Documente Academic
Documente Profesional
Documente Cultură
1. Introduccin a la estadstica
1.1. Introduccin . . . . . . . . . . . . . . . . . . .
1.2. Medidas numricas descriptivas . . . . . . . .
1.2.1. Medidas de localizacin . . . . . . . . .
1.2.2. Medidas de variabilidad . . . . . . . .
1.3. Tabla y grficas para datos numricos . . . . .
1.3.1. Distribucin de frecuencias . . . . . . .
1.3.2. Grficos . . . . . . . . . . . . . . . . .
1.4. Medidas numricas para datos agrupados . . .
1.5. Puntos de posicin para datos de una tabla de
1.6. Ejercicios propuestos . . . . . . . . . . . . . .
. . . . . .
. . . . . .
. . . . . .
. . . . . .
. . . . . .
. . . . . .
. . . . . .
. . . . . .
frecuencia
. . . . . .
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
2. Distribucin en el muestreo
2.1. Principales estadsticos. . . . . . . . . . . . . . . . . . . . . . .
2.1.1. Media muestral X . . . . . . . . . . . . . . . . . . . .
2.1.2. Varianza muestral V 2 . . . . . . . . . . . . . . . . . . .
2.1.3. Proporcin muestral P . . . . . . . . . . . . . . . . . .
2.1.4. Estadstico de orden . . . . . . . . . . . . . . . . . . .
2.2. Distribuciones lmites . . . . . . . . . . . . . . . . . . . . . . .
2.2.1. Desigualdad de chebyshev . . . . . . . . . . . . . . . .
2.2.2. Ley de los grandes nmeros . . . . . . . . . . . . . . .
2.3. Distribuciones muestrales de algunos estadsticos importantes .
2.3.1. Distribucin muestral de X . . . . . . . . . . . . . . .
2.4. Distribuciones muestrales relacionadas con la distribucin normal . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
2.4.1. Distribucin chi-cuadrado de Pearson . . . . . . . . . .
2.4.2. Distribucin t de Student . . . . . . . . . . . . . . . .
i
1
1
8
9
13
18
18
23
29
34
36
45
49
49
51
54
54
61
61
65
68
70
76
77
85
NDICE GENERAL
ii
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
127
127
128
129
129
136
141
147
151
157
161
167
168
173
NDICE GENERAL
iii
4.4.
4.5.
4.6.
4.7.
4.8.
4.9.
Universidad de Carabobo
225
. 225
. 233
. 243
. 245
. 247
. 250
. 253
. 253
. 256
. 258
.
.
.
.
263
267
275
280
NDICE GENERAL
iv
FaCyT-Matemticas
Captulo 1
Introduccin a la estadstica
1.1.
Introduccin
Inferencial
Efecta estimaciones, toma decisiones, predicciones u otras generalizaciones a partir de un conjunto de datos.
probabilidad de que el suceso xito se presente en dos repeticiones consecutivas del experimento es p2 .
En esta lnea, se dice que el clculo de probabilidades utiliza un razonamiento deductivo. As, tras modelizar la incertidumbre mediante la probabilidad,
es posible utilizar dicho razonamiento para llegar a obtener probabilidades
de sucesos ms complicados a partir de las probabilidades de sucesos ms
simples.
En cambio, se puede decir que la inferencia estadstica pretende, dados unos
datos sujetos a incertidumbre, obtener el conocimiento de los parmetros,
en un sentido amplio, del modelo de clculo de probabilidades que aceptablemente se ajuste a dichos datos. En este sentido, la inferencia estadstica
utiliza un razonamiento de tipo inductivo.
Ejemplo 1.1. En un proceso de fabricacin a lo largo del tiempo, puede producir a veces algn elemento defectuoso. Si se denota con p la probabilidad de
que un elemento fabricado sea defectuoso, la cul es desconocida, y supongase
que se extraen de toda la produccin n elementos, entonces con la informacin contenida en la muestra se trata de inferir o estimar el verdadero valor
del parmetro p.
Por lo que se puede decir que, la probabilidad trabaja desde la poblacin
hacia la muestra, mientras la inferencia estadstica trabaja desde la muestra
hacia la poblacin.
Para comprender la naturaleza de la inferencia estadstica, es necesario entender las nociones de poblacin y muestra.
FaCyT-Matemticas
Poblacin: Es un conjunto finito o infinito de individuos u objetos que poseen una caracterstica comn observable. La poblacin representa el estado
de la naturaleza o las formas de las cosas con respecto a un fenmeno aleatorio en particular, mismo que puede identificarse a travs de una caracterstica
medible X.
Una poblacin es un conjunto de elementos que presentan una caracterstica comn. Cadenas (1974)
Una poblacin es
un conjunto de todos los elementos
que se est estudiando, acerca de
los cules se intenta sacar conclusiones. Levin & Rubin (1996)
A menudo es imposible o poco prctico observar la totalidad de la poblacin,
sobre todos si esta es muy grande. En lugar de examinar el grupo entero llamado poblacin, se examina una pequea parte del grupo llamada muestra.
Muestra: Uno o mas elementos que son tomados de la poblacin con el
objeto de obtener informacin que ayude de base para tomar una decisin
acerca de una caracterstica de la poblacin.
Se llama muestra a una parte de la poblacin a estudiar que sirve para representarla. Murria R. Spiegel
(1991)
Universidad de Carabobo
Una muestra es
una coleccin de algunos elementos de
la poblacin, pero
no de todos. Levin
& Rubin (1996)
Una muestra representativa de la poblacin contiene las caractersticas relevantes de la poblacin en las mismas proporciones que estn incluidas en tal
poblacin.
Una buena inferencia estadstica se basa en la escogencia de una buena
muestra. Una manera de realizar esto resulta cuando el proceso de obtencin
de la muestra proporciona igual oportunidad a cada elemento de la poblacin
de ser incluido en est.
Si la poblacin es de tamao N y se toma una muestra de tamao n, el proceso
de muestreo
debe asegurar que todas las posibles muestras de tamao n, es
decir, Nn tienen la misma posibilidad de ser seleccionadas. Esto se conoce
como muestreo aleatorio simple.
Ejemplo 1.4. Muestreo aleatorio simple
Supongamos que se tienen 50 hojas de un tamao conveniente y que en las
mismas se escriben 50 nombres (distintos), despus de escribir los nombres se
doblan las hojas de una forma para ser introducidos en una bolsa. Se selecciona a una persona que tenga los ojos vendados y la misma procede a sacar 10
hojas dobladas que posteriormente sern premiadas. Aqu la poblacin consta
de N = 50 elementos y cada elemento de la muestra de tamao n = 10, se
selecciona
aleatoriamente uno por uno. En este muestreo se pueden seleccio50
nar 10 = muestras de tamao 10 cada una con la misma probabilidad de
ser seleccionada.
Variable estadstica:
Una variable es una caracteristica observable que vara entre los diferentes
individuos o unidades experimentales de una poblacin. La informacin que
se dispone de cada individuo o unidades experimentales es resumida en variables.
FaCyT-Matemticas
Si X alguna caracterstica de inters de poblacin, entonces X es una variable aleatoria que sigue cierta funcin de densidad f (x; ).
Supongas que se tiene un proceso de manufactura y se define la variable aleatoria X como el nmero de artculos defectuosos en una muestra de tamao
n = 45. Bajo ciertas hiptesis que idealizan el experimento (independencia
entre eventos, eventos de Bernoulli,. . .), X tiene una distribucin Binomial
con parmetros n = 45 y p (desconocido).
Si se tiene particular inters, por ejemplo, en calcular la probabilidad de que
X sea menor que 5 u otras caracteristicas asociadas con la distribucin de
probabilidad tales como la media, la varianza,. . ., la respuesta depender del
parmetro p. Tambin se puede tener inters en conocer (estimar, inferir) el
verdadero porcentaje de artculos producidos por el proceso de manutactura,
entre otros. Ests son algunas de las respuesta que nos ofrece la ciencia de
las estadstica en donde cierto nmero de realizaciones (observaciones) de la
variable aleatoria X
x1 , x2 , . . . , xn
es la materia prima para obtener informacin acerca del valor del parmetro
p.
Tipos de variables aleatorias:
Los tipos de variables que comnmente se consideran son:
1. Variables cualitativas o atributos: no toman valores numricos y describen cualidades.
Ejemplo 1.8. En un proceso de manufactura. Una variable aleatoria
X de inters puede ser clasificar una pieza como aceptable o defectuosa.
2. Variables cuantitativas discretas: toman slo valores enteros, en muchos
casos se limita a contar el nmero de veces que ocurre un suceso.
Ejemplo 1.9. En un proceso de manufactura. Una variable aleatoria
X de inters puede ser contar el nmero de piezas clasificadas como
defectuosas en una muestra dada. Entonces X es una variable aleatoria discreta que puede tomar los valores 0, 1, 2, . . . , n en donde n es el
tamao de la muestra.
FaCyT-Matemticas
3. Variables cuantitativas continuas: toman valores en un intervalo, corresponde a medir magnitudes continuas.
Ejemplo 1.10. Sea X una variable aleatoria que representa el tiempo entre llamadas a una oficina de atencin al cliente, entonces X es
una variable aleatoria continua que puede tomar cualquier valor en el
intervalo (0, ).
Existen varias maneras de realizar un muestreo de una poblacin; por ejemplo, se disea un experimento aleatorio y se lleva a cabo para extraer una
muestra de tamao n midiendo una caracterstica X de la poblacin de estudio.
1. Despus de mezclar adecuadamente los elementos de la poblacin, se
extrae uno, se observa la caracterstica, X1 es esta observacin. Se repone el elemento a la poblacin, y esta se vuelve a mezclar y se extrae
un segundo elemento y se anota la segunda observacin, X2 y as sucesivamente se repite el proceso hasta obtener una muestra de tamao
n
X1 , X2 , . . . , Xn
Este proceso de tomar la muestra se llama muestreo con reemplazo.
2. Despus de mezclar adecuadamente los elementos de la poblacin se
seleccionan n elementos, uno despus del otro sin reemplazo.
X1 , X2 , . . . , Xn
Este proceso de tomar la muestra se llama muestreo sin reemplazo.
Ejemplo 1.11. De muestreo sin reemplazo
Si se extrae una muestra de una poblacin de bombillas para estimar
la vida media de las bombillas que la integran, no ser posible medir
ms que una vez la bombilla seleccionada.
Universidad de Carabobo
8
Muestreo estratificado:
Se usa cuando se conoce de antemano que la poblacin est dividida en estratos, que son equivalentes a categoras y los cules por lo general no son de
igual tamao. Luego, de cada estrato se saca una muestra aleatoria, usualmente proporcional al tamao del estrato.
Nuestreo por conglomerado (Clusters):
En este caso la poblacin se divide en grupos llamados conglomerados. Luego
se elige al azar un cierto nmero de ellos y todos los elementos de los conglomerados elegidos forman la muestra.
Muestreo sistemtico:
Se usa cuando los datos de la poblacin estn ordenados en forma numrica.
La primera observacin es elegida al azar de entre los primeros elementos de
la poblacin y las siguientes observaciones son elegidas guardando la misma
distancia entre si.
1.2.
En est seccin se definen algunas medidas numricas que se emplean comnmente para describir conjuntos de datos. Algunas de ests medidas son
utilizadas como base para hacer inferencias sobre los parmetros de una poblacin. Existen dos medidas de inters importantes para cualquier conjunto
de datos:
FaCyT-Matemticas
1. La localizacin de su centro, y
2. La variabilidad
La tendencia central de un conjunto de datos es la disposicin de stos para
agruparse ya sea alrededor del centro o de ciertos valores numricos. La variabilidad de un conjunto de datos es la dispersin de las observaciones en el
conjunto.
1.2.1.
Medidas de localizacin
Existen principalmente tres medidas de tendencia central: la media, la mediana y la moda. Para ejemplificar las definiciones se considera el siguiente
ejemplo:
7.86
7.98
8.05
8.10
7.96
8.10
7.99
8.06
8.10
8.22
8.09
7.99
8.06
7.87
8.24
7.88
8.17
8.06
8.11
8.05
8.07
8.03
7.89
8.11
8.04
7.92
8.03
8.07
8.12
7.94
8.04
8.07
8.16
7.95
8.26
8.08
8.16
8.21
8.05
8.09
8.01
7.97
8.05
7.87
8.19
10
x=
xi
i=1
(1.1)
8 05 + 7 86 + 8 10 + + 8 05 + 8 04
= 8 0498
50
La media es una medida apropiada de tendencia central para muchos conjunto de datos. Sin embargo, dado que cualquier observacin en el conjunto
se emplea para su clculo, el valor de la media puede afectarse de manera desproporcionada por la existencia de algunos valores extremos o datos
atpicos1 . Por este motivo se recurre a definir otras medidas de localizacin
que sean ms robustas, es decir menos vulnerables a la presencia de algunos
valores extremos.
FaCyT-Matemticas
11
si n es impar
x( n+1 ) ,
2
(1.2)
M ed =
7.86
7.98
8.05
8.09
8.21
7.87
7.99
8.05
8.10
8.21
7.87
7.99
8.06
8.10
8.22
7.88
8.01
8.06
8.10
8.24
7.89
8.03
8.06
8.11
8.26
7.92
8.03
8.07
8.11
7.94
8.04
8.07
8.12
7.95
8.04
8.07
8.16
7.96
8.05
8.08
8.16
7.97
8.05
8.09
8.17
12
1
x([n]+1) + + x(n[n])
n 2 [n]
(1.3)
x0 2
241 56
1 X
1
x(11) + + x(40) =
= 8 052
=
x(i) =
30 i=11
30
30
x0 1 =
322 02
1 X
1
x(6) + + x(45) =
= 8 0505
x(i) =
40 i=5
40
40
13
1.2.2.
Medidas de variabilidad
Segundo conjunto
Universidad de Carabobo
14
s2 =
(xi x)2
i=1
n1
(1.5)
FaCyT-Matemticas
15
s2 =
x2i
n
P
2
xi
i=1
i=1
(1.7)
n1
xi =8 05 + 7 86 + 8 10 + + 8 05 + 8 04 = 402 49
x2i =8 052 + 7 862 + 8 102 + + 8 052 + 8 042 = 3240 479
i=1
(402 49)2
50
= 0 0105
0 0105 = 0 1025
Universidad de Carabobo
16
i=1
= 3 912
de aqu que:
Dx =
3 912
= 0 0782
50
FaCyT-Matemticas
17
i=1
= 3 91
de aqu que:
DM ed =
3 91
= 0 0782
50
Cuando la mediana se emplea como medida de tendencia central con el propsito de disminuir los efectos de la existencia de algunos valores extremos
en el conjunto de observaciones, la desviacin mediana debe preferirse en vez
de la desviacin media como medida de dispersin por la misma razn.
Definicin 1.10. (COEFICIENTE DE VARIACIN)
Es una medida de variabilidad de los datos que se expresa en porcentaje en la cual se compara la desviacin estndar con el respectivo
valor de la media muestral de los datos:
s
CV =
100
(1.10)
|x|
Coeficiente de variacin
Menos de 10 %
De 10 % a 30 %
Ms de 30 %
Universidad de Carabobo
18
1.3.
1.3.1.
La distribucin de frecuencias nos ayuda a obtener conclusiones de un conjuntos grandes de datos. Al construir una distribucin de frecuencias, se debe
tener especial atencin en seleccionar el nmero apropiado de agrupaciones
o clases para la tabla de distribucin de frecuencias (tabla que permite organizar los datos de tal manera que sirvan para la toma de decisiones), determinando una amplitud conveniente de las clases y estableciendo los limites
de cada una para evitar que se superpongan entre si.
A la hora de construir una tabla de distribucin de frecuencias se puede seguir el siguiente procedimiento:
19
Ln(n)
Ln(2)
Nmero de clases
5
6
7
8
9
R
K
20
usando la primera frmula, la amplitud de cada clase para los datos del
ejemplo (1.12) es:
0 41
A=
= 0 0683 0 07
6
Construir los lmites de las clases [Li Ls )
Primer intervalo:
El lmite inferior del primer intervalo es Li = 7 85. Primer valor de los
datos ordenados.
EL lmite superior de primer intervalo es Ls = Li + A = 7 92 .
Segundo intervalo:
El lmite inferior del segundo intervalo es Li = 7 92.
El lmite superior del segundo intervalo Ls = Li + A = 7 99.
y as sucesivamente, hasta que se hallan formado las 6 clases.
Lmites de la clase
[7 85, 7 92)
[7 92, 7 99)
[7 99, 8 06)
[8 06, 8 13)
[8 13, 8 20)
[8 20, 8 27]
21
Media unidad
Entero
Dcimas
Centesimas
Milesimas
Diezmilesima
0.5
0.05
0.005
0.0005
0.00005
1
0.1
0.01
0.001
0.0001
c1 =
Universidad de Carabobo
7 85 + 7 92
= 7 885
2
Marca de la clase
[7 85, 7 92)
[7 92, 7 99)
[7 99, 8 06)
[8 06, 8 13)
[8 13, 8 20)
[8 20, 8 27]
7 885
7 955
8 025
8 095
8 165
8 235
22
Frecuencia de la clase
La frecuencia de la clase es simplemente el nmero de observaciones que hay
en est.
Lmites de la clase
Marca de la clase
Frecuencia de la clase
[7 85, 7 92)
[7 92, 7 99)
[7 99, 8 06)
[8 06, 8 13)
[8 13, 8 20)
[8 20, 8 27]
7 885
7 955
8 025
8 095
8 165
8 235
6
7
12
16
4
5
Marca de
la clase
Frecuencia de
la clase
Frecuencia
relativa
Porcentaje
[7 85, 7 92)
[7 92, 7 99)
[7 99, 8 06)
[8 06, 8 13)
[8 13, 8 20)
[8 20, 8 27]
7 885
7 955
8 025
8 095
8 165
8 235
6
7
12
16
4
5
0 12
0 14
0 24
0 32
0 08
0 1
12
14
24
32
8
10
FaCyT-Matemticas
23
1.3.2.
Grficos
Histogramas de frecuencias
Los histogramas son grficos que muestran la distribucin de una serie de
observaciones. Para ello, el rango completo de las observaciones se divide en
subrangos menores denominados intervalos de clases de forma que el histograma muestra cuantas observaciones han en cada intervalo. El histograma
es un grfico de barras verticales en el cul el ancho de cada barra se corresponde con la amplitud del intervalo de clase, y la altura de la barra se
corresponde con el nmero de observaciones dentro del intervalo de clases.
En la Figura (1.1) se presenta el histograma de frecuencias para el ejemplo
(1.12) dividiendo el rango completos de las observaciones en seis clase.
24
Polgonos
Al igual que con los histogramas de frecuencias, al graficar polgonos el fenmeno de inters se despliega a lo largo del eje horizontal y el eje vertical
representa el nmero, proporcin o porcentaje de observaciones por intervalo
de clases. El polgono de porcentaje se forma permitiendo que el punto medio
de cada clase represente las observaciones de ese intervalo de clase y luego
conectando la sucesin de puntos medios con sus respectivos porcentajes de
clases. En la Figura (1.2) se muestra el histograma y polgono de frecuencias
para el ejemplo (1.12)
25
Frecuencia de
la clase
Frecuencia
relativa
Frecuencia relativa
acumulativa
[7 85, 7 92)
[7 92, 7 99)
[7 99, 8 06)
[8 06, 8 13)
[8 13, 8 20)
[8 20, 8 27]
6
7
12
16
4
5
0 12
0 14
0 24
0 32
0 08
0 1
0 12
0 26
0 50
0 82
0 90
1
26
ilustrar los datos, para estudiar simetra, para estudiar las colas, y supuestos sobre la distribucin, tambin se puede usar para comparar diferentes
poblaciones. Este grfico contiene un rectngulo, usualmente orientado con
el sistema de coordenadas tal que el eje vertical tiene la misma escala del
conjunto de datos. La parte superior y la inferior del rectngulo coinciden
con el tercer cuartl (percentil 75) y el primer cuartl (percentil 25) de los
datos. Esta caja se divide con una lnea horizontal a nivel de la mediana. En
la siguiente Figura se detalla la forma del grfico de caja junto a los cinco
nmeros.
FaCyT-Matemticas
27
28
|
|
|
|
|
|
|
|
|
567789
24
5677899
13344
555556667778999
000112
6679
1124
6
Los nmeros que se muestran a la izquierda del carcter | son los dgitos
mas significativos. El punto decimal est ubicado a un dgito a la derecha
del carcter |, en otras palabras la primera lnea 78|567789 se lee como el
primer valor 7 85 (por el 78|5), luego hay 7 86, un 7 87, otro 7 87, un 7 88 y
finalmente un 7 89.
FaCyT-Matemticas
29
1.4.
x=
f i ci
i=1
K
P
fi .
i=1
Ejemplo 1.21. Considrese los datos del ejemplo (1.12) que se presentan
agrupados en K = 6 clases en la siguiente tabla
Lmites de la clase
Marca de la clase ci
Frecuencia de la clase fi
ci fi
[7 85, 7 92)
[7 92, 7 99)
[7 99, 8 06)
[8 06, 8 13)
[8 13, 8 20)
[8 20, 8 27]
7 885
7 955
8 025
8 095
8 165
8 235
6
7
12
16
4
5
47 31
55 685
96 30
129 52
32 66
41 175
n=
6
P
fi = 50
i=1
6
P
fi ci = 402 65
i=1
x=
f i ci
i=1
50
402 65
= 8 053
50
Universidad de Carabobo
30
donde:
Lmed es el lmite inferior de la clase donde se encuentra la mediana.
fmed es la frecuencia de esa clase.
c es la amplitud de esa clase.
j es el nmero de observaciones es esta clase, necesarias para completar
un total de n/2.
Ejemplo 1.22. Para el ejemplo (1.12)
Lmites de
la clase
Frecuencia de
la clase
Frecuencia
relativa
Frecuencia relativa
acumulativa
[7 85, 7 92)
[7 92, 7 99)
[7 99, 8 06)
[8 06, 8 13)
[8 13, 8 20)
[8 20, 8 27]
6
7
12
16
4
5
0 12
0 14
0 24
0 32
0 08
0 1
0 12
0 26
0 50
0 82
0 90
1
La mediana es:
M ed = 7 99 + 0 07
12
12
= 8 06
FaCyT-Matemticas
31
Frecuencia de
la clase
Frecuencia
relativa
Frecuencia relativa
acumulativa
[7 85, 7 92)
[7 92, 7 99)
[7 99, 8 06)
[8 06, 8 13)
[8 13, 8 20)
[8 20, 8 27]
6
7
12
16
4
5
0 12
0 14
0 24
0 32
0 08
0 1
0 12
0 26
0 50
0 82
0 90
1
Universidad de Carabobo
32
7 85 + 8 27
= 8 06
2
s2 =
fi (ci x)2
i=1
n1
o
K
P
s2 =
K
P
fi c2i
!2
fi c i
i=1
i=1
n1
K
P
fi .
i=1
Ejemplo 1.25. Consider los datos del ejemplo (1.12) que se encuentran
agrupados en K = 6 clases.
Marca de la clase ci
ci
Frecuencia de la clase
fi
c2i
fi c2i
7 885
7 955
8 025
8 095
8 165
8 235
6
7
12
16
4
5
62 173
63 282
64 401
65 529
66 667
67 815
373 038
442 974
772 812
1048 464
266 668
339 075
Total
50
389 867
3243 031
FaCyT-Matemticas
33
s2 =
K
P
fi c2i
i=1
!2
fi c i
i=1
n1
2
3243 031 (40250 65)
=
49
3243 031 3242 54
=
49
= 0 01002
Frecuencia de la clase
fi
|ci x|
fi |ci x|
7 885
7 955
8 025
8 095
8 165
8 235
6
7
12
16
4
5
|7 885 8 053|
|7 955 8 053|
|8 025 8 053|
|8 095 8 053|
|8 165 8 053|
|8 235 8 053|
1 008
0 686
0 336
0 672
0 448
0 91
Total
6
P
fi = 50
i=1
Universidad de Carabobo
6
P
i=1
fi |ci x| = 4 06
Dx =
fi |ci x|
i=1
K
P
=
fi
4 06
= 0 0812
50
i=1
Definicin 1.17. (DESVIACIN MEDIANA PARA DATOS
AGRUPADOS)
El valor de la desviacin mediana usando datos agrupados se aproxima por:
K
P
fi |ci M ed|
i=1
(1.12)
DM ed =
K
P
fi
i=1
1.5.
35
donde:
Lp es el lmite inferior de la clase del p-simo punto percentil.
fp es la frecuencia de esa clase del p-simo punto percentil.
c es la amplitud de la clase del p-simo punto percentil.
F es la frecuencia acumulada de la clase que antecede a la clase del
p-simo punto percentil.
Ejemplo 1.28. El percentil q0 6 es el valor bajo el cul se encuentra el 60 %
de los valores y se estima de la siguiente forma:
60 %50 F
q0 6 = L0 6 + c
f0 6
para este caso es la frecuencia acumulada correspondiente a la tercera clase,
es decir, F = 25
Lmites de
la clase
Frecuencia de
la clase
Frecuencia
acumulada
[7 85, 7 92)
[7 92, 7 99)
[7 99, 8 06)
[8 06, 8 13)
[8 13, 8 20)
[8 20, 8 27]
6
7
12
16
4
5
6
13
25
41
45
50
por lo tanto
q0 6 = 8 06 + 0 07
Universidad de Carabobo
30 25
16
= 8 08
36
1.6.
Ejercicios propuestos
5 13 37 10 16 2 11 6 12
19 21 12 11 7 7 9 16 28
11 19 6 15 10 14 10 7 24
3 6 10 4 6 32 9 12 7
12 9 10 8 20 15 5 17 10
37
3. Los siguientes datos son los lapsos, en minutos, necesarios para que 50
clientes de un banco comercial, lleven a cabo una transaccin bancaria:
2.3
3.3
7.8
2.4
4.2
0.2
9.7
6.8
4.6
1.2
2.9
2.5
0.9
3.8
0.5
0.4
5.6
0.4
1.5
6.8
2.8
9.5
1.3
2.7
5.2
2.4
1.8
3.1
0.4
6.3
4.4
4.7
3.7
1.3
7.6
5.8
0.7
7.2
1.1
1.4
2.8
6.2
1.6
5.5
0.5
3.3
1.2
1.9
3.4
1.4
35
63
25
78
66
76
33
36
48
58
58
69
32
42
44
48
53
61
72
44
59
51
57
52
56
38
f. Verificar los resultados de la parte e. calculando las mismas medidas para los datos no agrupados.
5. Los siguientes datos se refieren al dimetro en pulgadas de un engranaje.
6.75
6.50
6.50
6.25
7.25
7.00
6.50
6.50
6.50
6.70
7.00
7.15
6.50
6.65
6.00
6.75
7.00
6.25
7.00
6.75
6.00
6.75
6.75
7.10
7.00
6.70
6.50
6.75
6.25
6.65
6.75
7.10
7.25
6.75
6.25
6.25
7.00
6.75
7.00
7.15
(xi x) = 0
i=1
sx = csu
39
Nmero de motores
[0,1)
[1,2)
[2,3)
[3,4)
4 aos ms
30
23
6
5
6
5.29
5.34
5.34
5.58
5.79
5.46
5.65
5.10
5.30
5.57
5.27
5.75
5.53 5.62
5.39 5.42
5.68 5.85
5.29
5.47
xi 51 5
14 17
40
Porcentaje de candidatos
0.5-1.9
2.0-3.4
3.5-4.9
5.0-6.4
6.5-7.9
8.0-9.4
1.754
8.77
33.33
45.61
9.649
0.877
Calcular:
a. Nota media, nota ms frecuente y nota que es superior a la obtenida por la mitad de los candidatos e inferior a la obtenidad por
la otra mitad.
b. Si prescindimos de los 400 candidatos que peor calificacin han
obtenido a partir de que calificacin estar el grupo de seleccionados?
c. En una segunda prueba de seleccin a la que presentaron los 1140
candidatos anteriores, la calificacin media obtenida fue de 3 93
con una varianza de 8 06. Comparar las calificaciones obtenidas
en una y otra prueba e interpretar el significado de las mismas.
d. Si se hubiese exigido una calificacin mnima de 6 para aprobar
cul hubiera sido el nmero de seleccionados?
12. Durante diez das elegidos al azar, se ha observado el nmero de piezas
diarias producidas en tres fbricas A, B y C, obtenindose los siguientes
FaCyT-Matemticas
41
resultados:
Das
10
A
B
C
103
115
92
106
112
97
105
99
103
102
98
89
108
107
106
109
113
108
101
108
116
110
114
87
105
96
128
107
94
130
20.3
30.8
32.3
24.0
32.9
30.7
29.6
30.3
20.3
19.4
39.5
24.7
38.0 24.5
13.3 28.0
18.7 36.8
21.5
19.9
31.2
Construya un diagrama de tallo y hojas, una tabla de frecuancias agrupadas y con ayuda de esta tabla responda las siguientes preguntas que
se formulan en los siguientes incisos:
a. Qu porcentaje de empresas tienen el porcentaje de rentabilidad
de las acciones mayor que 34 25 %?
b. Cuntas empresas tienen el porcentaje de rentabilidad de las acciones menor que 27 25 % o mayor que 41 25 %?
14. Una empresa de informtica dedicada al anlisis de virus en ordenadores, contabiliza los virus detectados con su producto en 20 ordenadores
de domicilios particulares. Los resultados obtenidos son los siguientes:
46, 29, 35, 61, 54, 37, 53, 57, 52, 51, 43, 67, 66, 31, 53, 51, 48, 59, 55, 47
a. Construir una tabla con las frecuencias absolutas, relativas, absolutas acumuladas y relativas acumuladas del conjunto de datos.
b. Dibujar un histograma del nmero de virus.
c. Obtener la media, mediana, moda, cuartiles, desviacin tpica,
coeficiente de variacin, percentil del 40 %, el rango.
Universidad de Carabobo
42
N o de lecturas
Torno 1
N o de lecturas
Torno 2
0.5-1.0
1.0-1.5
1.5-2.0
2.0-2.5
2.5-3.0
3.0-3.5
3.5-4.0
10
15
12
8
5
0
0
8
10
8
10
5
6
3
Pn
i=1
FaCyT-Matemticas
43
Universidad de Carabobo
44
FaCyT-Matemticas
Captulo 2
Distribucin en el muestreo
La Estadstica inferencial comprende los mtodos y procedimientos para deducir propiedades (hacer inferencias) de una poblacin, a partir de una pequea parte de la misma (muestra) que es la materia prima para hacer las
inferencias pertinentes acerca de la poblacin en estudio. Estas inferencias
acerca de la poblacin pueden tomar la forma de respuestas a preguntas si/no
(prueba de hiptesis), estimaciones de caractersticas numricas (estimacin),
pronsticos de futuras observaciones, descripcin de asociacin (correlacin)
o modelamiento de relaciones entre variables (anlisis de regresin).
Por ejemplo, supongase el caso de un fabricante de un cierto producto que
quiere ensayar un nuevo mtodo de produccin que se supone es una importante inversin econmica para su industria. Considera que dicho mtodo
es interesante para la industria si mejora el tiempo medio de produccin en
un cierto nmero de minutos. Para ello, tiene la posibilidad de experimentar
con una muestra de 35 productos elaborados previamente utilizando el nuevo
mtodo.
El inters del fabricante, en un principio, esta en hacer una estimacin del
tiempo medio de produccin de todos los productos que vaya a producir con
el nuevo mtodo, a partir del resultado que le proporcionarn los 35 productos de que dispone.
Adems, al fabricante le gustara tener una idea ms precisa de la proximidad entre el valor estimado y el valor real de la media de la poblacin; est
interesado en obtener un intervalo pequeo, que incluya el valor del tiempo
medio real de fabricacin de los productos con el nuevo mtodo con una probabilidad alta.
45
46
47
48
aqu lo desconocido es p. Entonces para obtener informacin sobre la caracterstica de inters de la poblacin se toma una muestra aleatoria de la
poblacin y con base a est se toma una decisin acerca de la caractersticas
de inters de la poblacin.
Cuando se obtiene una muestra aleatoria X1 , X2 , . . . , Xn se puede calcular
alguna medida que resuma la informacin contenida en la muestra aleatoria,
esta medida se llama estadstico.
Definicin 2.2. (ESTADSTICO)
Sea X1 , X2 , . . . , Xn una muestra aleatoria. Un estadstico es cualquier
funcin de las variables aleatorias que se observan en la muestra aleatoria de manera que esta funcin no contenga ningunas cantidades
desconocidas. Esto es:
T : (X1 , X2 , . . . , Xn ) En T (X1 , X2 , . . . , Xn ) R
T = T (X1 , X2 , . . . , Xn ) =
i=1
T = T (X1 , X2 , . . . , Xn ) =
i=1
Xi
n
n
P
Xi2
=X
n
T = T (X1 , X2 , . . . , Xn ) = Mx(X1 , X2 , . . . , Xn ) Mn(X1 , X2 , . . . , Xn )
T = T (X1 , X2 , . . . , Xn ) = X1 + X2
Todas ests funciones son ejemplos de estadsticos porque se determinan
de manera completa por las variables aleatorias que contiene la muestra
aleatoria. Si X1 , X2 , . . . , Xn son variables aleatorias, entonces el estadstico T = T (X1 , X2 , . . . , Xn ) tambin es una variable aleatoria, y su funcin de
FaCyT-Matemticas
49
2.1.
2.1.1.
Principales estadsticos.
Media muestral X
X=
Xi
i=1
(2.1)
V [Xi ] = 2 ,
i = 1, 2, . . . , n
50
y
n
P
i=1 Xi
E[ X ] = E
n =
n
P
n
=
n
=
E [Xi ]
i=1
n
P
E [X]
i=1
n
P
i=1
por lo tanto,
E[ X ] =
(2.2)
n
P
P
X
i
i=1 i=1 V [Xi ]
V[ X ] = V
n =
n2
n
P
n
P
V [X]
i=1
n2
i=1
n2
n
n2
2
=
n
es decir,
2
V X =
n
(2.3)
FaCyT-Matemticas
51
2.1.2.
Varianza muestral V 2
Definicin 2.5. Sea X1 , X2 , . . . , Xn una muestra aleatoria de una poblacin con E [X] = y V [X] = 2 , se define la varianza muestral
o emprica como la dispersin promedio de los valores muestrales
con respecto a la media muestral.
V2 =
n
2
1X
Xi X
n i=1
1X 2
2
2
=
Xi 2X + X
n i=1
n
1X 2
2
=
Xi X
n i=1
Universidad de Carabobo
(2.4)
52
E V
2
#
n
1X 2
2
=E
X X
n i=1 i
" n
#
h 2i
1X 2
=E
Xi E X
n i=1
n
P
E [Xi2 ]
h 2i
= i=1
E X
n
n
P
E [X 2 ]
h 2i
= i=1
E X
n
como
E X 2 = V [X] + (E [X])2
= 2 + 2
y usando las ecuaciones (2.2) y (2.3), se tiene que:
h 2i
2
E X = V[ X ] + E[ X ]
=
2
+ 2
n
FaCyT-Matemticas
53
por tanto,
n
P
E V
2
( 2 + 2 )
i=1
2
2
n
n
n( + 2 ) 2
=
2
n
n
2
= 2 + 2
2
n
(n 1) 2
=
n
2
en consecuencia
(n 1) 2
E V2 =
n
De este modo, cuando la varianza de la poblacin es desconocida y se usa la
expresin (2.4) para estimarla, V 2 tiende a subestimar el verdadero valor de
2 , por est razn se prefiere utilizar la varianza muestral corregida definida
por:
S2 =
Xi X
2
i=1
n1
(2.6)
2.1.3.
54
Proporcin muestral P
P =
Xi
i=1
(2.7)
n
X
Xi
i=1
2.1.4.
Estadstico de orden
Sea X1 , X2 , . . . , Xn variables aleatorias continuas e independientes, con funcin de distribucin F (x) y funcin densidad de probabilidad f (x) y supongamos que la muestra se ordena de menor a mayor. Sea X(1) , X(2) , . . . , X(n)
FaCyT-Matemticas
55
56
n!
[F (x)]k1 [1 F (x)]nk f (x), < x <
(k 1)!(n k)!
(2.10)
57
Por lo tanto,
P x < X(k) x + h =
n!
[F (x)]k1 [F (x + h) F (x)] [1 F (x + h)]nk
(k 1)!1!(n k)!
n!
=
(k 1)!(n k)!
Z
k1 "Z
x+h
f (x)dx
# Z
f (x)dx
nk
f (x)dx
x+h
Adems, como:
P x < X(k) x + h = F(k) (x + h) F(k) (x)
entonces:
P x < X(k) x + h
F(k) (x + h) F(k) (x)
lm
= lm
h
h
h
h
= f(k) (x)
de esta manera
P x < X(k) x + h
f(k) (x) = lm
h
h
ink
i hR
ik1 hR
hR
x+h
x
n!
f (x)dx
f (x)dx
f (x)dx
(k1)!(nk)!
x+h
x
= lm
h
h
hR
ik1
hR
ink
x
n!
f
(x)dx
f
()h
f
(x)dx
(k1)!(nk)!
x+h
= lm
h
h
nk
Z x
k1
Z
n!
= lm
f (x)dx
f ()
f (x)dx
h (k 1)!(n k)!
x+h
Z x
k1
Z
nk
n!
= lm
f (x)dx
f ()
f (x)dx
h (k 1)!(n k)!
x+h
n!
=
[F (x)]k1 [1 F (x)]nk f (x)
(k 1)!(n k)!
Por tanto:
f(k) (x) =
n!
[F (x)]k1 [1 F (x)]nk f (x)
(k 1)!(n k)!
Universidad de Carabobo
58
n!
j1
k1j
[F (xj )]
[F (xk ) F (xj )]
(j 1)!(k 1 j)!(n k)!
nk
[1 F (xk )]
f (xj )f (xk )
(2.11)
n!
xk1 (1 x)nk ,
(k 1)!(n k)!
0x1
(2.12)
Utilizando la igualdad:
(r, s) =
(r)(s)
,
(r + s)
para r, s > 0
FaCyT-Matemticas
59
y
Z
(r, s) =
tr1 (1 t)s1 dt
Adems, como
(r) = (r 1)(r 1)
entonces, se puede dedcucir que:
(k 1)!(n k)!
(k)(n k + 1)
=
= (k, n k + 1)
n!
(n + 1)
de donde se obtiene:
f(k) (x) =
xk1 (1 x)nk
,
(k, n k + 1)
0x1
(2.13)
(1 x)n1
= n(1 x)n1 ,
(1, n)
0x1
xn1
= nxn1 ,
(1, n)
0x1
n!
[F (xj )]j1 [F (xk ) F (xj )]k1j
(j 1)!(k 1 j)!(n k)!
60
Ejemplo 2.3. Considre el ejemplo (2.2), calcular el r-simo momento alrededor del cero de X(k) .
Solucin:
Por definicin1 , el r-simo momento alrededor del cero de X(k) , viene dado
por:
Z 1 r k1
r
x x (1 x)nk
E X(k) =
(k, n k + 1)
0
Z 1 r+k1
x
(1 x)nk
=
(k, n k + 1)
0
(r + k, n k + 1)
=
(k, n k + 1)
(r + k)(n + 1)
=
(k)(n + r + 1)
En particular
(k + 1)(n + 1)
k
E X(k) =
=
(k)(n + 2)
n+1
y
2 (k + 2)(n + 1)
k(k + 1)
E X(k)
=
=
(k)(n + 3)
(n + 1)(n + 2)
por lo tanto
2
2
V X(k) = E X(k)
E X(k)
2
k
k(k + 1)
=
(n + 1)(n + 2)
n+1
k
k+1
k
=
FaCyT-Matemticas
61
2.2.
Distribuciones lmites
2.2.1.
Desigualdad de chebyshev
2
2
(2.14)
2
2
En muchas aplicaciones, el valor de se expresa como mltiplo de la desviacin estndar, esto es, = k, de esta forma se tiene que 2 = k 2 2
y
1
2
=
k2
2
lo cual implica que la desigualdad (2.14) se puede expresar como:
P (|X | k)
1
k2
o
P (|X | < k) 1
1
k2
(X )2 pX (x)
x
M ax(X)<k
(X )2 pX (x) +
Universidad de Carabobo
+k
X
k
(X )2 pX (x) +
X
M in(X)>+k
(X )2 pX (x)
62
(X )2 pX (x) +
(X )2 pX (x)
M in(X)>+k
M ax(X)<k
k 2 2 pX (x) +
k 2 2 pX (x)
M in(X)>+k
M ax(X)<k
= k22
pX (x) +
pX (x)
M in(X)>+k
2 2
= k (P (| X |> k))
La ltima igualdad viene del hecho que:
k
X
x
pX (x) +
+k
= P (X < k) + P (X > k)
= P (|X | > k)
FaCyT-Matemticas
63
por lo tanto,
1
k2
con lo cul queda demostrado el Teorema para el caso cuando X sea una
variable aleatoria discreta. Para el caso continuo, la prueba es similar.
P (|X | k)
Ejemplo 2.4. El costo diario por usar una determinada herramienta tiene
una media de 20 bs y una varianza de 4 bs. Qu se puede decir acerca de la
probabilidad de que el costo sea mayor que 16 pero menor que 24?
Solucin:
Sea X la variable aleatoria que representa el costo por usar una determinada
herramienta. Entonces
E [X] = 20
V [X] = 4
1
k2
entonces
P (16 < X < 24) = P
=P
=P
=P
3
1
=
2
2
4
el costo por usar una determinada herramienta ser entre 16 y 24 con una
probabilidad al menos de 3/4.
Universidad de Carabobo
64
Ejemplo 2.5. Se tiene un lote grande de artculos y se desea estimar la fraccin defectuosa usando muestreo aleatorio simple. Usando la desigualdad de
Chebyshev se quiere encontrar el tamao de la muestra tal que la probabilidad
sea al menos del 95 % de que la fraccin defectuosa difiera de la verdadera
fraccin defectuosa en no ms de 0 10.
Solucin:
Sea X la variable aleatoria que cuenta el nmero de artculos defectuosos en n
pruebas independientes. Entonces X sigue un modelo binomial con parmetros
n y p. La fraccin defectuosa viene dada por:
P =
X
n
y
p(1 p)
n
se quiere encontrar el tamao de la muestra tal que:
E [P ] = p
V [P ] =
P (|P p| < 0 1) 0 95
usando la desigualdad de Chebyshev
P (|X | < ) 1
2
2
se tiene que:
p(1 p)
n2
puede demostrarse que para 0 p 1, p(1 p) alcanza un mximo cuando
p = 1/2. De esta manera
P (|P p| < ) 1
P (|P p| < ) 1
1
4n2
para el problema = 0 1, y
1
1
= 0 95
4n(0 1)2
1
= 500
4(0 05)(0 1)2
FaCyT-Matemticas
65
por lo tanto, se requiere tomar una muestra de n=500 artculos para que
la probabilidad de que la fraccin defectuosa difiera de la verdadera fraccin
defectuosa en no ms de 0 10 sea al menos del 95 %.
2.2.2.
Suponga que X1 , X2 , . . . , Xn es una secuencia arbitraria de variables aleatorias con valores esperadas E [X1 ] , E [X2 ] , . . . , E [Xn ] y supongamos adems
n
P
que para la variable aleatoria Y =
Xi , existe la varianza para cada n
i=1
entero.
n
P
Xi
entonces:
P
!
n
1 X
(Xi E [Xi ]) 0
n
n
i=1
!
n
1 X
(Xi E [Xi ]) < 1
n
n
i=1
66
2
n
P
Xi
i=1
V n
=
2
n
P
V
Xi
i=1
=
0
n
n 2 2
con lo que se demuestra el Teorema.
Definicin 2.9 (Convergencia en Probabilidad o en Distribucin). Una secuencia Xn de variables aleatorias converge en probabilidad, en distribucin o en ley a una constante a, si para cada
>0
P (|Xn a| ) 0
n
a
y se denota por Xn
o
P | X | < 1
n
X
n
FaCyT-Matemticas
67
n n
P | X | 0
n
X
n
1
P
Xn < k
1 2
k
n
Sea
= k/ n (mximo error admisible entre X n y ), entonces k =
n/, y
2
P X n < 1 2
n
E Xn =
Universidad de Carabobo
68
10
= 0 9
n(2)2
10
= 25
4(0 1)
2.3.
Definicin 2.10. Sea X1 , X2 , . . . , Xn una muestra aleatoria de tamao n de una poblacin con funcin de densidad de probabilidad
f (x; ) donde es un parmetro desconocido o un vector de parmetros desconocidos. La funcin de densidad conjunta de las variables
aleatorias X1 , X2 , . . . , Xn est dada por:
g (x1 , x2 , . . . , xn ; ) =
n
Y
f (xi ; )
i=1
FaCyT-Matemticas
69
n
Y
i=1
n
Y
i=1
n
P
f (xi ; p) =
n
Y
P (X = xi )
i=1
= pi=1 (1 p)
n
P
i=1
xi
I{xi =0,1}
n
Y
f xi ; , 2
i=1
= f x1 ; , 2 f x2 ; , 2 f xn ; , 2
1
(x1 )2
1
(xn )2
=
exp
exp
2 2
2 2
2 2
2 2
(
)
n
1
1 X
2
=
exp
(xi )
n/2
n/2
2
2
2
(2) ( )
i=1
Universidad de Carabobo
70
2.3.1.
Distribucin muestral de X
71
X P
N (0, 1)
/ n n
Demostracin. Una manera de probar el Teorema central del lmite es encontrando la funcin generadora de momentos de
Z=
/ n
Xi
i = 1, 2, . . . , n,
y
Y =
/ n
entonces
n
P
Xi
X
1
i=1
=
Y =
n
/ n
/ n
1
n n
1
=
n
n
X
i=1
n
X
!
Xi n
Zi
i=1
Universidad de Carabobo
1
=
n
n
X
Xi
i=1
n
X
72
!
Zi
i=1
Debido a que las Xi son variables independientes e idnticamente distribuidas, Zi , i = 1, 2, . . . , n, son independientes e idnticamente distribuidas con
E [Zi ] = 0 y V [Zi ] = 1. Entonces
n
MP
Zi
i=1
= [MZi (t)]n
y
n
MY (t) = M P
i=1
donde
Zi
= MZi
n
tZi
t
= E exp
MZi
n
n
al expandir la expresin (2.15) en una serie de taylor:
t3
tZi
t2 2
t
Zi3 +
exp
Zi + Zi +
=1+
3/2
2n
3!n
n
n
(2.15)
(2.16)
=1+
E
Zi +
E [Zi ] + E Zi +
2n
3!n3/2
n
3
t2
t3
Zi +
=1+
+
E
2n 3!n3/2
por tanto,
n
3
t2
t3
MY (t) = 1 +
+
E Zi +
2n 3!n3/2
n
3
1 t2
t3
= 1+
+ E Zi +
n 2
3! n
n
bn
= 1+
n
FaCyT-Matemticas
73
donde
t3
t2
bn = + E Zi3 +
2
3! n
Recuerde que si
lm bn = b entonces
lm
bn
1+
n
n
= exp{b}
de esta manera
n
bn
lm MY (t) = lm 1 +
n
n
n
2
t
= exp
2
(2.17)
(2.18)
Y =
/ n
es la normal estndar para valores grandes de n.
El Teorema central del lmite dice que la media muestral X de una muestra
aleatoria tiende a seguir una distribucin normal, cuando n es suficientemente
grande. En general, el tamao de n depende de la distribucin original de
la variable aleatoria X; para n 30, se aplica la aproximacin normal sin
importar cual sea la distribucin original de X. Para n < 30 la aproximacin
es vlida segn la forma de la distribucin original, esto es, si el modelo de
probabilidad de la poblacin es semejante a la distribucin normal.
Ejemplo 2.9. Una mquina vendedora est programada para que la cantidad
de refrescos que sirve sea una variable aleatoria con media 200 ml y desviacin estndar 15 ml. Cul es la probabilidad de que la media muestral X de
una muestra aleatoria de 36 refrescos sea mayor que 196 ml pero menor que
204 ml?
(a) Realice los clculos usando la desigualdad de Chebyshev y el Teorema
central del lmite.
Universidad de Carabobo
74
(b) Cul es el error mximo que se est dispuesto a aceptar en la estimacin de la media poblacional si se especifica una probabilidad de 0 95?
(c) Cul debe ser el tamao de la muestra de tal forma que el error mximo que se cometa en la estimacin de la media sea de 4 ml con una
probabilidad de por lo menos 0 95?
Solucin:
Sea X la variable aleatoria que representa la cantidad de refresco que sirve
la mquina, entonces
E [X] = 200 ml
225
V X =
ml2
36
75
entonces:
P 196 X 204 = P 196 200 X 204 200
= P 4 X 4
6
6
= P 4 Z 4
15
15
= P (1 6 Z 1 6)
= 1 2P (Z 1 6)
= 0 8904
Con la desigualdad de Chebyshev donde no se hace ninguna suposicin
sobre la distribucin de X, la probabilidad es al menos de 0 6094 y
usando el Teorema central del lmite se tiene que la probabilidad es
aproximadamente 0 8904.
b) Se quiere determinar el error tal que:
P X = 0 95
entonces
P X = P X
6
6
=P Z
15
15
6
= 1 2P Z
= 0 95
15
esto implica que:
P
6
Z
15
= 0 025
por lo tanto:
y de aqu, = 4 9 ml.
Universidad de Carabobo
6
= 1 96
15
=P
15/ n
15/ n
4
0 95
= 1 2P Z <
15/ n
y esto implica que:
P Z<
15/ n
0 025
2.4.
77
2.4.1.
3 (X) = 4/ 2
4
4 (X) = 3 1 +
0 t < 1/2
Teorema 2.7. Sea Z una variable normal estndar, entonces la distribucin de la variables aleatoria Y = Z 2 es una distribucin chicuadrado con un grado de libertad, esto es, Y = Z 2 21 .
Demostracin. La funcin generadora de momentos de Y viene dada por:
MY (t) = E [exp {tY }] = E exp tZ 2
Z
exp tZ 2 f (z)dz
=
Z
2 1
Z2
dz
exp tZ exp
=
2
2
Z
1
1
exp
=
t
Z 2 dz
2
2
Z
1
1
2
exp (2t + 1) Z dz
=
2
2
)
(
Z
Z2
1
dz
exp
=
1
2 12t
2
la ltima integral representa el kernel de una distribucin normal con media
cero y varianza (1 2t)1 . Para hacer el integrando igual a una distribucin
normal con media cero y varianza (1 2t)1 , se multiplica tanto numerador
como el denominador por la desviacin estndar (1 2t)1/2 , esto es:
(
)
Z
(1 2t)1/2 1
Z2
dz
MY (t) =
exp
1
(1 2t)1/2 2
2 12t
(
)
Z
1
1
Z2
dz
=
exp
1
(1 2t)1/2 2(1 2t)1/2
2 12t
|
{z
}
= (1 2t)1/2
de esta manera,
MY (t) = (1 2t)1/2 ,
0 t < 1/2
FaCyT-Matemticas
79
La funcin generadora de momentos de Y = Z 2 es idntica a la de la distribucin chi-cuadrado con = 1 grados de libertad. En consecuencia, si
Z N (0, 1) entonces Y = Z 2 21 .
Teorema 2.8. Si Z1 , Z2 , . . . , Zn son variables aleatorias independientes e idnticamente distribuidas normal estndar, entonces la variable
aleatoria
Y = Z12 + Z22 + + Zn2
sigue una distribucin chi-cuadrado con n grados de libertad.
Demostracin. Del Teorema anterior Zi2 definen n variables aleatorias independientes chi-cuadrada con un grado de libertad para toda i = 1, 2, . . . , n,
entonces
MY (t) = E [exp {tY }]
= E exp t Z12 + Z22 + + Zn2
= E exp tZ12 + tZ22 + + tZn2
= E exp tZ12 exp tZ22 exp tZn2
= E exp tZ12 E exp tZ22 E exp tZn2
= (1 2t)1/2 (1 2t)1/2 (1 2t)1/2
= (1 2t)n/2
de esta forma se tiene que:
MY (Y ) = (1 2t)n/2 ,
0 t < 1/2
que es la funcin generadora de momento de una variable aleatoria chicuadrado con n grados de libertad. Por tanto,
Y = Z12 + Z22 + + Zn2 2n
Universidad de Carabobo
Demostracin.
MY (t) = E [exp {tY }]
= E [exp {t (X1 + X2 + + Xn )}]
= E [exp {tX1 + tX2 + + tXn }]
= E [exp {tX1 } exp {tX2 } exp {tXn }]
= E [exp {tX1 }] E [exp {tX2 }] E [exp {tXn }]
= (1 2t)1 /2 (1 2t)2 /2 (1 2t)n /2
= (1 2t)(1 +2 ++n )/2 ,
0 t < 1/2
que es la funcin generadora de momentos de una variable aleatoria chicuadrado con = 1 + 2 + + n grados de libertad. De esta manera,
Y = X1 + X2 + + Xk 2
donde: = 1 + 2 + + n .
81
tos de Y viene dada:
Por lo tanto
(1 2t)/2 = (1 2t)1 /2 MX2 (t)
(2.19)
Teorema 2.11. Sea X1 , X2 , . . . , Xn una muestra aleatoria de tamao n tomada de una poblacin normal con media y varianza 2 ,
entonces la estadstica
2
n
2
X
X
X
(n
1)S
i
2 =
=
2
2
i=1
tiene una distribucin chi-cuadrado con = n 1 grados de libertad.
Universidad de Carabobo
i=1
n
X
Xi X
2
2
+2 X
i=1
i=1
n
X
n
X
Xi X
2
n
X
Xi X
2
i=1
+n X
2
i=1
(Xi )2
2
(n 1)S 2 n X
=
+
(2.20)
2
2
2
La expresin del lado izquierdo de la ecuacin (2.20), es una variable aleatoria
chi-cuadrado con n grados de libertad, ya que es la suma de n variables
aleatoria independientes normal estndar al cuadrado, esto es:
i=1
n
P
(Xi )2
i=1
=
=
2
n
X
Xi
i=1
n
X
Zi2 2n
i=1
=
2
/ n
= Z 2 21
Adems se puede demostrar que las dos variables chi-cuadrado
n
P
(Xi )2
i=1
n X
2
2
FaCyT-Matemticas
83
V S
2 4
=
n1
Ejemplo 2.11. Suponga que el espesor de un componente para un semiconductor es una caracterstica crtica. El proceso de produccin de esta caracterstica se distribuye normalmente con = 0 6 milsimas de pulgadas. Para
controlar el proceso se toman muestras peridicas de 20 piezas y se define un
lmite central en base a una probabilidad de 0 01 de que la varianza muestral
exceda dicho lmite, si el proceso est bajo control. Qu se puede concluir si
para una muestra dada la desviacin estndar muestral es 0 84 milsima de
Universidad de Carabobo
(n 1)S 2
(n 1)a
>
2
2
19a
= P 2n1 >
(0 6)2
19a
2
= P 19 >
= 0 01
(0 6)2
P S >a =P
por lo tanto
19a
= 36 19
(0 6)2
de aqu implica que el lmite central es a = 0 6857. Con base a la evidencia
muestral se obtuvo que s2 = (0 84)2 = 0 7056; como este valor supera el
limite central se puede concluir que la muestra no proviene de un proceso con
desviacin estndar de 0 60.
Ejemplo 2.12. Un fabricante de bateras para automviles garantiza que sus
bateras durarn, en promedio, tres aos con una desviacin estndar de un
ao. Si cinco de estas bacterias bateras tienen duraciones de 1 9, 2 4, 3 0,
3 5 y 4 2 aos. Puede asegurarse que la duracin de las bateras tienen una
desviacin estndar de un ao?. Suponga que la duracin de las bateras siguen una distribucin normal.
Solucin:
Con base a la evidencia muestral se tiene que:
s2 = 0 815
Entonces
2 =
(4)(0 815)
(n 1)s2
=
= 3 26
2
1
FaCyT-Matemticas
85
2.4.2.
Distribucin t de Student
Z=
/ n
(2.21)
es normal estndar. La expresin (2.21) nos permitir, en los captulos siguientes, formular inferencias con respecto a la media de la poblacin. Sin
embargo para calcular Z se requiere que 2 sea conocido; si la varianza es
desconocida y dada la disponibilidad de una muestra aleatoria tomada de la
poblacin se puede reemplazar por su estimacin s, esto es:
T =
S/ n
(2.22)
Desafortunadamente, la distribucin de la expresin (2.22) no sigue de manera exacta una distribucin normal estndar. Por lo tanto, se necesita una
distribucin para el caso en que sea desconocido y sea reemplazado por su
estimacin s. Como se ver, la expresin (2.22) sigue una distribucin t de
Student con n 1 grados de libertad. El principal objetivo de esta seccin es
mostrar los aspectos tericos de la distribucin t de Student
Universidad de Carabobo
f (t; ) =
< t < , > 0
1 + t2 +1
2
2
Demostracin. Por hiptesis las variables aleatorias X y Z son independientes, por tanto la densidad conjunta de las variables aleatorias X y Z viene
dada por:
f (x, z) = f (x)f (z)
donde f (x) es la funcin de densidad de una variable aleatoria chi-cuadrada
con grados de libertad y f (z) es la densidad de una variable normal estndar. En consecuencia
2
n xo 1
z
1
1
x 2 exp
exp
f (x, z) =
2
2
22 2
2
Haciendo el cambio de variable
r
Z=T
y x=w
J =
0
1
r
= w
22
2 r
n wo 1
t w
w
2 1 exp
exp
2
2
2
2
< t < ,
w>0
FaCyT-Matemticas
87
o
w
g(t, w) =
1
2
n
o
1
t2
w exp 2 1 + w
,
2+1 2
1
2
< t < ,
w>0
g(t) =
dw
2+1 2
0
n
o
1
t2
1
Z w +1
2
exp
1
+
w
2
1
dw
=
+1
(/2) 0
2 2
Haciendo el siguiente cambio de variable
t2
t2
dm
= 1+
m= 1+
w y
dw
Adems, si
w = 0 m = 0
w = m =
Por lo tanto,
1
g(t) =
(/2)
1
=
(/2)
+1
1
2
n
exp 21 1 +
2
0
+1
1+
Z
t2
o
w
dw
m 2 1
+1
1
t2
2
=
(/2) 1 +
+1
2
t2
+1
1
2
n m o dm
exp
t2
+1
2
1
+
2 2
+1
m 2 1 exp m2
dm
+1
2 2
La ltima integral representa el kernel de una distribucin gamma con parmetros = ( + 1)/2 y = 2. Entonces, Multiplicando tanto numerador y
Universidad de Carabobo
+1
2
(/2) 1 +
+1
2
Z
t2
+1
1
2
+1
1
2
exp m2
+1 dm
+1
2 2
2
{z
}
1
(/2) 1 +
t2
,
+1
1
2
< t <
89
>1
,
2
>2
S/ n
T =q
/ n
(n1)S 2 1
2
n1
n(X)
X
/ n
q =
S
2
S
S/ n
1 95 1 83
= 1 6393
0 2070/ 8
91
2.5.
Supongamos que X N (x , x2 ) y Y N y , y2 son dos variables aleatorias independientes. Sean X1 , X2 , . . . , Xnx y Y1 , Y2 , . . . , Yny muestras aleatorias independientes de X y Y , respectivamente. El inters radica en comparar
x y y a travs de la diferencia X Y , por lo tanto, se necesita obtener la
distribucin de X Y cuando el muestreo se lleva a cabo sobre dos poblaciones normales e independientes.
Se sabe que:
x2
X N x ,
nx
y
y2
Y N y ,
ny
luego, para la variable aleatoria X Y , el valor esperado y la varianza vienen
dadas por:
E X Y =E X E Y
= x y
V X Y =V X +V Y
x2 y2
=
+
nx ny
respectivamente. Para conocer la distribucin exacta que sigue la variable
aleatoria X Y se debe saber si las varianzas poblacionales son conocidas o
desconocidas, y si son desconocidas se desea saber si son iguales o no.
2.5.1.
Si x2 y y2 son conocidas, entonces la distribucin exacta de la variable aleatoria X Y es normal con media = x y y varianza 2 = x2 /nx + y2 /ny ,
Universidad de Carabobo
92
esto es:
x2 y2
X Y N x y ,
+
nx ny
en consecuencia, la distribucin exacta de
Z=
X Y (x y )
q
y2
x2
+
nx
ny
(2.23)
X Y (x y )
q
n1x + n1y
(2.24)
La expresin (2.23) se puede usar para hacer inferencia con respecto a la diferencia de medias poblacionales de dos distribuciones normales con varianzas
conocidas.
Ejemplo 2.14. Se toma una muestra aleatoria de tamao 16 de una poblacin normal que tiene una media de 75 y una desviacin estndar de 8.
De otra poblacin normal independiente se toma una muestra aleatoria de
tamao 9, esta poblacin tiene una media de 70 y una desviacin estndar
de 12. Sean X y Y las medias de cada muestra aleatoria, respectivamente.
Encuentre:
(a) La probabilidad de que X Y sea mayor que 4, y
(b) La probabilidad de que X Y este entre 3 5 y 5 5
Solucin:
Si se denota con X y Y la primera y segunda poblacin, respectivamente.
Entonces:
X N 75, 64/ 16
y Y N 70, 144/ 9
FaCyT-Matemticas
93
X Y (1 2 )
4 (1 2 )
q 2
q 2
>
P X1 X2 > 4 = P
22
2
1
1
+ n2
+ n22
n1
n1
4 (75 70)
= P Z > q
2
82
+ 129
16
1
=P Z>
4 47
= P (Z > 0 22)
= 1 P (Z 0 22)
= 0 587
b) La probabilidad de que X Y este entre 3 5 y 5 5, viene dada por:
3 5 (1 2 )
5 5 (1 2 )
P (3 5 X Y 5 5) = P q 2
Z q 2
2
1
1
2
+ n22
+ n22
n1
n1
3 5 (75 70)
5 5 (75 70)
Z q
=P q
2
2
82
82
+ 129
+ 129
16
16
= P (0 33 Z 0 11)
= P (Z 0 11) P (Z 0 33)
= 0 5438 0 3707
= 0 731
Ejemplo 2.15. La elasticidad de un polmero es afectada por la concentracin de un reactivo. Cuando se utiliza una concentracin baja la elasticidad
promedio verdadera es 55, mientras que cuando se emplea una concentracin
alta la elasticidad promedio verdadera es 60. La desviacin estndar de la
elasticidad es 4 sin importar cul es la concentracin.Si se toman dos muestras aleatorias de tamao 16, calcule: P X Y > 2 .
Universidad de Carabobo
94
Solucin:
Si se denota con X la elasticidad con concentracin alta y con Y la elasticidad
con concentracin baja, entonces:
x = 60
x = 4
nx = 16
y = 55
y = 4
ny = 16
Entonces
X N 60, 16/ 16
y Y N 55, 16/ 9
Por lo tanto
2 (60 55)
X Y (x y )
q
P X Y >2 =P
> q
1
1
n1x + n1y
4 16
+ 16
= P (Z > 2 1213)
= 1 P (Z 2 1213)
= 0 983
2.5.2.
Para el desarrollo de
Z=
X Y (x y )
q
n1x + n1y
Se supuso que la varianzas para las dos distribuciones eran conocidas. Sin
embargo, es poco probable conocer el valor de las varianzas para cada una
de las distribuciones en una situacin real. Se puede obtener la distribucin
exacta de X Y cuando el muestreo se lleve a cabo sobre dos poblaciones
normales independientes con varianzas desconocidas pero iguales. Para cada
una de las dos muestras aleatorias, pueden definirse las varianzas muestrales
Sx2 y Sy2 . Dado que:
(nx 1)Sx2
2nx 1
2
FaCyT-Matemticas
95
y
(ny 1)Sy2
2ny 1
2
T =r
XY (x y )
q
n1 + n1
x
2
2
(ny 1)Sy
(nx 1)Sx
+
2
2
nx +ny 2
=r
X Y (x y )
(nx 1)Sx2 +(ny 1)Sy2
1
+
nx +ny 2
nx
1
ny
o
T =
en donde
Sp2 =
X Y (x y )
q
Sp n1x + n1y
(2.25)
96
de tamao 6 de la se obtuvo una media de 452 42 Kg y una desviacin estndar de 5 2 Kg. y otra despus de la modificacin de tamao 12 de la que se
determin la media de 460 63 Kg. y una desviacin estndar de 4 5 Kg. Se
puede considerar que la media de la resistencia se ha modificado?
Solucin:
Si se denota con A el proceso antes de la modificacin y con D el proceso
despus de la modificacin, entonces se tiene:
nA = 6
xA = 452 42
sA = 5 2
nD = 12
xD = 460 63
sD = 4 5
X A X D (A D )
q
tnA +nD 2
Sp n1A + n1D
donde
(nA 1)s2A + (nD 1)s2D
nA + nD 2
2
5(5 2) + 11)(4 5)2
=
16
357 95
=
16
= 22 3719
s2p =
y de aqu,
sp = 4 7299
Para los datos obtenidos, si A D = 0, entonces
t0 =
452 42 460 63 0
q
1
(4 7299) 16 + 12
8 21
2 36495
= 3 4715
=
FaCyT-Matemticas
97
2.5.3.
Universidad de Carabobo
98
Solucin:
Si se denota con 1 los resistores del vendedor A, se tiene
x1 = 100
s1 = 1 5
n1 = 25
x2 = 105
s2 = 2 0
n2 = 30
x1 x2 (1 2 )
100 105
q 2
=q
= 10 58
2
s1
s2
1 52
2 02
+
+ n2
25
30
n1
nx 1
=
1 52
+
25
2 2
1 5
25
251
Sy
ny
ny 1
2
2 02
30
2 2
2 0
30
301
0 0498
2
=
0 0095
= 50 39
= 50
como
P (T52 10 58) < 0 0005
esto quiere decir que, si el verdadero valor de la diferencia 1 2 = 0, la
probabilidad de observar un valor T no mayor de 10 58 es menor a 0 0005.
En cualquier caso, se ha observado algo que tiene muy poca posibilidad de
ocurrir, o el verdadero valor de la diferencia 1 2 6= 0. Para esta situacin
es preferible elegir la segunda. Por lo tanto, hay razn suficiente para asegurar
que las resistencia promedio reales para los resistores del vendedor A y del
vendedor B son distintas.
FaCyT-Matemticas
99
2.5.4.
2.6.
Distribucin F de Snedeer
La idea ahora es tratar de comparar las varianzas de dos distribuciones normales independientes con base a cada muestras aleatorias.
X/1
Y /2
(
)
(
)
g(f ; 1 , 2 ) =
2
2
0
f 0
(2.28)
Si una variable aleatoria F tiene funcin de densidad dada por (2.28), entonces la variable aleatoria F sigue una distribucin f de Snedeer con 1 y 2
Universidad de Carabobo
100
2
2 2
2 > 2
y la varianza
22 (22 + 21 4)
V [F ] =
1 (2 2)2 (2 4)
2 > 4
101
Teorema 2.15. Si S12 y S22 son las varianzas muestrales de dos variables aleatorias independienes de tamao n1 y n2 , tomadas de poblaciones normales con varianzas 12 y 22 , entonces:
F =
S12 /12
S22 /22
sigue una distribucin F con (n1 1) grados de libertad en el numerador y (n2 1) grados de libertad en el denominador.
(n2 1)S22
22
S12 /12
[(n1 1)S12 /12 ] /(n1 1)
W1 /1
=
=
W2 /2
[(n2 1)S22 /22 ] /(n2 1)
S22 /22
S12
fn1 1,n2 1
S22
102
supone que el nmero de horas de sueo de quienes usan cada tipo de pldora
se distribuye normalmente con 12 y 22 . Determine si es cierto que 12 = 22 ,
sabiendo que la desviacin estndar muestral de los grupos 1 y 2 en estudio
es de 3h y 2h, respectivamente.
Solucin:
Sea X la variable aleatoria que representa las horas de sueo del grupo 1 y Y
la variable aleatoria que representa las horas de sueo del grupo 2, entonces:
X N (1 , 12 ) y Y N (2 , 22 )
y
n1 = 40
s1 = 3h
n2 = 60
s2 = 2h
s2x
32
=
= 2 25
s2y
22
2.7.
Ejercicios propuestos
103
2. Una mquina empleada para llenar cajas de cereal despacha, en promedio, onzas por caja. El fabricante desea que las X onzas reales
despachadas no rebasen por ms de 1 onza a , al menos 75 % del
tiempo. Cul es el mximo valor de , la desviacin estndar de X,
que se puede tolerar si las metas del fabricante han de satifacerse?
3. Cul debe ser el valor ms pequeo de k en el Teorema de Chebyshev
para el que la probabilidad de que una variable aleatoria asuma un
valor entre k y + k sea
a. al menos 0 95
b. al menos 0 99
4. El nmero de licencias de matrimonio expedida en cierta ciudad durante
el mes de junio se puede considerar como una variable aleatoria con
= 124 y = 7 5. De acuero con el Teorema de Chebyshev, con
que probabilidad se puede afirmar que all se emitarn entre 64 y 184
licencias de matrimonio durante el mes de junio?
5. Un estudio del valor alimenticio de cierta clase de pan muestra que la
cantidad de tiamina (vitamina B1 ) en una rebanada se puede considerar
como una variable aleatoria con = 0 260 miligramos y = 0 005
miligramos. De acuerdo al Teorema de Chebyshev, entre que valores
debe estar el contenido de tiamina de
a. al menos 35/36 de todas las rebanadas de este pan?
b. al menos 143/144 de todas las rebanadas de este pan?
6. Un distribuidor minorista vende tres marcas de automviles. Para la
marca A, su utilidad X por venta, est distribuida normalmente con
parmetros (1 , 12 ); para la marca B su utilidad Y por venta est
distribuida normalmente con parmetros (2 , 22 ); para la marca C, su
utilidad W por venta est distribuida normalmente con parmetros
(3 , 32 ). Para un ao, dos quintas partes de las ventas del distribuidor
son de la marca A, un quinto de la marca B y los quintos restantes de
la marca C. Sea U el verdadero promedio de utilidad por ventas para
el ao. Encuentre la media, la varianza y la funcin de densidad de
probabilidad para U. Suponga que X, Y y W son independientes.
Universidad de Carabobo
104
10X
S2
b. Determinar la distribucin de
W =
S2
10X
105
106
debe ser la tensin de ruptura promedio del proceso si, con base en una
muestra aleatoria de 50 especmenes, la probabilidad de que la media
muestral tenga un valor mayor de 250 libras es de 0 95?
17. Para un gerente de planta es muy importante controlar la variacin
en el espesor de un material plstico. Se sabe que la distribucin del
espesor del material es normal con una desviacin estndar de 0 01 cm.
Una muestra aleatoria de 25 piezas de este material da como resultado
una desviacin estndar de 0 015 cm. Si la varianza de la poblacin es
(0 01)2 cm2 , cul es la probabilidad de que la varianza muestral sea
igual o mayor que (0 015)2 cm2 ? Por lo tanto, qu puede usted concluir
con respecto a la variacin de este proceso?
18. Si se obtiene una muestra aleatoria de n = 16 de una distribucin
normal con media y varianza desconocidas, obtener P (S 2 / 2 6 2 041).
19. Si se obtiene una muestra aleatoria de n = 21 de una distribucin
normal con media y varianza desconocidas, obtener P (S 2 / 2 6 1 421).
20. un fabricante de cigarrillos asegura que el contenido promedio de nicotina, en una de sus marcas, es de 0 6 mg por cigarrillo. una organizacin
independiente mide el nivel de nicotina de 16 cigarrillos de esta marca y
encuentra que el promedio y la desviacin estndar muestral es de 0 75
y 0 175 mg, respectivamente, de nicotina. Si se supone que la cantidad
de nicotina en estos cigarrillos es una variable aleatoria normal, qu
tan probable es el resultado muestral dado el dato proporcionado por
el fabricante?
21. Durante los 12 meses pasados el volumen diario de ventas de un restaurante fue de 2000 Bs. El gerente piensa que los prximos 25 das sern
tpicos con respecto al volumen de ventas normal. Al finalizar los 25
das, el volumen de ventas y su desviacin estndar promedio fueron
de 1800 Bs y 200 Bs, respectivamente. Supngase que el volumen de
ventas diario es una variable aleatoria normal. Si usted fuese el gerente,
tendra alguna razn para creer, con base en este resultado, que hubo
una disminucin en el volumen de ventas promedio diario?
22. El gerente de una refinera piensa modificar el proceso para producir
gasolina a partir de petrleo crudo. El gerente har la modificacin
FaCyT-Matemticas
107
slo si la gasolina promedio que se obtiene por este nuevo proceso (expresada como un porcentaje del crudo) aumenta su valor con respecto
al proceso en uso. Con base en un experimento de laboratorio y mediante el empleo de dos muestras aleatorias de tamao 12, una para
cada proceso, la cantidad de gasolina promedio del proceso en uso es
de 24 6 con una desviacin estndar de 2 3, y para el proceso propuesto
fue de 28 2 con una desviacin estndar de 2 7. El gerente piensa que
los resultados proporcionados por los dos procesos con variables aleatorias independientes normalmente distribuidas con varianza iguales.
Con base en esta evidencia:
a. Debe adoptarse el nuevo proceso?
b. Existe alguna razn para creer que las varianzas son iguales?
23. Una organizacin independiente est interesada es probar la distancia
de frenado a una velocidad de 50 mph para dos marcas distintas de automviles. Para la primera marca se seleccionaron nueve automviles y
se probaron en un medio controlado. La media muestral y la desviacin
estndar fueron de 145 pies y 8 pies, respectivamente. Para la segunda
marca se seleccionaron 12 automviles y la distancia promedio result
ser de 132 pies y una desviacin estndar de 10 pies. Con base en esta
evidencia, existe alguna razn para creer que la distancia de frenado
para ambas marcas, es la misma? Supngase que las distancias de frenado son variables aleatorias independientes normalmente distribuidas
con varianzas iguales.
24. La variacin en el nmero de unidades diarias de cierto producto, el
cual manejan dos operadores A y B, debe ser la misma. Con base en
muestras de tamao nA = 16 das y nB = 21 das, el valor calculado de
las desviaciones estndar muestrales es de SA = 8 2 unidades y SB = 5 8
unidades. Si el nmero de stas, manejadas por los dos operadores,
por da, son dos variables aleatorias independientes que se encuentran
aproximadas, en forma adecuada, por distribuciones normales, existe
alguna razn para creer que las varianzas son iguales?
25. Un supervisor de una planta se interesa en presuponer los costos semanales de reparacin para un determinado tipo de mquina. Estos costos
de reparacin, se han determinado que siguen una distribucin exponencial negativa con = 20 unidades monetarias para cada mquina
Universidad de Carabobo
108
2
1/3
3
1/3
7
1/3
1
2/3
3
1/3
109
P
a. Cul es la distribucin de W = 5i=1 Xi2 ? Por qu?
2
P
b. Cul es la distribucin de U = 5i=1 Xi X ? Por qu?
2
P
c. Cul es la distribucin de 5i=1 Xi X + X62 ? Por qu?
18
30
X
Xj X
2
j=1
b.
20
X
(Yj Y ) > k
j=1
<k
50
X
!
(Wj W )2
= 0 01
j=1
45
X
!1/2
(Yj Y )2
= 0 95
j=1
30. Sea Y una variable aleatoria con distribucin Gamma con parmetro
de forma = 7 5 y escala = 2 y W una variable aleatoria con
distribucin Gamma con parmetro de forma = 7/2 y escala = 5/8.
Calcule
7Y
0 9109
P
16W
2.8.
2.8.1.
Complemento
Momentos y funcin generadora de momentos de
una variable aleatoria
110
para caracterizar la distribucin de probabilidad de X. Aunque puede hablarse de momento estadstico respecto a cualquier punto, existen dos momentos
con significado especial, que son los ms utilizados en probabilidades y estadsticas:
1. El momento alrededor del cero de la variable aleatoria, y
2. El momento alrededor de la media de la variable aleatoria
Todas las proposiciones siguientes con respecto a los momentos se encuentran
sujetas a la existencia de las sumas o integrales.
Zx
xk fX (x),
si X es continua
h
i Z
k
k = E (X ) =
(x )k fX (x),
si X es continua
111
k
0k
0
1
2
3
4
00
01
02
03
04
k
= E [X 0 ] = 1
= E [X 1 ] = X
= E [X 2 ]
= E [X 3 ]
= E [X 4 ]
0
1
2
3
4
= E (X
= E (X
= E (X
= E (X
= E (X
)0 = 1
)1 = E [X] X = 0
2
)2 = X
)3
)4
112
(2.32)
(2 ) 2
= 0 Simtrica
< 0 Asimtrica negativa
113
2. Coeficiente de Curtosis
Mide el grado de que tan puntiaguda es la distribucin de probabilidad
de la variable aleatoria X.
4
(2 )2
(2.33)
= 3 Curva mesocrtica
< 3 Curva platicrtica
10
0 3
11
0 2
12
0 1
Universidad de Carabobo
13
0 15
14
0 1
15
0 05
16
0
17
0 05
18
0 05
19
0
114
19
X
x=10
02 =
19
X
x=10
03 =
19
X
x=10
04 =
19
X
x=10
12 6937
3
(5 3875) 2
= 1 015
y
92 1320
= 3 1742
(5 3875)2
La distribucin de probabilidad de X es asimtrica positiva y leptocrtica.
CC =
FaCyT-Matemticas
115
Ejemplo 2.20. Sea X una variable aleatoria con funcin de densidad de
probabilidad
(
x
x
exp
2 , x > 0
fX (x) = 4
0,
otro caso
Analice su asimtria y su curtosis mediante los coeficientes respectivos.
Solucin:
Los primeros cuatro momentos de X alrededor del cero son:
Z
0
xfX (x)dx
1 = E [X] =
0
Z
n xo
1 2
x exp
=
4 0
2
=4
02
03
04
=E X =
xfX (x)dx
0
Z
n xo
1
x3 exp
=
4 0
2
= 24
Z
=E X =
xfX (x)dx
0
Z
n xo
1 4
x exp
=
4 0
2
= 192
Z
=E X =
xfX (x)dx
0
Z
n xo
1 5
=
x exp
4 0
2
= 1920
Universidad de Carabobo
116
Entonces:
E [X] = 4
V [X] = 24 42 = 8
y
3 = 03 302 + 23 = 192 3(4)(24) + 2(4)3 = 32
4 = 04 403 + 62 02 34 = 1920 4(4)(192) + 6(4)2 (24) 3(4)4 = 348
Los coeficientes de asimtria y curtosis de la distribucin de X son:
CA =
=
3
3
(2 ) 2
32
3
82
= 2>0
CC =
2.8.2.
117
r MX (t)
tr
t=0
118
0r
x
P (X = x)
1
3/8
2
3/8
3
1/8
exp{tx}fX (x)
3
1
1 3
= + exp{t} + exp{2t} + exp{3t}
8 8
8
8
1
= [1 + 3 exp{t} + 3 exp{2t} + exp{3t}]
8
1
= (1 + exp{t})3
8
por lo tanto,
MX (t) =
1
(1 + exp{t})3
8
=
t=0
3
2
y
2 2 MX (t)
E X =
t2
t=0
6
3
=
(1 + exp{t})2 exp{2t} + (1 + exp{t})2 exp{t}
8
8
t=0
=3
FaCyT-Matemticas
119
de esta manera,
E [X] =
3
2
y
V [X] = E X 2 (E [X])2
2
3
9
=3
=3
2
4
3
=
4
Ejemplo 2.22. Sea X una variable aleatoria exponencial con funcin de
densidad de probabilidad
n o
(
1
exp x , x > 0
fX (x) =
0,
otro caso
Halle la funcin generadora de momentos, la esperanza y la varianza de X.
Solucin:
Por definicin
Z
exp{tx}fX (x)dx
1
x
=
exp{tx} exp
0
Z b
1
x
= lm
exp + tx
b 0
Z b
1
1
= lm
exp x
t
dx
b 0
(1 t)
=
lm exp x
dx
(1 t) b
= (1 t)1 , t < 1/
MX (t) = E [exp{tX}] =
por lo tanto
MX (t) = (1 t)1 , t <
Universidad de Carabobo
120
MX (t)
= (1 t)2
t
t=0
t=0
=
y
2 2 MX (t)
2
3
E X =
= 2 (1 t)
t2
t=0
t=0
= 2 2
dando como resultado que:
V [X] = E X 2 (E [X])2
= 2 2 2
= 2
Propiedades de la funcin generadora de momentos de una variable
aleatoria
La funcin generadora de momentos no siempre existe, pero cuando lo hace identifica de manera completa y unvoca la distribucin de la variable
aleatoria respectiva, por lo que:
Teorema 2.17. Si X y Y son dos variables aleatorias con funcin generadora de momentos MX (t) y MY (t), respectivamente, y
MX (t) = MY (t), entonces X y Y siguen la misma distribucin de
probabilidad.
FaCyT-Matemticas
121
Demostracin.
Demostracin.
MaX (t) = E [exp{t (aX)}]
= E [exp{(ta) X}]
= MX (at)
Teorema
2.20. Si X1 , X2 , . . . , Xn son variables aleatorias independientes con funciones generadoras de momentos
MX1 (t) , MX2 (t) , . . . , MXn (t), respectivamente, y si
Y = a1 X1 + a2 X2 + + an Xn
entones la funcin generadora de momento de Y es:
MY (t) = MX1 (a1 t) Ma2 X2 (t) Man Xn (t)
Universidad de Carabobo
122
Demostracin.
MY (t) = E [exp{t (a1 X1 + a2 X2 + + an Xn )}]
= E [exp{ta1 X1 + ta2 X2 + + tan Xn }]
= E [exp{ta1 X1 } exp{ta2 X2 } exp{tan Xn }]
= E [exp{ta1 X1 }] E [exp{ta2 X2 }] E [exp{tan Xn }]
= MX1 (a1 t) Ma2 X2 (t) Man Xn (t)
Ejemplo 2.23. Considrese el ejemplo (2.22). Encuentre la funcin generadora de momentos de cada una de las siguientes variablea aleatorias
a) V = 5X
b) W = X + 5
c) Y = X1 +X2 + +Xn , donde X1 , X2 , . . . , Xn es una muestra aleatoria
tomada de esa poblacin.
Solucin:
Solucin a)
Como la funcin generadora de momentos de X es:
MX (t) = (1 t)1 , t <
1
5
Solucin b)
por el Teorema (2.18), la funcin generadora de momentos de W es:
MW (t) = exp {5t} MX (t)
= exp {5t} (1 t)1 , t <
FaCyT-Matemticas
123
Solucin c)
Como X1 , X2 , . . . , Xn es una muestra aleatoria tomada de esa poblacin y
por el Teorema (2.17), la funcin generadora de momentos de cada Xi , (i =
1, 2, . . . , n), es:
MXi (t) = (1 t)1 , t < 1/
(i = 1, 2, . . . , n)
2.8.3.
Ejercicios propuestos
124
Y
8
f (y; ) =
0
otro caso,
a. Encuentre la funcin generadora de momentos de
g(Y ) = Y 2
b. Calcule a partir de la FGM E [g(Y )], V [g(Y )], CA y CC.
5. Sea X una variable aleatoria cuya funcin de densidad viene dada por
f (x) = exp{(x )2 },
125
x>0
1
1
,t <
2
(1 3t)
3
MY (t) =
1
1
,t <
5
(1 2t)
2
126
FaCyT-Matemticas
Captulo 3
Estimacin puntual
3.1.
Introduccin
puntual
sobre parmetros
3.1.1.
128
Estimacin puntual
Definicin 3.1 (ESTIMADOR PUNTUAL). Si X es una variable aleatoria con funcin de densidad de probabilidad f (x; ), caracterizada por el parmetro desconocido y si X1 , X2 , . . . , Xn es
una muestra aleatoria de tamao n de X, entonces la estadstica
= g(X1 , X2 , . . . , Xn ) correspondiente a se llama estimador puntual de o funcin de decisin.
Se suele denominar estimador de a la estadstica de los valores de la muestra aleatoria X1 , X2 , . . . , Xn y se habla de estimacin de al valor que toma
dicha estadstica cuando se obtienen las realizaciones de las n variables aleatorias que constituyen la muestra aleatoria.
Ejemplo 3.1. Estimador de un parmetro desconocido
1. Cuando se usa la media muestral X para estimar la media de una
poblacin.
2. Cuando se usa la proporcin muestral P para estimar el parmetro de
una distribucin binomial p.
Ejemplo 3.2. Estimacin de un parmetro desconocido
Considrese el ejemplo (3.1), item (1), supngase que
x1 = 3 42, x2 = 3 61, x3 = 2 91, x4 = 5 10, x5 = 5 99,
x6 = 4 44, x7 = 3 59, x8 = 5 55, x9 = 6 82, x10 = 6 37
son las realizaciones de 10 variables aleatorias que constituyen una muestra aleatoria de una poblacin con media desconocida. Si se usa X como
estimador del parmetro desconocido , entonces una estimacin para es:
10
P
x=
xi
i=1
10
47 8
= 4 78
10
FaCyT-Matemticas
129
Como los estimadores son variables aleatorias, uno de los principales problemas de la estimacin puntual es estudiar sus distribuciones muestrales.
Por ejemplo, cuando se calcula la varianza muestral corregida sobre la base de una muestra aleatoria, difcilmente se puede esperar de que el valor
de s2 que se obtiene sea realmente igual a la varianza de la poblacin 2 ,
pero ayudara saber si se puede esperar de que el valor de s2 sea en forma
aproximado igual a la varianza de la poblacin. Asimismo, si se debe decidir
si se utiliza la mediana Med o la media muestral x de una muestra aleatoria para determinar el valor de la media de una poblacin, sera importante
saber, entre otros datos, si x o Med tiene mayor probabilidad de producir
un valor que sea realmente aproximado al valor de la media de una poblacin.
Bsicamente el problema de estimacin puntual es: encontrar una estadstica = g(X1 , X2 , . . . , Xn ) que proporcione la mejor estimacin de . Sin
embargo, no existe una regla nica que permite construir estos estimadores.
Por ejemplo, la media y la mediana de una distribucin simtrica son iguales,
pero la media muestral y la mediana muestral (cuyos valores no son iguales
en general) son ambas estimaciones posibles para la media poblacional. En
este caso, cul es el mejor estimador para la media poblacional?
Para elegir entre varios estimadores de un mismo parmetro hay que definir
criterios de comparacin. Se empezar por presentar dos mtodos clsicos
para la obtencin de estimadores: el mtodo por mxima verosimilitud y el
mtodo de los momentos, y a continuacin algunas propiedades deseables
para decidir si un estimador es bueno.
3.2.
3.2.1.
Se sabe que la funcin de verosimilitud de una muestra de n variables aleatorias X1 , X2 , . . . , Xn independientes e idnticamente distribuidas se define
como la funcin de densidad conjunta de dichas variables. Si se denota por
L (x1 , x2 , . . . , xn ; ) la verosimilitud de la muestra como funcin de , donde
= (1 , 2 , . . . , p ) es el vector de parmetros desconocidos de la distribucin
Universidad de Carabobo
130
(3.1)
x = 0, 1
en cualquier otro caso
131
tra aleatoria de tamao n es:
=p
xi
i=1
(1 p)
n
P
xi
i=1
i=1
p
p
1p
Al igualar a cero la expresin anterior
n
n
P
P
xi n
xi
i=1
i=1
=0
pb
1 pb
n
P
y resolvindola para pb, se tiene que pb = (1/n) xi . Para probar que pb es el
i=1
x
+
2p
xi np2
i
2 Ln (L (x1 , x2 , . . . , xn ; p))
i=1
= i=1
p2
[p(1 p)]2
y
2 Ln (L (x1 , x2 , . . . , xn ; p))
p2
n
P
p= i=1n
xi
n2
=
n
P
i=1
Universidad de Carabobo
xi 1
n
P
xi
i=1
n
P
n
P
i=1
132
i=1
PbM V =
Xi
i=1
Para un ejemplo especifico, si se observan 20 xitos en 25 ensayos de Bernoulli, la estimacin de mxima verosimilitud de p es 10/25 = 0 8.
Ejemplo 3.4. Sea X1 , X2 , . . . , Xn una muestra aleatoria de una distribucin
normal con una funcin de densidad de probabilidad
f x; ,
(x )2
< x, <
exp
,
=
2
>0
2
2 2
1
exp
exp
=
2 2
2 2
2 2
2 2
(
)
n
1
1 X
2
=
exp
(xi )
n/2
n/2
2
2
2 i=1
(2) ( )
n
1 X
n
n
(xi )2
= Ln (2) Ln 2 2
2
2
2 i=1
FaCyT-Matemticas
133
i=1
n
n
1 X
Ln (L (x1 , x2 , . . . , xn ; , 2 ))
=
+
(xi )2
2
2 2 2 ( 2 )2 i=1
(xi
b) = 0
b2
(3.2)
n
X
n
1
+ 2
(xi
b)2 = 0
2
b
2
2 b2 i=1
(3.3)
i=1
(xi
b) = 0
(xi
b) = 0
b2
i=1
i=1
n
X
xi nb
=0
i=1
n
P
b=
xi
i=1
b=x
Luego sustituyendo el valor de
b en la ecuacin (3.3) y despejando el esti2
mador de , se tiene que:
n
P
(xi x)2
n
X
i=1
2
b
= 0 n +
(xi x)2 = 0
2
i=1
2 b2
nb2 +
n
P
b2 =
Universidad de Carabobo
(xi x)2
i=1
134
bM V = X
y
n
P
b2 M V =
Xi X
2
i=1
respectivamente.
En el ejemplo anterior no se verific que los valores de
bM V y b2 M V son los
que realmente maximizan la funcin de verosimilitud, es decir, que son los
estimadores de mxima verosimilitud de y 2 , respectivamente. Esto se
debe a la siguiente observacin:
Observacin 3.1. Dado que una funcin de verosimilitud es el producto,
ya sea de probabilidades o de densidades, stas generalmente se encuentran
acotadas y son continuas en los parmetros. En consecuencia, el resultado es
que la solucin de la primera derivada proporcionar el valor para el cul la
funcin de verosimilitud es mxima.
Ejemplo 3.5. Sea X1 , X2 , . . . , Xn una muestra aleatoria de una variable
aleatoria distribuida uniformemente en el intervalo (0, ), con desconocido.
Utilice el mtodo de mxima verosimilitud para estimar el valor del parmetro a partir de la muestra aleatoria.
Solucin:
Como X U (0, ), entonces la funcin de densidad de esta variable aleatoria
est dada por:
(
1
si 0 x
f (x) =
0 en cualquier otro caso
Por lo tanto, la funcin de verosimilitud de la muestra aleatoria de tamao
n, viene dada por:
L (x1 , x2 , . . . , xn ; ) = f (x1 ; ) f (x2 ; ) f (xn ; )
(
1
si 0 xi i = 1, 2, . . . , n
n
=
0 en cualquier otro caso
FaCyT-Matemticas
135
b
No se puede encontrar de manera directa el valor de que maximiza la funcin de verosimilitud L (x1 , x2 , . . . , xn ; ) = 1n . Debido a que la funcin de
verosimilitud es una funcin montona decreciente, esto implica que el mximo de la funcin de verosimilitud se presenta en el extremo izquierdo del
intervalo (0, ) y como 0 xi , para todo i = 1, 2, . . . , n, entonces el
estimador de mxima verosimilitud de es bM V = M ax (X1 , X2 , . . . , Xn ).
Una propiedad til de los estimadores de mxima verosimilitud es la de
invarianza que se anuncia en el siguiente Teorema.
Teorema 3.1. Sea X1 , X2 , . . . , Xn una muestra aleatoria de una poblacin
con funcin (densidad) de probabilidad f (x; ). Si b es el estimador de mb
xima verosimilitud de , y si g() es una funcin uno a uno, entonces g()
es el estimador mxima verosimilitud de la imagen de bajo la funcin g.
Este principio de invarianza de los estimadores mxima verosimilitud se puede enunciar de manera ms general de la siguiente forma:
Teorema 3.2. Sea X1 , X2 , . . . , Xn una muestra aleatoria de una poblacin
con funcin
(densidad) de probabilidad f (x; ), donde = (1 , 2 , . . . , p ).
b = b1 , b2 , . . . , bp es el estimador mxima verosimilitud de , y si
Si
g() = (g1 (), g2 (), . . . , gl ()), 1 l k, entonces el estimador de mxima
verosimilitud de la imagen de bajo g es
b g2 (),
b . . . , gl ()
b
g1 (),
Ejemplo 3.6. Sea X1 , X2 , . . . , Xn una muestra aleatoria de una distribucin
normal con media y varianza 2 (ambos desconocidos). Determine los estimadores de mxima verosimilitud de 3, 2 y 1/.
Universidad de Carabobo
136
Solucin:
Del ejemplo (3.4), dado que, el estimador de mxima verosimilitud de es:
bM V = X
entonces, por la propiedad de invarianza de los estimadores de mxima verosimilitud, se tiene que el estimador de mxima verosimilitud de 3, 2 y 1/
son:
c M V = 3X
3
2
b2 M V = X
d
1/
= 1/X
MV
respectivamente.
3.2.2.
Definicin 3.2. El k-simo momento alrededor del cero de una muestra aleatoria X1 , X2 , . . . , Xn de tamao n de una distribucin con funcin (densidad) de probabilidad f (x; ), es la media de sus k-simas
potencias y se denota por medio de Mk ; en forma simblica, se tiene
que:
n
1X k
Mk =
X
n i=1 i
Sea X1 , X2 , . . . , Xn una muestra aleatoria con funcin de densidad f (x; ),
donde = (1 , 2 , . . . , p ) es el vector de parmetros (desconocidos), entonces
FaCyT-Matemticas
137
los estimadores de 1 , 2 , . . . , p bajo el mtodo de los momentos, se encuentran resolviendo simultneamente, las ecuaciones que resultan de igualar los
momentos tericos apropiados con los momentos muestrales o empricos.
n
P
M1 =
i=1
M2 =
i=1
Xi
n
n
P
Xi2
n
= E [X]
= E X2
..
.
..
.
n
P
Mp =
Xip
i=1
= E [X p ]
M1 =
i=1
M2 =
i=1
Xi
n
n
P
Xi2
n
= E [X]
= E X2
138
Por lo tanto:
n
P
Xi
i=1
n
n
P
(3.4)
= 2 + 2
(3.5)
Xi2
i=1
n
De la ecuacin (3.4), se tiene:
n
P
bM M =
Xi
i=1
=X
b2 =
i=1
i=1
Xi2
n
n
P
Xi2
1
=
n
b2
X
n
X
!
Xi2 nX
i=1
n
2
1X
=
Xi X
n i=1
por lo tanto,
n
2
1X
b2 M M =
Xi X
n i=1
De lo anterior se puede concluir que el estimador por el mtodo de los momentos de la media poblacional es la media muestral X, mientras que el
estimador por el mtodo de los momentos de la varianza poblacional 2 no
es la varianza muestral corregida S 2 , sino que es la varianza muestral V 2 .
FaCyT-Matemticas
139
=
2
Luego:
n
P
Xi
i=1
2X
b =
Xi = 2X
n i=1
140
E [X] =
xf (x; ) dx
x
dx
2
x2
=
4
=0
Como el primer momento poblacional no tiene ninguna informacin sobre
, se plantea en igualar el segundo momento poblacional con el segundo momento muestral
n
P
Xi2
M2 = i=1
= E X2
n
FaCyT-Matemticas
141
x2
dx
2
Z
=
x
=
6
3
b =
p
3M2
3.3.
142
se desea estimar la media de una poblacin y se toma una muestra aleatoria X1 , X2 , . . . , Xn de tamao n de dicha poblacin; se pueden elegir como
estimador de la media las siguientes estadsticas:
b1 = X
b2 = X1
b3 = Xn
X1 + Xn
b4 =
2
b5 = M
b6 = Mx (Xi )
media muestral
el primer valor de la muestra
el ltimo valor de la muestra
mediana muestral
mximo de la muestra
Es decir, para cada parmetro desconocido se pueden elegir muchos, prcticamente infinitos, estimadores. Es evidente que se debera tener algn tipo
de criterio para juzgar si un estimador elegido, es un buen estimador, o si
uno es mejor que otro; es decir, algn criterio que indique la eficacia de nuestra eleccin. Al buscar el mejor estimador se har uso de una cantidad muy
importante que recibe el nombre de error cuadrtico medio de un estimador.
143
En efecto,
2
ECM b = E b
2
2
b
b
= E 2 +
h i
2
= E b
2E b + 2
h i
h i2
h i
2
2
= E b
E b
+ E b
2E b + 2
h i h i
2
= V b + E b
h i
2
b
= V + B b
(3.7)
De la ecuacin (3.7) se puede comprender la razn del por qu el error cuadrtico medio es una cantidad muy importante para evaluar a los posibles
estimadores de . Estas dos componentes estn relacionadas con las propiedades deseables de un estimador. De manera especifica, la varianza de un
estimador debe ser lo ms pequea posible mientras que la distribucin de
muestreo del estimador debe concentrarse alrededor del valor del parmetro.
b2 =
Universidad de Carabobo
Xi
i=1
n+1
144
n
P
X
i=1 i
E [b1 ] = E X = E
n
n
1X
1X
E [Xi ] =
E [X]
=
n i=1
n i=1
n
=
n
=
por lo tanto, B (b1 ) = E [b1 ] = 0, y
V [b1 ] = V X
n
P
i=1 Xi
= V
n
n
n
1 X
1 X
= 2
V [Xi ] = 2
V [X]
n i=1
n i=1
n 2
n2
2
=
n
=
2
n
De manera similar,
FaCyT-Matemticas
145
P
n
n
i=1 Xi
1 X
1 X
E [b2 ] = E
E [Xi ] =
E [X]
=
n + 1 n + 1 i=1
n + 1 i=1
=
n
n+1
n
P
n
n
X
X
i=1 Xi
1
1
V [b2 ] = V
V [Xi ] =
V [X]
=
n + 1 (n + 1)2 i=1
(n + 1)2 i=1
n 2
(n + 1)2
por lo tanto,
ECM (b2 ) = V [b2 ] + B (b2 )2
2
n
n 2
+
=
(n + 1)2
n+1
2
n 2
n (n + 1)
=
+
(n + 1)2
n+1
2
n 2
+
=
(n + 1)2
n+1
2
n
2
=
+
(n + 1)2 (n + 1)2
n 2 + 2
=
(n + 1)2
Como puede apreciarse los errores cuadrticos medios, o al menos uno de
ellos, dependen del parmetro , que es desconocido, y por lo tanto para compararlos es instructiva su representacin grfica considerando como abscisa.
Al no depender del parmetro, la grfica del ECM (b1 ) es una recta paralela
al eje de las abscisas. En cambio ECM (b2 ) es un polinomio de segundo grado
Universidad de Carabobo
146
ECM
ECM b2
ECM b1
147
De manera especifica se estudiarn las propiedades deseables de los estimadores: insesgabilidad, consistencia, insesgado de varianza mnima, eficientes
y suficientes.
3.3.1.
Estimadores insesgados
(3.8)
bM V = X
Universidad de Carabobo
b2 M V =
Xi X
i=1
2
148
n
P
i=1 Xi
E [b
M V ] = E X = E
n
n
P
n
P
E [Xi ]
i=1
n
n
=
=
n
E [X]
i=1
por tanto,
bM V es un estimador insesgado para . Ahora se comprobar si
2
b
M V es un estimador insesgado para 2 ,
n
2
P
" n
#
i
h
X
i=1 Xi X 1
2
= E
E b2 M V = E
Xi X
n
n
i=1
#
" n
n
h 2i
X
1
1 X 2
2
= E
Xi2 nX =
E Xi E X
n
n i=1
i=1
n
2
1X
=
V [Xi ] + (E [Xi ])2 V X + E X
n i=1
n
2
1X
2
=
V [X] + (E [X]) V X + E X
n i=1
2
n
1X 2
2
2
=
+
+
n i=1
n
2
1
2
2
= n +
2
n
n
2
= 2 + 2
2
n
1
2
= 1
n
(n 1) 2
=
n
FaCyT-Matemticas
149
h
i
Como E b2 M V 6= 2 , entonces el estimador de mxima verosimilitud de 2
es un estimador sesgado para 2 . El sesgo del estimador es:
h
i
2
(n 1) 2
2 =
S b2 M V = E b2 M V 2 =
n
n
Pero si el estimador est dada como en la definicin (2.6), se puede comprobar que S 2 es un estimador insesgado para 2 . En efecto,
n
P
i=1
E S2 = E
Xi X
n1
2
" n
#
X
2
1
=
Xi X
n 1E
i=1
" n
#
n
h 2i
X
1 X 2
1
2
2
E
Xi nX =
=
E Xi E X
n1
n 1 i=1
i=1
n
2
1 X
2
=
V [Xi ] + (E [Xi ]) V X + E X
n 1 i=1
n
2
1 X
=
V [X] + (E [X])2 V X + E X
n 1 i=1
2
n
1 X 2
2
2
=
+
+
n 1 i=1
n
2
1
n 2 + 2
2
n1
n
2
= 2 + 2
2
n
1
2
= 1
n
(n 1) 2
=
n1
= 2
=
150
Solucin:
El valor esperado de la poblacin se obtiene como:
Z
n xo
1
E [X] =
x exp
dx
0
Z b
n xo
1
x exp dx
= lm
b 0
b
Z b
n
o
o
n
x
1
x
exp dx
= lm x exp + lm
b 0
b
0
Z b
n xo
= lm
exp dx
b 0
n x ob
= lm exp
b
0
=
Ahora se calculan el valor esperado para cada estimador a fin de verificar
cules
h i son insesgados:
E b1 = E [X1 ] = , entonces b1 es un estimador insesgado para .
h i
2
E b2 = E X1 +X
= 12 (E [X1 ] + E [X2 ]) = 2
= , entonces b2 es un esti2
2
mador insesgado para .
h i
2 +X3 ]
2 ]+E[X3 ]
E b3 = E X = E[X1 +X
= E[X1 ]+E[X
= 3
= , entones b3 es
3
3
3
un estimador insesgado para .
FaCyT-Matemticas
151
Definicin 3.6. Sea b un estimador de , se dice que b es un estimador asintticamente insesgado de si al aumentar el tamao
de la muestra, su media tiende a coincidir con el parmetro , y por
lo tanto, su sesgo tiende a cero. Esto es,
h i
lm E b =
n
i (n 1)
2
b
2
E MV =
n
h
y
i
h
(n 1) 2
2
b
lm E M V = lm
= 2
n
n
n
Entonces, b2 M V es un estimador asintticamente insesgado para 2 .
3.3.2.
152
Teorema 3.3. Sea X1 , X2 , . . . , Xn una muestra aleatoria de ua distribucin con funcin (densidad) de probabilidad f (x; ). Si b es un
estimador insesgado de , entonces la varianza de b debe satisfacer
la siguiente desigualdad
h i
1
V b
(3.9)
2
Ln(f (X;))
nE
El Teorema anterior establece un limite inferior para la varianza de un estimador insesgado de . Para un estimador insesgado cuya varianza alcance la
cota de Cramr-Rao, se tiene la siguiente definicin:
Definicin 3.7. Si b es un estimador insesgado de y
h i
1
V b =
2
Ln(f (X;))
nE
= Ln
(x )2
(x )2
2
exp
=
Ln
2
2 2
2 2
2 2
1
FaCyT-Matemticas
153
2
Entonces,
"
E
Ln (f (X; , 2 ))
2 #
"
2 #
X
=E
2
1
= 4 E (X )2
V [X]
2
=
=
4
4
1
= 2
2
n
Ln(f (X;, 2 ))
2 =
1
n
1
2
=
2
n
Como se ha indicado, los estimadores insesgados suelen compararse en trminos de sus varianzas, de esto se presenta la siguiente definicin:
Universidad de Carabobo
154
b12 = i=1
Xi X
2
n
FaCyT-Matemticas
155
y
n
P
Xi X
b22 = i=1
2
n1
Y =
Xi X
i=1
2
2n1
h i
2
2
2
b
b
ECM 1 = V 1 + B b12
n
P
h i
i=1
E b12 = E
n
2
2
P
2
Xi X
Xi X
= E i=1
n
n 2
n
P
2
i=1
E
(n 1) 2
n
Universidad de Carabobo
2
Xi X
2
= E [Y ]
2
n
156
n
P
h i
i=1
V b12 = V
Xi X
n
n
P
4
i=1
V
2
n
2(n 1) 4
n2
n
2
2
P
2
X
= V i=1
n 2
2
Xi X
4
= V [Y ]
2
n
por tanto,
h i
2
2
2
b
b
ECM 1 = V 1 + B b12
2
2(n 1) 4
(n 1) 2
2
=
+
n2
n
2
2
n 2 n 2
2(n 1) 4
+
=
n2
n
4
4
2(n 1)
=
+ 2
2
n
n
2n 4 4
2n 4 2 4 + 4
=
=
n2
n2
4
(2n 1)
=
n2
de una manera similar, se puede demostrar que:
ECM b22 =
2 4
(n 1)
FaCyT-Matemticas
157
Entonces,
ECM b12 ECM b22
(2n 1) 4
n2
(n 1)(2n 1) 4
(2n2 n 2n + 1) 4
2n2 4 3n 4 + 4 2n2 4
2 4
(n 1)
2n2 4
2n2 4
0
4 3n 4
1
3
3.3.3.
Estimadores consistentes
Universidad de Carabobo
158
Ejemplo 3.16. Sea X1 , X2 , . . . , Xn una muestra aleatoria de una distribucin normal con media y varianza 1. Demuestre que
n
1X
bn = X n =
Xi
n i=1
es un estimador consistente para .
Solucin:
Para demostrar que bn = X n es un estimador consistente para , ntese que:
P |bn | < = P | X n | <
= P < X n <
= P < Xn < +
Como X1 , X2 , . . . , Xn es una muestra aleatoria de una distribucin N (, 1),
se tiene que:
#
" n
n
n
n
1X
1X
1X
1X
1
Xi =
E [Xi ] =
E [X] =
= (n) =
E Xn = E
n i=1
n i=1
n i=1
n i=1
n
y
#
n
n
n
n
1 X
1
1X
1 X
1 X
n
Xi = 2
=V
V [Xi ] = 2
V [X] = 2
1= 2 = ,
n i=1
n i=1
n i=1
n i=1
n
n
"
V Xn
por lo tanto,
Xn N
1
,
n
por consiguiente,
P < Xn < + =
n n
o
1
p
exp (xn )2 dxn
2
2 1/n
(3.10)
159
en la ecuacin (3.10), se tiene que:
Z
P < Xn < + =
n n o
n
exp y 2 dy
2
2
P < Xn < + =
ny, y haciendo
2
1
z
exp
dz,
2
2
Z
b
P |n | < =
2
1
z
exp
dz,
2
2
y por consiguiente,
n+
2
1
z
exp
dz
n n
2
2
2
Z
z
1
exp
=
dz
2
2
= 1,
Z
b
lm P |n | < = lm
por ser la funcin de densidad de probabilidad de una variable aleatoria normal con media 0 y varianza 1. Por tanto, bn = X n es un estimador consistente para .
En general no es necesario realizar todos estos clculos para verificar si un
estimador es consistente, se puede usar las siguientes condiciones suficientes
(a pesar de no ser condiciones necesarias) que son una consecuencia inmediata
de la desigualdad de Chebyshev y son enunciadas en el siguiente Teorema.
Universidad de Carabobo
160
P |bn |
q ,
V[b]
y por tanto:
h i
V b
2
y
lm P |bn | lm
de esta manera
h i
V b
2
=0
lm P |bn | = 0
b
lm P |n | < = 1
161
2 4
=0
n
n+ n 1
En consecuencia, S 2 es estimador consistente para 2 .
lm V S 2 = lm
3.3.4.
Estimadores suficientes
162
La utilidad de un estadstico suficiente recae en el hecho de qu si un estimador insesgado de un parmetro es una funcin de una estadstica suficiente,
entonces tendr la varianza ms pequea de entre todos los estimadores insesgados de que no se encuentran basados en una estadstica suficiente. De
hecho, si existe el estimador eficiente de , est ser un estadstico suficiente.
Ejemplo 3.18. Sea X1 , X2 , . . . , Xn una muestra aleatoria de una distribucin de Poisson cuya funcin de probabilidad es
f (x; ) =
x exp {}
x!
x = 0, 1, 2, . . .
163
f x1 , x2 , . . . , xn |b = P X1 = x1 , X2 = x2 , . . . , Xn = xn |X = x
P X 1 = x1 , . . . , X n = x n , X = x
=
P X=x
P
P (X1 = x1 , . . . , Xn = xn , ni=1 Xi = nx)
P
=
P ( ni=1 Xi = nx)
Pn1
P X1 = x1 , . . . , Xn1 = xn1 , Xn = nx i=1
Xi
Pn
=
P ( i=1 Xi = nx)
Pn1
xi
P (X1 = x1 ) P (Xn1 = xn1 ) P Xn = nx i=1
Pn
=
P ( i=1 Xi = nx)
Pn1
exp{}
(n)(nx) exp{n}
(nx)!
Pn1
xi
xi
(n)(nx) exp{n}
(nx)!
(nx)!
Pn1
xi !
n(nx) x1 ! xn1 ! nx i=1
suficiente.
Ejemplo 3.19. Demuestre que la estadstica Y = 16 (X1 + 2X2 + 3X3 ) no es
suficiente para estimar el parmetro p de la poblacin de Bernoulli.
Solucin:
Se debe demostrar que:
f (x1 , x2 , x3 |Y ) =
Universidad de Carabobo
f (x1 , x2 , x3 , y)
g (Y )
164
f (x1 , x2 , x3 |y) =
x = 0, 1
de manera que:
P (X1 = 1) = p,
P (X2 = 1) = p,
P (X3 = 0) = 1 p
y
P (Y = 1/2) = P (X1 = 1) P (X2 = 1) P (X3 = 0) + P (X1 = 0) P (X2 = 0) P (X3 = 1)
en consecuencia,
p2 (1 p)
p2 (1 p)
f (x1 , x2 , x3 |Y = 1/2) = 2
=
p (1 p) + p(1 p)2
p(1 p)[p + 1 p]
=p
que depende de p. Por lo tanto, la estadstica Y = 16 (X1 + 2X2 + 3X3 ) no es
una estadstica suficiente para p.
ya que puede ser muy tedioso probar con la definicin (3.11) si una estadstica
es un estimador suficiente para un parmetro dado, usualmente es ms fcil
utilizar el siguiente Teorema, llamado Teorema de factorizacin de Neyman
para tal fin. Adems, este Teorema sirve para construir estadsticas suficientes
para un parmetro desconocido .
FaCyT-Matemticas
165
i=1
)
( i=1 n
n
1
1X
xi
=
exp
1=1
n
P
n
xi
n
1
i=1
=
exp
n
1
nx
=
exp
= h (x, ) g (x1 , x2 , . . . , xn )
Universidad de Carabobo
1 n
166
n
o
exp nX
y g (x1 , x2 , . . . , xn ) = 1. Por el Teorema
exp {} x
x!
=
x1 !
x2 !
xn !
n
P
xi
i=1
n
P
xi
1
exp {n} i=1
= Q
n
xi !
i=1
= g (x1 , x2 , . . . , xn ) h
n
X
!
xi ;
i=1
donde g (x1 , x2 , . . . , xn ) =
Teorema (3.5),
n
P
1
n
Q
xi !
y h
n
P
n
P
xi ;
= exp {n}
1=1
xi
. Por el
i=1
i=1
1=1
Con la Definicin (3.11) y el Teorema (3.5) se han presentado dos formas de
cerciorarnos de si una estadstica b es un estimador suficiente para un parmetro desconocido . Por lo general el Teorema de factorizacin de Neyman
FaCyT-Matemticas
167
nos conduce a la solucin ms sencilla; pero para demostrar que b no es suficiente, casi siempre es ms simple proceder por medio de la definicin (3.11).
Teorema 3.6. Cualquier funcin uno a uno de una estadstica suficiente, tambin es suficiente.
b=X
Es un estimador suficiente?
Solucin:
n
b = X es una funcin uno a uno de la estadstica suficiente P Xi ,
Como
1=1
3.4.
168
Entre todos los estimadores asintticamente insesgados, tiene la varianza asintticamente ms pequea, es decir, es eficiente.
Si el estimador de mxima verosimilitud es un estadstico suficiente,
entonces es un estadstico minimal, es decir, no se puede encontrar otro
estadstico suficiente que haga una mejor reduccin de los datos.
3.5.
169
L (x1 , x2 , . . . , xn |) ()
L (x1 , x2 , . . . , xn |) () d
(3.11)
(3.12)
170
exp
y
C
=
2 2
2
Ejemplo 3.25. Si X exp (), entonces su funcin de densidad de probabilidad es:
(
exp{x}, si x > 0, > 0
f (x; ) =
0,
otro caso
a) Si la distribucin a priori para es 1, es decir, () = 1. Hallar la
distribucin a posteriori para y un estimador para .
b) Si () = exp{}. Hallar la distribucin a posteriori para y un
estimador para .
Solucin:
a) La distribucin a posteriori de viene dada por la expresin (3.12), la
cul es:
(|x1 , x2 , . . . , xn ) L (x1 , x2 , . . . , xn |) ()
FaCyT-Matemticas
171
i=1
n
X
= exp
)
xi
i=1
n
X
)
xi
(3.13)
i=1
|x1 , x2 , . . . , xn G
n
+
1,
n
P
xi
i=1
172
(|x1 , x2 , . . . , xn ) L (x1 , x2 , . . . , xn |) ()
(
)
n
X
n
= exp
xi exp {}
(i=1
=
n+11
exp
n
X
!)
xi + 1
(3.14)
i=1
|x1 , x2 , . . . , xn G
n + 1,
1+
1
n
P
xi
i=1
n+1
n
P
1+
xi
i=1
Ejemplo 3.26. Si X Bernoulli (), entonces su funcin de densidad de
probabilidad es:
(
x (1 )1x , si x = 1, 0
f (x; ) =
0,
otro caso
Hallar la distribucin a posteriori de y un estimador para el mismo, si la
distribucin a priori para es beta con parmetros y , es decir, si la
funcin de densidad de probabilidad de es:
(
(+) 1
(1 )1 , si 0 < x < 1, , > 0
() = ()()
0,
otro caso
FaCyT-Matemticas
173
Solucin:
Se calcula la funcin de verosimilitud condicionada a :
n
Y
L (x1 , x2 , . . . , xn |) =
i=1
n
Y
f (xi |)
xi (1 )1xi
i=1
n
P
xi
= i=1 (1 )
n
P
xi
i=1
xi
= i=1 (1 )
n
P
i=1
xi +1
n
P
xi
i=1
(1 )
( + ) 1
(1 )1
() ()
n
P
xi +1
(3.15)
i=1
i=1
i=1
3.6.
Ejercicios Propuestos
X1 =
1 X
Xi
2n i=1
Universidad de Carabobo
X2 =
1X
Xi
n i=1
174
X1 + X 2 + + X 7
7
T2 =
2X1 X6 + X4
2
Xi2
i=1
n
es un estimador insesgado de 2 .
7.
a. Demuestre que
n
X
V =
(Xi X )2 /n
2
i=1
es un estimador sesgado de 2 .
b. Determine la magnitud del sesgo en el estimador.
FaCyT-Matemticas
175
es un estimador insesgado de 2 .
11. Si X es una variable aleatoria binomial y
T1 =
X
n
T2 =
X +1
n+2
176
X1 =
1 X
Xi
2n i=1
X2 =
1 X
Xi
n 1 i6=3
177
1 X
Xi
b=
12 i=1
12
1 X
=
Xi ,
13 i=1
n!
px (1 p)nx , x = 0, 1, 2, . . . , n
(n x)!x!
0,
0p1
x = 1, 2, 3, . . .
con 0 1
Determine el estimador mxima verosimilitud del parmetro poblacional (suponga que mediante muestreo aleatorio simple se ha efectuado
n observaciones).
20. Determine el estimador del parmetro de una distribucin exponencial
que se obtiene por el mtodo de mxima verosimilitud. Compruebe las
propiedades de insesgadez, suficiencia, eficiencia y consistencia de tal
estimador.
Universidad de Carabobo
178
x > 0, > 0,
2
Obtenga la estimacin por el mtodo de mxima verosimilitud del parmetro desconocido 2 . Es sta una estadstica para 2 . A partir de
una muestra aleatoria de 10 aparatos que han durado funcionando 750,
215, 520, 853, 1042, 911, 876, 924, 978, y 413 das respectivamente.
24. Sea X una variable aleatoria que se distribuye segn la siguiente funcin
de densidad:
(
k
,
xk y >1
f (x; ) =
x+1
0,
otro caso
Obtenga los estimadores mxima verosimilitud.
FaCyT-Matemticas
179
n
P
Xi
i=1
b. X1 + X2
c. Xi , i = 1, 2, . . . , n
d. X12 + X22 exp(X3 )
e. Xi /, i = 1, 2, . . . , n
n
2
P
f.
Xi X
i=1
X + n/2
pb =
n+ n
28. Sea X1 , X2 , . . . , X4 , una muestra aleatoria de una poblacin con distribucin exponencial negativa, cuya funcin de densidad es
n o
(
1
exp
x ,
f (x; ) =
0,
otro caso
Considrese los siguientes estimadores para
2)
4)
3 +4X4 )
T1 = X1 , T2 = (X1 +X
+ (X3 +X
, T2 = (X1 +2X2 +3X
y T4 = X
6
3
5
a. Cules son estimadores insesgados de ?
b. Entre los estimadores insesgados, Cul tiene la varianza ms pequea?
Universidad de Carabobo
180
181
35. La funcin de verosimilitud L (x1 , x2 , . . . , xn ; ) toma valores diferentes dependiendo de los argumentos (x1 , x2 , . . . , xn ). Un mtodo para
deducir un estadstico suficiente mnimo desarrollado por Lehmann y
Scheff usa la relacin entre las verosimilitudes evaluadas en dos puntos
(x1 , x2 , . . . , xn ) y (y1 , y2 , . . . , yn ):
L (x1 , x2 , . . . , xn ; )
L (y1 , y2 , . . . , yn ; )
Muchas veces es posible hallar una funcin g (x1 , x2 , . . . , xn ) tal que
esta relacin no tenga parmetros desconocidos si y slo si
g (x1 , x2 , . . . , xn ) = g (y1 , y2 , . . . , yn )
Si se puede hallar esa funcin g, entonces g (X1 , X2 , . . . , Xn ) es un estadstico suficiente mnimo para .
a. Sea X1 , X2 , . . . , Xn una muestra aleatoria de una distribucin de
Bernoulli. De acuerdo con el mtodo de Lehmann y Scheff, cul
es el estadstico suficiente mnimo para p?
b. Sea X1 , X2 , . . . , Xn una muestra aleatoria de la funcin de densidad de Weibull, dada por
n 2o
(
2x
exp x , x > 0
f (x; ) =
0,
otro caso
De acuerdo con el mtodo de Lehmann y Scheff, cul es el estadstico suficiente mnimo para ?
36. Sea X1 , X2 , . . . , X2n+1 una muestra aleatoria de una distribucin normal.
a. Pruebe que la media muestral y la mediana son estimadores insesgados para .
b. cul es la eficiencia de la mediana con relacin a la media? cul
de los dos estimadores prefiere?
37. Sea X1 , X2 , . . . , Xn una muestra aleatoria de una distribucin Gamma
con parmetros de forma y escala (ambos desconocidos). Obtenga
por el mtodos de los momentos los estimadores para y .
Universidad de Carabobo
182
f (x; ) =
0, otro caso
Verifique se este estimador es
a. Un estimador insesgado
b. Un estimador consistente.
42. Dada una muestra aleatoria de tamao n tomada de una poblacin que
tiene la funcin de densidad
(
1
exp{ (x)
}, x >
f (x; ) =
0,
otro caso
donde < < y 0 < < , obtenga estimaciones simltaneas
de mxima verosimilitud para y .
43. Una mquina produce diariamente un lote de piezas. Un criterio basado
sobre normas de calidad vigente permite clasificar cada pieza fabricada como defectuosa o no defectuosa. El cliente aceptara el lote si la
proporcin de piezas defectuosas contenidas en el lote no sobrepasa
el valor 0 . El fabricante tiene que controlaar entonces la proporcin
de piezas defectuosas contenidas en cada lote que fabrica. Pero si la
cantidad de piezas N de cada lote es muy grande, no podr examinar
cada una para determinar el valor de . El fabricante efecta entonces
el control de calidad de una muestra aleatoria pequa con n piezas. Se
FaCyT-Matemticas
183
define la variable aleatoria X que toma el valor 1 si la pieza es defectuosa y 0 en el caso contrario. Sean X1 , X2 , . . . , Xn una muestra aleatoria
tomada del lote. Obtener el estimador de mxima verosimilitud de .
44. Sea X N (, 1) y la distribucin a priori N (0, 10).
a. Obtenga la distribucin a posteriori para .
b. Cul es la moda y la media de la distribucin a posteriori para
?
Universidad de Carabobo
184
FaCyT-Matemticas
Captulo 4
Estimacin por intervalos
4.1.
186
187
4.2.
Este mtodo consiste en determinar una cantidad que acte como pivote y
que posea las dos caracteristicas siguientes:
1. Que sea una funcin de una estadstica suficiente T y del parmetro
desconocido , donde sea la nica cantidad desconocida,
X = f (T, )
2. Que su distribucin de probabilidad no dependen del parmetro .
Como la probabilidad del evento del evento (a X b) no resulta afectada
por un cambio de escala o una translacin de X. Entonces se seleccionan dos
valores x1 y x2 tales que
P (x1 X x2 ) = 1
mediante una manipulacin algebraica se puede modificar el contenido entre
parntesis y expresarlo como
P (L (T ) U (T )) = 1
Universidad de Carabobo
4.3.
4.3.1.
/ n
FaCyT-Matemticas
189
sigue una distribucin normal estndar. Dicha variable se utilizar como cantidad pivote para calcular el intervalo de confianza para . Entonces, de la
figura (4.2)
Figura 4.2: P z 2 Z z1 2 = 1
P z 2 Z z1 2 = 1
X
z1 2 = 1
P z 2
/ n
P z2
X z1 2
=1
n
n
X =1
P z 2 X z1 2
n
n
P X z 2
X z1 2
=1
n
n
P X z1 2
X z 2
=1
n
n
P X z1 2
X + z1 2
=1
n
n
(4.1)
x z1 2
x + z1 2
n
n
en donde:
l = x z1 2
y
u=x+z
1
2
Ejemplo 4.1. La nota de una prueba de aptitud siguen una distribucin normal con desviacin estndar 28 2. Una muestra aleatoria de nueve alumnos
arroja los siguientes resultados:
n = 9,
n
X
i=1
xi = 1098 y
n
X
x2i = 138148
i=1
x z1 2
n
donde z1 2 es el valor de la distribucin normal estndar que verifica
P Z z1 2 = 1
2
FaCyT-Matemticas
191
a la izquierda.
x=
xi
i=1
1098
= 122
9
como 1 = 0 9, entonces = 0 1 y
z1 2 = z1 0 1 = z0 95 = 1 95
2
x z1 2
n
para un coeficiente de confianza grande, el valor cuantil incrementa dando
como resultado un intervalo de confianza ms amplio.
Otra forma de justificar esto es recurriendo a la frmula del intervalo, que
nos dice que su longitud viene dado por:
Lo = x + z1 2
x z1 2
n
n
o
Lo = 2z1 2
(4.2)
n
Ahora, si y n permanecen fijos, para estudiar como vara Lo al cambiar
basta ver como vara el cuantil. Al intervalo del 95 % le corresponde:
1 = 0 95,
Universidad de Carabobo
entonces = 0 05
Lo = 2z1 2
n
de aqu
n = 2z1 2
Lo
y
2
n = 2z1 2
Lo
as que,
n = 2z1 2
2
2
28 2
= 2(1 65)
= 86 60
Lo
10
P X z1 2
X + z1 2
=1
n
n
entonces
P | X |< = 1
en donde:
= z1 2
FaCyT-Matemticas
193
y
n=
z1 2
2
z1 2
2
Como
= 2 5,
z1 2 = z0 95 = 1 65 y
= 28 2
entonces
n=
(1 65)(28 2)
2 5
2
= 346 41
x + z1
n
Universidad de Carabobo
4.3.2.
Con frecuencia se intenta estimar la media de una poblacin cuando se desconoce la varianza de la poblacin. De la Seccin (2.4.2) se sabe que si se tiene
una muestra aleatoria X1 , X2 , . . . , Xn de una distribucin normal, entonces
la variable aleatoria
X
T =
S/ n
tiene una distribucin t de Student con n 1 grados de libertad. Aqu S es
la desviacin estndar de la muestra aleatoria. Entonces, si la varianza 2 de
la poblacin es desconocida se puede utilizar T como cantidad pivote para
construir un intervalo de confianza estimado para del 100(1 ) %. De la
figura (4.3),
195
= 0 05 y
= 0 025
2
entonces, t1 2 ,n1 = t0 975,6 = 2 447. De aqu es intervalo de confianza estimado del 95 % para es:
0 283
0 283
10 (2 447)
10 + (2 447)
7
7
que se reduce a
9 74 10 26
Universidad de Carabobo
n
mientras que el intervalo de confinza superior estimado del 100(1 ) % para
es:
s
x + t1,n1
n
4.4.
4.4.1.
Sean X1 , X2 , . . . , Xn y Y1 , Y2 , . . . , Ym dos muestras aleatorias de dos distribuciones normales independientes, con medias x y y y varianzas x2 y y2
(conocidas), respectivamente. Si
n
P
X=
i=1
Xi
m
P
Yi
i=1
y Y =
n
m
son las medias muestrales para las muestras aleatorias de X y Y , respectivamente. Entonces, de la seccin (2.5), la variable aleatoria
Z=
X Y (x y )
q
y2
x2
+
n
m
(4.3)
FaCyT-Matemticas
197
tiene una distribucin normal estndar. La expresin (4.3) se puede usar como
cantidad pivote para construir un intervalo de confianza para la diferencia
x y . De la figura (4.2), se puede asegurar que:
(4.4)
P z1 2 Z z1 2 = 1
Sustituyendo (4.3) en (4.4)
X Y (x y )
q
z1 2 = 1
P z1 2
y2
x2
+m
n
Multiplicando por
r
x2 y2
+
n
m
restando la diferencia de medias muestrales X Y y, finalmente, multiplicando por 1 en todos sus miembros, se tiene que
!
r
r
x2 y2
x2 y2
+
x y X Y + z1 2
+
= 1
P X Y z1 2
n
m
n
m
Para muestras aleatorias particulares de tamaos n y m, se calculan los
valores de x y y y se obtiene el intervalo de confianza del 100(1 ) % para
x y
r
r
x2 y2
x2 y2
+
x y x y + z1 2
+
x y z1 2
n
m
n
m
en donde el valor cuantil z1 2 , es tal que:
P Z z1 2 = 1
2
Ejemplo 4.4. Construya un intervalo de confianza del 94 % para la diferencia real entre las duraciones de dos marcas de bombillo, si una muestra
aleatoria de 40 bombillos tomada de la primera marca tuv una duracin media de 418 horas y una muestra aleatoria de 50 bombillos de la segunda marca
dieron una duracin media de 402 horas. Las desviaciones estndar de las
dos poblaciones son 26 y 22 horas, respectivamente. Qu se puede concluir?
Universidad de Carabobo
x2 = 402 h
2 = 22 h
n2 = 50
x2 y2
+
nr m
262 222
+
=418 402 z0 97
40
50
=16 1 88(5 16)
=16 9 7
=6 3 h
l =x y z1 2
y
r
x2 y2
+
nr m
262 222
=418 402 + z0 97
+
40
50
=16 + 1 88(5 16)
=16 + 9 7
=25 7 h
l =x y + z1 2
199
r
P
| X Y (x y )| < z1 2
x2 y2
+
n
m
!
=1
(4.6)
x2 y2
+
n
m
Ejemplo 4.5. Un experimentador desea comparar la efectividad de dos mtodos de capacitacin para obreros que van a realizar una operacin de ensamble. los obreros seleccionados han de dividirse en dos grupos de igual
tamao, el primero para recibir el mtodo A de capacitacin y el segundo el
mtodo B de capacitacin. Despus de la capacitacin cada obrero realizar
la operacin de ensamble y se registrar el tiempo que le tome hacerlo. La
variabilidad de cada mtodo de ensamble es aproximadamente de 2 = 4. Si
la estimacin de la diferencia en los tiempos promedio de ensamble debe ser
correcta con una variacin de no ms de 1 minuto con probabilidad de 0 95,
Universidad de Carabobo
4.4.2.
201
n
P
Sy2 =
Yi Y
2
i=1
Sp2 =
m1
Entonces, de la Seccin (2.5), la variable
T =
(n 1)Sx2 + (m 1)Sy2
n+m2
X Y (x y )
q
Sp n1 + m1
(4.7)
tiene una distribucin t de Student con n + m 2 grados de libertad. La expresin (4.7) se puede usar como cantidad pivote para construir un intervalo
de confianza estimado del 100(1 ) % para la diferencia x y cuando las
varianzas de ambas poblaciones son desconocidas pero iguales. De la figura
(4.3), se puede asegurar que
(4.8)
P t1 2 ,n+m2 T t1 2 ,n+m2 = 1
sustituyendo (4.7) en (4.8), se tiene que:
X Y (x y )
q
P t1 2 ,n+m2
t1 2 ,n+m2 = 1
1
1
Sp n + m
Multiplicando por
r
Sp
1
1
+
n m
restando la diferencia de medias muestrales X Y y, finalmente, multiplicando por 1 en todos sus miembros, se tiene que
r
P
X Y t1 2 ,n+m2 Sp
1
1
+
x y X Y + t1 2 ,n+m2 Sp
n
m
1
1
+
n
m
!
= 1
Si x, y, s2x y s2y son las medias y las varianzas de dos muestras aleatorias
de tamaos n y m, respectivamente, tomadas de dos poblaciones normales e
independientes con varianzas desconocidas pero iguales, entonces un intervalo
de confianza estimado del 100(1 ) % para la diferencia entre las medias
x y es:
r
r
1
1
1
1
x y t1 2 ,n+m2 sp
+
x y x y + t1 2 ,n+m2 sp
+
n m
n m
Universidad de Carabobo
(n 1)s2x + (m 1)s2y
n+m2
es el estimador combinado de la desviacin estndar comn de la poblacin,
y t1 2 ,n+m2 es el valor cuantil tal que:
P T t1 2 ,n+m2 = 1
2
Ejemplo 4.6. Para alcanzar la mxima eficiencia al realizar una operacin
de ensamble en una planta manufacturera, obreros nuevos requieren aproximadamente un periodo de capacitacin de 1 mes. Se sugirieron un nuevo
mtodo de capacitacin y se realiz un examen para comparar el nuevo mtodo contra el procedimiento estndar. Dos grupos de nueve obreros nuevos
cada unos fueron capacitados durante 3 semanas, un grupo usando el nuevo mtodo y el otro siguiendo el procedimiento estndar de capacitacin. El
tiempo (en minutos) requerido por cada obrero para ensamblar el dispositivo
se registr al final del periodo de 3 semanas. Las mediciones resultantes son
las que se muestran en la siguiente tabla
sp =
Estndar
Nuevo
32
35
37
31
35
29
28
25
41
34
44
40
35
27
31
32
34
31
xN = 31 56 h
sN = 20 027 h
nN = 9
203
donde:
r
l =x y t1 2 ,n+m2 sp
1
1
+
n m
r
1 1
+
9 9
y
r
u =x y + t1 2 ,n+m2 sp
1
1
+
n m
r
1 1
+
9 9
4.4.3.
X Y (x y )
q
Sy2
Sx2
+
nx
ny
(4.9)
P T t1 2 , = 1
2
FaCyT-Matemticas
205
Catalizador 1
Catalizador 2
57 9
66 4
66 2
71 7
65 4
70 3
65 4
69 3
65 2
64 8
62 6
69 6
67 6
68 6
63 7
69 4
67 2
65 3
71
68 8
Encuentre un intervalo de confianza del 95 % para las diferencias de las concentraciones activas promedio, suponiendo que las varianzas no son iguales.
Solucin:
Para los datos de la Tabla
x1 = 65 22
s1 = 3 44
n1 = 10
x2 = 68 42
s2 = 2 22
n2 = 10
2
s1
n1
s2
2
n2
s21
s2
+ n22
n1
2 2
n1 1
2
= 0 025 y
2
(3 44)2
(2 22)2
+
10
10
2 2
2 2
n2 1
(3 44)
10
101
(2 22)
10
101
(1 68)
2 82
=
0 16 + 0 03
0 19
= 14 84 14
s2
s21
+ 2
n1 n1
r
(3 44)2 (2 22)2
= 65 22 68 42 t0 975,14
+
10
10
= 3 2 (2 14)(1 29) = 3 2 2 76
= 5 96
l = x1 x2 t1 2 ,
y
s
s21
s2
+ 2
n1 n1
r
(3 44)2 (2 22)2
= 65 22 68 42 + t0 975,14
+
10
10
= 3 2 + (2 14)(1 29) = 3 2 + 2 76
= 0 44
u = x1 x2 + t1 2 ,
207
4.5.
Se nota que:
,n1
2
21 ,n1
2
=1
1)S
P
=1
2
21 ,n1
2 ,n1
2
Universidad de Carabobo
(4.13)
208
Si s2 es la varianza muestral de una muestra aleatoria tomada de una distribucin normal con varianza desconocida 2 , entonces un intervalo de confianza
estimado del 100(1 ) % para 2 es:
(n 1)s2
(n 1)s2
2
21 ,n1
2 ,n1
2
donde: ,n1 y
2
21 ,n1
2
P X 21 ,n1 = 1
2
2
respectivamente.
Ejemplo 4.8. Un experimentador desea comprobar que la variabilidad de
mediciones obtenidas al usar un equipo diseado para medir el volumen de
una fuente de audio. Doces mediciones independientes registradas por este
equipo para la misma fuente de sonido fueron
4 1
10 2
3 9 3 8 5 2 4 3
7 1 6 7 8 8 9 7
4
5 9
21 ,n1
2 ,n1
2
donde:
l=
(n 1)s2
21 ,n1
2
(11)(5 5481)
61 0291
=
2
0 95,11
19 6752
= 3 1018
FaCyT-Matemticas
209
y
l=
(n 1)s2
2 ,n1
2
61 0291
(11)(5 5481)
=
=
2
0 05,11
4 5748
= 13 3402
de esta manera
3 1018 2 13 3402
Intervalos de confianza unilaterales
Un intervalo de confianza superior estimado del 100(1 ) % para 2 es:
2
(n 1)S 2
2,n1
4.6.
se observa que:
P f 2 ,nx 1,ny 1 F f1 2 ,nx 1,ny 1 = 1
(4.15)
f1 2 ,nx 1,ny 1
,n 1,ny 1
s2x 2 x
x2
s2x
FaCyT-Matemticas
211
donde f 2 ,nx 1,ny 1 y f1 2 ,nx 1,ny 1 son los valores cuantiles tale que:
P F f 2 ,nx 1,ny 1 =
2
y
P F f1 2 ,nx 1,ny 1 = 1
2
respectivamente.
Ejemplo 4.9. Considere el ejemplo (4.7), construya un intervalo de confianza del 95 % para el cociente de las varianzas poblacionales 12 /22 . Parece
razonable concluir que las varianzas no son iguales?
Solucin:
Si se puede suponer normalidad en los datos obtenidos por cada catalizador,
entonces un intervalo de confianza estimado del 95 % para el cociente de las
varianzas poblacionales 12 /22 , viene dado por:
12
s21
s21
f1 2 ,n2 1,n1 1
,n
1,n
1
1
s22 2 2
22
s22
donde:
s21
f ,n 1,n2 1
s22 2 1
(3 44)2
f0 025,9,9 = (2 4)(0 248)
=
(2 22)2
= 0 5952
l=
y
s21
f1 2 ,n1 1,n2 1
s22
(3 44)2
=
f0 025,9,9 = (2 4)(4 026)
(2 22)2
= 9 6624
u=
12
9 6624
22
f1,nx 1,ny 1
x2
s2x
mientras que el intervalo de confianza inferior estimado del 100(1) % para
y2 /x2 es:
s2y
y2
f,nx 1,ny 1 2
s2x
x
4.7.
Supongase que se necesita calcular un intervalo de confianza para el parmetro p desconocido de una distribucin binomial. Dada una muestra aleatoria
de tamao n, se estima p mediante la proporcin muestral
X
Pb =
n
en donde, X sigue una distribucin binomial con parmetros n y p. Cuando
el tamao muestral es suficientemente grande, la distribucin de
Pb p
Z=q
(4.16)
p(1p)
n
FaCyT-Matemticas
213
b
P p
P z1 2 q
z1 2 ' 1
(4.17)
p(1p)
n
p)
p(1
p)
P Pb z1 2
p Pb + z1 2
'1
(4.18)
n
n
Observe, que los lmites inferior y superior del intervalo de confianza obtenidos a partir de la expresin (4.18) contienen el parmetro desconocido p.
Sin embargo, una solucin a este problema es remplazar p por Pb, lo que da
como resultado
s
s
b
b
b
b
P (1 P )
P (1 P )
p Pb + z1 2
' 1 (4.19)
P Pb z1 2
n
n
De esta forma, un intervalo de confianza aproximado del 100(1 ) % para
el parmetro de proporcin p, es
r
r
pb(1 pb)
pb(1 pb)
pb z1 2
p pb + z1 2
(4.20)
n
n
en donde el estimador pb = x/n se obtiene de la muestra aleatoria de tamao
n.
Ejemplo 4.10. En una muestra aleatoria de 85 soportes para el cigueal de
un motor de automvil, 10 tienen un terminado que es ms rugoso de lo que
las especificaciones permiten. Determine un intervalo de confianza estimado
Universidad de Carabobo
10
x
=
= 0 12
n
85
(4.21)
(4.22)
4.7.1.
Seleccin de la muestra
p(1 p)
n
z1 2
2
p(1 p)
(4.23)
Notes que para utilizar la ecuacin (4.23) se requiere conocer el valor del
parmetro desconocido p. Una manera de resolver el problema es siendo
FaCyT-Matemticas
215
z1 2
2
(0 25)
(4.24)
0 05
Intervalos de confianza unilaterales
Un intervalo de confianza inferior estimado del 100(1 ) % para p es:
r
pb(1 pb)
pb z1
p
(4.25)
n
y, un intervalo de confianza superior estimado del 100(1 ) % para p es:
r
pb(1 pb)
p pb + z1
(4.26)
n
4.8.
Supongase que se necesita construir un intervalo de confianza para la diferencias de proporciones p1 p2 de dos distribuciones binomiales. Dadas dos
Universidad de Carabobo
(4.27)
b
b
P1 P2 (p1 p2 )
z1 2 ' 1
(4.28)
P z1 2 q
Pb1 (1Pb1 )
Pb2 (1Pb2 )
+
n1
n2
Si en las desigualdades de (4.28) se multiplica por
s
Pb1 (1 Pb1 ) Pb2 (1 Pb2 )
+
n1
n2
se resta la diferencias de proporciones muestrales Pb1 Pb2 , y se multiplica por
1 en todos sus miembros, queda el intervalo aleatorio
P Pb1 Pb2 z1
2
Pb1 (1 Pb1 )
Pb2 (1 Pb2 )
+
p1 p2 Pb1 Pb2 + z1
2
n1
n2
Pb1 (1 Pb1 )
Pb2 (1 Pb2 )
+
n1
n2
(4.29)
1
2
pb1 (1 pb1 )
pb2 (1 pb2 )
+
p1 p2 pb1 pb2 + z1 2
n1
n2
pb1 (1 pb1 )
pb2 (1 pb2 )
+
n1
n2
(4.30)
217
pb1 (1 pb1 )
pb2 (1 pb2 )
+
p1 p2 pb1 pb2 + z0 025
n1
n2
o
r
0 120 091 96
0 12(0 88)
0 09(0 91
+
p1 p2 0 120 09+1 96
85
n2
pb1 (1 pb1 )
pb2 (1 pb2 )
+
n1
n2
(4.31)
0 12(0 88)
0 09(0 91
+
85
n2
(4.32)
lo cual se reduce
0 06 p1 p2 0 12
Como este intervalo de confianza incluye al cero, con base en los datos muestrales, parece poco probable que los cambios hechos en el proceso de acabado de
la superficie hayan reducido el nmero de soportes defectuosos para cigueal
producidos por el proceso.
Intervalos de confianza unilaterales
Un intervalo de confianza inferior estimado del 100(1 ) % para p1 p2 es:
s
pb1 pb2 z1
(4.33)
4.9.
218
Ejercicios Propuestos
219
6. Se supone que el voltaje de salida de una fuente de energa tiene distribucin normal. Enseguida se presentan 16 observaciones de voltaje.
10 35 9 30
11 65 12 00
11 54 9 95
10 44 9 25
10 00
11 25
10 28
9 38
9 96
9 58
8 37
10 85
7. Se investiga el dimetro de las varillas de acero fabricadas en dos diferentes mquinas de extrusin. Para ello se toman dos muestras aleatorias de tamaos n1 = 15 y n2 = 18; las medias y las varianzas muestrales son x1 = 8 73, s21 = 0 35, x2 = 8 68 y s22 = 0 40, respectivamente.
Suponga que 12 = 22 . Construya un intervalo de confianza bilateral del
95 % para la diferencia en el dimetro promedio de varilla.
220
en la siguiente tabla
36925
45300
36240
32100
37210
48360
38200
33500
34318
42280
35500
31950
38045
47800
37810
33215
10. Se usan dos mquinas para llenar botellas de vidrio con gaseosa. Los
procesos de llenado tienen desviaciones estndares conocidas 1 = 0 010
L y 2 = 0 015 L, respectivamente. Una muestra aleatoria de n1 = 25
botellas de la maquina 1, y una muestra aleatoria de n2 = 20 botellas de la mquina 2, dan como resultado contenidos medios netos de
x1 = 2 04 L y x1 = 2 07 L, respectivamente. Determine un intervalo
de confianza de 95 % para la diferencia en volumen medio de llenado. Concluira, con base en los resultados de este clculo, que ambas
mquinas producen el mismo volumen de llenado?.
221
1 54
1 41
1 56
1 37
1 20
1 31
1 27
1 35
222
Templado en aceite
145
150
153
148
141
152
146
154
139
148
152
150
147
155
140
146
158
152
151
143
223
18. Se usan dos procesos para fabricar piezas forjadas que se utilizan en el
montaje de un ala de avin. De 200 piezas, seleccionadas del proceso
1, se tiene que 30 no cumplen con las especificaciones de resistencia,
mientras que 300 piezas, seleccionadas del proceso 2, 40 no estn conformes. Calcule la fraccin de disconformes para cada proceso. Determine
un intervalo de confianza al 90 % para la diferencia en la fraccin de
disconformes de los dos procesos.
19. Se analiza la fraccin de productos defectuosos producidos por dos lneas de produccin. Una muestra aleatoria de 100 unidades provenientes de la lnea 1 contiene 10 que son defectuosas, mientras que una
muestra aleatoria de 120 unidades de la lnea 2 tiene 25 que son defectuosas. Encuentre un intervalo de confianza del 99 % para la diferencia
en fracciones de productos defectuosos producidos por las dos lneas.
Universidad de Carabobo
224
FaCyT-Matemticas
Captulo 5
Prueba de hiptesis sobre los parmetros
5.1.
226
FaCyT-Matemticas
227
Universidad de Carabobo
228
Si, para una muestra particular, el valor calculado del estadstico de prueba
cae en la regin de rechazo RR, se rechaza la hiptesis nula H0 y se acepta
la hiptesis alternativa Ha . Si el valor del estadstico de prueba no cae en la
regin de rechazo RR, se acepta H0 .
Para el ejemplo, valores grandes de X conduce al rechazo de la hiptesis nula
H0 , entonces una regin de rechazo que se puede considerar es el conjunto
de todos los valores de X mayores o iguales a 5. Dicho de otra forma,
RR = {x : x 5}
Como se ha dicho valores grandes de X son favorables para la hiptesis
alternativa Ha : p > 0 05 y contradictorio para la hiptesis nula H0 : p = 0 05.
Entonces de manera intuitiva se puede seleccionar la regin de rechazo como
RR = {x : x k}
Pero surge una pregunta,
Qu valor se debe escoger para k?
En forma general, se busca algunos criterios objetivos para decidir cul valor
de k especifica una buena regin de rechazo de la forma {x : x k}.
Para cualquier regin de rechazo fija (determinada para un valor particular
de k ), existen dos tipos de errores que pueden cometerse al llegar a una
decisin. Se puede decidir a favor de la hiptesis alternativa Ha cuando H0
es verdadera (error tipo I), o se puede decidir a favor de H0 cuando Ha es
en realidad verdadera (error tipo II). La siguiente tabla muestra las distintas
alternativas con los posibles resultados:
H0 es cierta
H1 es cierta
Acepta H0
Decisin correcta
Error tipo II
Rechazar H0
Error tipo I
Decisin correcta
FaCyT-Matemticas
229
H0 : p = 0 05
vs
Ha : p > 0 05
El estadstico de prueba es X, el nmero de productos defectuosos. Calcule
si se selecciona RR = {x 5} como la regin de rechazo.
Solucin:
Por definicin,
= P (Error tipo I )
= P (rechazar H0 | H0 es verdadera)
= P (valor del estadstico de prueba est en RR |H0 es verdadera)
= P (X 5 | p = 0 05)
= 1 FB (4; 15, 0 05)
= 1 0 9994
= 0 0006
Universidad de Carabobo
230
231
232
Observacin 5.2. Si se cambia la regin de rechazo para aumentar , entonces disminuir. Del mismo modo, si el cambio en la regin de rechazo
resulta en una disminucin en , entonces aumentar de manera uniforme.
Por tanto, y estn relacionados de manera inversa.
Para casi todas las pruebas estadsticas, si est fija en algn valor aceptablemente pequeo, disminuye cuando se aumenta el tamao muestral.
Ejemplo 5.5. Ahora si se muestrean n = 20 productos. Calcule la probabilidad del error tipo I y la probabilidad del error tipo II si p = 0 1,
p = 0 3 y p = 0 5 para cada una de las regiones de rechazo RR = {x 2},
RR = {x 5} y RR = {x 6}. Compare los resultados con los obtenidos
cuando se muestrearon n = 15 productos.
Solucin:
Sea X el nmero de productos defectuosos en la muestra de tamao n = 20.
Entonces:
Para la regin de rechazo RR = {x 2} la probabilidad del error tipo
I viene dada por:
= P (Error tipo I ) = P (X 2 | p = 0 05)
= 1 FB (1; 20, 0 05) = 1 0 7358
= 0 2642
Para la regin de rechazo RR = {x 2}, la probabilidad del error tipo
II si p = 0 1, p = 0 3 y p = 0 5 vienen dadas por:
(0 1) = P (X 1 | p = 0 1) = FB (1; 20, 0 1) = 0 3912
(0 3) = P (X 1 | p = 0 3) = FB (1; 20, 0 3) = 0 0076
(0 5) = P (X 1 | p = 0 5) = FB (1; 20, 0 5) = 0 0000
Para la regin de rechazo RR = {x 5} la probabilidad del error tipo
I viene dada por:
= P (Error tipo I ) = P (X 5 | p = 0 05)
= 1 FB (4; 20, 0 05) = 1 0 9974
= 0 0026
FaCyT-Matemticas
233
5.2.
Supngase que se desea probar un conjunto de hiptesis respecto a un parmetro con base en una muestra aleatoria X1 , X2 , . . . , Xn . En est seccin
se desarrollarn procedimientos de prueba de hiptesis que estn basados
en un estimador b que tiene una distribucin muestral normal (aproximadamente) con media y error estndar b, es decir, estimadores de tales que
b N (, 2b).
La tabla siguiente muestra algunos estimadores puntuales b para el parmetro
objetivo cuya distribucin muestral para tamao(s) de muestra(s) grandes
siguen de manera aproximada una distribucin normal con media y error
estndar b
Universidad de Carabobo
234
Parmetro
objetivo
tamao(s)
muestral(es)
Estimador
puntual b
E b
Error
estndar b
X
Pb =
n
s
1 2
n1 y n2
X1 X2
n1 y n2
c1 P
c2
P
1 2
r
p1 p2
p1 p2
p(1p)
n
12
+
n1
22
n2
p1 (1 p1 )
+
n1
p2 (1p2 )
n2
H0 : = 0
vs
Ha : > 0
La siguiente figura (5.1) contiene una grfica que ilustra las distribuciones
muestrales de b para varios valores de
235
y
k 0
P Z
=1
b
de la figura (5.2)
Universidad de Carabobo
236
implica que:
k 0
= z1
b
y de aqu se tiene que:
k = 0 + z1 b
(5.1)
b 0
b
237
de significancia , es la siguiente:
H0 : = 0
vs
Ha : > 0
Estadistico de prueba : Z0 =
RR = z0 > z1
b 0
b
H0 : = 15
vs
Ha : > 15
Se sabe que para n lo suficientemente grande, la media muestral X es un estimador puntual de que est distribuida normalmente en forma aproximada
con
y
X =
X =
n
de esta manera, el estadstico de prueba es:
Z0 =
X 0
X 0
=
X
/ n
238
=4
z0 =
s/ n
3/ 36
Debido a que valor observado de z0 se encuentra en la regin de rechazo, se
rechaza H0 : = 15. Entonces, al nivel de significancia = 0 05, la evidencia
es suficiente para indicar que la afirmacin del vicepresidente es incorrecta y
que el nmero promedio de contactos de venta por semana es mayor que 15.
Ejemplo 5.7. Se usan dos procesos para fabricar piezas forjadas que se utilizan en el montaje de un ala de avin. Un anlista de calidad afirma que
la fraccin de piezas forjadas defectuosas para el proceso 1 es mayor al del
proceso 2. De 200 piezas, seleccionadas del proceso 1, se tiene que 30 no
cumplen con las especificaciones de resistencia, mientras que de 300 piezas,
seleccionadas del proceso 2, 40 estn defectuosas. Los datos muestrales apoyan la afirmacin del anlista de calidad? Use una prueba con un nivel de
significancia = 0 01.
Solucin:
Si X1 y X2 denota el nmero de piezas defectuosas en las muestras de tamao
200 y 300, tomadas de los procesos 1 y 2, respectivamete. Entoces X1 y X2 son
variables aleatorias binomiales, con p1 y p2 denotando la probabilidad de que
la pieza seleccionada al azar del proceso 1 y 2 sea defectuosa, respectivamente.
En consecuencia, se desea probar la hiptesis nula
H0 : p1 p2 = 0
vs
Ha : p1 p2 > 0
El estadstico de prueba, est dado por:
Z=r
c1 P
c2 (p1 p2 )
P
p1 (1 p1 ) p2 (1 p2 )
+
n1
n2
FaCyT-Matemticas
239
c1 P
c2
P
Pb(1 Pb) Pb(1 Pb)
+
n1
n2
30/200 40/300
240
La prueba de
H0 : = 0
vs
Ha : < 0
se hace de modo anlogo, excepto que ahora se rechaza H0 para valores de b
que sean mucho menores que 0 . El estadstico de prueba sigue siendo
Z0 =
b 0
b
H0 : = 0
vs
Ha : 6= 0
se rechaza H0 si b es mucho menor o mucho mayor que 0 . El estadstico de
prueba sigue siendo:
b 0
Z0 =
b
pero la regin de rechazo est ubicada simtricamente en las dos colas de la
distribucin de probabilidad para Z como se ilustra en la figura (5.4)
FaCyT-Matemticas
241
> 0
Ha : < 0
6= 0
Como dicidir cul hiptesis alternativa usar para una prueba? La respuesta
depende de la hiptesis que se quiera apoyar. Por ejemplo, si se quiere detectar un aumento en el tiempo de armado promedio de un artculo, se debe
localizar la regin de rachazo en la cola superior de la distribucin normal.
Universidad de Carabobo
242
n2 = 50
x1 = 90 80
s22 = 1 06
Los datos presentan evidencia para sugerir una diferencia entre el ndice
octnico medio para la formulacin 1 (con plomo) y el ndice octnico medio
para la formulacin 2 (sin plomo). Use un nivel de significancia de 0 01.
Solucin:
Como se desea probar la hiptesis de que las media difieren, se debe probar
H0 : 1 2 = 0
vs
Ha : 1 2 6= 0
Como las muestras son independientes y ambas son grandes, el estadstico de
prueba est dado por
Z0 =
X 1 X 2 (1 2 )
q 2
1
2
+ n22
n1
FaCyT-Matemticas
243
donde 12 y 22 son las respectivas varianzas poblacionales. La regin de rechazo de dos colas viene dada por:
RR = {|z0 | z1/2 }
donde = 0 01 y /2 = 0 01/2 = 0 005. Como P (Z 2 58) = 0 995,
entonces, la regin de rechazo es:
RR = {|z0 | 2 58}
Para muestras grandes, las varianzas muestrales dan buenas estimaciones
de sus correspondientes varianzas poblaciones. En consecuencia, el valor del
estadstico de prueba bajo H0 es:
z0 =
90 70 90 80 0
q
= 0 46
1 35
1 06
+
50
50
5.3.
Considrese la prueba
H0 : = 0
vs
Ha : > 0
Supngase que en realidad = a donde (a > 0 ). La regin de rechazo es
de la forma:
RR = {b : b > k}
Universidad de Carabobo
244
3
k = 0 + z0 95 = 15 + 1 645
n
36
= 15 8225
FaCyT-Matemticas
245
y
= P X 15 8225 | = 16
15 8225 16
=P Z
3/ 36
= P (Z 0 36)
= 0 3594
En la figura (5.5) se ilustra la regin de rechazo, la probabilidad del error tipo
I y la probabilidad del error tipo II .
5.4.
H0 : = 0
vs
Ha : > 0
Para y fijos, se tiene que:
= P X > k | = 0
Universidad de Carabobo
k 0
Z>
/ n
=
k = 0 + z1
n
(5.3)
de la misma forma
= P X k | = a
v k a
P Z
=
/ n
de aqu:
k a
= z
/ n
y
k = a + z
n
igualando las ecuaciones (5.3) y (5.4),
= a + z
0 + z1
n
n
(5.4)
(z1 z )2 2
(a 0 )2
(5.5)
es el tamao muestral para satisfacer el nivel de significancia y la probabilidad del error tipo II .
Se obtendra exactamente la misma expresin (5.5) para el tamao muestral
n ( y fijos), para probar
H0 : = 0
vs
Ha : < 0
En el caso en que se desea obtener el tamao muestral n para probar
H0 : = 0
vs
Ha : 6= 0
FaCyT-Matemticas
247
(z1/2 z )2 2
(a 0 )2
(5.6)
Ejemplo 5.10. Suponga que el vicepresidente del ejemplo (5.6), desea probar
H0 : = 15
vs
Ha : = 16
con = = 0 05. Determine el tamao muestral que asegura esta precisin.
Suponga que 2 es aproximadamente 9.
Solucin:
Como = = 0 05, se deduce que z1 = z0 95 = 1 645 y z = z0 05 =
1 645. Entonces
(z1 + z )2 2
(1 645 + 1 645)2 (9)
n=
=
(a 0 )2
(16 15)2
= 97 4
Por lo tanto, deben usarse n = 98 observaciones para satisfacer que = =
0 05.
5.5.
248
H0 : p = 0 05
vs
Ha : p > 0 05
El estadstico de prueba es X, el nmero de productos defectuosos en la muestra de tamao n = 15, cul es el valor p si X = 4? Interprete el resultado.
Solucin:
Como H0 debera ser rechazada para valores grandes de X. Entonces, el valor
p para est prueba est dado por
P (X 4)
donde X tiene una distribucin binomial con n = 15 y p = 0 05. Entonces,
vp = P (X 4)
= 1 P (X 3)
= 1 FB (3; 15, 0 05)
= 1 0 9945
= 0 0055
Por tanto, vp = 0 0055 representa el valor ms pequeo de para el cul la
hiptesis nula es rechazada, en consecuencia, si se especifica cualquier valor
de 0 0055 sera llevado a rechazar H0 y concluir que el fabricante no
tiene la razn acerca de su afirmacin.
FaCyT-Matemticas
249
P (Z z0 )
para una prueba de cola inferior
Universidad de Carabobo
5.6.
T =
S/ n
FaCyT-Matemticas
251
> 0
Ha : < 0
6= 0
X 0
Estadstico de prueba: T0 =
S/ n
Ejemplo 5.13. Un ingeniero que trabaja para una fabricante de llantas investiga la duracin promedio de un compuesto nuevo de caucho. Para ello,
construye 16 llantas y las prueba en una carretera hasta alcanzar el fin de la
vida til de stas. Los datos, en Km, obtenidos son los siguientes:
60613
60545
59836
60257
59554
60000
60252
59997
59784
69947
60221
60135
60311
60220
50040
60523
H0 : = 60000
vs
Ha : > 60000
El estadstico de prueba es:
T0 =
X 0
S/ n
x 0
60139 69 60000
=
= 0 153
s/ n
3645 936/ 16
FaCyT-Matemticas
253
por interpolacin lineal, se tiene que P (T15 < 0 153) 0 553, de esta manera
el valor p es:
vp = 1 P (T15 < 0 153) 1 0 553 = 0 447
Como vp > 0 05, no se puede rechazar H0 al nivel de significancia de =
0 05.
5.7.
Supngase que se necesita probar hiptesis que compara las medias de dos
distribuciones normales donde las varianzas x2 y y2 son desconocidas. Para
probar ests hiptesis se utilizar la distribucin t de Student. Se pueden
suponer dos casos. En el primer caso, se supondr que las varianzas de las
dos distribuciones son desconocidas pero iguales. En el segundo, se supondr
que x2 y y2 son desconocidas y distintas.
5.7.1.
Caso 1: x2 = y2 = 2
Supngase que X1 , X2 , . . . , Xnx y Y1 , Y2 , . . . , Yny son muestras aleatorias independientes seleccionadas de dos distribuciones normales con media x y
varianza 2 , y media y y varianza 2 , respectivamente. De la subseccin
(2.5.2), se sabe que la variable:
T =
donde:
Sp2 =
X Y (x y )
q
Sp n1x + n1y
254
x y > D0
Ha : x y < D0
6= D
x
Estadstico de prueba: T0 =
Regin de rechazo :
{|t | t
0
1 2 ,nx +ny 2 } (RR de dos colas)
Ejemplo 5.15. Dos distintos tipos de botellas de vidrio son adecuados para
su utilizacin en una embotelladora de bebidas gaseosas. La resistencia a la
presin interna de un envase es una caracterstica de calidad importante. De
una muestra aleatoria de n1 = 12 botellas del tipo 1, la resistencia media y
desviacin son x1 = 175 8 psi y s1 = 3 4 psi, respectivamente. Mientras que
una muestra aleatoria de n2 = 10 botellas del tipo 2, la resistencia media y
desviacin son x2 = 181 3 psi y s2 = 3 8 psi, respectivamente. La compaa
no utilizar el diseo de la botella 2 a no ser que su resistencia a la presin
exceda la del diseo 1 en, por lo menos, 5 psi. Suponga que la resistencia a
la presin interna es una variable normal para ambos diseos. Utilizar el
diseo 2, con base en los datos muestrales? Utilice = 0 01.
FaCyT-Matemticas
255
Solucin:
Se desea probar la hiptesis de que la resistencia a la presin interna de las
botellas del diseo 2 excede a la presin interna de las botellas del diseo 1
en, por lo menos, 5 psi. Por lo tanto,
H0 : 2 1 = 5
vs
Ha : 2 1 > 5
Suponiendo que 12 = 22 , el estadstico de prueba es:
T0 =
X 2 X 1 D0
q
Sp n11 + n11
donde:
Sp2 =
s2p =
Universidad de Carabobo
256
X 1 X 2 D0
181 3 175 8 5
q
q
=
1
1
1
1
sp n1 + n1
(3 59) 12
+ 10
0 5
1 54
= 0 325
5.7.2.
Caso 2: x2 6= y2
X Y (x y )
q
S2
Sx2
+ nyy
nx
(5.7)
257
H0 : 2 1 = 0
vs
Ha : 2 1 6= 0
El estadstico de prueba es
X Y
T0 = q 2
Sy2
Sx
+
nx
ny
La regin de rechazo es
RR = {|t0 | t1/2,v }
donde
=
2
2
(s2y /ny )
2=
ny 1
(152 /15)2
151
2 = 18 99 18
+ ny
+ 15
nx
15
Puesto que 2 101 < t0 < 2 101, no se puede rechazar H0 con el nivel de
significancia = 0 05. No hay evidencia fuerte que indique que el desgaste
abrasivo promedio sea diferente para las dos compaas.
Universidad de Carabobo
258
5.8.
(n 1)S 2
02
259
2
2
> 0
Ha : 2 < 02
2 6= 2
0
(n 1)S 2
Estadstico de prueba: 20 =
02
2
2
{0 1,n1 }
Regin de rechazo :
{20
{2
0
2,n1 }
21 ,n1
2
21 ,n1 }
2
Ejemplo 5.17. Se inserta un remache en un agujero. Si la desviacin estndar del dimetro del agujero es mayor que 0 01 mm, entonces existe una
probabilidad inaceptablemente grande de que el remache no entre en el agujero. Se toma una muestra aleatoria de n = 15 piezas, y se mide el dimetro del
agujero. La desviacin estndar muestral de las mediciones de estos dimetros es s = 0 008 mm existe evidencia fuerte que indique que la desviacin
estndar del dimetro del agujero es mayor que 0 01 mm? Utilice = 0 01.
Solucin:
Se desea probar la hiptesis de que la desviacin estndar del dimetro de
remache es mayor que 0 01 mm. Por tanto,
2
2
H0 : = (0 01)
vs
Ha : 2 > (0 01)2
Universidad de Carabobo
260
(n 1)S 2
02
20 =
261
Universidad de Carabobo
262
Solucin:
Se requiere una prueba de dos colas,
H0 : = 0 01
vs
Ha : 2 6= 0 01
El valor del estadstico de prueba bajo H0 es:
24(0 009)
(n 1)s2
=
2
0
0 01
= 21 6
20 =
263
5.9.
Supngase que X1 , X2 , . . . , Xnx y Y1 , Y2 , . . . , Yny son muestras aleatorias independientes seleccionadas de dos distribuciones normales con media x y
varianza x2 , y media y y varianza y2 , respectivamente, donde las varianzas
x2 y y2 son desconocidas. Si Sx2 y Sy2 son las varianzas muestrales, entonces
del Teorema (2.15), se tiene que:
F =
y2 Sx2
Sx2 /x2
=
Sy2 /y2
x2 Sy2
264
2
2
x > y
Ha : x2 < y2
2
x 6= y2
s2
Estadstico de prueba bajo H0 : f0 = x2
sy
FaCyT-Matemticas
265
Ejemplo 5.20. Consider el ejemplo (5.15) en donde se asumi que las varianzas eran iguales al comparar la resistencia a la presin interna de dos
tipos de botellas Existe alguna evidencia que indique una diferencia en las
varianzas poblacionales? Utilice = 0 1.
Solucin:
Se desea probar
2
2
H0 : 1 = 2
vs
Ha : 12 6= 22
El estadstico de prueba bajo H0 es:
F0 =
S12
S22
Universidad de Carabobo
266
Solucin:
Dado que el valor calculado esta ms prximo a la cola inferior de la distribucin F que a la cola superior (ver figura (***)), entonces se calcula la
probabilidad de que una variable aleatoria F con 11 y 9 grados de libertad en
el numerador y denominador, respectivamente, sea menor que 0 80 es , esto
es:
P (F 0 80)
dado que es arbitrario el hecho de cul poblacin sea identificada como la
uno, el valor del estadstico de prueba bajo H0 tambin pud calcularse
como
14 44
s2
= 1 25
f0 = 22 =
s1
11 56
La probabilidad de que una variable aleatoria F con 9 y 11 grados de libertad
en el numerador y denominador, respectivamente, sea mayor que 1 25 es,
esto es:
P (F 1 25) = 1 P (F 1 25)
1
De esta manera, el valor p del estadstico de prueba es la suma de las dos
probabilidades
vp =
Como vp > 0 1 no es posible rechazar la hiptesis nula H0 .
FaCyT-Matemticas
267
5.10.
si H0 es cierta
p() =
1 () si Ha es cierta
Si el valor del parmetro de Ha es cierto, entonces la potencia de una prueba
es la probabilidad de detectar que H0 es, en forma verdadera, falsa.
Se sabe que para un fijo y una hiptesis alternativa dada, para cualquier
valor de a partir de Ha , puede disminuirse la probabilidad del error tipo II
si se incrementa el tamao de la muestra. De este hecho, se desprende que la
funcin potencia aumentar conforme aumente el tamao de la muestra, es
decir, aumenta la capacidad de la prueba para detectar que la hiptesis nula
es en forma verdadera, falsa.
Universidad de Carabobo
268
RR = {X 1 X 2 k1 o X 1 X 2 k2 }
donde k1 y k2 son los valores crticos con respecto a la distribucin de muestreo de X 1 X 2 . En consecuencia, la probabilidad de que la prueba detecte
esta diferencia es:
p (1) = P X 1 X 2 k1 o X 1 X 2 k2 | 1 2 = 1
Dado que = 0 01, los valores crticos se pueden determinar y de esta manera
especificar la regin de rechazo, de manera tal que
P X 1 X 2 k1 o X 1 X 2 k2 | 1 2 = 0 = 0 01
E X1 X2 = 0 y V X1 X2
12 22
=
+
n1 n2
FaCyT-Matemticas
269
Entonces
0 01 = P X 1 X 2 k1 o X 1 X 2 k2 | 1 2 = 0
= P X 1 X 2 k1 | 1 2 = 0 + P X 1 X 2 k2 | 1 2 = 0
k1 0
k2 0
= P Z q 2
+ P Z q 2
2
2
1
1
+ n22
+ n22
n1
n1
k1
+ P Z q k2
= P Z q
1 06
1 06
1 35
1 35
+ 50
+ 50
50
50
|
{z
} |
{z
}
0 005
0 005
1 35
50
1 06
50
= z0 005
y de aqu
r
1 35 1 06
+
50
50
r
2 41
= 2 58
50
= 0 56
k1 = z0 005
270
0 56 1
0 56 1
+ P Z q
= P Z q
1 35
1 06
1 35
1 06
50 + 50
50 + 50
p(1) = P
= P (Z 7 10) + P (Z 2)
= P (Z 7 10) + 1 P (Z 2) = 0 + 1 0 0228
= 0 9772
14k
(0 01)2
= 0 99
FaCyT-Matemticas
271
Dado que se puede determinar el valor cuantil 20 99,14 de la distribucin chicuadrada con 14 grados de libertad tal que
P 2 20 99,14 = 0 99
se tiene que:
14k
= 20 99,14
2
(0 01)
despejando a k de la expresin anterior
(0 01)2
14
(0 01)2
= 29 17
14
= 0 00020
k = 20 99,14
Por consiguiente,
p((0 0125)2 ) = P S 2 0 00020 | a2 = (0 0125)2
14(0 00020)
2
= P 14
(0 0125)2
= P 214 17 92
= 1 P 214 17 92
272
H0 : = 20
vs
Ha : 6= 20
El proceso se juzga como fuera de control cuando la media muestral X es
menor o igual a 19 8 o mayor o igual a 20 2 litros. Se supone que la cantidad
que se vaca en cada recipiente se encuentra de forma aproximada por una
distribucin normal con una desviacin estndar de 0 5 litros.
a. Obtener la probabilidad del error tipo I.
b. Obtener y graficar la funcin de potencia para los siguientes valores
medios de llenado: 19 5, 19 6, 19 7, 19 8, 19 9, 20, 20 1, 20 2, 20 3, 20 4,
20 5.
c. Como una prueba alternativa, considrese el rechazo de H0 cuando X
19 75 o X 20 25. Si el tamao del error tipo I es de 0 05, cul de
las dos pruebas es la mejor?
Solucin:
Solucin a.
Bajo la hiptesis nula H0 , la distribucin de X es de forma aproximada
2
= 0 25/25. Por lo tanto, la probanormal con media X = 20 y varianza X
bilidad del error tipo I es:
= P (rechazar H0 | H0 es cierta)
= P X 19 8 o X 20 2 | = 20
= P X 19 8 | = 20 + P X 20 2 | = 20
19 8 20
20 2 20
=P Z
+P Z
0 5/ 25
0 5/ 25
= P (Z 2) + P (Z 2)
por simetra
= 2P (Z 2) = 2(0 0228)
= 0 0456
FaCyT-Matemticas
273
Solucin b.
Por definicin, la potencia de la prueba viene dada por:
p() = P (Rechazar H0 cuando el valor del parmetro es )
de esta manera, si = 19 5 la potencia de la prueba es:
p(19 5) = P X 19 8 o X 20 2 | = 19 5
= P X 19 8 | = 19 5 + P X 20 2 | = 19 5
20 2 19 5
19 8 19 5
+P Z
=P Z
0 5/ 25
0 5/ 25
= P (Z 3) + P (Z 7)
= P (Z 3) + 1 P (Z 7) = 0 9987 + 1 1
= 0 9987
De la misma forma se puede continuar el proceso de calcular la potencia de
la prueba para los otros valores medios de llenado. En la siguiente tabla se
presenta los resultados obtenidos.
19 5
19 6
19 7
19 8 19 9
20
20 1 20 2
20 3
20 4
20 5
Solucin c.
La probabilidad del error tipo I es:
= P (rechazar H0 | H0 es cierta)
= P X 19 75 o X 20 25 | = 20
= P X 19 75 | = 20 + P X 20 25 | = 20
19 75 20
20 25 20
+P Z
=P Z
0 5/ 25
0 5/ 25
= P (Z 2 5) + P (Z 2 5)
por simetra
= 2P (Z 2 5) = 2(0 0062)
= 0 0124
Ya que ambas pruebas tienen valores de menores al tamao mximo que
puede tolerarse del error tipo I, se compararn sus funciones de potencia para
Universidad de Carabobo
274
=P Z
+P Z
0 5/ 25
0 5/ 25
= P (Z 2 5) + P (Z 7 5)
= P (Z 2 5) + 1 P (Z 7 5) = 0 9938 + 1 1
= 0 9938
En la siguiente tabla se dan las potencias de la prueba para los distintos
valores medios de llenado.
19 5
19 6
19 7
19 8
19 9
20
20 1
20 2
20 3
20 4
20 5
p() 0 9938 0 9332 0 6915 0 3085 0 0670 0 0124 0 0670 0 3085 0 6915 0 9332 0 9938
275
5.11.
Lema de Neyman-Pearson
interior a RR,
L (x1 , x2 , . . . , xn ; 0 )
k
L (x1 , x2 , . . . , xn ; a )
exterior a RR,
276
H0 : = 0
vs
Ha : = a
en donde a > 0 .
Solucin:
La funcin de verosimilitud es:
L (x1 , x2 , . . . , xn ; )
1
(2)n/2 ( 2 )n/2
n
1 X
(xi )2
exp 2
2 i=1
1
(2)n/2 ( 2 )n/2
n
1 X
exp 2
(xi 0 )2
2 i=1
1
(2)n/2 ( 2 )n/2
n
1 X
exp 2
(xi a )2
2 i=1
Entonces, por el Teorema (5.1), la mejor regin crtica es aquella para la cual
n
P
2
1
exp 22
(xi 0 )
i=1
k
n
P
2
1
exp 22
(xi a )
i=1
(xi a )2
n
X
(xi 0 )2 2 2 ln(k)
(5.8)
i=1
FaCyT-Matemticas
277
(xi a )
n
X
n
X
(xi 0 ) =
i=1
x2i 2a
i=1
n
X
xi + n2a
i=1
n
X
x2i + 20
i=1
= n(2a 20 ) 2(a 0 )
n
X
n
X
xi n20
i=1
xi
i=1
20 )
2(a 0 )
n
X
xi 2 2 ln(k)
i=1
o
2(a 0 )
n
X
xi 2 2 ln(k) n(2a 20 )
i=1
xi
i=1
o
x
n(2a 20 2 2 ln(k))
2(a 0 )
n(2a 20 ) 2 2 ln(k)
2n(a 0 )
(5.9)
H0 : = 0
vs
Ha : = a
en donde a > 0 . Es decir, la mejor regin crtica es el extremo derecho de
la distribucin de muestreo de X bajo la hiptesis nula.
Para un dado, el valor crtico c se puede determinar de manera tal que:
P X c | = 0 =
Ya que bajo H0 ,
X N 0 , 2 /n
Universidad de Carabobo
278
entonces
= P X c | = 0
= 1 P X c | = 0
c 0
= 0
=1P Z
/ n
y
c 0
= 0 = 1
P Z
/ n
de esta manera:
o
c 0
= z1
/ n
c = z1 + 0
n
H0 : = 0
vs
Ha : = a
FaCyT-Matemticas
279
donde a > 0 .
Solucin:
La funcin de verosimilitud bajo H0 y bajo Ha son:
n
P
xi
exp{n0 }i=1
0
L(x1 , . . . , xn ; 0 ) =
n
Q
xi !
i=1
y
n
P
xi
exp{na }i=1
a
L(x1 , . . . , xn ; a ) =
n
Q
xi !
i=1
exp{n0 }i=1
0
n
Q
xi !
i=1
n
P
exp{na }i=1
a
n
Q
xi !
i=1
o
0
a
xi
k
xi
n
P
xi
i=1
exp{n(a 0 )} k
n
X
xi + n(a 0 ) ln(k)
i=1
o
ln(0 /1 )
n
X
i=1
Universidad de Carabobo
xi ln(k) n(a 0 )
280
xi
ln(k) n(a 0 )
ln(0 /1 )
(5.10)
n
P
i=1
5.12.
Ejercicios propuestos
281
282
283
12. Se estudia el rendimiento de un proceso qumico. De la experiencia previa con este proceso, se sabe que la desviacin estndar del rendimiento
es 3. En los cincos das anteriores de operacin de la planta, se han observado los siguientes rendimientos: 91 6 %, 88 75 %, 90 8 %, 89 95 % y
91 3 %. Utilice = 0 05.
a. Existe evidencia de que el rendimiento no es del 90 %?
b. Cul es el valor p de esta prueba?
c. Qu tamao de muestra se requiere para detectar un rendimiento
promedio verdadero de 85 % con una probabilidad de 0 95?
c. Cul es la probabilidad del error tipo II si el rendimiento promedio verdadero es 92 %?
13. Una muestra aleatoria de 37 estudiantes de segundo grado que practicaban deporte obtuvieron calificaciones de habilidad manual con una
media de 32 19 y una desviacin estndar de 4 34. Una muestra independiente de 37 estudiantes del mismo grado que no los practicaban
tuv calificaciones de destreza manual con media de 31 68 y una desviacin estndar de 4 56.
a. Aplique una prueba para ver si existe suficiente evidencia que indique que los estudiantes de segundo grado que practican deportes
tienen una calificacin ms alta en destreza manual. Use = 0 05.
Universidad de Carabobo
284
285
286
f (x; ) =
0,
en cualquier otro caso
con m denotando una constante conocida.
a. Encuentre la prueba uniformemente ms potente para probar H0 : =
0 contra Ha : > 0 .
b. Si la prueba del inciso a. ha de tener 0 = 100, = 0 05, = 0 05
cuando a = 400, encuentre el tamao muestral apropiado y la
regin crtica.
23. Sea X1 , X2 , . . . , Xn una muestra aleatoria de una poblacin que tiene
una distribucin de Poisson con media .
a. Encuentre la forma de la regin de rechazo para una prueba ms
potente de H0 : = 0 contra Ha : = a , donde a > 0 .
FaCyT-Matemticas
287
n
P
i=1
xi = 0, 1.
tros n y p. Indique el modo de determinar los valores de cualesquiera constantes contenidas en la regin de rechazo obtenidas en
el inciso a.
Universidad de Carabobo
288
FaCyT-Matemticas
Tablas estadsticas
289
290
0.00
0.01
0.02
0.03
0.04
0.05
0.06
0.07
0.08
0.09
-3.5
-3.4
-3.3
-3.2
-3.1
-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
0.0002
0.0003
0.0005
0.0007
0.0010
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
0.0002
0.0003
0.0005
0.0007
0.0009
0.0013
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
0.0002
0.0003
0.0005
0.0006
0.0009
0.0013
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
0.0002
0.0003
0.0004
0.0006
0.0009
0.0012
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
0.0002
0.0003
0.0004
0.0006
0.0008
0.0012
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
0.2297
0.2611
0.2946
0.3300
0.3669
0.4052
0.4443
0.4840
0.0002
0.0003
0.0004
0.0006
0.0008
0.0011
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
0.0002
0.0003
0.0004
0.0006
0.0008
0.0011
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
0.0002
0.0003
0.0004
0.0005
0.0008
0.0011
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
0.0002
0.0003
0.0004
0.0005
0.0007
0.0010
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
0.0002
0.0002
0.0003
0.0005
0.0007
0.0010
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
FaCyT-Matemticas
291
0.00
0.01
0.02
0.03
0.04
0.05
0.06
0.07
0.08
0.09
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
3.1
3.2
3.3
3.4
3.5
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
0.9990
0.9993
0.9995
0.9997
0.9998
0.5040
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
0.9987
0.9991
0.9993
0.9995
0.9997
0.9998
0.5080
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
0.9987
0.9991
0.9994
0.9995
0.9997
0.9998
0.5120
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
0.9988
0.9991
0.9994
0.9996
0.9997
0.9998
0.5160
0.5557
0.5948
0.6331
0.6700
0.7054
0.7389
0.7703
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
0.9988
0.9992
0.9994
0.9996
0.9997
0.9998
0.5199
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
0.9989
0.9992
0.9994
0.9996
0.9997
0.9998
0.5239
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
0.9989
0.9992
0.9994
0.9996
0.9997
0.9998
0.5279
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
0.9989
0.9992
0.9995
0.9996
0.9997
0.9998
0.5319
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
0.9990
0.9993
0.9995
0.9996
0.9997
0.9998
0.5359
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
0.9990
0.9993
0.9995
0.9997
0.9998
0.9998
Universidad de Carabobo
292
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
35
40
45
50
60
70
80
90
100
0 005
0.00
0.01
0.07
0.21
0.41
0.67
0.99
1.34
1.73
2.15
2.60
3.06
3.56
4.07
4.59
5.14
5.69
6.25
6.82
7.42
8.02
8.62
9.25
9.87
10.50
11.13
11.79
12.44
13.09
13.77
17.16
20.67
24.28
27.96
35.50
43.25
51.14
59.17
67.30
0 010
0.00
0.02
0.11
0.30
0.55
0.87
1.24
1.64
2.09
2.55
3.05
3.57
4.10
4.65
5.23
5.81
6.40
7.00
7.63
8.25
8.89
9.53
10.19
10.85
11.51
12.19
12.87
13.55
14.24
14.94
18.49
22.14
25.88
29.68
37.46
45.42
53.52
61.74
70.05
0 025
0.00
0.05
0.22
0.48
0.83
1.24
1.69
2.18
2.70
3.24
3.81
4.40
5.01
5.62
6.26
6.90
7.56
8.23
8.90
9.59
10.28
10.98
11.69
12.40
13.11
13.84
14.57
15.30
16.04
16.78
20.56
24.42
28.36
32.35
40.47
48.75
57.15
65.64
74.22
0 050
0.00
0.10
0.35
0.71
1.15
1.63
2.17
2.73
3.32
3.94
4.57
5.22
5.89
6.57
7.26
7.96
8.67
9.39
10.11
10.85
11.59
12.34
13.09
13.84
14.61
15.38
16.15
16.92
17.70
18.49
22.46
26.51
30.61
34.76
43.19
51.74
60.39
69.13
77.93
0 100
0.02
0.21
0.58
1.06
1.61
2.20
2.83
3.49
4.17
4.86
5.58
6.30
7.04
7.79
8.55
9.31
10.08
10.86
11.65
12.44
13.24
14.04
14.85
15.66
16.47
17.29
18.11
18.94
19.77
20.60
24.79
29.06
33.36
37.69
46.46
55.33
64.28
73.29
82.36
0 900
2.71
4.60
6.25
7.78
9.24
10.65
12.02
13.36
14.69
15.99
17.28
18.55
19.81
21.07
22.31
23.55
24.77
25.99
27.21
28.42
29.62
30.82
32.01
33.20
34.38
35.57
36.74
37.92
39.09
40.26
46.06
51.80
57.50
63.16
74.39
85.52
96.57
107.56
118.49
0 950
3.84
5.99
7.82
9.49
11.07
12.60
14.07
15.51
16.93
18.31
19.68
21.03
22.37
23.69
25.00
26.30
27.59
28.88
30.15
31.42
32.68
33.93
35.18
36.42
37.66
38.89
40.12
41.34
42.56
43.78
49.81
55.75
61.65
67.50
79.08
90.53
101.88
113.14
124.34
0 975
5.02
7.38
9.36
11.15
12.84
14.46
16.02
17.55
19.03
20.50
21.93
23.35
24.75
26.13
27.50
28.86
30.20
31.54
32.87
34.18
35.49
36.79
38.09
39.38
40.66
41.94
43.21
44.47
45.74
46.99
53.22
59.34
65.41
71.42
83.30
95.03
106.63
118.14
129.56
0 990
6.64
9.22
11.32
13.28
15.09
16.81
18.47
20.08
21.65
23.19
24.75
26.25
27.72
29.17
30.61
32.03
33.43
34.83
36.22
37.59
38.96
40.31
41.66
43.00
44.34
45.66
46.99
48.30
49.61
50.91
57.36
63.71
69.98
76.17
88.40
100.44
112.34
124.13
135.82
0 995
7.90
0.59
12.82
14.82
16.76
18.55
20.27
21.94
23.56
25.15
26.71
28.25
29.88
31.38
32.86
34.32
35.77
37.21
38.63
40.05
41.45
42.84
44.23
45.60
46.97
48.33
49.69
51.04
52.38
53.71
60.31
66.80
73.20
79.52
91.98
104.24
116.35
128.32
140.19
FaCyT-Matemticas
293
t0 001
t0 005
t0 010
t0 025
t0 050
t0 100
t0 200
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
35
40
45
50
60
70
80
90
100
-318.309
-22.327
-10.215
-7.173
-5.893
-5.208
-4.785
-4.501
-4.297
-4.144
-4.025
-3.930
-3.852
-3.787
-3.733
-3.686
-3.646
-3.610
-3.579
-3.552
-3.527
-3.505
-3.485
-3.467
-3.450
-3.435
-3.421
-3.408
-3.396
-3.385
-3.340
-3.307
-3.281
-3.261
-3.232
-3.211
-3.195
-3.183
-3.174
-63.657
-9.925
-5.841
-4.604
-4.032
-3.707
-3.499
-3.355
-3.250
-3.169
-3.106
-3.055
-3.012
-2.977
-2.947
-2.921
-2.898
-2.878
-2.861
-2.845
-2.831
-2.819
-2.807
-2.797
-2.787
-2.779
-2.771
-2.763
-2.756
-2.750
-2.724
-2.704
-2.690
-2.678
-2.660
-2.648
-2.639
-2.632
-2.626
-31.821
-6.965
-4.541
-3.747
-3.365
-3.143
-2.998
-2.896
-2.821
-2.764
-2.718
-2.681
-2.650
-2.624
-2.602
-2.583
-2.567
-2.552
-2.539
-2.528
-2.518
-2.508
-2.500
-2.492
-2.485
-2.479
-2.473
-2.467
-2.462
-2.457
-2.438
-2.423
-2.412
-2.403
-2.390
-2.381
-2.374
-2.369
-2.364
-12.706
-4.303
-3.182
-2.571
-2.571
-2.447
-2.365
-2.306
-2.262
-2.228
-2.201
-2.179
-2.160
-2.145
-2.131
-2.120
-2.110
-2.101
-2.093
-2.086
-2.080
-2.074
-2.069
-2.064
-2.060
-2.056
-2.052
-2.048
-2.045
-2.042
-2.030
-2.021
-2.014
-2.009
-2.000
-1.994
-1.990
-1.987
-1.984
-6.314
-2.920
-2.353
-2.015
-2.015
-1.943
-1.895
-1.860
-1.833
-1.812
-1.796
-1.782
-1.771
-1.761
-1.753
-1.746
-1.740
-1.734
-1.729
-1.725
-1.721
-1.717
-1.714
-1.711
-1.708
-1.706
-1.703
-1.701
-1.699
-1.697
-1.690
-1.684
-1.679
-1.676
-1.671
-1.667
-1.664
-1.662
-1.660
-3.078
-1.886
-1.638
-1.476
-1.476
-1.440
-1.415
-1.397
-1.383
-1.372
-1.363
-1.356
-1.350
-1.345
-1.341
-1.337
-1.333
-1.330
-1.328
-1.325
-1.323
-1.321
-1.319
-1.318
-1.316
-1.315
-1.314
-1.313
-1.311
-1.310
-1.306
-1.303
-1.301
-1.299
-1.296
-1.294
-1.292
-1.291
-1.290
-1.376
-1.061
-0.978
-0.920
-0.920
-0.906
-0.896
-0.889
-0.883
-0.879
-0.876
-0.873
-0.870
-0.868
-0.866
-0.865
-0.863
-0.862
-0.861
-0.860
-0.859
-0.858
-0.858
-0.857
-0.856
-0.856
-0.855
-0.855
-0.854
-0.854
-0.852
-0.851
-0.850
-0.849
-0.848
-0.847
-0.846
-0.846
-0.845
Universidad de Carabobo
294
t0 800
t0 900
t0 950
t0 975
t0 990
t0 995
t0 999
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
35
40
45
50
60
70
80
90
100
1.376
1.061
0.978
0.941
0.920
0.906
0.896
0.889
0.883
0.879
0.876
0.873
0.870
0.868
0.866
0.865
0.863
0.862
0.861
0.860
0.859
0.858
0.858
0.857
0.856
0.856
0.855
0.855
0.854
0.854
0.852
0.851
0.850
0.849
0.848
0.847
0.846
0.846
0.845
3.078
1.886
1.638
1.533
1.476
1.440
1.415
1.397
1.383
1.372
1.363
1.356
1.350
1.345
1.341
1.337
1.333
1.330
1.328
1.325
1.323
1.321
1.319
1.318
1.316
1.315
1.314
1.313
1.311
1.310
1.306
1.303
1.301
1.299
1.296
1.294
1.292
1.291
1.290
6.314
2.920
2.353
2.132
2.015
1.943
1.895
1.860
1.833
1.812
1.796
1.782
1.771
1.761
1.753
1.746
1.740
1.734
1.729
1.725
1.721
1.717
1.714
1.711
1.708
1.706
1.703
1.701
1.699
1.697
1.690
1.684
1.679
1.676
1.671
1.667
1.664
1.662
1.660
12.706
4.303
3.182
2.776
2.571
2.447
2.365
2.306
2.262
2.228
2.201
2.179
2.160
2.145
2.131
2.120
2.110
2.101
2.093
2.086
2.080
2.074
2.069
2.064
2.060
2.056
2.052
2.048
2.045
2.042
2.030
2.021
2.014
2.009
2.000
1.994
1.990
1.987
1.984
31.820
6.965
4.541
3.747
3.365
3.143
2.998
2.896
2.821
2.764
2.718
2.681
2.650
2.624
2.602
2.583
2.267
2.552
2.539
2.528
2.518
2.508
2.500
2.492
2.485
2.479
2.473
2.467
2.462
2.457
2.438
2.423
2.412
2.403
2.390
2.381
2.374
2.368
2.364
63.656
9.925
5.841
4.604
4.032
3.707
3.499
3.355
3.250
3.169
3.106
3.055
3.012
2.977
2.947
2.921
2.898
2.878
2.861
2.845
2.831
2.819
2.807
2.797
2.787
2.779
2.771
2.763
2.756
2.750
2.724
2.704
2.690
2.678
2.660
2.648
2.639
2.632
2.626
318.294
22.327
10.214
7.173
5.893
5.208
4.785
4.501
4.297
4.144
4.025
3.930
3.852
3.787
3.733
3.686
3.646
3.610
3.579
3.552
3.527
3.505
3.485
3.467
3.450
3.435
3.421
3.408
3.396
2.285
3.340
3.307
3.281
3.261
3.232
3.211
3.195
3.183
3.174
FaCyT-Matemticas
295
10
11
12
13
39.86
8.526
5.538
4.545
4.060
3.776
3.589
3.458
3.360
3.285
3.225
3.177
3.136
3.102
3.073
3.048
3.026
3.007
2.990
2.975
2.961
2.949
2.937
2.927
2.918
2.909
2.901
2.894
2.887
2.881
2.835
2.809
2.791
2.779
2.769
2.762
2.756
2.731
49.50
9.000
5.462
4.325
3.780
3.463
3.257
3.113
3.006
2.924
2.860
2.807
2.763
2.726
2.695
2.668
2.645
2.624
2.606
2.589
2.575
2.561
2.549
2.538
2.528
2.519
2.511
2.503
2.495
2.489
2.440
2.412
2.393
2.380
2.370
2.363
2.356
2.329
53.59
9.162
5.391
4.191
3.619
3.289
3.074
2.924
2.813
2.728
2.660
2.606
2.560
2.522
2.490
2.462
2.437
2.416
2.397
2.380
2.365
2.351
2.339
2.327
2.317
2.307
2.299
2.291
2.283
2.276
2.226
2.197
2.177
2.164
2.154
2.146
2.139
2.111
55.83
9.243
5.343
4.107
3.520
3.181
2.961
2.806
2.693
2.605
2.536
2.480
2.434
2.395
2.361
2.333
2.308
2.286
2.266
2.249
2.233
2.219
2.207
2.195
2.184
2.174
2.165
2.157
2.149
2.142
2.091
2.061
2.041
2.027
2.016
2.008
2.002
1.973
57.24
9.293
5.309
4.051
3.453
3.108
2.883
2.726
2.611
2.522
2.451
2.394
2.347
2.307
2.273
2.244
2.218
2.196
2.176
2.158
2.142
2.128
2.115
2.103
2.092
2.082
2.073
2.064
2.057
2.049
1.997
1.966
1.946
1.931
1.921
1.912
1.906
1.876
58.20
9.326
5.285
4.010
3.405
3.055
2.827
2.668
2.551
2.461
2.389
2.331
2.283
2.243
2.208
2.178
2.152
2.130
2.109
2.091
2.075
2.060
2.047
2.035
2.024
2.014
2.005
1.996
1.988
1.980
1.927
1.895
1.875
1.860
1.849
1.841
1.834
1.804
58.91
9.349
5.266
3.979
3.368
3.014
2.785
2.624
2.505
2.414
2.342
2.283
2.234
2.193
2.158
2.128
2.102
2.079
2.058
2.040
2.023
2.008
1.995
1.983
1.971
1.961
1.952
1.943
1.935
1.927
1.873
1.840
1.819
1.804
1.793
1.785
1.778
1.747
59.44
9.367
5.252
3.955
3.339
2.983
2.752
2.589
2.469
2.377
2.304
2.245
2.195
2.154
2.119
2.088
2.061
2.038
2.017
1.999
1.982
1.967
1.953
1.941
1.929
1.919
1.909
1.900
1.892
1.884
1.829
1.796
1.775
1.760
1.748
1.739
1.732
1.701
59.86
9.381
5.240
3.936
3.316
2.958
2.725
2.561
2.440
2.347
2.274
2.214
2.164
2.122
2.086
2.055
2.028
2.005
1.984
1.965
1.948
1.933
1.919
1.906
1.895
1.884
1.874
1.865
1.857
1.849
1.793
1.760
1.738
1.723
1.711
1.702
1.695
1.663
60.19
9.392
5.230
3.920
3.297
2.937
2.703
2.538
2.416
2.323
2.248
2.188
2.138
2.095
2.059
2.028
2.001
1.977
1.956
1.937
1.920
1.904
1.890
1.877
1.866
1.855
1.845
1.836
1.827
1.819
1.763
1.729
1.707
1.691
1.680
1.670
1.663
1.631
60.47
9.401
5.222
3.907
3.282
2.920
2.684
2.519
2.396
2.302
2.227
2.166
2.116
2.073
2.037
2.005
1.978
1.954
1.932
1.913
1.896
1.880
1.866
1.853
1.841
1.830
1.820
1.811
1.802
1.794
1.737
1.703
1.680
1.665
1.653
1.643
1.636
1.603
60.71
9.408
5.216
3.896
3.268
2.905
2.668
2.502
2.379
2.284
2.209
2.147
2.097
2.054
2.017
1.985
1.958
1.933
1.912
1.892
1.875
1.859
1.845
1.832
1.820
1.809
1.799
1.790
1.781
1.773
1.715
1.680
1.657
1.641
1.629
1.620
1.612
1.579
60.90
9.415
5.210
3.886
3.257
2.892
2.654
2.488
2.364
2.269
2.193
2.131
2.080
2.037
2.000
1.968
1.940
1.916
1.894
1.875
1.857
1.841
1.827
1.814
1.802
1.790
1.780
1.771
1.762
1.754
1.695
1.660
1.637
1.621
1.609
1.599
1.592
1.558
Universidad de Carabobo
296
14
15
16
17
18
19
20
21
22
23
24
25
26
61.07
9.420
5.205
3.878
3.247
2.881
2.643
2.475
2.351
2.255
2.179
2.117
2.066
2.022
1.985
1.953
1.925
1.900
1.878
1.859
1.841
1.825
1.811
1.797
1.785
1.774
1.764
1.754
1.745
1.737
1.678
1.643
1.619
1.603
1.590
1.581
1.573
1.539
61.22
9.425
5.200
3.870
3.238
2.871
2.632
2.464
2.340
2.244
2.167
2.105
2.053
2.010
1.972
1.940
1.912
1.887
1.865
1.845
1.827
1.811
1.796
1.783
1.771
1.760
1.749
1.740
1.731
1.722
1.662
1.627
1.603
1.587
1.574
1.564
1.557
1.522
61.35
9.429
5.196
3.864
3.230
2.863
2.623
2.454
2.330
2.233
2.156
2.094
2.042
1.998
1.961
1.928
1.900
1.875
1.852
1.833
1.815
1.798
1.784
1.770
1.758
1.747
1.736
1.726
1.717
1.709
1.649
1.613
1.589
1.572
1.559
1.550
1.542
1.507
61.46
9.433
5.193
3.858
3.223
2.855
2.615
2.446
2.320
2.224
2.147
2.084
2.032
1.988
1.950
1.917
1.889
1.864
1.841
1.821
1.803
1.787
1.772
1.759
1.746
1.735
1.724
1.715
1.705
1.697
1.636
1.600
1.576
1.559
1.546
1.536
1.528
1.493
61.56
9.436
5.190
3.853
3.217
2.848
2.607
2.438
2.312
2.215
2.138
2.075
2.023
1.978
1.941
1.908
1.879
1.854
1.831
1.811
1.793
1.777
1.762
1.748
1.736
1.724
1.714
1.704
1.695
1.686
1.625
1.588
1.564
1.547
1.534
1.524
1.516
1.480
61.65
9.439
5.187
3.848
3.212
2.842
2.601
2.431
2.305
2.208
2.130
2.067
2.014
1.970
1.932
1.899
1.870
1.845
1.822
1.802
1.784
1.768
1.753
1.739
1.726
1.715
1.704
1.694
1.685
1.676
1.615
1.578
1.553
1.536
1.523
1.513
1.505
1.468
61.74
9.441
5.184
3.844
3.207
2.836
2.595
2.425
2.298
2.201
2.123
2.060
2.007
1.962
1.924
1.891
1.862
1.837
1.814
1.794
1.776
1.759
1.744
1.730
1.718
1.706
1.695
1.685
1.676
1.667
1.605
1.568
1.543
1.526
1.513
1.503
1.494
1.458
61.81
9.444
5.182
3.841
3.202
2.831
2.589
2.419
2.292
2.194
2.117
2.053
2.000
1.955
1.917
1.884
1.855
1.829
1.807
1.786
1.768
1.751
1.736
1.722
1.710
1.698
1.687
1.677
1.668
1.659
1.596
1.559
1.534
1.517
1.503
1.493
1.485
1.448
61.88
9.446
5.180
3.837
3.198
2.827
2.584
2.414
2.287
2.189
2.111
2.047
1.994
1.949
1.911
1.877
1.848
1.823
1.800
1.779
1.761
1.744
1.729
1.715
1.702
1.690
1.680
1.669
1.660
1.651
1.588
1.551
1.526
1.508
1.495
1.484
1.476
1.438
61.94
9.448
5.178
3.834
3.194
2.822
2.580
2.409
2.282
2.183
2.105
2.041
1.988
1.943
1.905
1.871
1.842
1.816
1.793
1.773
1.754
1.737
1.722
1.708
1.695
1.683
1.673
1.662
1.653
1.644
1.581
1.543
1.518
1.500
1.487
1.476
1.468
1.430
62.00
9.450
5.176
3.831
3.191
2.818
2.575
2.404
2.277
2.178
2.100
2.036
1.983
1.938
1.899
1.866
1.836
1.810
1.787
1.767
1.748
1.731
1.716
1.702
1.689
1.677
1.666
1.656
1.647
1.638
1.574
1.536
1.511
1.493
1.479
1.468
1.460
1.422
62.05
9.451
5.175
3.828
3.187
2.815
2.571
2.400
2.272
2.174
2.095
2.031
1.978
1.933
1.894
1.860
1.831
1.805
1.782
1.761
1.742
1.726
1.710
1.696
1.683
1.671
1.660
1.650
1.640
1.632
1.568
1.529
1.504
1.486
1.472
1.461
1.453
1.414
62.10
9.453
5.173
3.826
3.184
2.811
2.568
2.396
2.268
2.170
2.091
2.027
1.973
1.928
1.889
1.855
1.826
1.800
1.777
1.756
1.737
1.720
1.705
1.691
1.678
1.666
1.655
1.644
1.635
1.626
1.562
1.523
1.498
1.479
1.465
1.455
1.446
1.407
FaCyT-Matemticas
297
27
28
29
30
40
50
60
70
80
90
100
200
62.14
9.454
5.172
3.823
3.181
2.808
2.564
2.392
2.265
2.166
2.087
2.022
1.969
1.923
1.885
1.851
1.821
1.795
1.772
1.751
1.732
1.715
1.700
1.686
1.672
1.660
1.649
1.639
1.630
1.621
1.556
1.517
1.492
1.473
1.459
1.448
1.440
1.400
62.18
9.456
5.170
3.821
3.179
2.805
2.561
2.389
2.261
2.162
2.083
2.019
1.965
1.919
1.880
1.847
1.817
1.791
1.767
1.746
1.728
1.711
1.695
1.681
1.668
1.656
1.645
1.634
1.625
1.616
1.551
1.512
1.486
1.467
1.453
1.442
1.434
1.394
62.22
9.457
5.169
3.819
3.176
2.803
2.558
2.386
2.258
2.159
2.080
2.015
1.961
1.916
1.876
1.843
1.813
1.787
1.763
1.742
1.723
1.706
1.691
1.676
1.663
1.651
1.640
1.630
1.620
1.611
1.546
1.507
1.481
1.462
1.448
1.437
1.428
1.388
62.26
9.458
5.168
3.817
3.174
2.800
2.555
2.383
2.255
2.155
2.076
2.011
1.958
1.912
1.873
1.839
1.809
1.783
1.759
1.738
1.719
1.702
1.686
1.672
1.659
1.647
1.636
1.625
1.616
1.606
1.541
1.502
1.476
1.457
1.443
1.432
1.423
1.383
62.52
9.466
5.160
3.804
3.157
2.781
2.535
2.361
2.232
2.132
2.052
1.986
1.931
1.885
1.845
1.811
1.781
1.754
1.730
1.708
1.689
1.671
1.655
1.641
1.627
1.615
1.603
1.592
1.583
1.573
1.506
1.465
1.437
1.418
1.403
1.391
1.382
1.339
62.68
9.471
5.155
3.795
3.147
2.770
2.523
2.348
2.218
2.117
2.036
1.970
1.915
1.869
1.828
1.793
1.763
1.736
1.711
1.690
1.670
1.652
1.636
1.621
1.607
1.594
1.583
1.572
1.562
1.552
1.483
1.441
1.413
1.392
1.377
1.365
1.355
1.310
62.79
9.475
5.151
3.790
3.140
2.762
2.514
2.339
2.208
2.107
2.026
1.960
1.904
1.857
1.817
1.782
1.751
1.723
1.699
1.677
1.657
1.639
1.622
1.607
1.593
1.581
1.569
1.558
1.547
1.538
1.467
1.424
1.395
1.374
1.358
1.346
1.336
1.289
62.87
9.477
5.149
3.786
3.135
2.756
2.508
2.333
2.202
2.100
2.019
1.952
1.896
1.849
1.808
1.773
1.742
1.714
1.690
1.667
1.647
1.629
1.613
1.597
1.583
1.570
1.558
1.547
1.537
1.527
1.455
1.412
1.382
1.361
1.344
1.332
1.321
1.273
62.92
9.479
5.147
3.782
3.132
2.752
2.504
2.328
2.196
2.095
2.013
1.946
1.890
1.843
1.802
1.766
1.735
1.707
1.683
1.660
1.640
1.622
1.605
1.590
1.576
1.562
1.550
1.539
1.529
1.519
1.447
1.402
1.372
1.350
1.334
1.321
1.310
1.261
62.97
9.480
5.145
3.780
3.129
2.749
2.500
2.324
2.192
2.090
2.009
1.942
1.886
1.838
1.797
1.761
1.730
1.702
1.677
1.655
1.634
1.616
1.599
1.584
1.569
1.556
1.544
1.533
1.522
1.512
1.439
1.395
1.364
1.342
1.325
1.312
1.301
1.250
63.00
9.481
5.144
3.778
3.126
2.746
2.497
2.321
2.189
2.087
2.005
1.938
1.882
1.834
1.793
1.757
1.726
1.698
1.673
1.650
1.630
1.611
1.594
1.579
1.565
1.551
1.539
1.528
1.517
1.507
1.434
1.388
1.358
1.335
1.318
1.304
1.293
1.242
63.16
9.486
5.139
3.769
3.116
2.734
2.484
2.307
2.174
2.071
1.989
1.921
1.864
1.816
1.774
1.738
1.706
1.678
1.652
1.629
1.608
1.590
1.572
1.556
1.542
1.528
1.515
1.504
1.493
1.482
1.406
1.359
1.326
1.302
1.284
1.269
1.257
1.199
Universidad de Carabobo
298
10
11
12
13
161.4
18.51
10.128
7.709
6.608
5.987
5.591
5.318
5.117
4.965
4.844
4.747
4.667
4.600
4.543
4.494
4.451
4.414
4.381
4.351
4.325
4.301
4.279
4.260
4.242
4.225
4.210
4.196
4.183
4.171
4.085
4.034
4.001
3.978
3.960
3.947
3.936
3.888
199.5
19.00
9.552
6.944
5.786
5.143
4.737
4.459
4.256
4.103
3.982
3.885
3.806
3.739
3.682
3.634
3.592
3.555
3.522
3.493
3.467
3.443
3.422
3.403
3.385
3.369
3.354
3.340
3.328
3.316
3.232
3.183
3.150
3.128
3.111
3.098
3.087
3.041
215.7
19.16
9.277
6.591
5.409
4.757
4.347
4.066
3.863
3.708
3.587
3.490
3.411
3.344
3.287
3.239
3.197
3.160
3.127
3.098
3.072
3.049
3.028
3.009
2.991
2.975
2.960
2.947
2.934
2.922
2.839
2.790
2.758
2.736
2.719
2.706
2.696
2.650
224.6
19.24
9.117
6.388
5.192
4.534
4.120
3.838
3.633
3.478
3.357
3.259
3.179
3.112
3.056
3.007
2.965
2.928
2.895
2.866
2.840
2.817
2.796
2.776
2.759
2.743
2.728
2.714
2.701
2.690
2.606
2.557
2.525
2.503
2.486
2.473
2.463
2.417
230.2
19.29
9.013
6.256
5.050
4.387
3.972
3.688
3.482
3.326
3.204
3.106
3.025
2.958
2.901
2.852
2.810
2.773
2.740
2.711
2.685
2.661
2.640
2.621
2.603
2.587
2.572
2.558
2.545
2.534
2.449
2.400
2.368
2.346
2.329
2.316
2.305
2.259
234.0
19.32
8.941
6.163
4.950
4.284
3.866
3.581
3.374
3.217
3.095
2.996
2.915
2.848
2.790
2.741
2.699
2.661
2.628
2.599
2.573
2.549
2.528
2.508
2.490
2.474
2.459
2.445
2.432
2.421
2.336
2.286
2.254
2.231
2.214
2.201
2.191
2.144
236.8
19.35
8.887
6.094
4.876
4.207
3.787
3.500
3.293
3.135
3.012
2.913
2.832
2.764
2.707
2.657
2.614
2.577
2.544
2.514
2.488
2.464
2.442
2.423
2.405
2.388
2.373
2.359
2.346
2.334
2.249
2.199
2.167
2.143
2.126
2.113
2.103
2.056
238.9
19.37
8.845
6.041
4.818
4.147
3.726
3.438
3.230
3.072
2.948
2.849
2.767
2.699
2.641
2.591
2.548
2.510
2.477
2.447
2.420
2.397
2.375
2.355
2.337
2.321
2.305
2.291
2.278
2.266
2.180
2.130
2.097
2.074
2.056
2.043
2.032
1.985
240.5
19.38
8.812
5.999
4.772
4.099
3.677
3.388
3.179
3.020
2.896
2.796
2.714
2.646
2.588
2.538
2.494
2.456
2.423
2.393
2.366
2.342
2.320
2.300
2.282
2.265
2.250
2.236
2.223
2.211
2.124
2.073
2.040
2.017
1.999
1.986
1.975
1.927
241.9
19.39
8.785
5.964
4.735
4.060
3.637
3.347
3.137
2.978
2.854
2.753
2.671
2.602
2.544
2.494
2.450
2.412
2.378
2.348
2.321
2.297
2.275
2.255
2.236
2.220
2.204
2.190
2.177
2.165
2.077
2.026
1.993
1.969
1.951
1.938
1.927
1.878
243.0
19.40
8.763
5.936
4.704
4.027
3.603
3.313
3.102
2.943
2.818
2.717
2.635
2.565
2.507
2.456
2.413
2.374
2.340
2.310
2.283
2.259
2.236
2.216
2.198
2.181
2.166
2.151
2.138
2.126
2.038
1.986
1.952
1.928
1.910
1.897
1.886
1.837
243.9
19.41
8.745
5.912
4.678
4.000
3.575
3.284
3.073
2.913
2.788
2.687
2.604
2.534
2.475
2.425
2.381
2.342
2.308
2.278
2.250
2.226
2.204
2.183
2.165
2.148
2.132
2.118
2.104
2.092
2.003
1.952
1.917
1.893
1.875
1.861
1.850
1.801
244.7
19.41
8.729
5.891
4.655
3.976
3.550
3.259
3.048
2.887
2.761
2.660
2.577
2.507
2.448
2.397
2.353
2.314
2.280
2.250
2.222
2.198
2.175
2.155
2.136
2.119
2.103
2.089
2.075
2.063
1.974
1.921
1.887
1.863
1.845
1.830
1.819
1.769
FaCyT-Matemticas
299
14
15
16
17
18
19
20
21
22
23
24
25
26
245.4
19.42
8.715
5.873
4.636
3.956
3.529
3.237
3.025
2.865
2.739
2.637
2.554
2.484
2.424
2.373
2.329
2.290
2.256
2.225
2.197
2.173
2.150
2.130
2.111
2.094
2.078
2.064
2.050
2.037
1.948
1.895
1.860
1.836
1.817
1.803
1.792
1.742
245.9
19.43
8.703
5.858
4.619
3.938
3.511
3.218
3.006
2.845
2.719
2.617
2.533
2.463
2.403
2.352
2.308
2.269
2.234
2.203
2.176
2.151
2.128
2.108
2.089
2.072
2.056
2.041
2.027
2.015
1.924
1.871
1.836
1.812
1.793
1.779
1.768
1.717
246.5
19.43
8.692
5.844
4.604
3.922
3.494
3.202
2.989
2.828
2.701
2.599
2.515
2.445
2.385
2.333
2.289
2.250
2.215
2.184
2.156
2.131
2.109
2.088
2.069
2.052
2.036
2.021
2.007
1.995
1.904
1.850
1.815
1.790
1.772
1.757
1.746
1.694
246.9
19.44
8.683
5.832
4.590
3.908
3.480
3.187
2.974
2.812
2.685
2.583
2.499
2.428
2.368
2.317
2.272
2.233
2.198
2.167
2.139
2.114
2.091
2.070
2.051
2.034
2.018
2.003
1.989
1.976
1.885
1.831
1.796
1.771
1.752
1.737
1.726
1.674
247.3
19.44
8.675
5.821
4.579
3.896
3.467
3.173
2.960
2.798
2.671
2.568
2.484
2.413
2.353
2.302
2.257
2.217
2.182
2.151
2.123
2.098
2.075
2.054
2.035
2.018
2.002
1.987
1.973
1.960
1.868
1.814
1.778
1.753
1.734
1.720
1.708
1.656
247.7
19.44
8.667
5.811
4.568
3.884
3.455
3.161
2.948
2.785
2.658
2.555
2.471
2.400
2.340
2.288
2.243
2.203
2.168
2.137
2.109
2.084
2.061
2.040
2.021
2.003
1.987
1.972
1.958
1.945
1.853
1.798
1.763
1.737
1.718
1.703
1.691
1.639
248.0
19.45
8.660
5.803
4.558
3.874
3.445
3.150
2.936
2.774
2.646
2.544
2.459
2.388
2.328
2.276
2.230
2.191
2.155
2.124
2.096
2.071
2.048
2.027
2.007
1.990
1.974
1.959
1.945
1.932
1.839
1.784
1.748
1.722
1.703
1.688
1.676
1.623
248.3
19.45
8.654
5.795
4.549
3.865
3.435
3.140
2.926
2.764
2.636
2.533
2.448
2.377
2.316
2.264
2.219
2.179
2.144
2.112
2.084
2.059
2.036
2.015
1.995
1.978
1.961
1.946
1.932
1.919
1.826
1.771
1.735
1.709
1.689
1.675
1.663
1.609
248.6
19.45
8.648
5.787
4.541
3.856
3.426
3.131
2.917
2.754
2.626
2.523
2.438
2.367
2.306
2.254
2.208
2.168
2.133
2.102
2.073
2.048
2.025
2.003
1.984
1.966
1.950
1.935
1.921
1.908
1.814
1.759
1.722
1.696
1.677
1.662
1.650
1.596
248.8
19.45
8.643
5.781
4.534
3.849
3.418
3.123
2.908
2.745
2.617
2.514
2.429
2.357
2.297
2.244
2.199
2.159
2.123
2.092
2.063
2.038
2.014
1.993
1.974
1.956
1.940
1.924
1.910
1.897
1.803
1.748
1.711
1.685
1.665
1.650
1.638
1.583
249.1
19.45
8.638
5.774
4.527
3.841
3.410
3.115
2.900
2.737
2.609
2.505
2.420
2.349
2.288
2.235
2.190
2.150
2.114
2.082
2.054
2.028
2.005
1.984
1.964
1.946
1.930
1.915
1.901
1.887
1.793
1.737
1.700
1.674
1.654
1.639
1.627
1.572
249.3
19.46
8.634
5.769
4.521
3.835
3.404
3.108
2.893
2.730
2.601
2.498
2.412
2.341
2.280
2.227
2.181
2.141
2.106
2.074
2.045
2.020
1.996
1.975
1.955
1.938
1.921
1.906
1.891
1.878
1.783
1.727
1.690
1.664
1.644
1.629
1.616
1.561
249.5
19.46
8.630
5.763
4.515
3.829
3.397
3.102
2.886
2.723
2.594
2.491
2.405
2.333
2.272
2.220
2.174
2.134
2.098
2.066
2.037
2.012
1.988
1.967
1.947
1.929
1.913
1.897
1.883
1.870
1.775
1.718
1.681
1.654
1.634
1.619
1.607
1.551
Universidad de Carabobo
300
27
28
29
30
40
50
60
70
80
90
100
200
249.6
19.46
8.626
5.759
4.510
3.823
3.391
3.095
2.880
2.716
2.588
2.484
2.398
2.326
2.265
2.212
2.167
2.126
2.090
2.059
2.030
2.004
1.981
1.959
1.939
1.921
1.905
1.889
1.875
1.862
1.766
1.710
1.672
1.646
1.626
1.610
1.598
1.542
249.8
19.46
8.623
5.754
4.505
3.818
3.386
3.090
2.874
2.710
2.582
2.478
2.392
2.320
2.259
2.206
2.160
2.119
2.084
2.052
2.023
1.997
1.973
1.952
1.932
1.914
1.898
1.882
1.868
1.854
1.759
1.702
1.664
1.637
1.617
1.601
1.589
1.533
249.9
19.46
8.620
5.750
4.500
3.813
3.381
3.084
2.869
2.705
2.576
2.472
2.386
2.314
2.253
2.200
2.154
2.113
2.077
2.045
2.016
1.990
1.967
1.945
1.926
1.907
1.891
1.875
1.861
1.847
1.751
1.694
1.656
1.629
1.609
1.593
1.581
1.524
250.1
19.46
8.617
5.746
4.496
3.808
3.376
3.079
2.864
2.700
2.570
2.466
2.380
2.308
2.247
2.194
2.148
2.107
2.071
2.039
2.010
1.984
1.961
1.939
1.919
1.901
1.884
1.869
1.854
1.841
1.744
1.687
1.649
1.622
1.602
1.586
1.573
1.516
251.1
19.47
8.594
5.717
4.464
3.774
3.340
3.043
2.826
2.661
2.531
2.426
2.339
2.266
2.204
2.151
2.104
2.063
2.026
1.994
1.965
1.938
1.914
1.892
1.872
1.853
1.836
1.820
1.806
1.792
1.693
1.634
1.594
1.566
1.545
1.528
1.515
1.455
251.8
19.48
8.581
5.699
4.444
3.754
3.319
3.020
2.803
2.637
2.507
2.401
2.314
2.241
2.178
2.124
2.077
2.035
1.999
1.966
1.936
1.909
1.885
1.863
1.842
1.823
1.806
1.790
1.775
1.761
1.660
1.599
1.559
1.530
1.508
1.491
1.477
1.415
252.2
19.48
8.572
5.688
4.431
3.740
3.304
3.005
2.787
2.621
2.490
2.384
2.297
2.223
2.160
2.106
2.058
2.017
1.980
1.946
1.916
1.889
1.865
1.842
1.822
1.803
1.785
1.769
1.754
1.740
1.637
1.576
1.534
1.505
1.482
1.465
1.450
1.386
252.5
19.48
8.566
5.679
4.422
3.730
3.294
2.994
2.776
2.609
2.478
2.372
2.284
2.210
2.147
2.093
2.045
2.003
1.966
1.932
1.902
1.875
1.850
1.828
1.807
1.788
1.770
1.754
1.738
1.724
1.621
1.558
1.516
1.486
1.463
1.445
1.430
1.364
252.7
19.48
8.561
5.673
4.415
3.722
3.286
2.986
2.768
2.601
2.469
2.363
2.275
2.201
2.137
2.083
2.035
1.993
1.955
1.922
1.891
1.864
1.839
1.816
1.796
1.776
1.758
1.742
1.726
1.712
1.608
1.544
1.502
1.471
1.448
1.429
1.415
1.346
252.9
19.49
8.557
5.668
4.409
3.716
3.280
2.980
2.761
2.594
2.462
2.356
2.267
2.193
2.130
2.075
2.027
1.985
1.947
1.913
1.883
1.856
1.830
1.808
1.787
1.767
1.749
1.733
1.717
1.703
1.597
1.534
1.491
1.459
1.436
1.417
1.402
1.332
253.0
19.49
8.554
5.664
4.405
3.712
3.275
2.975
2.756
2.588
2.457
2.350
2.261
2.187
2.123
2.068
2.020
1.978
1.940
1.907
1.876
1.849
1.823
1.800
1.779
1.760
1.742
1.725
1.710
1.695
1.589
1.525
1.481
1.450
1.426
1.407
1.392
1.321
253.7
19.49
8.540
5.646
4.385
3.690
3.252
2.951
2.731
2.563
2.431
2.323
2.234
2.159
2.095
2.039
1.991
1.948
1.910
1.875
1.845
1.817
1.791
1.768
1.746
1.726
1.708
1.691
1.675
1.660
1.551
1.484
1.438
1.404
1.379
1.358
1.342
1.263
FaCyT-Matemticas
301
10
11
12
13
647.8
38.51
17.44
12.218
10.007
8.813
8.073
7.571
7.209
6.937
6.724
6.554
6.414
6.298
6.200
6.115
6.042
5.978
5.922
5.871
5.827
5.786
5.750
5.717
5.686
5.659
5.633
5.610
5.588
5.568
5.424
5.340
5.286
5.247
5.218
5.196
5.179
5.100
799.5
39.00
16.044
10.649
8.434
7.260
6.542
6.059
5.715
5.456
5.256
5.096
4.965
4.857
4.765
4.687
4.619
4.560
4.508
4.461
4.420
4.383
4.349
4.319
4.291
4.265
4.242
4.221
4.201
4.182
4.051
3.975
3.925
3.890
3.864
3.844
3.828
3.758
864.2
39.17
15.44
9.979
7.764
6.599
5.890
5.416
5.078
4.826
4.630
4.474
4.347
4.242
4.153
4.077
4.011
3.954
3.903
3.859
3.819
3.783
3.750
3.721
3.694
3.670
3.647
3.626
3.607
3.589
3.463
3.390
3.343
3.309
3.284
3.265
3.250
3.182
899.6
39.25
15.10
9.604
7.388
6.227
5.523
5.053
4.718
4.468
4.275
4.121
3.996
3.892
3.804
3.729
3.665
3.608
3.559
3.515
3.475
3.440
3.408
3.379
3.353
3.329
3.307
3.286
3.267
3.250
3.126
3.054
3.008
2.975
2.950
2.932
2.917
2.850
921.8
39.30
14.89
9.364
7.146
5.988
5.285
4.817
4.484
4.236
4.044
3.891
3.767
3.663
3.576
3.502
3.438
3.382
3.333
3.289
3.250
3.215
3.183
3.155
3.129
3.105
3.083
3.063
3.044
3.026
2.904
2.833
2.786
2.754
2.730
2.711
2.696
2.630
937.1
39.33
14.74
9.197
6.978
5.820
5.119
4.652
4.320
4.072
3.881
3.728
3.604
3.501
3.415
3.341
3.277
3.221
3.172
3.128
3.090
3.055
3.023
2.995
2.969
2.945
2.923
2.903
2.884
2.867
2.744
2.674
2.627
2.595
2.571
2.552
2.537
2.472
948.2
39.36
14.62
9.074
6.853
5.695
4.995
4.529
4.197
3.950
3.759
3.607
3.483
3.380
3.293
3.219
3.156
3.100
3.051
3.007
2.969
2.934
2.902
2.874
2.848
2.824
2.802
2.782
2.763
2.746
2.624
2.553
2.507
2.474
2.450
2.432
2.417
2.351
956.6
39.37
14.54
8.980
6.757
5.600
4.899
4.433
4.102
3.855
3.664
3.512
3.388
3.285
3.199
3.125
3.061
3.005
2.956
2.913
2.874
2.839
2.808
2.779
2.753
2.729
2.707
2.687
2.669
2.651
2.529
2.458
2.412
2.379
2.355
2.336
2.321
2.256
963.3
39.39
14.47
8.905
6.681
5.523
4.823
4.357
4.026
3.779
3.588
3.436
3.312
3.209
3.123
3.049
2.985
2.929
2.880
2.837
2.798
2.763
2.731
2.703
2.677
2.653
2.631
2.611
2.592
2.575
2.452
2.381
2.334
2.302
2.277
2.259
2.244
2.178
968.6
39.40
14.42
8.844
6.619
5.461
4.761
4.295
3.964
3.717
3.526
3.374
3.250
3.147
3.060
2.986
2.922
2.866
2.817
2.774
2.735
2.700
2.668
2.640
2.613
2.590
2.568
2.547
2.529
2.511
2.388
2.317
2.270
2.237
2.213
2.194
2.179
2.113
973.0
39.41
14.37
8.794
6.568
5.410
4.709
4.243
3.912
3.665
3.474
3.321
3.197
3.095
3.008
2.934
2.870
2.814
2.765
2.721
2.682
2.647
2.615
2.586
2.560
2.536
2.514
2.494
2.475
2.458
2.334
2.263
2.216
2.183
2.158
2.140
2.124
2.058
976.7
39.42
14.34
8.751
6.525
5.366
4.666
4.200
3.868
3.621
3.430
3.277
3.153
3.050
2.963
2.889
2.825
2.769
2.720
2.676
2.637
2.602
2.570
2.541
2.515
2.491
2.469
2.448
2.430
2.412
2.288
2.216
2.169
2.136
2.111
2.092
2.077
2.010
979.8
39.42
14.31
8.715
6.488
5.329
4.628
4.162
3.831
3.583
3.392
3.239
3.115
3.012
2.925
2.851
2.786
2.730
2.681
2.637
2.598
2.563
2.531
2.502
2.476
2.452
2.429
2.409
2.390
2.372
2.248
2.176
2.129
2.095
2.071
2.051
2.036
1.969
Universidad de Carabobo
302
14
15
16
17
18
19
20
21
22
23
24
25
26
982.5
39.43
14.28
8.684
6.456
5.297
4.596
4.130
3.798
3.550
3.359
3.206
3.082
2.979
2.891
2.817
2.753
2.696
2.647
2.603
2.564
2.528
2.497
2.468
2.441
2.417
2.395
2.374
2.355
2.338
2.213
2.140
2.093
2.059
2.035
2.015
2.000
1.932
984.9
39.43
14.25
8.657
6.428
5.269
4.568
4.101
3.769
3.522
3.330
3.177
3.053
2.949
2.862
2.788
2.723
2.667
2.617
2.573
2.534
2.498
2.466
2.437
2.411
2.387
2.364
2.344
2.325
2.307
2.182
2.109
2.061
2.028
2.003
1.983
1.968
1.900
986.9
39.44
14.23
8.633
6.403
5.244
4.543
4.076
3.744
3.496
3.304
3.152
3.027
2.923
2.836
2.761
2.697
2.640
2.591
2.547
2.507
2.472
2.440
2.411
2.384
2.360
2.337
2.317
2.298
2.280
2.154
2.081
2.033
1.999
1.974
1.955
1.939
1.870
988.7
39.44
14.21
8.611
6.381
5.222
4.521
4.054
3.722
3.474
3.282
3.129
3.004
2.900
2.813
2.738
2.673
2.617
2.567
2.523
2.483
2.448
2.416
2.386
2.360
2.335
2.313
2.292
2.273
2.255
2.129
2.056
2.008
1.974
1.948
1.929
1.913
1.844
990.3
39.44
14.20
8.592
6.362
5.202
4.501
4.034
3.701
3.453
3.261
3.108
2.983
2.879
2.792
2.717
2.652
2.596
2.546
2.501
2.462
2.426
2.394
2.365
2.338
2.314
2.291
2.270
2.251
2.233
2.107
2.033
1.985
1.950
1.925
1.905
1.890
1.820
991.8
39.45
14.18
8.575
6.344
5.184
4.483
4.016
3.683
3.435
3.243
3.090
2.965
2.861
2.773
2.698
2.633
2.576
2.526
2.482
2.442
2.407
2.374
2.345
2.318
2.294
2.271
2.251
2.231
2.213
2.086
2.012
1.964
1.929
1.904
1.884
1.868
1.798
993.1
39.45
14.17
8.560
6.329
5.168
4.467
3.999
3.667
3.419
3.226
3.073
2.948
2.844
2.756
2.681
2.616
2.559
2.509
2.464
2.425
2.389
2.357
2.327
2.300
2.276
2.253
2.232
2.213
2.195
2.068
1.993
1.944
1.910
1.884
1.864
1.849
1.778
994.3
39.45
14.16
8.546
6.314
5.154
4.452
3.985
3.652
3.403
3.211
3.057
2.932
2.828
2.740
2.665
2.600
2.543
2.493
2.448
2.409
2.373
2.340
2.311
2.284
2.259
2.237
2.216
2.196
2.178
2.051
1.976
1.927
1.892
1.866
1.846
1.830
1.759
995.4
39.45
14.14
8.533
6.301
5.141
4.439
3.971
3.638
3.390
3.197
3.043
2.918
2.814
2.726
2.651
2.585
2.529
2.478
2.434
2.394
2.358
2.325
2.296
2.269
2.244
2.222
2.201
2.181
2.163
2.035
1.960
1.911
1.876
1.850
1.830
1.814
1.742
996.3
39.46
14.13
8.522
6.289
5.128
4.426
3.959
3.626
3.377
3.184
3.031
2.905
2.801
2.713
2.637
2.572
2.515
2.465
2.420
2.380
2.344
2.312
2.282
2.255
2.230
2.208
2.187
2.167
2.149
2.020
1.945
1.896
1.861
1.835
1.814
1.798
1.726
997.3
39.46
14.12
8.511
6.278
5.117
4.415
3.947
3.614
3.365
3.173
3.019
2.893
2.789
2.701
2.625
2.560
2.503
2.452
2.408
2.368
2.332
2.299
2.269
2.242
2.217
2.195
2.174
2.154
2.136
2.007
1.931
1.882
1.847
1.820
1.800
1.784
1.712
998.1
39.46
14.12
8.501
6.268
5.107
4.405
3.937
3.604
3.355
3.162
3.008
2.882
2.778
2.689
2.614
2.548
2.491
2.441
2.396
2.356
2.320
2.287
2.257
2.230
2.205
2.183
2.161
2.142
2.124
1.994
1.919
1.869
1.833
1.807
1.787
1.770
1.698
998.8
39.46
14.11
8.492
6.258
5.097
4.395
3.927
3.594
3.345
3.152
2.998
2.872
2.767
2.679
2.603
2.538
2.481
2.430
2.385
2.345
2.309
2.276
2.246
2.219
2.194
2.171
2.150
2.131
2.112
1.983
1.907
1.857
1.821
1.795
1.774
1.758
1.685
FaCyT-Matemticas
303
27
28
29
30
50
60
70
80
90
100
200
999.6
39.461 39.462 39.463 39.465 39.473 39.478 39.481 39.484 39.486 39.487 39.488 39.493
1000.2 1000.8 1001.4 1005.6 1008.1 1009.8 1011.0 1011.9 1012.6 1013.2 1015.7
14.100 14.093 14.086 14.081 14.036 14.010 13.992 13.979 13.970 13.962 13.956 13.929
8.483
8.475
8.468
8.461
8.411
8.381
8.360
8.346
8.335
8.326
8.319
6.250
6.242
6.234
6.227
6.175
6.144
6.123
6.107
6.096
6.087
6.080
6.048
5.088
5.080
5.072
5.065
5.012
4.980
4.959
4.943
4.932
4.923
4.915
4.882
4.386
4.378
4.370
4.362
4.309
4.276
4.254
4.239
4.227
4.218
4.210
4.176
3.918
3.909
3.901
3.894
3.840
3.807
3.784
3.768
3.756
3.747
3.739
3.705
8.288
3.584
3.576
3.568
3.560
3.505
3.472
3.449
3.433
3.421
3.411
3.403
3.368
10
3.335
3.327
3.319
3.311
3.255
3.221
3.198
3.182
3.169
3.160
3.152
3.116
11
3.142
3.133
3.125
3.118
3.061
3.027
3.004
2.987
2.974
2.964
2.956
2.920
12
2.988
2.979
2.971
2.963
2.906
2.871
2.848
2.831
2.818
2.808
2.800
2.763
13
2.862
2.853
2.845
2.837
2.780
2.744
2.720
2.703
2.690
2.680
2.671
2.634
14
2.758
2.749
2.740
2.732
2.674
2.638
2.614
2.597
2.583
2.573
2.565
2.526
15
2.669
2.660
2.652
2.644
2.585
2.549
2.524
2.506
2.493
2.482
2.474
2.435
16
2.594
2.584
2.576
2.568
2.509
2.472
2.447
2.429
2.415
2.405
2.396
2.357
17
2.528
2.519
2.510
2.502
2.442
2.405
2.380
2.362
2.348
2.337
2.329
2.289
18
2.471
2.461
2.453
2.445
2.384
2.347
2.321
2.303
2.289
2.278
2.269
2.229
19
2.420
2.411
2.402
2.394
2.333
2.295
2.270
2.251
2.237
2.226
2.217
2.176
20
2.375
2.366
2.357
2.349
2.287
2.249
2.223
2.205
2.190
2.179
2.170
2.128
21
2.335
2.325
2.317
2.308
2.246
2.208
2.182
2.163
2.148
2.137
2.128
2.086
22
2.299
2.289
2.280
2.272
2.210
2.171
2.145
2.125
2.111
2.099
2.090
2.047
23
2.266
2.256
2.247
2.239
2.176
2.137
2.111
2.091
2.077
2.065
2.056
2.013
24
2.236
2.226
2.217
2.209
2.146
2.107
2.080
2.060
2.045
2.034
2.024
1.981
25
2.209
2.199
2.190
2.182
2.118
2.079
2.052
2.032
2.017
2.005
1.996
1.952
26
2.184
2.174
2.165
2.157
2.093
2.053
2.026
2.006
1.991
1.979
1.969
1.925
27
2.161
2.151
2.142
2.133
2.069
2.029
2.002
1.982
1.966
1.954
1.945
1.900
28
2.140
2.130
2.121
2.112
2.048
2.007
1.980
1.959
1.944
1.932
1.922
1.877
29
2.120
2.110
2.101
2.092
2.028
1.987
1.959
1.939
1.923
1.911
1.901
1.855
30
2.102
2.092
2.083
2.074
2.009
1.968
1.940
1.920
1.904
1.892
1.882
1.835
40
1.972
1.962
1.952
1.943
1.875
1.832
1.803
1.781
1.764
1.751
1.741
1.691
50
1.895
1.885
1.875
1.866
1.796
1.752
1.721
1.698
1.681
1.667
1.656
1.603
60
1.845
1.835
1.825
1.815
1.744
1.699
1.667
1.643
1.625
1.611
1.599
1.543
70
1.810
1.799
1.789
1.779
1.707
1.660
1.628
1.604
1.585
1.570
1.558
1.500
80
1.783
1.772
1.762
1.752
1.679
1.632
1.599
1.574
1.555
1.540
1.527
1.467
90
1.763
1.752
1.741
1.731
1.657
1.610
1.576
1.551
1.531
1.516
1.503
1.441
100
1.746
1.735
1.725
1.715
1.640
1.592
1.558
1.532
1.512
1.496
1.483
1.420
200
1.673
1.661
1.650
1.640
1.562
1.511
1.474
1.447
1.425
1.407
1.393
1.320
Universidad de Carabobo
304
10
11
12
13
4052.2 4999.3 5403.5 5624.3 5763.9 5858.9 5928.3 5980.9 6022.4 6055.9 6083.4 6106.7 6125.8
98.502 99.000 99.164 99.251 99.302 99.331 99.357 99.375 99.390 99.397 99.408 99.419 99.422
34.116 30.816 29.457 28.710 28.237 27.911 27.671 27.489 27.345 27.228 27.132 27.052 26.983
21.198 18.000 16.694 15.977 15.522 15.207 14.976 14.799 14.659 14.546 14.452 14.374 14.306
16.258 13.274 12.060 11.392 10.967 10.672 10.456 10.289 10.158 10.051 9.963
9.888
9.148
8.746
8.466
8.260
8.102
7.976
7.874
7.790
7.718
7.657
12.246 9.547
8.451
7.847
7.460
7.191
6.993
6.840
6.719
6.620
6.538
6.469
6.410
5.609
9.825
11.259 8.649
7.591
7.006
6.632
6.371
6.178
6.029
5.911
5.814
5.734
5.667
10.562 8.022
6.992
6.422
6.057
5.802
5.613
5.467
5.351
5.257
5.178
5.111
5.055
10
10.044 7.559
6.552
5.994
5.636
5.386
5.200
5.057
4.942
4.849
4.772
4.706
4.650
11
9.646
7.206
6.217
5.668
5.316
5.069
4.886
4.744
4.632
4.539
4.462
4.397
4.342
12
9.330
6.927
5.953
5.412
5.064
4.821
4.640
4.499
4.388
4.296
4.220
4.155
4.100
13
9.074
6.701
5.739
5.205
4.862
4.620
4.441
4.302
4.191
4.100
4.025
3.960
3.905
14
8.862
6.515
5.564
5.035
4.695
4.456
4.278
4.140
4.030
3.939
3.864
3.800
3.745
15
8.683
6.359
5.417
4.893
4.556
4.318
4.142
4.004
3.895
3.805
3.730
3.666
3.612
16
8.531
6.226
5.292
4.773
4.437
4.202
4.026
3.890
3.780
3.691
3.616
3.553
3.498
17
8.400
6.112
5.185
4.669
4.336
4.101
3.927
3.791
3.682
3.593
3.518
3.455
3.401
18
8.285
6.013
5.092
4.579
4.248
4.015
3.841
3.705
3.597
3.508
3.434
3.371
3.316
19
8.185
5.926
5.010
4.500
4.171
3.939
3.765
3.631
3.523
3.434
3.360
3.297
3.242
20
8.096
5.849
4.938
4.431
4.103
3.871
3.699
3.564
3.457
3.368
3.294
3.231
3.177
21
8.017
5.780
4.874
4.369
4.042
3.812
3.640
3.506
3.398
3.310
3.236
3.173
3.119
22
7.945
5.719
4.817
4.313
3.988
3.758
3.587
3.453
3.346
3.258
3.184
3.121
3.067
23
7.881
5.664
4.765
4.264
3.939
3.710
3.539
3.406
3.299
3.211
3.137
3.074
3.020
24
7.823
5.614
4.718
4.218
3.895
3.667
3.496
3.363
3.256
3.168
3.094
3.032
2.977
25
7.770
5.568
4.675
4.177
3.855
3.627
3.457
3.324
3.217
3.129
3.056
2.993
2.939
26
7.721
5.526
4.637
4.140
3.818
3.591
3.421
3.288
3.182
3.094
3.021
2.958
2.904
27
7.677
5.488
4.601
4.106
3.785
3.558
3.388
3.256
3.149
3.062
2.988
2.926
2.872
28
7.636
5.453
4.568
4.074
3.754
3.528
3.358
3.226
3.120
3.032
2.959
2.896
2.842
29
7.598
5.420
4.538
4.045
3.725
3.499
3.330
3.198
3.092
3.005
2.931
2.868
2.814
30
7.562
5.390
4.510
4.018
3.699
3.473
3.305
3.173
3.067
2.979
2.906
2.843
2.789
40
7.314
5.178
4.313
3.828
3.514
3.291
3.124
2.993
2.888
2.801
2.727
2.665
2.611
50
7.171
5.057
4.199
3.720
3.408
3.186
3.020
2.890
2.785
2.698
2.625
2.563
2.508
60
7.077
4.977
4.126
3.649
3.339
3.119
2.953
2.823
2.718
2.632
2.559
2.496
2.442
70
7.011
4.922
4.074
3.600
3.291
3.071
2.906
2.777
2.672
2.585
2.512
2.450
2.395
80
6.963
4.881
4.036
3.563
3.255
3.036
2.871
2.742
2.637
2.551
2.478
2.415
2.361
90
6.925
4.849
4.007
3.535
3.228
3.009
2.845
2.715
2.611
2.524
2.451
2.389
2.334
100
6.895
4.824
3.984
3.513
3.206
2.988
2.823
2.694
2.590
2.503
2.430
2.368
2.313
200
6.763
4.713
3.881
3.414
3.110
2.893
2.730
2.601
2.497
2.411
2.338
2.275
2.220
FaCyT-Matemticas
305
14
15
16
17
19
20
21
22
23
24
25
26
6143.0 6156.9 6170.0 6181.1 6191.4 6200.8 6208.7 6216.1 6223.1 6228.7 6234.3 6239.9 6244.5
99.426 99.433 99.437 99.441 99.444 99.448 99.448 99.451 99.455 99.455 99.455 99.459 99.462
26.924 26.872 26.826 26.786 26.751 26.719 26.690 26.664 26.639 26.617 26.597 26.579 26.562
14.249 14.198 14.154 14.114 14.079 14.048 14.019 13.994 13.970 13.949 13.929 13.911 13.894
9.770
9.722
9.680
9.643
9.609
9.580
9.553
9.528
9.506
9.485
9.466
9.449
7.605
7.559
7.519
7.483
7.451
7.422
7.396
7.372
7.351
7.331
7.313
7.296
7.281
6.359
6.314
6.275
6.240
6.209
6.181
6.155
6.132
6.111
6.092
6.074
6.058
6.043
9.433
5.559
5.515
5.477
5.442
5.412
5.384
5.359
5.336
5.316
5.297
5.279
5.263
5.248
5.005
4.962
4.924
4.890
4.860
4.833
4.808
4.786
4.765
4.746
4.729
4.713
4.698
10
4.601
4.558
4.520
4.487
4.457
4.430
4.405
4.383
4.363
4.344
4.327
4.311
4.296
11
4.293
4.251
4.213
4.180
4.150
4.123
4.099
4.077
4.057
4.038
4.021
4.005
3.990
12
4.052
4.010
3.972
3.939
3.910
3.883
3.858
3.836
3.816
3.798
3.780
3.765
3.750
13
3.857
3.815
3.778
3.745
3.716
3.689
3.665
3.643
3.622
3.604
3.587
3.571
3.556
14
3.698
3.656
3.619
3.586
3.556
3.529
3.505
3.483
3.463
3.444
3.427
3.412
3.397
15
3.564
3.522
3.485
3.452
3.423
3.396
3.372
3.350
3.330
3.311
3.294
3.278
3.264
16
3.451
3.409
3.372
3.339
3.310
3.283
3.259
3.237
3.216
3.198
3.181
3.165
3.150
17
3.353
3.312
3.275
3.242
3.212
3.186
3.162
3.139
3.119
3.101
3.083
3.068
3.053
18
3.269
3.227
3.190
3.158
3.128
3.101
3.077
3.055
3.035
3.016
2.999
2.983
2.968
19
3.195
3.153
3.116
3.084
3.054
3.027
3.003
2.981
2.961
2.942
2.925
2.909
2.894
20
3.130
3.088
3.051
3.018
2.989
2.962
2.938
2.916
2.895
2.877
2.859
2.843
2.829
21
3.072
3.030
2.993
2.960
2.931
2.904
2.880
2.857
2.837
2.818
2.801
2.785
2.770
22
3.019
2.978
2.941
2.908
2.879
2.852
2.827
2.805
2.785
2.766
2.749
2.733
2.718
23
2.973
2.931
2.894
2.861
2.832
2.805
2.780
2.758
2.738
2.719
2.702
2.686
2.671
24
2.930
2.889
2.852
2.819
2.789
2.762
2.738
2.716
2.695
2.676
2.659
2.643
2.628
25
2.892
2.850
2.813
2.780
2.751
2.724
2.699
2.677
2.657
2.638
2.620
2.604
2.589
26
2.857
2.815
2.778
2.745
2.715
2.688
2.664
2.642
2.621
2.602
2.585
2.569
2.554
27
2.824
2.783
2.746
2.713
2.683
2.656
2.632
2.609
2.589
2.570
2.552
2.536
2.521
28
2.795
2.753
2.716
2.683
2.653
2.626
2.602
2.579
2.559
2.540
2.522
2.506
2.491
29
2.767
2.726
2.689
2.656
2.626
2.599
2.574
2.552
2.531
2.512
2.495
2.478
2.463
30
2.742
2.700
2.663
2.630
2.600
2.573
2.549
2.526
2.506
2.487
2.469
2.453
2.437
40
2.563
2.522
2.484
2.451
2.421
2.394
2.369
2.346
2.325
2.306
2.288
2.271
2.256
50
2.461
2.419
2.382
2.348
2.318
2.290
2.265
2.242
2.221
2.202
2.183
2.167
2.151
60
2.394
2.352
2.315
2.281
2.251
2.223
2.198
2.175
2.153
2.134
2.115
2.098
2.083
70
2.348
2.306
2.268
2.234
2.204
2.176
2.150
2.127
2.106
2.086
2.067
2.050
2.034
80
2.313
2.271
2.233
2.199
2.169
2.141
2.115
2.092
2.070
2.050
2.032
2.015
1.999
90
2.286
2.244
2.206
2.172
2.142
2.114
2.088
2.065
2.043
2.023
2.004
1.987
1.971
100
2.265
2.223
2.185
2.151
2.120
2.092
2.067
2.043
2.021
2.001
1.983
1.965
1.949
200
2.172
2.129
2.091
2.057
2.026
1.997
1.971
1.947
1.925
1.905
1.886
1.868
1.851
Universidad de Carabobo
306
27
28
29
30
40
50
60
70
80
90
100
200
6249.1
99.462
26.546
13.878
9.418
7.266
6.029
5.234
4.684
4.283
3.977
3.736
3.543
3.383
3.250
3.137
3.039
2.955
2.880
2.815
2.756
2.704
2.657
2.614
2.575
2.540
2.507
2.477
2.449
2.423
2.241
2.136
2.068
2.019
1.983
1.956
1.934
1.836
6252.9
99.462
26.531
13.864
9.404
7.253
6.016
5.221
4.672
4.270
3.964
3.724
3.530
3.371
3.237
3.124
3.026
2.942
2.868
2.802
2.743
2.691
2.644
2.601
2.562
2.526
2.494
2.464
2.436
2.410
2.228
2.123
2.054
2.005
1.969
1.942
1.919
1.821
6257.1
99.462
26.517
13.850
9.391
7.240
6.003
5.209
4.660
4.258
3.952
3.712
3.518
3.359
3.225
3.112
3.014
2.930
2.855
2.790
2.731
2.679
2.632
2.589
2.550
2.514
2.481
2.451
2.423
2.398
2.215
2.110
2.041
1.992
1.956
1.928
1.906
1.807
6260.4
99.466
26.504
13.838
9.379
7.229
5.992
5.198
4.649
4.247
3.941
3.701
3.507
3.348
3.214
3.101
3.003
2.919
2.844
2.778
2.720
2.667
2.620
2.577
2.538
2.503
2.470
2.440
2.412
2.386
2.203
2.098
2.028
1.980
1.944
1.916
1.893
1.794
6286.4
99.477
26.411
13.745
9.291
7.143
5.908
5.116
4.567
4.165
3.860
3.619
3.425
3.266
3.132
3.018
2.920
2.835
2.761
2.695
2.636
2.583
2.536
2.492
2.453
2.417
2.384
2.354
2.325
2.299
2.114
2.007
1.936
1.886
1.849
1.820
1.797
1.694
6302.3
99.477
26.354
13.690
9.238
7.091
5.858
5.065
4.517
4.115
3.810
3.569
3.375
3.215
3.081
2.967
2.869
2.784
2.709
2.643
2.584
2.531
2.483
2.440
2.400
2.364
2.330
2.300
2.271
2.245
2.058
1.949
1.877
1.826
1.788
1.759
1.735
1.629
6312.9
99.484
26.316
13.652
9.202
7.057
5.824
5.032
4.483
4.082
3.776
3.535
3.341
3.181
3.047
2.933
2.835
2.749
2.674
2.608
2.548
2.495
2.447
2.403
2.364
2.327
2.294
2.263
2.234
2.208
2.019
1.909
1.836
1.785
1.746
1.716
1.692
1.583
6320.9
99.484
26.289
13.626
9.176
7.032
5.799
5.007
4.459
4.058
3.752
3.511
3.317
3.157
3.022
2.908
2.810
2.724
2.649
2.582
2.523
2.469
2.421
2.377
2.337
2.301
2.267
2.236
2.207
2.181
1.991
1.880
1.806
1.754
1.714
1.684
1.659
1.548
6326.5
99.484
26.269
13.605
9.157
7.013
5.781
4.989
4.441
4.039
3.734
3.493
3.298
3.138
3.004
2.889
2.791
2.705
2.630
2.563
2.503
2.450
2.401
2.357
2.317
2.281
2.247
2.216
2.187
2.160
1.969
1.857
1.783
1.730
1.690
1.659
1.634
1.521
6330.7
99.488
26.253
13.590
9.142
6.998
5.766
4.975
4.426
4.025
3.719
3.478
3.284
3.124
2.989
2.875
2.776
2.690
2.614
2.548
2.488
2.434
2.386
2.342
2.302
2.265
2.231
2.200
2.171
2.144
1.952
1.839
1.764
1.711
1.671
1.639
1.614
1.499
6333.9
99.491
26.241
13.577
9.130
6.987
5.755
4.963
4.415
4.014
3.708
3.467
3.272
3.112
2.977
2.863
2.764
2.678
2.602
2.535
2.476
2.422
2.373
2.329
2.289
2.252
2.218
2.187
2.158
2.131
1.938
1.825
1.749
1.695
1.655
1.623
1.598
1.481
6349.8
99.491
26.183
13.520
9.075
6.934
5.702
4.911
4.363
3.962
3.656
3.414
3.219
3.059
2.923
2.808
2.709
2.623
2.547
2.479
2.419
2.365
2.316
2.271
2.230
2.193
2.159
2.127
2.097
2.070
1.874
1.757
1.678
1.622
1.579
1.546
1.518
1.391
FaCyT-Matemticas