidad con7ugada se define de tal manera
que la previa ! la posterior son de la misma familia de distribuciones. Supongamos que se desea obtener una
densidad previa para el parmetro de ( ) x f . Si se trata ( ) x f como una funcin de en lugar de 1, puede
ser posible encontrar una funcin de densidad ( ) g de esta misma forma. Si tal funcin e1iste, seria posible obtener
una funcin de densidad posterior de la misma familia de distribuciones. 0sa funcin ( ) g es la densidad con7ugada
de ( ) x f .
E1*.p! 5.5. Sea
n
X X X ,..., ,
3 (
una muestra aleatoria de una distribucin de Poisson con parmetro .
0ncuentre la distribucin con7ugada de la Poisson.
0oluciJn' +a funcin de probabilidad de Poisson est definida por
( ) ,.... 3 , ( , $ ,
[


i
i
x
i
x para
x
e x f
i


0ntonces
( )

n
i
i
x n n
x
e
x f
(
[

.
Si se usa la ( ) , ga%%a como la densidad previa, entonces
( )
( )

'

>


$ , $
$ ,
(

e
g .
Se sigue que
( ) ( ) ( ) g x f x g
( )( )



e e
x n n (

( )

+ +

n x n
e
(
.
Se puede ver que la densidad posterior es una distribucin ( ) + + n x n ga%%a , . Por lo tanto,
( )
( )
( )
( )
$ ,
(
>
+
+

+ +
+

n x n
x n
e
x n
n
x g .
)mbos la distribucin previa ! la posterior son de la misma familia de distribuciones. Por lo
tanto, la distribucin gamma es la distribucin con7ugada para la Poisson.

na ve/ de haber escogido la forma de la previa, es necesario definir los valores de los parmetros. 0l
investigador puede no tener una idea de los valores de los parmetros, pero si puede tener una idea del valor de la
media ! de la varian/a. 4espus de asignar los valores a la media ! la varian/a, se puede calcular los valores de los
parmetros.
E1*.p! 5.6. 0n el e7emplo de la distribucin de Poisson (07. N.N), supongamos que el investigador cree que
debe tener una media de 3 ! una varian/a de 2. 0ncuentre los valores de los parmetros de la previa, ! luego
determine la densidad previa.
0olucion' Si se usa la gamma previa con parmetros

! , entonces ( ) 3 , !
( ) 2
3
) . Lesolviendo estas ecuaciones para

! , se obtienen 2 K ! 2 3 . Por lo tanto, la


densidad previa est dada por
( )
( )
( )
( )

'

>


$ , $
$ ,
2 K
2 3
2 3 2 (
2 K


e
g
0n general es preferible definir una densidad previa tal que la media ! varian/a de la distribucin posteriori
dependen casi enteramente de la informacin de la muestra. na previa de este tipo se llama una previa Yno
informativaZ.
0n el caso de la distribucin de Poisson, usando una previa gamma se obtiene
( )

,
_

+
+

,
_

+
+

n
x
n
n
n
x n
x ,
!
( )
( )
3

+
+

n
x n
x )
.
Se puede ver que la media posterior es un promedio ponderado de la media muestral ! la media
previa. Se pueden escoger valores de

suficientemente pequeOos tales que


( ) x x ,
!
( ) n x x )
.
Bientras que

tengan valores mu! pequeOos, no importan sus valores actuales. +a media !


varian/a posterior dependen esencialmente de los valores observados solamente. Se obtiene casi
la misma densidad posterior por tomar

mu! pequeOos como se obtiene por de7ar


tender a cero. +a gran diferencia est ms bien en la definicin de la densidad previa. 0n el
segundo caso, la previa !a no es una funcin de densidad. 0sto es porque ( )
(
g no tiene
integral igual a uno sobre el intervalo $ > . 0n este caso, la previa se llama una previa
impropia. +a 7ustificacin para usar la previa impropia mencionada es como una apro1imacin al
caso donde

tienden a cero.
)dems de definir estimadores puntuales tambin se pueden definir intervalos de ba!esianos en un forma
anloga a los intervalos de confian/a. Supongamos que se quiere construir un intervalo ba!esiano del ( ) ($$ ( a
para la variable aleatoria . Da! que encontrar funciones ( ) x u ! ( ) x ! tales que
( ) ( ) [ ] ( )
( )
( )

( Pr d x g x ! x u
x !
x u
.
0l intervalo ( ) ( ) x ! x u es un intervalo ba!esiano del ( ) ($$ ( a. 0n general, no ha! un procedimiento
"nico para definir u(x) ! !(x)' _eneralmente, se define las funciones ( ) x u ! ( ) x ! tales que ha! una rea de 3 a
la i/quierda de ( ) x u ! de 3 a la derecha de ( ) x ! . .tra solucin ser6a buscar ( ) x u ! ( ) x ! para obtener el
intervalo ms corto.
E1*.p! 5.7. Sea
3N 3 (
,..., , X X X una muestra aleatoria de una distribucin de Poisson con parmetro .
Se hace un e1perimento en el cual se encuentra
K X
. se una previa no informativa para , ! luego obtenga un
intervalo ba!esiano del Q$ por ciento para .
0oluciJn' Se puede demostrar que si
i
X es Poisson con parmetro , entonces

n
i
i
X Y
(
es Poisson
con media n . 0n este caso, se puede traba7ar con la f.p. de la variable U en lugar de usar la f.p. con7unta de las
variables
i
X . Para nuestro e7emplo, Y es Poisson con media 3N . 0ntonces la f.p. de Poisson est dada por
( )
( )
.... 3 , ( , $ ,
[
3N
3N

y
y
e
y f
y

Se puede usar la previa impropia ( )


(
g . 0ntonces la densidad posterior es
( ) ( ) ( ) ( )( )


3N ( ( 3N
e e g y f y g
y y
.
Se puede ver que ( ) y g es una gamma con parmetros y ! 3N . 0ntonces se puede escribir
( )
( )
( )
$ ,
3N
3N (
>


e
y
y g
y
y
.
)hora, se puede obtener un intervalo ba!esiano por hacer una transformacin a una distribucin 7i*cuadrada. Si se
hace el cambio de variable 3 3N u ! se pone y r 3 , entonces se encuentra que N$ + es una variable
7i*cuadrada con y r 3 grados de libertad. 0l valor observado de ! es ($$. Por lo tanto, tiene 3$$ grados de
libertad. 4e la tabla de la distribucin 7i*cuadrada, se obtienen los valores criticos 3J . (5J
3
3$$ , $N . $
!
QQ . 322
3
3$$ , QN . $
. Por lo tanto,
( ) Q$ . $ QQ . 322 3J . (5J Pr + .
Leempla/ando por N$ ! diviendo entre N$, se obtiene el intervalo ba!esiano
5J . K 2T . 2 .
0ste resultado debe estar mu! cerca al que se obtiene escogiendo ! mu! pequeOos como $( . $ por
e7emplo.

5.3. La &*8a +* J*,,&*<


0n la seccin anterior, se menciono como se pod6a definir una funcin de densidad previa no informativa
para la distribucin de Poisson, pero no se defini una regla que se pod6a aplicar a cualquier distribucin. 0n sta
seccin, se define la regla de deffre! que fue desarrollada para ese mismo propsito.
Sea
n
X X X ,..., ,
3 (
una muestra aleatoria de una distribucin con f.d.p. (o f.p.) ( ) x f . +a funcin de
verosimilitud est dada por
( ) ( )

n
i
i
x f 1
(
.
Se define la medida de informacin de Iisher por
( )
( ) ( )
1
1
]
1

,
_

,
_


3
3
3
ln ln


1
,
1
, I
X X
n
.
Sea ( ) una funcin de . Seg"n la regla de deffre!, se puede definir una funcin de densidad no informativa para
( ) por elegir ( ) tal que
( ) ( ) ( ) ( )


d
d
f
d
d
I I g
3 ( 3 (
.
Para ms detalles sobre la regla de deffre!, vase Po1 ! -iao ((QT2).
E1*.p! 5.9. Sea X una variable aleatoria de una distribucin binomial con parmetros n ! p. 0ncuentre la
funcin de densidad previa de deffre! para p.
0oluciJn' +a f.p. binomial est dada por
( ) ( ) n x p p
x
n
p x f
x n x
,..., ( , $ F (

,
_


.
0ntonces
( ) ( ) ( ) p x n p x p x f + ( ln ln ln .
4erivando dos veces se obtiene
( )
p
x n
p
x
dp
p x f d


(
ln
,
( )
( )
3 3 3
3
(
ln
p
x n
p
x
dp
p x f d

.
)hora,
( )
( )
( ) ( ) p p
n
p
X n
p
X
,
dp
p X f d
, p I
p X

,
_

+
1
]
1


( (
ln
3 3 3
3
.
Por lo tanto, se puede definir ( ) p g como
( ) ( ) ( )
3 ( 3 ( 3 (
(

p p p I p g .
Se puede ver que ( ) p g es una densidad beta con parmetros 3 ( . 0ntonces
( )
( )
( ) ( )
( )
3 ( 3 (
(
3 ( 3 (
(

p p p g
.
Pero ( ) ( ( ! ( ) 3 ( . Por lo tanto, se puede escribir la densidad previa como
( ) ( ) ( $ , (
(
3 ( 3 (
< <

p p p p g

.
0sta es la f.d.p. arcseno.

E1*.p! 5.:. Sea


n
X X X ,..., ,
3 (
una muestra aleatoria de una distribucin de Poisson con parmetro .
se la previa de deffre! para obtener la densidad posterior de .
0oluciJn' +a funcin de verosimilitud est dada por
( ) ( )


n
i i
x n
i
i
x
e
x f 1
i
( (
[

.
0ntonces
( )

,
_


,
_

+


n
i
i
n
i
i
x x n 1
( (
[ ln ln ln .
4erivando dos veces, se obtiene
( )



+
n
i
i
x
n
d
1 d
(
ln
,
( )
3
(
3
3
ln




n
i
i
x
d
1 d
.
+a medida de la informacin de Iisher est dada por
( )


n
X
,
d
1 d
, I
n
i
i
X X
n

,
_

,
_




3
(
3
3
ln
.
Se sigue que la previa de deffre! est dada por
( )
3 ( 3 (

n
I g .
Se puede ver que ( ) g es una densidad impropia. )hora, la densidad posterior est dada por
( ) ( ) ( ) ( )( )


n x n x n n
e e g x f x f


3 ( 3 (
.
.bviamente, la densidad posterior es una gamma. 0ntonces la posterior puede escribirse como
( )
( )
( )
$ ,
3 (
( 3 (
3 (
>
+

+
+

n x n
x n
e
x n
n
x f
.

5.4. I),*&*)($a +* Ba<*% pa&a !% pa&A.*t&!% +* a +$%t&$'u($0) )!&.a


Sea
n
X X X ,..., ,
3 (
una muestra aleatoria de una distribucin normal con media

! varian/a
3

. Por
ahora, supondremos que
3

tiene un valor conocido.


+a funcin de log*verosimilitud est dada por
( )
( )
3
(
3
3
ln





n
i
i
x
1
.
Se sigue que
( )

n
i
i
x
1
(
ln

!
3 3
3
ln

n 1

.
Seg"n la regla de deffre!, la densidad previa de

es
( ) ( )
3 (
I g con2tante'
Ua que
( ) ( ) ( ) g x f x g
n
i
i

(
,
se sigue que
( ) ( ) [ ]



n
i
i
x x g
(
3 3
3 e1p .
Se puede demostrar que
( ) ( ) ( )
3
3
( (
3
+


x n x x x
n
i
n
i
i
.
Por lo tanto
( ) ( ) [ ]
3 3
3 e1p x n x g .
Se puede ver que la densidad posterior es una normal con media x ! varian/a n
3
.
E1*.p! 5.";. Sea
25 3 (
,..., , X X X una muestra aleatoria de una distribucin normal con media


desconocida ! varian/a
3N
3

. Si (N x , encuentre un intervalo ba!esiano del Q$a para

.
0oluciJn' Ua que 5KN . (
QN . $
# , se sigue que

,
_


5KN . ( 5KN . ( Pr Q$ . $
n
x

( ) n x n x 5KN . ( 5KN . ( Pr +
( ) ( ) [ ] 5 N 5KN . ( (N 5 N 5KN . ( (N Pr +
( ). 2T( . (5 53Q . (2 Pr
0ntonces, el intervalo ba!esiano del Q$ por ciento para

es [ ] 2T( . (5 , 53Q . (2

)hora, supongamos que se conoce el valor de

pero
3

tiene un valor desconocido. Para hacer


inferencia, es conveniente definir la precisin por
3

. +a funcin de verosimilitud de

est dada por


( )

,
_


3
e1p
3
3
n2
1
n
donde ( )


n
i
i
n x 2
(
3 3
. 0ntonces, la funcin de log*verosimilitud est dada por
( ) ( )
3
ln
3
ln
3
n2 n
1 .
Para encontrar la previa de deffre!. Da! que encontrar las primeras dos derivadas de la funcin de log*verosimilitud.
4erivando dos veces, se obtiene
( )
3 3
ln
3
n2 n
d
1 d

!
( )
3 3
3
3
ln

n
d
1 d
.
Por lo tanto
( )
( )
3 3 3
3
3 3
ln

n n
,
d
1 d
, I
X

,
_

,
_

.
0ntonces, seg"n la regla de deffre!
( ) ( )


(
3 (
I g .
)l aplicar la regla de Pa!es se obtiene la densidad posterior
( ) $ ,
3
e1p
3
3
3
( 3
3
3
3
>

,
_

,
_

,
_



n2
n
n2
2 g
n
n
.
Se puede hacer inferencia cerca del parmetro

usando las tablas de la distribucin 7i*cuadrada. Para hacer esto, se


puede definir la variable

3
n2 +
. Se puede demostrar que + sigue una distribucin 7i*cuadrada con n grados de
libertad. 0ntonces
( )




,
_

( Pr Pr
3
3
, 3 (
3
3
, 3 3
, 3 (
3
, 3
n2 n2
+
n n
n n
.
Por lo tanto, el intervalo ba!esiano del ( ) ($$ ( a est dado por
3
3
, 3 (
3
3
, 3
n2 n2
n n



.
E1*.p! 5."". Sea
3$ 3 (
,..., , X X X una muestra aleatoria de una distribucin normal con la media


conocida ! la varian/a
3

desconocida. Si ( ) K$
(
3 3

n
i
i
n x 2 , encuentre un intervalo ba!esiano del J$a
para
3

.
0oluciJn' 4e la tabla de la distribucin 7i*cuadrada, se obtienen KK2 . (3
3
3$ , ($ . $
! K(3 . 3J
3
3$ , Q$ . $
.
Se sigue que el intervalo ba!esiano del J$a est dado por
( ) ( )
$2NN . $
K$ 3$
K(3 . 3J
) K$ )( 3$ (
KK2 . (3
$(N5 . $ .

0n la ma!or6a de los casos, no se conoce ni la media ni la varian/a. Para hacer una


inferencia acerca del valor de la media con
3
desconocido, es necesario definir una distribucin
previa para los dos parmetros

!
3
. 9omo antes, es conveniente traba7ar con la precisin
3
en lugar de la varian/a.
+a funcin de verosimilitud de

est dada por


( ) ( )
( ) ( )
1
]
1

+

1
]
1


3
(
e1p
3
e1p ,
3 3
3
(
3 3
x n 2 n
x 1
n
n
i
i
n
donde ( ) ( )



n
i
i
n x x 2
(
3 3
( . sando la regla de deffre!, se obtiene
( ) ( ) ( ) ( ,
3 (
g g g .
)plicando la regla de Pa!es, se obtiene la siguiente densidad posterior<
( )
( ) ( )
1
]
1


3
(
e1p , ,
3 3
( 3 3
x n 2 n
I 2 x g
n
donde I es una constante. +a funcin de densidad marginal de est dada por
( )
( )
( ) [ ]
( )
( )
3
3
3
3
3
3
(
3
(
(
3 (
,
n
n
2 n
x n
2 n
I
2 x g

1
]
1


.
Se puede ver que
n 2
x -
(

sigue una distribucin t de Student con n*( grados de libertad. Por


lo tanto, se sigue que
( )
( )
( )
< <
1
]
1

,
_



,
_

,
_

,
(
(
3
(
3
(
3
(
,
3
3
3
3
n
2 n
x n
2
n
n
n
n
2 x g
.
0l intervalo ba!esiano del ( ) ($$ ( por ciento est dado por
( , 3 ( ( , 3 (



n n
t
n 2
x
t

donde
( , 3 ( n
t

es el valor critico de una distribucin t de Student con n*( grados de libertad.
-ambin, se puede hacer inferencia acerca del valor de

cuando

es desconocido. Ua
que
( )
( ) [ ]
( )
( )
( )
( ) [ ] $ , 3 ( e1p
3
3 (
,
3 ( 3 (
3
3
3 (
>

2 n
n
2 n
2 x g
n
n
,
se sigue que ( )
3
( 2 n + es una variable 7i*cuadrada con n*( grados de libertad. Por lo tanto
( ) ( )
3
3
( , 3 (
3
3
( , 3
( ( 2 n 2 n
n n



es un intervalo ba!esiano del ( ) ($$ ( para .
5.5. D$%t&$'u($!)*% +* p&*+$(($0)
) veces un investigador quiere definir un intervalo de prediccin para un valor del futuro.
Sea
n
X X X ,..., ,
3 (
una muestra aleatoria de la f.d.p. (o f.p.) f(xL), ! sea Y otra variable aleatoria
de la misma funcin de densidad. Si primero se observa la muestra
n
X X X ,..., ,
3 (
, se pueden usar
estas observaciones para estimar . Si la muestra es suficiente grande, se puede usar ( )
\
F
\
y f para
hacer inferencia con respecto a U donde
\
es el estimador de m1ima verosimilitud de . Para
muestras pequeOas, este procedimiento no es vlido.
Para e1plicar la metodolog6a, supondremos una distribucin de Poisson con parmetro
para la variable X' Si se usa una previa de deffre!, entonces la funcin de densidad posterior para
est dada por
( )
( )
$ , ,..., ,
3
(
3
(
3
(
3 (
>

% e
x
n
x x x f
n
x
i
x
n
i
i

.
Si se supone que Y es un valor del futuro que sigue una distribucin de Poisson con parmetro m,
entonces
( )

,... 3 , ( , $ F
[
y
y
e
y $
y

.
0n lugar de reempla/ar m por su estimador, se puede usar
( )
n
x x x f ,..., ,
3 (

como la
funcin de densidad previa para . 0sta funcin de densidad contiene toda la informacin de la
muestra aleatoria
n
X X X ,..., ,
3 (
. Se puede definir un intervalo de prediccin para U por
( ) ( ) ( ) d x x x f y $ x x x y $
n n

$
3 ( 3 (
,..., , ,..., ,
.
Para la distribucin de Poisson, se obtiene la funcin de probabilidad de prediccin
( )
( )

d e
x n
n
y
e
x x x y $
n
x n
x n
y
n

$ 3
(
3 (
3
(
3
(
[
,..., ,

( )
( )


d e
x n y
n
n
x n y
x n

+
+
+
+

$
(
3
(
3
(
3
(
[

( )
( )
( )

+
+ +
+
+
+ +
n
y nx
y nx
n
nx
y nx
(
3
(
3
(
3
(
3
(
[

( )
( )

,
_

,
_

+ +
+ +

+
..., 3 , ( , $ F
(
(
( [
3
(
3
(
3
(
y
n n
n
x n y
x n y
y x n
.
0sta funcin de probabilidad es una binomial negativa ! tiene media
( )
n
n
i
i
x
n
x
Y ,
3
(
3
(
(
+
+

! varian/a
( )
( ) ( )
( ) ( )
)ar Y
n nx
n
x
n n

+ +
+ +
(
(
(
3
3
( (
3
.
Se puede ver que para n grande ( ) ( ) x Y )ar Y , . -ambin para n grande,
( )
( )
( ) ( )
y y
x n x n
x n
x n y
+
+
+ +
3
(
3
(
3
(
,
( )
x x n
n
x n
e
n
n

+

,
_

+
(
(
(
,
y y
n n

,
_

,
_

+
(
(
(
.
Por lo tanto, para n grande
( )

,... 3 , ( , $ F
[
,..., ,
3 (
y
y
x e
x x x y $
y x
n
.
0ntonces para n grande, se puede usar la distribucin de Poisson con media
x
para definir un
intervalo de prediccin para Y.
E1*.p! 5."2. 9onstruir un intervalo de prediccin del Q$a para el n"mero de llamadas
en la pr1ima hora dado que se observaron 5$ llamadas en las J horas anteriores.
0oluciJn' +a funcin de probabilidad de prediccin est dada por
( )
( )
( )
( ) ( )

+
,... 3 , ( , $ F
N . 5$ [
N . 5$
,..., ,
Q
(
N . 5$
Q
J
3 (
y
y
y
x x x y $
y
n
.
Primero se calcula
( ) ( ) $$$J . $ ,..., , $
N . 5$
Q
J
J 3 (
x x x $ ,
! luego se calcula
( ) ( ) ( )
+
+
+ ,..., 3 , ( , $ F
(
N . 5$
,..., , (
Q
(
J 3 (
y y $
y
y
x x x y $
.
Se muestran los clculos en la tabla N.(. 0n esa tabla,
( )
J (
,.., x x y $
,
( )
J (
,.., x x y M
,
( ) x y f
, !
( ) x y F

son la funcin de probabilidad de prediccin, la distribucin de prediccin, la funcin de
probabilidad de Poisson, ! la distribucin de Poisson respectivamente. Se puede ver que la
distribucin de Poisson hace una buena apro1imacin a la densidad de prediccin para este
e7emplo.
+os valores de la tabla N.( fueron redondeados a 2 decimales. Por lo tanto, aparecen errores
de redondeo en las sumas.
Se puede ver que [ ] JTJ . $ (3 K Pr Y . 0ntonces [ ] (3 , K representa un intervalo de
prediccin del JJa para Y. +os intervalos [ ] (3 , 2 ! [ ] (2 , K representan intervalos de prediccin del
Q3a ! Q$.2a respectivamente. 0l intervalo [ ] (2 , K es el intervalo ms corto que cubre por lo
menos Q$a de la distribucin.
-abla N.(< 4ensidad de prediccin
!
( )
$ y x x
( J
, .. ,
( )
M y x x
( J
, .. , ( )
f y x
( )
F y x
$ $.$$( $.$$( $.$$( $.$$(
( $.$$N $.$$5 $.$$K $.$$N
3 $.$(J $.$3N $.$(5 $.$3$
2 $.$K2 $.$5T $.$2Q $.$NQ
K $.$TN $.(K2 $.$T2 $.(23
N $.($J $.3N( $.($Q $.3K(
5 $.(2( $.2J3 $.(2T $.2TJ
T $.(2J $.N3$ $.(K5 $.N3N
J $.(2$ $.5N$ $.(2T $.553
Q $.(($ $.T5$ $.((K $.TT5
($ $.$JN $.JKN $.$J5 $.J53
(( $.$5$ $.Q$N $.$NQ $.Q3(
(3 $.$K$ $.QKN $.$2T $.QNT
(2 $.$3N $.QT$ $.$3( $.QTJ
(K $.$(K $.QJK $.$(( $.QQ$
(N $.$$J $.QQ3 $.$$5 $.QQN
(5 $.$$K $.QQ5 $.$$2 $.QQJ
(T $.$$3 $.QQJ $.$$( $.QQQ
(J $.$$( $.QQQ $.$$$ (.$$$
(Q $.$$$ (.$$$ $.$$$ (.$$$


Ap/)+$(* A# D$%t&$'u($0) )!&.a *%tA)+a&. Fa!&*% +* Z G >H @ ?I.
P>Z =
"@
?
z
0.00 0.01 0.02 0.03 0.04 0.05 0.06 0.07 0.08 0.09
0.00 0.50000 0.50399 0.50798 0.51197 0.51595 0.51994 0.52392 0.52790 0.53188 0.53586
0.10 0.53983 0.54380 0.54776 0.55172 0.55567 0.55962 0.56356 0.56749 0.57142 0.57535
0.20 0.57926 0.58317 0.58706 0.59095 0.59483 0.59871 0.60257 0.60642 0.61026 0.61409
0.30 0.61791 0.62172 0.62552 0.62930 0.63307 0.63683 0.64058 0.64431 0.64803 0.65173
0.40 0.65542 0.65910 0.66276 0.66640 0.67003 0.67364 0.67724 0.68082 0.68439 0.68793
0.50 0.69146 0.69497 0.69847 0.70194 0.70540 0.70884 0.71226 0.71566 0.71904 0.72240
0.60 0.72575 0.72907 0.73237 0.73565 0.73891 0.74215 0.74537 0.74857 0.75175 0.75490
0.70 0.75804 0.76115 0.76424 0.76730 0.77035 0.77337 0.77637 0.77935 0.78230 0.78524
0.80 0.78814 0.79103 0.79389 0.79673 0.79955 0.80234 0.80511 0.80785 0.81057 0.81327
0.90 0.81594 0.81859 0.82121 0.82381 0.82639 0.82894 0.83147 0.83398 0.83646 0.83891
1.00 0.84134 0.84375 0.84614 0.84849 0.85083 0.85314 0.85543 0.85769 0.85993 0.86214
1.10 0.86433 0.86650 0.86864 0.87076 0.87286 0.87493 0.87698 0.87900 0.88100 0.88298
1.20 0.88493 0.88686 0.88877 0.89065 0.89251 0.89435 0.89617 0.89796 0.89973 0.90147
1.30 0.90320 0.90490 0.90658 0.90824 0.90988 0.91149 0.91308 0.91466 0.91621 0.91774
1.40 0.91924 0.92073 0.92220 0.92364 0.92507 0.92647 0.92785 0.92922 0.93056 0.93189
1.50 0.93319 0.93448 0.93574 0.93699 0.93822 0.93943 0.94062 0.94179 0.94295 0.94408
1.60 0.94520 0.94630 0.94738 0.94845 0.94950 0.95053 0.95154 0.95254 0.95352 0.95449
1.70 0.95543 0.95637 0.95728 0.95818 0.95907 0.95994 0.96080 0.96164 0.96246 0.96327
1.80 0.96407 0.96485 0.96562 0.96638 0.96712 0.96784 0.96856 0.96926 0.96995 0.97062
1.90 0.97128 0.97193 0.97257 0.97320 0.97381 0.97441 0.97500 0.97558 0.97615 0.97670
2.00 0.97725 0.97778 0.97831 0.97882 0.97932 0.97982 0.98030 0.98077 0.98124 0.98169
2.10 0.98214 0.98257 0.98300 0.98341 0.98382 0.98422 0.98461 0.98500 0.98537 0.98574
2.20 0.98610 0.98645 0.98679 0.98713 0.98745 0.98778 0.98809 0.98840 0.98870 0.98899
2.30 0.98928 0.98956 0.98983 0.99010 0.99036 0.99061 0.99086 0.99111 0.99134 0.99158
2.40 0.99180 0.99202 0.99224 0.99245 0.99266 0.99286 0.99305 0.99324 0.99343 0.99361
2.50 0.99379 0.99396 0.99413 0.99430 0.99446 0.99461 0.99477 0.99492 0.99506 0.99520
2.60 0.99534 0.99547 0.99560 0.99573 0.99585 0.99598 0.99609 0.99621 0.99632 0.99643
2.70 0.99653 0.99664 0.99674 0.99683 0.99693 0.99702 0.99711 0.99720 0.99728 0.99736
2.80 0.99744 0.99752 0.99760 0.99767 0.99774 0.99781 0.99788 0.99795 0.99801 0.99807
2.90 0.99813 0.99819 0.99825 0.99831 0.99836 0.99841 0.99846 0.99851 0.99856 0.99861
3.00 0.99865 0.99869 0.99874 0.99878 0.99882 0.99886 0.99889 0.99893 0.99896 0.99900
3.10 0.99903 0.99906 0.99910 0.99913 0.99916 0.99918 0.99921 0.99924 0.99926 0.99929
3.20 0.99931 0.99934 0.99936 0.99938 0.99940 0.99942 0.99944 0.99946 0.99948 0.99950
3.30 0.99952 0.99953 0.99955 0.99957 0.99958 0.99960 0.99961 0.99962 0.99964 0.99965
3.40 0.99966 0.99968 0.99969 0.99970 0.99971 0.99972 0.99973 0.99974 0.99975 0.99976
3.50 0.99977 0.99978 0.99978 0.99979 0.99980 0.99981 0.99981 0.99982 0.99983 0.99983
3.60 0.99984 0.99985 0.99985 0.99986 0.99986 0.99987 0.99987 0.99988 0.99988 0.99989
3.70 0.99989 0.99990 0.99990 0.99990 0.99991 0.99991 0.99992 0.99992 0.99992 0.99992
3.80 0.99993 0.99993 0.99993 0.99994 0.99994 0.99994 0.99994 0.99995 0.99995 0.99995
3.90 0.99995 0.99995 0.99996 0.99996 0.99996 0.99996 0.99996 0.99996 0.99997 0.99997
Ap/)+$(* B# Fa!&*% +* (ua)t$*% +* a +$%t&$'u($0) t +* Stu+*)t
t0.6 t0.7 t0.8 t0.85 t0.9 t0.95 t0.975 t0.99 t0.995
1 0.3249 0.7265 1.3764 1.9626 3.0777 6.3137 12.7062 31.8210 63.6559
2 0.2887 0.6172 1.0607 1.3862 1.8856 2.9200 4.3027 6.9645 9.9250
3 0.2767 0.5844 0.9785 1.2498 1.6377 2.3534 3.1824 4.5407 5.8408
4 0.2707 0.5686 0.9410 1.1896 1.5332 2.1318 2.7765 3.7469 4.6041
5 0.2672 0.5594 0.9195 1.1558 1.4759 2.0150 2.5706 3.3649 4.0321
6 0.2648 0.5534 0.9057 1.1342 1.4398 1.9432 2.4469 3.1427 3.7074
7 0.2632 0.5491 0.8960 1.1192 1.4149 1.8946 2.3646 2.9979 3.4995
8 0.2619 0.5459 0.8889 1.1081 1.3968 1.8595 2.3060 2.8965 3.3554
9 0.2610 0.5435 0.8834 1.0997 1.3830 1.8331 2.2622 2.8214 3.2498
10 0.2602 0.5415 0.8791 1.0931 1.3722 1.8125 2.2281 2.7638 3.1693
11 0.2596 0.5399 0.8755 1.0877 1.3634 1.7959 2.2010 2.7181 3.1058
12 0.2590 0.5386 0.8726 1.0832 1.3562 1.7823 2.1788 2.6810 3.0545
13 0.2586 0.5375 0.8702 1.0795 1.3502 1.7709 2.1604 2.6503 3.0123
14 0.2582 0.5366 0.8681 1.0763 1.3450 1.7613 2.1448 2.6245 2.9768
15 0.2579 0.5357 0.8662 1.0735 1.3406 1.7531 2.1315 2.6025 2.9467
16 0.2576 0.5350 0.8647 1.0711 1.3368 1.7459 2.1199 2.5835 2.9208
17 0.2573 0.5344 0.8633 1.0690 1.3334 1.7396 2.1098 2.5669 2.8982
18 0.2571 0.5338 0.8620 1.0672 1.3304 1.7341 2.1009 2.5524 2.8784
19 0.2569 0.5333 0.8610 1.0655 1.3277 1.7291 2.0930 2.5395 2.8609
20 0.2567 0.5329 0.8600 1.0640 1.3253 1.7247 2.0860 2.5280 2.8453
21 0.2566 0.5325 0.8591 1.0627 1.3232 1.7207 2.0796 2.5176 2.8314
22 0.2564 0.5321 0.8583 1.0614 1.3212 1.7171 2.0739 2.5083 2.8188
23 0.2563 0.5317 0.8575 1.0603 1.3195 1.7139 2.0687 2.4999 2.8073
24 0.2562 0.5314 0.8569 1.0593 1.3178 1.7109 2.0639 2.4922 2.7970
25 0.2561 0.5312 0.8562 1.0584 1.3163 1.7081 2.0595 2.4851 2.7874
26 0.2560 0.5309 0.8557 1.0575 1.3150 1.7056 2.0555 2.4786 2.7787
27 0.2559 0.5306 0.8551 1.0567 1.3137 1.7033 2.0518 2.4727 2.7707
28 0.2558 0.5304 0.8546 1.0560 1.3125 1.7011 2.0484 2.4671 2.7633
29 0.2557 0.5302 0.8542 1.0553 1.3114 1.6991 2.0452 2.4620 2.7564
30 0.2556 0.5300 0.8538 1.0547 1.3104 1.6973 2.0423 2.4573 2.7500
40 0.2550 0.5286 0.8507 1.0500 1.3031 1.6839 2.0211 2.4233 2.7045
50 0.2547 0.5278 0.8489 1.0473 1.2987 1.6759 2.0086 2.4033 2.6778
60 0.2545 0.5272 0.8477 1.0455 1.2958 1.6706 2.0003 2.3901 2.6603
70 0.2543 0.5268 0.8468 1.0442 1.2938 1.6669 1.9944 2.3808 2.6479
80 0.2542 0.5265 0.8461 1.0432 1.2922 1.6641 1.9901 2.3739 2.6387
90 0.2541 0.5263 0.8456 1.0424 1.2910 1.6620 1.9867 2.3685 2.6316
100 0.2540 0.5261 0.8452 1.0418 1.2901 1.6602 1.9840 2.3642 2.6259
150 0.2538 0.5255 0.8440 1.0400 1.2872 1.6551 1.9759 2.3515 2.6090
200 0.2537 0.5252 0.8434 1.0391 1.2858 1.6525 1.9719 2.3451 2.6006
250 0.2536 0.5251 0.8431 1.0386 1.2849 1.6510 1.9695 2.3414 2.5956
300 0.2536 0.5250 0.8428 1.0382 1.2844 1.6499 1.9679 2.3388 2.5923
350 0.2535 0.5249 0.8426 1.0380 1.2840 1.6492 1.9668 2.3370 2.5899
400 0.2535 0.5248 0.8425 1.0378 1.2837 1.6487 1.9659 2.3357 2.5882
Ap/)+$(* C# Fa!&*% +* (ua)t$*% +* a +$%t&$'u($0) 1$@(ua+&a+a
x0.005 x0.010 x0.025 x0.050 x0.100 x0.200 x0.300 x0.400 x0.500
1 0.0000 0.0002 0.0010 0.0039 0.0158 0.0642 0.1485 0.2750 0.4549
2 0.0100 0.0201 0.0506 0.1026 0.2107 0.4463 0.7133 1.0217 1.3863
3 0.0717 0.1148 0.2158 0.3518 0.5844 1.0052 1.4237 1.8692 2.3660
4 0.2070 0.2971 0.4844 0.7107 1.0636 1.6488 2.1947 2.7528 3.3567
5 0.4118 0.5543 0.8312 1.1455 1.6103 2.3425 2.9999 3.6555 4.3515
6 0.6757 0.8721 1.2373 1.6354 2.2041 3.0701 3.8276 4.5702 5.3481
7 0.9893 1.2390 1.6899 2.1673 2.8331 3.8223 4.6713 5.4932 6.3458
8 1.3444 1.6465 2.1797 2.7326 3.4895 4.5936 5.5274 6.4226 7.3441
9 1.7349 2.0879 2.7004 3.3251 4.1682 5.3801 6.3933 7.3570 8.3428
10 2.1558 2.5582 3.2470 3.9403 4.8652 6.1791 7.2672 8.2955 9.3418
11 2.6032 3.0535 3.8157 4.5748 5.5778 6.9887 8.1479 9.2373 10.3410
12 3.0738 3.5706 4.4038 5.2260 6.3038 7.8073 9.0343 10.1820 11.3403
13 3.5650 4.1069 5.0087 5.8919 7.0415 8.6339 9.9257 11.1291 12.3398
14 4.0747 4.6604 5.6287 6.5706 7.7895 9.4673 10.8215 12.0785 13.3393
15 4.6009 5.2294 6.2621 7.2609 8.5468 10.3070 11.7212 13.0298 14.3389
16 5.1422 5.8122 6.9077 7.9616 9.3122 11.1521 12.6243 13.9827 15.3385
17 5.6973 6.4077 7.5642 8.6718 10.0852 12.0023 13.5307 14.9373 16.3382
18 6.2648 7.0149 8.2307 9.3904 10.8649 12.8570 14.4399 15.8932 17.3379
19 6.8439 7.6327 8.9065 10.1170 11.6509 13.7158 15.3517 16.8504 18.3376
20 7.4338 8.2604 9.5908 10.8508 12.4426 14.5784 16.2659 17.8088 19.3374
21 8.0336 8.8972 10.2829 11.5913 13.2396 15.4446 17.1823 18.7683 20.3372
22 8.6427 9.5425 10.9823 12.3380 14.0415 16.3140 18.1007 19.7288 21.3370
23 9.2604 10.1957 11.6885 13.0905 14.8480 17.1865 19.0211 20.6902 22.3369
24 9.8862 10.8563 12.4011 13.8484 15.6587 18.0618 19.9432 21.6525 23.3367
25 10.5196 11.5240 13.1197 14.6114 16.4734 18.9397 20.8670 22.6156 24.3366
26 11.1602 12.1982 13.8439 15.3792 17.2919 19.8202 21.7924 23.5794 25.3365
27 11.8077 12.8785 14.5734 16.1514 18.1139 20.7030 22.7192 24.5440 26.3363
28 12.4613 13.5647 15.3079 16.9279 18.9392 21.5880 23.6475 25.5092 27.3362
29 13.1211 14.2564 16.0471 17.7084 19.7677 22.4751 24.5770 26.4751 28.3361
30 13.7867 14.9535 16.7908 18.4927 20.5992 23.3641 25.5078 27.4416 29.3360
40 20.7066 22.1642 24.4331 26.5093 29.0505 32.3449 34.8719 37.1340 39.3353
50 27.9908 29.7067 32.3574 34.7642 37.6886 41.4492 44.3133 46.8638 49.3349
60 35.5344 37.4848 40.4817 43.1880 46.4589 50.6406 53.8091 56.6200 59.3347
70 43.2753 45.4417 48.7575 51.7393 55.3289 59.8978 63.3460 66.3961 69.3345
80 51.1719 53.5400 57.1532 60.3915 64.2778 69.2070 72.9153 76.1879 79.3343
90 59.1963 61.7540 65.6466 69.1260 73.2911 78.5584 82.5111 85.9925 89.3342
100 67.3275 70.0650 74.2219 77.9294 82.3581 87.9453 92.1290 95.8078 99.3341
150 109.142 112.668 117.984 122.692 128.275 135.262 140.457 145.000 149.334
200 152.241 156.432 162.728 168.278 174.835 183.003 189.049 194.319 199.334
250 196.160 200.939 208.098 214.391 221.806 231.013 237.808 243.720 249.334
300 240.663 245.973 253.912 260.878 269.068 279.214 286.688 293.179 299.334
350 285.608 291.406 300.064 307.648 316.550 327.561 335.657 342.681 349.334
400 330.903 337.155 346.482 354.641 364.207 376.022 384.698 392.217 399.334
Ap/)+$(* C# Fa!&*% +* (ua)t$*% +* a +$%t&$'u($0) 1$@(ua+&a+a
x0.600 x0.700 x0.800 x0.850 x0.900 x0.950 x0.975 x0.990 x0.995
1 0.7083 1.0742 1.6424 2.0722 2.7055 3.8415 5.0239 6.6349 7.8794
2 1.8326 2.4079 3.2189 3.7942 4.6052 5.9915 7.3778 9.2104 10.5965
3 2.9462 3.6649 4.6416 5.3170 6.2514 7.8147 9.3484 11.3449 12.8381
4 4.0446 4.8784 5.9886 6.7449 7.7794 9.4877 11.1433 13.2767 14.8602
5 5.1319 6.0644 7.2893 8.1152 9.2363 11.0705 12.8325 15.0863 16.7496
6 6.2108 7.2311 8.5581 9.4461 10.6446 12.5916 14.4494 16.8119 18.5475
7 7.2832 8.3834 9.8032 10.7479 12.0170 14.0671 16.0128 18.4753 20.2777
8 8.3505 9.5245 11.0301 12.0271 13.3616 15.5073 17.5345 20.0902 21.9549
9 9.4136 10.6564 12.2421 13.2880 14.6837 16.9190 19.0228 21.6660 23.5893
10 10.4732 11.7807 13.4420 14.5339 15.9872 18.3070 20.4832 23.2093 25.1881
11 11.5298 12.8987 14.6314 15.7671 17.2750 19.6752 21.9200 24.7250 26.7569
12 12.5838 14.0111 15.8120 16.9893 18.5493 21.0261 23.3367 26.2170 28.2997
13 13.6356 15.1187 16.9848 18.2020 19.8119 22.3620 24.7356 27.6882 29.8193
14 14.6853 16.2221 18.1508 19.4062 21.0641 23.6848 26.1189 29.1412 31.3194
15 15.7332 17.3217 19.3107 20.6030 22.3071 24.9958 27.4884 30.5780 32.8015
16 16.7795 18.4179 20.4651 21.7931 23.5418 26.2962 28.8453 31.9999 34.2671
17 17.8244 19.5110 21.6146 22.9770 24.7690 27.5871 30.1910 33.4087 35.7184
18 18.8679 20.6014 22.7595 24.1555 25.9894 28.8693 31.5264 34.8052 37.1564
19 19.9102 21.6891 23.9004 25.3289 27.2036 30.1435 32.8523 36.1908 38.5821
20 20.9514 22.7745 25.0375 26.4976 28.4120 31.4104 34.1696 37.5663 39.9969
21 21.9915 23.8578 26.1711 27.6620 29.6151 32.6706 35.4789 38.9322 41.4009
22 23.0307 24.9390 27.3015 28.8224 30.8133 33.9245 36.7807 40.2894 42.7957
23 24.0689 26.0184 28.4288 29.9792 32.0069 35.1725 38.0756 41.6383 44.1814
24 25.1064 27.0960 29.5533 31.1325 33.1962 36.4150 39.3641 42.9798 45.5584
25 26.1430 28.1719 30.6752 32.2825 34.3816 37.6525 40.6465 44.3140 46.9280
26 27.1789 29.2463 31.7946 33.4295 35.5632 38.8851 41.9231 45.6416 48.2898
27 28.2141 30.3193 32.9117 34.5736 36.7412 40.1133 43.1945 46.9628 49.6450
28 29.2486 31.3909 34.0266 35.7150 37.9159 41.3372 44.4608 48.2782 50.9936
29 30.2825 32.4612 35.1394 36.8538 39.0875 42.5569 45.7223 49.5878 52.3355
30 31.3159 33.5302 36.2502 37.9902 40.2560 43.7730 46.9792 50.8922 53.6719
40 41.6222 44.1649 47.2685 49.2438 51.8050 55.7585 59.3417 63.6908 66.7660
50 51.8916 54.7228 58.1638 60.3460 63.1671 67.5048 71.4202 76.1538 79.4898
60 62.1348 65.2265 68.9721 71.3411 74.3970 79.0820 83.2977 88.3794 91.9518
70 72.3583 75.6893 79.7147 82.2553 85.5270 90.5313 95.0231 100.425 104.215
80 82.5663 86.1197 90.4053 93.1058 96.5782 101.879 106.628 112.329 116.321
90 92.7614 96.5238 101.054 103.904 107.565 113.145 118.136 124.116 128.299
100 102.946 106.906 111.667 114.659 118.498 124.342 129.561 135.807 140.170
150 153.753 158.577 164.349 167.962 172.581 179.581 185.800 193.207 198.360
200 204.434 209.985 216.609 220.744 226.021 233.994 241.058 249.445 255.264
250 255.033 261.225 268.599 273.194 279.050 287.881 295.688 304.939 311.346
300 305.574 312.346 320.397 325.409 331.788 341.395 349.874 359.906 366.844
350 356.072 363.376 372.051 377.445 384.306 394.626 403.723 414.474 421.901
400 406.535 414.335 423.590 429.340 436.649 447.632 457.306 468.724 476.607
Ap/)+$(* D# Fa!&*% +* (ua)t$*% +* a +$%t&$'u($0) F
" @ G ;.:;
2#1
1 2 3 4 5 6 7 8 9
1 39.8636 49.5002 53.5933 55.8330 57.2400 58.2045 58.9062 59.4391 59.8575
2 8.5263 9.0000 9.1618 9.2434 9.2926 9.3255 9.3491 9.3668 9.3805
3 5.5383 5.4624 5.3908 5.3427 5.3091 5.2847 5.2662 5.2517 5.2400
4 4.5448 4.3246 4.1909 4.1072 4.0506 4.0097 3.9790 3.9549 3.9357
5 4.0604 3.7797 3.6195 3.5202 3.4530 3.4045 3.3679 3.3393 3.3163
6 3.7760 3.4633 3.2888 3.1808 3.1075 3.0546 3.0145 2.9830 2.9577
7 3.5894 3.2574 3.0741 2.9605 2.8833 2.8274 2.7849 2.7516 2.7247
8 3.4579 3.1131 2.9238 2.8064 2.7264 2.6683 2.6241 2.5893 2.5612
9 3.3603 3.0064 2.8129 2.6927 2.6106 2.5509 2.5053 2.4694 2.4403
10 3.2850 2.9245 2.7277 2.6053 2.5216 2.4606 2.4140 2.3771 2.3473
11 3.2252 2.8595 2.6602 2.5362 2.4512 2.3891 2.3416 2.3040 2.2735
12 3.1766 2.8068 2.6055 2.4801 2.3940 2.3310 2.2828 2.2446 2.2135
13 3.1362 2.7632 2.5603 2.4337 2.3467 2.2830 2.2341 2.1953 2.1638
14 3.1022 2.7265 2.5222 2.3947 2.3069 2.2426 2.1931 2.1539 2.1220
15 3.0732 2.6952 2.4898 2.3614 2.2730 2.2081 2.1582 2.1185 2.0862
16 3.0481 2.6682 2.4618 2.3327 2.2438 2.1783 2.1280 2.0880 2.0553
17 3.0262 2.6446 2.4374 2.3077 2.2183 2.1524 2.1017 2.0613 2.0284
18 3.0070 2.6239 2.4160 2.2858 2.1958 2.1296 2.0785 2.0379 2.0047
19 2.9899 2.6056 2.3970 2.2663 2.1760 2.1094 2.0580 2.0171 1.9836
20 2.9747 2.5893 2.3801 2.2489 2.1582 2.0913 2.0397 1.9985 1.9649
21 2.9610 2.5746 2.3649 2.2333 2.1423 2.0751 2.0233 1.9819 1.9480
22 2.9486 2.5613 2.3512 2.2193 2.1279 2.0605 2.0084 1.9668 1.9327
23 2.9374 2.5493 2.3387 2.2065 2.1149 2.0472 1.9949 1.9531 1.9189
24 2.9271 2.5383 2.3274 2.1949 2.1030 2.0351 1.9826 1.9407 1.9063
25 2.9177 2.5283 2.3170 2.1842 2.0922 2.0241 1.9714 1.9292 1.8947
26 2.9091 2.5191 2.3075 2.1745 2.0822 2.0139 1.9610 1.9188 1.8841
27 2.9012 2.5106 2.2987 2.1655 2.0730 2.0045 1.9515 1.9091 1.8743
28 2.8938 2.5028 2.2906 2.1571 2.0645 1.9959 1.9427 1.9001 1.8652
29 2.8870 2.4955 2.2831 2.1494 2.0566 1.9878 1.9345 1.8918 1.8568
30 2.8807 2.4887 2.2761 2.1422 2.0492 1.9803 1.9269 1.8841 1.8490
40 2.8353 2.4404 2.2261 2.0909 1.9968 1.9269 1.8725 1.8289 1.7929
50 2.8087 2.4120 2.1967 2.0608 1.9660 1.8954 1.8405 1.7963 1.7598
60 2.7911 2.3933 2.1774 2.0410 1.9457 1.8747 1.8194 1.7748 1.7380
70 2.7786 2.3800 2.1637 2.0269 1.9313 1.8600 1.8044 1.7596 1.7225
80 2.7693 2.3702 2.1535 2.0165 1.9206 1.8491 1.7933 1.7483 1.7110
90 2.7621 2.3625 2.1457 2.0084 1.9123 1.8406 1.7846 1.7395 1.7021
100 2.7564 2.3564 2.1394 2.0019 1.9057 1.8339 1.7778 1.7324 1.6949
200 2.7308 2.3293 2.1114 1.9732 1.8763 1.8038 1.7470 1.7011 1.6630
300 2.7223 2.3203 2.1021 1.9637 1.8666 1.7938 1.7369 1.6908 1.6525
400 2.7181 2.3159 2.0975 1.9590 1.8617 1.7889 1.7318 1.6856 1.6472
600 2.7139 2.3114 2.0929 1.9543 1.8569 1.7840 1.7268 1.6805 1.6420
800 2.7118 2.3092 2.0906 1.9519 1.8545 1.7815 1.7243 1.6779 1.6394
1000 2.7106 2.3079 2.0893 1.9505 1.8530 1.7800 1.7227 1.6764 1.6378
Ap/)+$(* D# Fa!&*% +* (ua)t$*% +* a +$%t&$'u($0) F
" @ G ;.:;
2#1
10 11 12 15 20 30 50 100 500
1 60.1949 60.4728 60.7051 61.2204 61.7401 62.2649 62.6878 63.0071 63.2635
2 9.3916 9.4006 9.4082 9.4247 9.4413 9.4579 9.4713 9.4813 9.4892
3 5.2304 5.2224 5.2156 5.2003 5.1845 5.1681 5.1546 5.1443 5.1358
4 3.9199 3.9067 3.8955 3.8704 3.8443 3.8174 3.7952 3.7782 3.7642
5 3.2974 3.2816 3.2682 3.2380 3.2067 3.1741 3.1471 3.1263 3.1093
6 2.9369 2.9195 2.9047 2.8712 2.8363 2.8000 2.7697 2.7463 2.7270
7 2.7025 2.6839 2.6681 2.6322 2.5947 2.5555 2.5226 2.4971 2.4761
8 2.5380 2.5186 2.5020 2.4642 2.4246 2.3830 2.3481 2.3208 2.2983
9 2.4163 2.3961 2.3789 2.3396 2.2983 2.2547 2.2180 2.1892 2.1653
10 2.3226 2.3018 2.2841 2.2435 2.2007 2.1554 2.1171 2.0869 2.0618
11 2.2482 2.2269 2.2087 2.1671 2.1230 2.0762 2.0364 2.0050 1.9788
12 2.1878 2.1660 2.1474 2.1049 2.0597 2.0115 1.9704 1.9379 1.9106
13 2.1376 2.1155 2.0966 2.0532 2.0070 1.9576 1.9153 1.8817 1.8535
14 2.0954 2.0730 2.0537 2.0095 1.9625 1.9119 1.8686 1.8340 1.8048
15 2.0593 2.0366 2.0171 1.9722 1.9243 1.8728 1.8284 1.7929 1.7628
16 2.0281 2.0051 1.9854 1.9399 1.8913 1.8388 1.7934 1.7570 1.7262
17 2.0009 1.9777 1.9577 1.9117 1.8624 1.8090 1.7628 1.7255 1.6939
18 1.9770 1.9535 1.9333 1.8868 1.8368 1.7827 1.7356 1.6976 1.6651
19 1.9557 1.9321 1.9117 1.8647 1.8142 1.7592 1.7114 1.6726 1.6394
20 1.9367 1.9129 1.8924 1.8449 1.7938 1.7382 1.6896 1.6501 1.6162
21 1.9197 1.8956 1.8750 1.8271 1.7756 1.7193 1.6700 1.6298 1.5952
22 1.9043 1.8801 1.8593 1.8111 1.7590 1.7021 1.6521 1.6113 1.5760
23 1.8903 1.8659 1.8450 1.7964 1.7439 1.6864 1.6358 1.5944 1.5585
24 1.8775 1.8530 1.8319 1.7831 1.7302 1.6721 1.6209 1.5788 1.5423
25 1.8658 1.8412 1.8200 1.7708 1.7175 1.6589 1.6072 1.5645 1.5274
26 1.8550 1.8303 1.8090 1.7596 1.7059 1.6468 1.5945 1.5513 1.5136
27 1.8451 1.8203 1.7989 1.7492 1.6951 1.6356 1.5827 1.5390 1.5007
28 1.8359 1.8110 1.7895 1.7395 1.6852 1.6252 1.5718 1.5276 1.4887
29 1.8274 1.8024 1.7808 1.7306 1.6759 1.6155 1.5617 1.5169 1.4775
30 1.8195 1.7944 1.7727 1.7223 1.6673 1.6065 1.5522 1.5069 1.4670
40 1.7627 1.7369 1.7146 1.6624 1.6052 1.5411 1.4830 1.4336 1.3890
50 1.7291 1.7029 1.6802 1.6269 1.5681 1.5018 1.4409 1.3885 1.3400
60 1.7070 1.6805 1.6574 1.6034 1.5435 1.4755 1.4126 1.3576 1.3060
70 1.6913 1.6645 1.6413 1.5866 1.5259 1.4567 1.3922 1.3352 1.2807
80 1.6796 1.6526 1.6292 1.5741 1.5128 1.4426 1.3767 1.3180 1.2611
90 1.6705 1.6434 1.6199 1.5644 1.5025 1.4315 1.3646 1.3044 1.2453
100 1.6632 1.6360 1.6124 1.5566 1.4943 1.4227 1.3548 1.2934 1.2324
200 1.6308 1.6031 1.5789 1.5218 1.4575 1.3826 1.3100 1.2418 1.1683
300 1.6201 1.5922 1.5679 1.5102 1.4452 1.3691 1.2947 1.2236 1.1435
400 1.6147 1.5867 1.5623 1.5045 1.4391 1.3623 1.2870 1.2143 1.1301
600 1.6094 1.5813 1.5568 1.4987 1.4329 1.3555 1.2792 1.2047 1.1156
800 1.6067 1.5786 1.5540 1.4958 1.4298 1.3521 1.2752 1.1999 1.1079
1000 1.6051 1.5770 1.5524 1.4941 1.4280 1.3501 1.2729 1.1969 1.1031
Ap/)+$(* D# Fa!&*% +* (ua)t$*% +* a +$%t&$'u($0) F
" @ G ;.:5
2#1
1 2 3 4 5 6 7 8 9
1 161.446 199.499 215.707 224.583 230.160 233.987 236.767 238.884 240.543
2 18.5128 19.0000 19.1642 19.2467 19.2963 19.3295 19.3531 19.3709 19.3847
3 10.1280 9.5521 9.2766 9.1172 9.0134 8.9407 8.8867 8.8452 8.8123
4 7.7086 6.9443 6.5914 6.3882 6.2561 6.1631 6.0942 6.0410 5.9988
5 6.6079 5.7861 5.4094 5.1922 5.0503 4.9503 4.8759 4.8183 4.7725
6 5.9874 5.1432 4.7571 4.5337 4.3874 4.2839 4.2067 4.1468 4.0990
7 5.5915 4.7374 4.3468 4.1203 3.9715 3.8660 3.7871 3.7257 3.6767
8 5.3176 4.4590 4.0662 3.8379 3.6875 3.5806 3.5005 3.4381 3.3881
9 5.1174 4.2565 3.8625 3.6331 3.4817 3.3738 3.2927 3.2296 3.1789
10 4.9646 4.1028 3.7083 3.4780 3.3258 3.2172 3.1355 3.0717 3.0204
11 4.8443 3.9823 3.5874 3.3567 3.2039 3.0946 3.0123 2.9480 2.8962
12 4.7472 3.8853 3.4903 3.2592 3.1059 2.9961 2.9134 2.8486 2.7964
13 4.6672 3.8056 3.4105 3.1791 3.0254 2.9153 2.8321 2.7669 2.7144
14 4.6001 3.7389 3.3439 3.1122 2.9582 2.8477 2.7642 2.6987 2.6458
15 4.5431 3.6823 3.2874 3.0556 2.9013 2.7905 2.7066 2.6408 2.5876
16 4.4940 3.6337 3.2389 3.0069 2.8524 2.7413 2.6572 2.5911 2.5377
17 4.4513 3.5915 3.1968 2.9647 2.8100 2.6987 2.6143 2.5480 2.4943
18 4.4139 3.5546 3.1599 2.9277 2.7729 2.6613 2.5767 2.5102 2.4563
19 4.3808 3.5219 3.1274 2.8951 2.7401 2.6283 2.5435 2.4768 2.4227
20 4.3513 3.4928 3.0984 2.8661 2.7109 2.5990 2.5140 2.4471 2.3928
21 4.3248 3.4668 3.0725 2.8401 2.6848 2.5727 2.4876 2.4205 2.3661
22 4.3009 3.4434 3.0491 2.8167 2.6613 2.5491 2.4638 2.3965 2.3419
23 4.2793 3.4221 3.0280 2.7955 2.6400 2.5277 2.4422 2.3748 2.3201
24 4.2597 3.4028 3.0088 2.7763 2.6207 2.5082 2.4226 2.3551 2.3002
25 4.2417 3.3852 2.9912 2.7587 2.6030 2.4904 2.4047 2.3371 2.2821
26 4.2252 3.3690 2.9752 2.7426 2.5868 2.4741 2.3883 2.3205 2.2655
27 4.2100 3.3541 2.9603 2.7278 2.5719 2.4591 2.3732 2.3053 2.2501
28 4.1960 3.3404 2.9467 2.7141 2.5581 2.4453 2.3593 2.2913 2.2360
29 4.1830 3.3277 2.9340 2.7014 2.5454 2.4324 2.3463 2.2782 2.2229
30 4.1709 3.3158 2.9223 2.6896 2.5336 2.4205 2.3343 2.2662 2.2107
40 4.0847 3.2317 2.8387 2.6060 2.4495 2.3359 2.2490 2.1802 2.1240
50 4.0343 3.1826 2.7900 2.5572 2.4004 2.2864 2.1992 2.1299 2.0733
60 4.0012 3.1504 2.7581 2.5252 2.3683 2.2541 2.1665 2.0970 2.0401
70 3.9778 3.1277 2.7355 2.5027 2.3456 2.2312 2.1435 2.0737 2.0166
80 3.9604 3.1108 2.7188 2.4859 2.3287 2.2142 2.1263 2.0564 1.9991
90 3.9469 3.0977 2.7058 2.4729 2.3157 2.2011 2.1131 2.0430 1.9856
100 3.9362 3.0873 2.6955 2.4626 2.3053 2.1906 2.1025 2.0323 1.9748
200 3.8884 3.0411 2.6498 2.4168 2.2592 2.1441 2.0556 1.9849 1.9269
300 3.8726 3.0258 2.6347 2.4017 2.2441 2.1288 2.0402 1.9693 1.9112
400 3.8648 3.0183 2.6272 2.3943 2.2366 2.1212 2.0325 1.9616 1.9033
600 3.8570 3.0107 2.6198 2.3868 2.2290 2.1137 2.0248 1.9538 1.8955
800 3.8531 3.0070 2.6160 2.3831 2.2253 2.1099 2.0210 1.9500 1.8916
1000 3.8508 3.0047 2.6138 2.3808 2.2231 2.1076 2.0187 1.9476 1.8892
Ap/)+$(* D# Fa!&*% +* (ua)t$*% +* a +$%t&$'u($0) F
" @ G ;.:5
2#1
10 11 12 15 20 30 50 100 500
1 241.882 242.981 243.905 245.949 248.016 250.096 251.774 253.043 254.062
2 19.3959 19.4050 19.4125 19.4291 19.4457 19.4625 19.4757 19.4857 19.4937
3 8.7855 8.7633 8.7447 8.7028 8.6602 8.6166 8.5810 8.5539 8.5320
4 5.9644 5.9358 5.9117 5.8578 5.8025 5.7459 5.6995 5.6640 5.6353
5 4.7351 4.7040 4.6777 4.6188 4.5581 4.4957 4.4444 4.4051 4.3731
6 4.0600 4.0274 3.9999 3.9381 3.8742 3.8082 3.7537 3.7117 3.6775
7 3.6365 3.6030 3.5747 3.5107 3.4445 3.3758 3.3189 3.2749 3.2389
8 3.3472 3.3129 3.2839 3.2184 3.1503 3.0794 3.0204 2.9747 2.9371
9 3.1373 3.1025 3.0729 3.0061 2.9365 2.8637 2.8028 2.7556 2.7166
10 2.9782 2.9430 2.9130 2.8450 2.7740 2.6996 2.6371 2.5884 2.5481
11 2.8536 2.8179 2.7876 2.7186 2.6464 2.5705 2.5066 2.4566 2.4151
12 2.7534 2.7173 2.6866 2.6169 2.5436 2.4663 2.4010 2.3498 2.3071
13 2.6710 2.6346 2.6037 2.5331 2.4589 2.3803 2.3138 2.2614 2.2176
14 2.6022 2.5655 2.5342 2.4630 2.3879 2.3082 2.2405 2.1870 2.1422
15 2.5437 2.5068 2.4753 2.4034 2.3275 2.2468 2.1780 2.1234 2.0776
16 2.4935 2.4564 2.4247 2.3522 2.2756 2.1938 2.1240 2.0685 2.0217
17 2.4499 2.4126 2.3807 2.3077 2.2304 2.1477 2.0769 2.0204 1.9727
18 2.4117 2.3742 2.3421 2.2686 2.1906 2.1071 2.0354 1.9780 1.9294
19 2.3779 2.3402 2.3080 2.2341 2.1555 2.0712 1.9986 1.9403 1.8909
20 2.3479 2.3100 2.2776 2.2033 2.1242 2.0391 1.9656 1.9066 1.8563
21 2.3210 2.2829 2.2504 2.1757 2.0960 2.0102 1.9360 1.8761 1.8250
22 2.2967 2.2585 2.2258 2.1508 2.0707 1.9842 1.9092 1.8486 1.7966
23 2.2747 2.2364 2.2036 2.1282 2.0476 1.9605 1.8848 1.8234 1.7708
24 2.2547 2.2163 2.1834 2.1077 2.0267 1.9390 1.8625 1.8005 1.7470
25 2.2365 2.1979 2.1649 2.0889 2.0075 1.9192 1.8421 1.7794 1.7252
26 2.2197 2.1811 2.1479 2.0716 1.9898 1.9010 1.8233 1.7599 1.7050
27 2.2043 2.1655 2.1323 2.0558 1.9736 1.8842 1.8059 1.7419 1.6863
28 2.1900 2.1512 2.1179 2.0411 1.9586 1.8687 1.7898 1.7251 1.6689
29 2.1768 2.1379 2.1045 2.0275 1.9446 1.8543 1.7748 1.7096 1.6527
30 2.1646 2.1256 2.0921 2.0148 1.9317 1.8409 1.7609 1.6950 1.6375
40 2.0773 2.0376 2.0035 1.9245 1.8389 1.7444 1.6600 1.5892 1.5260
50 2.0261 1.9861 1.9515 1.8714 1.7841 1.6872 1.5995 1.5249 1.4569
60 1.9926 1.9522 1.9174 1.8364 1.7480 1.6491 1.5590 1.4814 1.4093
70 1.9689 1.9283 1.8932 1.8117 1.7223 1.6220 1.5300 1.4498 1.3743
80 1.9512 1.9105 1.8753 1.7932 1.7032 1.6017 1.5081 1.4259 1.3472
90 1.9376 1.8967 1.8613 1.7789 1.6883 1.5859 1.4910 1.4070 1.3256
100 1.9267 1.8857 1.8503 1.7675 1.6764 1.5733 1.4772 1.3917 1.3079
200 1.8783 1.8368 1.8008 1.7166 1.6233 1.5164 1.4146 1.3206 1.2211
300 1.8623 1.8206 1.7845 1.6998 1.6057 1.4973 1.3934 1.2958 1.1879
400 1.8544 1.8126 1.7764 1.6914 1.5969 1.4878 1.3827 1.2831 1.1700
600 1.8465 1.8046 1.7683 1.6831 1.5881 1.4782 1.3719 1.2701 1.1508
800 1.8425 1.8006 1.7643 1.6789 1.5837 1.4735 1.3665 1.2635 1.1406
1000 1.8402 1.7982 1.7618 1.6764 1.5811 1.4706 1.3632 1.2596 1.1342
Ap/)+$(* D# Fa!&*% +* (ua)t$*% +* a +$%t&$'u($0) F
" @ G ;.::
2#1
1 2 3 4 5 6 7 8 9
1 4052.18 4999.34 5403.53 5624.26 5763.95 5858.95 5928.33 5980.95 6022.40
2 98.5019 99.0003 99.1640 99.2513 99.3023 99.3314 99.3568 99.3750 99.3896
3 34.1161 30.8164 29.4567 28.7100 28.2371 27.9106 27.6714 27.4895 27.3449
4 21.1976 17.9998 16.6942 15.9771 15.5219 15.2068 14.9757 14.7988 14.6592
5 16.2581 13.2741 12.0599 11.3919 10.9671 10.6722 10.4556 10.2893 10.1577
6 13.7452 10.9249 9.7796 9.1484 8.7459 8.4660 8.2600 8.1017 7.9760
7 12.2463 9.5465 8.4513 7.8467 7.4604 7.1914 6.9929 6.8401 6.7188
8 11.2586 8.6491 7.5910 7.0061 6.6318 6.3707 6.1776 6.0288 5.9106
9 10.5615 8.0215 6.9920 6.4221 6.0569 5.8018 5.6128 5.4671 5.3511
10 10.0442 7.5595 6.5523 5.9944 5.6364 5.3858 5.2001 5.0567 4.9424
11 9.6461 7.2057 6.2167 5.6683 5.3160 5.0692 4.8860 4.7445 4.6315
12 9.3303 6.9266 5.9525 5.4119 5.0644 4.8205 4.6395 4.4994 4.3875
13 9.0738 6.7009 5.7394 5.2053 4.8616 4.6203 4.4410 4.3021 4.1911
14 8.8617 6.5149 5.5639 5.0354 4.6950 4.4558 4.2779 4.1400 4.0297
15 8.6832 6.3588 5.4170 4.8932 4.5556 4.3183 4.1416 4.0044 3.8948
16 8.5309 6.2263 5.2922 4.7726 4.4374 4.2016 4.0259 3.8896 3.7804
17 8.3998 6.1121 5.1850 4.6689 4.3360 4.1015 3.9267 3.7909 3.6823
18 8.2855 6.0129 5.0919 4.5790 4.2479 4.0146 3.8406 3.7054 3.5971
19 8.1850 5.9259 5.0103 4.5002 4.1708 3.9386 3.7653 3.6305 3.5225
20 8.0960 5.8490 4.9382 4.4307 4.1027 3.8714 3.6987 3.5644 3.4567
21 8.0166 5.7804 4.8740 4.3688 4.0421 3.8117 3.6396 3.5056 3.3982
22 7.9453 5.7190 4.8166 4.3134 3.9880 3.7583 3.5866 3.4530 3.3458
23 7.8811 5.6637 4.7648 4.2635 3.9392 3.7102 3.5390 3.4057 3.2986
24 7.8229 5.6136 4.7181 4.2185 3.8951 3.6667 3.4959 3.3629 3.2560
25 7.7698 5.5680 4.6755 4.1774 3.8550 3.6272 3.4568 3.3239 3.2172
26 7.7213 5.5263 4.6365 4.1400 3.8183 3.5911 3.4210 3.2884 3.1818
27 7.6767 5.4881 4.6009 4.1056 3.7847 3.5580 3.3882 3.2558 3.1494
28 7.6357 5.4529 4.5681 4.0740 3.7539 3.5276 3.3581 3.2259 3.1195
29 7.5977 5.4205 4.5378 4.0449 3.7254 3.4995 3.3303 3.1982 3.0920
30 7.5624 5.3903 4.5097 4.0179 3.6990 3.4735 3.3045 3.1726 3.0665
40 7.3142 5.1785 4.3126 3.8283 3.5138 3.2910 3.1238 2.9930 2.8876
50 7.1706 5.0566 4.1994 3.7195 3.4077 3.1864 3.0202 2.8900 2.7850
60 7.0771 4.9774 4.1259 3.6491 3.3389 3.1187 2.9530 2.8233 2.7185
70 7.0114 4.9218 4.0744 3.5997 3.2907 3.0712 2.9060 2.7765 2.6719
80 6.9626 4.8807 4.0363 3.5631 3.2551 3.0361 2.8713 2.7420 2.6374
90 6.9251 4.8491 4.0069 3.5350 3.2276 3.0091 2.8445 2.7154 2.6109
100 6.8953 4.8239 3.9837 3.5127 3.2059 2.9877 2.8233 2.6943 2.5898
200 6.7633 4.7128 3.8810 3.4143 3.1100 2.8933 2.7298 2.6012 2.4971
300 6.7201 4.6766 3.8475 3.3822 3.0787 2.8625 2.6993 2.5709 2.4668
400 6.6987 4.6586 3.8309 3.3664 3.0632 2.8472 2.6842 2.5559 2.4518
600 6.6773 4.6407 3.8144 3.3506 3.0478 2.8321 2.6691 2.5409 2.4369
800 6.6667 4.6318 3.8062 3.3427 3.0402 2.8245 2.6617 2.5335 2.4295
1000 6.6603 4.6264 3.8012 3.3380 3.0356 2.8200 2.6572 2.5290 2.4250
Ap/)+$(* D# Fa!&*% +* (ua)t$*% +* a +$%t&$'u($0) F
" @ G ;.::
2#1
10 11 12 15 20 30 50 100 500
1 6055.92 6083.40 6106.68 6156.97 6208.66 6260.35 6302.26 6333.92 6359.54
2 99.3969 99.4078 99.4187 99.4332 99.4478 99.4660 99.4769 99.4914 99.4987
3 27.2285 27.1320 27.0520 26.8719 26.6900 26.5045 26.3544 26.2407 26.1480
4 14.5460 14.4523 14.3737 14.1981 14.0194 13.8375 13.6897 13.5769 13.4860
5 10.0511 9.9626 9.8883 9.7223 9.5527 9.3794 9.2377 9.1300 9.0424
6 7.8742 7.7896 7.7183 7.5590 7.3958 7.2286 7.0914 6.9867 6.9015
7 6.6201 6.5381 6.4691 6.3144 6.1555 5.9920 5.8577 5.7546 5.6707
8 5.8143 5.7343 5.6667 5.5152 5.3591 5.1981 5.0654 4.9633 4.8799
9 5.2565 5.1779 5.1115 4.9621 4.8080 4.6486 4.5167 4.4150 4.3317
10 4.8491 4.7716 4.7058 4.5582 4.4054 4.2469 4.1155 4.0137 3.9302
11 4.5393 4.4624 4.3974 4.2509 4.0990 3.9411 3.8097 3.7077 3.6238
12 4.2961 4.2198 4.1553 4.0096 3.8584 3.7008 3.5692 3.4668 3.3824
13 4.1003 4.0245 3.9603 3.8154 3.6646 3.5070 3.3752 3.2723 3.1871
14 3.9394 3.8640 3.8002 3.6557 3.5052 3.3476 3.2153 3.1118 3.0260
15 3.8049 3.7299 3.6662 3.5222 3.3719 3.2141 3.0814 2.9772 2.8906
16 3.6909 3.6162 3.5527 3.4090 3.2587 3.1007 2.9675 2.8627 2.7752
17 3.5931 3.5185 3.4552 3.3117 3.1615 3.0032 2.8694 2.7639 2.6757
18 3.5081 3.4338 3.3706 3.2273 3.0771 2.9185 2.7841 2.6779 2.5889
19 3.4338 3.3596 3.2965 3.1533 3.0031 2.8442 2.7092 2.6023 2.5125
20 3.3682 3.2941 3.2311 3.0880 2.9377 2.7785 2.6430 2.5353 2.4446
21 3.3098 3.2359 3.1729 3.0300 2.8795 2.7200 2.5838 2.4755 2.3840
22 3.2576 3.1837 3.1209 2.9779 2.8274 2.6675 2.5308 2.4218 2.3294
23 3.2106 3.1368 3.0740 2.9311 2.7805 2.6202 2.4829 2.3732 2.2800
24 3.1681 3.0944 3.0316 2.8887 2.7380 2.5773 2.4395 2.3291 2.2351
25 3.1294 3.0558 2.9931 2.8502 2.6993 2.5383 2.3999 2.2888 2.1941
26 3.0941 3.0205 2.9578 2.8150 2.6640 2.5026 2.3637 2.2519 2.1564
27 3.0618 2.9882 2.9256 2.7827 2.6316 2.4699 2.3304 2.2180 2.1217
28 3.0320 2.9585 2.8959 2.7530 2.6018 2.4397 2.2997 2.1867 2.0896
29 3.0045 2.9311 2.8685 2.7256 2.5742 2.4118 2.2713 2.1577 2.0598
30 2.9791 2.9057 2.8431 2.7002 2.5487 2.3860 2.2450 2.1307 2.0321
40 2.8005 2.7273 2.6648 2.5216 2.3689 2.2034 2.0581 1.9383 1.8329
50 2.6981 2.6250 2.5625 2.4190 2.2652 2.0976 1.9490 1.8248 1.7133
60 2.6318 2.5587 2.4961 2.3523 2.1978 2.0285 1.8772 1.7493 1.6327
70 2.5852 2.5122 2.4496 2.3055 2.1504 1.9797 1.8263 1.6954 1.5743
80 2.5508 2.4777 2.4151 2.2709 2.1153 1.9435 1.7883 1.6548 1.5296
90 2.5243 2.4513 2.3886 2.2442 2.0882 1.9155 1.7588 1.6231 1.4943
100 2.5033 2.4302 2.3676 2.2230 2.0666 1.8933 1.7353 1.5977 1.4656
200 2.4106 2.3375 2.2747 2.1294 1.9713 1.7941 1.6295 1.4811 1.3277
300 2.3804 2.3073 2.2444 2.0988 1.9401 1.7614 1.5942 1.4410 1.2764
400 2.3654 2.2923 2.2294 2.0836 1.9245 1.7451 1.5764 1.4207 1.2489
600 2.3505 2.2773 2.2144 2.0685 1.9091 1.7288 1.5587 1.4001 1.2198
800 2.3431 2.2699 2.2070 2.0610 1.9013 1.7207 1.5498 1.3897 1.2043
1000 2.3386 2.2655 2.2025 2.0565 1.8967 1.7158 1.5445 1.3835 1.1947
REFERENCIAS
)bramo^it/, B. ! G. Stegun, (Q5J. Ha)+'!!J !, .atK*.at$(a ,u)(t$!)%. ?e^ UorV< 4over.
)t^ood, 9.+., (QJK. )ppro1imate tolerance intervals based on ma1imum liVelihood estimates.
J!u&)a !, tK* A.*&$(a) Stat$%t$(a A%%!($at$!), TQ(2J5)< KNQ*K5N.
Pest, 4.d. ! d.9.`. La!ner, (QJT. `elch,s appro1imate solution for the Pehrens*Iisher
problem. T*(K)!.*t&$(%L 3Q(3)<3$N*3($.
Po1, _.0.P. ! _.9. -iao, (QT2. Ba<*%$a) $),*&*)(* $) %tat$%t$(a a)A$%$%. Leading,
Bassachusetts< )ddison*`esle! Publishing 9ompan!.
4ahi!a, L.9., (QJ(. )n improved meted of estimating an integer*parameter b! ma1imum
liVelihood. TK* A.*&$(a) Stat$%t$($a), 2N(()< 2K*2T.
4e 4ios +ara, 0., (QQJ. A)A$%$% H$+&!08$(! +* T!&.*)ta% +* D$%*E! pa&a * E%ta+! +*
Ta'a%(!. -esis de Baestr6a. 9unduacn, -abasco< 4ivisin )cadmica de Gngenier6a !
)rquitectura, d)-.
_hosh, P.E., (QTQ. ) comparison of some appro1imate confidence intervals for the binomial
parameter. J!u&)a !, tK* A.*&$(a) Stat$%t$(a A%%!($at$!)L TK< JQK*Q$$.
Dogg, L.b. ! ).-. 9raig, (QT$. I)t&!+u(t$!) t! .atK*.at$(a %tat$%t$(%. ?e^ UorV<
Bacmillan Publishing 9o., Gnc.
+e7eune, B. ! _.4. IaulVenberr!, (QJ3. ) simple predictive densit! function. J!u&)a !, tK*
A.*&$(a) Stat$%t$(a A%%!($at$!)L TT(2TQ)< 5NK*5NT.
BarVo^sVi, 9.). ! 0.P. BarVo^sVi, (QQ$. 9onditions for the effectiveness of a preliminar! test
of variance. TK* A.*&$(a) Stat$%t$($a)L KK(K)< 233*235.
Bood, ).B. ! I.). _ra!bill, (QT3. I)t&!+u(($0) a a T*!&a +* a E%ta+%t$(a. Badrid<
)guilar.
.livares Parcelo, +.L., (QJ3. D*t*&.$)a($0) +* Ga%t!% MAB$.!% *) F!&.a G&A,$(a <
A)at$(a *) a E%ta($0) H$+&!08$(a B!(a D* C*&&! %!'&* * R! U%u.a($)ta. -esis de
+icenciatura. billahermosa, -abasco< Gnstituto de Gngenieria, d)-.
Sahai, D. ! ). Ehurshid, (QQ2. 9onfidence Gntervals for the Bean of a Poisson 4istribution< )
Levie^. B$!.*t&$(a J!u&)aL 2N, JNT*J5T.
Sahai, D. ! ). Ehurshid, (QQ2. 9onfidence Gntervals for the Latio of -^o Poisson Beans.
MatK*.at$(a S($*)t$%tL (J, K2*N$.
Sahai, D. ! ). Ehurshid, (QQ5. Stat$%t$(% $) *p$+*.$!!8<# M*tK!+%L t*(K)$Cu*%L a)+
app$(at$!)%. ?e^ UorV< 9L9 Press.
Santner, -.d. ! 4.0. 4uff!, (QJQ. TK* %tat$%t$(a a)a<%$% !, +$%(&*t* +ata. ?e^ UorV<
Springer*berlag.
Satterth^aite, I.0., (QK5. )n appro1imate distribution of estimates of variance components.
B$!.*t&$(% Bu*t$)L 3, (($*((K.
Scott, ).d. ! _.). Seber, (QJ2. 4ifference of proportions from the same surve!. TK* A.*&$(a)
Stat$%t$($a)L 2T(K)< 2(Q*23$.
Shahin, B., D.d.+. ban .orshot, ! S.d. 4e +ange, (QQ2. Statistical )nal!sis in `ater Lesources
0ngineering. Lotterdam< ).). PalVema Publishers.
Snedecor, _.`. ! `._. 9ochran, (QT(. M*t!+!% *%ta+%t$(!%. Be1ico< 9ia. 0ditorial
9ontinental, S.). de 9.b.
Stigler, S.B., (QJK. ErusVel,s proof of the 7oint distribution of ! S
3
. TK* A.*&$(a)
Stat$%t$($a)L 2J(3)< (2K*(2N.
`elch, P.+., (QKT. -he generali/ation of Student,s problem ^hen several different population
variances are involved. B$!.*t&$JaL 2K, 3J*2N.
`iner, P.d., (QT(. Stat$%t$(a P&$)($p*% I) EBp*&$.*)ta D*%$8). ?e^ UorV< Bc_ra^*Dill
PooV 9ompan!.
-ardiff, L.B., (QJ(. +,Dospital,s rule and the central limit theorem. TK* A.*&$(a)
Stat$%t$($a)L 2N(()< K2.
`ang, `., (QJT. Scale parameter of gamma distribution and its autocovariance estimation.
CK$)*%* J. App. P&!'a'$. Stat$%t.L 2(2), (Q2*3$3.