ESTAD

ISTICA
Facultad de Ingeniera
Departamento de Ciencias Naturales y Matem aticas
Gua No. 9
Competencias:
A. La habilidad para aplicar conocimientos de
matematicas, ciencias e ingenieras.
B. La habilidad para dise nar y conducir experimentos
as como para analizar e interpretar datos.
E. La habilidad para identicar, formular y resolver
problemas de ingeniera.
Objetivos:
1. Utilizar las distribuciones muestrales chi-cuadrado, t-
student y F de Fisher para calcular probabilidades.
2. Caracterizar la distribucion de la media muestral a
partir del teorema del lmite central.
3. Determinar la estimacion puntual y por intervalo de
la media, la varianza y la proporcion de una y dos
poblaciones de manera puntual y por intervalo de con-
anza.
Unidad 3:
Temas:
1. Funciones de distribucion muestrales. t-student,
2
,
F-Fisher.
2. Distribucion de probabilidad de la media muestral y
de la proporcion muestral.
3. Teorema del lmite central.
4. Distribucion de probabilidad para la varianza mues-
tral.
5. Intervalos de conanza para la media, varianza, pro-
porcion en una poblacion y para la diferencia de me-
dias, diferencia de proporciones y razon de varianzas
en dos poblaciones.
Referencias
R.Walpole, R.Meyers, S.Meyers, K.Ye (2007). Proba-
bilidad y Estadstica para ingeniera y la ciencia. 8a
Ed. Editorial Pearson.
G. Canavos (1988). Probabilidad y Estadstica, apli-
caciones y metodos. Editorial McGraw Hill.
W. Navidi (2006) Estadstica para ingeniera y
cientcos. Editorial McGraw Hill.
CONCEPTUALIZACI

ON
1. Principales distribuciones muestrales: Chi-
cuadrado, t-student, F-Fisher
Se denomina distribucion muestral a la distribucion
que sigue los principales estimadores puntuales o fun-
ciones de ellos como son:

X, p,
(n 1)S
2

2
, Z =

X
S/

n
, F =

2
1
/v
1

2
2
/v
2
Existe una relacion importante entre ellas con la
Distribucion normal, las cuales se representan en el
siguiente diagrama:
_

N(,
2
) Z =
X

N(0, 1)
|

F =

2
1
/v
1

2
2
/v
2
F
v1,v2

2
=

n
i=1
Z
2
i

2
v=n1
|

T=
Z
_

2
/v
t
v=n1
Si una variable X se distribuye normal con paramet-
ros y
2
, entonces a partir de su transformacion
se puede obtener una variable Z que tenga distribu-
cion normal estandar N(0, 1), que tiene media cero
y varianza uno. Una normales estandar al cuadra-
do conforman una variable con distribucion chi-
cuadrado y a la vez esta variable tiene la propiedad
tal que la suma de n variables aleatorias
2
con n-
1 grados de libertad. La razon de una variable con
distribucion normal estandar y la raiz cuadrada de
una variable chi-cuadrado, dividida por sus grados
de libertad originan una variable con distribucion t-
student. Por ultimo la razon de dos variables con
distribucion chi-cuadrado, divididas cada una por sus
respectivos grados de libertad, generan una variable
con distribucion F-Fisher. En sintesis, la distribu-
ciones de muestreo basicas, tienen de base la distribu-
cion normal.
1
Gua No. 9
Distribucion chi-cuadrado: Si S
2
es la varianza de
la muestra aleatoria de tama no n que se toma de una
poblacion normal que tiene varianza
2
, entonces el
estadstico:

2
=
(n 1)S
2

2
=
n

i=1
_
x
i
x
_
2

2
=
n

i=1
_
x
i
x

_
2
tiene una distribucion chi-cuadrado con v = n 1
grados de libertad.
Nota: Esta funcion fue creada por Karl Pearson cien-
tico ingles (1857-1936) y su funcion de distribucion
y su represntacion graca estan dadas por:
f(x) =
1
2
k72
(k/2)
x
(k/2)1
exp{x/2}, x > 0
262 CHAPTER 8 STATISTICAL INTERVALS FOR A SINGLE SAMPLE
0 5 10 15 20 25 x
k = 10
k = 5
k = 2
f ( x)
Figure 8-8 Proba-
bility density functions
of several
2
distribu-
tions.
The probability density function of a
2
random variable is
(8-20)
where k is the number of degrees of freedom. The mean and variance of the
2
distribution are
k and 2k, respectively. Several chi-square distributions are shown in Fig. 8-8. Note that the
chi-square random variable is nonnegative and that the probability distribution is skewed to
the right. However, as k increases, the distribution becomes more symmetric. As the
limiting form of the chi-square distribution is the normal distribution.
The percentage points of the
2
distribution are given in Table III of the Appendix.
Dene as the percentage point or value of the chi-square random variable with k degrees
of freedom such that the probability that X
2
exceeds this value is . That is,
This probability is shown as the shaded area in Fig. 8-9(a). To illustrate the use of Table III,
note that the areas are the column headings and the degrees of freedom k are given in the left
column. Therefore, the value with 10 degrees of freedom having an area (probability) of 0.05
to the right is This value is often called an upper 5% point of chi-square with
2
0.05,10
18.31.
P1X
2

2
,k
2

2
,k
f 1u2 du

2
,k
k S,
f 1x2
1
2
k

2
1k

22
x
1k

221
e
x

2
x 0
Let X
1
, X
2
, p , X
n
be a random sample from a normal distribution with mean and
variance
2
, and let S
2
be the sample variance. Then the random variable
(8-19)
has a chi-square (
2
) distribution with n 1 degrees of freedom.
X
2

1n 12 S
2

2
Denition
c08.qxd 5/15/02 6:13 PM Page 262 RK UL 6 RK UL 6:Desktop Folder:TEMP WORK:MONTGOMERY:REVISES UPLO D CH 1 14 FIN L:Quark Files:
Esta distribucion es un caso especial de la distribu-
cion Gamma con parametris = v/2 y = 2
Distrucion t-student:
Esta funcion nace de la relacion entre una variable
con distrucion normal estandar y la raiz cuadrada de
una variable con distribucion chi-cuadrado Sea Z una
variable con distribucion normal estandar y V una
variable con distribucion chi-cudadrado con v grados
de libertad, entonces la variable aleatoria T se dis-
tribuye t-student con v grados de libertad
T =
Z
_
V/v
t
v
Nota: Esta funcion de distribucion fue propuesta por
William Sealy Gosset en 1908. Gosset trabajaba en
una fabrica de cerveza de prppiedad de Guiness, quien
prohibia a sus empleados la publicacion de artcu-
los cienticos debido a la difucion previa de secre-
tos industriales. Debido a esta prohibicion Gosset
publicaba sus artculos con el seudonimo de Stu-
dent.(Wikipedia.org) La funcion de probabilidad de
distribucion t-student y su represntacion graca estan
dadas por:
f(x) =
[(v + 1)/2]
[v/2]

v
_
1+
x
2
v
_
(v+1)/2
, < x <
La graca de la distribucion t-student es similar a la
de la distribucion normal, salvo que sus colas son mas
pesadas. Si X
1
, X
2
, ..., X
n
es una muestra aleatoria de
n variables independientemente e identicamente dis-
tribuidas N(,
2
) y

X =
1
n
n

i=1
X
i
S
2
=
1
n 1
n

i=1
_
X
i

X
_
2
Entonces la variable aleatoria:
T =

X
S/

n
tiene una distribucion t-student con v = n1 grados
de libertad
Distribucion F-Fisher.
Si S
2
1
y S
2
2
son las dos varianzas de muestras aleato-
rias independientes de tana nos n
1
y n
2
tomadas de
poblaciones normales con varianzas
2
1
y
2
2
respecti-
vamente, entonces:
F =
S
2
1
/
2
1
S
2
2
/
2
1
=

2
2

2
1
S
2
1

2
2
tiene una distribucion F con grados de libertad
v
1
= n
1
1 y v
2
= n
2
1
2
Gua No. 9
Nota: Ronald Aylmer Fisher (1890-1962) cientico,
matematico, estadstico, biologo evolutivo y genet?sta
ingles fue el creador de la distribucion F. Su fun-
cion de distribucion y su representacion graca estan
dadas por:
f(x) =

_
v
1
+v
2
2
__
v
1
v
2
_
v1/2
x
(v1/2)1

_
v
1
2
_

_
v
2
2
___
v
1
v
2
_
x + 1
_
_
v1+v2
_
/2
, x > 0
That is, the upper 5 percentage point of F
5,10
is f
0.05, 5,10
3.33.
Table V contains only upper-tail percentage points (for selected values of f
, u,v
for
0.25) of the F distribution. The lower-tail percentage points f
1,u,v
can be found as follows.
10-5 INFERENCES ON THE VARIANCES OF TWO NORMAL POPULATIONS 357
0 2 4 6 8 10 x
u = 5, v = 15
f (x)
u = 5, v = 5
Figure 10-4 Probability density functions of
two F distributions.
Figure 10-5 Upper and lower percentage
points of the F distribution.
x

f
1 , ,
f
, , u v u v
f ( x)
(10-28) f
1,u,v

1
f
,v,u
For example, to nd the lower-tail percentage point f
0.95, 5,10
, note that
10-5.2 Development of the F Distribution (CD Only)
10-5.3 Hypothesis Tests on the Ratio of Two Variances
A hypothesis-testing procedure for the equality of two variances is based on the following result.
f
0.95, 5,10

1
f
0.05,10, 5

1
4.74
0.211
Let X
11
, X
12
, p , X
1n
1
be a random sample from a normal population with mean
1
and
variance
2
1
, and let X
21
, X
22
, p , X
2n
2
be a random sample from a second normal pop-
ulation with mean
2
and variance
2
2
. Assume that both normal populations are
independent. Let and be the sample variances. Then the ratio
has an F distribution with n
1
1 numerator degrees of freedom and n
2
1 denom-
inator degrees of freedom.
F
S
2
1

2
1
S
2
2

2
2
S
2
2
S
2
1
c10.qxd 5/16/02 1:31 PM Page 357 RK UL 6 RK UL 6:Desktop Folder:TEMP WORK:MONTGOMERY:REVISES UPLO D CH 1 14 FIN L:Quark Files:
2. Distribucion de probabilidad de la media
muestral

X =
1
n
n

i=1
X
i
Al hablar de distribucion de probabilidad de la media
muestral, implicitamente estamos armando que

X,
es una variable aleatoria. De esta variable a contin-
uacion estudiaremos sus principales caracteristicas.
Para vericar las propiedades de este estimador pode-
mos hacer uso de las propiedades del valor esperado
de la siguiente manera:
E[

X] = E
_
1
n
=
1
n
E
_
X
1
+X
2
+ +X
n
_
=
1
n
[ + +] =
1
n
n =
por tanto:
_

=
X
Como conclusion obtenemos que la media de la media
muestral es igual a la media de la variable.
Con la varianza ocurre algo similar al utilizar las
propiedades de la varianza:
V [

X] = V
_
1
n
n

i=1
x
i
_
=
1
n
2
V
_
X
1
+X
2
+ +X
n

=
1
n
2
V [X
1
] +V [X
2
] + +V [X
n
]
=
1
n
2
n
2
=

2
n
Se concluye que:
_
\

V [

X] =

2
n
Obtenemos as que la varianza de la media muestral
es igual a la varianza de la variable.
Para vericar estas caracteristicas, vamos a suponer
que tenemos una poblacion de N=5, conformada por
los elementos: 10, 20, 30, 40, 50. Para esta poblacion
podemos calcular sus parametros y
2
.

X
=
1
5
5

i=1
x
i
=
(10 + 20 + 30 + 40 + 50)
5
= 30

2
X
=
5

i=1
1
5
_
x
i
30
_
2
=
1
5
_
_
10 30
_
2
+...
_
20 30
_
2
+....
_
50 30
_
2
_
=
1000
5
= 200
Ahora estudiaremos la poblacion de muestras que se
pueden obtener de esta poblacion de tama no n = 2
tomadas con reemplazo (probabilidad constante)
1
.
1
En la practica el muestreo se realiza sin remplazo y debido a que el tama no de la poblaci on es grande o es considerado como innito, hace
que la probabilidad de seleccionar un objeto de la poblacion se pueda considerar como constante
3
Gua No. 9
muestra x muestra x
(10,10) 10 (30,40) 35
(10,20) 15 (30,50) 40
(10,30) 20 (40,10) 25
(10,40) 25 (40,20) 30
(10,50) 30 (40,30) 35
(20,10) 15 (40,40) 40
(20,20) 20 (40,50) 45
(20,30) 25 (50,10) 30
(20,40) 30 (50,20) 35
(20,50) 35 (50,30) 40
(30,10) 20 (50,40) 45
(30,20) 25 (50,50) 50
(30,30) 30
Estos valores conforman la poblacion de muestras de
tama no n=2 que se pueden obtener sin reemplazo de
la poblacion inicial, En este caso podemos calcular la
media y la varianza poblacional de

X

X
=
1
25
(10 + 15 + 20 +...50) = 30

X
=
1
25
_
_
10 30
_
2
+... +
_
50 30
_
2
_
= 100
De estos resultados podemos concluir que:
La media poblacional de la variable aleatoria X
es identica a la media de la media poblacional
de la media

X

X
=

X
La varianza poblacional de

X es igual la varianza
de X dividido por el tama no de la muestra

X
=

2
X
n
Si el muestreo se realiza sin reemplazo la poblacion
de muestras de tama no n=2, estaria conformado por:
muestra x muestra x
(10,20) 15 (20,40) 30
(10,30) 20 (20,50) 35
(10,40) 25 (30,40) 35
(10,50) 30 (30,50) 40
(20,30) 25 (40,50) 45
En este caso la media y la varianza de esta poblacion
son:

X
=
1
10
(15 + 20 +...45) = 30

X
=
1
10
_
_
15 30
_
2
+... +
_
45 30
_
2
_
= 75
La diferencia presentada en la varianza, se debe a
que se trata de una muestra grande en relaciona a
la poblacion (n/N=2/5=0.20). El haber realizado el
muestreo sin repeticion cambia la probabilidad del se-
gundo elemento y generando un cambio en la varian-
za. En este caso se debe corregir el valor obtenido
para obtener el valor correcto de la varianza multipli-
cando la varianza por fcpf factor de correccion por
poblacion nita

(N n)
(N 1)
= 100
(5 2)
(5 1)
= 75
_
'

fcpf :
(N n)
(N 1)
Ejemplo 1: Cierto tipo de batera para automoviles
dura un promedio de 1110 das con una desviacion
estandar de 80 das. Si se elegen n=400 de estas
bateras de manera aleatoria, encuentre la proba-
bilidad de que el promedio sea mayor a 1120 das
y halle el percentil 80 para esta distribucion. Co-
mo X N( = 1110,
2
= 80
2
), utilizando las
propiedas vericadas anteriomente podemo armar
que:

X N( = 1110,
X
= 80/

400)
P(X > 1120) = P
_
X
/

n
>
1120 1110
80/

400
_
= P(Z > 2.5)
= 1 P(Z < 2.5)
= 1 0.9938
= 0.0068
3. Distribucion de la proporcion muestral Al
igual que en la media podemos realizar la vericacion
con la proporcion, mediante la utilizacion de la sigu-
iente poblacion. Supongamos que en una poblacion
compuesta por 5 personas (N=5) tres de ellas son
profesonales y queremos estudiar p la proporcion de
profesionales en la muestra. En terminos de variable
seria: S
1
, N
2
, N
3
, S
4
, S
5
, con el n de distingir las per-
sonas colocaremos un subindice. Con esta informacion
podemos calcular los valores poblacionales:

p
=
3
5
= 0.6
V [p] =
p
= p(1 p) = 0.6 0.4 = 0.24
Podemos obtener la poblacion de proporcines mues-
trales ( p) de tama no n = 2
4
Gua No. 9
muestra p muestra p
(S
1
, S
1
) 1.0 (N
3
, S
4
) 0.5
(S
1
, N
2
) 0.5 (N
3
, S
5
) 0.5
(S
1
, N
3
) 0.5 (S
4
, S
1
) 1.0
(S
1
, S
4
) 1.0 (S
4
, N
2
) 0.5
(S
1
, S
5
) 1.0 (S
4
, N
3
) 0.5
(N
2
, S
1
) 0.5 (S
4
, S
4
) 1.0
(N
2
, N
2
) 0.0 (S
4
, S
5
) 1.0
(N
2
, N
3
) 0.0 (S
5
, S
1
) 1.0
(N
2
, S
4
) 0.5 (S
5
, N
2
) 0.5
(N
2
, S
5
) 0.5 (S
5
, N
3
) 0.5
(N
3
, S
1
) 0.5 (S
5
, S
4
) 1.0
(N
3
, N
2
) 0.0 (S
5
, S
5
) 1.0
(N
3
, N
3
) 0.0
De esta poblacion tenemos que:

p
=
15
25
= 0.6
V [ p ] =
3
25
= 0.12
Con este resultado estamo vericando que se cumple
que:
_
`

E[ p ] = p
V [ p ] =
p(1 p)
n
Ejemplo 2: La proporcion de individuos con tipo de
sangre Rh positivo es de 85 %. Si se tiene una muestra
de n = 500 individuos, Encuentre la probabilidad de
que la proporcion muestral p pase de 82 %. Cuando
el tama no de muestra es grande, la distribucion de
la proporcion se aproxima a una distribuci on normal
con media p y varianza p(1 p)/n. De esta manera
podemos hallar la probabilidad solicitada:
P(p > 0.82) = P
_
p p
(p(1 p)/

n
>
0.82 0.84
_
(0.85 0.15)/500
_
= P
_
Z > 1.878
_
= 1 P(Z < 1.88)
= 1 0.0301
4. Distribucion de la varianza muestral. Ahora
tenemos interes en estudiar el comportamiento de S
2
llamada cuasivarianza por algunos y denida por:

2
= S
2
=
1
(n 1)
n

i=1
_
x
i
x
_
2
Se puede demostrar que
2
:
E[S
2
] =
2
V [S
2
] =
2
4
(n 1)
Pero tambien que:
(n 1)S
2

2

2
(v=n1)
Con el n de vericar las anteriores caracteristicas se pro-
pone realizar el siguiente problema:
ALGUNOS ESTIMADORES
FRECUENTEMENTE USADOS
Parametro Estimador

E[

] V [

]
x

2
n
p p =
X
n
p
pq
n

2
S
2
=
n

i=1
(x x)
2
n 1

2
2
4
(n 1)

2
x
1
x
2

1

2
1
n
1
+

2
2
n
2
p
1
p
2
p
1
p
2
p
1
p
2
p
1
q
1
n
1
+
p
2
q
2
n
2
3. Teorema de lmite central: Si

X es la media de
una muestra de tama no n tomada una poblacion con
media y varianza
2
, entonces la forma lmite de la
distribucion de :
Z =

X
_

n
_ N(0, 1)
conforme n , esta aproximacion es cada vez mas
proxima a la normal. Este teorema es aplicable tam-
bien a la variable total de sumatorio de los valores de
la muestra T
n
= X
1
+X
2
+... +X
n
_

2
Canavos(1988) pp.231
5
Gua No. 9
El potencial de este teorema esta en que no importa
la distribucion de la variable X, la distribucion de
la media proveniente de la muestra tomada de esta
poblacion se distribuye aproximadamente normal.
Con el n de vericar este concepto a continuacion
relacionamos los resultados obtenidos en una simu-
lacion en el caso de una poblacion con distribucion
exponencial.
Sea W una variable aleatoria con distribucion Expo-
nencial con parametro = 2. Comparacion de las
distribuciones de las medias para tama nos 1,10,500 y
2000
## Codigo en R
## Para hacer el ejemplo reproducible
set.seed(301) # cambia semilla
n=2000 # tama~no muestra
m=1000 # numero de replicas
X=matrix(rexp((n*m),rate=2), nrow=m)
W1=X[,1]
W10=apply(X[,1:10], 1, mean)
W500=apply(X[,1:500], 1, mean)
W2000=apply(X[,1:2000], 1, mean)
par(mar=c(2,2,2,2),mfrow=c(2,2))
hist(W1, main="Histograma Exp(2),n=1")
hist(W10, main="Histograma Exp(2),n=10")
hist(W500, main="Histograma Exp(2),n=500")
hist(W2000, main="Histograma Exp(2),n=2000")
Histograma Exp(2),n=1
W1
0.0 1.0 2.0 3.0
0
1
0
0
2
0
0
3
0
0
Histograma Exp(2),n=10
W10
F
r
e
q
u
e
n
c
y
0.2 0.4 0.6 0.8 1.0 1.2
0
5
0
1
5
0
2
5
0
Histograma Exp(2),n=500
0.44 0.48 0.52 0.56
0
5
0
1
0
0
1
5
0
Histograma Exp(2),n=2000
F
r
e
q
u
e
n
c
y
0.46 0.48 0.50 0.52 0.54
0
5
0
1
5
0
2
5
0
Como se puede observar la distribucion de las medias
sufre una transformacion volviendose mas simetrica a
medida que el tama no de la muestra aumenta.
Ejemplo 3: Una empresa de telecomunicaciones
planea instalar nuevos equipos que mejoraran la e-
ciencia de sus operaciones. Se sabe que en promedio
una comunicacion tiene una duracion promedio de 150
segundos con una desviacion estandar de 15 segun-
dos. Sin embargo antes de que los ejecutivos puedan
decidir si dicha inversion sera ecaz en funcion de los
costos deben determinar la probabilidad de que la me-
dia muestral de n = 35, sea menor a 145 segundos,
este entre 145 segundos y 155 segundos y por ultimo
su duracion sea mayor a 155 segundos.
Solucion: Note que el enunciado no menciona la dis-
tribucion de la variable duracion y se tienen los val-
ores de = 150 y = 15 segundos. Como el tama no
de muestra puede ser considerado como grande (n >
30) es posible aproximar la distribucion de la media
muestral a la distribucion normal N(,
2
/n) y dar
solucion al problema de la siguiente manera: para cal-
cular la probabilidad de que la media sea inferior a 145
segundos tenemos
P(

X < 145) = P
_

X
/

n
<
145 150
15/

35
_
= ...
= P(

X < 145) = P(Z < 1.97) = 0.0244
la probabilidad de que la media se encuentre entre
145 y 155 segundos se calcula
P(145 <

X < 155) = ...
= P
_
145 150
15/

35
<

X
/

n
<
155 150
15/

35
_
= ...
= P(1.97 < Z < 1.97) = F(1.97) F(1.97) = ...
= 0.9756 0.0244 = 0.9512
La probabilidad de que la comunicacion dure mas de
155 segundo se puede calcular restando
1 F(1.97) = 1 0.9756 = 0.0244
4. Distribucion de la varianza muestral (S
2
). De
acuerdo con el teorema 8.4 de Walpole si se tiene una
variable

2
=
(n 1)S
2

2
=
n

i=1
(X
i

X)
2

2
se tiene una variable con distribucion chi-
cuadrado con n 1 grados de libertad
5. Estimacion por intervalos de conanza
6
Gua No. 9
Un estimador por intervalo de conanza (IC)
es una regla que especica como usar las mediciones
obtenidas en una muestra para calcular dos n umeros
que forman los extremos del intervalo que conamos
contenga al parametro de interes . Dependiendo
del parametro se utiliza en la construccion del IC
las distribuciones muestrales normal estandar (Z),
t-student,
2
o F-Fisher
5.1 Intervalos de conanza para la media, con
varianza conocida
Partimos de dos valores que contiene el parametro
L
I
L
S
bajo el supuesto de que
Z =

X
/

n
N(0, 1)
podemos construir el siguiente intervalo
P(L
I
Z L
S
) = 1
donde (1 ) conforma el concepto de conanza, el
cual diere del concepto de probabilidad, en cuanto la
conanza representa la proporcion de intervalos que
contienen el parametro.
De 100 intervalos construidos a partir muestras
aleatorias, (1) % o mas contendran el parametro.1
P(z
/2
Z z
/2
) = 1
P
_
z
/2

X
/

n
z
/2
_
= 1
P
_

X z
/2

n


X +z
/2

n
_
= 1
el intervalo de conanza para la media poblacional
queda determinado por:
_

IC

: x z
/2

n
Supuestos:
X N(,
2
)
varianza conocida
5.2 Intervalo de conanza para la media, con varianza
desconocida
T =

X
s/

n
se distribuye t student con n1 grados de libertad y
el intervalo se construye
P
_
t
/2
T t
/2
_
= 1
P
_
t
/2

X
s/

n
t
/2
_
= 1
P
_

X t
/2
s

n


X +t
/2
s

n
_
= 1
_

IC

: x t
/2
s

n
Supuestos:
X N(,
2
)
varianza desconocida
Cuando el tama no de la muestra se considera grande
(usualmente n > 30) el estadstico T se aproxima a la
distribucion normal estandar, en este caso el intervalo
de conaza se puede construir a apartir de:
_

IC

: x z
/2
s

n
Supuestos:
X N(,
2
)
varianza desconocida
Ejemplo 4: Se registro el tiempo transcurrido en-
tre la facturacion y la recepcion del pago, para una
muestra de 100 clientes en una empresa. La media y
la desviacion estandar son respectivamente: 39.1 das
y 17.3 das. Con el n de establecer una medicion de
la calidad en el servicio, se requiere determinar una
estimacion del 95 % para la media.
Solucion: La estimacion del tiempo que demora el pa-
go de una factura es un valor de importancia tanto
para empresarios como para proveedores, pues esta
7
Gua No. 9
informacion se utiliza para la progranacion de gastos
e ingresos. El problema nos suministra la siguiente
informacion:
x = 39.1 das
s = 17.3 das, lo que signica que se desconoce la
varianza
n = 100 que se considera grande
se requiere construir un IC del 95 % para , que im-
plica un valor del percentil z = 1.96
x z
/2
s

n
39.1 1.96
17.3

100
_
39.1 1.96
17.3

100
; 39.1 + 1.96
17.3

100
_
(35.71; 42.49)
El tiempo promedio transcurrido entre la facturacion
y el pago en la empresa esta entre 35.7 dias y 42.5
dias con una conanza del 95 %
5.3 Tama no de la muestra para estimar una me-
dia
Uno de los problemas mas frecuentes a los que nos
enfrentamos es la determinacion del tama no de la
muestra para realizar una estimacion de la media que
garantice una conanza del (1 ) %
P
_
z
/2

n


X z
/2

n
_
= 1
Para construirlo partimos del supuesto que podemos
tolerar un error de muestreo
e = |

X | z
/2

n
y que deseamos una con abilidad del (1 ) %. de
la siguiente igualdad despejamos n
e = z
/2

n
e
2
= z
2
/2

2
n
_
'

n =
z
2
/2

2
e
2
5.4 Intervalos de conanza para la proporcion
La construccion del intervalo de conanza para una
proporcion es similar al proceso realizado en la con-
struccion de la media, bajo el supuesto de np > 10 que
permite la aproximacion a una distribucion normal
p N
_
p,
p(1 p)
n
_
por tanto
_
p z
/2
_
p (1 p
n
; p +z
/2
_
p (1 p
n
_
_

IC
p
: p z
/2
_
p(1 p)
n
Supuesto:
np > 5 o n(1 p) > 5
5.5 Intervalos de conanza para la variaza
En el caso del intervalo de conanza para la varianza
se parte de la premisa de que la variable
(n 1)S
2

2

2
v=n1
a partir de ella se puede construir
P
_

2
1/2

(n 1)S
2

2

2
/2
_
= 1
al invertir esta ecuaciones tenemos
P
_
1

2
1/2

2
(n 1)S
2

1

2
/2
_
= 1
nalmente tenemos
P
_
(n 1)S
2

2
/2

2

(n 1)S
2

2
1/2
_
= 1
_

IC

2 :
_
(n 1)S
2

2
/2
;
(n 1)S
2

2
1/2
_
Supuestos:
X N(,
2
)
5.6 Estimacion de intervalos de conanza para
comparacion de dos poblaciones:
Cuando se compraran dos poblaciones se puede estar
interesado en la diferencia de medias, diferencia de
proporciones o la razon de varianzas. Es necesario
distinguir cuando se trata de diferencia de medias
pareadas o diferencia para poblaciones independi-
entes.
8
Gua No. 9
5.6.1 Diferencia de medias - pareadas
Se consideran muestras pareadas cuando existen una
fuerte dependencia entre pares de observaciones de
dos poblaciones. Es el caso de experimentos donde se
observan individuos en dos momentos diferentes de
tiempo, por ejemplo estudiantes a los que se les real-
iza un examen de entrada y un examen de salida. En
este caso se compara la evolucion de cada individuo
consigo mismo conformando parejas de mediciones.
IC
d= x1 x2
:

d t
/2
s
d

n
donde d
i
= x
1i
x
2i
y s
d
es la desviacion estandar
de las diferencias d
i
= x
1i
x
2i
5.6.2 Diferencia de medias poblaciones indepen-
dientes
_

Caso1 :Supone varianzas iguales y desconocidas

( x
1
x
2
) t
/2
s
p
_
1
n
1
+
1
n
2
donde s
2
p
es la varianza com un
s
2
p
=
(n
1
1)s
2
1
+ (n
2
1)s
2
2
n
1
+n
2
2
y t
/2
se distribuye t-student con v = n
1
+ n
2
2
grados de libertad
Supuestos:
X
1
y X
2
son variables aleatorias independientes con
distribucion normal X
1
y X
2
tienen varianzas iguales
pero desconocidas
_

Caso2: Supone varianzas diferentes, pero desconoci-

das
( x
1
x
2
) t
/2

s
2
1
n
1
+
s
2
2
n
2
donde los grados de libertad de t se aproximan a
v =
(s
2
1
/n
1
+s
2
2
/n
2
)
2
_
(s
2
1
/n
1
)
2
/(n
1
1)
_
+
_
(s
2
2
/n
2
)
2
/(n
2
1)
_
En cualquiera de los casos los resultados pueden
generar que intervalo sea de la forma:
(, ), los dos limites que conforman el IC son nega-
tivos. De este resultado se puede concluir que
1
<
2
(, +), el limite inferior es negativo y el superior
es positivo. Este intervalo contiene la posibilidad de

1
=
2
(+, +), los dos limites son positivos, De este resultado
podriamos concluir que
1
>
2
5.7 Diferencia de proporciones
_
`

( p
1
p
2
) z
/2

p
1
(1 p
1
)
n
1
+
p
2
(1 p
2
)
n
2
Ejemplo 5: : En una muestra de 200 clientes, el 20 %
indica preferencia por tama no especial de pizza. Con
posterioridad a una campa na publicitaria realizada
en radio y television promoviendo dicho producto, se
selecciono una muestra de igual tama no. En esta ulti-
ma muestra el 22 % de los clientes indico preferencia
por el producto. De acuerdo con estos resultados cal-
cule un intervalo de conanza del 95 % para la difer-
encia de proporciones. De acuerdo a los resultados
obtenidos, podra armarse que la campa na publici-
taria fue efectiva?
Solucion: En este caso se trata de la comparacion de
dos proporciones (proporcion de clientes que preeren
el tama no especial dentro de los clientes de la pizzera
- p
2
comparada con la proporcion de los clientes de la
misma pizzera pero despues de realizada la campa na
publicitaria - p
2
) Informacion suministrada:
n
1
= 200(numero de clientes encuestados sobre sus
preferencias antes de realizar la campa na publicitaria
p
1
= 0.20 proporcion muestral de clientes que pre-
eren el tama no especial de pizza antes de la campa na
publicitaria
n
2
= 200(numero de clientes encuestados sobre sus
preferencias despues de realizada la campa na public-
itaria
p
2
= 0.22 proporcion muestral de clientes que pre-
eren el tama no especial de pizza despues de re-
alizadala campa na publicitaria En ambos casos los
tama nos de muestra se consideran grandes, permi-
tiendo transformar la diferencia de proporciones en
una variable z con distribucion normal estandar
(0.200.22)
_
0.20 (1 0.20)
200
+
0.22 (1 0.22)
200
(0.0998; 0.0598)
El intervalo estimado se lee: La diferencia entre la pro-
porcion de clientes que preeren el tama no especial
de pizza antes de la realizar la campa na publicitaria
y la proporcion de clientes que preeren este mismo
tama no, despues de realizada la campa na publici-
taria esta entre -0.0998 y -0.059, con una conanza
del 95 %. Estos resultados indican que p
1
p
2
< 0
o tambien que p
1
< p
2
, lo cual quiere decir que la
proporcion de clientes con esta preferencia aumento
9
Gua No. 9
despues de haber realizado la campa na publicitaria.
5.8 Comparacion de varianzas
La comparaci on de varianzas se realiza con relacion al
valor que tome la razon de sus valores
2
1
/
2
2
. Observe
que si esta relacion es uno, indicara que las varian-
zas son iguales. Por el contrario si esta raz on es muy
grande indicara que
2
1
>
2
2
y si su valor es muy
cercano a cero indicara lo contrario. El uso de esta
comparacion esta relacionado con supuestos necesar-
ios para la comparacion de medias independientes,
analisis de varianza y dise nos experimentales. En este
caso se emplea en su construccion la distribucion F
de Fischer
_
'

_
s
2
1
s
2
2
F
1/2;v1,v2
;
s
2
1
s
2
2
F
/2;v1,v2
_
EJERCICIOS PROPUESTOS
1. Para una variable con distribucion normal estandar
determine el valor de z tal que:
a). P(z < Z < z) = 0.90
b). P(z < Z < 1) = 0.40
c). P(z < Z) = 0.05
d). P(Z > z) = 0.80
2. Sea X N(50, 10), Determine las siguientes proba-
bilidades:
a). P(X < 40)
b). P(X < 65)
c). P(X > 55)
d). P(X > 35)
e). P(40 < X < 45)
f). P(38 < X < 62)
3. Sea X N(10, 5). Encontrar los valores de x que
corresponden a las siguientes probabilidades:
a). P(X < x) = 0.05
b). P(X < x) = 0.95
c). P(X < x) = 0.99
d). P(X < x) = 0.01
e). P(X < x) = 0.025
f). P(X < x) = 0.975
4. El tiempo en que un cajero de un banco con servi-
cio en el automovil atiende a un cliente es una vari-
able aleatoria con una media = 3.2 minutos y una
desviacion estandar de = 1.6 minutos. Si se obtiene
una muestra de n = 64 clientes, encuentre la proba-
bilidad de que el tiempo medio con el cajero sea:
a). a lo mas de 2.7 minutos
b). mas de 3.5 minutos
c). al menos 3.2 minutos, pero menos de 3.4 minutos
5. Use la tabla t-student para encontrar:
a). t
0.05
(v = 8)
b). t
0.975
(v = 12)
c). t
0.25
(v = 10)
d). t
0.95
(v = 10)
e). El punto t tal que P(t < T
v=25
< t) = 0.90
f). El punto t tal que P(t < T
v=25
< t) = 0.95
g). El punto t tal que P(T
v=15
> t) = 0.05
h). El punto t tal que P(T
20
> t) = 0.10
i). El punto t tal que P(T
30
< t) = 0.10
6. Una empresa manufacturera arma que las bateras
que utiliza en sus juegos electronicos duran un periodo
de 30 horas. Para mantener este promedio, se prueban
16 bateras cada mes. Si el valor T = ( x30)/(s/

n)
cae entre t
0.025;v=15
y t
0.975;v=15
, la empresa queda
satisfecha con su armacion. ?Que conclusion deberia
tomar la empresa si una muestra presenta una media
x = 27.5 horas y una desviacion estandar de s = 5
horas?. Suponga que la duracion de las bateras tiene
una distribucion normal.
7. Un fabricante de barras de cereal bajos en grasas ar-
ma que su cantenido promedio de grasas saturadas es
de 0.5 gramos. En una muestra aleatoria de 8 barras
del cereal, el contenidio de grasas saturadas fue de :
0.6, 0.7, 0.7, 0.3, 0.4, 0.5, 0.4 y 0.2 gramos. Estara
de acuerdo con la armacion realizada por el fabri-
cante?. Suponga que el contenido de grasas saturadas
en la barra es una variable aleatoria que se distribuye
de manera nornal.
8. Para una distribucion chi-cuadrado encuentre:
a).
2
0.025
(v = 15)
b).
2
0.01
(v = 17)
c).
2
0.05
(v = 24)
d). P(X
2
>
2
) = 0.99, (v = 4)
e). P(X
2
>
2
) = 0.025, (v = 19)
f). P(
2
< X
2
< 23.209) = 0.015, (v = 10)
g). P(37.652 < X
2
<
2
) = 0.045, (v = 25)
9. La calicacion de un examen de admision a la univer-
sidad que se aplica a estudiantes durante los ultimos
cinco a nos esta distribuido normal con media = 74
y varianza
2
= 8. En una muestra de n = 20 estudi-
antes, se encontro un valor de s
2
= 20. Se considera
que el valor de 8 para la varianza puede ser aceptado,
si el valor de la variable X
2
= (n1)S
2
/8, esta entre

2
0.05;v=19
y
2
0.95;v=19
.?Que conclusion debe tomar?,
en caso contrario se rechaza esta armacion.
10
Gua No. 9
10. Para la distribucion F encuentre:
a). f
0.05
(v
1
= 7; v
2
= 15)
b). f
0.05
(v
1
= 15; v
2
= 7)
c). f
0.95
(v
1
= 19; v
2
= 24)
d). f
0.95
(v
1
= 7; v
2
= 15)
11. Una muestra de 100 propietarios de automoviles in-
dica que en el departamento del Valle del Cauca
se maneja en promedio 23500 km al a no con una
desviacion estandar de 3900 km. Suponga que la dis-
tribucion de las mediciones es aproximadamente nor-
mal. Construya un intervalo de conanza del 95 %
para el numero promedio de kilometros que recorre
un automovil anualmente en el Valle del Cauca. Ust-
ed desea comprar un carro usado y su actual propi-
etario y unico due no le informa que el carro en venta
lo compro el 5 de Junio de 2008 y al inspeccionar ve-
locmetro indica que ha recorrido 43265 kil ometros. A
que conclusion podra llegar al comparar los resultados
obtenidos con los datos del vehculo?
12. La Camara de Comercio de Cali esta interesada en
estimar la cantidad promedio de dinero que gasta la
gente que asiste a convenciones, calculando comidas,
alojamiento y entretenimiento por da. De las distin-
tas convenciones que se han realizado en Cali durante
el ultimo mes fueron seleccionadas 16 personas a las
que se les pregunto la cantidad de dinero que haban
gastado por da. El resultado en dolares fueron los
siguientes: 150,175, 163, 148, 142, 189, 135, 174, 168,
152, 158, 184, 134, 146, 155 y 163. Si se supone que
la cantidad de dinero gastada en un da es una vari-
able aleatoria con distribucion aproximadamente nor-
mal. Obtenga los intervalos de conanza estimados
del 90 %, 95 % 98 % y 99 % para la cantidad promedio
real. Analice los resultados y a partir de ellos concluya
sobre el efecto que genera un aumento en el nivel de
conanza.
13. Dos de las Facultades de la Universidad (FI y FCEyA)
tienen procedimientos distintos para inscribir a sus es-
tudiantes a primer semestre. El Vicerrector Academi-
co desea comparar los tiempos promedios que les
toma el tramite de inscripcion. En cada Facultad se
tomaron los tiempos de 100 neojaverianos selecciona-
dos de manera aleatoria. Las medias y las desviaciones
estandar muestrales son las siguientes: x
1
= 50, 2,
s
1
= 4, 8 y x
2
= 52, 9, s
2
= 5, 4. Estime un inter-
valo de conanza para la diferencia de los tiempos
medios del 95 % y analice los resultados.
14. En la fabricacion de un metal se utiliza un proceso
estandar. Se ha desarrollado un nuevo proceso en el
que se a nade una aleacion a la produccion del metal.
Los fabricantes se encuentran interesados en estimar
la verdadera diferencia entre las tensiones de ruptura
de los metales producidos por los dos procesos. Para
cada metal se seleccionan 12 piezas y cada una de
estas muestras es sometida a una tension hasta que
se rompe. La siguiente tabla nuestra las tensiones de
ruptura de las piezas en kilogramos por centmetro
cuadrado:
Proceso 428 419 458 439 441 456
estandar 463 429 438 445 441 463
Proceso 462 448 435 465 429 472
nuevo 453 459 427 468 452 447
Si se supone que el muestreo se llevo a cabo sobre dos
poblaciones con distribuciones normales, independi-
entes y con varianzas iguales, obtenga los intervalos de
conanza del 90, 95 y 99 por ciento para la diferencia
de medias. Con base en los resultados podra concluir
que existe una diferencia real entre los promedios de
las tensiones de ruptura de los dos materiales?.
15. En una muestra de 400 clientes, el 20 % indica prefer-
encia por tama no especial de pizza. Con posterioridad
a una campa na publicitaria realizan da en radio y tele-
vision promoviendo dicho producto, se selecciono una
muestra de igual tama no. En esta ultima muestra el
22 % de los clientes manifestaron su preferencia por el
producto. De acuerdo con estos resultados calcule un
intervalo de conanza del 95 % para la diferencia de
proporciones. De acuerdo a los resultados obtenidos,
podra armar que la campa na publicitaria fue efec-
tiva?
16. El propietario de un prestigioso gimnasio quiere de-
terminar si un instructor de ejercicio debe ser con-
tratado o no para su campa na estrella: Pierda mas
de 5 kg de peso en un mes. Para tomar la decision
le dice a un de los candidatos que pruebe con 16 de
las personas que habitualmente concurren al gimna-
sio tomadas al azar. Los datos que se tomaron antes
y despues de haber realizado un mes de ejercicios a
cargo del candidato son los siguientes: 104.5 y 98.6;
89.3 y 85.5; 84.5 y 85.6; 106.8 y 103.0; 90.1 y 88.5;
96.5 y 95.6; 79.5 y 79.5; 90.4 y 90.3; 85.2 y 82.6; 76.5
y 76.0; 91.5 y 89.5; 82.5 y 81.5; 100.5 y 99.4; 89.5 y
86.5; 121.6 y 115.2; 72.0 y 70.1.
17. Cuando se extrae una muestra de una poblacion que
no es normal y se requiere estimar un intervalo de con-
anza se pueden utilizar los metodos de estimacion
bootstrap. Existen varias versiones del metodo. Una
presentacion basica del metodo se describe a contin-
uacion:
El artculo de In-use Emissions from Heavy Duty
Dissel Vehicles (J.Yanowitz, 2001) presenta las medi-
ciones de eciencia de combustible en millas/galon de
una muestra de siete camiones. Los datos obtenidos
son los siguientes: 7.69, 4.97, 4.56, 6.49, 4.34, 6.24
y 4.45. Se supone que es una muestra aleatoria de
camiones y que se desea construir un intervalo de con-
anza del 95 % para la media de la eciencia de com-
bustible de esta poblacion. No se tiene informacion de
11
Gua No. 9
la distribucion de los datos. El metodo bootstrap per-
mite construir intervalos de conanza del 95 % -
Para ilustrar el metodo suponga que coloca los valores
de la muestra en una caja y extrae uno al azar. Este
correspondera al primer valor de la muestra boot-
strap X

1
. Despues de anotado el valor se regresa X

1
a la caja y se extrae el valor X

2
, regresandolo nueva-
mente. Este procedimiento se repite hasta completar
una muestra de tama no n, X

1
, X

2
, ...X

n
, conforman-
do la muestra bootstrap. Es necesario extraer un gran
n umero de muestras (suponga k = 1000). Para cada
una de las muestra bootstrap obtenidas se calcula la
media

X

i
, obteniendose un valor para cada muestra.
El intervalo de conanza queda conformado por los
percentiles P
2.5
y P
97.5
.Existen dos metodos para es-
timarlo:
(P
2.5
; P
97.5
)
(2

X P
97.5
; 2

X P
2.5
)
Construya el intervalo de conanza por los dos meto-
dos y compare los resultados obtenidos.
Tomado de Navidi(2006)
PRACTICA DE COMPUTO Suponga que se tiene
una variable con distribucion de poblacion normal con me-
dia = 150 y varianza
2
= 400. A partir de esta distribu-
ci on genere los siguientes pasos:
1. Genere k = 1000 muestras aleatorias de tama no
n
1
= 20 de esta poblacion.
2. Para cada una de las muestra obtenidas calcule los
siguentes estimadores del parametro

1
= x

2
= P
50
= m
e

3
= max {x
1
, x
2
, ...x
n
}

4
= mn {x
1
, x
2
, ...x
n
}

5
=
max {x
1
, x
2
, ...x
n
} + mn {x
1
, x
2
, ...x
n
}
2
3. Represente gracamente los resultados obtenidos
4. Repita el procedimiento para tama nos de muestra
n
2
= 50, n
3
= 500 y n
4
= 1000
5. Realice un analisis sobre los resultados obtenidos
6. Ahora realice el experimento con las distribuciones:
Lognormal, Exponecial, Weibull. Compare los resul-
tados obtenidos.
PROBLEMAS ADICIONALES TEXTO GUIA :
Ejercicios del 8.56 al 8.75 Walpole(2007) pp.266.
Programa en R, punto 17
x=c( 7.69, 4.97, 4.56, 6.49, 4.34, 6.24, 4.45)
boot=sample(x,7000,replace=TRUE)
b=matrix(boot,nrow=1000,ncol=7)
b
mx=apply(b,1,mean)
ic=quantile(mx, probs=c(0.025, 0.975))
ic
12
Gua No. 9
656 APPENDIX A STATISTICAL TABLES AND CHARTS
Table IV Percentage Points t
,
of the t-Distribution

.40 .25 .10 .05 .025 .01 .005 .0025 .001 .0005
1 .325 1.000 3.078 6.314 12.706 31.821 63.657 127.32 318.31 636.62
2 .289 .816 1.886 2.920 4.303 6.965 9.925 14.089 23.326 31.598
3 .277 .765 1.638 2.353 3.182 4.541 5.841 7.453 10.213 12.924
4 .271 .741 1.533 2.132 2.776 3.747 4.604 5.598 7.173 8.610
5 .267 .727 1.476 2.015 2.571 3.365 4.032 4.773 5.893 6.869
6 .265 .718 1.440 1.943 2.447 3.143 3.707 4.317 5.208 5.959
7 .263 .711 1.415 1.895 2.365 2.998 3.499 4.029 4.785 5.408
8 .262 .706 1.397 1.860 2.306 2.896 3.355 3.833 4.501 5.041
9 .261 .703 1.383 1.833 2.262 2.821 3.250 3.690 4.297 4.781
10 .260 .700 1.372 1.812 2.228 2.764 3.169 3.581 4.144 4.587
11 .260 .697 1.363 1.796 2.201 2.718 3.106 3.497 4.025 4.437
12 .259 .695 1.356 1.782 2.179 2.681 3.055 3.428 3.930 4.318
13 .259 .694 1.350 1.771 2.160 2.650 3.012 3.372 3.852 4.221
14 .258 .692 1.345 1.761 2.145 2.624 2.977 3.326 3.787 4.140
15 .258 .691 1.341 1.753 2.131 2.602 2.947 3.286 3.733 4.073
16 .258 .690 1.337 1.746 2.120 2.583 2.921 3.252 3.686 4.015
17 .257 .689 1.333 1.740 2.110 2.567 2.898 3.222 3.646 3.965
18 .257 .688 1.330 1.734 2.101 2.552 2.878 3.197 3.610 3.922
19 .257 .688 1.328 1.729 2.093 2.539 2.861 3.174 3.579 3.883
20 .257 .687 1.325 1.725 2.086 2.528 2.845 3.153 3.552 3.850
21 .257 .686 1.323 1.721 2.080 2.518 2.831 3.135 3.527 3.819
22 .256 .686 1.321 1.717 2.074 2.508 2.819 3.119 3.505 3.792
23 .256 .685 1.319 1.714 2.069 2.500 2.807 3.104 3.485 3.767
24 .256 .685 1.318 1.711 2.064 2.492 2.797 3.091 3.467 3.745
25 .256 .684 1.316 1.708 2.060 2.485 2.787 3.078 3.450 3.725
26 .256 .684 1.315 1.706 2.056 2.479 2.779 3.067 3.435 3.707
27 .256 .684 1.314 1.703 2.052 2.473 2.771 3.057 3.421 3.690
28 .256 .683 1.313 1.701 2.048 2.467 2.763 3.047 3.408 3.674
29 .256 .683 1.311 1.699 2.045 2.462 2.756 3.038 3.396 3.659
30 .256 .683 1.310 1.697 2.042 2.457 2.750 3.030 3.385 3.646
40 .255 .681 1.303 1.684 2.021 2.423 2.704 2.971 3.307 3.551
60 .254 .679 1.296 1.671 2.000 2.390 2.660 2.915 3.232 3.460
120 .254 .677 1.289 1.658 1.980 2.358 2.617 2.860 3.160 3.373
.253 .674 1.282 1.645 1.960 2.326 2.576 2.807 3.090 3.291
degrees of freedom.
0

,
t
PQ220 6234F. pp [ 1 26].qxd 5/8/02 8:31 PM Page 656 RK UL 6 RK UL 6:Desktop Folder:TEMP WORK:PQ220 MONT 8/5/2002: PPENDIX :
Tomada de Mongomery (2008)
13
Gua No. 9
APPENDIX A 655
Table III Percentage Points
2
,
of the Chi-Squared Distribution

.995 .990 .975 .950 .900 .500 .100 .050 .025 .010 .005
1 .00 .00 .00 .00 .02 .45 2.71 3.84 5.02 6.63 7.88
2 .01 .02 .05 .10 .21 1.39 4.61 5.99 7.38 9.21 10.60
3 .07 .11 .22 .35 .58 2.37 6.25 7.81 9.35 11.34 12.84
4 .21 .30 .48 .71 1.06 3.36 7.78 9.49 11.14 13.28 14.86
5 .41 .55 .83 1.15 1.61 4.35 9.24 11.07 12.83 15.09 16.75
6 .68 .87 1.24 1.64 2.20 5.35 10.65 12.59 14.45 16.81 18.55
7 .99 1.24 1.69 2.17 2.83 6.35 12.02 14.07 16.01 18.48 20.28
8 1.34 1.65 2.18 2.73 3.49 7.34 13.36 15.51 17.53 20.09 21.96
9 1.73 2.09 2.70 3.33 4.17 8.34 14.68 16.92 19.02 21.67 23.59
10 2.16 2.56 3.25 3.94 4.87 9.34 15.99 18.31 20.48 23.21 25.19
11 2.60 3.05 3.82 4.57 5.58 10.34 17.28 19.68 21.92 24.72 26.76
12 3.07 3.57 4.40 5.23 6.30 11.34 18.55 21.03 23.34 26.22 28.30
13 3.57 4.11 5.01 5.89 7.04 12.34 19.81 22.36 24.74 27.69 29.82
14 4.07 4.66 5.63 6.57 7.79 13.34 21.06 23.68 26.12 29.14 31.32
15 4.60 5.23 6.27 7.26 8.55 14.34 22.31 25.00 27.49 30.58 32.80
16 5.14 5.81 6.91 7.96 9.31 15.34 23.54 26.30 28.85 32.00 34.27
17 5.70 6.41 7.56 8.67 10.09 16.34 24.77 27.59 30.19 33.41 35.72
18 6.26 7.01 8.23 9.39 10.87 17.34 25.99 28.87 31.53 34.81 37.16
19 6.84 7.63 8.91 10.12 11.65 18.34 27.20 30.14 32.85 36.19 38.58
20 7.43 8.26 9.59 10.85 12.44 19.34 28.41 31.41 34.17 37.57 40.00
21 8.03 8.90 10.28 11.59 13.24 20.34 29.62 32.67 35.48 38.93 41.40
22 8.64 9.54 10.98 12.34 14.04 21.34 30.81 33.92 36.78 40.29 42.80
23 9.26 10.20 11.69 13.09 14.85 22.34 32.01 35.17 38.08 41.64 44.18
24 9.89 10.86 12.40 13.85 15.66 23.34 33.20 36.42 39.36 42.98 45.56
25 10.52 11.52 13.12 14.61 16.47 24.34 34.28 37.65 40.65 44.31 46.93
26 11.16 12.20 13.84 15.38 17.29 25.34 35.56 38.89 41.92 45.64 48.29
27 11.81 12.88 14.57 16.15 18.11 26.34 36.74 40.11 43.19 46.96 49.65
28 12.46 13.57 15.31 16.93 18.94 27.34 37.92 41.34 44.46 48.28 50.99
29 13.12 14.26 16.05 17.71 19.77 28.34 39.09 42.56 45.72 49.59 52.34
30 13.79 14.95 16.79 18.49 20.60 29.34 40.26 43.77 46.98 50.89 53.67
40 20.71 22.16 24.43 26.51 29.05 39.34 51.81 55.76 59.34 63.69 66.77
50 27.99 29.71 32.36 34.76 37.69 49.33 63.17 67.50 71.42 76.15 79.49
60 35.53 37.48 40.48 43.19 46.46 59.33 74.40 79.08 83.30 88.38 91.95
70 43.28 45.44 48.76 51.74 55.33 69.33 85.53 90.53 95.02 100.42 104.22
80 51.17 53.54 57.15 60.39 64.28 79.33 96.58 101.88 106.63 112.33 116.32
90 59.20 61.75 65.65 69.13 73.29 89.33 107.57 113.14 118.14 124.12 128.30
100 67.33 70.06 74.22 77.93 82.36 99.33 118.50 124.34 129.56 135.81 140.17
degrees of freedom.

,
2

PQ220 6234F. pp [ 1 26].qxd 5/8/02 8:31 PM Page 655 RK UL 6 RK UL 6:Desktop Folder:TEMP WORK:PQ220 MONT 8/5/2002: PPENDIX :
Tomada de Mongomery (2008)
14
Gua No. 9
T
a
b
l
e

V
P
e
r
c
e
n
t
a
g
e

P
o
i
n
t
s

o
f

t
h
e

F
-
D
i
s
t
r
i
b
u
t
i
o
n
(
c
o
n
t
i
n
u
e
d
)
f
0
.
0
2
5
,
v
1
,
v
2
D
e
g
r
e
e
s

o
f

f
r
e
e
d
o
m

f
o
r

t
h
e

n
u
m
e
r
a
t
o
r
(
v
1
)
1
2
3
4
5
6
7
8
9
1
0
1
2
1
5
2
0
2
4
3
0
4
0
6
0
1
2
0
1
6
4
7
.
8
7
9
9
.
5
8
6
4
.
2
8
9
9
.
6
9
2
1
.
8
9
3
7
.
1
9
4
8
.
2
9
5
6
.
7
9
6
3
.
3
9
6
8
.
6
9
7
6
.
7
9
8
4
.
9
9
9
3
.
1
9
9
7
.
2
1
0
0
1
1
0
0
6
1
0
1
0
1
0
1
4
1
0
1
8
2
3
8
.
5
1
3
9
.
0
0
3
9
.
1
7
3
9
.
2
5
3
9
.
3
0
3
9
.
3
3
3
9
.
3
6
3
9
.
3
7
3
9
.
3
9
3
9
.
4
0
3
9
.
4
1
3
9
.
4
3
3
9
.
4
5
3
9
.
4
6
3
9
.
4
6
3
9
.
4
7
3
9
.
4
8
3
9
.
4
9
3
9
.
5
0
3
1
7
.
4
4
1
6
.
0
4
1
5
.
4
4
1
5
.
1
0
1
4
.
8
8
1
4
.
7
3
1
4
.
6
2
1
4
.
5
4
1
4
.
4
7
1
4
.
4
2
1
4
.
3
4
1
4
.
2
5
1
4
.
1
7
1
4
.
1
2
1
4
.
0
8
1
4
.
0
4
1
3
.
9
9
1
3
.
9
5
1
3
.
9
0
4
1
2
.
2
2
1
0
.
6
5
9
.
9
8
9
.
6
0
9
.
3
6
9
.
2
0
9
.
0
7
8
.
9
8
8
.
9
0
8
.
8
4
8
.
7
5
8
.
6
6
8
.
5
6
8
.
5
1
8
.
4
6
8
.
4
1
8
.
3
6
8
.
3
1
8
.
2
6
5
1
0
.
0
1
8
.
4
3
7
.
7
6
7
.
3
9
7
.
1
5
6
.
9
8
6
.
8
5
6
.
7
6
6
.
6
8
6
.
6
2
6
.
5
2
6
.
4
3
6
.
3
3
6
.
2
8
6
.
2
3
6
.
1
8
6
.
1
2
6
.
0
7
6
.
0
2
6
8
.
8
1
7
.
2
6
6
.
6
0
6
.
2
3
5
.
9
9
5
.
8
2
5
.
7
0
5
.
6
0
5
.
5
2
5
.
4
6
5
.
3
7
5
.
2
7
5
.
1
7
5
.
1
2
5
.
0
7
5
.
0
1
4
.
9
6
4
.
9
0
4
.
8
5
7
8
.
0
7
6
.
5
4
5
.
8
9
5
.
5
2
5
.
2
9
5
.
1
2
4
.
9
9
4
.
9
0
4
.
8
2
4
.
7
6
4
.
6
7
4
.
5
7
4
.
4
7
4
.
4
2
4
.
3
6
4
.
3
1
4
.
2
5
4
.
2
0
4
.
1
4
8
7
.
5
7
6
.
0
6
5
.
4
2
5
.
0
5
4
.
8
2
4
.
6
5
4
.
5
3
4
.
4
3
4
.
3
6
4
.
3
0
4
.
2
0
4
.
1
0
4
.
0
0
3
.
9
5
3
.
8
9
3
.
8
4
3
.
7
8
3
.
7
3
3
.
6
7
9
7
.
2
1
5
.
7
1
5
.
0
8
4
.
7
2
4
.
4
8
4
.
3
2
4
.
2
0
4
.
1
0
4
.
0
3
3
.
9
6
3
.
8
7
3
.
7
7
3
.
6
7
3
.
6
1
3
.
5
6
3
.
5
1
3
.
4
5
3
.
3
9
3
.
3
3
1
0
6
.
9
4
5
.
4
6
4
.
8
3
4
.
4
7
4
.
2
4
4
.
0
7
3
.
9
5
3
.
8
5
3
.
7
8
3
.
7
2
3
.
6
2
3
.
5
2
3
.
4
2
3
.
3
7
3
.
3
1
3
.
2
6
3
.
2
0
3
.
1
4
3
.
0
8
1
1
6
.
7
2
5
.
2
6
4
.
6
3
4
.
2
8
4
.
0
4
3
.
8
8
3
.
7
6
3
.
6
6
3
.
5
9
3
.
5
3
3
.
4
3
3
.
3
3
3
.
2
3
3
.
1
7
3
.
1
2
3
.
0
6
3
.
0
0
2
.
9
4
2
.
8
8
1
2
6
.
5
5
5
.
1
0
4
.
4
7
4
.
1
2
3
.
8
9
3
.
7
3
3
.
6
1
3
.
5
1
3
.
4
4
3
.
3
7
3
.
2
8
3
.
1
8
3
.
0
7
3
.
0
2
2
.
9
6
2
.
9
1
2
.
8
5
2
.
7
9
2
.
7
2
1
3
6
.
4
1
4
.
9
7
4
.
3
5
4
.
0
0
3
.
7
7
3
.
6
0
3
.
4
8
3
.
3
9
3
.
3
1
3
.
2
5
3
.
1
5
3
.
0
5
2
.
9
5
2
.
8
9
2
.
8
4
2
.
7
8
2
.
7
2
2
.
6
6
2
.
6
0
1
4
6
.
3
0
4
.
8
6
4
.
2
4
3
.
8
9
3
.
6
6
3
.
5
0
3
.
3
8
3
.
2
9
3
.
2
1
3
.
1
5
3
.
0
5
2
.
9
5
2
.
8
4
2
.
7
9
2
.
7
3
2
.
6
7
2
.
6
1
2
.
5
5
2
.
4
9
1
5
6
.
2
0
4
.
7
7
4
.
1
5
3
.
8
0
3
.
5
8
3
.
4
1
3
.
2
9
3
.
2
0
3
.
1
2
3
.
0
6
2
.
9
6
2
.
8
6
2
.
7
6
2
.
7
0
2
.
6
4
2
.
5
9
2
.
5
2
2
.
4
6
2
.
4
0
1
6
6
.
1
2
4
.
6
9
4
.
0
8
3
.
7
3
3
.
5
0
3
.
3
4
3
.
2
2
3
.
1
2
3
.
0
5
2
.
9
9
2
.
8
9
2
.
7
9
2
.
6
8
2
.
6
3
2
.
5
7
2
.
5
1
2
.
4
5
2
.
3
8
2
.
3
2
1
7
6
.
0
4
4
.
6
2
4
.
0
1
3
.
6
6
3
.
4
4
3
.
2
8
3
.
1
6
3
.
0
6
2
.
9
8
2
.
9
2
2
.
8
2
2
.
7
2
2
.
6
2
2
.
5
6
2
.
5
0
2
.
4
4
2
.
3
8
2
.
3
2
2
.
2
5
1
8
5
.
9
8
4
.
5
6
3
.
9
5
3
.
6
1
3
.
3
8
3
.
2
2
3
.
1
0
3
.
0
1
2
.
9
3
2
.
8
7
2
.
7
7
2
.
6
7
2
.
5
6
2
.
5
0
2
.
4
4
2
.
3
8
2
.
3
2
2
.
2
6
2
.
1
9
1
9
5
.
9
2
4
.
5
1
3
.
9
0
3
.
5
6
3
.
3
3
3
.
1
7
3
.
0
5
2
.
9
6
2
.
8
8
2
.
8
2
2
.
7
2
2
.
6
2
2
.
5
1
2
.
4
5
2
.
3
9
2
.
3
3
2
.
2
7
2
.
2
0
2
.
1
3
2
0
5
.
8
7
4
.
4
6
3
.
8
6
3
.
5
1
3
.
2
9
3
.
1
3
3
.
0
1
2
.
9
1
2
.
8
4
2
.
7
7
2
.
6
8
2
.
5
7
2
.
4
6
2
.
4
1
2
.
3
5
2
.
2
9
2
.
2
2
2
.
1
6
2
.
0
9
2
1
5
.
8
3
4
.
4
2
3
.
8
2
3
.
4
8
3
.
2
5
3
.
0
9
2
.
9
7
2
.
8
7
2
.
8
0
2
.
7
3
2
.
6
4
2
.
5
3
2
.
4
2
2
.
3
7
2
.
3
1
2
.
2
5
2
.
1
8
2
.
1
1
2
.
0
4
2
2
5
.
7
9
4
.
3
8
3
.
7
8
3
.
4
4
3
.
2
2
3
.
0
5
2
.
9
3
2
.
8
4
2
.
7
6
2
.
7
0
2
.
6
0
2
.
5
0
2
.
3
9
2
.
3
3
2
.
2
7
2
.
2
1
2
.
1
4
2
.
0
8
2
.
0
0
2
3
5
.
7
5
4
.
3
5
3
.
7
5
3
.
4
1
3
.
1
8
3
.
0
2
2
.
9
0
2
.
8
1
2
.
7
3
2
.
6
7
2
.
5
7
2
.
4
7
2
.
3
6
2
.
3
0
2
.
2
4
2
.
1
8
2
.
1
1
2
.
0
4
1
.
9
7
2
4
5
.
7
2
4
.
3
2
3
.
7
2
3
.
3
8
3
.
1
5
2
.
9
9
2
.
8
7
2
.
7
8
2
.
7
0
2
.
6
4
2
.
5
4
2
.
4
4
2
.
3
3
2
.
2
7
2
.
2
1
2
.
1
5
2
.
0
8
2
.
0
1
1
.
9
4
2
5
5
.
6
9
4
.
2
9
3
.
6
9
3
.
3
5
3
.
1
3
2
.
9
7
2
.
8
5
2
.
7
5
2
.
6
8
2
.
6
1
2
.
5
1
2
.
4
1
2
.
3
0
2
.
2
4
2
.
1
8
2
.
1
2
2
.
0
5
1
.
9
8
1
.
9
1
2
6
5
.
6
6
4
.
2
7
3
.
6
7
3
.
3
3
3
.
1
0
2
.
9
4
2
.
8
2
2
.
7
3
2
.
6
5
2
.
5
9
2
.
4
9
2
.
3
9
2
.
2
8
2
.
2
2
2
.
1
6
2
.
0
9
2
.
0
3
1
.
9
5
1
.
8
8
2
7
5
.
6
3
4
.
2
4
3
.
6
5
3
.
3
1
3
.
0
8
2
.
9
2
2
.
8
0
2
.
7
1
2
.
6
3
2
.
5
7
2
.
4
7
2
.
3
6
2
.
2
5
2
.
1
9
2
.
1
3
2
.
0
7
2
.
0
0
1
.
9
3
1
.
8
5
2
8
5
.
6
1
4
.
2
2
3
.
6
3
3
.
2
9
3
.
0
6
2
.
9
0
2
.
7
8
2
.
6
9
2
.
6
1
2
.
5
5
2
.
4
5
2
.
3
4
2
.
2
3
2
.
1
7
2
.
1
1
2
.
0
5
1
.
9
8
1
.
9
1
1
.
8
3
2
9
5
.
5
9
4
.
2
0
3
.
6
1
3
.
2
7
3
.
0
4
2
.
8
8
2
.
7
6
2
.
6
7
2
.
5
9
2
.
5
3
2
.
4
3
2
.
3
2
2
.
2
1
2
.
1
5
2
.
0
9
2
.
0
3
1
.
9
6
1
.
8
9
1
.
8
1
3
0
5
.
5
7
4
.
1
8
3
.
5
9
3
.
2
5
3
.
0
3
2
.
8
7
2
.
7
5
2
.
6
5
2
.
5
7
2
.
5
1
2
.
4
1
2
.
3
1
2
.
2
0
2
.
1
4
2
.
0
7
2
.
0
1
1
.
9
4
1
.
8
7
1
.
7
9
4
0
5
.
4
2
4
.
0
5
3
.
4
6
3
.
1
3
2
.
9
0
2
.
7
4
2
.
6
2
2
.
5
3
2
.
4
5
2
.
3
9
2
.
2
9
2
.
1
8
2
.
0
7
2
.
0
1
1
.
9
4
1
.
8
8
1
.
8
0
1
.
7
2
1
.
6
4
6
0
5
.
2
9
3
.
9
3
3
.
3
4
3
.
0
1
2
.
7
9
2
.
6
3
2
.
5
1
2
.
4
1
2
.
3
3
2
.
2
7
2
.
1
7
2
.
0
6
1
.
9
4
1
.
8
8
1
.
8
2
1
.
7
4
1
.
6
7
1
.
5
8
1
.
4
8
1
2
0
5
.
1
5
3
.
8
0
3
.
2
3
2
.
8
9
2
.
6
7
2
.
5
2
2
.
3
9
2
.
3
0
2
.
2
2
2
.
1
6
2
.
0
5
1
.
9
4
1
.
8
2
1
.
7
6
1
.
6
9
1
.
6
1
1
.
5
3
1
.
4
3
1
.
3
1
5
.
0
2
3
.
6
9
3
.
1
2
2
.
7
9
2
.
5
7
2
.
4
1
2
.
2
9
2
.
1
9
2
.
1
1
2
.
0
5
1
.
9
4
1
.
8
3
1
.
7
1
1
.
6
4
1
.
5
7
1
.
4
8
1
.
3
9
1
.
2
7
1
.
0
0

D e g r e e s o f f r e e d o m f o r t h e d e n o m i n a t o r ( v
2
)
v
1
v
2
660
PQ220 6234F. pp [ 1 26].qxd 5/8/02 8:31 PM Page 660 RK UL 6 RK UL 6:Desktop Folder:TEMP WORK:PQ220 MONT 8/5/2002: PPENDIX :
Tomada de Mongomery (2008)
15
Gua No. 9
659
T
a
b
l
e

V
P
e
r
c
e
n
t
a
g
e

P
o
i
n
t
s

o
f

t
h
e
F
-
D
i
s
t
r
i
b
u
t
i
o
n
(
c
o
n
t
i
n
u
e
d
)
f
0
.
0
5
,
v
1
,
v
2
D
e
g
r
e
e
s

o
f

f
r
e
e
d
o
m

f
o
r

t
h
e

n
u
m
e
r
a
t
o
r
(
v
1
)
1
2
3
4
5
6
7
8
9
1
0
1
2
1
5
2
0
2
4
3
0
4
0
6
0
1
2
0
1
1
6
1
.
4
1
9
9
.
5
2
1
5
.
7
2
2
4
.
6
2
3
0
.
2
2
3
4
.
0
2
3
6
.
8
2
3
8
.
9
2
4
0
.
5
2
4
1
.
9
2
4
3
.
9
2
4
5
.
9
2
4
8
.
0
2
4
9
.
1
2
5
0
.
1
2
5
1
.
1
2
5
2
.
2
2
5
3
.
3
2
5
4
.
3
2
1
8
.
5
1
1
9
.
0
0
1
9
.
1
6
1
9
.
2
5
1
9
.
3
0
1
9
.
3
3
1
9
.
3
5
1
9
.
3
7
1
9
.
3
8
1
9
.
4
0
1
9
.
4
1
1
9
.
4
3
1
9
.
4
5
1
9
.
4
5
1
9
.
4
6
1
9
.
4
7
1
9
.
4
8
1
9
.
4
9
1
9
.
5
0
3
1
0
.
1
3
9
.
5
5
9
.
2
8
9
.
1
2
9
.
0
1
8
.
9
4
8
.
8
9
8
.
8
5
8
.
8
1
8
.
7
9
8
.
7
4
8
.
7
0
8
.
6
6
8
.
6
4
8
.
6
2
8
.
5
9
8
.
5
7
8
.
5
5
8
.
5
3
4
7
.
7
1
6
.
9
4
6
.
5
9
6
.
3
9
6
.
2
6
6
.
1
6
6
.
0
9
6
.
0
4
6
.
0
0
5
.
9
6
5
.
9
1
5
.
8
6
5
.
8
0
5
.
7
7
5
.
7
5
5
.
7
2
5
.
6
9
5
.
6
6
5
.
6
3
5
6
.
6
1
5
.
7
9
5
.
4
1
5
.
1
9
5
.
0
5
4
.
9
5
4
.
8
8
4
.
8
2
4
.
7
7
4
.
7
4
4
.
6
8
4
.
6
2
4
.
5
6
4
.
5
3
4
.
5
0
4
.
4
6
4
.
4
3
4
.
4
0
4
.
3
6
6
5
.
9
9
5
.
1
4
4
.
7
6
4
.
5
3
4
.
3
9
4
.
2
8
4
.
2
1
4
.
1
5
4
.
1
0
4
.
0
6
4
.
0
0
3
.
9
4
3
.
8
7
3
.
8
4
3
.
8
1
3
.
7
7
3
.
7
4
3
.
7
0
3
.
6
7
7
5
.
5
9
4
.
7
4
4
.
3
5
4
.
1
2
3
.
9
7
3
.
8
7
3
.
7
9
3
.
7
3
3
.
6
8
3
.
6
4
3
.
5
7
3
.
5
1
3
.
4
4
3
.
4
1
3
.
3
8
3
.
3
4
3
.
3
0
3
.
2
7
3
.
2
3
8
5
.
3
2
4
.
4
6
4
.
0
7
3
.
8
4
3
.
6
9
3
.
5
8
3
.
5
0
3
.
4
4
3
.
3
9
3
.
3
5
3
.
2
8
3
.
2
2
3
.
1
5
3
.
1
2
3
.
0
8
3
.
0
4
3
.
0
1
2
.
9
7
2
.
9
3
9
5
.
1
2
4
.
2
6
3
.
8
6
3
.
6
3
3
.
4
8
3
.
3
7
3
.
2
9
3
.
2
3
3
.
1
8
3
.
1
4
3
.
0
7
3
.
0
1
2
.
9
4
2
.
9
0
2
.
8
6
2
.
8
3
2
.
7
9
2
.
7
5
2
.
7
1
1
0
4
.
9
6
4
.
1
0
3
.
7
1
3
.
4
8
3
.
3
3
3
.
2
2
3
.
1
4
3
.
0
7
3
.
0
2
2
.
9
8
2
.
9
1
2
.
8
5
2
.
7
7
2
.
7
4
2
.
7
0
2
.
6
6
2
.
6
2
2
.
5
8
2
.
5
4
1
1
4
.
8
4
3
.
9
8
3
.
5
9
3
.
3
6
3
.
2
0
3
.
0
9
3
.
0
1
2
.
9
5
2
.
9
0
2
.
8
5
2
.
7
9
2
.
7
2
2
.
6
5
2
.
6
1
2
.
5
7
2
.
5
3
2
.
4
9
2
.
4
5
2
.
4
0
1
2
4
.
7
5
3
.
8
9
3
.
4
9
3
.
2
6
3
.
1
1
3
.
0
0
2
.
9
1
2
.
8
5
2
.
8
0
2
.
7
5
2
.
6
9
2
.
6
2
2
.
5
4
2
.
5
1
2
.
4
7
2
.
4
3
2
.
3
8
2
.
3
4
2
.
3
0
1
3
4
.
6
7
3
.
8
1
3
.
4
1
3
.
1
8
3
.
0
3
2
.
9
2
2
.
8
3
2
.
7
7
2
.
7
1
2
.
6
7
2
.
6
0
2
.
5
3
2
.
4
6
2
.
4
2
2
.
3
8
2
.
3
4
2
.
3
0
2
.
2
5
2
.
2
1
1
4
4
.
6
0
3
.
7
4
3
.
3
4
3
.
1
1
2
.
9
6
2
.
8
5
2
.
7
6
2
.
7
0
2
.
6
5
2
.
6
0
2
.
5
3
2
.
4
6
2
.
3
9
2
.
3
5
2
.
3
1
2
.
2
7
2
.
2
2
2
.
1
8
2
.
1
3
1
5
4
.
5
4
3
.
6
8
3
.
2
9
3
.
0
6
2
.
9
0
2
.
7
9
2
.
7
1
2
.
6
4
2
.
5
9
2
.
5
4
2
.
4
8
2
.
4
0
2
.
3
3
2
.
2
9
2
.
2
5
2
.
2
0
2
.
1
6
2
.
1
1
2
.
0
7
1
6
4
.
4
9
3
.
6
3
3
.
2
4
3
.
0
1
2
.
8
5
2
.
7
4
2
.
6
6
2
.
5
9
2
.
5
4
2
.
4
9
2
.
4
2
2
.
3
5
2
.
2
8
2
.
2
4
2
.
1
9
2
.
1
5
2
.
1
1
2
.
0
6
2
.
0
1
1
7
4
.
4
5
3
.
5
9
3
.
2
0
2
.
9
6
2
.
8
1
2
.
7
0
2
.
6
1
2
.
5
5
2
.
4
9
2
.
4
5
2
.
3
8
2
.
3
1
2
.
2
3
2
.
1
9
2
.
1
5
2
.
1
0
2
.
0
6
2
.
0
1
1
.
9
6
1
8
4
.
4
1
3
.
5
5
3
.
1
6
2
.
9
3
2
.
7
7
2
.
6
6
2
.
5
8
2
.
5
1
2
.
4
6
2
.
4
1
2
.
3
4
2
.
2
7
2
.
1
9
2
.
1
5
2
.
1
1
2
.
0
6
2
.
0
2
1
.
9
7
1
.
9
2
1
9
4
.
3
8
3
.
5
2
3
.
1
3
2
.
9
0
2
.
7
4
2
.
6
3
2
.
5
4
2
.
4
8
2
.
4
2
2
.
3
8
2
.
3
1
2
.
2
3
2
.
1
6
2
.
1
1
2
.
0
7
2
.
0
3
1
.
9
8
1
.
9
3
1
.
8
8
2
0
4
.
3
5
3
.
4
9
3
.
1
0
2
.
8
7
2
.
7
1
2
.
6
0
2
.
5
1
2
.
4
5
2
.
3
9
2
.
3
5
2
.
2
8
2
.
2
0
2
.
1
2
2
.
0
8
2
.
0
4
1
.
9
9
1
.
9
5
1
.
9
0
1
.
8
4
2
1
4
.
3
2
3
.
4
7
3
.
0
7
2
.
8
4
2
.
6
8
2
.
5
7
2
.
4
9
2
.
4
2
2
.
3
7
2
.
3
2
2
.
2
5
2
.
1
8
2
.
1
0
2
.
0
5
2
.
0
1
1
.
9
6
1
.
9
2
1
.
8
7
1
.
8
1
2
2
4
.
3
0
3
.
4
4
3
.
0
5
2
.
8
2
2
.
6
6
2
.
5
5
2
.
4
6
2
.
4
0
2
.
3
4
2
.
3
0
2
.
2
3
2
.
1
5
2
.
0
7
2
.
0
3
1
.
9
8
1
.
9
4
1
.
8
9
1
.
8
4
1
.
7
8
2
3
4
.
2
8
3
.
4
2
3
.
0
3
2
.
8
0
2
.
6
4
2
.
5
3
2
.
4
4
2
.
3
7
2
.
3
2
2
.
2
7
2
.
2
0
2
.
1
3
2
.
0
5
2
.
0
1
1
.
9
6
1
.
9
1
1
.
8
6
1
.
8
1
1
.
7
6
2
4
4
.
2
6
3
.
4
0
3
.
0
1
2
.
7
8
2
.
6
2
2
.
5
1
2
.
4
2
2
.
3
6
2
.
3
0
2
.
2
5
2
.
1
8
2
.
1
1
2
.
0
3
1
.
9
8
1
.
9
4
1
.
8
9
1
.
8
4
1
.
7
9
1
.
7
3
2
5
4
.
2
4
3
.
3
9
2
.
9
9
2
.
7
6
2
.
6
0
2
.
4
9
2
.
4
0
2
.
3
4
2
.
2
8
2
.
2
4
2
.
1
6
2
.
0
9
2
.
0
1
1
.
9
6
1
.
9
2
1
.
8
7
1
.
8
2
1
.
7
7
1
.
7
1
2
6
4
.
2
3
3
.
3
7
2
.
9
8
2
.
7
4
2
.
5
9
2
.
4
7
2
.
3
9
2
.
3
2
2
.
2
7
2
.
2
2
2
.
1
5
2
.
0
7
1
.
9
9
1
.
9
5
1
.
9
0
1
.
8
5
1
.
8
0
1
.
7
5
1
.
6
9
2
7
4
.
2
1
3
.
3
5
2
.
9
6
2
.
7
3
2
.
5
7
2
.
4
6
2
.
3
7
2
.
3
1
2
.
2
5
2
.
2
0
2
.
1
3
2
.
0
6
1
.
9
7
1
.
9
3
1
.
8
8
1
.
8
4
1
.
7
9
1
.
7
3
1
.
6
7
2
8
4
.
2
0
3
.
3
4
2
.
9
5
2
.
7
1
2
.
5
6
2
.
4
5
2
.
3
6
2
.
2
9
2
.
2
4
2
.
1
9
2
.
1
2
2
.
0
4
1
.
9
6
1
.
9
1
1
.
8
7
1
.
8
2
1
.
7
7
1
.
7
1
1
.
6
5
2
9
4
.
1
8
3
.
3
3
2
.
9
3
2
.
7
0
2
.
5
5
2
.
4
3
2
.
3
5
2
.
2
8
2
.
2
2
2
.
1
8
2
.
1
0
2
.
0
3
1
.
9
4
1
.
9
0
1
.
8
5
1
.
8
1
1
.
7
5
1
.
7
0
1
.
6
4
3
0
4
.
1
7
3
.
3
2
2
.
9
2
2
.
6
9
2
.
5
3
2
.
4
2
2
.
3
3
2
.
2
7
2
.
2
1
2
.
1
6
2
.
0
9
2
.
0
1
1
.
9
3
1
.
8
9
1
.
8
4
1
.
7
9
1
.
7
4
1
.
6
8
1
.
6
2
4
0
4
.
0
8
3
.
2
3
2
.
8
4
2
.
6
1
2
.
4
5
2
.
3
4
2
.
2
5
2
.
1
8
2
.
1
2
2
.
0
8
2
.
0
0
1
.
9
2
1
.
8
4
1
.
7
9
1
.
7
4
1
.
6
9
1
.
6
4
1
.
5
8
1
.
5
1
6
0
4
.
0
0
3
.
1
5
2
.
7
6
2
.
5
3
2
.
3
7
2
.
2
5
2
.
1
7
2
.
1
0
2
.
0
4
1
.
9
9
1
.
9
2
1
.
8
4
1
.
7
5
1
.
7
0
1
.
6
5
1
.
5
9
1
.
5
3
1
.
4
7
1
.
3
9
1
2
0
3
.
9
2
3
.
0
7
2
.
6
8
2
.
4
5
2
.
2
9
2
.
1
7
2
.
0
9
2
.
0
2
1
.
9
6
1
.
9
1
1
.
8
3
1
.
7
5
1
.
6
6
1
.
6
1
1
.
5
5
1
.
5
5
1
.
4
3
1
.
3
5
1
.
2
5
3
.
8
4
3
.
0
0
2
.
6
0
2
.
3
7
2
.
2
1
2
.
1
0
2
.
0
1
1
.
9
4
1
.
8
8
1
.
8
3
1
.
7
5
1
.
6
7
1
.
5
7
1
.
5
2
1
.
4
6
1
.
3
9
1
.
3
2
1
.
2
2
1
.
0
0

D e g r e e s o f f r e e d o m f o r t h e d e n o m i n a t o r ( v
2
)
v
1
v
2
PQ220 6234F. pp [ 1 26].qxd 5/8/02 8:31 PM Page 659 RK UL 6 RK UL 6:Desktop Folder:TEMP WORK:PQ220 MONT 8/5/2002: PPENDIX :
Tomada de Mongomery (2008)
16