Técnicas de

muestreo

Estimadores
puntuales y
por intervalos

Distribuciones
Técnicas de muestreo
importantes
asociadas al Enfoques basados en el diseño y el modelo.
muestreo

2016

Dr. Luis Valdivieso FACI PUCP 1 / 22

 Enfoques basados en el diseño y el modelo

Técnicas de
muestreo
Suponga que un Banco desea estimar el ingreso medio de las
N familias de un distrito y para ello considera un muestreo
Estimadores probabilı́stico seleccionando al azar y con reemplazamiento una
puntuales y
por intervalos
por una a las familias del padrón de la municipalidad del
Distribuciones distrito hasta un número n < N para conseguir una muestra
importantes
asociadas al
muestreo
Y1 , Y 2 , . . . , Y n , (1)
donde Yi denota al valor (aleatorio) que podrı́a tomar la
variable estadı́stica y =Ingreso en la i-ésima selección de la
muestra. Note aquı́ que toda familia tiene la misma
n
probabilidad N de ser escogida. Realizada las observaciones, el
ingreso medio buscado podrá estimarse mediante
1 n
ȳ = ∑ yj ,
n i=1 i
siendo yji el valor observado de la v.a. Yi , y ji ∈ {1, 2, . . . , N }.
Dr. Luis Valdivieso FACI PUCP 2 / 22
 Técnicas de
muestreo
Note que en el esquema anterior la aleatoriedad es introducida
Estimadores por el esquema de selección en el diseño de la muestra. Ası́,
puntuales y
por intervalos
podrı́amos escribir indistintamente a la variable aleatoria
Distribuciones correspondiente a la estimación anterior como
importantes
asociadas al
muestreo 1 n 1 N
Ȳ = ∑ Yi ó Ȳ = ∑ yi δ i , (2)
n i=1 n i=1

siendo δi una variable aleatoria con distribución binomial de

parámetros n y probabilidad N1 que denota al número de veces
o frecuencia en que la i−ésima familia en el distrito es
seleccionada en la muestra, lo cual tiene pleno sentido desde
que la muestra es tomada con reemplazamiento.

Dr. Luis Valdivieso FACI PUCP 3 / 22

 Técnicas de
muestreo

Estimadores Estadı́sticamente (2) es un buen estimador de µN . Por citar, su

puntuales y
por intervalos valor esperado o media
Distribuciones
importantes
asociadas al 1 N 1 N n 1 N
muestreo E(Ȳ ) = ∑ yi E(δi ) = ∑ yi = ∑ yi = µN
n i=1 n i=1 N N i=1

es precisamente el parámetro que buscamos; es decir, Ȳ es un

estimador insesgado de µN .

Dr. Luis Valdivieso FACI PUCP 4 / 22

 Técnicas de
muestreo

Estimadores Estadı́sticamente (2) es un buen estimador de µN . Por citar, su

puntuales y
por intervalos valor esperado o media
Distribuciones
importantes
asociadas al 1 N 1 N n 1 N
muestreo E(Ȳ ) = ∑ yi E(δi ) = ∑ yi = ∑ yi = µN
n i=1 n i=1 N N i=1

es precisamente el parámetro que buscamos; es decir, Ȳ es un

estimador insesgado de µN .
El enfoque hasta ahora discutido se denomina un enfoque
basado en el diseño.

Dr. Luis Valdivieso FACI PUCP 4 / 22

 Técnicas de Un lector perspicaz podrı́a preguntarse, porque este enfoque
muestreo
difiere al clásico de inferencia en el cual uno puede simplemente
Estimadores
asumir una distribución para el ingreso Y de las familias del
puntuales y
por intervalos
distrito, digamos Normal con media µ y varianza σ 2 , y por
Distribuciones
tanto estimar µ (que es la cantidad que supuestamente el
importantes
asociadas al
Banco querrı́a) al tomarse una muestra aleatoria Y1 , Y2 , . . . , Yn
muestreo de Y y considerar el estimador

1 n
Ȳ = ∑ Yi .
n i=1

La respuesta a esta interrogante no es tan directa. El enfoque

clásico comentado, llamado enfoque basado en el modelo,
difiere al del diseño en el sentido que los parámetros
poblacionales µ y µN son por naturaleza distintos a menos que
la población sea infinita.
Dr. Luis Valdivieso FACI PUCP 5 / 22
 Técnicas de
muestreo

Estimadores
puntuales y
por intervalos
En efecto, uno puede integrar ambos enfoques pensando que si
Distribuciones
la población fuera hipotéticamente grande y atemporal
importantes
asociadas al
(N → ∞), entonces la distribución empı́rica de los números
muestreo
y1 , y2 , . . . , yN (piense por simplicidad en el polı́gono de
frecuencias relativas del histograma de estos datos) deberı́a de
converger (si el modelo es correcto) a la curva normal. Luego
podrı́amos pensar en la colección dada en (1) como una
muestra aleatoria de la variable aleatoria Y .

Dr. Luis Valdivieso FACI PUCP 6 / 22

 Estimadores puntuales y por intervalos

Técnicas de
muestreo En todo diseño, existen 3 caracterı́sticas primordiales a tomarse
en cuenta. Ellos son, el tamaño de la muestra, el nivel de
Estimadores confianza y el error de estimación. Todos estos conceptos están
puntuales y
por intervalos ı́ntimamente ligados a la teorı́a de la estimación puntual y por
Distribuciones intervalos, puntos que revisaremos brevemente.
importantes
asociadas al
muestreo

Dr. Luis Valdivieso FACI PUCP 7 / 22

 Estimadores puntuales y por intervalos

Técnicas de
muestreo En todo diseño, existen 3 caracterı́sticas primordiales a tomarse
en cuenta. Ellos son, el tamaño de la muestra, el nivel de
Estimadores confianza y el error de estimación. Todos estos conceptos están
puntuales y
por intervalos ı́ntimamente ligados a la teorı́a de la estimación puntual y por
Distribuciones intervalos, puntos que revisaremos brevemente.
importantes
asociadas al Sea X una variable aleatoria (v.a.) cuya distribución depende
muestreo
de un parámetro poblacional desconocido θ (Notación: X ∼ θ).
Dada una muestra aleatoria (m.a.) de tamaño n de X: una
colección X1 , X2 , . . . , Xn de n v.a’s independientes con la
misma distribución que X, estaremos interesados en un
estimador θ̂n = g(X1 , X2 , . . . , Xn ) de θ. Si bien este puede ser
cualquier estadı́stica, es claro que nos interesarán sólo buenos
estimadores en el sentido que de observarse la muestra,
podamos garantizar que el valor observado de θ̂n , al que
llamaremos una estimación, se encuentre cerca de θ.
Dr. Luis Valdivieso FACI PUCP 7 / 22
 Técnicas de
muestreo Dado que no conocemos θ, esta cercanı́a debe evaluarse a
través de métodos probabilı́sticos. En general un buen
Estimadores
puntuales y
estimador θ̂n de θ, debe de verificar en lo posible las siguientes
por intervalos tres propiedades básicas:
Distribuciones
importantes
asociadas al
muestreo

Dr. Luis Valdivieso FACI PUCP 8 / 22

 Técnicas de
muestreo Dado que no conocemos θ, esta cercanı́a debe evaluarse a
través de métodos probabilı́sticos. En general un buen
Estimadores
puntuales y
estimador θ̂n de θ, debe de verificar en lo posible las siguientes
por intervalos tres propiedades básicas:
Distribuciones
importantes θ̂n debe de ser un estimador insesgado; i.e, E(θ̂n ) = θ.
asociadas al
muestreo

Dr. Luis Valdivieso FACI PUCP 8 / 22

 Técnicas de
muestreo Dado que no conocemos θ, esta cercanı́a debe evaluarse a
través de métodos probabilı́sticos. En general un buen
Estimadores
puntuales y
estimador θ̂n de θ, debe de verificar en lo posible las siguientes
por intervalos tres propiedades básicas:
Distribuciones
importantes θ̂n debe de ser un estimador insesgado; i.e, E(θ̂n ) = θ.
asociadas al
muestreo θ̂n debe de ser eficiente; i.e, debe de tener varianza pe-
queña, por lo usual mı́nima bajo una clase de estimadores
insesgados.

Dr. Luis Valdivieso FACI PUCP 8 / 22

 Técnicas de
muestreo Dado que no conocemos θ, esta cercanı́a debe evaluarse a
través de métodos probabilı́sticos. En general un buen
Estimadores
puntuales y
estimador θ̂n de θ, debe de verificar en lo posible las siguientes
por intervalos tres propiedades básicas:
Distribuciones
importantes θ̂n debe de ser un estimador insesgado; i.e, E(θ̂n ) = θ.
asociadas al
muestreo θ̂n debe de ser eficiente; i.e, debe de tener varianza pe-
queña, por lo usual mı́nima bajo una clase de estimadores
insesgados.
P
θ̂n debe de ser consistente; i.e, θ̂n → θ, conforme n → ∞.

Dr. Luis Valdivieso FACI PUCP 8 / 22

 Técnicas de
muestreo Dado que no conocemos θ, esta cercanı́a debe evaluarse a
través de métodos probabilı́sticos. En general un buen
Estimadores
puntuales y
estimador θ̂n de θ, debe de verificar en lo posible las siguientes
por intervalos tres propiedades básicas:
Distribuciones
importantes θ̂n debe de ser un estimador insesgado; i.e, E(θ̂n ) = θ.
asociadas al
muestreo θ̂n debe de ser eficiente; i.e, debe de tener varianza pe-
queña, por lo usual mı́nima bajo una clase de estimadores
insesgados.
P
θ̂n debe de ser consistente; i.e, θ̂n → θ, conforme n → ∞.
El problema básico con la estimación puntual, es que esta no
nos provee de un indicador de que cuan cerca o lejos esté la
estimación θ̂n de θ. Por tal motivo, surge la llamada estimación
por intervalos.

Dr. Luis Valdivieso FACI PUCP 8 / 22

 Técnicas de
muestreo Un intervalo de confianza (IC) al 100(1 − α) % para un
parámetro poblacional θ de una v.a. X es un intervalo con
Estimadores estadı́sticas L1 y L2 en sus extremos (IC = [L1 , L2 ]) tal que
puntuales y
por intervalos

Distribuciones P (L1 ≤ θ ≤ L2 ) = 1 − α.
importantes
asociadas al
muestreo

Dr. Luis Valdivieso FACI PUCP 9 / 22

 Técnicas de
muestreo Un intervalo de confianza (IC) al 100(1 − α) % para un
parámetro poblacional θ de una v.a. X es un intervalo con
Estimadores estadı́sticas L1 y L2 en sus extremos (IC = [L1 , L2 ]) tal que
puntuales y
por intervalos

Distribuciones P (L1 ≤ θ ≤ L2 ) = 1 − α.
importantes
asociadas al
muestreo Una técnica para obtener IC’s es utilizar alguna estadı́stica o
variable pivote que tenga distribución conocida y que dependa
tan solo de θ como valor desconocido. Por ejemplo, si deseamos
estimar la media de una v.a. X ∼ N (µ, σ 2 ) con varianza
conocida; podrı́amos utilizar como variable pivote la estadı́stica

X̄ − µ
Z= √ ∼ N (0, 1).
σ/ n

Dr. Luis Valdivieso FACI PUCP 9 / 22

 Técnicas de
muestreo

Tomando luego en la distribución normal estándar dos puntos

Estimadores
puntuales y cuyas áreas en las colas sean iguales a α2 (¿ porqué ?),
por intervalos
obtendremos el siguiente intervalo de confianza al 100(1 − α) %
Distribuciones
importantes para µ:
asociadas al σ σ
muestreo IC = [X̄ − z1− α2 √ , X̄ + z1− α2 √ ]
n n

Dr. Luis Valdivieso FACI PUCP 10 / 22

 Técnicas de
muestreo

Tomando luego en la distribución normal estándar dos puntos

Estimadores
puntuales y cuyas áreas en las colas sean iguales a α2 (¿ porqué ?),
por intervalos
obtendremos el siguiente intervalo de confianza al 100(1 − α) %
Distribuciones
importantes para µ:
asociadas al σ σ
muestreo IC = [X̄ − z1− α2 √ , X̄ + z1− α2 √ ]
n n
Vale destacar que gracias al teorema del lı́mite central (TLC)
este IC es aún aproximadamente válido para la media de
cualquier distribución, siempre que n sea lo suficientemente
grande y se tenga, de no conocerse σ, una estimación de esta
desviación estándar.

Dr. Luis Valdivieso FACI PUCP 10 / 22

 Técnicas de
muestreo
Otro parámetro recurrente en diversas aplicaciones lo
Estimadores
constituye la proporción p de elementos en la población que
puntuales y
por intervalos
comparten cierta caracterı́stica. A fin de obtener un intervalo
Distribuciones
de confianza aproximado al 100(1 − α) % para p, tomemos al
importantes
asociadas al
azar n elementos de la población fı́sica y consideremos las v.a’s
muestreo Xi definidas como 1 si es que en la i-ésima selección se
encuentra un elemento con la caracterı́stica buscada y 0 en
caso contrario. Note que los elementos de esta muestra sólo
podrán garantizarse distintos, si es que la muestra es tomada
sin reemplazamiento. Esto ocasiona que las variables
X1 , . . . , Xn no sean independientes; sin embargo, si el tamaño
de la población N , es grande o infinito, se podrı́a garantizarse
una casi independencia.

Dr. Luis Valdivieso FACI PUCP 11 / 22

 Técnicas de
muestreo
En la práctica si N es grande estas variables son consideradas
Estimadores
independientes, por lo que la distribución de X = ∑ni=1 Xi , que
puntuales y
por intervalos
representa al número de elementos en la muestra que
Distribuciones
comparten la caracterı́stica buscada, puede asumirse que tiene
importantes
asociadas al
aproximadamente una distribución Binomial de parámetros n y
muestreo p. Más aún, si n es grande, podremos utilizar la aproximación
de la distribución Binomial por la Normal y utilizar:
X − np p̄ − p
Z=√ =√ ∼ N (0, 1),
np(1 − p) p(1−p)
n

X
con p̄ = n, como variable pivote para la construcción del IC
para p.

Dr. Luis Valdivieso FACI PUCP 12 / 22

 Técnicas de En efecto, tomando simétricamente valores −z1− α2 y z1− α2 en la
muestreo
tabla normal estándar, podemos afirmar que:
p̄ − p
Estimadores
puntuales y
P (−z1− α2 ≤ √ ≤ z1− α2 ) = 1 − α.
por intervalos
p(1−p)
n
Distribuciones
importantes
asociadas al
muestreo

Dr. Luis Valdivieso FACI PUCP 13 / 22

 Técnicas de En efecto, tomando simétricamente valores −z1− α2 y z1− α2 en la
muestreo
tabla normal estándar, podemos afirmar que:
p̄ − p
Estimadores
puntuales y
P (−z1− α2 ≤ √ ≤ z1− α2 ) = 1 − α.
por intervalos
p(1−p)
n
Distribuciones
importantes A fin de despejar p en esta expresión, podemos considerar la
asociadas al
muestreo probabilidad equivalente:
p̄ − p 2 2
P (∣ √ ∣ ≤ z1− α) = 1−α ó
p(1−p) 2
n
2 2
z1− α z1− α
2
P (p (1 + 2
) − p(2p̄ + 2
) + p̄2 ≤ 0) = 1 − α.
n n

Dr. Luis Valdivieso FACI PUCP 13 / 22

 Técnicas de En efecto, tomando simétricamente valores −z1− α2 y z1− α2 en la
muestreo
tabla normal estándar, podemos afirmar que:
p̄ − p
Estimadores
puntuales y
P (−z1− α2 ≤ √ ≤ z1− α2 ) = 1 − α.
por intervalos
p(1−p)
n
Distribuciones
importantes A fin de despejar p en esta expresión, podemos considerar la
asociadas al
muestreo probabilidad equivalente:
p̄ − p 2 2
P (∣ √ ∣ ≤ z1− α) = 1−α ó
p(1−p) 2
n
2 2
z1− α z1− α
2
P (p (1 + 2
) − p(2p̄ + 2
) + p̄2 ≤ 0) = 1 − α.
n n
Esta probabilidad, puede escribirse como:
P ((p − p1 )(p − p2 ) ≤ 0) = 1 − α,
donde p1 y p2 son las raı́ces de la ecuación cuadrática anterior.
Dr. Luis Valdivieso FACI PUCP 13 / 22
 Técnicas de
muestreo

Estimadores Si ahora en la fórmula del discriminante

2
de la ecuación
puntuales y z1− α
por intervalos cuadrática despreciamos el término n 2 , por ser pequeño al
Distribuciones
importantes
ser n grande, obtendremos el IC = [p1 , p2 ] al 100(1 − α) %
asociadas al
muestreo
para p siguiente:
√ √
p̄(1 − p̄) p̄(1 − p̄)
IC = [p̄ − z1− α2 , p̄ + z1− α2 ].
n n
Este es conocido como el intervalo de Wald para p, a diferencia
del primero (sin la aproximación) llamado de Wilson.

Dr. Luis Valdivieso FACI PUCP 14 / 22

 Distribuciones importantes asociadas al
muestreo
Técnicas de
muestreo Aparte de las muy conocidas distribución normal, binomial e
hipergeométrica requeriremos en el curso las siguientes
Estimadores
puntuales y
extensiones mutivariadas de estas dos últimas. Ellas las
por intervalos
asociaremos luego al contexto del muestreo con y sin
Distribuciones
importantes reemplazamiento, respectivamente.
asociadas al
muestreo

Dr. Luis Valdivieso FACI PUCP 15 / 22

 Distribuciones importantes asociadas al
muestreo
Técnicas de
muestreo Aparte de las muy conocidas distribución normal, binomial e
hipergeométrica requeriremos en el curso las siguientes
Estimadores
puntuales y
extensiones mutivariadas de estas dos últimas. Ellas las
por intervalos
asociaremos luego al contexto del muestreo con y sin
Distribuciones
importantes reemplazamiento, respectivamente.
asociadas al
muestreo
La distribución Multinomial Consideremos ahora un
experimento aleatorio cuyos resultados pueden caer en
cualquiera de k categorı́as excluyentes C1 , C2 , . . . , Ck con
probabilidades respectivas p1 , p2 , . . . , pk tales que ∑ki=1 pi = 1.
Si este experimento se repite de manera independiente n veces
y se definen las variables aleatorias:

Xi = número de veces en que ocurre la categorı́a Ci ,

i = 1, 2, . . . , k.

Dr. Luis Valdivieso FACI PUCP 15 / 22

 Técnicas de
muestreo

Entonces el vector aleatorio (X1 , X2 , . . . , Xk ) se dice que tiene

Estimadores
puntuales y distribución multinomial de parámetros n, p1 , p2 , . . . , pk , y se
por intervalos
le denota por (X1 , X2 , . . . , Xk ) ∼ M ul(n, p1 , p2 , . . . , pk ). La
Distribuciones
importantes función de probabilidad (conjunta) de este vector viene dada
asociadas al
muestreo por:
P (X1 = x1 , X2 = x2 , . . . , Xk = xk )
n! x1 x2
x1 !x2 !...xk ! p1 p2 . . . pxk k , si (x1 , x2 , . . . , xk ) ∈ R
={
0 , en caso contrario.
donde R = {(n1 , n2 , . . . , nk ) ∈ {0, 1, . . . , n}k / ∑ki=1 ni = n}
denota rango del vector.

Dr. Luis Valdivieso FACI PUCP 16 / 22

 Técnicas de
muestreo
Proposición
a) Xi ∼ B(n, pi ), ∀i = 1, 2, . . . , k.
Estimadores
puntuales y
b) Cov(Xi , Xj ) = −npi pj , ∀i ≠ j ∈ {1, 2, . . . , k}.
por intervalos

Distribuciones Más aún se tienen el siguiente IC asintótico.

importantes
asociadas al
muestreo

Dr. Luis Valdivieso FACI PUCP 17 / 22

 Técnicas de
muestreo
Proposición
a) Xi ∼ B(n, pi ), ∀i = 1, 2, . . . , k.
Estimadores
puntuales y
b) Cov(Xi , Xj ) = −npi pj , ∀i ≠ j ∈ {1, 2, . . . , k}.
por intervalos

Distribuciones Más aún se tienen el siguiente IC asintótico.

importantes
asociadas al
muestreo Proposición
Si n es grande, un intervalo de confianza al 100(1 − α) % para
pi − pj , con i ≠ j, es:
√
p̄i (1 − p̄i ) + p̄j (1 − p̄j ) + 2p̄i p̄j
p̄i − p̄j ∓ z1− α2 ,
n
donde p̄i y p̄j denotan, respectivamente, a la proporción de veces
que ocurre la categorı́a Ci y la categorı́a Cj en los n experimen-
tos.
Dr. Luis Valdivieso FACI PUCP 17 / 22
 Técnicas de Vale reiterar que las v.a’s δi definidas en (2), que denotan al
muestreo
número de veces en que el i−ésimo elemento de la población
fı́sica de tamaño N es seleccionado en una muestra al azar y
Estimadores
puntuales y con reemplazamiento de tamaño n, son todas v.a’s con
por intervalos

Distribuciones
distribución B(n, N1 ). De manera más general, si se tuviera
importantes
asociadas al
interés, por ejemplo, en las frecuencias de los elementos i ≠ j
muestreo de la población, entonces no es difı́cil verificar que
1 1 2
(δi , δj , δ0 ) ∼ M ul(n, , , 1 − ),
N N N
donde f0 denota a la frecuencia de selecciones de otras
unidades distintas a i y j. Note que estas v.a´s no son
independientes, desde que por ejemplo:

P (δj = y ∣ δi = x) ≠ P (δj = y), ∀x, y ∈ {0, 1, . . . , n} con x+y ≤ n.

Dr. Luis Valdivieso FACI PUCP 18 / 22

 Técnicas de
muestreo
La distribución Hipergeométrica multivariada Esta es la
extensión multivariada de la distribución hipergeométrica.
Estimadores
Aquı́ en lugar de segmentar la población de tamaño N en dos
puntuales y
por intervalos
clases, ella se particiona en k clases a las que denotaremos por
Distribuciones
C1 , C2 , . . . , Ck . Cada clase Ci posee Mi elementos de tal
importantes
asociadas al
manera que N = M1 + M2 + . . . + Mk . Si seleccionamos ahora al
muestreo azar y sin reemplazamiento n elementos de esta población y
definimos las variables aleatorias

Xi = número de elementos de la clase Ci seleccionados en la

muestra, i = 1, 2, . . . , k,

entonces el vector aleatorio (X1 , X2 , . . . , Xk ) se dice que tiene

distribución Hipergeométrica multivariada de parámetros n,
M1 , M2 , . . . , Mk , y se le denota por
(X1 , X2 , . . . , Xk ) ∼ Hmul(n, M1 , M2 , . . . , Mk ).
Dr. Luis Valdivieso FACI PUCP 19 / 22
 Técnicas de
muestreo

Estimadores
puntuales y La función de probabilidad (conjunta) del vector anterior viene
por intervalos
dada por:
Distribuciones
importantes
asociadas al
muestreo
CxM1 1 CxM2 2 . . . CxMkk
P (X1 = x1 , X2 = x2 , . . . , Xk = xk ) = ,
CnN

donde algunas de las combinatorias Cab = 0 arriba son nulas si

a > b.

Dr. Luis Valdivieso FACI PUCP 20 / 22

 Técnicas de
muestreo

Estimadores
Proposición
puntuales y
por intervalos Xi ∼ H(N, Mi , n), ∀i = 1, 2, . . . , k.
Distribuciones nMi Mj N −n
importantes
Cov(Xi , Xj ) = − N2
( N −1 ), ∀i ≠ j ∈ {1, 2, . . . , k}.
asociadas al
muestreo Si la muestra fuera con reemplazamiento, entonces
M1 M2 Mk
(X1 , X2 , . . . , Xk ) ∼ M ul(n, , ,..., ).
N N N
Note finalmente que las v.a´s δi discutidas en (2) tienen una
naturaleza completamente distinta en caso la muestra se tome
sin reemplazamiento.

Dr. Luis Valdivieso FACI PUCP 21 / 22

 Técnicas de
muestreo En efecto, si esta fuera la situación y se tuviera interés en la
selección por decir de las unidades i ≠ j de la población fı́sica,
Estimadores
puntuales y
entonces para la distribución conjunta del vector (δi , δj , δ0 ),
por intervalos que denota respectivamente a las frecuencias de selección de
Distribuciones
importantes
las unidades i, j u otras en la muestra, se cumplirı́a que
asociadas al
muestreo
(δi , δj , δ0 ) ∼ Hmul(n, 1, 1, N − 2).

Aprecie que las v.a´s δi y δj de este vector están ahora

restringidas a tomar sólo dos valores (0 ó 1) y no son
independientes desde que por citar:

P (δj = 1 ∣ δi = 1) ≠ P (δj = 1),

pues marginalmente δi ∼ H(N, 1, n).

Dr. Luis Valdivieso FACI PUCP 22 / 22