Estadística 2 Psic (Rev 25.03.07) v.07

ESTADSTICA 2 Esc. Psicologa - U. Valparaso - PROF. ALBERTO CARO V.07 - Pg.
UNIVERSIDAD DE VALPARASO
FACULTAD DE CIENCIAS DEPARTAMENTO DE ESTADSTICA
ESTADSTICA II
CARRERA DE PSICOLOGA
PROF. ALBERTO CARO MARTN
VALPARASO, AGOSTO DE 2007
INDICE
PROBABILIDADES
1.
ESPACIO MUESTRAL Y SUCESOS

1.1.
Fenmeno aleatorio
1.2.
Experimento y espacio muestral
1.3.
Sucesos
1.4- Ejercicios
1
1
2
2
2.
PROBABILIDAD
2.1.
Probabilidad y suceso
2.2.
Modelo de probabilidad uniforme
2.3.
Ejercicios
3
3
6
3.
CONCEPTUALIZACIN DE LA PROBABILIDAD
3.1.
Definicin axiomtica
3.2.
Teoremas de probabilidades
3.3.
Ejercicios
7
7
9
4.
PROBABILIDAD CONDICIONAL
4.1.
Probabilidad condicional
4.2
Ejercicios
4.3.
Sucesos independientes
4.4.
Probabilidad Total
4.5.
Teorema de Bayes
4.6.
Ejercicios
9
10
10
11
11
13
5.
VARIABLES ALEATORIAS UNIDIMENSIONALES DISCRETAS

5.1.
Definiciones
5.2
Variable aleatoria discreta
5.3.
Parmetros de una variable aleatoria discreta
5.4.
Ejercicios
5.5.
Distribuciones de probabilidad discreta
5.6.
Distribucin Binomial
5.7.
Distribucin Hipergeomtrica
5.8.
Ejercicios
14
16
18
21
22
22
23
24
6.
VARIABLES ALEATORIAS UNIDIMENSIONALES CONTINUAS

6.1.
Definiciones
6.2.
Distribucin Normal
6.3.
Ejercicios
6.4.
Otras distribuciones continuas
25
26
31
32
DISTRIBUCIONES MUESTRALES
7.1.
Muestra aleatoria
7.2.
Parmetros y estadsticas
7.3.
Distribuciones en el muestreo
7.4.
Distribucin en el muestreo de la media aritmtica
7.5.
Otras distribuciones en el muestreo
7.6.
Ejercicios
34
34
34
36
37
40
7.
ii
INFERENCIA
8.
ESTIMACIN DE PARMETROS
8.1.
Estimacin de parmetros poblacionales
8.2.
Estimacin puntual de parmetros
8.3.
Estimacin por intervalos de parmetros
8.4.
Est. por int. de la media pobl. con varianza pobl. conocida
8.5.
Est. por int. de la media pobl. con varianza pobl. desconocida
8.6.
Estimacin por intervalo de la proporcin poblacional
8.7.
Estimacin por intervalo de la varianza poblacional
8.8.
Estimacin por intervalo del Coef. Confiabilidad Alfa
8.9.
Tamao de la muestra para estimar la Media Poblacional
41
44
44
44
49
50
51
53
54
9.
DCIMAS SOBRE UN PARAMETRO POBLACIONAL

9.1.
Tipos de hiptesis
9.2.
Procedimiento de la prueba de hiptesis
9.3.
Elementos de la prueba de hiptesis
57
58
59
10.
DCIMAS SOBRE PARMETROS DE UNA POBLACIN

10.1. Media poblacional con varianza poblacional conocida
10.2. Media poblacional con varianza poblacional desconocida
10.3. Proporcin poblacional
10.4. Varianza poblacional
10.5. Coeficiente de Confiabilidad Alfa de Cronbach
10.6. Tamao de muestra para dcima de hiptesis
63
65
67
69
70
71
DCIMAS SOBRE PARAMETROS DE DOS POBLACIONES

11.1. Diferencia de medias pobl. con varianzas poblac. conocidas
11.2. Diferencia de medias pobl. con varianza pobl. desconocidas
11.3. Diferencia de medias pobl. para datos pareados
11.4. Diferencia de proporciones poblacionales
11.5. Comparacin de varianzas poblacionales
11.6. Ejercicios
74
76
78
80
82
84
11.
BIBLIOGRAFA COMPLEMENTARIA
86
ANEXOS
1. Funciones de Distribucin
88
Normal Estndar,
t de Student
Ji Cuadrado
F
2. Formularios de Probabilidades e Inferencia
99
iii
ESTADSTICA 2 Esc. Psicologa - U. Valparaso - PROF. ALBERTO CARO V.07 - Pg. 1
PROBABILIDADES
1. ESPACIO MUESTRAL Y SUCESOS
1.1. FENMENO ALEATORIO
Muchos problemas cientficos requieren la realizacin de experimentos u observaciones,
los que pueden repetirse (al menos en teora) muchas veces. Si para cada uno de ellos no es
posible o no es conveniente intentar su descripcin causal (predecir el estado final a partir del
estado inicial), pero si se considerara su descripcin estadstica, esto es, las caractersticas o
propiedades del conjunto de resultados, entonces se trata de fenmenos aleatorios.
Los fenmenos aleatorios estn presentes en todas las situaciones en que hay variabilidad o
incertidumbre en los resultados del experimento. Ejemplos de stos son: respuesta a un tem
de una prueba (resultado puede ser correcto o incorrecto); puntaje obtenido en una prueba de
20 tems aplicada a un escolar (resultado puede ser 0; 1;...;20 puntos); estatura de nios
(valores entre 140 y 160 cm).
Segn Cansado "el Clculo de Probabilidades es la teora matemtica que sirve de
modelo para la descripcin y anlisis de los fenmenos estadsticos o aleatorios" (Cansado,
1958: 397). La Teora de las Probabilidades es importante en Estadstica pues suministra las
bases de la Inferencia, la cual consiste en obtener informacin sobre una poblacin a partir del
anlisis de una muestra de datos de la misma. Este proceso es muy til en la investigacin
cientfica.
1.2. EXPERIMENTO Y ESPACIO MUESTRAL
Un "experimento aleatorio" es el proceso controlado (puede repetirse en las mismas
condiciones) que se realiza con el propsito de recolectar informacin acerca de la ocurrencia
de un fenmeno aleatorio. Ejemplos son los siguientes:
a) Experimento 1: Aplicar un tem a una persona y registrar su respuesta;
b) Experimento 2: Aplicar 3 tems a una persona y registrar las respuestas a cada uno de
ellos.
c) Experimento 3: Aplicar prueba de 20 tems a un persona y registrar el resultado obtenido.
d) Experimento 4: Solicitar a un sujeto que ejecute una accin y registrar el nmero del
intento en que la realiza bien.
e) Experimento 5: Medir la estatura de un nio.
Se denomina "espacio muestral" al conjunto de resultados asociados con el
experimento aleatorio.
Para los experimentos anteriores, los espacios muestrales son:
S1= {Bueno, Malo} = {B , M }
S2= {BBB, BBM, BMB, BMM, MBB, MBM, MMB, MMM}
S3= {0, 1, 2, 3, 4,..., 20} = {x |xZ; 0 x 20 }
S4= {1, 2, 3, 4, 5, 6, .... }
S5= { x|xR; 100 < x < 180 ; x en cm}
Se denomina "espacio muestral discreto" al que est compuesto por un nmero de
elementos finito o infinito numerable. Ejemplos son todos los anteriores, exceptuando S5.
Se denomina "espacio muestral continuo" al que est compuesto por un nmero
infinito no numerable de elementos (como ocurre con un intervalo de nmeros reales).
Ejemplo es S5.
1.3. SUCESOS
Se denomina "suceso" a cualquier subconjunto del espacio muestral. Se llama
"suceso elemental" a aquellos que componen el espacio muestral.
Mediante la aplicacin de las operaciones de conjuntos (unin,
complemento) se pueden definir nuevos sucesos a partir de otros dados.
interseccin,
Se dice que "ocurre un suceso" si al realizar un experimento el resultado pertenece

al suceso respectivo.
Se denominan "sucesos mutuamente excluyentes" aquellos que no ocurren
simultneamente. Su interseccin es vaca.
Por ejemplo, para el Experimento 3 (aplicar prueba de 20 tems a una persona) y su
Espacio Muestral S3= {0, 1, 2, 3, 4,..., 20} se pueden definir los sucesos siguientes, entre
otros:
a)
b)
Sucesos elementales son: {1}, {8} etc.

Considerando los siguientes sucesos:
A = {0, 1, 2, 3, 4 } B= { 2, 4, 6, 8, 10, 12, 14, 16, 18, 20 }
A C = { 0, 1, 2, 3, 4, 10, 15, 18 }; AC=
C= {10, 15, 18 }
A y C son mutuamente excluyentes pues AC=

c)
Si se realiza el experimento, esto es, se aplica el test a la persona y sta logra 10

puntos, se dir que han ocurrido los sucesos B y C y no ha ocurrido A.
1.4. EJERCICIOS
1.
Explicar el significado de los trminos:

a)
Fenmeno aleatorio
b)
c)
Experimento
d)
Suceso aleatorio
Espacio muestral
2.
Dar un ejemplo de un fenmeno aleatorio
3.
Supngase que un investigador de mercados entrevista a una ama de casa y a su marido para
determinar la "aceptacin" o "no aceptacin" de un cierto producto. Cuntas posibles respuestas
podr dar esta pareja?. Indicar el experimento y el Espacio Muestral.
4.
Juan tiene cinco cartas marcadas 1, 2, 3, 4 y 5 y Mara tiene cinco cartas marcadas tambin 1, 2, 3,
4 y 5. Si se aparean las cartas de Juan con las de Mara Cuntos posibles pares hay? Indicar el
experimento y el Espacio Muestral. Representar el espacio muestral del experimento.
5.
Indicar cuales de los siguientes grupos de sucesos son mutuamente excluyentes, suponiendo la
existencia de un espacio muestral apropiado:
a) La eleccin de un hombre y una mujer de entre los alumnos del curso.
b) La eleccin de un estudiante con nota 4 o superior y de otro con nota 4 o inferior en la prueba
de Estadstica.
c) Comprar un auto marca Suzuki o marca Hyundai en un negocio de venta de autos usados.
2. PROBABILIDAD
2.1. PROBABILIDAD Y SUCESO
Intuitivamente se percibe la probabilidad asociada a un suceso como la medida
(expresin numrica) de cun posible es la ocurrencia del suceso cuando se realiza un
experimento aleatorio. Siendo A un suceso, la probabilidad asociada se denota como P(A).
Esta asociacin entre sucesos y nmeros (que es una funcin) se considera que puede
realizarse de tres maneras: a) empleando las frecuencias relativas de ocurrencia del suceso,
b) en forma subjetiva y, c) suponiendo un espacio muestral cuyos sucesos elementales son
igualmente probables. A continuacin se resean las dos primeras formas. La tercera manera
se detallar por ser una forma que permite un mayor desarrollo. Sin embargo es conveniente
puntualizar que, independientemente del mtodo empleado para realizar la asignacin de
probabilidades a los sucesos, stas se rigen por los mismos principios, los que sern
explicitados ms adelante en los teoremas sobre probabilidades.
2.1.1. Modelo Frecuentista.
En situaciones en que es posible es realizar un experimento muchas veces y en las
mismas condiciones, puede apreciarse la existencia de una regularidad estadstica, esto es,
cuando aumenta el nmero de realizaciones del experimento, la frecuencia de un suceso
tiende a estabilizarse. Por ello, se ha considerado como definicin de probabilidad de un
suceso el valor lmite de la frecuencia relativa del suceso cuando el nmero de
realizaciones del experimento tiende a infinito. Este modelo es til en el campo de los
seguros.
2.1.2. Modelo de Asignacin Subjetiva
Tambin puede considerarse la asignacin subjetiva de una probabilidad a un suceso,
empleando la experiencia de quien la realiza la asignacin. Por ejemplo, cada uno puede
asignar una probabilidad al suceso llover maana o al suceso obtener un resultado
aprobatorio en la prxima prueba. Por supuesto, las asignaciones realizadas por diversas
personas no tienen por que coincidir. Este procedimiento es empleado en el campo de los
negocios.
2.2. MODELO DE PROBABILIDAD UNIFORME (suc. elem. igualmente probables)
2.2.1. Caractersticas
Cuando un experimento se realiza y la ocurrencia de un suceso elemental es tan
probable como la de otro, se dice que el espacio muestral contiene sucesos elementales
igualmente probables. Este modelo es adecuado en experimentos como los juegos de azar.
Si un espacio muestral consiste en k sucesos elementales {e1, e2, ...,ek} igualmente
probables, la probabilidad de cada suceso elemental es P(ei)=1/k . Si un suceso A consiste en
m sucesos elementales, esto es:
Si el suceso A =
{e1 + e2 + ... + ek } entonces
P ( A) =
m
.
k
La probabilidad de un suceso A puede obtenerse mediante la expresin siguiente:
P ( A) =
Numero de casos favorables a la ocurrencia de A

Numero de casos totales
Un espacio muestral que tiene sucesos elementales igualmente probables se dice que
tiene un "modelo de probabilidad uniforme".
Ejemplo:
Si el experimento consiste en lanzar un dado, el espacio muestral es:
S= {1,2,3,4,5,6}. Como no hay evidencia que un resultado elemental pueda ocurrir
ms que otro, el modelo de probabilidad uniforme es apropiado. Por esto:
P(1) = P(2) = P(3) = P(4) = P(5) = P(6) = 1/6
Siendo el suceso A = { Resultado es un nmero par } = { 2,4,6 }
Entonces P(A)= 3/6 = 1/2 .
2.2.2. Principios de enumeracin
El modelo de espacio muestral equiprobable y la frmula sealada posibilita el
empleo de los mtodos de enumeracin para calcular las probabilidades de un suceso. En
particular, son tiles el empleo de las permutaciones y las combinaciones, las que se basan en
dos principios: de multiplicacin y de adicin.
a) Principio de Multiplicacin
Este principo se puede esquematizar de la siguiente forma: Si un procedimiento 1
puede realizarse de n1 formas y otro procedimiento 2 puede realizarse de n2 formas y si se
supone que cada forma de realizar el procedimiento 1 puede ser seguida por cualquiera de las
formas de realizar el procedimiento 2, entonces el nmero de maneras en que se puede
realizar el procedimiento 1 y luego el procedimiento 2 es igual a n1 i n2 .
Ejemplo:
Si una prueba se puede realizar en 3 tamaos de papel (oficio, carta o A4) y para
escribir las preguntas se pueden emplear 4 tipos de letra (courier, arial, tahoma o
verdana), entonces el nmero de maneras en que se puede realizar la prueba es igual
a
12 (esto es 3*4)
b) Principo de Adicin
Si un procedimiento 1 puede realizarse de n1 formas y otro procedimiento 2 puede
realizarse de n2 formas. Si se supone que ambos procedimientos no pueden realizarse juntos,
entonces el nmero de maneras en que se puede realizar el procedimiento 1 o el
procedimiento 2 es igual a n1 + n2 .
Ejemplo:
Una persona desea viajar a Santiago. Dispone de 4 lneas de buses o 3 lneas de taxis.
Por lo tanto, el nmero de formas en que dicha persona puede realizar el viaje es 7 (esto es
4+3), dado que no puede viajar en bus y taxi simultneamente.
2.2.3. Nmeros factoriales
Los nmeros factoriales son expresiones tiles que se emplean para expresar
recuentos u ordenaciones de objetos.
Se define como n ! = 1i 2i3i 4i....i( n 1)i n
Adems se considera que: 1! = 1 ;
( n! se lee n factorial).
0! = 1
2.2.4. Permutaciones
i)
Se define como el "numero de permutaciones de n en n" al nmero de arreglos u

ordenaciones posibles de "n" objetos considerndolos todos a la vez es y es igual a:
n Pn
= n ! = 1i2i3i4i....i(n 1)in
Ejemplo:
Si se dispone de 5 sillas el nmero de formas en que se pueden sentar 5 personas en
ellas es igual a: 5 P5 = 5! = 5i4i3i2i1 = 120 formas
ii)
Se define como el "nmero de permutaciones de r en n al nmero de formas

diferentes en que pueden arreglarse u ordenarse "r" objetos de un grupo de "n"
objetos distintos, lo que se denota como
n
Pr == ni(n 1)i(n 2)i....i(n r + 1) =
n!
(n r ) !
Ejemplo:
Si se dispone de 5 sillas en las cuales se deben sentar 3 personas, entonces el nmero
de formas en que esto se puede realizar es:
ii)
5 P3
= 5i4i3 = 60 formas
5 P3
5i4i3i2i1
5!
5! 120
=
= =
= 60 formas
2i1
(5 3)! 2!
2
Si se tienen "n" objetos entre los que existen repeticiones, tales que n1 son de un tipo,
n2 de un segundo tipo, n3 de un tercer tipo, ... , nk de un k-simo tipo (siendo
n1+n2+n3++nk=n), entonces el nmero de permutaciones de los "n" objetos ser
igual a
P ( n con repeticiones n1; n2 ; n3 ;...; nk ) =
n!
n1 ! n2 ! n3 !...nk !
Ejemplo:
El nmero de permutaciones (palabras) que pueden realizarse con las letras de la
palabra CARRETERA es igual a:
P (9 con repet . 3; 2; 2;1;1) =
9!
362.880 362.880
=
=
= 15.120 palabras
3!2!2!1!1! 6i 2i2i1i1
24
Pues hay 3 letras R; 2 letras A; 2 letras E; 1 letra C y 1 letra T.

2.2.5. Combinaciones
Las combinaciones son otra expresin que se emplea para contar selecciones o
arreglos de objetos. La diferencia con las permutaciones es que en las combinaciones no
interesa en orden en que se ubican los objetos.
Por lo tanto, se define a las "combinaciones de r objetos tomados de entre n de
los mismos" al nmero de formas posibles en que pueden seleccionarse "r" objetos de un
grupo de "n" objetos distintos, sin que interese el orden, denotndose como :
n
P
= C (n; r ) = = n r
r r!
n!
ni(n 1)i(n 2)i...i(n r + 1)
=
n Cr =
(n r )!r !
1i2i3i...i(r 1)ir
n Cr
Ejemplo:
El nmero de muestras diferentes de 4 alumnos que pueden seleccionarse de un grupo
de 10 alumnos (considerando que una muestra es un grupo de 4 alumnos distintos en
que no interesa el orden de seleccin, y que una muestra es diferente a otra si al
menos tienen un integrante distinto), entonces el nmero de muestras distintas que
pueden seleccionarse es igual a:
10 C4
10!
10! 3.628.800 3.628.800
=
=
=
= 210 muestras
(10 4)!4! 6!4!
720i24
17.280
2.3. EJERCICIOS
a) Permutaciones y Combinaciones
1.
Explicar la diferencia entre permutacin y combinacin.
2.
Si se lanzan cinco dados distinguibles De cuntas maneras pueden caer?
3.
Se juega cuatro veces una moneda De cuntas maneras posibles puede caer en las
cuatro jugadas? Utilice un diagrama de rbol para presentarlos.
4.
Las patentes de automvil tienen dos letras y tres nmeros. Cuntas patentes
diferentes se pueden formar?
5.
Los pacientes de un psiclogo se clasifican por edad en menos de 30, de 30 a 45 y de

ms de 45. Segn estado civil en solteros, casados y viudos; y segn sexo en
hombres y mujeres. Un
experimento consiste en seleccionar un paciente. Indique
espacio muestral. Use diagrama de
rbol.
el
6.
En un concurso de belleza quedan 15 semifinalistas. De cuntas maneras pueden

ocuparse los cinco primeros lugares del concurso?
7.
En un curso de Estadstica hay 24 hombres y 6 mujeres. De cuntas maneras distintas

se puede constituir una directiva de cuatro estudiantes? De cuntas maneras se
puede constituir si debe haber dos hombres y dos mujeres?. De cuntas formas si
debe haber una mujer?
b) Asignacin de Probabilidades
8.
Un psiclogo piensa que las opciones que un tratamiento sea efectivo para curar a un
paciente son de 3 a 1. Cul es la probabilidad respectiva?. Qu esquema de
asignacin de probabilidad se emplea?
9.
El gerente de una gran tienda ha observado que de 3.000 personas que entraron al
establecimiento durante la semana anterior, 450 hicieron alguna compra. Cul es la
probabilidad que el prximo cliente que entre compre algo. Qu esquema de
asignacin de probabilidad se emplea?
10.
Se lanzan tres monedas. Escribir el espacio muestral. Calcular las probabilidades

siguientes:
a)
Salgan ms de dos caras
b)
Salgan dos caras o dos sellos
c)
Qu esquema de asignacin de probabilidad se emplea?
11.
Un vendedor de automviles tiene 10 autos nuevos. Tres son color blanco, tres son
grises y 4 son azules. Determine la probabilidad que venda:
a)
Dos autos
b)
Dos autos blancos
c)
Dos autos del mismo color
12.
De un naipe ingls (de 52 cartas con 13 de cada pinta) se seleccionan 5 cartas. Estime
la probabilidad que stas sean de la misma pinta.
(Resp: 4)
3. CONCEPTUALIZACIN DE LA PROBABILIDAD
3.1. DEFINICIN AXIOMTICA
A continuacin se presenta una definicin formal del concepto de probabilidad,
mediante axiomas, teoremas, definiciones etc.
Los axiomas son la base para el desarrollo de la Teora de las Probabilidades y es fcil
advertir su paralelo con el comportamiento observado para las frecuencias relativas.
Sea E un experimento aleatorio y S un espacio muestral de E. Con cada suceso A se
asocia un nmero real P(A), llamado "probabilidad de A", que cumple con las siguientes
condiciones:
a)
Para todo suceso A, 0 P(A)
1
b)
c)
P(S ) = 1
P( A B ) = P( A ) + P( B ) ; siendo A y B sucesos mutuamente excluyentes.
d)
Si el espacio muestral es infinito, el axioma anterior se reemplaza por:

Si A1, A2, A3,... son sucesos mutuamente excluyentes, entonces
P( A1 A2 A3 ... ) = P( A1 ) + P( A2 ) + P( A3 ) + ...
3.2. TEOREMAS DE PROBABILIDADES

Los axiomas se complementan con teoremas. Estos permiten incrementar las
propiedades que tienen las probabilidades. Los axiomas as como los teoremas modelan el
comportamiento de las probabilidades y por ello se aplican bajo cualquier forma que se
emplee para asignar las probabilidades a los sucesos. Los teoremas fundamentales son los
siguientes
Teo. 1)
P () = 0
Teo. 2)
Teo. 3)
P ( A ) = 1- P(A )
(probabilidad del suceso complementario de A)
P(A B) = P(A) + P(B) - P(A B)
Siendo A y B sucesos cualesquiera
(probabilidad del suceso imposible)
Teo. 4)
P(A B C) = P(A)+P(B)+P(C)-P(AB)-P(AC)-P(BC)+P(ABC)
Teo. 5)
Si A B, entonces P(A)
P(B)
Ejemplo 1:
Sea el experimento E: Lanzar un dado y registrar resultado obtenido.
Sea su espacio muestral S= {1, 2, 3, 4, 5, 6 }. Considerando el espacio muestral
equiprobable para la asignacin de probabilidades, entonces se tiene que:
P(1)=P(2)=P(3)=P(4)=P(5)=P(6)=1/6
a) Se definen los sucesos:
A={1, 2, 3 }
B= {2, 3, 4, 5, 6}
C={4, 5}
A B = {1, 2, 3, 4, 5, 6}
A B = {2, 3}
C'= {1, 2, 3, 6}
A C = {1, 2, 3, 4, 5}
AC=
(A y C suc. mutuamente. excluyentes)
b) Las probabilidades de los sucesos son:

P(A)=3/6 ;
P(B)= 5/6 ;
P(C)= 2/6 ;
P(A B) = P(S)= 6/6 ; P(A C) = 5/6 ;
P(A B) = 2/6;
P(A C) = 0
P(C') = 4/6
c) Aplicando los teoremas se puede verificar que:

P(C')= 1- P(C) = 1 - 2/6 = 4/6
P(A C) = P(A) + P(C) = 3/6 + 2/6 = 5/6
(pues A y C son sucesos
mutuamente excluyentes)
P(A B) = P(A) + P(B) - P(AB) = 3/6 + 5/6 - 2/6= 6/6 (pues A y B no son
sucesos mutuamente excluyentes)
Ejemplo 2:
Se tiene una bolsa con 10 fichas de las cuales 6 son Azules y 4 son Blancas. Un
experimento consiste en seleccionar una muestra de 3 fichas (sin reposicin).
10 10! 3.628.800
a) N de muestras distintas que pueden seleccionarse: =
=
= 120
3 7!3! (5.040)(6)
1
1
=
== 0, 0083 (8,3%)
10 120

3
6
6!
720
c) Grupos de 2 fichas azules que pueden formarse con 6 azules: =
=
= 15
2
4!2!
(24)(2)

b) Probabilidad de seleccionar una muestra cualesquiera:
4 4!
24
d) Grupos de 1 fichas blancas que pueden formarse con4 blancas: =
=
=4
1 3!1! (6)(1)
6 4
e) Muestras de 3 fichas formadas por dos Azules y una Blanca: = (15)(4) = 60
2 1
f) Probabilidad de seleccionar una muestra de 3 fichas compuesta por dos fichas

Azules y una Blanca:
6 4

2 1
(15)(4) 60
P(2 Azules, 1 Blancas) = =
=
= 0,50 (50, 0%)
120
120
10

3
g) Probabilidad de seleccionar una muestra de 3 fichas compuesta por una ficha Azul y
dos Blancas:
6 4

1 2
(6)(6) 36
P(1 Azules, 2 Blanca) = =
=
= 0,30 (30, 0%)
120
120
10

3
h) Probabilidad de seleccionar una muestra de 3 fichas compuesta por 2 Azules y 1
Blancas o por 1 Azules y 2 Blanca:
P(2 Azules,1 Blanca) (1 Azul, 2 Blancas))=
=P(2 Azules,1 Blanca) + P(1 Azules, 2 Blancas)=
60 36
96
=
+
=
= 0,80 (80, 0%)
120 120 120
3.3. EJERCICIOS
1.
Analizar la informacin siguiente y explicar la razn en caso de ser errnea.

a)
Las probabilidades que un chofer de bus no tenga accidentes durante el ao es
de 0,90; que tenga un accidente es de 0,02 y tenga dos o ms es 0,90.
b)
Un inversionista afirma que la probabilidad que el precio de una accin suba es
de 0,38; que no cambie de valor es de 0,52 y de que baje es de 0,12.
2.
Las probabilidades que un vendedor de automviles venda 0, 1, 2, 3, 4 ms autos

son de 0,14, 0,21, 0,48; 0,12 y 0,05 respectivamente. Sea X el nmero de autos que
va a vender la semana prxima. Calcular la probabilidad de:
a)
b)
P(X = 0, 1 3)
P(2 X 3)
c)
d)
P(X<4)
P(X<3)
e)
f)
P(X>2)
P(X 3)
3.
Suponiendo que cada una de las 52 cartas de un naipe ingls tiene la misma
probabilidad de salir. Si se selecciona al azar una carta determine la probabilidad de
extraer:
a) Un rey negro
(Resp: 2/52)
b) Un 10 o una figura
(Resp: 16/52)
c) Un trbol o el rey de diamantes
(Resp: 14/52)
d) Una reina roja o un rey negro
(Resp: 4/52)
e) Una reina, un rey o un as
(Resp: 12/52)
f) Un trbol o un as
(Resp: 16/52)
4.
Entre los 200 empleados de una empresa hay 60 que dedican su tiempo a asesora. De
los empleados, 150 son graduados de los cuales 40 dedican parte de su tiempo a
trabajos de asesora. Si se toma al azar uno de los empleados, estime la
probabilidad que no sea graduado y no dedique su tiempo a asesora (Dibuje un
diagrama de Venn). (Resp: 0,15)
4. PROBABILIDAD CONDICIONAL
La probabilidad de un suceso A puede ser modificada de acuerdo a la informacin que
se tenga sobre la acurrencia de otro suceso B, el que puede estar o no relacionado con A. La
probabilidad revisada de A cuando se sabe que ha ocurrido B se denomina la probabilidad
condicional de A dado B y se denota como P(A/B). Se define como:
P( A B)
P( A / B) =
;siendo P(B) > 0.
En forma equivalente,
P( B)
P ( A B ) = P ( B ) P ( A / B) = P( A) P( B / A)
(Ley de multiplicacin de probabilidades)
Para el caso de tres sucesos, la ley de multiplicacin de probabilidad se expresa como:

P ( A B C ) = P ( A) P ( B / A) P(C / A B)
Ejemplo:
Se clasifica a los 120 alumnos de una carrera por sexo: Hombre (H), Mujer (M) y
segn nivel: Primer ao (R), Segundo ao (S), Otros Cursos (O) de la forma siguiente:
SEXO
H: HOMBRE
M: MUJER
TOTAL
R:PRIMERO
20
30
50
ALUMNOS POR NIVEL

S:SEGUNDO O:OTROS
10
15
20
25
30
40
Se pueden definir las probabilidades para los sucesos siguientes:
TOTAL
45
75
120
P(Ser de Segundo) = P(S) = 30/120

P(Ser Mujer) = P(M) = 75/120
P(Ser de Segundo y Ser Mujer) = P(S M)= 20/120
P(Ser Mujer dado que es de Segundo)= P(M/S)= 20/30
P(Ser de Segundo dado que es Mujer)= P(S/M)= 20/75
10
(Prob. marginal)
(Prob. Marginal)
(Prob. Conjunta)
(Prob. Condicional)
(Prob. Condicional)
(Observar que la probabilidad condicional no es conmutativa: P(M/S) P(S/M) )

Aplicando la definicin de probabilidad condicional:
P(Ser Mujer dado que es de Segundo)= P ( M / S ) =
P ( S M ) 120 /120 20
=
=
= 0, 667 (66, 7%)
P( S )
30 /120 30
P(Ser de Segundo dado que es Mujer)= P ( S / M ) =
P( S M ) 20 /120 20
=
=
= 0, 267 (26, 7%)
P(M )
75 /120 75
4.1. EJERCICIOS
1.
Seale diferencia entre las probabilidades conjuntas, marginales y condicionales.
2.
Una caja contiene 5 fichas rojas y tres verdes. Se selecciona una ficha (X), se anota su
color y se vuelve a la caja. Se selecciona otra ficha (Y). Calcular.
a)
P( X es roja y Y es verde)
b)
P(X es roja o verde)
c)
P(x y Y son rojas)
d)
P(X es roja o Y es verde)
3.
Una empresa contrata personal con o sin formacin acadmica para realizar una tarea.
Los registros de la empresa indican que 40% de los empleados tiene formacin
acadmica (C) o sea P(C)=0,40. Anlogamente, 60% no tiene formacin acadmica (o
sea P(C')=0,60). Luego de seis meses a prueba se clasifica a los candidatos como
Excelentes (E), Medianos (M) o Insuficientes (I). Las proporciones de los
clasificados en categoras anteriores son 0,30; 0,50 y 0,20 respectivamente.
a)
Indique probabilidades conjuntas
b)
Calcule la probabilidad que un empleado sea clasificado como Excelente con la
condicin que tenga formacin acadmica.
4.2. SUCESOS INDEPENDIENTES

Cuando la probabilidad condicional del suceso A dado B, esto es P(A/B), es igual a la
probabilidad no condicional de A, esto es P(A), significa que la informacin sobre B no afecta
al suceso A, lo que se interpreta en el sentido que A es independiente de B. Esto permite
formular la definicin siguiente:
Dos eventos A y B son independientes si P( A/B ) = P( A ) o si P( B/A ) = P( B )
Por lo tanto: P( A B )=P( A ) P( B ) , si A y B son independientes.
Ejemplo:
En el ejemplo anterior, estudiantes clasificados por nivel y sexo, los sucesos
S={Ser de Segundo} y M={Ser mujer} no son independientes ya que:
20
30 75
P(S M) P(S)P(M) pues
120 120 120
11
4.3. PROBABILIDAD TOTAL

Empleando los datos del ejemplo anterior, sobre sexo y nivel de los alumnos, se
aprecia en la tabla que la probabilidad de ser hombre es P(H)=45/120
Esta probabilidad se puede expresar de diversas formas. Si se considera a los niveles
como una particin, entonces:
P(H) = P( Hombre de Primero) + P(Hombre de Segundo) + P(Hombre y Otro Nivel)
20 10 15
45
P(H) = P(H R) + P(H S) + P(H O) =
+
+
=
120 120 120 120
Otra forma:
P(H) = P( H/R )P( R ) + P( H/S )P( S ) + P( H/O )P( O ) =
20 50 10 30 15 40 45
=
+
+
=
50 120 30 120 40 120 120
El desarrollo anterior ilustra la idea de la denominada Probabilidad Total mediante la
cual la probabilidad de un suceso dividido en partes excluyentes, mediante una particin del
espacio muestral, se calcula por la adicin de las probabilidades de esas partes. Formalizando
la idea anterior, se tiene el siguiente enunciado:
Si en un espacio muestral se define una particin del mismo, esto es un conjunto de
sucesos B1, B2,,..,Bk que son mutuamente excluyentes y cuya unin corresponden al
espacio muestral (en el ejemplo anterior, la particin corresponde a la divisin en
niveles de los alumnos) Si adems se define un otro suceso cualquiera A (en el
ejemplo anterior corresponde a ser hombre) siendo B el conjunto de sucesos que
representa la particin del espacio muestral S, entonces se puede demostrar que:
P(A) = P( A B1) + P( A B2)++ P(A Bk)
P(A) = P(A/B1)P(B1)+ P(A/B2)P(B2) + + P(A/Bk)P(Bk)
4.4. TEOREMA DE BAYES
Empleando, nuevamente, los datos del ejemplo sobre estudiantes clasificados por sexo
y nivel que cursan, se puede considerar el problema siguiente: Si se selecciona un estudiante
del grupo completo y resulta ser Hombre Cul es la probabilidad que sea de Segundo ao?.
Este problema se puede plantear como un probabilidad condicional. Observando la
tabla se tiene que la respuesta es: P(S/H) =10/45.
Empleando los conceptos antes definidos de Probabilidad Condicional y Probabilidad
Total, la probabilidad P(S/H) se puede expresar como:
P( S / H ) =
P( H S )
P( H S )
10 /120 10
=
=
=
P( S )
P( H R ) + P ( H S ) + P( H O) 45 /120 45
o, en forma alternativa:
P( S / H ) =
P( H S )
P( H / S ) P( S )
10 /120 10
=
=
=
P( S )
P( H / R) P( R) + P( H / S ) P( S ) + P( H / O) P(O) 45 /120 45
12
Estas expresiones corresponden a un importante teorema conocido como Teorema de

Bayes o probabilidad a posteriori, Este resultado permite calcular la probabilidad de un
suceso que ha ocurrido empleando informacin parcial sobre el mismo.
Si bien en el ejemplo anterior se parti conociendo la probabilidad P(S/H)=10/45 por
simple inspeccin de la tabla, y los desarrollos siguientes permitieron explicar dicho resultados
usando otras probabilidades asociadas (condicionales y totales) en las aplicaciones slo se
contara con estas ltimas y de ah se origina la importancia de este resultado.
Generalizando la expresin anterior, siendo B1, B2,...,Bk una particin del espacio
muestral S y siendo A un suceso asociado con S, entonces, para cualquier Bi :
P ( Bi / A) =
P ( A / Bi ) P ( Bi )
P ( A / B1 ) P ( B1 ) + P ( A / B2 ) P ( B2 ) + ... + P ( A / Bk ) P ( Bk )
(Teorema de Bayes)
Ejemplo:
Un colegio tres curso de 4 Medios identificados como X, Y, Z. Todos los alumnos de
tres cursos rinden un mismo examen de Matemticas. El curso X representa el
50% del total de los alumnos, el curso Y representa el 30% del total de alumnos y el
curso Z el 20% restante de los alumnos. La proporcin de los que aprobaron el examen
del curso X es 30%, los que aprobaron del curso Y son el 70% y del curso Z son el
40%. Considerando estos valores como estimaciones de probabilidades, calcular:
a) La probabilidad que tiene un alumno de aprobar el examen.
b) Si se selecciona un alumno al azar que ha aprobado el examen, estime la
probabilidad que sea del curso X.
Este problema es tpico de la aplicacin de los teoremas de la Probabilidad Total y el
Teorema de Bayes.
a) Se aplica el resultado para Probabilidad Total.
Definiendo los sucesos:
A = {aprobar examen}
Y ={ser de curso Y} ;
X ={ser de curso X};

Z ={ser de curso Z}
La divisin en cursos representan la particin del conjunto de alumnos, siendo el

suceso de inters el aprobar el examen. La informacin permite estimar las siguientes
probabilidades:
P(X)=0,5
P(Y)=0,3 P(Z)=0,2
P(A/X) = 0,3 , P(A/Y) = 0,7 ; P(Z/A) = 0,4
P(A)= P(A/X)P(X) + P(A/Y)P(Y) + P(A/Z)P(Z)= (0,3)(0,5)+(0,7)(0,3)+(0,4)(0,2)
= 0,15 + 0,21 + 0,08 = 0,44
b) Se aplica el teorema de Bayes.
P ( X / A) =
P( A X ) P( A / X ) P( X ) (0,3)(0,5) 0,15
=
=
=
= 0,341 (34,1%)
P( A)
P ( A)
0, 44
0, 44
En resumen:
a)
La probabilidad de aprobar el examen es 0,44 (o del 44%).
b)
La probabilidad que si selecciona un alumno, que ha aprobado el
examen, provenga del curso X es de 0,341 (o sea 34,1%).
13
4.5. EJERCICIOS
1.
Explicar diferencias entre probabilidades a priori y a posteriori
2.
Una vendedora de cosmticos hace ventas a domicilio. Segn su experiencia, de todas

las visitas, el 20% le producen ventas grandes, el 30% de las visitas le produce ventas
pequeas y el 50% de las visitas no produce ventas. Por otra parte, ha observado que
el 60% de quienes hicieron compras grandes viven en casas de dos pisos; entre
quienes hicieron compras pequeas el 50% vive en casas de dos pisos y entre
quines no hicieron compras, el 20% vive en casas de dos pisos. Si la prxima
visita de la vendedora es a una casa de dos pisos, estime la probabilidad que esta
visita produzca
a)
Una venta grande
(Resp: 0,12/0,37)
b)
Una venta pequea
(Resp: 0,15/0,37)
c)
Ninguna venta
(Resp: 0,10/0,37)
3.
Para detectar la hepatitis suele hacerse un examen de sangre de cierto tipo. La

confiabilidad de este examen se basa en lo siguiente: entre las personas con
hepatitis, el 80% de los exmenes de sangre descubren la enfermedad, pero el
20% fallan en hacerlo. Por otra parte, se sabe que entre las personas sin hepatitis el
5% se diagnostican erradamente como casos con hepatitis y el 95% de los exmenes
dan el diagnstico correcto. Si se aplica el examen a una persona (Pedro) escogido al
azar de una poblacin de la cual el 1% tiene hepatitis Cul es la probabilidad que
Pedro realmente tenga la enfermedad? (Resp: 0,008/0,0575 16/115)
4.
En un estudio realizado en una universidad sobre estudiantes ingresados a primer ao,

se determin que el 55% de ellos no tienen problemas; el 25% estima que su principal
problema consiste en la eleccin inadecuada de su carrera y el 20% estima que sus
problemas principales son econmicos. Del mismo estudio se estima que aquellos que
no tienen problemas solamente el 1% no regresa en el Segundo Semestre; de los que
tienen problemas con la eleccin de la carrera no regresa el Segundo Semestre el 70%
y de aquellos con problemas econmico no regresa el 5%. Si se selecciona al azar un
alumno que regres el Segundo Semestre, Cul es la probabilidad que sea de aquellos
que tienen problemas de eleccin con su carrera? (Resp: 0,1191)
5.
En tres cajas (1, 2 y 3) se colocan fichas de colores Rojas, Blancas y Azules segn se
presenta en la tabla siguiente.
Si se selecciona una caja al azar y se selecciona una ficha al azar, Cul es la
probabilidad que la caja selecciona haya sido la Caja N3 si la ficha elegida es de color
Rojo? (Resp: 1/3)
CAJA
CAJA 1
CAJA 2
CAJA 3
COLOR DE FICHAS
ROJAS
BLANCAS
AZULES
5
1
3
3
8
1
2
1
6
14
5. VARIABLES ALEATORIAS UNIDIMENSIONALES DISCRETAS

5.1. DEFINICIONES
5.1.1. Variable Aleatoria
Los espacios muestrales pueden ser expresados en forma cualitativa o cuantitativa.
Con el objeto de tener una expresin numrica para todos los casos, se define el concepto de
"variable aleatoria" del modo siguiente:
Sea E un experimento y S el espacio muestral asociado con el mismo. Una funcin X
que asocia a cada elemento "s" del espacio muestral un nmero real X(s) se denomina
"variable aleatoria".
5.1.2. Espacio recorrido
El conjunto de todos los posibles valores de la variable aleatoria X se denomina
"Espacio del recorrido" (Rx). En cierto sentido puede considerarse como una especie de
espacio muestral.
5.1.3. Sucesos equivalentes
Sea E un experimeto aleatorio y S su espacio muestral asociado. Sea X una variable
aleatoria definida sobre S y sea Rx se "espacio de recorrido". Sea B un suceso con respecto a
Rx (esto es, BRx ). Si se define el suceso A tal que: A = { s S / X(s) B } entonces se
dice que "A es equivalente con B".
Lo anterior significa que, para establecer la equivalencia, todos elementos de A deben
tener imgenes que pertenecen a B.
5.1.4. Probabilidad de sucesos equivalentes
Sea A un suceso de S y sea B un "suceso" de Rx (esto es AS y BRx). Si se tiene que
A = { s S / X(s) B }, entonces se define la "probabilidad de B" como P( B ) = P( A ).
La definicin anterior permite transferir probabilidades de sucesos reales (del espacio
muestral) a otros sucesos ficticios (del recorrido de la variable aleatoria) con los cuales los
primeros estn relacionados.
5.1.5. Ejemplo
Sea el experimento E: "Lanzar tres monedas y registrar resultados". El espacio
muestral es:
S = {CCC. CCS, CSC, SCC, CSS, SCS, SSC, SSS}. Algunos sucesos son:
A = {SSS} ; B = {CSS, SCS, SSC} ; C = {CCS, CSC, SCC} ; D = {CCC}
a) Las probabilidades de los sucesos elementales y de los otros sucesos son:
P(CCC) = P(CCS) = P(CSC) = P(SCC) =P(CSS) = P(SCS) = P(SSC) = P(SSS) = 1/8
P(A) = 1/8; P(B) = 3/8; P(C) = 3/8; P(D) = 1/8
b) Se define la variable aleatoria X: "nmero de caras obtenidos"
El "Espacio Recorrido de X es Rx= {0, 1, 2, 3 }
Son "sucesos elementales" en Rx los siguientes {0}; {1}; {2}; {3}
Otros sucesos en Rx pueden ser:
{obtener a lo ms 1 cara}
{obtener a lo menos 1 cara}
{obtener entre 2 y 3 caras}
15
= { 0, 1 }
= { 1, 2, 3 }
= {2, 3}
c) Se establece la siguiente equivalencia entre los sucesos elementales del "espacio muestral
S" y del "espacio recorrido Rx "
{
{
{
{
SSS } es equivalente con { 0 }

CSS, SCS, SSC } es equivalente con { 1 }
CCS, CSC, SCC } es equivalente con { 2 }
CCC } es equivalente con { 3 }
d) Para la asignacin de probabilidades a los "sucesos elementales" de Rx se emplea la

"equivalencia de sucesos" realizada antes, con los resultados siguientes:
P
P
P
P
(
(
(
(
0
1
2
3
)
)
)
)
=
=
=
=
1/8
3/8
3/8
1/8
pues
pues
pues
pues
P(
P(
P(
P(
SSS ) = 1/8 y los sucesos son equivalentes

CSS, SCS, SSC ) = 3/8 y los sucesos son equivalentes
CCS, CSC, SCC ) = 3/8 y los sucesos son equivalentes
CCC ) = 1/8 y los sucesos son equivalentes
e) Para la asignacin de probabilidades a otros sucesos, se emplea la equivalencia de sucesos

con los resultados siguientes:
P(obtener a lo ms 1 cara)
P(obtener a lo menos 1 cara)
P(obtener entre 2 y 3 cara)
= P( 0, 1 ) = 4/8
= P( 1, 2, 3 ) = 7/8
= P( 2, 3 ) = 6/8
d) El resumen de todo lo anterior se presenta en la tabla siguiente:

ESPACIO MUESTRAL Y SUCESOS
Sucesos
Prob. Suceso
SSS
1/8
CSS
1/8
SCS
1/8
SSC
1/8
CCS
1/8
CSC
1/8
SCC
1/8
CCC
1/8
TOTAL
8/8 = 1
V. ALEA. X:N de caras

Valor de xi
Probab. xi
0
P(0)= 1/8
1
P(1) = 3/8
P(2) = 3/8
P(3) = 1/8
8/8 = 1
5.1.6. Ejercicios
1.
a)
b)
Indicar la diferencia entre variable aleatoria discreta y continua.

Indicar diferencia entre funcin de cuanta y funcin de densidad.
2.
Una bolsa contiene 25 fichas, de las cuales 5 son rojas y 20 son verdes. Se eligen 4 fichas al azar.
Se define la v.a. X:"Nmero de fichas rojas seleccionadas". Determine distribucin de probabilidad
de X, la funcin de Distribucin de la misma y los grficos respectivos si:
a)
La muestra se selecciona sin reposicin
b)
La muestra se selecciona con reposicin
3.
Se sabe que una moneda, no equilibrada, tiene la particularidad que la cara aparece tres veces
ms que el sello (o sea P(Cara)=0,75). Si la moneda se lanza tres veces y se define la v.a. X:
"Nmero de caras obtenidas", obtenga la distribucin de probabilidad y la funcin de Distribucin de
X.
16
5.2. VARIABLE ALEATORIA DISCRETA

5.2.1. Definicin
Sea X una variable aleatoria. Si el nmero de posibles valores de X (esto es Rx) es
finito o infinito numerable se dice que X es una variable aleatoria discreta.
5.2.2. Funcin de cuanta (f. de c.)
Sea X una variable aleatoria discreta y Rx= {x, x,...} su recorrido. Con cada posible
resultado "xi" se asocia un nmero p(xi) = P(X=xi) llamado "probabilidad de xi" que debe
satisfacer las siguientes condiciones:
a)
p( xi )
0 para todo i
b)
p(xi) = 1.
La funcin "p" se denomina "funcin de cuanta"

5.2.3. Distribucin de probabilidad
Se denomina "distribucin de probabilidad" al conjunto de pares ( xi; p(xi) ).
La distribucin de probabilidad puede expresarse mediante una tabla de valores de los
pares ( xi; p(xi) ), o mediante una frmula que exprese la relacin de los pares, o mediante
un grfico de dichos pares.
5.2.4. Funcin de distribucin (f. de D.)
Sea X una variable aleatoria discreta y sea su Recorrido Rx= {x1, x2,...}. Con cada
valor "xo" del recorrido se puede asociar la probabilidad acumulada hasta dicho valor, que se
denota como F(xo), y que se define como:
F(xo) = P(X-xo )
El conjunto de pares ordenados (x, F(x) ) se llama "Funcin de Distribucin" o "Funcin
de distribucin acumulada". Estos pares tambin se pueden graficar.
5.2.5. Ejemplo 1:
Sea el experimento E: "lanzar tres monedas y registrar los resultados. Se define la
variable aleatoria X: "nmeros de caras obtenidas en el lanzamiento de tres monedas"
En la tabla siguiente se presentan sus distribuciones asociadas, de probabilidad o
cuanta p(x) y de probabilidades acumuladas o "funcin de distribucin" F(x).
Xi:N Caras
0
1
2
3
TOTAL
P(xi)
1/8
3/8
3/8
1/8
8/8=1
F(xi)
1/8
4/8
7/8
8/8
A continuacin se presentan los grficos respectivos:
Grfico Distribucin de Probabilidad
Prob
17
Grfico Funcin de Distribucin
Prob
8/8
7/8
3/8
6/8
5/8
2/8
4/8
3/8
1/8
2/8
1/8
1
2
X: N Caras
1
2
X: N Caras
Ejemplo 2:
experimento consiste en seleccionar una muestra de 3 fichas (sin reposicin). Se define
la variable aleatoria X: "Nmero de fichas azules seleccionadas en la muestra de 3
fichas"
En la tabla siguiente se presentan las funciones de probabilidad y de distribucin.
Xi:N Azules
P(xi)
F(xi)
6 4

0 3 = (1)(4) = 4 = 0, 033
120 120
10

3
4
= 0, 033
120
6 4

1 2 = (6)(6) = 36 = 0,300
120
120
10

3
40
= 0,333
120
6 4

2 1 = (15)(4) = 60 = 0,500
120
120
10

3

100
= 0,833
120
6 4

3 0 = (20)(1) = 20 = 0,167
120
120
10

3
120
= 1, 000
120
TOTAL
120
= 1, 000
120
18
Ejemplo 3:
experimento consiste en seleccionar una muestra de 3 fichas con reposicin. Se
define la variable aleatoria X: "Nmero de fichas azules seleccionadas en la muestra de
3 fichas"
Este ejemplo es distinto al anterior, por cuanto al ser la seleccin con reposicin,
significa que se mantiene constante la cantidad de fichas en cada seleccin. Por ello tambin
son constantes las probabilidades de seleccionar una ficha Azul o una Blanca. Otra
consecuencia de lo anterior, es que cada seleccin no afecta a las otras, por ello son
independientes los resultados obtenidos en la primera extraccin de la segunda y de la
tercera.
Por lo tanto, se puede resumir lo antes indicado en los siguientes resultados:
P (Seleccionar ficha Azul) = P(A) = 0,6
P (Seleccionar ficha Blanca) = P(B) = 0,4
El Espacio Muestral es:
S = { AAA, AAB, ABA, BAA, ABB, BAB, BBA, BBB }
Las probabilidades de cada suceso elemental son:
P(AAA)
P(AAB)
P(ABB)
P(BBB)
=(0,6)(0,6)(0,6)
= P(ABA) = P(BAA)
= P(BAB) = P(BBA)
= (0,4)(0,4)(0,4)
=
=
=
=
(0,6)3 = 0,216
(0,6)(0,6)(0,4) = (0,6)2(0,4) = 0,144
(0,6)(0,4)(0,4) = (0,6)(0,4)2 = 0,096
(0,4)3 = 0,064
En la tabla siguiente se presentan las funciones de probabilidad y de distribucin de la

Variable Aleatoria X: "N de fichas Azules seleccionadas"
Xi:N Azules
Sucesos
P(xi)
BBB
(0,4)3
0
ABB, BAB, BBA 3(0,6)(0,4)2 = 3(0,096)
1
AAB, ABA, BAA 3(0,6)2(0,4) = 3(0,144)
2
AAA
(0,6)3
3
TOTAL
=
=
=
=
0,064
0,288
0,432
0,216
1,000
F(xi)
0,064
0,352
0,784
1,000
5.3. PARMETROS DE UNA VARIABLE ALEATORIA DISCRETA

Se puede caracterizar una variable aleatoria mediante algunas medidas descriptivas,
que se denominan PARMETROS y que corresponden a medidas POBLACIONALES.
Algunos parmetros son: la Esperanza, que caracteriza la posicin; la Varianza, que
corresponde al parmetro de dispersin. Tambin se considera la Desviacin Tpica, que es
otro parmetro de dispersin, definido como la raz cuadrada de la Varianza. Finalmente, el
Coeficiente de Variacin, que es un parmetro de variabilidad relativo. Estos parmetros se
pueden obtener a partir de la funcin de cuanta o probabilidad de la variable aleatoria.
ESPERANZA (media o valor esperado) de la v.a. X se define como: =E(X)= xip(xi)
VARIANZA de la v.a. x se define como:
s2=V(X)= (xi-)2p(xi) =xi2p(xi) 2
DESVIACIN ESTNDAR de la v.a. X Se define como: s=
COEFICIENTE DE VARIACIN de la v.a. X se define como: CV =
19
A continuacin se presenta el clculo de la Esperanza y la Varianza de las variables

aleatorias de los ejemplos anteriores
Ejemplo 1.
Sea el experimento E: "lanzar tres monedas y registrar los resultados. Se define la
variable aleatoria X: "nmeros de caras obtenidas en el lanzamiento de tres monedas"
En la tabla siguiente se presentan su distribucin de probabilidad o cuanta p(x).
Se indican los resultados parciales para calcular los parmetros definidos.
Xi:N Caras p(xi) xip(xi) xi2p(xi)

1/8
0
0
0
3/8
3/8
3/8
1
3/8
6/8
12/8
2
1/8
3/8
9/8
3
=
12/8
1,000
24/8
TOTAL
a) Esperanza:
=E(X)= xip(xi) = 12/8 = 1,5 (caras)
Interpretacin: En un lanzamiento de tres monedas se puede obtener 0, 1, 2 3 caras.
Si se registra el nmero de caras que se obtienen en infinitos lanzamientos, el
promedio de caras es de 1,5 caras por lanzamiento.
b) Varianza:
s2 = V(X) = (xi-)2p(xi) = xi2p(xi) 2
= 24/8 (1,5)2 = 3 2,25 = 0,75 (caras2)
Interpretacin: En un lanzamiento de tres monedas se tiene en promedio 1,5 caras.
La variabilidad de los resultados obtenidos en infinitos lanzamientos, en torno a 1,5
caras, como promedio de desvos al cuadrado es de 0,75 caras.
c) Desviacin Estndar:
s=
2 =
0, 75 = 0,866 (caras)
Interpretacin: En un lanzamiento de tres monedas se tiene en promedio 1,5 caras. La

variabilidad de los resultados obtenidos en infinitos lanzamientos, en torno a 1,5 caras,
como raz cuadrada del promedio de desvos al cuadrado es de 0,87 caras.Tambin
puede decirse que la raz cuadrada de la varianza es 0,87 caras.
d) Coeficiente de variacin:
0,866
= 0,577 (57,7%)
=
CV =
1,5
Interpretacin: En un lanzamiento de tres monedas se tiene una variabilidad, medida
por la desviacin estndar, de 0,87 caras respecto al promedio 1,5 caras (medido con
la esperanza). El valor de la desviacin estndar respecto al de la esperanza es de 0,58
veces (o sea, la desviacin estndar corresponde al 58% del valor de la esperanza).
El Coeficiente de variacin no tiene unidad.
20
Ejemplo 2:
experimento consiste en seleccionar una muestra de 3 fichas (sin reposicin). Se define
la variable aleatoria X: "Nmero de fichas azules seleccionadas en la muestra de 3
fichas". La distribucin de probabilidad y otros clculos se presentan a continuacin:
Xi:N
Azules
p(xi)
xip(xi)
xi2p(xi)
4
= 0, 033
120
36
= 0,300
120
60
= 0,500
120
20
= 0,167
120
120
= 1, 000
120
(0)(4)
0
=
= 0, 000
120
120
(1)(36) 36
=
= 0,300
120
120
(2)(60) 120
=
= 1, 000
120
120
(3)(20) 60
=
= 0,500
120
120
(0)(4)
0
=
= 0, 000
120
120
(1)(36) 36
=
= 0,300
120
120
(4)(60) 240
=
= 2, 000
120
120
(9)(20) 180
=
= 1,500
120
120
1
2
3
TOTAL
= xip(xi) =
216
= 1,800
120
xi2p(xi)=
456
= 3,800
120
a) Esperanza:
= E(X) = xip(xi) = 216/120 = 1,8 (azules)
b) Varianza:
s2 = V(X) = (xi-)2p(xi) = xi2p(xi) 2
= 456/120 - (1,8)2= 3,80 - 3,24 = 0,56 (azules)2
s=
2 =
0,56 = 0,748 (azules)
d) Coeficiente de Variacin
CV =
0, 748
=
= 0,416 (41,6%)
1,8
Ejemplo 3:
experimento consiste en seleccionar una muestra de 3 fichas (con reposicin). Se
define la variable aleatoria X: "Nmero de fichas azules seleccionadas en la muestra de
3 fichas". La distribucin de probabilidad y otros clculos se presentan a continuacin:
Xi:N Azules p(xi)

0,064
0
0,288
1
0,432
2
0,216
3
1,000
TOTAL
xip(xi)
(0)(0,064)
(1)(0,288)
(2)(0,432)
(3)(0,216)
=
=
=
=
0
0,288
0,864
0,648
= xip(xi) = 1,800
xi2p(xi)
(0)(0,064)
(1)(0,288)
(4)(0,432)
(9)(0,216)
=
=
=
=
0
0,288
1,728
1,944
xi2p(xi) =3,960
21
a) Esperanza:
= E(X) = xip(xi) = 1,8 (azules)
b) Varianza:
s2 = V(X) = (xi-)2p(xi) = xi2p(xi) 2
= 3,96 - (1,8)2= 3,96 - 3,24 = 0,72 (azules)2
s=
2 =
0, 72 = 0,848 (azules)
d) Coeficiente de Variacin
CV =
0,848
=
= 0,471 (47,1%)
1,8
5.4. EJERCICIOS
1.
a)
b)
Indicar la diferencia entre variable aleatoria discreta y continua.

Indicar diferencia entre funcin de cuanta y funcin de densidad.
2.
Una bolsa contiene 25 fichas, de las cuales 5 son rojas y 20 son verdes. Se eligen 4 fichas al azar.
Se define la v.a. X:"Nmero de fichas rojas seleccionadas". Determine distribucin de probabilidad
de X, la funcin de Distribucin de la misma y los grficos respectivos si:
a)
La muestra se selecciona sin reposicin
b)
La muestra se selecciona con reposicin
3.
Se sabe que una moneda, no equilibrada, tiene la particularidad que la cara aparece tres veces
ms que el sello (o sea P(Cara)=0,75). Si la moneda se lanza tres veces y se define la v.a. X:
"Nmero de caras obtenidas", obtenga la distribucin de probabilidad y la funcin de Distribucin de
X.
4.
a)
b)
d)
5.
Se lanza un dado correcto. Se define la v.a. X:"Nmero de puntos obtenidos". Obtener la

distribucin de probabilidad. Calcular el valor esperado de X. Interpretar resultado.
6.
Se lanzan tres monedas. Se define la v.a. X:"Nmero de caras obtenidas". Obtener la distribucin
de probabilidad. Calcular el valor esperado de X. Calcular varianza. Interpretar resultado.
(Resp: =1,5 caras; ,75 caras)
7.
Un juego consiste en lanzar tres monedas. Se define la v.a. X:"Nmero de caras obtenidas". Si
salen 2 o ms caras se reciben $2.- Si sale 0 o 1 cara hay que pagar $1.- Cul es la prdida o
ganancia esperada por juego? (Resp: $ 0,5.-)
Qu se entiende por Esperanza o valor esperado?

Qu se entiende por varianza de una variable aleatoria?
Cul es la diferencia entre media aritmtica y valor esperado?
22
5.5. DISTRIBUCIONES DE PROBABILIDAD DISCRETAS

En algunas situaciones es posible modelar el comportamiento de una variable aleatoria.
Los modelos permiten obtener las probabilidades asociadas a un suceso en forma ms directa,
sin realizar el anlisis detallados y complejos que se podra requerir para obtener el espacio
muestral y las probabilidades de los sucesos elementales.
Para la aplicacin de los modelos se requiere verificar el cumplimiento de un conjunto
de condiciones, que son los supuestos del mismo.
5.6. DISTRIBUCIN BINOMIAL
Si se considera un experimento E y un suceso A asociado con el experimento.
Suponiendo que la probabilidad de A es P(A)=p y por lo tanto P()=1-p=q. Considerando "n"
repeticiones del experimento, el espacio muestral consiste en todas las secuencias {aa, ..., a}
en que cada a puede ser A o segn si ocurre A o no en la i-sima repeticin del
experimento. Suponiendo que P(A)p es constante en todas las repeticiones del experimento.
Sea la variable aleatoria X definida como "Nmero de veces que el suceso A ocurre".
Se dice que X es una variable aleatoria con distribucin BINOMIAL con parmetros "n" y "p".
Lo anterior se expresa como: XBin (n; p). Los valores posibles de la v.a. X son 1, 2, 3, ..., n.
La funcin de cuanta o de probabilidad de la variable aleatoria X est dada por:
n
P(X=k)= p k (1 p ) n k ,
k
k=0, 1, 2, , n
Se puede demostrar que los parmetros de la variable aleatoria XBin (n; p) son:
Esperanza: E(X)= = np
Varianza: V(X)=s2= np(1-p)
Ejemplo:
Una prueba consiste en 10 temes de cinco alternativas cada uno, siendo una sola la
correcta. Se define la v.a. X: "Nmero de respuestas correctas en la prueba" Si la
prueba se contesta sin saber, determine la probabilidad de obtener 0 correctas, 1
correcta , a lo menos 1 correcta, o todas correctas. Calcular Esperanza y Varianza.
Desarrollo:
En este ejemplo se verifican las condiciones de la distribucin binomial, pues el nmero
de repeticiones es finito (n=10); la probabilidad de xito (responder bien) es constante
(p=0,2). Luego se cumplen las condiciones para aplicar la frmula para obtener las
probabilidades de la Distribucin Binomial. Por lo anterior, XBin (10; 0,2). Las probabilidades
son:
10
P(Obtener 0 resp correctas)= P(X=0)= (0,2)0(0,8)10=0,1074
0
10
P(Obtener 1 resp correctas)= P(X=1)= (0,2)1(0,8)9=0,2684
1
P(A lo ms 1 resp. correcta)= P(X=0)+(X=1) = 0,1074 + 0,2684 = 0,3758
10
P(Obtener 10 resp correctas)= P(X=10) = (0,2)10(0,8)0 = 0,00004
10
23
Parmetros de la distribucin:
Esperanza: E(X)= = np =10(0,2) = 2 correctas
Varianza:
V(X)=s2= np(1-p) =10(0,2)(0,8) = 1,6 correctas2
Desviacin Estndar: s=
2 =
1, 6 = 1,26 (correctas)
Interpretacin:
Los resultados anteriores sealan que al aplicar la prueba de 10 tems muchas veces (a
un individuo o a muchos simultneamente) y si responden sin saber, el nmero de
aciertos que pude tener un individuo podra variar entre o y 10, pero el promedio de
tales aciertos es de 2 respuestas correctas por persona. La variabilidad de tales
respuestas es de 1,26 respuestas correctas por individuo (empleando la Desv.
Estndar).
Los resultados anteriores modelan el comportamiento de los resultados de la situacin
para muchas (en verdad, infinitas) realizaciones del experimento de aplicar la prueba
en las mismas condiciones. Si slo se realiza el experimento una cantidad determinada
de veces (por ejemplo 100 o 1000) se obtiene una distribucin de frecuencias del
nmero de correctas observados y cuyos valores de frecuencias relativas, media
aritmtica y desviacin estndar puede ser parecidos a los de probabilidades,
esperanza y desv. Estndar antes calculados.
5.7. DISTRIBUCIN HIPERGEMTRICA
Se tiene un lote de N fichas, r de las cuales son azules y (N-r) son blancas.
Suponiendo que se seleccionan al azar n fichas (n N) SIN REPOSICIN. Se define la variable
aleatoria X: "Nmero de fichas azules seleccionadas". Siendo que X=k coresponder a
seleccionar k fichas azules de entre las r azules disponibles y (n-r) blanca de entre las (N-r)
blancas existentes, se tiene:
r N r

k nk
P(X=k)=
N

n
para k=0,1,2,3,,r
Se puede demostrar que los parmetros de la variable aleatoria X distribuda como

Hipergeomtrica son:
Esperanza: E(X)= = np siendo p=r/N; q=1-p
np (1 p )( N n)
i
Varianza: V(X) = 2 =
N 1
Ejemplo:
Un grupo de 15 alumnos se compone de 8 mujeres y 7 hombres. Si se desea formar un
grupo de trabajo de 5 alumnos. Se define la variable aleatoria X: "Nmero de mujeres
seleccionadas". Calcular:
a) La probabilidad que el grupo se componga por 3 mujeres
b) La probabilidad que el grupo a lo menos se componga de 3 mujeres
c) La cantidad esperada de mujeres as como la varianza del nmero de mujeres, la
desviacin estndar y el coeficiente de variacin.
Desarrollo:
Segn las condiciones, se hace la seleccin sin reposicin. La variable aleatoria tiene
distribucin Hipergeomtrica siendo N=15; n=5; r=8
24
a)
8 7

3 2
(56)(21) 1.176
P(X=3) = =
=
= 0,3916 (39,16%)
3.003
3.003
15

5
b)
8 7 8 7 8 7

3 2
4 1
5 0
(56)(21) (70)(7) (56)(1)
P(X 3) = P(X=3)+P(X=4)+P(x=5)= + + =
+
+
=
15
15
15
3.003
3.003
3.003

5
5
5
=
C)
1.176 490
56
+
+
= 0,3916 + 0,1632 + 0, 0186 = 0,5734 (57,3%)
3.003 3.003 3.003
ESPERANZA:
Siendo p=8/15 = 0,533; q= 1-p = 7/15 = 0,467
(5)(8)
E(X) = =
= (5)(0,533) = 2,67 mujeres
15
VARIANZA:
8 7 15 5
2
V(X) = 2 = 5
= (5)(0,533)(0, 467)(0, 714) = 0,889 (mujeres)
15 15 15 1
DESVIACIN ESTNDAR:
= 0,889 = 0,943 mujeres
COEFICIENTE DE VARIACIN
0,943
= 0,353 (35,3%)
CV=
2, 67
5.8. EJERCICIOS
1.
Suponga que el 10% de los pacientes que reciben un tratamiento tienen un efecto secundario. De
un grupo de 10 pacientes, determine la probabilidad que:
a)
A lo ms 2 tengan efectos secundarios
(Resp: 0,9298)
b)
Exactamente 3 tengan efectos secundarios
(Resp: 0,0574)
c)
Entre 3 y 4 tengan efectos secundarios
(Resp: 0,0686)
d)
La esperanza de pacientes con efectos secundarios
(Resp: 1 paciente)
2.
Una escala tiene cinco respuestas (Muy en desacuerdo, en desacuerdo, indiferente, de acuerdo,
muy de acuerdo). Si cada respuesta tiene la misma posibilidad, determine la probabilidad que en
una escala con 10 aseveraciones se obtengan:
a)
Exactamente 5 respuestas "De acuerdo"
(Resp: 0,0264)
b)
A lo menos 8 respuestas "De acuerdo"
(Resp: 0,0001)
c)
Entre 6 y 8 respuestas "De acuerdo"
(Resp: 0,0064)
d)
la esperanza de respuestas "De acuerdo"
(Resp: 2 respuestas)
3.
Explicar en que circunstancia se aplica la distribucin hipergeomtrica en vez de la binomial.
4.
Se sospecha que de 15 declaraciones de salud hay 10 que contienen omisiones. Se decide revisar
5 de stas. Calcular la probabilidad que:
a)
Las 5 tengan omisiones
b)
Entre 3 y 4 tengan omisiones
c)
por lo menos 3 tengan omisiones
(Resp: 2502/3003 )
c)
El valor esperado de declaraciones con omisiones
(Resp: 3,3 declarac.)
25
6. VARIABLE ALEATORIA UNIDIMENSIONALCONTINUA (v.a.c.)

6.1. DEFINICIONES
Funcin de Densidad
Se define a X como "variable aleatoria continua" (v.a.c.) si existe una funcin "f",
denominada "funcin de densidad" que satisface las condiciones siguientes:
a)
f(x) 0 para todo x
b)
c)
xdx = 1
P(aXb) =
(La funcin es no negativa para los valores de )
(El rea total encerrada por la funcin y el eje X es igual a 1)
xdx
(La probabilidad, en un intervalo, se define como el rea
encerrada por la funcin y el eje X entre los puntos definidos por X=a y X=b)
Observaciones:
La funcin de densidad permite describir la "forma" de la variable aleatoria, pero por si
sola no permite obtener probabilidades.
La probabilidad corresponde al rea encerrada entre dos puntos. Por ello, la
probabilidad en un punto es igual a 0, esto es P(aXa) = 0.
Por lo anterior, son equivalentes expresiones como las siguientes:
P(aXb) = P(aX<b) = P(a<Xb) = P(a<X<b)
6.1.2. Funcin de Distribucin (F. de D.)
Sea una variable aleatoria continua. Con cada valor " x0" del recorrido se puede
asociar la probabilidad acumulada hasta dicho valor, que se denota como F(x0), y que se
define como
F(xo) = P(Xxo) =
x0
xdx
(rea encerrada por la funcin desde
hasta X=x0)
El conjunto de pares ordenados (x, F(x) ) se llama "Funcin de Distribucin" o "Funcin

de Probabilidad acumulada".
6.1.3. Parmetros de una Variable Aleatoria Continua
Se definen los mismos parmetros y con el mismo significado que para una variable
aleatoria discreta, esto es, Esperanza, Varianza, Desviacin Estndar. Como sus frmulas
escapan al alcance del curso no se indican.
Ejemplo
Una variable aleatoria X tiene funcin de densidad definida por f ( x) =
2x
para 0X5
25
a) Comprobar que es una funcin de densidad.

b) Calcular P(2X4)
Desarrollo:
El grfico de esta funcin es un recta definida entre X=0 y X=5.
a)
Para comprobar que esta funcin cumple las condiciones indicadas, considerar lo
siguiente: el rea total definida por la funcin f(x) y el eje X entre X=0 y entre X=5 es
el rea de un tringulo rectngulo, cuyos catetos son 5 y 10/25. (Este ltimo valor se
obtiene al reemplazar X por 5 en ecuacin f(x)=(2x)/25 ).
b)
26
El rea del tringulo rectngulo corresponde a la mitad del producto de los catetos,
1 (5)(10) 50
esto es: AREA =
=
=1
2 25
50
Para obtener la probabilidad entre 2 y 4, se puede calcular como la diferencia de las
reas de dos tringulos rectngulos. El tringulo mayor tiene catetos 4 y 8/25 y su
rea es 16/25. El tringulo menor tiene catetos 2 y 4/25 y su rea es 4/25. Por lo
tanto, el rea comprendida entre X=2 y X=4 es la diferencia entre las reas 16/25 y
4/25 esto es 12/25.
f(x)
Grfico Funcin de Densidad
10/25
9/25
8/25
7/25
6/25
5/25
4/25
Esta rea es la
probabilidad
P(2<X<4)
3/25
2/25
1/25
4
5
Variable X
6.2. DISTRIBUCIN NORMAL

Existen muchas distribuciones de probabilidad continuas que sirven para modelar el
comportamiento de diversas variables que se emplean en la prctica. Una de las ms
importante es la denominada Distribucin Normal.
6.2.1. Funcin de densidad de la Distribucin NormaL
Una variable aleatoria X asumiendo todos los valores reales entre
Distribucin Normal si su funcin de densidad f(x) est dada por :
1 X

1
f ( x) =
e 2
2
tiene
siendo - < < + ;
>0
6.2.2. Caractersticas de la Distribucin Normal

a)
b)
El parmetro corresponde a la Esperanza (o Media Poblacional) de la distribucin.

El parmetro corresponde a la Desviacin Estndar de la distribucin
c)
Se puede considerar al parmetro 2 que es la Varianza de la distribucin.
d)
Si la v.a.c. X tiene Distribucin Normal se emplea la notacin XN(; 2)
e)
f)
En la Distribucin Normal la Esperanza, la Mediana y la Moda tienen el mismo valor

El sesgo de esta distribucin y la curtosis valen cero.
g)
h)
27
La distribucin normal tiene forma de campana y es simtrica respecto a su Esperanza

Las colas de la distribucin se aproximan al eje X a medida que se aleja de la
esperanza, pero sin llegar a tocar dicho eje. Se dice que la curva tiende
"asintticamente" al eje X.
6.2.3. Importancia de la Distribucin Normal

a)
Muchas pruebas (test o dcimas) estadsticas que se estudiarn suponen que los datos
que se emplean provienen de variables que tienen una Distribucin Normal. Estas son
las llanmadas "Pruebas Parmetricas". Hay muchas otras pruebas que no suponen que
los datos provienen de variables con distribucin Normal, son las denominadas
"Pruebas No Paramtricas".
b)
Cuando los datos siguen una distribucin Normal, la media y la varianza son
independientes (una no depende de la otra) lo que no es cierto en otros casos.
c)
Los resultados provenientes de variables asociadas con muchos fenmenos naturales

(peso, estatura, presin sangunea, etc.) siguen aproximadamente la Distribucin
Normal.
d)
Para cualquier distribucin de datos, si se seleccionan muchsimas muestras de un

tamao fijo y "razonable" y se calcula la media aritmtica de cada una de las muestras,
el conjunto de tales medias aritmticas tiene siempre una Distribucin Normal
(Distribucin de la media aritmtica en el muestreo). Lo importante del resultado
anterior, conocido como Teorema Central del Lmite, es que no importando cual es la
distribucin de los datos, la distribucin de las medias aritmticas siempre ser Normal.
6.2.4. Distribucin Normal Estandarizada ( ZN(0;1) )

Existen infinitas distribuciones normales, las que se obtienen asignando valores a los
parmetros y . Un caso especial es la denominada "Distribucin Normal Estandarizada"
que es aquella de parmetros =0 y =1. Se emplea la variable Z para distinguirla y su
funcin de densidad esta dada por.
1 12 ( Z )2
f ( x) =
e
2
La Funcin de Distribucin (probabilidades acumuladas) de la distribucin Normal
Estandarizada, que se designa como (Z), se ha tabulado, lo que permite calcular
probabilidades de intervalos de valores de la variable Z en forma simple, por diferencia de
valores de (Z). Por lo tanto:
P(aXb)= (b) - (a)
6.2.5. Tabla de la Funcin de Distribucin Normal Estandarizada
La Tabla de la Funcin de Distribucin de la Normal Estandarizada (Ver Apndice de
Tablas) presenta los valores de las probabilidades acumuladas desde Z=3,90 hasta Z= 3,90,
en dos pginas, una para los valores negativos de Z (desde z=3,90 hasta Z=0) y otra para los
valores positivos de Z (desde Z=0 hasta Z= 3,90).
En la primera columna (sealada con Z) se presentan los valores de Z con un decimal.
En las columnas siguientes se presenta el segundo decimal (0 a 9). En el cuerpo de la tabla se
presentan los valores de las probabilidades acumuladas.
28
As, para determinar la probabilidad acumulada hasta 1,96 (esto es (1,96)) se ubica la
fila del valor 1,9 en columna Z en la pgina de valores positivos. En esa fila, se sigue la
lectura hasta la columna 6. En la interseccin de fila 1,9 y columna 6 se encuentra el valor
0,9750, que es la probabilidad acumulada buscada. Por lo tanto, (1,96) = 0,9750
6.2.6. Ejemplos de Uso de Tabla de la Funcin de Distribucin Normal Estandarizada
a) Uso directo de la tabla (Z)
P(Z<1,68) = P(Z1,68)= (1,68) = 0,9535
P(Z<-0,50) = P(Z-0,50) = (0,50) = 0,3085
b) Uso para calcular probabilidades complementarias
P(Z>1,68) = P(Z1,68)=1- (1,68) =1 - 0,9535 = 0,0465
P(Z>-0,50) = P(Z-0,50) =1 - (-0,50) =1 - 0,3085 = 0,6915
c) Uso para calcular probabilidades en un intervalo
P(-0,50 X 1,68) = P(-0,50<X<1,68) =
= (1,68) (0,50) = 0,9535 - 0,3085 = 0,6450
P(-1,96 X 1,96) = P(-1,96 < X < 1,96) =
= (1,96) - (1,96)= 0,9750 - 0,0250 = 0,9500
6.2.7. Estandarizacin De Una Distribucin Normal Cualquiera
La distribucin Normal Estandarizada es importante pues cualquier Distribucin Normal
se puede llevar a ella mediante una transformacin de la respectiva variable. Esta propiedad
permite emplear la Tabla de la Funcin de Distribucin de la Normal Estandarizada para
obtener probabilidades de cualquier distribucin normal. El enunciado siguiente expresa la
estandarizacin:
Si una variable aleatoria X tiene distribucin Normal de parmetros y 2 (esto es
XN(, 2) ) si se transforma la variable X definindose Z =
entonces ZN(0,1)
Ejemplo 1:
Se aplic una prueba de psicomotricidad a 300 estudiantes de Primer Ao Bsico. Los
rendimientos (R) se supone que tienen distribucin Normal con Esperanza =100
puntos y Varianza 2= 225 puntos2 (luego =15 ptos) esto es RN(100; 225).
a)
b)
c)
d)
Si se selecciona un alumno, determine la probabilidad que su rendimiento sea

inferior a 110 puntos.
Si se selecciona un alumno, determine la probabilidad que su rendimiento sea
superior a 95 puntos.
Si se selecciona un alumno, determine la probabilidad que su rendimiento se
encuentre entre 95 y 110 puntos.
Determine la cantidad estimada de alumnos con rendimientos inferiores a 110
puntos; con rendimientos superiores a 95 puntos y con rendimientos entre 95 y
110 puntos.
29
Desarrollo:
Para calcular las probabilidades se estandariza la variable aleatoria Rendimiento (R)
mediante la transformacin: Z=(R-100)/15 . El clculo de las probabilidades se realiza
de la siguiente forma:
10
( R 100) (110 100)
<
a) P( R < 110) = P
= P( Z < ) =
15
15
15
= P(Z<0,67)= (0,67)=0,7486 (74,86%)

5
( R 100) (95 100)
>
b) P( R > 95) = P
= P( Z > ) =
15
15
15
= P(Z>0,33)=1 - (-0,33)= 1 - 0,3707 = 0,6293 (62,93%)

5
10
(95 100) ( R 100) (110 100)
<
<
c) P(95 < R < 110) = P
= P ( < Z < ) =
15
15
15
15
15
=P(-0,33 < Z <0,67)= (0,67) - (-0,33)=0,7486 - 0,3707=0,3779 (37,8%)

d)
- La cantidad estimada de alumnos con rendimientos inferiores a 110 puntos

se obtiene multiplicando el nmero de alumnos que rindi la prueba (300) por la
probabilidad de obtener menos de 110 puntos en la prueba, luego, la cantidad
estimada es:
n= (300)P(R<110) = (300)(0,7486) = 224,58 = 225 alumnos
- La cantidad estimada de alumnos con rendimientos mayores a 95 puntos es:
n=(300)P(R>95) = (300)(0,6293) = 188,79 = 189 alumnos.
- La cantidad estimada de alumnos con rendimientos entre 95 y 110 puntos es:
n=(300)P(95<R<110) = (300)(0,3779) = 113.37 = 114 alumnos.
Ejemplo 2: (Datos de Apuntes Est. Descriptiva)

Las estaturas (A) de un grupo de 40 estudiantes se supone que tienen distribucin
Normal con Esperanza 146,8 cm y Desv. Estndar 13,33 cm (o sea Varianza 177,7
cm). Lo anterior se sintetiza en la expresin AN(146,8; 177,7).
a)
b)
c)
d)
Si se selecciona un alumno, determine la probabilidad que su estatura sea

inferior a 155 cm.
Si se selecciona un alumno, determine la probabilidad que su estatura se
encuentre entre 143 y 152 cm.
Determine la cantidad estimada de alumnos con estaturas inferiores a 155 cm y
con estaturas entre 143 y 152 cm.
Compare sus estimaciones sobre el nmero de alumnos con los valores exactos
empleando los datos de estaturas usados en ejemplo de Estadstica Descriptiva.
Desarrollo:
Para calcular las probabilidades se estandariza la variable estatura (A) mediante la
transformacin: Z=(A - 146,8)/13,33 . El clculo de las probabilidades es el siguiente.
8, 2
( A 146,8) (155 146,8)
a) P ( A < 155) = P
<
)=
= P(Z <
13,33
13,33
13,33
P(Z<0,62)= (0,62)=0,7324 (73,24%)

3,8
5, 2
(143 146,8) ( A 146,8) (152 146,8)
b) P (143 < A < 152) = P
<
<
)=
Z<
= P (
13,33
13,33
13,33
13,33
13,33
=P(-0,29 < Z <0,39)=(0,39) - (-0,29)= 0,6517 - 0,3859 = 0,2658 (26,6%)
c)
30
La cantidad estimada de alumnos con estaturas inferiores a 155 cm se

obtiene multiplicando el nmero de alumnos del grupo (40) por la probabilidad
de tener menos de 155 cm de estatura, luego, la cantidad estimada es:
n= (40)P(A<155) = (40)(0,7324) = 29,3 = 30 alumnos
- La cantidad estimada de alumnos con estaturas entre 143 y 152 cm es:
n=(40)P(143 <A <52)= (40)(0,2658) = 10,6 = 11 alumnos.
d)
Los datos
116 125
144 144
156 157
reales del ejemplo de Estadstica Descriptiva, ordenados, son:

126 128 132 135 135 135 136 138 138 140 140 142 142
145 145 146 146 147 147 148 149 150 150 152 153 154
158 161 163 164 165 168 173 178
- La cantidad efectiva de alumnos con estaturas inferiores a 155 cm es de 30

alumnos.
- La cantidad efectiva de alumnos con estaturas entre 143 y 152 cm de estatura
es de 13 alumnos.
- En resumen, las estimaciones son bastante buenas. por lo tanto, la
Distribucin Normal ( o el supuesto de normalidad) parece adecuado para estos
datos.
6.2.8. Uso de Puntajes Estandarizados Para Comparar Distribuciones
Los puntajes estandarizados o "Puntajes Tpificados" permiten comparar resultados
obtenidos en distribuciones que pueden diferir en sus valores medios o en sus desviaciones
estndar. Si adems se puede suponer que los resultados se distribuyen normalmente,
entonces se pueden estimar los percentiles asociados con un resultado particular.
a) Comparacin de Resultados
Se tiene informacin de dos escalas para evaluar la depresin: a) El inventario de Beck
de la depresin (IBD), que tiene un recorrido de 0 a 63 puntos con una media de 11,3 puntos
y una desviacin estndar de 7,7 puntos; b) La escala de autoevaluacin de la depresin
(EAD), de Zung, con un recorrido entre 25 y 100 puntos con una media de 52,1 puntos y una
desviacin estndar de 10,5.
Si Pedro fue evaluado con la escala IBD y obtuvo un resultado 23 y Angela fue
evaluada con la escala EAD obteniendo un resultado de 58 puntos, Cul de las dos
tiene un mayor nivel de depresin?
Desarrollo:
Estandarizando los resultados anteriores se tiene:
Para Pedro (escala IBD): Z= (23,0 - 11,3)/7,71 =1,7/7,7= 1,52
Para Angela (escala EAD): Z=(58,0 - 52,1)/10,5 = 5,9/10,5 = 0,56
Segn los resultados anteriores, Pedro tendra un mayor nivel de depresin pues el
valor Z respectivo es mayor.
b) Estimacin de Percentiles
Si se supone que los resultados de las escalas de depresin se distribuyen
normalmente, entonces se puede emplear la Tabla de la Funcin de Distribucin de la Normal
Estandarizada para estimar los percentiles asociados.
31
Desarrollo:
Para Pedro (escala IBD): P(Z<1,52)= (1,52) = 0,9357 esto es , percentil 93,6
Para Angela (escala EAD): P(Z<0,56)= (0,56) = 0,7123 esto es , percentil 71,2
Segn los resultados, Pedro supera al 93,6% del grupo de referencia en la escala Beck,
mientras Angela supera al 71,2% de su grupo en la escala EAD. Por lo tanto, Pedro
tiene un nivel mayor de depresin que Angela.
6.2.9. Puntajes Estandarizados y Escalas Derivadas
Como se ha podido apreciar, los puntajes estandarizados se expresan como decimales
positivos o negativos. Con el objeto de lograr escalas de referencia expresadas en valores
enteros positivos, se realizan transformaciones de los puntajes Z con este objetivo.
La expresin general para expresar los puntaje originales de una escala X, que tiene
una Esperanza y una Desviacin estndar , en otra escala P con una media M y una
desviacin tpica D es la siguiente:
P = D(
)+M
P = D(Z) + M
o ms abreviado
Una escala importante es la escala T con media M=50 y desviacin estndar D=10. En
este caso la transfiormacin es:
T = 10(Z) + 50
Ejemplo:
Los puntajes T para Pedro y Angela, del ejemplo anterior, seran:
Pedro: Z=1,52
T=10(1,52)+50 = 65,2
Angela: Z= 0,56
T=10(0,56)+50 = 55,6
Nuevamente, el mayor puntaje T de Pedro indica un mayor nivel de depresin.
6.3. EJERCICIOS
1.
En una prueba, los resultados se supone que tienen distribucin normal con Esperanza
(o media) de 26,1 puntos y desviacin tpica de 10,7 puntos.
a)
Determine los puntajes Z que corresponden a los puntajes brutos 5, 18; 30; 39;
46 y 51 puntos.
b)
Estime los percentiles correspondientes a los puntajes brutos anteriores.
c)
Indique los puntajes T correspondientes a los puntajes brutos indicados.
2.
Los siguientes son los resultados obtenidos por 130 estudiantes en el Minnesota PaperForm Board Test (M):
PUNTAJES
27 - 32
33 - 38
39 - 44
45 - 50
51 - 56
57 - 62
ALUMNOS
16
28
28
34
18
6
a)
b)
c)
3.
32
Suponiendo que los puntajes tienen distribucin normal, obtenga los puntajes Z
correspondientes a los puntajes brutos 28, 40 y 60.
Determine los puntajes T correspondientes a los puntajes brutos anteriores.
Usando el supuesto de normalidad de los puntajes, estime el nmero de casos
con puntajes M<28; M<40 y M<60
Los resultados del curso en tres asignaturas se indican a continuacin as como los
obtenidos por la alumna Maria en dichas asignaturas:
EXAMEN
ALGEBRA
FISICA
INGLS
MEDIA
48
40
80
DESV. EST.
12,1
8,3
15,2
N ALUMNOS
65
48
39
CALIF. MARIA
44
30
108
a)
c)
Suponiendo que los resultados siguen una distribucin normal, indique en que
asignatura tiene Mara un mejor rendimiento relativo:
b)
Indique el percentil que ocupa Mara en cada asignatura
Indique cuantos alumnos superan a Mara en puntaje, en cada asignatura.
6.4. OTRAS DISTRIBUCIONES CONTINUAS

Existen muchas variables aleatorias continuas que son empleadas en Estadstica, para
modelar diversas situaciones o fenmenos. De las ms importantes se han tabulado sus
funciones de distribucin para facilitar el empleo de probabilidades asociadas a ella. A
continuacin se presentan algunas de stas. No se indican las funciones de densidad por no
ser de inters si no sus caractersticas generales y como se emplean las tablas de las
funciones de distribucin respectivas.
6.4.1. Distribucin "T" (de Student)
Una variable aleatoria continua "t" que tiene una funcin de densidad correspondiente
a la "Distibucin t", graficamente tambin tiene forma de campana y se parece a la Normal
pues tambin es simtrica y est centrada en 0. Sin embargo, esta distribucin depende de un
parmetro denomina do "grados de libertad" (gl) el cual est asociado generalmente con el
nmero de datos de la muestra. Por lo tanto, existen muchas distribuciones "t", pero no existe
una que puede representar a las otras (como ocurre con la Normal Estndarizada que puede
representar a las infintas normales).
Por lo antes indicado, se debera representar cada distribucin "t" por separado. Por
ello, si se repitiera el trabajo de calcular las probabilidades para cada valor de la variable
(como se hizo para la Normal estandarizada) se generara una tabla para cada valor del
parmetro "gl". As, habra una tabla para gl=1; otra para gl=2; otra par gl=3 etc. El
resultado sera un libro de tablas.
Para simplificar la presentacin de estas mltiple tablas, se han tomado algunos
valores de probabilidades que se emplean regularmente en Estadstica (0,05; 0,01; etc) y se
ha confeccionado una tabla de resumen con ellos empleando los valores de la variable que se
asocian con esas probabilidades en cada distribucin "t". Esa tabla de resumen es la "Tabla de
la Funcin de Distribucin de la Distribucin "t" la cual tiene en su encabezado los valores de
probabilidades destacados (0,60; 0,70;...; 0,90; 0,95; 0,975; 0,99; 0,995 etc). En la columna
matriz, se presentan los diversos valores de los grados de libertad: 1;2;3;.....; 140, 180; 200;
infinito. En el cuerpo de la tabla, se entregan los valores de la variable "t" (que tiene la
distribucin "t") correspondiente a los grados de libertad "gl" y para un rea o probabilidad
indicados.
33
As por ejemplo, si se desea determinar el valor una v.a. "t" con 20 g.l. y que acumula
una probabilidad (o rea ) del 95%, habr que ubicar el valor en la interseccin de la fila para
gl=20 y la columna para probabilidad igual a 0,95. All se encuentra el valor t=1,7247. Lo
anterior se expresa en forma ms abreviada como:
t(0,95;20)=1,7247
(o tambin t(20; 0,95)=1,7247 )
6.4.2 Distribucin Ji-Cuadrado (2)

Una v.a. continua "2" que tiene una funcin de densidad correspondiente a la
"Distibucin 2", grficamente no es simtrica y est definida slo para valores positivos de la
variable. Sin embargo, esta distribucin depende de un parmetro denominado "grados de
libertad" (gl).
En forma anloga a lo sealado para la distribucin "t", la tabla "Tabla de la Funcin de
Distribucin de la Distribucin "presenta la misma estructura de la anterior. En el encabezado
se presentan los valores de probabilidades destacados (0,005; 0,01; 0,025; 0,05;...; 0,90;
0,95; 0,975; 0,99; 0,995). En la columna matriz, se presentan los diversos valores de los
grados de libertad: 1;2;3;... 44; 45. En el cuerpo de la tabla, se entregan los valores de la
variable "2" (que tiene la distribucin "2") correspondiente a los grados de libertad "gl" y
para un rea o probabilidad indicados.
As por ejemplo, si se desea determinar el valor una v.a. "2" con 20 g.l. y que
acumula una probabilidad (o rea ) del 97,5%, habr que ubicar el valor en la interseccin de
la fila para gl=20 y la columna para probabilidad igual a 0,975. All se encuentra el valor
=34,17. Lo anterior se expresa en forma ms abreviada como:
2 (0,975;20)=34,17
(o tambin 2 (20; 0,975)=34,17 )
6.4.3. Distribucin F (de Fisher)

Una v.a. continua "F" que tiene una funcin de densidad correspondiente a la
"Distibucin F", graficamente no es simtrica y est definida slo para valores positivos de la
variable. Sin embargo, esta distribucin depende de dos parmetros "grados de libertad (g.l.)"
que suelen denominarse "g.l. del denominador" y "g.l. del denominador" pues esta
distribucin est generalmente asociada con cuocientes de varianzas.
Por lo anterior, la tabla de resumen de las mltiples distribuciones "F" permite
presentar slo algunos valores de probabilidad (0,95; 0,99), los que se indican en el ttulo de
la tabla (como niveles de significacin del 5% o del 1% respectivamente). En el encabezado y
columna matriz se ubican los grados de libertad.
As por ejemplo, si se desea determinar el valor una v.a. "F" con 20 "g.l. en el
numerador" y 10 "g.l. del denominador" que acumula una probabilidad (o rea) del 95% (o
nivel de significacin del 5%), habr que ubicar la pgina para el nivel del significacin del 5%
y en ella, el valor de F en la interseccin de la columna para gl=20 y la fila para gl=10
probabilidad. El valor es F=2,77. Lo anterior se expresa en forma ms abreviada como:
F(0,95; 10; 20) = 2,77
(o tambin F(10; 20; 0,95)=2,77)
34
7. DISTRIBUCIONES MUESTRALES
En el rea de la Estadstica que corresponde a Inferencia interesa conocer el
comportamiento de las estadsticas (como media aritmtica, varianza, proporcin etc.)
calculadas de cada una de las muestras seleccionadas de una poblacin, pues a partir de una
de ellas se pretende estimar las caractersticas desconocidas de dicha poblacin.
7.1. MUESTRA ALEATORIA
Dada una poblacin de N elementos, una muestra es un subconjunto de n elementos
seleccionados desde una poblacin. La seleccin puede ser con reemplazo o sin reemplazo. En
el primer caso, una unidad seleccionada puede serlo nuevamente. En el segundo caso, ello no
es posible. Por ejemplo, la poblacin podra estar constituida por todos los alumnos de una
carrera y una muestra podra ser un grupo de 10 alumnos de dicha carrera.
Una caracterstica importante de la seleccin de las muestras es que sea aleatoria, esto
es, no intencional. Para lograr esto se podra identificar (p.ej. numerar) cada elemento de la
poblacin y luego poner esa identificacin (p.ej. papelitos con los nmeros) en una tmbola y
seleccionar la muestra desde ah. En general, para la seleccin de muestras se reemplaza el
procedimiento anterior mediante el empleo de "nmeros aleatorios" que ser pueden encontrar
en tablas o se pueden obtener desde una calculadora (rutina RAN) o en un software
estadstico.
7.2. PARMETROS Y ESTADSTICAS
En la poblacin asociada con un estudio usualmente interesan variables susceptibles de
ser medidas en los elementos que la componen. Por ejemplo, en la poblacin de estudiantes
de una carrera de la universidad una variable de inters podra ser la edad. Otras podran ser
el resultado de una prueba en una asignatura o las opiniones sobre la carrera. Las variables
en la poblacin se supone que tiene caractersticas fijas, que no cambian, denominadas
PARMETROS, como ser: Media Poblacional (o Esperanza), Varianza, Desviacin estndar etc.
Los "parmetros" se designarn habitualmente con letras griegas o maysculas. As, la edad
media de los alumnos de la carrera, o la varianza de las edades permiten caracterizar la
poblacin. Dichos valores no cambian.
De las diferentes muestras que se pueden seleccionar de la poblacin, tambin se
pueden medir las variables de inters. Las medidas de resumen se denominan ESTADSTICAS,
como ser, media aritmtica, varianza, desviacin estndar etc. Estas medidas son variables,
pues en las distintas muestras seleccionadas de la poblacin se pueden obtener diversos
valores para las estadsticas. Por ejemplo, la media aritmtica de las edades ser distinta en
las diferentes muestras. Lo mismo ocurrir con la varianza o la desviacin estndar.
7.3. DISTRIBUCIONES EN EL MUESTREO
La "Distribucin en el Muestreo" es el estudio del comportamiento que tiene una
Estadstica de una variable, p. ej. la media aritmtica, cuando se calcula para todas las
muestras posibles seleccionadas de una poblacin determinada. As existe la "Distribucin en
el Muestreo de la Media Aritmtica". Tambin se puede considerar la "Distribucin en el
Muestreo de la Varianza" o la "Distribucin en el Muestreo de la Mediana" etc.
Ejemplo (Edades de 4 nios)
En la pgina siguiente se presentan las distribuciones en el muestreo de la Media
Aritmtica, la Mediana y la varianza muestral de muestras de tamao 3, con reemplazo,
seleccionadas de una poblacin de edades de 4 nios con valores 5, 7, 8 y 10 aos. Los
valores poblacionales son = 7,5 aos; 2 = 3,25 aos2 y Mediana es 7,5 aos.
Distribuciones en el muestreo de Media Aritmtica, Mediana y Varianza Muestral
MUESTRA
5
5
5
5
5
5
5
5
5
5
5
5
5
5
5
5
7
7
7
7
7
7
7
7
7
7
7
7
7
7
7
7
8
8
8
8
8
8
8
8
8
8
8
8
8
8
8
8
10
10
10
10
10
10
10
10
10
10
10
10
10
10
10
10
5
5
5
5
7
7
7
7
8
8
8
8
10
10
10
10
5
5
5
5
7
7
7
7
8
8
8
8
10
10
10
10
5
5
5
5
7
7
7
7
8
8
8
8
10
10
10
10
5
5
5
5
7
7
7
7
8
8
8
8
10
10
10
10
ESPERANZA
VARIANZA
5
7
8
10
5
7
8
10
5
7
8
10
5
7
8
10
5
7
8
10
5
7
8
10
5
7
8
10
5
7
8
10
5
7
8
10
5
7
8
10
5
7
8
10
5
7
8
10
5
7
8
10
5
7
8
10
5
7
8
10
5
7
8
10
MEDIA
MEDIANA
VAR. MUEST.
5,00
5,67
6,00
6,67
5,67
6,33
6,67
7,33
6,00
6,67
7,00
7,67
6,67
7,33
7,67
8,33
5,67
6,33
6,67
7,33
6,33
7,00
7,33
8,00
6,67
7,33
7,67
8,33
7,33
8,00
8,33
9,00
6,00
6,67
7,00
7,67
6,67
7,33
7,67
8,33
7,00
7,67
8,00
8,67
7,67
8,33
8,67
9,33
6,67
7,33
7,67
8,33
7,33
8,00
8,33
9,00
7,67
8,33
8,67
9,33
8,33
9,00
9,33
10,00
5,00
5,00
5,00
5,00
5,00
7,00
7,00
7,00
5,00
7,00
8,00
8,00
5,00
7,00
8,00
10,00
5,00
7,00
7,00
7,00
7,00
7,00
7,00
7,00
7,00
7,00
8,00
8,00
7,00
7,00
8,00
10,00
5,00
7,00
8,00
8,00
7,00
7,00
8,00
8,00
8,00
8,00
8,00
8,00
8,00
8,00
8,00
10,00
5,00
7,00
8,00
10,00
7,00
7,00
8,00
10,00
8,00
8,00
8,00
10,00
10,00
10,00
10,00
10,00
0,00
1,33
3,00
8,33
1,33
1,33
2,33
6,33
3,00
2,33
3,00
6,33
8,33
6,33
6,33
8,33
1,33
1,33
2,33
6,33
1,33
0,00
0,33
3,00
2,33
0,33
0,33
2,33
6,33
3,00
2,33
3,00
3,00
2,33
3,00
6,33
2,33
0,33
0,33
2,33
3,00
0,33
0,00
1,33
6,33
2,33
1,33
1,33
8,33
6,33
6,33
8,33
6,33
3,00
2,33
3,00
6,33
2,33
1,33
1,33
8,33
3,00
1,33
0,00
7,500
1,083
7,500
2,125
3,250
6,521
35
36
7.4. DISTRIBUCIN EN EL MUESTREO DE LA MEDIA ARITMTICA

El estudio de la "Distribucin en el Muestreo de la Media Aritmtica" es particularmente
interesante. Los resultados de dicho estudio se sintetizan en el importante "Teorema del
Lmite Central", que establece (simplificadamente) lo siguiente:
"Dada una poblacin cualquiera con Esperanza (Media Poblacional) y Varianza 2 , la
distribucin muestral de las Medias Aritmticas X , calculadas a partir de todas las
muestras aleatorias con reemplazo de tamao "n" seleccionadas de esta poblacin,
estar distribuida en forma aproximadamente Normal con Esperanza y Varianza 2/n.
La aproximacin a la Normal ser mejor cuanto mayor se "n".
La importancia de este teorema reside en el hecho que no existiendo supuestos sobre
la distribucin que tiene la variable en estudio (esto es, podra ser cualquiera) el conjunto de
medias aritmticas obtenidas de las muestras aleatorias seleccionadas de dicha poblacin si
tiene un comportamiento regulado por la distribucin Normal, cuyos parmetros estn
asociados con los de la variable en estudio.
Lo esencial del teorema se expresa sintticamente como: X N(;2/n).
La expresin anterior tambin puede estandarizarse como cualquier variable que tiene
una Distribucin Normal. El resultado se expresa como:
Siendo Z =
( X ) n
entonces, Z N (0;1)
n
La estandarizacin de X permite calcular probabilidades asociadas con valores de la
Media Aritmtica empleando la Tabla para la Funcin de Distribucin de la Normal
Estandarizada, igual como se hizo antes para el caso de una variable.
Ejemplo 1 (Distribucin en el muestreo)
En el ejemplo de la distribucin en el muestreo de muestras de tamao 3 de la
poblacin de 4 edades, se aprecia que siendo = 7,5 aos y 2 = 3,25 aos2, la Esperanza de
las Medias Aritmticas ( X ) es tambin 7,5 y la varianza de las Medias Aritmticas ( X2 ) es
1,083. Estos resultados verifican lo establecido en el Teorema del Lmite Central por cuanto:
X = = 7,5
aos y X2 =
2
n
3, 25
= 1, 083 aos2
3
Ejemplo 2 (Clculo de probabilidades)

Los puntajes de un test se conoce que tienen una Media Poblacional de 120 puntos y
una Varianza de 225 puntos2 (Desviacin Estndar 15 puntos). Si se selecciona una
muestra de 16 alumnos,
a) Calcular la probabilidad que el puntaje medio de la muestra flucte entre 115 y 128
puntos.
b) Determinar los valores de las Medias Aritmticas que se asocian con el 95% central
de estos resultados.
37
Desarrollo:
a)
Segn la informacin entregada, =120 puntos ; 2=225; =15 puntos; n=16 alumnos
El planteamiento del problema y la estandarizacin del mismo para obtener las
probabilidades se expresa como:
(128 120)(4)
(8)(4)
(115 120)(4)
(5)(4)
P(115 < X < 128) = P
<Z<
<Z<
= P
=
15
15
15
15
=P(-1,33<Z<2,13)=(2,13)- (-1,33)= 0,9834 - 0,0918= 0,8916
Por lo tanto, la probabilidad que el puntaje medio de una muestra de 16 alumnos
flucte entre 115 y 128 pubtos es del 0,8916 , esto es del 89,2% aproximadamente.
b) Se conoce la probabilidad y se debe determinar los extremos de los intervalos de
valores de Medias Aritmticas inferior ( X i ) y superior ( X s ) que se asocian con dicha
probabilidad. Por lo tanto:
( X 120)(4)
( X 120)(4)
<Z< S
P( X i < X < X S ) = P i
= 0,95
15
15
Por otra parte, la lectura de la Tabla de la D. Normal indica que:

P(-1,96<Z<1,96)=0,95
Igualando las expresiones para Z se obtiene que:
( X i 120)(4)
(1,96)(15)
= 1,96 Despejando X i = 120
= 120 7,35 = 112, 65 = 112,7 ptos.
15
4
( X S 120)(4)
(1,96)(15)
= 1,96 Despejando X S = 120 +
= 120 + 7,35 = 127,35 = 127,4 ptos.
15
4
Por lo tanto, entre 112,7 puntos y 127,4 puntos se encontrara el 95% de los puntajes
de las medias aritmticas de muestras de 16 alumnos.
7.5. OTRAS DISTRIBUCIONES EN EL MUESTREO
A continuacin se presentan algunos resultados sobre distribuciones en el muestreo de
ciertas estadsticas, que sern tiles para los temas de Inferencia. Estos resultados se pueden
demostrar, pero ello escapa al objetivo de este curso.
7.5.1. Media Aritmtica con Varianza Poblacional Desconocida
El teorema del Lmite Central es importante pues permite modelar el comportamiento
de la Media Aritmtica. Sin embargo requiere conocer la Varianza de la Poblacin de la cual
provienen las muestras. Como esta situacin no es corriente, en la prctica, el resultado
siguiente permite modelar el comportamiento de la Media Aritmtica cuando no se conoce la
Varianza Poblacional y se estima con la Varianza Muestral:
Si se consideran muestras aleatorias de tamao "n" de una poblacin que tiene
distribucin Normal con Esperanza (Media Poblacional) y Varianza 2, siendo X la
media muestral y S2 la varianza muestral, si se define la variable aleatoria t
siguiente, entonces:
t=
( X ) n
t (n 1)
S
Lo anterior significa que la variable aleatoria tiene una distribucin "t" con (n-1) grados
de libertad.
38
7.5.2. Distribucin de la Varianza Muestral

El siguiente resultado modela el comportamiento de la Varianza Muestral, con los
mismos supuestos anteriores:
Si se consideran muestras aleatorias de tamao "n" de una poblacin que tiene
distribucin Normal con Varianza 2, siendo S2 la varianza muestral, si se define la
variable aleatoria siguiente, que se denomina 2, entonces:
2 =
( n 1) S 2
2 ( n 1)
Lo anterior significa que esta variable aleatoria tiene una distribucin "2 " con (n-1)
grados de libertad.
7.5.3. Distribucin de la Proporcin Muestral
Si se considera una poblacin dividida en dos categoras (dicotomizada) como hombres
y mujeres; capacitados y no capacitados; viven en la zona o fuera de ella, ganan ms de
$200.000.- o no, etc. Si una de estas categoras es de inters para la investigacin y se
denomina C. La proporcin poblacional de unidades pertenecientes a C se denomina (Por
ejemplo, la proporcin de mujeres que estudian en la universidad). El estimador muestral se
denomina p y corresponde a la proporcin de unidades de la muestra que pertenecen a la
categora C (Por ejemplo, la proporcin de mujeres en una muestra de 30 alumnos de la
universidad).
Se puede demostrar (mediante el Teorema central del Lmite) que la distribucin de p,
cuando el tamao de la muestra es grande, es aproximadamente Normal con Esperanza
=n y Varianza 2= (1- )/n
Por lo tanto, la estandarizacin de la proporcin p se expresa como:
Z=
(1 )
( p ) n
(1 )
N (0;1)
n
7.5.4. Distribucin de la Diferencia de Dos Medias Poblacionales ( X 1 - X 2 )
(con Varianzas Conocidas 21 y 22)

Dadas dos poblaciones con distribuciones normales y con Esperanza 1 y 2
respectivamente y Varianzas 21 y 22 respectivamente, si se seleccionan muestras aleatorias
de tamaos "n1 y "n2 respectivamente en dichas poblaciones y de las cuales se obtienen sus
Medias Aritmticas X 1 y X 2 , si se considera la variable aleatoria definida por las diferencias
de las medias aritmticas ( X 1 - X 2 ), calculadas a partir de todas las muestras aleatorias
independientes seleccionadas de dichas poblaciones, se puede demostrar que esa variable

aleatoria estar distribuida en forma aproximadamente Normal con Esperanza (1- 2 ) y
Varianza (21/n1 +22/n2) .
En resumen: ( X 1 - X 2 ) N(1- 2; 21/n1 +22/n2).
una Distribucin Normal. El resultado de la estandarizacin se expresa como:
Z =
( X 1 X 2 ) ( 1 2 )
12
n1
22
39
N (0;1)
n2
7.5.5. Distribucin de la Diferencia de Dos Medias Poblacionales ( X 1 - X 2 )
(con Varianzas Desconocidas pero que se suponen son iguales 21=22= 2)

Dadas dos poblaciones con distribuciones normales y con Esperanza 1 y 2
respectivamente y Varianzas 21 y 22 ,respectivamente, que son desconocidas pero que se
supone son iguales (o sea 21=22= 2); si se seleccionan muestras aleatorias de tamaos "n1
y "n2 respectivamente en dichas poblaciones y de las cuales se obtienen sus Medias
Aritmticas X 1 y X 2 , si se considera la variable aleatoria definida por las diferencias de las
medias
aritmticas
( X 1 - X 2 ),
calculadas
partir
de
todas
las
muestras
aleatorias
independientes seleccionadas de dichas poblaciones, se puede demostrar que la variable

aleatoria siguiente se distribuye como t. Esto es:
t=
( X1 X 2 ) (1 2 )
Sp
1 1
+
n1 n2
t (n1 + n2 2) siendo S p =
(n1 1)S12 + (n2 1)S22

n1 + n2 2
En la expresin anterior S2p es la estimacin de 2, la varianza comn pero

desconocida, que se obtiene combinando la informacin de las dos muestras.
7.5.6. Distribucin de la Diferencia de Dos Proporciones Muestrales (p1-p2)
Dadas dos poblaciones dicotomizadas (hombres y mujeres; capacitados y no
capacitados etc.) de las cuales se considera las proporciones 1 y 2 en que se presenta una
cierta caracterstica (por ejemplo, la proporcin de mujeres), si se seleccionan muestras
aleatorias de tamaos "n1 y "n2 respectivamente en dichas poblaciones y de las cuales se
obtienen sus proporciones muestrales p1 y p2, si se considera la variable aleatoria definida por
las diferencias de dichas proporciones (p1-p2) calculadas a partir de todas las muestras
aleatorias independientes seleccionadas de dichas poblaciones, se puede demostrar que esa
variable aleatoria estar distribuida como Normal con Esperanza( 1 - 2 ) y Varianza
( 1 (1 1 ) / n1 )+( 2 (1 2 ) / n2 )
una Distribucin Normal. El resultado de la estandarizacin se expresa como:
Z =
( p1 p 2 ) ( 1 2 )
1 (1 1 )
n1
2 (1 2 )
N (0;1)
n2
7.5.7. Distribucin del Cuociente de Varianzas Maestrales ( S12 y S 22 )

El siguiente resultado modela el comportamiento del cuociente de dos Varianzas
Muestrales con los mismos supuestos anteriores:
Si se consideran muestras aleatorias de tamao "n1" de una poblacin que tiene
distribucin Normal con Varianza 12 ,
y de tamao "n2" de otra poblacin que tiene
distribucin Normal con Varianza 22 ; siendo S12 y S 22 las respectivas varianzas maestrales.
40
Si se define la variable aleatoria siguiente, denominada F, entonces:
S12 / 12
F ( n1 1; n 2 1)
F = 2
S 2 / 22
Lo anterior significa que la variable aleatoria tiene una distribucin " F" con (n1-1) y
(n2-1) grados de libertad.
7.6. EJERCICIOS
1.
Indique por qu es importante el Teorema del Limite Central.
2.
Observando las distribuciones en el muestreo de la Mediana y la Varianza, para el

ejemplo de las edades de 4 nios Qu le sugieren los resultados respecto a la
distribucin en el muestreo de la Mediana y la Varianza Muestral?
3.
Los puntajes de un ndice de ansiedad para adultos en una ciudad se distribuyen

normalmente con Esperanza 100 puntos y Desviacin Estndar 15 puntos.
a) Encuentre la distribucin de la ansiedad media para una muestra de n=225
personas.
b) Encuentre la probabilidad que la ansiedad media de la muestra anterior exceda los
103 puntos.
c) Encuentre la probabilidad que la ansiedad media muestral est entre 97 y 103
puntos.
d) Encuentre el puntaje Z correspondiente a la ansiedad media de 90 puntos.
4.
Siendo la v.a. X velocidad de escritura de digitadores de cierto tipo de texto tiene un

distribucin normal con Esperanza de 58 palabras por minuto y Desviacin Tpica de 16
palabras por minuto. Si se toma una muestra aleatoria de 16 digitadores y se les
somete a una prueba de velocidad, cul es la probabilidad que la media muestral est
entre 50 y 70 palabras por minuto. (Resp.: 0,9759).
5.
Suponiendo que el contenido de nicotina de cierta marca de cigarrillo tiene distribucin

normal con Esperanza de 25 miligramos y Desviacin Tpica de 4 miligramos. Si se
toma una muestra aleatoria de 25 cigarrillos.Cul es la probabilidad que con una
muestra de ese tamao se obtenga una media aritmtica de 26 miligramos o mayor?
6.
La proporcin de personal de una empresa con algn tipo de problemas de adaptacin,

en una empresa, se estima en 15% (esto es =0,15). Si se selecciona una muestra de
40 personas, calcule la probabilidad que la proporcin de personas con problemas de
adaptacin flucte entre 12% y 18%.
7.
Considerando una muestra aleatoria de n observaciones de una variable X con =5 y

que tiene una distribucin t con n-1 grados de libertad, responder lo siguiente:
a)
Si n = 25; X = 3; S = 2 Cul es el valor de t?
b)
Si n = 9;
X = 2; t = -2 Cul es el valor de S?
c)
Si n = 25; S = 10; t = 2 Cul es el valor de X ?
d)
Si S = 15; X = 14; t = 3 Cul es el valor de t?
8.
Considerando una muestra aleatoria de n observaciones de una variable X que tiene

una distribucin 2 con n-1 grados de libertad, responder lo siguiente:
e)
Si n = 25; S = 2 Cul es el valor de 2?
f)
Si n = 9;
2 = 10; Cul es el valor de S2?
41
8. INFERENCIA: Estimacin de Parmetros
La Estadstica Inferencial es el rea de la Estadstica que se preocupa de la relacin

entre muestras y la poblacin de la cual se han seleccionado, para emplear los resultados
obtenidos en una muestra con el objeto de "inferir" o "tener una idea" acerca de los valores de
las caractersticas de la poblacin.
La Estadstica Inferencial pretende resolver dos problemas fundamentales: la
estimacin de parmetros poblacionales a partir de estadsticas muestrales conocidas
(Estimacin Puntual y Estimacin por Intervalos), y la toma de decisiones estadsticas acerca
de hiptesis establecidas sobre la poblacin, tambin con base en el conocimiento y los
resultados obtenidos de una muestra de dicha poblacin (Docimasia o Prueba de Hiptesis).
8.1. ESTIMACIN DE PARMETROS POBLACIONALES
La Estimacin de Parmetros consiste en estimar el valor de un parmetro poblacional
(Esperanza, Varianza, Proporcin etc.) a partir de los resultados observados en una muestra
aleatoria de dicha poblacin. La estadstica muestral utilizada (Media Aritmtica, Varianza
muestral, Proporcin muestral, Mediana, etc.) se denomina genricamente ESTIMADOR y los
resultados obtenido empleando dicho estimador con un conjunto de valores maestrales se
denominan ESTIMACIN. Se espera que la seleccin de los estimadores (estadsticas
muestrales) se realice atendiendo al cumplimiento de algunos criterios o caractersticas que
garanticen que sean lo mejor posible.
La Estadstica tambin ofrece mtodos para obtener estimadores, los que cumplen con
algunas propiedades. Una presentacin intuitiva del significado de los criterios ms usados
para caracterizar a los estimadores, as como los mtodos para obtenerlos se ofrece a
continuacin. Los resultados que se muestran pueden demostrarse, lo que no se hace por no
ser de inters para el curso.
8.1.1. Mtodos para Obtener Estimadores
Hay diversos mtodos para generar estimadores. Los ms conocidos son los de
Mnimos Cuadrados, que se presentaron en el tema de Regresin, y de Mxima Verosimilitud.
Este ltimo permite obtener estimadores de los parmetros de distribuciones de probabilidad
(como la Normal o la Binomial, por ejemplo) que tienen importantes propiedades.
42
8.1.2. Parmetros y Estimadores Usuales

A continuacin se presenta, sin demostracin, la relacin entre algunos Parmetros
Poblacionales y los mejores Estimadores muestrales, pues tienen la mayor cantidad de
propiedades y que se emplern en lo que sigue. Para distinguir los parmetros de los
estimadores, se emplean letras griegas para los primeros y latinas para los segundos.
PARAMETROS POBLACIONALES
=
N
i =1
Xi
Esperanza o Media Poblacional
n
i =1
ESTIMADOR MUESTRAL
( X i )2
X=
n
i =1
Xi
n
Media Aritmtica
n
i =1
( X i X )2
N 1
Varianza Poblacional
n 1
Varianza Muestral
= 2 :
Desviacin Estndar poblacional
S = S2
Desviacin Estndar muestral
A
:
N
Proporcin Poblacional
a
n
Proporcin muestral
p=
8.1.3. Propiedades de los estimadores

A continuacin se presentan las principales propiedades de los estimadores.
a) Insesgamiento
Un estimador es insesgado si la distribucin muestral del mismo tiene una Esperanza
(Media Poblacional) que es igual al valor del parmetro que se desea estimar.
Si se considere el ejemplo de las edades de 4 nios con valores 5, 7, 8 y 10 aos,
cuyos valores poblacionales son = 7,5 aos; 2 = 3,25 aos2 y Mediana es 7,5 aos.
Observando los resultados obtenidos con todas las muestras posibles de tamao n=3 (con
reemplazo) se puede apreciar lo siguiente:
a)
El promedio de todas las medias aritmticas (esperanza de la Media Aritmtica) de

todas las muestras seleccionadas de tamao n=3 es igual a 7,5 aos lo que coincide
con el valor de la Media Poblacional (En smbolos: X = = 7,5 aos. Como esta
propiedad se puede demostrar que ocurre siempre, y no slo en este caso, se puede
afirmar que la Media Aritmtica es un estimador insesgado de la Media
Poblacional.
b)
Para las Medianas muestrales se observa lo mismo antes indicado, por lo tanto se
puede afirmar que la Mediana muestral es un estimador insesgado de la
Mediana Poblacional.
c)
Para las Varianzas muestrales (S2) se observa que el promedio de todas ellas
(esperanza de la varianza muestral) de todas las muestras seleccionadas de tamao
n=3 es igual a 3,25 lo que coincide con el valor de Varianza Poblacional (En smbolos:
S = 2 = 3, 25
2
43
aos2. Como esta propiedad se puede demostrar que ocurre siempre, y
no slo en este caso, se puede afirmar que la Varianza muestral es un estimador

insesgado de la Varianza Poblacional.
Si bien la propiedad de insesgamiento se aplica a la poblacin de resultados de las
estimaciones que se pueden realizar con el estimador, la importancia que tiene el emplear
estimadores insesgados consiste en que al seleccionar una sola muestra, como es lo habitual
en las aplicaciones prcticas, y tener una sola estimacin se espera que entregue resultados
cercanos al valor verdadero del parmetro que se estima.
b) Consistencia
Generalmente un estimador no entrega valores idnticos al valor del parmetro que
pretende estimar. La variabilidad de todas las diferencia entre la estimacin y el valor
verdadero del parmetro estimado permite definir la "Varianza de Muestreo" y la raz
cuadrada de la misma que se denomina el "Error de Muestreo".
La propiedad de Consistencia se verifica si al aumentar el tamao de la muestra el
Error de Muestreo tiende a disminuir, hasta hacerse cero si el tamao de la muestra es igual
al de la poblacin.
Como ejemplos se puede comprobar que los estimadores Media Aritmtica, Varianza
muestral y Mediana (entre otras) tienen esta propiedad.
c) Insesgado de Varianza Mnima (Eficiencia)
Como se aprecia por los ejemplos, puede haber varios estimadores de un parmetro
que satisfacen algunas propiedades. Para distinguir entre ellos, se define la propiedad de
"Insesgado de Varianza Mnima" la que establece que si hay dos o ms que son
estimadores insesgados, es preferible aquel cuya Varianza de Muestreo (o Error de Muestreo)
es menor. Se puede decir que este ltimo es ms eficiente.
Usando el ejemplo de las edades de 4 nios, para la Media Poblacional, se puede
emplear como estimadores tanto la Media Aritmtica como la Mediana, los cuales son
insesgados y consistentes. Sin embargo, la distribucin muestral de la Media Aritmtica tiene
una varianza menor (1,083 aos2) que la distribucin muestral de la Mediana (2,125 aos2).
Por lo tanto, se puede afirmar que la Media Aritmtica es un estimador Insesgado de Varianza
Mnima o es ms eficiente que la Mediana. Lo anterior permite justificar por que es importante
la media aritmtica como estimador preferido de la media poblacional, as como su empleo en
los procedimientos que ms adelante se estudiarn.
d) Suficiencia
Intuitivamente, se dice que un estimador es Suficiente si transmite la mayor cantidad
posible de informacin de la muestra acerca del parmetro que se pretende estimar, con
respecto a la informacin que podran transmitir otros estimadores definidos en la misma
muestra.
Como ejemplo, para el parmetro Media Poblacional, se puede comprobar que los
estimadores que pueden emplearse, entre otros, son la Media Aritmtica, la Mediana y el
Centro del Recorrido. Sin embargo, el Centro del Recorrido slo emplea los valores muestrales
mnimo y mximo, la Mediana slo la posicin relativa para determinar aquel que tiene la
ubicacin central. Slo la Media Aritmtica toma en cuenta el valor de cada observacin y por
ello toda la informacin de la muestra. Por lo tanto, la Media Aritmtica sera un estimador
suficiente de la Media Poblacional.
44
8.2. ESTIMACIN PUNTUAL DE PARMETROS POBLACIONALES

La Estimacin Puntual de un Parmetro, asociado con la distribucin de una variable
aleatoria de inters, consiste en emplear el valor obtenido en el estimador para inferir sobre
el valor del respectivo parmetro poblacional de la variable.
Por ejemplo, si interesa inferir sobre la edad media de los alumnos de una carrera, y
en una muestra aleatoria de 20 estudiantes universitarios de dicha carrera se observa que la
Media Aritmtica de las edades es X = 20,7 aos puede inferirse que la Edad media
poblacional () de todos los estudiantes de la carrera es tambin 20,7 aos. Si la varianza
muestral (S2) de las mismas edades es de 5,3 aos2 puede inferirse que la Varianza
Poblacional ( 2 ) tambin corresponde a 5,3 aos2.
Por ltimo, si la proporcin (p) de hombres obtenida en la muestra de alumnos de la
carrera es de 0,55 puede inferirse que la Proporcin Poblacional de hombres (P) tambin es de
0,55 (o 55%).
8.3. ESTIMACIN POR INTERVALOS DE PARMETROS POBLACIONALES
La estimacin puntual de un parmetro poblacional desconocido no ofrece seguridad
que ese sea efectivamente el valor del parmetro poblacional.
Esta situacin puede mejorarse ofreciendo un conjunto (o intervalo) de valores posibles
para el parmetro poblacional. As para el ejemplo del punto anterior, podra indicarse que la
edad media de los alumnos de la carrera flucta entre 19,2 y 22,2 aos (esto es 20,71,5
aos). A la media aritmtica (20,7 aos) de la muestra se le ha agregado y restado la
cantidad de 1,5 aos, denominado ERROR DE ESTIMACIN, para determinar el intervalo de
posibles valores de la edad media de todos los alumnos de la carrera.
A continuacin se presentar un procedimiento para calcular el ERROR de ESTIMACIN
y as determinar los extremos del intervalo para estimar un parmetro, que emplea el
conocimiento existente sobre la distribucin muestral de la estadstica (que desempeara el
rol de estimador) que se presentaron en el tema de "Distribuciones en el Muestreo".
8.4. ESTIMACIN POR INTERVALOS DE LA MEDIA POBLACIONAL
(CON VARIANZA POBLACIONAL 2 CONOCIDA)
Suponiendo que una variable X (por ejemplo la edad de los estudiantes) tiene
distribucin Normal, esto es, XN(;2) (esto es Normal con Esperanza y Varianza 2). Se
supone que es desconocido y 2 es conocida. Por el Teorema del Lmite Central se sabe que
para muestras de tamao "n" la Media Aritmtica se distribuye como X N(;2/n). Por lo
tanto:
Siendo Z =
(X ) n
entonces, Z N (0;1)
n
Aunque Z depende de la distribucin de probabilidad de Z no depende de . Por lo
indicado, puede plantearse la siguiente relacin ya usada antes:
P(-1,96 < Z < 1,96) = 0,95. Reemplazando Z por su equivalente antes definido:
( X ) n
< 1,96)=0,95
P(-1,96 <
Despejando que es la incgnita se llega a:
45
(1,96)
(1,96)
<<X+
P X
= 0,95
n
n
Este resultado es un "intervalo probabilstico" y debe interpretarse del modo siguiente:

si se seleccionan todas las muestras de tamao "n" de la poblacin en estudio y se calcula
cada Media Aritmtica, siendo conocidos para cada una de las medias aritmticas se puede
(1,96)
(1,96)
calcular un intervalo con extremos: X

y X +
.
n
n
Por lo tanto habr un conjunto de intervalos. Si el valor de la Media Poblacional ()

fuera conocido, se podra verificar que el 95% de tales intervalos la contienen, esto es, el
valor de estar comprendido entre el valor mnimo y el mximo del intervalo. Por lo mismo,
habr un 5% de los intervalos que no contiene el valor de la Media Poblacional .
Pero como en la prctica slo se trabajar slo con una muestra, siendo el valor de
desconocido y se desea estimarlo, no se sabe si el intervalo asociado con esa nica muestra
pertenece al grupo mayoritario (del 95%) de intervalos que contienen a o al grupo
minoritario (del 5%) que no contiene a . Apelando al criterio, suponemos que hay mayores
posibilidades para que el intervalo calculado pertenezca al grupo mayoritario, pero como no
podemos asignar una probabilidad a nuestra presuncin, la expresamos como una
CONFIANZA DEL 95%.
Finalmente, el INTERVALO DE CONFIANZA DEL 95% PARA ESTIMAR CONOCIENDO
LA VARIANZA POBLACIONAL 2 tiene como lmites los valores siguientes:
(1,96)
(1,96)
X
y X +
.
n
n
Pero tambin pueden obtenerse Intervalos de Confianza asociados con otros

porcentajes de confianza. Esto depende del planteamiento inicial.
Por ejemplo, para obtener intervalos del 99% de confianza el planteamiento inicial es:
P(-2,575 < Z < 2,575) = 0,99. Por lo tanto, el INTERVALO DE CONFIANZA DEL 99% PARA
ESTIMAR CONOCIENDO LA VARIANZA POBLACIONAL 2 tiene como lmites los valores
siguientes:
(2,575)
(2,575)
X
y X +
n
n
La generalizacin del resultado anterior, para cualquier "coeficiente o nivel de confianza

" 1 en que " " es el "nivel de significacin", esto es la probabilidad que el intervalo
probabilstico no contenga al parmetro que se estima (que es en este caso), parte del
enunciado siguiente:
P ( Z ( / 2) < Z < Z (1 / 2) ) = P ( Z (1 / 2) < Z < Z (1 / 2) ) = 1
Por lo tanto, el INTERVALO DE CONFIANZA DEL ( 1 )100% PARA ESTIMAR
CONOCIENDO 2 LA VARIANZA POBLACIONAL tiene como lmite inferior y lmite superior los
valores siguientes:
( Z (1 / 2) )
Lmite inferior = X
( Z (1 / 2) )
Lmite superior = X +
46
8.4.1. Ejemplo aclaratorio sobre Int. Conf.

En la pgina siguiente se presenta una situacin hipottica para ayudar a comprender
el significado de los intervalos de confianza. A partir de la poblacin de 4 edades (6,7, 9 y 10
aos) se generan las 64 muestras posibles, con reposicin, y se obtuvieron los 6 intervalos
de confianza para estimar la media poblacional (), suponiendo la varianza poblacional
conocida (2=3,25 aos2) con una confianza del 95% (o sea, se emple Z=1,96).
Dado que este es una situacin muy especial (es hipottica pues se conoce la poblacin
y sus parmetros, lo que no corresponde a lo que ocurre en las situaciones reales que se
ejemplifican ms adelante), se conoce el valor de la media poblacional (=7,5 aos). Por ello,
se puede comprobar si cada uno de los intervalos generados contiene ese valor o no. La forma
de construir los intervalos garantizara que el 95% de los mismos debera contener el valor de
la media poblacional.
La primera tabla de los intervalos de confianza (pginas siguientes), seala en la ltima
columna que en 2 de los 64 intervalos no ocurre lo sealado, por lo tanto, el 3,1% de los
mismos no contiene a la media poblacional, porcentaje prximo al 5% en que se esperara
que ocurriera lo indicado. En la segunda tabla se presentan los Intervalos de confianza del
90%. Se aprecia que en la tabla hay 8 intervalos (12,5%) que no contiene a la media
poblacional, lo que es cercano al 10% esperado en que eso ocurriera.
El grfico siguiente presenta los 64 intervalos del 95% de confianza, aprecindose los
dos que no contienen al valor 7,5 que es la media poblacional.
INTERVALOS DE 95% DE CONFIANZA PARA ESTIMAR LA EDAD MEDIA POBLACIONAL
(VAR. POB. =3,25 n=3)
12,5
11,5
10,5
AOS
9,5
Med.
Pobl.
8,5
7,5
6,5
5,5
4,5
3,5
2,5
1
13
17
21
25
29
33
MUESTRAS
37
41
45
49
53
57
61
65
INTERVALOS DE CONFIANZA DEL 95% PARA ESTIMAR MEDIA POB. CON VAR. CONOCIDA
Sea la poblacin de edades en aos de 4 nios: 5, 7, 8, 10. La edad Media Poblacional es

2
2
=7,5 aos y la Varianza Poblacional es = 3,25 aos . Se toman muestras de tamao n=3
con reemplazo. Los siguientes son la totalidad de Intervalos de Confianza del 95% que pueden
generarse para estimar la Media poblacional (Se supone varianza conocida y se us z=1,96).
MUESTRA
5
5
5
5
5
5
5
5
5
5
5
5
5
5
5
5
7
7
7
7
7
7
7
7
7
7
7
7
7
7
7
7
8
8
8
8
8
8
8
8
8
8
8
8
8
8
8
8
10
10
10
10
10
10
10
10
10
10
10
10
10
10
10
10
5
5
5
5
7
7
7
7
8
8
8
8
10
10
10
10
5
5
5
5
7
7
7
7
8
8
8
8
10
10
10
10
5
5
5
5
7
7
7
7
8
8
8
8
10
10
10
10
5
5
5
5
7
7
7
7
8
8
8
8
10
10
10
10
5
7
8
10
5
7
8
10
5
7
8
10
5
7
8
10
5
7
8
10
5
7
8
10
5
7
8
10
5
7
8
10
5
7
8
10
5
7
8
10
5
7
8
10
5
7
8
10
5
7
8
10
5
7
8
10
5
7
8
10
5
7
8
10
MEDIA =
VARIANZA =
MEDIA ARIT.
LIMITE INFERIOR
LIMITE SUPERIOR
CONTIENE
5,00
5,67
6,00
6,67
5,67
6,33
6,67
7,33
6,00
6,67
7,00
7,67
6,67
7,33
7,67
8,33
5,67
6,33
6,67
7,33
6,33
7,00
7,33
8,00
6,67
7,33
7,67
8,33
7,33
8,00
8,33
9,00
6,00
6,67
7,00
7,67
6,67
7,33
7,67
8,33
7,00
7,67
8,00
8,67
7,67
8,33
8,67
9,33
6,67
7,33
7,67
8,33
7,33
8,00
8,33
9,00
7,67
8,33
8,67
9,33
8,33
9,00
9,33
10,00
2,96
3,63
3,96
4,63
3,63
4,29
4,63
5,29
3,96
4,63
4,96
5,63
4,63
5,29
5,63
6,29
3,63
4,29
4,63
5,29
4,29
4,96
5,29
5,96
4,63
5,29
5,63
6,29
5,29
5,96
6,29
6,96
3,96
4,63
4,96
5,63
4,63
5,29
5,63
6,29
4,96
5,63
5,96
6,63
5,63
6,29
6,63
7,29
4,63
5,29
5,63
6,29
5,29
5,96
6,29
6,96
5,63
6,29
6,63
7,29
6,29
6,96
7,29
7,96
7,04
7,71
8,04
8,71
7,71
8,37
8,71
9,37
8,04
8,71
9,04
9,71
8,71
9,37
9,71
10,37
7,71
8,37
8,71
9,37
8,37
9,04
9,37
10,04
8,71
9,37
9,71
10,37
9,37
10,04
10,37
11,04
8,04
8,71
9,04
9,71
8,71
9,37
9,71
10,37
9,04
9,71
10,04
10,71
9,71
10,37
10,71
11,37
8,71
9,37
9,71
10,37
9,37
10,04
10,37
11,04
9,71
10,37
10,71
11,37
10,37
11,04
11,37
12,04
No
7,500
1,083
n total muestras=
64,000
n muestras no contienen Med. Poblac.
% muestras no contienen Med. Poblac.
No
2
3,1
47
INTERVALOS DE CONFIANZA DEL 90% PARA ESTIMAR MEDIA POB. CON VAR. CONOCIDA
Sea la poblacin de edades en aos de 4 nios: 5, 7, 8, 10. La edad Media Poblacional es

2
2
=7,5 aos y la Varianza Poblacional es = 3,25 aos . Se toman muestras de tamao n=3
con reemplazo. Los siguientes son la totalidad de Intervalos de Confianza del 90% que
pueden generarse para estimar la Media poblacional (Se supone varianza conocida y se us
z=1,645).
MUESTRA
5
5
5
5
5
5
5
5
5
5
5
5
5
5
5
5
7
7
7
7
7
7
7
7
7
7
7
7
7
7
7
7
8
8
8
8
8
8
8
8
8
8
8
8
8
8
8
8
10
10
10
10
10
10
10
10
10
10
10
10
10
10
10
10
5
5
5
5
7
7
7
7
8
8
8
8
10
10
10
10
5
5
5
5
7
7
7
7
8
8
8
8
10
10
10
10
5
5
5
5
7
7
7
7
8
8
8
8
10
10
10
10
5
5
5
5
7
7
7
7
8
8
8
8
10
10
10
10
5
7
8
10
5
7
8
10
5
7
8
10
5
7
8
10
5
7
8
10
5
7
8
10
5
7
8
10
5
7
8
10
5
7
8
10
5
7
8
10
5
7
8
10
5
7
8
10
5
7
8
10
5
7
8
10
5
7
8
10
5
7
8
10
MEDIA =
VARIANZA =
MEDIA ARIT.
LIMITE INFERIOR
5,00
5,67
6,00
6,67
5,67
6,33
6,67
7,33
6,00
6,67
7,00
7,67
6,67
7,33
7,67
8,33
5,67
6,33
6,67
7,33
6,33
7,00
7,33
8,00
6,67
7,33
7,67
8,33
7,33
8,00
8,33
9,00
6,00
6,67
7,00
7,67
6,67
7,33
7,67
8,33
7,00
7,67
8,00
8,67
7,67
8,33
8,67
9,33
6,67
7,33
7,67
8,33
7,33
8,00
8,33
9,00
7,67
8,33
8,67
9,33
8,33
9,00
9,33
10,00
3,29
3,95
4,29
4,95
3,95
4,62
4,95
5,62
4,29
4,95
5,29
5,95
4,95
5,62
5,95
6,62
3,95
4,62
4,95
5,62
4,62
5,29
5,62
6,29
4,95
5,62
5,95
6,62
5,62
6,29
6,62
7,29
4,29
4,95
5,29
5,95
4,95
5,62
5,95
6,62
5,29
5,95
6,29
6,95
5,95
6,62
6,95
7,62
4,95
5,62
5,95
6,62
5,62
6,29
6,62
7,29
5,95
6,62
6,95
7,62
6,62
7,29
7,62
8,29
7,500
1,083
LIMITE SUPERIOR CONTIENE

6,71
7,38
7,71
8,38
7,38
8,05
8,38
9,05
7,71
8,38
8,71
9,38
8,38
9,05
9,38
10,05
7,38
8,05
8,38
9,05
8,05
8,71
9,05
9,71
8,38
9,05
9,38
10,05
9,05
9,71
10,05
10,71
7,71
8,38
8,71
9,38
8,38
9,05
9,38
10,05
8,71
9,38
9,71
10,38
9,38
10,05
10,38
11,05
8,38
9,05
9,38
10,05
9,05
9,71
10,05
10,71
9,38
10,05
10,38
11,05
10,05
10,71
11,05
11,71
n total muestras=
64,000
n muestras no contienen Med. Poblac.
% muestras no contienen Med. Poblac.
No
No
No
No
No
No
No
No
8
12,5
48
49
8.4.2. Ejemplo (Test conocimientos Computacin)

Se aplic un test para medir el nivel de conocimientos sobre Computacin de las
secretarias de una empresa. El test aplicado se haba estandarizado y tiene un puntaje medio
de 100 puntos y una desviacin estndar de 15 puntos (2=225 pts2). Los puntajes obtenidos
por una muestra de 16 secretarias son los siguientes:
110 98 95 103 106 89 125 102 106 111 115 93 116 121 96 101
a)
Estimar el Intervalo del 95% de confianza para el puntaje medio poblacional de
conocimientos.
b)
Puede aceptarse HIPTESIS que el puntaje medio poblacional es 100 puntos?
c)
Cmo se interpreta el intervalo obtenido?
Desarrollo:
Usando los datos de la muestra se obtiene X =105,4 pt., n=16. Considerando los
datos del test se emplea 2=225 pts2 (luego =15 puntos). Luego, los extremos del
intervalo de confianza del 95% para el puntaje medio poblacional son:
(1,96)(15)
29, 4
(1,96)
Lmite inferior = X
= 105, 44
= 105, 44 7,35 = 98, 08 = 98,1 pts
= 105, 44
4
4
n
a)
(1,96)
n
(1,96)(15)
29, 4
= 105, 44 +
= 105, 44 + 7,35 == 112, 79 = 112,8 pts
= 105, 44 +
4
4
b)
El intervalo calculado antes (98,1 a 112,8) comprende los puntajes entre los cuales
se estima se debe encontrar el verdadero valor del puntaje medio poblacional de
conocimientos, con 95% de confianza (o sea, con una posibilidad de equivocarse del
5%). Por lo tanto, el puntaje medio poblacional puede ser =100 pts pues este valor
est comprendido en el intervalo anterior.
c)
Los resultados anteriores sealan que el nivel de conocimientos de las secretarias

corresponde a lo normal, pues el puntaje medio poblacional puede ser =100 pts.
8.5. ESTIMACIN POR INTERVALOS DE LA MEDIA POBLACIONAL

(CON VARIANZA POBLACIONAL 2 DESCONOCIDA)
Suponiendo que una variable X (por ejemplo la edad, ingresos, puntajes en test etc.)
tiene distribucin Normal con esperanza y varianza 2, esto es, XN(;2). Se supone,
adems, que y 2 no son conocidas, pero slo es el parmetro que se desea estimar por
intervalo empleando una muestra aleatoria de tamao "n", a partir de la cual 2 ser estimado
con S2 (7varianza muestral).
La estrategia para realizar la estimacin, igual que en el caso anterior, es emplear una
estadstica que relacione los elementos del problema, conocidos y desconocidos, y tenga una
distribucin muestral conocida. En este caso se emplea la estadstica "t" siguiente:
(X ) n
t=
t (n 1)
S
A partir del enunciado siguiente: P ( t(1 / 2; n 1) < t < t(1 / 2; n 1) ) = 1
En forma anloga al caso antes visto, reemplazando "t" en la expresin anterior y
despejando se obtiene el INTERVALO DE CONFIANZA DEL (1-)100% PARA ESTIMAR
CUANDO LA VARIANZA POBLACIONAL 2 ES DESCONOCIDA. Los extremos del intervalo de
Confianza estn dados por:
t(1 / 2; n 1) S
t(1 / 2; n 1) S
Lmite inferior: X
y Lmite superior: X +
n
n
50
8.5.1. Ejemplo (El anterior sobre Test conocimientos Computacin)

de 100 puntos. Los puntajes obtenidos por una muestra de 16 secretarias son los siguientes:
110 98 95 103 106 89 125 102 106 111 115 93 116 121 96 101
a)
Estimar el Intervalo del 95% de confianza para el puntaje medio poblacional de
conocimientos.
d)
Puede aceptarse la hiptesis que el puntaje medio poblacional es 100 puntos?
e)
Desarrollo:
a) Usando los datos de la muestra se obtiene X =105,4 pt., S=10,3 pt.;n=16; = 0, 05
Luego, los valores de t obtenidos de la tabla son: t(1 / 2; n 1) = t(0,975; 15) = 2,1315 .
Los extremos del intervalo de confianza del 95% para el puntaje medio poblacional
son:
t(1 / 2; n 1) S
(2,1315)(15)
31,97
= 105, 44
= 105, 44 7,99 = 97,5 pts
Lmite inferior = X
= 105, 44
4
4
n
t(1 / 2; n 1) S
(2,1315)(15)
31,97
= 105, 44 +
= 105, 44 + 7,99 = 113,4 pts
= 105, 44 +
4
4
n
b)
El intervalo calculado antes (97,5 a 113,4) comprende los puntajes entre los cuales
se estima se debe encontrar el verdadero valor del puntaje medio poblacional de
conocimientos, con 95% de confianza (o sea, con una posibilidad de equivocarse del
5%). Por lo tanto, el puntaje medio poblacional puede ser =100 pts pues este valor
est comprendido en el intervalo anterior.
c)
Los resultados anteriores sealan que el nivel de conocimientos de las secretarias

corresponde a lo normal, pues el puntaje medio poblacional puede ser =100 pts.
8.6. ESTIMACIN POR INTERVALO DE LA PROPORCIN POBLACIONAL

En forma anloga a lo realizado en los casos anteriores, a partir de la distribucin en el
muestreo de p:
Z=
(1 )
( p ) n
(1 )
N (0;1)
n
Se obtienen los siguientes lmites (inferior y superior) para el INTERVALO DE
CONFIANZA DEL ( 1 )100% PARA ESTIMAR LA PROPORCIN, se estima con la
proporcin muestral p, entonces:
p(1 p)
Lmite inferior = p Z (1 / 2)
p (1 p)
Lmite superior = p + Z (1 / 2)

110 98 95 103 106 89 125 102 106 111 115 93 116 121 96 101
a)
b)
51
Estimar el Intervalo del 95% de confianza para la proporcin poblacional de puntajes

mayores de 100 puntos.
Puede ser la proporcin poblacional de puntajes mayores de 100 puntos igual a 0,45
(o 45% en porcentajes)?
Desarrollo:
Los puntajes forman dos grupos: aquellos mayores de 100 puntos (clase de inters C)
y los puntajes 100 o menores.
A partir de los resultados de la muestra, la proporcin de puntajes mayores de 100
puntos corresponde a p=11/16=0,6875. Por lo tanto (1-p)=0,3125.
Para = 0, 05 , el valor de Z (1 / 2) = Z (0,975) = 1, 96 .
a)
El intervalo de confianza del 95% para
ser:
Lmite Inferior
p(1 p)
0, 6875(1 0, 6875)
p Z (1 / 2)
= 0, 6875 1,96
= 0, 6875 (1,96)(0,1159) = 0, 6875 0, 2271 = 0,460
n
16
Lmite Superior
p (1 p)
0, 6875(1 0, 6875)
= 0, 6875 + 1,96
p + Z (1 / 2)
= 0, 6875 + (1,96)(0,1159) = 0, 6875 + 0, 2271 = 0,915

n
16
b)
El intervalo del 95% para la proporcin poblacional de puntajes mayores de 100 puntos
corresponde a (0,460 a 0,915) o en porcentajes corresponde a (46,0% a 91,5%). Dado
que el valor 0,45 no est comprendido entre los valores del intervalo, para la proporcin poblacional, se concluye que dicha proporcin no corresponde a la poblacin de la
cual proviene la muestra analizada.
8.7. ESTIMACIN POR INTERVALO DE LA VARIANZA POBLACIONAL
Suponiendo que una variable X tiene distribucin Normal con esperanza y varianza
2, esto es, XN(;2). Se supone, adems, que y 2 no son conocidas, pero slo 2 es el
parmetro que se desea estimar por intervalo empleando una muestra aleatoria de tamao
"n", a partir de la cual 2 ser estimado con S2 (7varianza muestral).
La estrategia para realizar la estimacin, igual que en el caso anterior, es emplear una
estadstica que relacione los elementos del problema, conocidos y desconocidos, y tenga una
distribucin muestral conocida. En este caso se emplea la estadstica "2" siguiente:
2 =
A partir del enunciado siguiente:
( n 1) S 2
2 ( n 1)
P ( 2( / 2;n1) < 2 < 2(1 / 2;n1) ) = 1
En forma anloga a los casos anteriores, reemplazando "2" en la expresin anterior y

despejando se obtiene el INTERVALO DE CONFIANZA DEL (1-)100% PARA ESTIMAR 2 .
Los extremos del intervalo de Confianza estn dados por:
( n 1) S 2
Lmite inferior: 2
(1 / 2; n 1)
y Lmite superior:
( n 1) S 2
2
( / 2; n 1)
52

110 98 95 103 106 89 125 102 106 111 115 93 116 121 96 101
a)
Estimar el Intervalo del 95% de confianza para la varianza poblacional de puntajes de
conocimientos.
d)
Puede aceptarse la hiptesis que la varianza poblacional de los puntajes de
conocimientos es 2=225 pts2?
c)
Desarrollo:
a)
Usando los datos de la muestra se obtiene que S=10,3 puntos; S2=106,4 puntos2;
n=16; = 0, 05 Luego, los valores de 2 obtenidos de la tabla son:
2( / 2; n1) = 2(0,025;15) = 6,262
2(1 / 2; n1) = 2(10,025;15) = 2(0,975;15) = 27,488

Los extremos del intervalo de confianza del 95% para la varianza poblacional de los
puntajes son:
(n 1) S 2 (15)(106, 4) 1.596
2
Lmite inferior = 2
= 2
=
= 58,06 puntos
(1 / 2; n 1) (0,975;
27,
488
15)

2
(n 1) S (15)(106, 4) 1.596
= 254,87 puntos2
Lmite superior = 2
= 2
=
( / 2; n 1) (0,025;
6, 262
15)
b)
El intervalo para la varianza poblacional (58,06 a 254,87) comprende los puntajes

entre los cuales se estima se debe encontrar el verdadero valor de la varianza de los
puntajes de conocimientos, con 95% de confianza (o sea, con una posibilidad de
equivocarse del 5%). Por lo tanto, la varianza poblacional de los puntajes puede ser
2=225 pts2 pues este valor est comprendido en el intervalo anterior.
Observaciones.
a)
Los resultados anteriores (estimacin de media y varianza poblacional) sealan que el

nivel de conocimientos sobre Computacin de las secretarias corresponde a los
observados para la poblacin en que se valid el test, pues el puntaje medio
poblacional puede ser =100 pts y la varianza de los mismos puede ser 2=225 pts2.
Por lo tanto, estos rendimientos de conocimientos se ajustan al comportamiento
corriente para la poblacin de puntajes del test.
b)
Si las secretarias haban tenido un curso de capacitacin y se planteara la hiptesis que

los rendimientos medios de este grupo de secretarias es mayor que el promedio, por
ejemplo =120 puntos, los resultados observados y el intervalo de confianza calculado
antes (97,5 pts a 113,4 pts) no avalan dicha hiptesis por cuanto el valor 120 no
pertenece al intervalo. Por lo tanto, la hiptesis se rechazara, concluyndose que el
grupo no tiene un rendimiento medio superior al de la poblacin en que se valid el
test.
53
8.8. ESTIMACIN POR INTERVALO DEL COEF. DE CONFIABILIDAD ALFA DE

CRONBACH
A partir de la distribucin en el muestreo del Coeficiente de Confiabilidad Alfa de
Cronbach, dada por la expresin siguiente, siendo = Coef. poblacional Alfa de Cronbach;
0 = Coef. muestral Alfa de Cronbach; K=nmero de tems; n= tamao de la muestra a la
cual se aplica el test,
F=
1
F ((n 1); ( K 1)(n 1))
1 0
Considerando enunciado probabilstico:
P(F(/2 ; (n-1);(K-1)(n-1))< F <F(1-
/2 ; (n-1);(K-1)(n-1)))
=1-
Reemplazando F por expresin para Coef. de Confiabilidad anterior, con los grados de
libertad indicados para F, se tiene:
P( F(( / 2); ( n 1); ( K 1)( n 1)) <
1
< F((1 / 2); ( n 1); ( K 1)( n 1)) ) = 1
1 0
(Atencin: el smbolo se emplea con dos significados diferentes, no confundir)
A partir de expresin anterior se obtienen lmites inferior y superior para el Intervalo

de Confianza del Coef de Confiabilidad Alfa de Cronbach , que son los siguientes:
Lim. Inferior: 1 (1 0 ) F((1 / 2); ( n 1); ( K 1)( n 1))
Lim. Superior: 1 (1 0 ) F(( / 2); ( n 1); ( K 1)( n 1))

8.8.1. Ejemplo
Se aplic una escala tipo Likert, con 7 aseveraciones a una muestra de 13 estudiantes,
para conocer las opiniones de los estudiantes acerca de una asignatura. Se obtuvo un
coeficiente de confiabilidad Alfa de Cronbach de 0,75. Estimar el Intervalo de Confianza del
90% para dicho coeficiente.
Los datos bsicos son n= 13; K= 7; 0 = 0,75; (n-1) = 12; (n-1)(K-1)= (12)(6)=72
Los valores de F obtenidos de la tabla, aproximando los grados de libertad a 10 y 80
son:
F( / 2);( n 1);( K 1)( n 1) = F(0,05);(131);(7 1)(131) = F(0,05);(12);(72) F(0,05);(10);(80) = 0,385

F(1 / 2); ( n 1); ( K 1)( n 1) = F(0,95); (131); (7 1)(131) = F(0,95); (12); (72) F(0,95); (10); (80) = 1,95
Los lmites del Intervalo de Confianza del 90% para Alfa de Cronbach poblacional son:
Lim. Inferior: 1 (1 0 ) F(1 / 2);( n 1);( K 1)( n 1) = 1 (1 0,75)(1,95) = 1 0, 4875 = 0,5125

Lim. Superior: 1 (1 0 ) F( / 2); ( n 1); ( K 1)( n 1) = 1 (1 0, 75)(0, 385) = 1 0, 09625 = 0, 90375
Por lo tanto, los lmites de confianza del 90% para el Coeficiente Alfa de Cronbach
estn entre 0,513 a 0,904
54
8.9. TAMAO DE LA MUESTRA PARA ESTIMAR LA MEDIA POBLACIONAL

La estimacin del tamao de la muestra "n" es un tema importante en Inferencia, tanto
para estimar un determinado parmetro poblacional o para una dcima de hiptesis. Cada
problema tiene una solucin diferente. En el caso de estimacin de parmetros, se puede
relacionar de manera directa, con el costo de una investigacin o con la precisin requerida
para la estimacin del parmetro (medida por el error de estimacin. En el caso de dcimas
de hiptesis, se relaciona con los tipos de errores asociados.
Los pasos para la determinacin del tamao de muestra para la estimacin de
parmetros son los siguientes:
a. Debe haber algn enunciado acerca de lo que se espera de la muestra. Dicho enunciado
puede establecerse respecto a la precisin (error de estimacin d deseado) o con el costo
disponible para el muestreo.
b. Debe encontrarse alguna ecuacin que conecte n con la precisin deseada (error de
estimacin d) Esta ecuacin contendr, como parmetros, ciertas propiedades desconocidas
de la poblacin, las cuales debern ser estimadas para lograr resultados especficos.
c. En una investigacin generalmente se mide ms de una variable (estimndose diferentes
parmetros). Si para cada una se especifica la precisin deseada, podran ser necesarios
tamaos de muestra diferentes para cada variable. Se deber encontrar algn mtodo para
conciliar esos requerimientos de diferentes tamaos de muestra
d. Finalmente, debe examinarse el valor de n determinado respecto a su consistencia con los
recursos de que se dispone para realizar el muestreo. Esto significa estimaciones del costo,
trabajo, tiempo y materiales necesarios para obtener el tamao propuesto. A veces se hace
necesario considerar una reduccin drstica del tamao de muestra determinado. Esto hace
que se deba decidir si se continua con la investigacin, empleando un tamao de muestra
menor y esperando obtener una precisin tambin menor a la deseada, o se suspende la
investigacin hasta conseguir ms recursos.
El tamao de muestra n mnimo para estimar la media poblacional de una variable
dada cuya varianza poblacional es 2; con un error de estimacin d; un nivel de confianza t
de (1-)100% dado por el cuantil de la distribucin t o de la normal y representado por t,
siendo N el nmero de unidades de la poblacin, se obtiene a partir de la definicin del error
de estimacin:
tS
d=
n
2
t S2
d2 =
n
Despejando para n se tiene la relacin siguiente, denominado tamao de muestra
preliminar n0:
n0 =
t2 S 2
tS
=
2
d
d
Si se conoce el tamao de la poblacin N, el tamao de muestra definitivo es:
n=
n0
n
1+ 0
N
55
Observaciones:
1. Si no se conoce S se puede estimar mediante una muestra piloto, de tamao
arbitrario, seleccionada de la poblacin en estudio. Tambin para una confianza del 95%, se
puede usar t=2 como valor preliminar. Una vez determinado un tamao de muestra, se puede
corregir el valor de t usando la tabla t de Student. Este proceso se puede repetir hasta
estabilizar el tamao de la muestra.
2. En la expresin para n, la influencia de N se manifiesta como un factor de
correccin del valor de no para disminuir este valor, lo que ocurrir si n es grande respecto a
N.
3. Si N no se conoce se puede emplear el valor n0. El efecto de usar un tamao de
muestra mayor al necesario es mejorar la precisin esperada de la estimacin, lo que es
bueno si no hay problemas de costo asociados a la seleccin de la muestra.
Ejemplo 1:
Con el objeto de determinar el tamao de muestra que se requiere para estimar el
puntaje medio en un test de Computacin a las secretarias de una empresa, con un error de 3
puntos y una confianza del 95%, como no se conoca la varianza de los puntajes, se
seleccion una muestra piloto de 6 puntajes con los resultados siguientes: 110 98 95
103 106 89. Por lo tanto, los datos bsicos son: t=2; d=3 pt ; S= 7,68 pt.(de muestra
piloto). El tamao de la muestra preliminar es:
t S 2 7, 68 15, 35
2
n0 = =
=
= 5,11 = 26, 2 27 secret.
d
3
3

Ejemplo 2:
En ejemplo anterior, si se sabe que el nmero de secretarias de la empresa son N=64,
entonces el tamao de la muestra necesario ser:
n =
n0
26, 2
26, 2
26, 2
=
=
=
= 18, 6 1 9 sec ret
26, 2
n0
+ 0, 409
1
1,
409
1+
1+
64
N
Ejemplo 3:
Si en el ejemplo anterior, se desea obtener un error de estimacin para estimar el
puntaje medio en el test, correspondiente al 5% de la media.
pt y S= 7,68 pt. Por lo tanto, el error de
De la muestra piloto se obtiene
estimacin es el 5% de la media estimada de la muestra, esto es (0,05)(100,3)=5,015.
=
0 , 2
Luego, con los datos bsicos son: t=2; d=5,015 pt ; S= 7,68 pt. El tamao de la
muestra preliminar es:
tS
n0 =
2 7, 68
=
5, 0 1 5
1 5, 3 5
=
5, 0 1 5
= 3 , 0 6 2 = 9 , 4 1 0 s e c r e t.
56
Considerando que N=64 secret., el tamao de muestra definitivo es:

n =
n0
9, 4
9, 4
9, 4
=
=
=
= 8, 2 9 sec ret
9, 4
n0
+
1
0
,
1
4
7
1,
147
1+
1+
64
N
Ejemplo 4:
Si en el ejemplo anterior, se desea estimar el puntaje medio en el test y se dispone de
$32.000.- para realizar el muestreo y seleccionar una unidad de muestreo vale $3.000.
En este caso, el tamao de la muestra es 10 secretarias pues no alcanza el
presupuesto para seleccionar 11 secretarias, pues:
n=
32000
= 10, 7 10 secret
3000
57
9. PRUEBA DE HIPTESIS (DOCIMASIA)

Se mencion que las dos grandes reas de la Inferencia son la estimacin de
parmetros poblacionales y el someter a prueba (docimar, contrastar) hiptesis estadsticas
sobre parmetros poblacionales. El empleo de estos procedimientos puede depender del
conocimiento existente sobre una poblacin. Si no hay informacin, posiblemente el inters se
centre en estimar alguna caracterstica de la misma. Si existe alguna informacin referente a
la poblacin de inters, el objetivo puede ser el aprovecharla para formular hiptesis.
9.1. TIPOS DE HIPTESIS
9.1.1. Hiptesis de Investigacin
Las hiptesis de investigacin son las hiptesis sustantivas que guan la investigacin,
por estar fundamentadas tericamente. Se expresan como posibles contestaciones a una
pregunta de investigacin. Adems, se formulan en trminos de las relaciones que existen
entre las variables del estudio.
Por ejemplo, en un estudio sobre los niveles de stress de las secretarias de una
empresa, podra preguntarse (esta sera la pregunta de investigacin): Cul es el nivel de
stress de las secretarias de la empresa en comparacin al nivel de stress que se podra
considerar habitual para este tipo de trabajo?
Una posible respuesta a esta pregunta de investigacin (la hiptesis) sera postular,
luego de analizar los antecedentes (que segn el tipo de estudio puede consistir en los
fundamentos tericos as como la informacin de otros estudios o de organismos relacionados
con el tema), que el nivel de stress (la variable de inters) de las secretarias de la empresa
analizada es inferior al nivel habitual de las mismas pues las secretarias de al empresa haban
recibido una capacitacin en esa rea. Esta declaracin no es otra cosa que nuestra hiptesis
de investigacin y constituye, en principio, nuestra respuesta tentativa a la pregunta de
investigacin. Pero tambin, los estudios relacionados o la informacin disponible, nos podran
llevar a postular que el nivel de stress es mayor que el de otras secretarias, o, si no hay
seguridad en cuanto al sentido de la comparacin, que slo es diferente al de otras
secretarias.
9.1.2. Hiptesis Estadsticas
Las Hiptesis Estadsticas corresponden a la traduccin de la Hiptesis de Investigacin
en trminos de aseveraciones o conjeturas acerca de la distribucin de una o ms variables.
Especficamente, las hiptesis estadsticas pueden referirse a parmetros poblacionales
(Medias, Proporciones, Varianzas etc.) o a la forma de la distribucin (Normal, Uniforme etc.).
Operativamente, las hiptesis estadsticas se expresan como la Hiptesis Nula (H0) y la
Hiptesis Alternativa (H1). La primera, generalmente, establece lo conocido o lo conservador,
mientras que la segunda, que es complementaria a la anterior, refleja lo novedoso o lo que
usualmente interesa al investigador. Ambas hiptesis agotan las posibles alternativas, en
cuanto a valores de parmetros o formas de distribucin.
Siguiendo con el ejemplo, se puede considerar que el nivel medio de stress
corresponde al parmetro de inters. Si adems suponemos que se emplear un test
estandarizado con una Media de 500 puntos y una desviacin estndar de 100 puntos. Estos
valores se pueden considerar como caractersticas de la poblacin y se usarn como valor de
referencia para plantear las diversas hiptesis.
58
Las distintas situaciones sealadas permiten traducir la Hiptesis de Investigacin en

las siguientes Hiptesis Estadsticas, considerando que lo conocido debe formar parte de la
Hiptesis Nula.
Definiendo a : Nivel medio de stress de las secretarias, en puntos las posibles
hiptesis que se pueden plantear son las siguientes:
a)
H0: = 500 puntos

H1: 500 puntos
b)
H0 : 500 puntos
H1 : > 500 puntos
c)
H0 : 500 puntos
H1 : < 500 puntos
Las hiptesis anteriores se denominan (a) bilateral, bidireccional o de dos colas, (b) y
(c) se denominan unilaterales, unidireccionales o de una cola. Conviene tener presente que en
un problema particular, ante una Hiptesis de Investigacin slo una de las alternativas
anteriores (a, b c) se deber considerar.
9.2. PROCEDIMIENTO DE LA PRUEBA DE HIPTESIS
La Prueba de Hiptesis (o dcima de hiptesis) es el procedimiento o la regla de
decisin que se emplea para decidir sobre la aceptacin o no de la Hiptesis Nula.
La Prueba de Hiptesis consiste en suponer verdadera la Hiptesis Nula y derivar las
consecuencias que ello implica. Finalmente, se contrastan las consecuencias mencionadas con
la informacin que aporta la muestra de la poblacin, resumida en los estimadores respectivos
que se denominan estadsticos de prueba. Si los resultados muestrales son coherentes con las
consecuencias, ello se interpreta como que la Hiptesis Nula no es contradictoria y se decidir
aceptarla. Por el contrario, si los resultados muestrales no son coherentes con las
consecuencias, ello se interpreta en el sentido que la Hiptesis Nula es contradictoria y se
decidir no aceptarla (y se aceptar su complemento, la Hiptesis Alternativa). La decisin, en
cualquier caso, involucra riesgos de equivocarse.
Continuando con el ejemplo, supongamos que las secretarias de la empresa asistieron
a un taller de capacitacin para controlar el stress, por lo tanto se espera que el nivel de
stress de las mismas sea inferior al del comn de las secretarias. Por ello, las hiptesis de
inters correspondientes se plantean como:
H0: 500 puntos
H1: < 500 puntos
La Hiptesis Nula refleja la condicin normal de stress, que son un nivel medio de 500
puntos o superior, mientras la hiptesis alternativa refleja lo que se espera se ha logrado con
el taller de capacitacin, esto es, que el promedio de stress sea inferior a 500 puntos.
Como se emplea una muestra para decidir, y si se supone que en verdad el puntaje
medio de las secretarias es 500 puntos, las muestras de secretarias seleccionadas pueden
diferir de ese valor. El problema es determinar hasta que punto se pueden considerar
diferencias, dado que el puntaje medio realmente es 500. El monto del error admisible es
denominado nivel de significacin y simbolizado por . En todo caso, si en las muestras se
obtuvieran valores bajos respecto a 500 puntos, ello sera indicio que el puntaje medio de los
secretarias de la empresa es inferior a 500 puntos. Por ello se denomina unilateral a la prueba
respectiva.
Si se supone que la Hiptesis Nula es verdadera (se puede slo suponer pues es
imposible saberlo con certeza) y es rechazada por la prueba, se cometera el error tipo I cuya
magnitud es y es el nivel de significacin. Si se supone que la Hiptesis Nula no es
verdadera y no es rechazada por la prueba, se cometera el error tipo II cuya magnitud es
(el valor 1- se denomina potencia de la dcima).
59
En las aplicaciones, generalmente se emplean niveles de significacin del 5% o del 1%

para tomar decisiones (o riesgos de equivocarse si la hiptesis nula es verdadera). Sin
embargo, los software estadstico (como SPSS u otros) o Excel entregan los denominados
valores-p (p-value) usualmente como valores de significacin los que facilitan mucho la
decisin de aceptar o no la Hiptesis Nula, lo que en definitiva se realiza, comparando dicho
valor con el nivel de significacin decidido por el investigador ( por ejemplo 5% o 1%).
9.3. ELEMENTOS DE UNA PRUEBA DE HIPTESIS
A continuacin, se detallan los principales elementos involucrados en una Prueba de
Hiptesis:
a) Prueba: Es el procedimiento o la regla de decisin que se emplea para decidir sobre la
aceptacin o no de la Hiptesis Nula. La seleccin de la prueba se realiza, considerando la
Hiptesis de la Investigacin y la respectivas Hiptesis Estadsticas, considerando las
caractersticas de la muestra y los supuestos necesarios para desarrollar la prueba (p.ej.
normalidad, aleatoriedad de la muestra, independencia etc.)
b) Hiptesis Nula (H0): Es la hiptesis que seala lo tradicional y se supone que es
verdadera para desarrollar el procedimiento de la prueba.
c) Hiptesis Alternativa (H1): Es complementaria a H0, refleja lo novedoso o lo que
usualmente interesa al investigador. Ambas hiptesis agotan las posibles alternativas, en
cuanto a valores de parmetros o formas de distribucin.
d) Nivel de significacin (): Corresponde a la probabilidad de rechazar una hiptesis que
puede ser verdadera (se denomina tambin error tipo I). Valores usuales son 5% y 1%
(=0,05 o =0,01). Es fijado por el investigador.
e) Estadstica de Prueba: Es la estadstica muestral empleada en la prueba. Tiene una
distribucin en el muestreo con caractersticas que se asocian con el parmetro que se estima.
f) Regin Crtica (RC): Corresponde al conjunto de valores de la estadstica de prueba que
llevan al rechazo de H0. Dependen del nivel de significacin fijado y de la Hiptesis alternativa.
Puede corresponder a un rea en una cola de la distribucin de la estadstica de prueba (en
dcimas unilaterales) o a dos reas en las colas de esa distribucin (en dcimas bilaterales).
Cuando se conoce el valor-p (valor de significacin), no es necesario indicar la regin crtica
como ocurre al usar un software estadstico.
g) Regin de Aceptacin (RA): Es el complemento de la regin crtica. No es necesario
indicarla pues toda la prueba se realiza en funcin de la Hiptesis Nula y su regin crtica.
60
9.3.1. Ejemplo (Secretarias y stress)

En el ejemplo siguiente se presentan los elementos antes mencionados con algn
detalle. Ms adelante, se presentar un esquema de trabajo ms sinttico para el desarrollo
de las pruebas de hiptesis as como el
Supongamos que se realiz un taller de capacitacin a las secretarias de una empresa
con el objeto de reducir su nivel de stress. Para comprobar los efectos se piensa emplear un
test desarrollado para medir stress en una poblacin de trabajadores, de condiciones de salud
normal, el que se ha estandarizado asignndole un Puntaje Medio =500 ptos con una
desviacin estndar =100 ptos. (o sea la varianza es 2=10.000 ptos2). Al cabo de seis
meses de asistencia al taller de capacitacin se aplic el test de stress a una muestra de 16
secretarias con los resultados siguientes (en puntos):
542
479
520
560
508
563
496
507
363
340
365
365
354
368
387
421
Los resultados obtenidos permiten avalar la hiptesis que el nivel medio de stress en
las secretarias de la empresa ha disminuido? o sea Ha sido exitoso el taller de capacitacin
para disminuir el nivel de stress?
El razonamiento para decidir sobre la hiptesis planteada es el siguiente:
a) Planteamiento de las Hiptesis y Supuestos:
Hiptesis Nula (Ho): El taller de capacitacin no ha sido exitoso, por ello los
resultados de la aplicacin del test de stress de las secretarias de la empresa son
los mismos que la poblacin corriente (con una Media Poblacional =500 ptos.)
Hiptesis Alternativa (H1): El taller ha sido exitoso, por lo que los rendimientos en
el test constituyen una poblacin con una Media Poblacional <500 ptos
Supuestos: La varianza de los puntajes es conocida y es 2=10.000 ptos2
(La desviacin estndar es =100 ptos.)
La muestra de 16 secretarias es una muestra aleatoria de la poblacin.
b) Nivel de significacin ()
Suponiendo que los resultados en el test de las secretarias de la empresa son los
habituales, esto es la Media Poblacional son 500 puntos (=500 ptos.), la conocida
variabilidad de los valores de las Medias Aritmticas de muestras (de n=16) tomadas
de esa poblacin, posibilita el hecho que las muestras puedan presentar Medias
Aritmticas muy bajas o altas respecto a 500 puntos. Sin embargo, puede esperarse
que eso no ocurra con mucha frecuencia y lo habitual ser obtener valores cercanos a
500. Pero qu puede entenderse como valores habituales? Para resolver este punto se
acostumbra a considerar un porcentaje del total de resultados de las Medias
Aritmticas, como ser 95% (o 99%), como los valores habituales. Lo anterior implica
fijar en 5% el riesgo de equivocarse (Nivel de significacin =0,05), pues se considera
no habitual a los valores extremos que son el 5% del total
c) Estadstica de Prueba
En consideracin a que H0 es una hiptesis sobre la Media Poblacional, la Media
Aritmtica X es el mejor estimador de la misma. En este ejemplo, las Medias
Aritmticas de muestras de tamao n=16 tienen una distribucin Normal con Media
(=500 ptos) y Varianza = 10.000/16 = 625. En resumen, X N(500; 625).
61
d) Regiones Crtica y de Aceptacin de H0.

Considerando el 95% como porcentaje de valores habituales de la Media Aritmtica,
entonces pueden determinarse los extremos del intervalo del 95% de los valores
habituales para la Media Aritmtica. Ellos definirn la Regin de Aceptacin de la
dcima. Para ello, se considera lo siguiente:
P( X > X i )=0,95 , Por otra parte, la Tabla de la D. Normal indica que:
P(Z>-1,645)=0,95. Igualando las expresiones se tiene:

( X i 500) 16
(1, 645)(100)
= 1, 645 luego; X i = 500
= 500 (1, 645)(25) = 500 41,13 = 458,87
100
16
Por lo tanto, si una muestra tiene X 458,9 se considera es el 95% de valores
habituales para una poblacin con media poblacional de 500 puntos. Este intervalo es
la REGIN DE ACEPTACIN de H0.
Por el contrario, si una muestra tiene X <458,9 se considera que no es lo habitual para
una poblacin con media poblacional de 500 puntos. Este intervalo es la REGIN
CRTICA O DE RECHAZO de H0.
En las aplicaciones, las Regiones Crticas o de Aceptacin se definirn en funcin de la
distribucin del estadstico de prueba, lo que facilita su determinacin. En este
ejemplo, la Regin Crtica se define como en conjunto de valores de Z tal que (Z<1,645) y la Regin de Aceptacin corresponde al intervalo de valores de Z tal que (Z1,645). En general, slo se necesita establecer una de estas regiones y ella ser la
Regin Crtica o de Rechazo de H
e) Evaluacin de la Estadstica de Prueba y Decisin sobre H0.
Volviendo a los datos de los resultados de la muestra de las secretarias, se puede
apreciar que la Media Aritmtica de los puntajes de la muestra es X =446,1 ptos, valor
que es menor a 458,9 y pertenece a la Regin Crtica o de rechazo de H0. Por lo tanto,
con un riesgo de error del 5% (nivel de significacin) se decide que el resultado medio
de la muestra de secretarias de la empresa no corresponde a aquellos que se
estimaran habituales, rechazndose la Hiptesis Nula. Lo anterior implica que aceptar
que el nivel medio de las secretarias en la prueba de stress es menor a 500 puntos, por
lo tanto, se considera que el taller de capacitacin fue exitoso para disminuir el nivel de
stress.
9.3.2. Desarrollo del Ejemplo en forma alternativa
Como se menciono, puede resultar ms cmodo definir el conjunto de valores de la
Regin Crtica (de rechazo de H0) en funcin de la variable aleatoria segn se distribuye la
estadstica de prueba. En el ejemplo, es Z. Para tomar una decisin, se basa en el valor de la
estadstica para los valores observados de la muestra, segn si pertenece o no a la Regin
Crtica.
En el ejemplo, la Regin Crtica se define como: RC={Z/ Z<-1,645}
El valor de la estadstica para la muestra es: Z=(446,1-500)/25 =-53,9/25= -2,16
Como Z=-2,16 < -1,645 entonces dentro del intervalo correspondiente a la Regin
Crtica. Esto significa que el resultado observado para el puntaje medio de las secretarias
(446,1) ptos no es un resultado habitual, lo que implica no aceptar la Hiptesis Nula, con un
riesgo de error (nivel de significacin) del 5%.
62
9.3.3. Esquema Para Realizar una Dcima o Prueba de Hiptesis

Los pasos para realizar una dcima, en sntesis, son los siguientes:
a) Formular las Hiptesis Nula (H0) y Alternativa (H1)
b) Establecer el nivel de significacin ()
c) Indicar los supuestos del problema (distribuciones, parmetros conocidos, etc.)
d) Seleccionar la Estadstica de Prueba apropiada segn los supuestos del problema
e) Determinar la Regin Crtica (rechazo de H0) segn nivel de significacin.
f) Empleando la informacin muestral, evaluar la Estadstica de Prueba
g) Comparar el valor anterior con los que definen la Regin Crtica. Si el valor
observado pertenece a la Regin Crtica se decide rechazar H0 (y aceptar H1). Si el
valor observado no pertenece a la Regin Crtica se decide no rechazar H0.
63
10. DCIMAS SOBRE PARMETROS DE UNA POBLACION

10.1. DCIMA SOBRE LA MEDIA POBLACIONAL () CON VARIANZA CONOCIDA (2)
1. Hiptesis:
(Siendo 0 es un valor que se conoce)
a) Bilateral
H0: = 0
H1: 0
b) unilateral izquierda
H0 : 0
H1 : < 0
c) Unilateral derecha
H0 : 0
H1 : > 0
2. Supuestos:
1. La muestra se selecciona aleatoriamente
2. La varianza poblacional (2) es conocida
3. Las muestras provienen de una poblacin con distribucin normal o no
3. Nivel de significacin:
4. Estadstica de Prueba:
Z=
( X ) n
N (0; 1)
5. Regin Crtica:
a) Bilateral
RCb={Z<-Z(1- /2) Z>Z(1- /2)}
b)
unilateral izquierda
RCi={Z<-Z(1- )}
RCd={Z>Z(1- )}
6. Evaluacin y Decisin sobre H0

1. Reemplazar X obtenido de la muestra en Estadstica de Prueba para obtener Zobs.
2. Si Zobs pertenece a la Regin Crtica se rechaza H0 (y se acepta H1)
3. Si Zobs no pertenece a la Regin Crtica, no se rechaza H0
64
10.1.1. Ejemplo (Secretarias y stress)

Se realiz un taller de capacitacin a las secretarias de una empresa con el objeto de
reducir su nivel de stress. Para comprobar los efectos se piensa emplear un test desarrollado
para medir stress en una poblacin de trabajadores, de condiciones de salud normal, el que se
ha estandarizado asignndole un Puntaje Medio =500 ptos con una desviacin estndar
=100 ptos. (o sea la varianza es 2=10.000 ptos2). Al cabo de seis meses de asistencia al
taller de capacitacin se aplic el test de stress a una muestra de 16 secretarias con los
resultados siguientes (en puntos):
542
479
520
560
508
563
496
507
363
340
365
365
354
368
387
421
1. Hiptesis:
(Siendo = nivel medio de stress en la poblacin de secretarias)

H0 : 500 puntos
H1 : < 500 puntos
2. Supuestos:
1. Las muestras se seleccionan aleatoriamente
2. La varianza poblacional es conocida 2= 10.000 pts2 (=100 ptos)
3. Nivel de significacin: =0,05
( X ) n ( X 500) 16
=
Z=
N (0; 1)
100
5. Regin Crtica:
RCi={Z<-Z(1- )=-1,645}
Reemplazar X = 446,1 pts obtenido de la muestra en Estadstica de Prueba
Z obs =
(446,1 500) 16 (53,9)(4) 215, 6

=
=
= 2,16
100
100
100
Como Zobs= -2,16 es menor que -1,645 entonces pertenece a la Regin Crtica, por lo
que se rechaza la Hiptesis Nula, por lo tanto se acepta que el puntaje medio de stress
es menor que 500 puntos con un riesgo de error (nivel de significacin) del 5%. Como
conclusin, se puede afirmar que el taller de capacitacin fue efectivo.
65
10.2. DCIMA SOBRE LA MEDIA POBLACIONAL () CON VARIANZA DESCONOCIDA

1. Hiptesis:
a) Bilateral
H0: = 0
H1: 0
b) Unilateral izquierda
H0 : 0
H1 : < 0
H0 : 0
H1 : > 0
2. Supuestos:
2. La varianza poblacional (2) es desconocida y se estima con S2
3. La muestra provienen de una poblacin con distribucin normal
t=
(X ) n
t (n 1)
S
5. Regin Crtica:
a) Bilateral
RCb={t<-t(n-1;1- /2) t>t(n-1;1- /2)}
c)
RCi={t<-t(n-1; 1- )}
RCd={t>t(n-1; 1- )}

1. Reemplazar X obtenido de la muestra en Estadstica de Prueba para obtener tobs.
2. Si tobs pertenece a la Regin Crtica se rechaza H0 (y se acepta H1)
3. Si tobs no pertenece a la Regin Crtica, no se rechaza H0
66
10.2.1. Ejemplo (Secretarias y stress con menos informacin poblacional)

Se realiz un taller de capacitacin a las secretarias de una empresa con el objeto de
reducir su nivel de stress. Para comprobar los efectos se piensa emplear un test desarrollado
para medir stress en una poblacin de trabajadores, de condiciones de salud normal, el que se
ha estandarizado asignndole un Puntaje Medio =500 ptos. Al cabo de seis meses de
asistencia al taller de capacitacin se aplic el test de stress a una muestra de 16 secretarias
con los resultados siguientes (en puntos):
542
479
520
560
508
563
496
507
363
340
365
365
354
368
387
421
1. Hiptesis:
(Siendo = nivel medio de stress en la poblacin de secretarias)

H0 : 500 puntos
H1 : < 500 puntos
2. Supuestos:
2. La varianza poblacional (2) es desconocida y se estima con S2
3. La muestra provienen de una poblacin con distribucin normal
3. Nivel de significacin: = 0,05
t=
( X ) n ( X 500) 16
=
t (15)
S
S
5. Regin Crtica:
RCi={t<-t(n-1; 1- )=-t(15; 0,95)=-1,7531}
Reemplazar X = 446,1 y S= 82,64 pts obtenidos de la muestra en Estadstica
de Prueba para obtener tobs.
tobs =
(446,1 500) 16 (53,9) 16 (53,9)(4) 215, 6

=
=
=
= 2, 61
82, 64
82, 64
82, 64
82, 64
Como tobs= -2,61 es menor que -1,7531 entonces pertenece a la Regin Crtica, por lo
que se rechaza la Hiptesis Nula, por lo tanto se acepta que el puntaje medio de stress
es menor que 500 puntos con un riesgo de error (nivel de significacin) del 5%. Como
conclusin, se puede afirmar que el taller de capacitacin fue efectivo.
67
10.3. DCIMA SOBRE LA PROPORCIN POBLACIONAL ( )

1. Hiptesis:
a) Bilateral
H0: = 0
H1: 0
H0 : 0
H1 : < 0
H 0 : 0
H1 : > 0
2. Supuestos:
1. La muestra se seleccionan aleatoriamente
3. La muestras proviene de una poblacin con distribucin binomial
Z=
(p )
(1 )
N (0; 1)
5. Regin Crtica:
a) Bilateral
RCb={Z<-Z(1- /2) Z>Z(1- /2)}
c)
Unilateral izquierda
RCi={Z<-Z(1- )}
RCd={Z>Z(1- )}

1. Reemplazar X obtenido de la muestra en Estadstica de Prueba para obtener Zobs.
68
10.3.1. Ejemplo (Agencia de publicidad)

Una Agencia de Publicidad ha desarrollado un tema para un comercial de un programa
de televisin, sobre la base que el 50% de los telespectadores son de 30 o ms aos de edad.
Para determinar si este supuesto es adecuado, hace una investigacin seleccionando una
muestra aleatoria de 400 telespectadores del programa de TV, observndose que 210 de ello
tenan 30 aos o ms. Sobre la base de los resultados anteriores puede aceptarse el
supuesto de la Agencia de Publicidad para su tema del comercial?
1. Hiptesis:
(Sea : Proporcin poblacional de telespectadores de 30 aos o ms)
H0: = 0,5
H1: 0,5
2. Supuestos:
1. La muestras se selecciona aleatoriamente

Z=
(p )
(1 )
5. Regin Crtica:
( p 0,5)
0, 5(1 0,5)
400
N (0; 1)
RCb={Z<-Z(0,975) =-1,96 Z>Z(0,975)=1,96 }

De la muestra se obtiene que p= 210/400 = 0,525. Luego,
Z obs =
(0,525 0,5)
0,5(1 0,5)
400
0, 025
0,5(1 0,5)
400
0, 025
= 1, 00
0, 025
Como Zobs=1,00 no pertenece a la Regin Crtica, por lo tanto no hay evidencia

para rechazar la Hiptesis Nula que proporcin de telespectadores de 30 o mas aos de
edad es 50% (con un nivel de significacin o riesgo del 5%).
Por lo tanto, el supuesto de la Agencia para su tema del comercial es aceptable.
69
10.4. DCIMA SOBRE LA VARIANZA POBLACIONAL (2)

1. Hiptesis:
a) Bilateral
H0: 2= 20
H1: 2 20
d) Unilateral izquierda
H0 : 2 20
H1 : 2< 20
c) Unilateral Derecha
H0 : 2 20
H1 : 2 > 20
2. Supuestos:
2. La muestra proviene de una poblacin con distribucin normal
2 =
5. Regin Crtica:
a) Bilateral
RCb={2<2 (n-1; /2) 2>2 (n-1;1- /2)}
(n 1) S 2
02
e)
2 (n 1)
RCi={2<2 (n-1; )}
RCd={2>2(n-1; 1- )}

1. Reemplazar S2 de la muestra en Estadstica de Prueba para obtener 2obs.
2. Si 2obs pertenece a la Regin Crtica se rechaza H0 (y se acepta H1)
3. Si 2obs no pertenece a la Regin Crtica, no se rechaza H0
10.4.1. Ejemplo (Otra mirada al ejemplo de Secretarias y stress)
En el ejemplo 2 sobre secretarias y stress no se conoca la varianza poblacional de los
resultados del test para medir stress y se estim con la varianza muestral. Sobre la base de
la muestra de los resultados de las 16 secretarias puede aceptarse la hiptesis que la varianza
de los puntajes de la poblacin de secretarias es la misma del test, esto es, 10.000 pts2?
1. Hiptesis:
Sea 2: Varianza poblacional de puntajes de las secretarias en test.

H0: 2= 10.000 pts2
H1: 2 10.000 pts2
2. Supuestos:
(n 1) S 2 (15) S 2
2 =
2 (15)
=
10.000
02
5. Regin Crtica:
RCb={2<2 (15; 0,025) =6,262 2>2 (15; 0,975)= 27,488}
De la muestra se obtiene S2=6.829,37 pts2.
(n 1) S 2 (15)(6829,37) 102.440,54
2
=
=
=
= 10, 24
obs
10.000
10.000
02
Como 2obs =10,24 no pertenece a la Regin Crtica, no se rechaza Ho, por lo

tanto se acepta que Varianza de puntajes del test de stress puede ser 10.000 pts2.
70
10.5. DCIMA SOBRE EL COEFICIENTE DE CONFIABILIDAD ALFA DE CRONBACH

1. Hiptesis:
a) Bilateral
H0: = 0
H1: 0
f)
H0 : 0
H1 : < 0
H0 : 0
H1 : > 0
2. Supuestos:
(No confundir con Coef de Confiabilidad )
F=
1
F ((n 1); ( K 1)(n 1))
1 0
K=nmero de tems; n= tamao de la muestra a la cual se aplica el test.
5. Regin Crtica Siendo los grados libertad: GL= (n-1; (K-1)(n-1))

a) Bilateral
RCb={F<F(GL; /2) F>F (GL ; 1- /2)}
c)
RCi={F<F (GL; )}
RCd={F>F (GL; 1- )}

1. Reemplazar 0 obtenida de la muestra, en Estadstica de Prueba para
obtener Fobs.
2. Si Fobs pertenece a la Regin Crtica se rechaza H0 (y se acepta H1)
3. Si Fobs no pertenece a la Regin Crtica, no se rechaza H0
10.5.1. Ejemplo
Se aplic un test de inteligencia espacial que consta de 20 tems a una muestra de 30 sujetos,
obtenindose una confiabilidad, calculada con el coeficiente Alfa de Cronbach de 0,65. Puede
aceptarse la hiptesis que el test tiene una confiabilidad poblacional superior a 0,60?
1. Hiptesis:
H0 : 0,60
H1 : > 0,60
2. Supuestos: La muestra se selecciona aleatoriamente

F=
1 0,6
F(29;551)
1 0
K=20; n= 30; K-1=29; (k-1)(n-1)=(19)(29)=551 GL=(29;551)
5. Regin Crtica:
RCd={F>F (29:551; 0,95)} {F>F (30:; 0,95)=1,459}
1 0, 6 0, 40
=
= 1,143
1 0, 65 0, 35
Como Fobs=1,143 no pertenece a la Regin Crtica, no se rechaza H0, esto
implica
decidir que el test no tiene confiabilidad poblacional mayor de
0,6.
Fobs =
71
10.6. ESTIMACIN DE TAMAOS DE MUESTRA PARA DCIMA DE HIPTESIS

La estimacin del tamao de la muestra asociado a los problemas de docimasia de
hiptesis es diferente al enfoque empleado para la estimacin de parmetros.
En dcimas de hiptesis los elementos son las hiptesis planteadas (nula y alternativa),
el nivel de significacin (Error tipo I con valor ) utilizado, la estadstica de prueba, la
distribucin de la estadstica de prueba, la regin crtica.
Los conceptos importantes son:
Error tipo I (): Es la probabilidad de llegar a la conclusin de que la muestra est
tomada en una poblacin diferente (es decir existe una diferencia significativa) cuando
en realidad no es as (cometiendo un error tipo I).
Error tipo II (): Es la probabilidad de llegar a la conclusin de que no existe ninguna
diferencia cuando en realidad si la hay (cometiendo un error tipo II).
Potencia (1-): Es la probabilidad de llegar a la conclusin de que haba una
diferencia cuando efectivamente as era.
10.6.1. Dcima bilateral Sobre Media Poblacional Con Varianza Conocida
Supongamos que se plantea la hiptesis que el uso de un material escrito en el estudio
de Estadstica incrementa el nivel de rendimiento de los estudiantes en esa asignatura. Se
emplea una prueba estandarizada para medir los rendimientos de los alumnos, que en
situacin normal tiene una media =100 puntos y una desviacin estndar =15 puntos. Si se
decide que una diferencia =5 puntos de aumento en los rendimientos medios es adecuada
para aceptar que el mtodo es efectivo Cul es el tamao de muestra (nmero de pruebas)
que debe usarse para detectar dicha diferencia?
La hiptesis nula es H0: =100 puntos y la alternativa es H1: 100.
H0
VC H1
Como se presenta en la figura anterior, si se emplea un nivel de significacin =0,05 y

se desea que el error tipo II no excede de =0,10 entonces, el valor de la media de puntajes
(denominado valor crtico VC) para rechazar la Hiptesis nula corresponde, en el ejemplo, al
valor del puntaje medio VC asociado con Z(1-/2)= Z(0,975)=1,96. Pero si el error tipo II es
=0,10 significa que en otra distribucin normal, con =105 el valor crtico (VC) corresponde
a la cola a la izquierda de Z()= Z(0,10)= -1,28
72
Por lo tanto, se pueden plantear las relaciones siguientes, en las dos distribuciones de
los puntajes medios muestrales, cuyas medias poblacionales () son 100 y 105 y desviacin
estndar poblacional () igual a 15 en ambas:
P X < VC = 0, 95 y en la otra distribucin:
(VC 100) n
P Z (1 / 2)
= 0,95 y en la otra distribucin:
15
Z (1 / 2)
(VC 100) n
=
= 1, 96
15
y en la otra distribucin:
P X < VC = 0,10
(VC 105) n
P Z
= 0,10
15
Z =
(VC 105) n
= 1, 28
15
Igualando para VC en las ecuaciones, se llega a:
100 +
(1,96)(15)
n
= 105
(1, 28)(15)
n
Despejando para n:
n=
(1,96 + 1, 28)(15)
(105 100)
(1,96 + 1, 28)(15)
(3, 24)(15)
48, 6
2
n=
=
= 5 = 9, 72 = 94,5 = 95 pruebas
(105
100)
5
Si en vez de estar interesados en detectar una diferencia de =5 puntos en

rendimientos medios o si se cambian los valores (errores tipo I o II), la expresin
general para estimar el tamao de la muestra n es:
Z )
(Z
n = (1 / 2)
10.6.2. Dcima Unilateral sobre Media Poblacional con Varianza Conocida

Para el caso unilateral las hiptesis generales son: H0: 0 y H1: > 0.
El desarrollo de la frmula para el tamao de la muestra lleva a la expresin siguiente:
Z )
(Z
n = (1 )
10.6.3. Dcima sobre Media Poblacional con Varianza Desconocida

Si no se conoce la varianza poblacional 2 se estima con la varianza muestral S2 (o
usando otra informacin) Sin embargo, la distribucin de la media muestral es una
distribucin t con (n-1) grados de libertad, lo que no podra obtenerse si se desconoce n.
Un procedimiento sugerido por Mace (1964) es el siguiente:
73
a) Obtener una primera aproximacin al tamao de la muestra (n) usando los valores
asociados con los niveles de errores (errores tipo I o II) dados por la distribucin
normal, empleando expresin:
2
Z )S
(Z
n ' = (1 )
b) Corregir las estimaciones usando la tabla t respectiva para los niveles de errores y los
grados de libertad asociados con n.
c) Repetir el proceso hasta que se estabilicen los valores de n.
10.6.4. Ejemplo:
Un ingeniero desea docimar la hiptesis que la resistencia media de un cierto tipo de
resistor es al menos de 3.000 ohms. El fabricante asegura que el rango de tolerancia de la
resistencia es aproximadamente 150 ohms.
El ingeniero supone que la resistencia est distribuida normalmente y estima la
desviacin estndar empleando el recorrido dado por los niveles de tolerencia dividida por 6,
esto es 50= (150-(-150) / 6 = 300 / 6 .
El ingeniero planea construir una dcima tal que la probabilidad de rechazar la
hiptesis nula que la resistencia media es al menos 3.000 ohms es 5% y la probabilidad de
fallar en rechazar esa hiptesis cuan la resistencia media es efectivamente 2.980 ohms es
10%. Por lo tanto:
La hiptesis nula es H0: 3.000 puntos y la alternativa es H1: < 3.000.
Para = 0,05 el valor de Z(1-) = Z(0,95) = 1,645
Para = 0,10 el valor de
Z = Z(0,10) = -1,282
Se tiene que: S=50 ohms, 0 = 3.000; 1 = 2.980 ; = 20.
Reemplazando, como primera aproximacin, el valor de n es:
Z ) S (1, 645 + 1, 282)50 2
(Z
2
= [7,3175] = 52,8 resistores
n ' = (1 )
=
20

Corrigiendo los valores de Z por los de t se aprecia que:
t(53;0,95) =1,6741 y t(53;0,10) =1,2977 Luego reemplazando en expresin anterior:
2
2
(t(52;0,95) t(52;0,10) ) S (1, 6747 + 1, 2980)50
2
n' =
=

= [7, 4318] = 55, 2 resistores
20
Si se vuelve a corregir la estimacin, empleando los valores de t con 55 grados de

libertad se obtiene que n=55,1=56 resistores.
Por lo tanto, el ingeniero concluye que una muestra de 56 transistores se necesita para
docimar la hiptesis que la resistencia es de 3.000 ohms al menos, con un nivel de
significacin del 5% y con un riesgo del 10% de rechazar esa hiptesis cuando el
verdadero valor de la resistencia media es 2.980 ohms.
2
10.6.4. Referencias sobre el tema

Se pueden consultar textos de Mace (1964), Montgomery y Runger (1996), Norman y
Streiner (1996), Meter y Wasserman (1974). Estor textos traen tablas con los tamaos de
muestras para ciertas dcimas. para facilitar la solucin del problema.
En Internet se encuentra una gran cantidad de referencias sobre el tema. Adems, se
encuentra software para la determinacin de los tamaos de muestra. Finalmente, en la
carrera de Ingeniera en Estadstica de la Universidad de Valparaso se desarroll una tesis, y
un software, para determinar tamaos de muestras para ciertos diseos.
11. DCIMAS SOBRE PARMETROS DE DOS POBLACIONES
11.1. DCIMAS SOBRE LA DIFERENCIA DE MEDIAS POBLACIONALES (1-2 ) CON

VARIANZAS CONOCIDAS (21 y 22)
1. Hiptesis:
a) Bilateral
H0: 1 - 2 = 0
H1: 1 - 2 0
H0: 1 - 2 0
H1: 1 - 2 < 0
H0: 1 - 2 0
H1: 1 - 2 > 0
Las hiptesis planteadas para una diferencia 0=0
a) Bilateral
H0: 1 = 2
H1: 1 2
c) Unilateral izquierda
H0 : 1 2
H1 : 1 < 2
H0 : 1 2
H1 : 1 > 2
2. Supuestos:
1. Las muestras se seleccionan aleatoriamente de las poblaciones.
2. Las varianzas poblacionales (21 y 22) son conocidas.
3. Las muestras provienen poblaciones con distribucin normal.
( X X 2 ) ( 1 2 ) ( X 1 X 2 ) 0
=
Z= 1
N (0; 1)
12
n1
22
12
n2
n1
22
n2
5. Regin Crtica:
a) Bilateral
RCb={Z<-Z(1- /2) Z>Z(1- /2)}
RCi={Z<-Z(1- )}
RCd={Z>Z(1- )}

1. Reemplazar X1 y X 2 obtenidos de las muestras en Estadstica de Prueba para
obtener Zobs.
74
75
11.1.1. Ejemplo (Comparacin de incentivos)

Con el objeto de estudiar el efecto de un incentivo (consistente en dar un da libre)
sobre el rendimiento de los trabajadores de una empresa, se anuncio el incentivo a los
trabajadores de una planta (A) y se compar con los rendimientos de otra planta (B) que
desempeaban labores semejantes y tena un desempeo parecido a la primera. Al cabo de
15 das se compar los rendimientos, mediante una escala de puntajes estandarizada, con
media de 100 puntos y varianza de 500 pts2. La escala se compone de diversos tems de
modo que un puntaje mayor corresponde a un mejor rendimiento. Al aplicarla en muestras de
trabajadores de ambas plantas se obtuvieron los resultados siguientes:
PLANTA A: 134 146 104 119 124 161 107 83 113 129 97 123
PLANTA B: 70 118 101 85 107 132 94
Puede afirmarse que el incentivo permiti incrementar el rendimiento de la Planta A
respecto a la Planta B?
1. Hiptesis:
Siendo : 1 rendimiento medio Planta A
2 rendimiento medio Planta B
H0 : 1 2
H1 : 1 > 2
H0: 1 - 2 0
H1: 1 - 2 > 0
(0 = 0)
(0 = 0)
2. Supuestos:
2. Las varianzas poblacionales se supone que corresponden a la varianza del
test y por lo tanto son conocidas (21 = 22= 500)
( X X 2 ) ( 1 2 ) ( X 1 X 2 ) 0
( X1 X 2 )
Z= 1
N (0; 1)
=
=
2
2
500 500
500 500
1 2
+
+
+
12
7
12
7
n1 n2
5. Regin Crtica:
RCd={Z>Z(1- )=Z(0,95)= 1,645}
De las muestras se obtiene:
PLANTA A: n1=12 ; X1 = 120 pts
PLANTA B: n2= 7 ; X1 = 101 pts
Z obs =
(120 101)
19
19
19
= 1, 79
10, 63
500 500
41, 67 + 71, 43
113,1
+
12
7
Como Zobs=1,79 pertenece a la Regin Crtica, se rechaza H0. Por lo tanto se
acepta que la media poblacional de los rendimientos de la Planta A es superior a la
Media poblacional de la Planta B. En conclusin, el incentivo habra sido efectivo para
aumentar el rendimiento.
11.2. DCIMAS SOBRE LA DIFERENCIA DE MEDIAS POBLACIONALES (1-2 ) CON

VARIANZAS DESCONOCIDAS E IGUALES (21= 22= 2 )
1. Hiptesis:
a) Bilateral
H0: 1 - 2 = 0
H1: 1 - 2 0
d) Unilateral izquierda
H0: 1 - 2 0
H1: 1 - 2 < 0
H0: 1 - 2 0
H1: 1 - 2 > 0
a) Bilateral
H0: 1 = 2
H1: 1 2
e) Unilateral izquierda
H0 : 1 2
H1 : 1 < 2
H0 : 1 2
H1 : 1 > 2
2. Supuestos:
2. Las varianzas poblacionales son desconocidas pero se suponen iguales a 2
t=
( X 1 X 2 ) ( 1 2 )
SP
1 1
+
n1 n2
Siendo
( X1 X 2 ) 0
1 1
+
n1 n2
SP
SP =
t (n1 + n2 2)
(n1 1) S12 + (n2 1) S 22

n1 + n2 2
5. Regin Crtica:
a) Bilateral
RCb={t<-t(n1+n2-2; 1- /2) t> t(n1+n2-2; 1- /2)}
g)
RCi={t<-t(n1+n2-2; 1- )}
RCd={t>t(n1+n2-2; 1- )}

1. Reemplazar X1 y X 2 y S12 y S22 obtenidos de la muestra en Estadstica de Prueba
para obtener tobs.
76
77
11.2.1. Ejemplo (Comparacin de incentivos sin informacin de varianzas poblac.)

15 das se compar los rendimientos, mediante una escala de puntajes. La escala se compone
de diversos tems de modo que un puntaje mayor corresponde a un mejor rendimiento. Al
aplicarla en muestras de trabajadores de ambas plantas se obtuvieron los resultados
siguientes:
PLANTA A: 134 146 104 119 124 161 107 83 113 129 97 123
PLANTA B: 70 118 101 85 107 132 94
Puede afirmarse que el incentivo permiti incrementar el rendimiento de la Planta A
respecto a la Planta B?
1. Hiptesis:
Siendo : 1 rendimiento medio Planta A
2 rendimiento medio Planta B
H0: 1 - 2 0
(0 = 0)
H0 : 1 2
H1: 1 - 2 > 0
(0 = 0)
H1 : 1 > 2
2. Supuestos:
2. Las varianzas poblacionales son desconocidas pero como se mide con la
misma escala se supone que puede tener el mismo valor (21 = 22= 2)
( X X 2 ) ( 1 2 ) ( X 1 X 2 )
t= 1
=
t (17)
1 1
1 1
SP
+
SP
+
12 7
n1 n2
Siendo
5. Regin Crtica:
SP =
RCd={t>t(n1+n2-2;
(n1 1) S12 + (n2 1) S 22

n1 + n2 2
1- )}={t>t(17; 0,95)=
1,7396}

PLANTA A: n1=12 ; X1 = 120 pts ; S12 =457,45 pts2.
PLANTA B: n2= 7 ; X1 = 101 pts ; S12 =425,33 pts2.
SP =
(n1 1) S12 + (n2 1) S 22

(11)(457, 45) + (6)(425,33)
5.031, 95 + 2.551,98
7.583,93
=
=
=
= 446,11 = 21,12
n1 + n2 2
17
17
17
tobs =
( X1 X 2 )
SP
1 1
+
12 7
(120 101)
21,12
1 1
+
12 7
19
21,12 0, 2262
19
19
=
= 1,89
(21,12)(0, 476) 10, 04
Como tobs=1,89 pertenece a la Regin Crtica, se rechaza H0. Por lo tanto se

acepta que la media poblacional de los rendimientos de la Planta A es superior a la
Media poblacional de rendimientos de la Planta B. En conclusin, el incentivo habra
sido efectivo para aumentar el rendimiento.
78
11.3. DOCIMAS SOBRE LA DIFERENCIA DE MEDIAS POBLACIONALES (1-2 ) PARA

DATOS PAREADOS
1. Hiptesis:
a) Bilateral
H0: 1 - 2 = 0
H1: 1 - 2 0
f)
H0: 1 - 2 0
H1: 1 - 2 < 0
H0: 1 - 2 0
H1: 1 - 2 > 0
g) Unilateral izquierda
H0 : 1 2 (D 0)
H1 : 1 < 2 (D< 0)
a) Bilateral
H0: 1 = 2 (D = 0)
H1: 1 2 (D 0)
H0 : 1 2 (D 0)
H1 : 1 > 2 (D >0)
2. Supuestos:
2. Los datos son bivariantes o pueden parerase
t=
siendo D = X 1 X 2
( D 0 ) n ( D) n
=
t (n 1)
SD
SD
SD : Desviacin Estndar de diferencias datos X1-X2
5. Regin Crtica:
a) Bilateral
RCb={t<-t(n-1;1- /2) o t>t(n-1;1- /2)}
c)
RCi={t<-t(n-1; 1- )}
RCd={t>t(n-1; 1- )}
6. Evaluacin y Decisin sobre H0:

1. Calcular D = X 1 X 2 as como SD obtenidos de las diferencias en la muestra,
reemplazar en Estadstica de Prueba para obtener tobs.
79
11.3.1. Ejemplo (Ruido y coordinacin)

Un investigador est interesado en estudiar el efecto producido por el ruido en la
coordinacin entre el pulso y la vista de los cirujanos. El investigador tom una prueba
estandarizad de coordinacin entre el pulso y la vista a nueve cirujanos en ambas condiciones,
silenciosa y ruidosa (Un puntaje mayor indica mayor coordinacin). La hiptesis del
investigador es que la coordinacin es mayor en silencio que con ruido. Dcima la hiptesis.
Usar =0,05.
CIRUJANO
SILECIO
RUIDO
1
18
12
2
21
21
3
19
16
4
21
16
5
17
19
6
20
19
7
18
16
8
16
17
9
20
16
1. Hiptesis:
Siendo D= 1 - 2= Coordinacin Media en silencio Coord. Media con ruido
H0 : 1 2 (D 0)
H1 : 1 > 2 (D >0)
2. Supuestos:
2. Los datos son bivariantes o pueden parerase
t=
( D) 9
t (8)
SD
5. Regin Crtica:
RCd={t>t(n-1; 1- )= t(8; 0,95)= 1,8595}}
6. Evaluacin y Decisin sobre H0:
CIRUJANO
X1=SILECIO
1
18
2
21
3
19
4
21
5
17
6
20
7
18
8
16
9
20
X2=RUIDO
12
21
16
16
19
19
16
17
16
Di= X1 - X2
-2
-1
D = 2,0 pts.; SD= 2,74 pts. ;
tobs =
( D) 9 (2)(3)
6
=
=
= 2,19
SD
2, 74 2, 74
Como tobs=2,19 pertenece a la Regin Crtica, entonces se rechaza la Hiptesis

Nula, esto es, se acepta que la coordinacin media en silencio es mayor que la
coordinacin media con ruido, al nivel de significacin del 5%.
OBSERVACIN:
Estudie si se llega a la misma conclusin empleando el nivel de significacin =0,01
11.4. DOCIMAS SOBRE DIFERENCIA DE PROPORCIONES POBLACIONALES (1 2)

1. Hiptesis:
a) Bilateral
H0: 1 2 = 0
H1: 1 2 0
h) Unilateral izquierda
H0: 1 2 0
H1: 1 2 < 0
H0: 1 2 0
H1: 1 2 > 0
a) Bilateral
H0: 1 = 2
H1: 1 2
i)
H0 : 1 2
H1 : 1 < 2
H0 : 1 2
H1 : 1 > 2
2. Supuestos:
2. Las muestras provienen de una poblacin con distribucin binomial
3. La muestra es suficientemente grande para justificar la aproximacin a la
Normal de la distribucin de la proporcin muestral "p".
( p p2 ) ( 1 2 ) ( p1 p2 ) 0
Z= 1
=
N (0; 1)
1 1
1 1
pq +
pq +
n1 n2
n1 n2
Siendo
5. Regin Crtica:
a) Bilateral
RCb={Z<-Z(1- /2) Z>Z(1- /2)}
p=
n1 p1 + n2 p2
n1 + n2
d)
; q = 1 p
RCi={Z<-Z(1- )}
RCd={Z>Z(1- )}

1. Reemplazar p1 y p2 obtenidos de la muestra en Estadstica de Prueba para
obtener p y el valor de Zobs.
80
81
11.4.1. Ejemplo (Opiniones de Psiclogos y Psiquiatras)

Un investigador est interesado en comparar las opiniones de psiclogos y psiquiatras
sobre las causas de la esquizofrenia (anormalidad bioqumica o inadaptacin de la niez).
Para ello, tom muestras aleatorias de 120 psiclogos y 80 psiquiatras y les consult su
opinin, con los resultados siguientes:
CAUSA DE ESQUIZOFRENIA
Anormalidad Bioqumica
Inadaptacin de la niez
TOTAL
PSICLOGOS
60
60
120
PSIQUIATRAS
50
30
80
Dcime la hiptesis sobre si la proporcin de psiclogos y psiquiatras que tiene la

misma opinin es la misma. Use = 0,05.
1. Hiptesis:
Siendo 1: Proporcin de psiclogos que opina que es anormalidad bioqumica
2: Proporcin de psiquiatras que opina que es anormalidad bioqumica
H0: 1 = 2
H1: 1 2
2. Supuestos:
1. Las muestras se seleccionan aleatoriamente y son grandes
2. Las muestras provienen de una poblacin con distribucin binomial
Z ==
Siendo
( p1 p2 )
1
1
pq
+
120 80
n p +n p
p= 1 1 2 2
n1 + n2
N (0; 1)
; q = 1 p
5. Regin Crtica:
RCb={Z<-Z(0,975) =-1,96 Z>Z(0,975) =1,96}
p1=60/120 = 0,5 ;
p=
Z ==
n1 p1 + n2 p2
=
n1 + n2
( p1 p2 )
1
1
pq
+
120 80
p2= 50/80 = 0,625
(120)(0,5) + (80)(0, 625) 60 + 50 110

=
=
= 0,55 ; q = 0,45
120 + 80
200
200
0,500 0, 625
1
1
(0,55)(0, 45)
+
120 80
0,125
(0,55)(0, 45) ( 0, 02083)
0,125
= -1,74
0, 0718
Como Zobs=-1,74 no pertenece a la Regin Crtica, no se rechaza la Hiptesis

nula. Por lo tanto, las opiniones sobre la causa de la esquizofrenia son las mismas
entre las poblaciones de los psiclogos y los psiquiatras estudiados.
82
11.5. DOCIMAS SOBRE COMPARACIN DE VARIANZAS POBLACIONALES (12 Y 22)

1. Hiptesis:
a) Bilateral
H0: 21= 22
H1: 21 22
H0 : 21 22
H1 : 21< 22
H0 : 21 22
H1 : 21> 22
Expresando la hiptesis respecto al cuociente de varianzas con valor R0:
a) Bilateral
12
H0 :
= R0
22
12
H0 :
R0
22
12
H0 :
R0
22
12
H0 :
< R0
22
12
H0 :
R0
22
12
H0 :
> R0
22
2. Supuestos:
F=
S12 / 12
S12
=
F (n1 1; n2 1 )
S 22 / 22 S 22 R0
5. Regin Crtica Siendo los grados libertad: GL= (n1-1; n2-1)

a) Bilateral
RCb={F<F(GL; /2) F>F (GL ; 1- /2)}
d)
RCi={F<F (GL; )}
RCd={F>F (GL; 1- )}

1. Reemplazar S12 y S22 obtenidas de las muestras en Estadstica de Prueba para
obtener Fobs.
2. Si Fobs pertenece a la Regin Crtica se rechaza H0 (y se acepta H1)
3. Si Fobs no pertenece a la Regin Crtica, no se rechaza H0
83
11.5.1. Ejemplo (Comparacin de incentivos supuesto de varianzas poblacionales

iguales)
15 das se compar los rendimientos, mediante una escala de puntajes. La escala se compone
de diversos tems de modo que un puntaje mayor corresponde a un mejor rendimiento. Al
aplicarla en muestras de trabajadores de ambas plantas se obtuvieron los resultados
siguientes:
PLANTA A: 134 146 104 119 124 161 107 83 113 129 97 123
PLANTA B: 70 118 101 85 107 132 94
Puede afirmarse que las varianzas poblacionales de los rendimientos de la Planta A y
la Planta B son iguales?
1. Hiptesis:
Siendo 21: Varianza rendimientos trabajadores planta A
22: Varianza rendimientos trabajadores planta B
H0: 21 = 22
H1: 21 22
H0 :
12
=1
22
H0 :
12
1
22
2. Supuestos:
2. Las muestras proviene de poblaciones con distribucin normal
S2 / 2
S2
F = 12 12 = 2 1
S 2 / 2 S2 R0
siendo R0 = 1 entonces Fobs =
S12
F (11; 6)
S22
5. Regin Crtica: g: grados libertad g=(n1-1; n2-1)

RCb={F<F(11; 6; 0,05) =0,311 F>F (11; 6; 0,95) =4,06}
(Se emplearon los valores aproximados F(10;6;0,05) y F(10;6;0,95))
PLANTA A: n1=12 ; S12 = 457,45 pts2.
PLANTA B: n2= 7 ; S22 = 425,33 pts2.
S 2 457, 45
= 1,08
Fobs = 12 =
S 2 425,33
Como Fobs= 1,08 no pertenece a la Regin crtica, no se rechaza la Hiptesis
nula. Por lo tanto, el supuesto de igualdad de varianzas que se emple en el ejercicio 6
fue correcto.
84
11.6. EJERCICIOS
1.
El investigador Olthoff(1989) analiz la calidad de la comunicacin entre parejas
comprometidas tres meses antes y tres meses despus del matrimonio. Uno de los grupos
estudiados estaba formado por 19 parejas que haban recibido el acostumbrado curso
prematrimonial por ministros que iban celebrar su matrimonio. Se midi la calidad de la
comunicacin mediante una escala apropiada en que un puntaje mayor indica mejor calidad
de la comunicacin.
Puede afirmarse que hay algn cambio en la calidad de la comunicacin Antes y
Despus del matrimonio? (Usar =0,05)
(Resp: D=despus-Antes D = -12,5 ; SD= 2,85 ; t= -4,23 )
ESPOSO
ANTES
DESPUES
ESPOSO
ANTES
DESPUES
ESPOSO
ANTES
DESPUES
ESPOSO
ANTES
DESPUES
A
B
C
D
E
126
133
126
115
108
115
125
96
115
119
F
G
H
I
J
109
124
98
95
120
82
93
109
72
104
K
L
M
N
O
118
126
121
116
94
107
118
102
115
83
P
Q
R
S
105
123
125
128
87
121
100
118
Un psiclogo especializado en desarrollo est estudiando la sensibilidad de los nios

a.
frente a extraos, utilizando un nuevo tipo de medida (mayor valor indica mayor sensibilidad).
Tiene la posibilidad de medir a 10 nios a los tres meses y a los cuatro meses. El psiclogo
estima que la sensibilidad aumenta con la edad. Dcime la hiptesis anterior. Usar =0,05.
(Resp. D=4 meses-3 meses ; D =0,14 ; SD= 0,2; t=0,7 )
NIO
10
3 MESES
10,4
12,6
11,2
10,9
14,3
13,2
9,7
11,5
10,8
13,1
4 MESES
10,8
12,1
12,1
11,4
13,9
13,5
10,9
11,5
10,4
12,5
DCIMAS ASOCIADAS CON UN EXPERIMENTO

3.
Con el propsito de estudiar la efectividad de un mtodo para aumentar el rendimiento
en Matemticas en 4 Medio, mediante el empleo del computador, se realiz un experimento
con escolares de establecimientos municipalizados. Se tomaron dos grupos de estudiantes de
similares caractersticas de edad y sexo. Al primer grupo (Grupo Experimental) se les aplic el
mtodo nuevo. Al segundo grupo de escolares no se les aplic el mtodo nuevo (Grupo
Control). En ambos grupos se vieron los mismos contenidos y se les aplic una misma prueba,
en que un puntaje mayor indica mayor nivel de rendimiento. Se realizaron mediciones, a
ambos grupos, antes de la capacitacin (Preexp y Precont) y luego de realizada esta (Postexp
y Postcont). A continuacin se presentan los datos, valores de medias, varianzas,
proporciones de cada grupo. Los investigadores se plantean las siguientes hiptesis:
a)
El rendimiento medio del grupo experimental despus del experimento es superior a

140 puntos. (Resp: tobs=2,08 ; No rechazar H0 )
b)
La proporcin de alumnos que obtuvieron puntajes superiores a 140 puntos es mayor

al 50% (Resp: Zobs=0,902 ; No rechazar H0 )
c)
Las varianza del grupo del grupo experimental despus del experimento es igual a la
varianza del grupo control despus del experimento. (Resp: Fobs=1,81; No rechazar H0)
85
d)
El puntaje medio del grupo experimental despus del experimento es superior al

puntaje medio del grupo control despus del experimento.
(Resp: tobs = 2,46 ; Rechazar H0 )
e)
El puntaje medio del grupo experimental despus del experimento es superior al

puntaje medio del grupo experimental antes del experimento.
(Resp: tobs= 5,16 ; Rechazar H0 )
f)
Las proporciones de alumnos con puntajes superiores a 140 puntos antes del
experimento del grupo experimental no es diferente a la misma proporcin antes del
experimento del grupo control (Resp: Zobs= 1,23 ; No rechazar H0 )
h)
Calcule las diferencias para cada alumno del grupo experimental entre resultado del
Post y el Pre, esto es, se define la diferencia D(exp)=Postexp Prexp. Lo mismo se
hace para cada alumno del grupo control entre el Post y el Pre. Esto es, se define la
diferencia D(cont)= Postcont-Precont. Desarrolle una dcima de diferencia de medias
para las diferencias del grupo experimental y el grupo control (Resp: tobs= 3,98 ;
Rechazar H0 )
Desarrolle las dcimas respectivas. Utilice un nivel de significacin del 5%. Plantee
otras dcimas que parezcan interesantes, y desarrllelas. Exprese conclusiones
referentes al problema estudiado.
GRUPO EXPERIMENTAL
NOMBRE
1. Alvarez
2. Bentez
3. Bravo
4. Crdenas
5. Daz
6. Espinoza
7. Fuentes
8. Hurtado
9. Trujillo
10. Veas
11. Zapata
Casos
Media Aritmtica
Desv. Estndar
Varianza
Prop. > 140 pts.
GRUPO CONTROL
POSTEXP
140
151
152
151
163
148
133
135
139
141
148
PREXP
125
148
148
147
146
145
123
130
132
133
132
NOMBRE
1. Baeza
2. Cerda
3. Duarte
4. Escalante
5. Figueroa
6. Leiva
7. Martn
8. Palma
9. Prez
10. Zamora
11
145,55
8,84
82,99
7/11
11
137,18
9,70
86,49
7/12
Casos
Media Aritmtica
Desv. Estndar
Varianza
Prop. > 140 pts.
POSTCONT PRECONT
128
125
138
140
136
133
134
132
141
140
129
130
145
146
149
149
137
132
134
133
10
137,10
6,57
43,21
3/10
10
136,00
7,51
56,44
2/10
86
BIBLIOGRAFA (complementaria)
AGRESTI Alan & AGRESTI, Barbara F. (1979) Statistical Methods for the Social Sciences.
San Francisco: Dellen Pub. Co.
ARON, Arthur y ARON, Elaine N. (2001) Estadstica para Psicologa. Buenos Aires: Pearson
Education.
DOANE, David (1985) Exploring Statistics with the IBM PC. Reading, Mass.: AddisonWesley Pub. Co.
DOWNIE, N. M., HEATH, R. W (1973) Mtodos estadisticos aplicados. Mxico: Harla
ELORZA, Haroldo (1987) Estadstica para ciencias del comportamiento. Mxico:Harla
ESCALANTE, Eduardo y CARO, Alberto (2002) Anlisis y Tratamiento de Datos en SPSS.
Valparaso: Ediciones Univ. de Playa Ancha de Cs. de la Ed.
GARNER, Robert C. (2003) Estadstica para Psicologa usando SPSS para Windows.
Mxico: Pearson Educacin.
GUILFORD, J. P. y FRUCHTER, B. (1984)
Educacin. Mxico: Mc Graw-Hill.
Estadstica aplicada a la Psicologia y la
HOPKINS, Kenneth D., HOPKINS, B. R. y GLASS, Gene V. (1997) Estadstica Bsica para
las Ciencias Sociales y del Comportamiento (3 Ed.). Mxico: Prentice-Hall
Hispanoamericana S. A.
LOPES, Paulo Alfonso (2000) Probabilidad & Estadstica. Conceptos, modelos,
aplicaciones en Excel. Santa F de Bogot: Pearson Educacin de Colombia Ltda.
MACE, Arthur E. (1964) Simple-Size determination. New York: Reinhold Publishing Co.
MARQUES DE CANT, Mara Jos (1990) Probabilidad y Estadstica para ciencias QumicoBiolgicas. Mxico: McGraw-Hill.
MONTGOMERY, Douglas C. y RUNGEr, George C. (1996) Probabilidad y Estadstica
aplicadas a la Ingeniera. Mxico: McGraw-Hill.
NETER, John & WASSERMAN, William (1974) Applied Linear Statistical Models.
Regression, Analysis of Variance, and Experimental Designs. Homewood, Ill.:
Richard D. Irwin, Inc.
NORMAN, G. R. y STREINER, D. L. (1996) Bioestadstica. Madrid: Mosby/Doyma Libros S.A.
PREZ, Csar (2001) Tcnicas Estadsticas con SPSS. Madrid: Pearson Educacin.
PREZ, Csar (2002) Estadstica Aplicada a travs de Excel. Madrid: Pearson Educacin.
SPIEGEL, Murray R. (1987) Estadstica. Serie Schaum (2 Ed.) Panam: McGraw-Hill.
ANEXOS
ANEXO 1: Funciones de Distribucin

-
Normal Estndar
t de Student
Ji Cuadrado
F
ANEXO 2: Formularios Probabilidades e Inferencia
87
VALORES DE LA FUNCIN DE DISTRIBUCIN NORMAL ESTNDAR

(Z) = P(Z<z)
Z
-3,0
-2,9
-2,8
-2,7
-2,6
-2,5
-2,4
-2,3
-2,2
-2,1
-2,0
-1,9
-1,8
-1,7
-1,6
-1,5
-1,4
-1,3
-1,2
-1,1
-1,0
-0,9
-0,8
-0,7
-0,6
-0,5
-0,4
-0,3
-0,2
-0,1
0,0
0,1
0,2
0,3
0,4
0,5
0,6
0,7
0,8
0,9
1,0
1,1
1,2
1,3
1,4
1,5
1,6
1,7
1,8
1,9
2,0
2,1
2,2
2,3
2,4
2,5
2,6
2,7
2,8
2,9
3,0
0,00
0,0013
0,0019
0,0026
0,0035
0,0047
0,0062
0,0082
0,0107
0,0139
0,0179
0,0228
0,0287
0,0359
0,0446
0,0548
0,0668
0,0808
0,0968
0,1151
0,1357
0,1587
0,1841
0,2119
0,2420
0,2743
0,3085
0,3446
0,3821
0,4207
0,4602
0,5000
0,5398
0,5793
0,6179
0,6554
0,6915
0,7257
0,7580
0,7881
0,8159
0,8413
0,8643
0,8849
0,9032
0,9192
0,9332
0,9452
0,9554
0,9641
0,9713
0,9772
0,9821
0,9861
0,9893
0,9918
0,9938
0,9953
0,9965
0,9974
0,9981
0,9987
0,01
0,0010
0,0018
0,0025
0,0034
0,0045
0,0060
0,0080
0,0104
0,0136
0,0174
0,0222
0,0281
0,0351
0,0436
0,0537
0,0655
0,0793
0,0951
0,1131
0,1335
0,1562
0,1814
0,2090
0,2389
0,2709
0,3050
0,3409
0,3783
0,4168
0,4562
0,4960
0,5438
0,5832
0,6217
0,6591
0,6950
0,7291
0,7611
0,7910
0,8186
0,8438
0,8665
0,8869
0,9049
0,9207
0,9345
0,9463
0,9564
0,9649
0,9719
0,9778
0,9826
0,9864
0,9896
0,9920
0,9940
0,9955
0,9966
0,9975
0,9982
0,9990
0,02
0,0007
0,0018
0,0024
0,0033
0,0044
0,0059
0,0078
0,0102
0,0132
0,0170
0,0217
0,0274
0,0344
0,0427
0,0526
0,0643
0,0778
0,0934
0,1112
0,1314
0,1539
0,1788
0,2061
0,2358
0,2676
0,3015
0,3372
0,3745
0,4129
0,4522
0,4920
0,5478
0,5871
0,6255
0,6628
0,6985
0,7324
0,7642
0,7939
0,8212
0,8461
0,8686
0,8888
0,9066
0,9222
0,9357
0,9474
0,9573
0,9656
0,9726
0,9783
0,9830
0,9868
0,9898
0,9922
0,9941
0,9956
0,9967
0,9976
0,9982
0,9993
0,03
0,0005
0,0017
0,0023
0,0032
0,0043
0,0057
0,0075
0,0099
0,0129
0,0166
0,0212
0,0268
0,0336
0,0418
0,0516
0,0630
0,0764
0,0918
0,1093
0,1292
0,1515
0,1762
0,2033
0,2327
0,2643
0,2981
0,3336
0,3707
0,4090
0,4483
0,4880
0,5517
0,5910
0,6293
0,6664
0,7019
0,7357
0,7673
0,7967
0,8238
0,8485
0,8708
0,8907
0,9082
0,9236
0,9370
0,9484
0,9582
0,9664
0,9732
0,9788
0,9834
0,9871
0,9901
0,9925
0,9943
0,9957
0,9968
0,9977
0,9983
0,9995
0,04
0,0003
0,0016
0,0023
0,0031
0,0041
0,0055
0,0073
0,0096
0,0125
0,0162
0,0207
0,0262
0,0329
0,0409
0,0505
0,0618
0,0749
0,0901
0,1075
0,1271
0,1492
0,1736
0,2005
0,2296
0,2611
0,2946
0,3300
0,3669
0,4052
0,4443
0,4840
0,5557
0,5948
0,6331
0,6700
0,7054
0,7389
0,7704
0,7995
0,8264
0,8508
0,8729
0,8925
0,9099
0,9251
0,9382
0,9495
0,9591
0,9671
0,9738
0,9793
0,9838
0,9875
0,9904
0,9927
0,9945
0,9959
0,9969
0,9977
0,9984
0,9997
0,05
0,0002
0,0016
0,0022
0,0030
0,0040
0,0054
0,0071
0,0094
0,0122
0,0158
0,0202
0,0256
0,0322
0,0401
0,0495
0,0606
0,0735
0,0885
0,1056
0,1251
0,1469
0,1711
0,1977
0,2266
0,2578
0,2912
0,3264
0,3632
0,4013
0,4404
0,4801
0,5596
0,5987
0,6368
0,6736
0,7088
0,7422
0,7734
0,8023
0,8289
0,8531
0,8749
0,8944
0,9115
0,9265
0,9394
0,9505
0,9599
0,9678
0,9744
0,9798
0,9842
0,9878
0,9906
0,9929
0,9946
0,9960
0,9970
0,9978
0,9984
0,9998
0,06
0,0002
0,0015
0,0021
0,0029
0,0039
0,0052
0,0069
0,0091
0,0119
0,0154
0,0197
0,0250
0,0314
0,0392
0,0485
0,0594
0,0721
0,0869
0,1038
0,1230
0,1446
0,1685
0,1949
0,2236
0,2546
0,2877
0,3228
0,3594
0,3974
0,4364
0,4761
0,5636
0,6026
0,6406
0,6772
0,7123
0,7454
0,7764
0,8051
0,8315
0,8554
0,8770
0,8962
0,9131
0,9279
0,9406
0,9515
0,9608
0,9686
0,9750
0,9803
0,9846
0,9881
0,9909
0,9931
0,9948
0,9961
0,9971
0,9979
0,9985
0,9998
0,07
0,0001
0,0015
0,0021
0,0028
0,0038
0,0051
0,0068
0,0089
0,0116
0,0150
0,0192
0,0244
0,0307
0,0384
0,0475
0,0582
0,0708
0,0853
0,1020
0,1210
0,1423
0,1660
0,1922
0,2206
0,2514
0,2843
0,3192
0,3557
0,3936
0,4325
0,4721
0,5675
0,6064
0,6443
0,6808
0,7157
0,7486
0,7794
0,8078
0,8340
0,8577
0,8790
0,8980
0,9147
0,9292
0,9418
0,9525
0,9616
0,9693
0,9756
0,9808
0,9850
0,9884
0,9911
0,9932
0,9949
0,9962
0,9972
0,9979
0,9985
0,9999
0,08
0,0001
0,0014
0,0020
0,0027
0,0037
0,0049
0,0066
0,0087
0,0113
0,0146
0,0188
0,0239
0,0301
0,0375
0,0465
0,0571
0,0694
0,0838
0,1003
0,1190
0,1401
0,1635
0,1894
0,2177
0,2483
0,2810
0,3156
0,3520
0,3897
0,4286
0,4681
0,5714
0,6103
0,6480
0,6844
0,7190
0,7517
0,7823
0,8106
0,8365
0,8599
0,8810
0,8997
0,9162
0,9306
0,9429
0,9535
0,9625
0,9699
0,9761
0,9812
0,9854
0,9887
0,9913
0,9934
0,9951
0,9963
0,9973
0,9980
0,9986
0,9999
0,09
0,0000
0,0014
0,0019
0,0026
0,0036
0,0048
0,0064
0,0084
0,0110
0,0143
0,0183
0,0233
0,0294
0,0367
0,0455
0,0559
0,0681
0,0823
0,0985
0,1170
0,1379
0,1611
0,1867
0,2148
0,2451
0,2776
0,3121
0,3483
0,3859
0,4247
0,4641
0,5753
0,6141
0,6517
0,6879
0,7224
0,7549
0,7852
0,8133
0,8389
0,8621
0,8830
0,9015
0,9177
0,9319
0,9441
0,9545
0,9633
0,9706
0,9767
0,9817
0,9857
0,9890
0,9916
0,9936
0,9952
0,9964
0,9974
0,9981
0,9986
1,0000
88
89
VALORES CRITICOS PARA LA FUNCIN DE DISTRIBUCIN "t" DE STUDENT

g.l.
0,750
0,900
0,950
0,975
0,990
0,995
g.l.
0,750
0,900
0,950
0,975
0,990
0,995
1,000
3,078
6,314
12,706 31,821 63,656
46
0,680
1,300
1,679
2,013
2,410
2,687
0,816
1,886
2,920
4,303
47
0,680
1,300
1,678
2,012
2,408
2,685
6,965
9,925
0,765
1,638
2,353
3,182
4,541
5,841
48
0,680
1,299
1,677
2,011
2,407
2,682
0,741
1,533
2,132
2,776
3,747
4,604
49
0,680
1,299
1,677
2,010
2,405
2,680
0,727
1,476
2,015
2,571
3,365
4,032
50
0,679
1,299
1,676
2,009
2,403
2,678
0,718
1,440
1,943
2,447
3,143
3,707
51
0,679
1,298
1,675
2,008
2,402
2,676
0,711
1,415
1,895
2,365
2,998
3,499
52
0,679
1,298
1,675
2,007
2,400
2,674
0,706
1,397
1,860
2,306
2,896
3,355
53
0,679
1,298
1,674
2,006
2,399
2,672
0,703
1,383
1,833
2,262
2,821
3,250
54
0,679
1,297
1,674
2,005
2,397
2,670
10
0,700
1,372
1,812
2,228
2,764
3,169
55
0,679
1,297
1,673
2,004
2,396
2,668
11
0,697
1,363
1,796
2,201
2,718
3,106
56
0,679
1,297
1,673
2,003
2,395
2,667
12
0,695
1,356
1,782
2,179
2,681
3,055
57
0,679
1,297
1,672
2,002
2,394
2,665
13
0,694
1,350
1,771
2,160
2,650
3,012
58
0,679
1,296
1,672
2,002
2,392
2,663
14
0,692
1,345
1,761
2,145
2,624
2,977
59
0,679
1,296
1,671
2,001
2,391
2,662
15
0,691
1,341
1,753
2,131
2,602
2,947
60
0,679
1,296
1,671
2,000
2,390
2,660
16
0,690
1,337
1,746
2,120
2,583
2,921
61
0,679
1,296
1,670
2,000
2,389
2,659
17
0,689
1,333
1,740
2,110
2,567
2,898
62
0,678
1,295
1,670
1,999
2,388
2,657
18
0,688
1,330
1,734
2,101
2,552
2,878
63
0,678
1,295
1,669
1,998
2,387
2,656
19
0,688
1,328
1,729
2,093
2,539
2,861
64
0,678
1,295
1,669
1,998
2,386
2,655
20
0,687
1,325
1,725
2,086
2,528
2,845
65
0,678
1,295
1,669
1,997
2,385
2,654
21
0,686
1,323
1,721
2,080
2,518
2,831
66
0,678
1,295
1,668
1,997
2,384
2,652
22
0,686
1,321
1,717
2,074
2,508
2,819
67
0,678
1,294
1,668
1,996
2,383
2,651
23
0,685
1,319
1,714
2,069
2,500
2,807
68
0,678
1,294
1,668
1,995
2,382
2,650
24
0,685
1,318
1,711
2,064
2,492
2,797
69
0,678
1,294
1,667
1,995
2,382
2,649
25
0,684
1,316
1,708
2,060
2,485
2,787
70
0,678
1,294
1,667
1,994
2,381
2,648
26
0,684
1,315
1,706
2,056
2,479
2,779
71
0,678
1,294
1,667
1,994
2,380
2,647
27
0,684
1,314
1,703
2,052
2,473
2,771
72
0,678
1,293
1,666
1,993
2,379
2,646
28
0,683
1,313
1,701
2,048
2,467
2,763
73
0,678
1,293
1,666
1,993
2,379
2,645
29
0,683
1,311
1,699
2,045
2,462
2,756
74
0,678
1,293
1,666
1,993
2,378
2,644
30
0,683
1,310
1,697
2,042
2,457
2,750
75
0,678
1,293
1,665
1,992
2,377
2,643
31
0,682
1,309
1,696
2,040
2,453
2,744
76
0,678
1,293
1,665
1,992
2,376
2,642
32
0,682
1,309
1,694
2,037
2,449
2,738
77
0,678
1,293
1,665
1,991
2,376
2,641
33
0,682
1,308
1,692
2,035
2,445
2,733
78
0,678
1,292
1,665
1,991
2,375
2,640
34
0,682
1,307
1,691
2,032
2,441
2,728
79
0,678
1,292
1,664
1,990
2,374
2,639
35
0,682
1,306
1,690
2,030
2,438
2,724
80
0,678
1,292
1,664
1,990
2,374
2,639
36
0,681
1,306
1,688
2,028
2,434
2,719
81
0,678
1,292
1,664
1,990
2,373
2,638
37
0,681
1,305
1,687
2,026
2,431
2,715
82
0,677
1,292
1,664
1,989
2,373
2,637
38
0,681
1,304
1,686
2,024
2,429
2,712
83
0,677
1,292
1,663
1,989
2,372
2,636
39
0,681
1,304
1,685
2,023
2,426
2,708
84
0,677
1,292
1,663
1,989
2,372
2,636
40
0,681
1,303
1,684
2,021
2,423
2,704
85
0,677
1,292
1,663
1,988
2,371
2,635
41
0,681
1,303
1,683
2,020
2,421
2,701
86
0,677
1,291
1,663
1,988
2,370
2,634
42
0,680
1,302
1,682
2,018
2,418
2,698
87
0,677
1,291
1,663
1,988
2,370
2,634
43
0,680
1,302
1,681
2,017
2,416
2,695
88
0,677
1,291
1,662
1,987
2,369
2,633
44
0,680
1,301
1,680
2,015
2,414
2,692
89
0,677
1,291
1,662
1,987
2,369
2,632
45
0,680
1,301
1,679
2,014
2,412
2,690
90
0,677
1,291
1,662
1,987
2,368
2,632
Interpretacin: Para g.l.= 40 P(t < 2,0211) = 0,975

A. Caro v.05
90
VALORES CRITICOS PARA LA FUNCIN DE DISTRIBUCIN (JI CUADRADO)

gr.lib 0,005
0,010
0,025
0,050
0,100
0,250
0,000
0,000
0,001
0,004
0,016
0,102
gr.lib 0,750
0,900
0,950
0,975
0,990
0,995
1,323
2,706
3,841
5,024
6,635
7,879
0,010
0,020
0,051
0,103
0,211
0,072
0,115
0,216
0,352
0,584
0,575
2,773
4,605
5,991
7,378
9,210
10,597
1,213
4,108
6,251
7,815
9,348
11,345 12,838
0,207
0,297
0,484
0,711
0,412
0,554
0,831
1,145
1,064
1,923
5,385
7,779
9,488
11,143 13,277 14,860
1,610
2,675
6,626
9,236
11,070 12,832 15,086 16,750
0,676
0,872
1,237
0,989
1,239
1,690
1,635
2,204
3,455
7,841
10,645 12,592 14,449 16,812 18,548
2,167
2,833
4,255
9,037
1,344
1,647
12,017 14,067 16,013 18,475 20,278
2,180
2,733
3,490
5,071
10,219 13,362 15,507 17,535 20,090 21,955
1,735
2,088
2,700
3,325
4,168
5,899
11,389 14,684 16,919 19,023 21,666 23,589
10
2,156
2,558
3,247
3,940
4,865
6,737
10
12,549 15,987 18,307 20,483 23,209 25,188
11
2,603
3,053
3,816
4,575
5,578
7,584
11
13,701 17,275 19,675 21,920 24,725 26,757
12
3,074
3,571
4,404
5,226
6,304
8,438
12
14,845 18,549 21,026 23,337 26,217 28,300
13
3,565
4,107
5,009
5,892
7,041
9,299
13
15,984 19,812 22,362 24,736 27,688 29,819
14
4,075
4,660
5,629
6,571
7,790
10,165
14
17,117 21,064 23,685 26,119 29,141 31,319
15
4,601
5,229
6,262
7,261
8,547
11,037
15
18,245 22,307 24,996 27,488 30,578 32,801
16
5,142
5,812
6,908
7,962
9,312
11,912
16
19,369 23,542 26,296 28,845 32,000 34,267
17
5,697
6,408
7,564
8,672
10,085 12,792
17
20,489 24,769 27,587 30,191 33,409 35,718
18
6,265
7,015
8,231
9,390
10,865 13,675
18
21,605 25,989 28,869 31,526 34,805 37,156
19
6,844
7,633
8,907
10,117 11,651 14,562
19
22,718 27,204 30,144 32,852 36,191 38,582
20
7,434
8,260
9,591
10,851 12,443 15,452
20
23,828 28,412 31,410 34,170 37,566 39,997
21
8,034
8,897
10,283 11,591 13,240 16,344
21
24,935 29,615 32,671 35,479 38,932 41,401
22
8,643
9,542
10,982 12,338 14,041 17,240
22
26,039 30,813 33,924 36,781 40,289 42,796
23
9,260
10,196 11,689 13,091 14,848 18,137
23
27,141 32,007 35,172 38,076 41,638 44,181
24
9,886
10,856 12,401 13,848 15,659 19,037
24
28,241 33,196 36,415 39,364 42,980 45,558
25
10,520 11,524 13,120 14,611 16,473 19,939
25
29,339 34,382 37,652 40,646 44,314 46,928
26
11,160 12,198 13,844 15,379 17,292 20,843
26
30,435 35,563 38,885 41,923 45,642 48,290
27
11,808 12,878 14,573 16,151 18,114 21,749
27
31,528 36,741 40,113 43,195 46,963 49,645
28
12,461 13,565 15,308 16,928 18,939 22,657
28
32,620 37,916 41,337 44,461 48,278 50,994
29
13,121 14,256 16,047 17,708 19,768 23,567
29
33,711 39,087 42,557 45,722 49,588 52,335
30
13,787 14,953 16,791 18,493 20,599 24,478
30
34,800 40,256 43,773 46,979 50,892 53,672
31
14,458 15,655 17,539 19,281 21,434 25,390
31
35,887 41,422 44,985 48,232 52,191 55,002
32
15,134 16,362 18,291 20,072 22,271 26,304
32
36,973 42,585 46,194 49,480 53,486 56,328
33
15,815 17,073 19,047 20,867 23,110 27,219
33
38,058 43,745 47,400 50,725 54,775 57,648
34
16,501 17,789 19,806 21,664 23,952 28,136
34
39,141 44,903 48,602 51,966 56,061 58,964
35
17,192 18,509 20,569 22,465 24,797 29,054
35
40,223 46,059 49,802 53,203 57,342 60,275
36
17,887 19,233 21,336 23,269 25,643 29,973
36
41,304 47,212 50,998 54,437 58,619 61,581
37
18,586 19,960 22,106 24,075 26,492 30,893
37
42,383 48,363 52,192 55,668 59,893 62,883
38
19,289 20,691 22,878 24,884 27,343 31,815
38
43,462 49,513 53,384 56,895 61,162 64,181
39
19,996 21,426 23,654 25,695 28,196 32,737
39
44,539 50,660 54,572 58,120 62,428 65,475
40
20,707 22,164 24,433 26,509 29,051 33,660
40
45,616 51,805 55,758 59,342 63,691 66,766
41
21,421 22,906 25,215 27,326 29,907 34,585
41
46,692 52,949 56,942 60,561 64,950 68,053
42
22,138 23,650 25,999 28,144 30,765 35,510
42
47,766 54,090 58,124 61,777 66,206 69,336
43
22,860 24,398 26,785 28,965 31,625 36,436
43
48,840 55,230 59,304 62,990 67,459 70,616
44
23,584 25,148 27,575 29,787 32,487 37,363
44
49,913 56,369 60,481 64,201 68,710 71,892
45
24,311 25,901 28,366 30,612 33,350 38,291
45
50,985 57,505 61,656 65,410 69,957 73,166

2
Interpretacin: Para g.l. = 40 se tiene que P( < 59,342) = 0,975

A. Caro v.06
91
VALORES CRITICOS PARA LA FUNCIN DE DISTRIBUCIN F

= 0,01
(grados libertad numerador)
10
15
20
30
0,000
0,010
0,029
0,047
0,062
0,073
0,082
0,089
0,095
0,100
0,115
0,124
0,132
0,151
0,000
0,010
0,032
0,056
0,075
0,092
0,105
0,116
0,125
0,132
0,157
0,171
0,186
0,217
0,000
0,010
0,034
0,060
0,083
0,102
0,118
0,132
0,143
0,153
0,185
0,203
0,222
0,264
0,000
0,010
0,035
0,063
0,088
0,109
0,127
0,143
0,156
0,167
0,204
0,226
0,249
0,301
0,000
0,010
0,035
0,064
0,091
0,114
0,134
0,151
0,165
0,177
0,220
0,244
0,270
0,331
0,000
0,010
0,036
0,066
0,094
0,118
0,139
0,157
0,172
0,186
0,232
0,258
0,288
0,357
0,000
0,010
0,036
0,067
0,096
0,121
0,143
0,162
0,178
0,192
0,241
0,270
0,303
0,379
0,000
0,010
0,036
0,068
0,097
0,123
0,146
0,166
0,183
0,198
0,250
0,281
0,315
0,398
0,000
0,010
0,037
0,068
0,098
0,125
0,149
0,169
0,187
0,202
0,257
0,289
0,326
0,415
10
0,000
0,010
0,037
0,069
0,099
0,127
0,151
0,172
0,190
0,206
0,263
0,297
0,336
0,431
11
0,000
0,010
0,037
0,069
0,100
0,128
0,153
0,174
0,193
0,210
0,268
0,304
0,344
0,445
12
0,000
0,010
0,037
0,070
0,101
0,130
0,155
0,176
0,196
0,213
0,273
0,309
0,352
0,458
13
0,000
0,010
0,037
0,070
0,102
0,131
0,156
0,178
0,198
0,215
0,277
0,315
0,359
0,469
14
0,000
0,010
0,037
0,070
0,102
0,131
0,157
0,180
0,200
0,217
0,281
0,320
0,365
0,480
15
0,000
0,010
0,037
0,070
0,103
0,132
0,158
0,181
0,202
0,219
0,284
0,324
0,370
0,491
16
0,000
0,010
0,037
0,071
0,103
0,133
0,159
0,183
0,203
0,221
0,287
0,328
0,375
0,500
17
0,000
0,010
0,037
0,071
0,104
0,134
0,160
0,184
0,204
0,223
0,290
0,331
0,380
0,509
18
0,000
0,010
0,037
0,071
0,104
0,134
0,161
0,185
0,206
0,224
0,292
0,335
0,385
0,517
19
0,000
0,010
0,037
0,071
0,104
0,135
0,162
0,186
0,207
0,226
0,294
0,338
0,389
0,525
20
0,000
0,010
0,037
0,071
0,105
0,135
0,162
0,187
0,208
0,227
0,297
0,340
0,392
0,532
21
0,000
0,010
0,038
0,071
0,105
0,136
0,163
0,187
0,209
0,228
0,299
0,343
0,396
0,539
22
0,000
0,010
0,038
0,072
0,105
0,136
0,164
0,188
0,210
0,229
0,300
0,345
0,399
0,546
23
0,000
0,010
0,038
0,072
0,105
0,136
0,164
0,189
0,211
0,230
0,302
0,348
0,402
0,552
24
0,000
0,010
0,038
0,072
0,106
0,137
0,165
0,189
0,211
0,231
0,304
0,350
0,405
0,558
25
0,000
0,010
0,038
0,072
0,106
0,137
0,165
0,190
0,212
0,232
0,305
0,352
0,408
0,564
26
0,000
0,010
0,038
0,072
0,106
0,137
0,165
0,191
0,213
0,233
0,306
0,354
0,410
0,570
27
0,000
0,010
0,038
0,072
0,106
0,138
0,166
0,191
0,213
0,233
0,308
0,355
0,413
0,575
28
0,000
0,010
0,038
0,072
0,106
0,138
0,166
0,192
0,214
0,234
0,309
0,357
0,415
0,580
29
0,000
0,010
0,038
0,072
0,106
0,138
0,167
0,192
0,215
0,235
0,310
0,358
0,417
0,585
30
0,000
0,010
0,038
0,072
0,107
0,138
0,167
0,192
0,215
0,235
0,311
0,360
0,419
0,589
31
0,000
0,010
0,038
0,072
0,107
0,139
0,167
0,193
0,216
0,236
0,312
0,361
0,421
0,594
32
0,000
0,010
0,038
0,072
0,107
0,139
0,167
0,193
0,216
0,237
0,313
0,363
0,423
0,598
33
0,000
0,010
0,038
0,072
0,107
0,139
0,168
0,193
0,216
0,237
0,314
0,364
0,425
0,602
34
0,000
0,010
0,038
0,072
0,107
0,139
0,168
0,194
0,217
0,238
0,315
0,365
0,426
0,606
35
0,000
0,010
0,038
0,073
0,107
0,139
0,168
0,194
0,217
0,238
0,316
0,366
0,428
0,610
36
0,000
0,010
0,038
0,073
0,107
0,139
0,168
0,194
0,218
0,239
0,316
0,367
0,429
0,614
37
0,000
0,010
0,038
0,073
0,107
0,140
0,169
0,195
0,218
0,239
0,317
0,368
0,431
0,618
38
0,000
0,010
0,038
0,073
0,107
0,140
0,169
0,195
0,218
0,239
0,318
0,369
0,432
0,621
39
0,000
0,010
0,038
0,073
0,108
0,140
0,169
0,195
0,219
0,240
0,319
0,370
0,434
0,625
40
0,000
0,010
0,038
0,073
0,108
0,140
0,169
0,195
0,219
0,240
0,319
0,371
0,435
0,628
60
0,000
0,010
0,038
0,073
0,109
0,142
0,172
0,199
0,223
0,245
0,328
0,383
0,453
0,679
80
0,000
0,010
0,038
0,074
0,109
0,143
0,173
0,200
0,225
0,248
0,333
0,390
0,463
0,712
100
0,000
0,010
0,038
0,074
0,110
0,143
0,174
0,201
0,227
0,249
0,336
0,394
0,469
0,736
120
0,000
0,010
0,038
0,074
0,110
0,143
0,174
0,202
0,227
0,250
0,338
0,397
0,474
0,755
0,000
0,010
0,038
0,074
0,111
0,145
0,177
0,206
0,232
0,256
0,349
0,413
0,498
0,985
Interpretacin: Para 1 = 10 y 2 = 20 se tiene que P(F < 0,23) = 0,01

A. Caro v.06
92

= 0,025
10
15
20
30
0,002
0,026
0,057
0,082
0,100
0,113
0,124
0,132
0,139
0,144
0,161
0,170
0,180
0,199
0,001
0,026
0,062
0,094
0,119
0,138
0,153
0,165
0,175
0,183
0,210
0,224
0,239
0,271
0,001
0,026
0,065
0,100
0,129
0,152
0,170
0,185
0,197
0,207
0,241
0,259
0,279
0,321
0,001
0,025
0,066
0,104
0,135
0,161
0,181
0,198
0,212
0,224
0,263
0,285
0,308
0,359
0,001
0,025
0,067
0,107
0,140
0,167
0,189
0,208
0,223
0,236
0,280
0,304
0,330
0,390
0,001
0,025
0,068
0,109
0,143
0,172
0,195
0,215
0,231
0,246
0,293
0,320
0,349
0,415
0,001
0,025
0,068
0,110
0,146
0,176
0,200
0,221
0,238
0,253
0,304
0,333
0,364
0,437
0,001
0,025
0,069
0,111
0,148
0,179
0,204
0,226
0,244
0,259
0,313
0,343
0,377
0,456
0,001
0,025
0,069
0,112
0,150
0,181
0,207
0,230
0,248
0,265
0,320
0,353
0,388
0,473
10
0,001
0,025
0,069
0,113
0,151
0,183
0,210
0,233
0,252
0,269
0,327
0,361
0,398
0,488
11
0,001
0,025
0,070
0,114
0,152
0,185
0,212
0,236
0,256
0,273
0,332
0,368
0,407
0,502
12
0,001
0,025
0,070
0,114
0,153
0,186
0,214
0,238
0,259
0,276
0,337
0,374
0,415
0,514
13
0,001
0,025
0,070
0,115
0,154
0,188
0,216
0,240
0,261
0,279
0,342
0,379
0,422
0,526
14
0,001
0,025
0,070
0,115
0,155
0,189
0,218
0,242
0,263
0,282
0,346
0,384
0,428
0,536
15
0,001
0,025
0,070
0,116
0,156
0,190
0,219
0,244
0,265
0,284
0,349
0,389
0,433
0,546
16
0,001
0,025
0,070
0,116
0,156
0,191
0,220
0,245
0,267
0,286
0,353
0,393
0,439
0,555
17
0,001
0,025
0,070
0,116
0,157
0,192
0,221
0,247
0,269
0,288
0,356
0,396
0,443
0,563
18
0,001
0,025
0,070
0,116
0,157
0,192
0,222
0,248
0,270
0,290
0,358
0,400
0,448
0,571
19
0,001
0,025
0,071
0,117
0,158
0,193
0,223
0,249
0,271
0,291
0,361
0,403
0,452
0,578
20
0,001
0,025
0,071
0,117
0,158
0,193
0,224
0,250
0,273
0,293
0,363
0,406
0,456
0,585
21
0,001
0,025
0,071
0,117
0,158
0,194
0,225
0,251
0,274
0,294
0,365
0,408
0,459
0,592
22
0,001
0,025
0,071
0,117
0,159
0,195
0,225
0,252
0,275
0,295
0,367
0,411
0,462
0,598
23
0,001
0,025
0,071
0,117
0,159
0,195
0,226
0,253
0,276
0,296
0,369
0,413
0,465
0,604
24
0,001
0,025
0,071
0,117
0,159
0,195
0,226
0,253
0,277
0,297
0,370
0,415
0,468
0,610
25
0,001
0,025
0,071
0,118
0,160
0,196
0,227
0,254
0,278
0,298
0,372
0,417
0,471
0,615
26
0,001
0,025
0,071
0,118
0,160
0,196
0,228
0,255
0,278
0,299
0,373
0,419
0,473
0,620
27
0,001
0,025
0,071
0,118
0,160
0,197
0,228
0,255
0,279
0,300
0,375
0,421
0,476
0,625
28
0,001
0,025
0,071
0,118
0,160
0,197
0,228
0,256
0,280
0,301
0,376
0,423
0,478
0,630
29
0,001
0,025
0,071
0,118
0,160
0,197
0,229
0,256
0,280
0,301
0,377
0,424
0,480
0,634
30
0,001
0,025
0,071
0,118
0,161
0,197
0,229
0,257
0,281
0,302
0,378
0,426
0,482
0,639
31
0,001
0,025
0,071
0,118
0,161
0,198
0,230
0,257
0,281
0,303
0,379
0,427
0,484
0,643
32
0,001
0,025
0,071
0,118
0,161
0,198
0,230
0,258
0,282
0,303
0,380
0,429
0,486
0,647
33
0,001
0,025
0,071
0,118
0,161
0,198
0,230
0,258
0,282
0,304
0,381
0,430
0,488
0,651
34
0,001
0,025
0,071
0,119
0,161
0,198
0,231
0,258
0,283
0,304
0,382
0,431
0,489
0,654
35
0,001
0,025
0,071
0,119
0,161
0,199
0,231
0,259
0,283
0,305
0,383
0,432
0,491
0,658
36
0,001
0,025
0,071
0,119
0,161
0,199
0,231
0,259
0,284
0,305
0,384
0,433
0,492
0,661
37
0,001
0,025
0,071
0,119
0,162
0,199
0,231
0,260
0,284
0,306
0,385
0,434
0,494
0,665
38
0,001
0,025
0,071
0,119
0,162
0,199
0,232
0,260
0,285
0,306
0,385
0,435
0,495
0,668
39
0,001
0,025
0,071
0,119
0,162
0,199
0,232
0,260
0,285
0,307
0,386
0,436
0,497
0,671
40
0,001
0,025
0,071
0,119
0,162
0,200
0,232
0,260
0,285
0,307
0,387
0,437
0,498
0,674
60
0,001
0,025
0,071
0,120
0,163
0,202
0,235
0,264
0,290
0,313
0,396
0,450
0,515
0,720
80
0,001
0,025
0,072
0,120
0,164
0,203
0,237
0,266
0,292
0,316
0,401
0,457
0,525
0,750
100
0,001
0,025
0,072
0,120
0,164
0,203
0,238
0,267
0,294
0,317
0,404
0,461
0,531
0,772
120
0,001
0,025
0,072
0,120
0,165
0,204
0,238
0,268
0,295
0,318
0,406
0,464
0,536
0,788
0,001
0,025
0,072
0,121
0,166
0,206
0,241
0,272
0,300
0,325
0,417
0,480
0,560
0,988

A. Caro v.06
93

= 0,05
10
15
20
30
0,006
0,054
0,099
0,130
0,151
0,167
0,179
0,188
0,195
0,201
0,220
0,230
0,240
0,260
0,005
0,053
0,105
0,144
0,173
0,194
0,211
0,224
0,235
0,244
0,272
0,286
0,302
0,334
0,005
0,052
0,108
0,152
0,185
0,210
0,230
0,246
0,259
0,270
0,304
0,323
0,342
0,384
0,004
0,052
0,110
0,157
0,193
0,221
0,243
0,261
0,275
0,288
0,327
0,349
0,372
0,422
0,004
0,052
0,111
0,160
0,198
0,228
0,252
0,271
0,287
0,301
0,345
0,369
0,395
0,452
0,004
0,052
0,112
0,162
0,202
0,233
0,259
0,279
0,296
0,311
0,358
0,385
0,413
0,476
0,004
0,052
0,113
0,164
0,205
0,238
0,264
0,286
0,304
0,319
0,369
0,398
0,428
0,498
0,004
0,052
0,113
0,166
0,208
0,241
0,268
0,291
0,310
0,326
0,379
0,409
0,441
0,516
0,004
0,052
0,113
0,167
0,210
0,244
0,272
0,295
0,315
0,331
0,386
0,418
0,452
0,532
10
0,004
0,052
0,114
0,168
0,211
0,246
0,275
0,299
0,319
0,336
0,393
0,426
0,462
0,546
11
0,004
0,052
0,114
0,168
0,213
0,248
0,278
0,302
0,322
0,340
0,399
0,433
0,470
0,559
12
0,004
0,052
0,114
0,169
0,214
0,250
0,280
0,305
0,325
0,343
0,404
0,439
0,478
0,571
13
0,004
0,051
0,115
0,170
0,215
0,251
0,282
0,307
0,328
0,346
0,408
0,445
0,485
0,581
14
0,004
0,051
0,115
0,170
0,216
0,253
0,283
0,309
0,331
0,349
0,412
0,449
0,491
0,591
15
0,004
0,051
0,115
0,171
0,217
0,254
0,285
0,311
0,333
0,351
0,416
0,454
0,496
0,600
16
0,004
0,051
0,115
0,171
0,217
0,255
0,286
0,312
0,335
0,354
0,419
0,458
0,501
0,608
17
0,004
0,051
0,115
0,171
0,218
0,256
0,287
0,314
0,336
0,356
0,422
0,462
0,506
0,616
18
0,004
0,051
0,115
0,172
0,218
0,257
0,288
0,315
0,338
0,357
0,425
0,465
0,510
0,623
19
0,004
0,051
0,115
0,172
0,219
0,257
0,289
0,316
0,339
0,359
0,427
0,468
0,514
0,630
20
0,004
0,051
0,115
0,172
0,219
0,258
0,290
0,317
0,341
0,360
0,430
0,471
0,518
0,637
21
0,004
0,051
0,116
0,173
0,220
0,259
0,291
0,318
0,342
0,362
0,432
0,473
0,521
0,643
22
0,004
0,051
0,116
0,173
0,220
0,259
0,292
0,319
0,343
0,363
0,434
0,476
0,524
0,648
23
0,004
0,051
0,116
0,173
0,221
0,260
0,293
0,320
0,344
0,364
0,435
0,478
0,527
0,654
24
0,004
0,051
0,116
0,173
0,221
0,260
0,293
0,321
0,345
0,365
0,437
0,480
0,530
0,659
25
0,004
0,051
0,116
0,173
0,221
0,261
0,294
0,322
0,346
0,366
0,439
0,482
0,532
0,664
26
0,004
0,051
0,116
0,174
0,221
0,261
0,294
0,322
0,346
0,367
0,440
0,484
0,535
0,669
27
0,004
0,051
0,116
0,174
0,222
0,262
0,295
0,323
0,347
0,368
0,441
0,486
0,537
0,673
28
0,004
0,051
0,116
0,174
0,222
0,262
0,295
0,324
0,348
0,369
0,443
0,487
0,539
0,677
29
0,004
0,051
0,116
0,174
0,222
0,262
0,296
0,324
0,349
0,370
0,444
0,489
0,541
0,681
30
0,004
0,051
0,116
0,174
0,222
0,263
0,296
0,325
0,349
0,370
0,445
0,490
0,543
0,685
31
0,004
0,051
0,116
0,174
0,223
0,263
0,297
0,325
0,350
0,371
0,446
0,492
0,545
0,689
32
0,004
0,051
0,116
0,174
0,223
0,263
0,297
0,326
0,350
0,372
0,447
0,493
0,547
0,693
33
0,004
0,051
0,116
0,174
0,223
0,263
0,297
0,326
0,351
0,372
0,448
0,494
0,548
0,696
34
0,004
0,051
0,116
0,174
0,223
0,264
0,298
0,327
0,351
0,373
0,449
0,496
0,550
0,699
35
0,004
0,051
0,116
0,175
0,223
0,264
0,298
0,327
0,352
0,373
0,450
0,497
0,552
0,703
36
0,004
0,051
0,116
0,175
0,223
0,264
0,298
0,327
0,352
0,374
0,451
0,498
0,553
0,706
37
0,004
0,051
0,116
0,175
0,224
0,264
0,299
0,328
0,353
0,374
0,452
0,499
0,554
0,709
38
0,004
0,051
0,116
0,175
0,224
0,265
0,299
0,328
0,353
0,375
0,452
0,500
0,556
0,712
39
0,004
0,051
0,116
0,175
0,224
0,265
0,299
0,328
0,353
0,375
0,453
0,501
0,557
0,715
40
0,004
0,051
0,116
0,175
0,224
0,265
0,299
0,329
0,354
0,376
0,454
0,502
0,558
0,717
60
0,004
0,051
0,117
0,176
0,226
0,267
0,303
0,333
0,359
0,382
0,463
0,514
0,575
0,759
80
0,004
0,051
0,117
0,176
0,227
0,269
0,304
0,335
0,361
0,385
0,468
0,520
0,584
0,785
100
0,004
0,051
0,117
0,177
0,227
0,269
0,305
0,336
0,363
0,386
0,471
0,525
0,590
0,804
120
0,004
0,051
0,117
0,177
0,227
0,270
0,306
0,337
0,364
0,388
0,473
0,527
0,594
0,819
0,004
0,051
0,117
0,178
0,229
0,273
0,310
0,342
0,369
0,394
0,484
0,543
0,616
0,990

A. Caro v.06
94

= 0,95
10
15
20
30
161,45 199,50 215,71 224,58 230,16 233,99 236,77 238,88 240,54 241,88 245,95 248,02 250,10 254,31
18,513 19,000 19,164 19,247 19,296 19,329 19,353 19,371 19,385 19,396 19,429 19,446 19,463 19,496
10,128
9,552
9,277
9,117
9,013
8,941
8,887
8,845
8,812
8,785
8,703
8,660
8,617
8,527
7,709
6,944
6,591
6,388
6,256
6,163
6,094
6,041
5,999
5,964
5,858
5,803
5,746
5,628
6,608
5,786
5,409
5,192
5,050
4,950
4,876
4,818
4,772
4,735
4,619
4,558
4,496
4,365
5,987
5,143
4,757
4,534
4,387
4,284
4,207
4,147
4,099
4,060
3,938
3,874
3,808
3,669
5,591
4,737
4,347
4,120
3,972
3,866
3,787
3,726
3,677
3,637
3,511
3,445
3,376
3,230
5,318
4,459
4,066
3,838
3,688
3,581
3,500
3,438
3,388
3,347
3,218
3,150
3,079
2,928
5,117
4,256
3,863
3,633
3,482
3,374
3,293
3,230
3,179
3,137
3,006
2,936
2,864
2,707
10
4,965
4,103
3,708
3,478
3,326
3,217
3,135
3,072
3,020
2,978
2,845
2,774
2,700
2,538
11
4,844
3,982
3,587
3,357
3,204
3,095
3,012
2,948
2,896
2,854
2,719
2,646
2,570
2,405
12
4,747
3,885
3,490
3,259
3,106
2,996
2,913
2,849
2,796
2,753
2,617
2,544
2,466
2,296
13
4,667
3,806
3,411
3,179
3,025
2,915
2,832
2,767
2,714
2,671
2,533
2,459
2,380
2,206
14
4,600
3,739
3,344
3,112
2,958
2,848
2,764
2,699
2,646
2,602
2,463
2,388
2,308
2,131
15
4,543
3,682
3,287
3,056
2,901
2,790
2,707
2,641
2,588
2,544
2,403
2,328
2,247
2,066
16
4,494
3,634
3,239
3,007
2,852
2,741
2,657
2,591
2,538
2,494
2,352
2,276
2,194
2,010
17
4,451
3,592
3,197
2,965
2,810
2,699
2,614
2,548
2,494
2,450
2,308
2,230
2,148
1,960
18
4,414
3,555
3,160
2,928
2,773
2,661
2,577
2,510
2,456
2,412
2,269
2,191
2,107
1,917
19
4,381
3,522
3,127
2,895
2,740
2,628
2,544
2,477
2,423
2,378
2,234
2,155
2,071
1,878
20
4,351
3,493
3,098
2,866
2,711
2,599
2,514
2,447
2,393
2,348
2,203
2,124
2,039
1,843
21
4,325
3,467
3,072
2,840
2,685
2,573
2,488
2,420
2,366
2,321
2,176
2,096
2,010
1,812
22
4,301
3,443
3,049
2,817
2,661
2,549
2,464
2,397
2,342
2,297
2,151
2,071
1,984
1,783
23
4,279
3,422
3,028
2,796
2,640
2,528
2,442
2,375
2,320
2,275
2,128
2,048
1,961
1,757
24
4,260
3,403
3,009
2,776
2,621
2,508
2,423
2,355
2,300
2,255
2,108
2,027
1,939
1,733
25
4,242
3,385
2,991
2,759
2,603
2,490
2,405
2,337
2,282
2,236
2,089
2,007
1,919
1,711
26
4,225
3,369
2,975
2,743
2,587
2,474
2,388
2,321
2,265
2,220
2,072
1,990
1,901
1,691
27
4,210
3,354
2,960
2,728
2,572
2,459
2,373
2,305
2,250
2,204
2,056
1,974
1,884
1,672
28
4,196
3,340
2,947
2,714
2,558
2,445
2,359
2,291
2,236
2,190
2,041
1,959
1,869
1,654
29
4,183
3,328
2,934
2,701
2,545
2,432
2,346
2,278
2,223
2,177
2,027
1,945
1,854
1,638
30
4,171
3,316
2,922
2,690
2,534
2,421
2,334
2,266
2,211
2,165
2,015
1,932
1,841
1,622
31
4,160
3,305
2,911
2,679
2,523
2,409
2,323
2,255
2,199
2,153
2,003
1,920
1,828
1,608
32
4,149
3,295
2,901
2,668
2,512
2,399
2,313
2,244
2,189
2,142
1,992
1,908
1,817
1,594
33
4,139
3,285
2,892
2,659
2,503
2,389
2,303
2,235
2,179
2,133
1,982
1,898
1,806
1,582
34
4,130
3,276
2,883
2,650
2,494
2,380
2,294
2,225
2,170
2,123
1,972
1,888
1,795
1,569
35
4,121
3,267
2,874
2,641
2,485
2,372
2,285
2,217
2,161
2,114
1,963
1,878
1,786
1,558
36
4,113
3,259
2,866
2,634
2,477
2,364
2,277
2,209
2,153
2,106
1,954
1,870
1,776
1,547
37
4,105
3,252
2,859
2,626
2,470
2,356
2,270
2,201
2,145
2,098
1,946
1,861
1,768
1,537
38
4,098
3,245
2,852
2,619
2,463
2,349
2,262
2,194
2,138
2,091
1,939
1,853
1,760
1,527
39
4,091
3,238
2,845
2,612
2,456
2,342
2,255
2,187
2,131
2,084
1,931
1,846
1,752
1,518
40
4,085
3,232
2,839
2,606
2,449
2,336
2,249
2,180
2,124
2,077
1,924
1,839
1,744
1,509
60
4,001
3,150
2,758
2,525
2,368
2,254
2,167
2,097
2,040
1,993
1,836
1,748
1,649
1,389
80
3,960
3,111
2,719
2,486
2,329
2,214
2,126
2,056
1,999
1,951
1,793
1,703
1,602
1,325
100
3,936
3,087
2,696
2,463
2,305
2,191
2,103
2,032
1,975
1,927
1,768
1,676
1,573
1,283
120
3,920
3,072
2,680
2,447
2,290
2,175
2,087
2,016
1,959
1,910
1,750
1,659
1,554
1,254
3,842
2,996
2,605
2,372
2,214
2,099
2,010
1,939
1,880
1,831
1,666
1,571
1,459
1,001

A. Caro v.06
95

= 0,975
8
1
2
3
4
5
6
7
9
10
15
20
30
647,79 799,48 864,15 899,60 921,83 937,11 948,20 956,64 963,28 968,63 984,87 993,08 1001,40 1018,26
38,506 39,000 39,166 39,248 39,298 39,331 39,356 39,373 39,387 39,398 39,431 39,448 39,465 39,498
17,443 16,044 15,439 15,101 14,885 14,735 14,624 14,540 14,473 14,419 14,253 14,167 14,081 13,902
12,218 10,649
9,979
9,604
9,364
9,197
9,074
8,980
8,905
8,844
8,657
8,560
8,461
8,257
10,007
8,434
7,764
7,388
7,146
6,978
6,853
6,757
6,681
6,619
6,428
6,329
6,227
6,015
8,813
7,260
6,599
6,227
5,988
5,820
5,695
5,600
5,523
5,461
5,269
5,168
5,065
4,849
8,073
6,542
5,890
5,523
5,285
5,119
4,995
4,899
4,823
4,761
4,568
4,467
4,362
4,142
7,571
6,059
5,416
5,053
4,817
4,652
4,529
4,433
4,357
4,295
4,101
3,999
3,894
3,670
7,209
5,715
5,078
4,718
4,484
4,320
4,197
4,102
4,026
3,964
3,769
3,667
3,560
3,333
10
6,937
5,456
4,826
4,468
4,236
4,072
3,950
3,855
3,779
3,717
3,522
3,419
3,311
3,080
11
6,724
5,256
4,630
4,275
4,044
3,881
3,759
3,664
3,588
3,526
3,330
3,226
3,118
2,883
12
6,554
5,096
4,474
4,121
3,891
3,728
3,607
3,512
3,436
3,374
3,177
3,073
2,963
2,725
13
6,414
4,965
4,347
3,996
3,767
3,604
3,483
3,388
3,312
3,250
3,053
2,948
2,837
2,596
14
6,298
4,857
4,242
3,892
3,663
3,501
3,380
3,285
3,209
3,147
2,949
2,844
2,732
2,487
15
6,200
4,765
4,153
3,804
3,576
3,415
3,293
3,199
3,123
3,060
2,862
2,756
2,644
2,395
16
6,115
4,687
4,077
3,729
3,502
3,341
3,219
3,125
3,049
2,986
2,788
2,681
2,568
2,316
17
6,042
4,619
4,011
3,665
3,438
3,277
3,156
3,061
2,985
2,922
2,723
2,616
2,502
2,248
18
5,978
4,560
3,954
3,608
3,382
3,221
3,100
3,005
2,929
2,866
2,667
2,559
2,445
2,187
19
5,922
4,508
3,903
3,559
3,333
3,172
3,051
2,956
2,880
2,817
2,617
2,509
2,394
2,133
20
5,871
4,461
3,859
3,515
3,289
3,128
3,007
2,913
2,837
2,774
2,573
2,464
2,349
2,085
21
5,827
4,420
3,819
3,475
3,250
3,090
2,969
2,874
2,798
2,735
2,534
2,425
2,308
2,042
22
5,786
4,383
3,783
3,440
3,215
3,055
2,934
2,839
2,763
2,700
2,498
2,389
2,272
2,003
23
5,750
4,349
3,750
3,408
3,183
3,023
2,902
2,808
2,731
2,668
2,466
2,357
2,239
1,968
24
5,717
4,319
3,721
3,379
3,155
2,995
2,874
2,779
2,703
2,640
2,437
2,327
2,209
1,935
25
5,686
4,291
3,694
3,353
3,129
2,969
2,848
2,753
2,677
2,613
2,411
2,300
2,182
1,906
26
5,659
4,265
3,670
3,329
3,105
2,945
2,824
2,729
2,653
2,590
2,387
2,276
2,157
1,878
27
5,633
4,242
3,647
3,307
3,083
2,923
2,802
2,707
2,631
2,568
2,364
2,253
2,133
1,853
28
5,610
4,221
3,626
3,286
3,063
2,903
2,782
2,687
2,611
2,547
2,344
2,232
2,112
1,829
29
5,588
4,201
3,607
3,267
3,044
2,884
2,763
2,669
2,592
2,529
2,325
2,213
2,092
1,807
30
5,568
4,182
3,589
3,250
3,026
2,867
2,746
2,651
2,575
2,511
2,307
2,195
2,074
1,787
31
5,549
4,165
3,573
3,234
3,010
2,851
2,730
2,635
2,558
2,495
2,291
2,178
2,057
1,768
32
5,531
4,149
3,557
3,218
2,995
2,836
2,715
2,620
2,543
2,480
2,275
2,163
2,041
1,750
33
5,515
4,134
3,543
3,204
2,981
2,822
2,701
2,606
2,529
2,466
2,261
2,148
2,026
1,733
34
5,499
4,120
3,529
3,191
2,968
2,808
2,688
2,593
2,516
2,453
2,248
2,135
2,012
1,717
35
5,485
4,106
3,517
3,179
2,956
2,796
2,676
2,581
2,504
2,440
2,235
2,122
1,999
1,702
36
5,471
4,094
3,505
3,167
2,944
2,785
2,664
2,569
2,492
2,429
2,223
2,110
1,986
1,687
37
5,458
4,082
3,493
3,156
2,933
2,774
2,653
2,558
2,481
2,418
2,212
2,098
1,974
1,674
38
5,446
4,071
3,483
3,145
2,923
2,763
2,643
2,548
2,471
2,407
2,201
2,088
1,963
1,661
39
5,435
4,061
3,473
3,135
2,913
2,754
2,633
2,538
2,461
2,397
2,191
2,077
1,953
1,649
40
5,424
4,051
3,463
3,126
2,904
2,744
2,624
2,529
2,452
2,388
2,182
2,068
1,943
1,637
60
5,286
3,925
3,343
3,008
2,786
2,627
2,507
2,412
2,334
2,270
2,061
1,944
1,815
1,482
80
5,218
3,864
3,284
2,950
2,730
2,571
2,450
2,355
2,277
2,213
2,003
1,884
1,752
1,400
100
5,179
3,828
3,250
2,917
2,696
2,537
2,417
2,321
2,244
2,179
1,968
1,849
1,715
1,347
120
5,152
3,805
3,227
2,894
2,674
2,515
2,395
2,299
2,222
2,157
1,945
1,825
1,690
1,311
5,024
3,689
3,116
2,786
2,567
2,408
2,288
2,192
2,114
2,048
1,833
1,709
1,566
1,012

A. Caro v.06
96

= 0,99
10
15
20
30
4052,2 4999,3 5403,5 5624,3 5764,0 5859,0 5928,3 5981,0 6022,4 6055,9 6157,0 6208,7 6260,4 6365,6
98,502 99,000 99,164 99,251 99,302 99,331 99,357 99,375 99,390 99,397 99,433 99,448 99,466 99,499
34,116 30,816 29,457 28,710 28,237 27,911 27,671 27,489 27,345 27,228 26,872 26,690 26,504 26,125
21,198 18,000 16,694 15,977 15,522 15,207 14,976 14,799 14,659 14,546 14,198 14,019 13,838 13,463
16,258 13,274 12,060 11,392 10,967 10,672 10,456 10,289 10,158 10,051
9,722
9,553
9,379
9,021
13,745 10,925
9,780
9,148
8,746
8,466
8,260
8,102
7,976
7,874
7,559
7,396
7,229
6,880
12,246
9,547
8,451
7,847
7,460
7,191
6,993
6,840
6,719
6,620
6,314
6,155
5,992
5,650
11,259
8,649
7,591
7,006
6,632
6,371
6,178
6,029
5,911
5,814
5,515
5,359
5,198
4,859
10,562
8,022
6,992
6,422
6,057
5,802
5,613
5,467
5,351
5,257
4,962
4,808
4,649
4,311
10
10,044
7,559
6,552
5,994
5,636
5,386
5,200
5,057
4,942
4,849
4,558
4,405
4,247
3,909
11
9,646
7,206
6,217
5,668
5,316
5,069
4,886
4,744
4,632
4,539
4,251
4,099
3,941
3,603
12
9,330
6,927
5,953
5,412
5,064
4,821
4,640
4,499
4,388
4,296
4,010
3,858
3,701
3,361
13
9,074
6,701
5,739
5,205
4,862
4,620
4,441
4,302
4,191
4,100
3,815
3,665
3,507
3,165
14
8,862
6,515
5,564
5,035
4,695
4,456
4,278
4,140
4,030
3,939
3,656
3,505
3,348
3,004
15
8,683
6,359
5,417
4,893
4,556
4,318
4,142
4,004
3,895
3,805
3,522
3,372
3,214
2,869
16
8,531
6,226
5,292
4,773
4,437
4,202
4,026
3,890
3,780
3,691
3,409
3,259
3,101
2,753
17
8,400
6,112
5,185
4,669
4,336
4,101
3,927
3,791
3,682
3,593
3,312
3,162
3,003
2,653
18
8,285
6,013
5,092
4,579
4,248
4,015
3,841
3,705
3,597
3,508
3,227
3,077
2,919
2,566
19
8,185
5,926
5,010
4,500
4,171
3,939
3,765
3,631
3,523
3,434
3,153
3,003
2,844
2,489
20
8,096
5,849
4,938
4,431
4,103
3,871
3,699
3,564
3,457
3,368
3,088
2,938
2,778
2,421
21
8,017
5,780
4,874
4,369
4,042
3,812
3,640
3,506
3,398
3,310
3,030
2,880
2,720
2,360
22
7,945
5,719
4,817
4,313
3,988
3,758
3,587
3,453
3,346
3,258
2,978
2,827
2,667
2,306
23
7,881
5,664
4,765
4,264
3,939
3,710
3,539
3,406
3,299
3,211
2,931
2,780
2,620
2,256
24
7,823
5,614
4,718
4,218
3,895
3,667
3,496
3,363
3,256
3,168
2,889
2,738
2,577
2,211
25
7,770
5,568
4,675
4,177
3,855
3,627
3,457
3,324
3,217
3,129
2,850
2,699
2,538
2,170
26
7,721
5,526
4,637
4,140
3,818
3,591
3,421
3,288
3,182
3,094
2,815
2,664
2,503
2,132
27
7,677
5,488
4,601
4,106
3,785
3,558
3,388
3,256
3,149
3,062
2,783
2,632
2,470
2,097
28
7,636
5,453
4,568
4,074
3,754
3,528
3,358
3,226
3,120
3,032
2,753
2,602
2,440
2,064
29
7,598
5,420
4,538
4,045
3,725
3,499
3,330
3,198
3,092
3,005
2,726
2,574
2,412
2,034
30
7,562
5,390
4,510
4,018
3,699
3,473
3,305
3,173
3,067
2,979
2,700
2,549
2,386
2,006
31
7,530
5,362
4,484
3,993
3,675
3,449
3,281
3,149
3,043
2,955
2,677
2,525
2,362
1,980
32
7,499
5,336
4,459
3,969
3,652
3,427
3,258
3,127
3,021
2,934
2,655
2,503
2,340
1,956
33
7,471
5,312
4,437
3,948
3,630
3,406
3,238
3,106
3,000
2,913
2,634
2,482
2,319
1,933
34
7,444
5,289
4,416
3,927
3,611
3,386
3,218
3,087
2,981
2,894
2,615
2,463
2,299
1,911
35
7,419
5,268
4,396
3,908
3,592
3,368
3,200
3,069
2,963
2,876
2,597
2,445
2,281
1,891
36
7,396
5,248
4,377
3,890
3,574
3,351
3,183
3,052
2,946
2,859
2,580
2,428
2,263
1,872
37
7,374
5,229
4,360
3,873
3,558
3,334
3,167
3,036
2,930
2,843
2,564
2,412
2,247
1,854
38
7,353
5,211
4,343
3,858
3,542
3,319
3,152
3,021
2,915
2,828
2,549
2,397
2,232
1,837
39
7,333
5,194
4,327
3,843
3,528
3,305
3,137
3,006
2,901
2,814
2,535
2,382
2,217
1,820
40
7,314
5,178
4,313
3,828
3,514
3,291
3,124
2,993
2,888
2,801
2,522
2,369
2,203
1,805
60
7,077
4,977
4,126
3,649
3,339
3,119
2,953
2,823
2,718
2,632
2,352
2,198
2,028
1,601
80
6,963
4,881
4,036
3,563
3,255
3,036
2,871
2,742
2,637
2,551
2,271
2,115
1,944
1,494
100
6,895
4,824
3,984
3,513
3,206
2,988
2,823
2,694
2,590
2,503
2,223
2,067
1,893
1,427
120
6,851
4,787
3,949
3,480
3,174
2,956
2,792
2,663
2,559
2,472
2,191
2,035
1,860
1,381
6,635
4,605
3,782
3,319
3,017
2,802
2,640
2,511
2,408
2,321
2,039
1,878
1,697
1,001
Interpretacin: Para
A. Caro v.06
1 = 10 y 2 = 20 se tiene que P(F < 3,37) = 0,99
FORMULARIO DE PROBABILIDADES
n Pn
= n ! = 1i2i3i4i....i(n 1)in
P( A / B) =
n Cr
n
n!
ni(n 1)i(n 2)i...i(n r + 1)
= =
=
1i2i3i...i(r 1)ir
r (n r )!r !
P( A B)
P( B)
P(A) = P(A/B1)P(B1)+ P(A/B2)P(B2) + + P(A/Bk)P(Bk)

P ( Bi / A) =
P ( A / Bi ) P ( Bi )
P( A / B1 ) P ( B1 ) + P ( A / B2 ) P ( B2 ) + ... + P ( A / Bk ) P ( Bk )
F(xo) = P(X xo )
2=V(X)= (xi-)2p(xi) =xi2p(xi) 2
=E(X)= xip(xi)
CV =
n k
nk
P(X=k)= p (1 p ) ,
k
r N r

k n k
P(X=k)=
N

n
E(X)= = np
k=0, 1, 2,, n
, k=0,1,2,3,,r E(X)= = np
2
V(X) = =
1 X

Z=
X N ( ; 2 )
X N (;
2
n
Z=
V(X)=2= np(1-p)
siendo p=r/N; q=1-p
np (1 p )( N n)
N 1

1
f ( x) =
e 2
2
E(X) =;
(X ) n
V(X)=2
ZN(0,1)
P(aXb)= (b) - (a)
97
FORMULARIO DE INFERENCIA
( Z (1 / 2) )
( n 1) S 2
2
(1 / 2; n 1)
( n 1) S 2
a 2
( / 2; n 1)
t(1 / 2;n 1) S
n
Lim. Inferior: 1 (1 0 ) F((1 / 2); ( n 1); ( K 1)( n 1))
Z=
(X ) n
t=
N (0; 1)
p (1 p )
n
p Z (1 / 2)
Lim. Superior: 1 (1 0 ) F(( / 2); ( n 1); ( K 1)( n 1))
( X ) n
t (n 1)
S
Z=
(p )
(1 )
N (0; 1)
2 =
Z=
(n 1) S
02
2 (n 1)
( X 1 X 2 ) ( 1 2 )
2
1
n1
t=
2
2
n2
Z=
( X1 X 2 )
12
n1
( X 1 X 2 ) ( 1 2 )
SP
t=
1 1
+
n1 n2
22
N (0; 1)
n2
( X1 X 2 )
SP
1 1
+
n1 n2
t (n1 + n2 2)
( D 0 ) n ( D) n
=
t (n 1)
SD
SD
( p1 p2 ) ( 1 2 )
( p1 p2 )
=
N (0; 1)
1 1
1 1
pq +
pq +
n1 n2
n1 n2
S 2 / 12
S 12
F = 12
=
F ( n1 1; n 2 1 )
S 2 / 22
S 22
1
F =
F (( n 1); ( K 1)( n 1))
10
Pasos en la dcima de hiptesis:

1. Hiptesis (Definir trminos empleados)
2. Supuestos
3. Nivel de significacin
4. Estadstica de Prueba
5. Regin crtica
6. Evaluacin y Decisin
Siendo
Siendo
p=
SP =
(n1 1) S12 + (n2 1) S 22

n1 + n2 2
n1 p1 + n2 p2
n1 + n2
; q = 1 p
98

Estadística 2 Psic (Rev 25.03.07) v.07

Загружено:

Сведения о документе

Авторское право

Доступные форматы

Поделиться этим документом

Поделиться или встроить документ

Параметры публикации

Этот документ был вам полезен?

Это неприемлемый материал?

Авторское право:

Доступные форматы

Estadística 2 Psic (Rev 25.03.07) v.07

Загружено:

Авторское право:

Доступные форматы

ESTADSTICA 2 Esc. Psicologa - U. Valparaso - PROF. ALBERTO CARO V.07 - Pg.

PROF. ALBERTO CARO MARTN

VALPARASO, AGOSTO DE 2007

ESTADSTICA 2 Esc. Psicologa - U. Valparaso - PROF. ALBERTO CARO V.07 - Pg.

ESPACIO MUESTRAL Y SUCESOS

VARIABLES ALEATORIAS UNIDIMENSIONALES DISCRETAS

VARIABLES ALEATORIAS UNIDIMENSIONALES CONTINUAS

ESTADSTICA 2 Esc. Psicologa - U. Valparaso - PROF. ALBERTO CARO V.07 - Pg.

DCIMAS SOBRE UN PARAMETRO POBLACIONAL

DCIMAS SOBRE PARMETROS DE UNA POBLACIN

DCIMAS SOBRE PARAMETROS DE DOS POBLACIONES

2. Formularios de Probabilidades e Inferencia

ESTADSTICA 2 Esc. Psicologa - U. Valparaso - PROF. ALBERTO CARO V.07 - Pg. 1

ESTADSTICA 2 Esc. Psicologa - U. Valparaso - PROF. ALBERTO CARO V.07 - Pg.

Se dice que "ocurre un suceso" si al realizar un experimento el resultado pertenece

Sucesos elementales son: {1}, {8} etc.

A y C son mutuamente excluyentes pues AC=

Si se realiza el experimento, esto es, se aplica el test a la persona y sta logra 10

Explicar el significado de los trminos:

Dar un ejemplo de un fenmeno aleatorio

ESTADSTICA 2 Esc. Psicologa - U. Valparaso - PROF. ALBERTO CARO V.07 - Pg.

{e1 + e2 + ... + ek } entonces

La probabilidad de un suceso A puede obtenerse mediante la expresin siguiente:

Numero de casos favorables a la ocurrencia de A

ESTADSTICA 2 Esc. Psicologa - U. Valparaso - PROF. ALBERTO CARO V.07 - Pg.

Se define como el "numero de permutaciones de n en n" al nmero de arreglos u

ESTADSTICA 2 Esc. Psicologa - U. Valparaso - PROF. ALBERTO CARO V.07 - Pg.

Se define como el "nmero de permutaciones de r en n al nmero de formas

Pr == ni(n 1)i(n 2)i....i(n r + 1) =

P ( n con repeticiones n1; n2 ; n3 ;...; nk ) =

P (9 con repet . 3; 2; 2;1;1) =

Pues hay 3 letras R; 2 letras A; 2 letras E; 1 letra C y 1 letra T.

ESTADSTICA 2 Esc. Psicologa - U. Valparaso - PROF. ALBERTO CARO V.07 - Pg.

Explicar la diferencia entre permutacin y combinacin.

Si se lanzan cinco dados distinguibles De cuntas maneras pueden caer?

Los pacientes de un psiclogo se clasifican por edad en menos de 30, de 30 a 45 y de

En un concurso de belleza quedan 15 semifinalistas. De cuntas maneras pueden

En un curso de Estadstica hay 24 hombres y 6 mujeres. De cuntas maneras distintas

Se lanzan tres monedas. Escribir el espacio muestral. Calcular las probabilidades

ESTADSTICA 2 Esc. Psicologa - U. Valparaso - PROF. ALBERTO CARO V.07 - Pg.

Si el espacio muestral es infinito, el axioma anterior se reemplaza por:

3.2. TEOREMAS DE PROBABILIDADES

(probabilidad del suceso imposible)

(A y C suc. mutuamente. excluyentes)

b) Las probabilidades de los sucesos son:

ESTADSTICA 2 Esc. Psicologa - U. Valparaso - PROF. ALBERTO CARO V.07 - Pg.

c) Aplicando los teoremas se puede verificar que:

(pues A y C son sucesos

b) Probabilidad de seleccionar una muestra cualesquiera:

f) Probabilidad de seleccionar una muestra de 3 fichas compuesta por dos fichas

ESTADSTICA 2 Esc. Psicologa - U. Valparaso - PROF. ALBERTO CARO V.07 - Pg.

Analizar la informacin siguiente y explicar la razn en caso de ser errnea.

Las probabilidades que un vendedor de automviles venda 0, 1, 2, 3, 4 ms autos

(Ley de multiplicacin de probabilidades)

Para el caso de tres sucesos, la ley de multiplicacin de probabilidad se expresa como:

ALUMNOS POR NIVEL

Se pueden definir las probabilidades para los sucesos siguientes:

ESTADSTICA 2 Esc. Psicologa - U. Valparaso - PROF. ALBERTO CARO V.07 - Pg.

P(Ser de Segundo) = P(S) = 30/120

(Observar que la probabilidad condicional no es conmutativa: P(M/S) P(S/M) )

P(Ser de Segundo dado que es Mujer)= P ( S / M ) =

Seale diferencia entre las probabilidades conjuntas, marginales y condicionales.

4.2. SUCESOS INDEPENDIENTES

120 120 120