119

Captulo 5. TEORIA DE LAS PEQUEAS MUESTRAS ............ 121

5.1 Distribucin Gamma ..................................................... 121

5.2 Distribucin chi-cuadrado (
2
) de Pearson ...................... 124
Propiedad reproductiva de
2
_ .......................................... 126

5.3 Distribucin F de Snedecor o Fischer ............................... 127

5.4 Relaciones entre las distribuciones Normal y
2
_
............... 130

5.5 Distribucin T de Student .............................................. 134

5.6 Los grados de libertad ................................................... 136



CASOS DE ESTUDIO, PREGUNTAS Y PROBLEMAS ............... 137

Caso 5.1: Ingreso medio en los hogares de Ro Cuarto ............ 137

Preguntas ......................................................................... 138

Problemas ......................................................................... 138



Bibliografa ................................................................... 139


120


121
Captulo 5. TEORIA DE LAS PEQUEAS MUESTRAS


5.1 Distribucin Gamma
La distribucin gamma servir de punto de partida para obtener las
funciones de densidad de las distribuciones exactas, que comprende a:
distribucin chi cuadrado de Pearson,
2
_
distribucin t de Student, t
distribucin F de Snedecor o Fischer, F

La funcin gamma del anlisis matemtico es:
0 ; ) (
0
1
> = I
}

dx x e
x

esta integral se resuelve fcilmente y se obtiene
)! 1 ( ) ( = I

Se debe tener presente, en los desarrollos posteriores, el valor notable:
t = |
.
|

\
|
I
2
1


Hay dos integrales de las que resulta til conocer su resolucin por la
aplicacin que de ellas se hace ms adelante:

1. En la integral:
0 , 0 ;
0
1
> >
}

o
o
dx x e
x

se realiza la siguiente sustitucin: o = x

de donde se deduce:
o o
du
dx x = = ;

sustituyendo en (4):
} }

=
0
1
0 1
1
du e
du
e

o
o

(1)
(2)
(3)
(4)

122
si se saca

o
1
fuera de la integral y se compara con (1) queda:
}

I =
0
1
) (
1 1

du e

o sea que:
}

I
=
0
1
) (

o
o

dx x e
x



2. En la integral
}

>
0
0 ,
2
o
o
dx e
x

sustituyendo =
2
x , se tiene
du dx x
2
1
2 / 1
2
1
;

= =

al sustituir se obtiene:
}

=
|
.
|

\
|
I
=
0
2
1
2
1
2
1
2 2
2
1
2
1
o
t
o

o
du e


La distribucin gamma de la variable aleatoria X, con parmetros o y
, se define mediante la siguiente funcin de densidad:

s
> > >
I
=

0 , 0
0 ; 0 ; 0 ,
) (
) (
1
x
x x e
x f
x
o

o
o

Si se integra la funcin de densidad entre los lmites de su recorrido, el
resultado debe ser 1. El recorrido de esta funcin es de 0 a

, si se
realiza la integral
(5)
(6)
(7)

123
( ) ( )
} } }

I
=
I
=
0
1
0
1
0
dx x e dx x e dx ) x ( f
x x

Teniendo en cuenta el resultado de (5)
( )
( )
1
0
=
I
I
=
}

dx ) x ( f

Con este resultado se confirma que la expresin hallada en (7) es la
funcin de densidad de la distribucin Gamma.
La funcin generatriz de momentos de esta distribucin con funcin de
densidad f(x), es
}

= =
0
) ( ) ( ) ( dx x f e e E m
x x
x
u u
u
que, haciendo uso de (7), queda:
=
I
}

0
1
) (
dx x e e
x x u o

o
}

I
0
1 ) (
) (
dx x e
x u o

o



La integral es anloga a (5) pero con u o en lugar de o , luego,

o
u
o
o
o
u o
o
u o
u o
o
u o
o
u

|
.
|

\
|
= |
.
|

\
|
=

=
I
I
=
) (
) ( ) )( (
) (
) (
x
m


La funcin generatriz de momentos de una variable X con distribucin
gamma, en el parmetro , es

o
u
u

|
.
|

\
|
= 1 ) (
x
m

Derivando sucesivamente la funcin generatriz se obtienen los momentos
de orden 1 y orden 2 (
1
m y
2
m ), que posibilitan el clculo de la media y
la varianza de la distribucin gamma.
o

= =
1
m x E ) (
2
2
1 2
o

= = m m x V ) (


(8)

124
5.2 Distribucin chi-cuadrado (
2
) de Pearson
Si
n
X X X , , ,
2 1
, son n observaciones muestrales en una poblacin
normal, con parmetros ) , ( o , el estadstico (variable aleatoria):

( )
2
1
2

=

=
n
i
i
X
Y (9)
representa una Chi-Cuadrado con n grados de libertad, donde la variable
X se distribuye normal con media, , y desvo, o .

Al desarrollar el sumatorio, en (9), se tiene que
( ) ( ) ( )
2 2
2
2
1
2
2
2
2
2
2
2
1
n
n
z ... z z
X
...
X X
Y + + + =

+ +

que conduce a la forma alternativa de escribir (9):
2
1
2
n
n
i
i
z Y _ ~ =

=
donde ) 1 , 0 ( N z
i
~

La funcin generatriz de momentos de la variable
2
n
Y _ ~ es:
( )
n
z
Y
z z z z
Y
m m m m m m m
n i
) ( ) ( ) ( ) ( ) ( ) ( ) ( 2 2 2
2
2
1
2 u u u u u u u = =

= (10)

Pero como z ~ N(0, 1), segn lo analizado en (10)
( )
}

= = dz e e e E m
z
z z
z
2
2
2 2
2
2
1
) (
u u
t
u

Como se trata de una funcin par, integramos entre 0 e y
multiplicamos por 2
dz e
z
}

|
.
|

\
|

0
2
1
2
2
2

(11) es anloga a la integral que da por resultado (6), para o=(1/2)-u,
por lo tanto
u
u u
t
t
u
2 1
1
2
1
2
1
2
1
2
2
2
) ( 2

=
z
m


(11)

125
Entonces, la funcin generatriz de momentos de
2
z en el parmetro es

2 1
1
2

= ) ( m
z


Ahora bien, la funcin generatriz de momentos de la variable Y, dada en
(10), es | |
n
z
Y
) ( m ) ( m
2
= , reemplazando el resultado de (12)
| |
n
n
z
Y
m m |
.
|

\
|

= =
u
u u
2 1
1
) ( ) (
2

(13) es la funcin generatriz de momentos de una variable Y con
distribucin chi cuadrado de n grados de libertad.


Comparando (13) con (8) se observa que la funcin generatriz de
momentos tiene una estructura similar a una distribucin gamma de:
variable: y
parmetros: o = , = n/2


En consecuencia la funcin de densidad de Y , teniendo en cuenta (7) es:
( )
( ) 2 / 2
) (
1 2 / 2 /
n
Y e
Y f
n
n Y
I
=


donde
Y
se distribuye chi-cuadrado con n grados de libertad.

El diagrama presenta funciones de distribucin de chi cuadrado con
diferentes grados de libertad



5 10 15 20
0.25


0.20


0.15


0.10


0.05
f(Y)
2gl
6gl
10gl
Y
(13)
(14 )
(12)

126

La media y la desviacin tpica de la distribucin _
2
se obtienen derivando
la funcin generatriz de momentos, hallada en (13)
n
m
E
Y
=
c
c
=
=0
2
) (
) (
) (
u
u
u
_
| | n E
m
V
Y
2 ) (
) (
) (
) (
2
2
0
2
2
=
c
c
=
=
_
u
u
_
u



Propiedad reproductiva de
2
_

Dadas dos variables independientes,
1
Y e
2
Y , donde ambas se
distribuyen
2
con
1
n y
2
n grados de libertad, respectivamente; la suma
de ellas es otra variable
2
_ con
2 1
n n + grados de libertad.

En efecto,
) ( ) ( ) (
2 1 2 1
u u u
Y Y Y Y
m m m =
+
( ) ( ) ( )
( )
2 1 2 1
2 1
1
2 1
1
2 1
1
n n n n +

=

=
u u u

que segn (13) es la funcin generatriz de momentos de
2
2 1
n n +
_


Conclusin. Dada ) 1 , 0 ( N Z ~ , variable normal tipificada, si se seleccionan
n valores aleatorios
n
Z Z Z , , ,
2 1
de esta distribucin, se elevan al
cuadrado y se suman, el estadstico resultante tiene una distribucin
2
_
con n grados de libertad,
2 2 2 2
2 1
n
n
Z Z Z ~ + + +
Cuando los grados de libertad tienden a , ) , ( N Z
n
1 0
2
~


Ejemplo. La variable X tiene distribucin chi-cuadrado con 20 grados de libertad:
2
20
~ X
Cul es la probabilidad de que la variable X asuma valores inferiores o igual a
34.17?
Para hallar esta probabilidad es necesario utilizar la Tabla E.4 Valores crticos de
2
_ publicada por Mark Berenson y David Levine. La tabla tiene los grados de
libertad a la izquierda y la probabilidad acumulada desde el valor crtico a infinito en
el extremo superior.

127
La variable tiene 20 grados de libertad, por ende es necesario ubicar la fila
correspondiente a 20 grados. Luego debe buscarse sobre la fila el punto 34.17. Una
vez hallado debe leerse arriba (en Areas de extremo superior) la probabilidad, en
este caso 0.025.
025 . 0 ) 17 . 34 ( = > X P
Otra forma de notacin es 025 . 0 ) 17 . 34 (
2
= > _ P

La probabilidad de los menores a 34.17, que es lo que se busca, se halla de la
siguiente manera:
975 . 0 025 . 0 1 ) 17 . 34 ( 1 ) 17 . 34 ( = = > = s X P X P



5.3 Distribucin F de Snedecor o Fischer
Sea X una variable chi-cuadrado con m grados de libertad e Y otra
variable chi-cuadrado con n grados de libertad, se supone que X e Y son
independientes, entonces la variable aleatoria
n , m
n
m
F
n
Y
m
X
F ~ = =
2
2

(15)
se distribuye F de Snedecor con m y n grados de libertad en el
numerador y denominador respectivamente.


De acuerdo al resultado alcanzado en (14), la funcin de densidad de X
es
) / m (
x e
) X ( g
m
m
x
2 2
2
1
2
2
I
=

|
.
|

\
|

, y la funcin de densidad de Y es
) / n (
Y e
) Y ( g
n
n
Y
2 2
2
1
2
2
I
=

|
.
|

\
|

Por ende, la funcin de densidad conjunta de las variables X e Y, ) Y , X ( g ,
es:
) / n (
Y e
) / m (
x e
) Y ( g ) X ( g ) Y , X ( g
n
n
Y
m
m
x
2 2 2 2
2
1
2
2
2
1
2
2
I I
= =

|
.
|

\
|

|
.
|

\
|

donde
2
m
) X ( g ~ y
2
n
) Y ( g ~

agrupando trminos con igual base se obtiene que

128
) / n ( ) / m (
e Y x
) Y , X ( g
n m
Y X
n m
2 2 2
2
2
1
2
1
2
I I
=
+
|
.
|

\
| +

de donde la funcin de distribucin de probabilidad conjunta es
}} }}
I I
=
+
|
.
|

\
| +

dy dx
n m
e Y x
dxdy Y X g
n m
Y X
n m
) 2 / ( ) 2 / ( 2
) , (
2
2
1
2
1
2
(16)


A partir de (15), se reexpresa X en funcin de F e Y
n
mY
dF
dX
dF
n
mY
dX
n
mYF
X = = = ;
reemplazando en (16), los valores de X por sus iguales

}} }}

+
|
.
|

\
|
|
.
|

\
|

I I
= dY dF
n n n m
mY e Y F Y m
dFdY Y F g
m n m
Y
n
mYF
n m m m
1
2 2
2 2
1
2
1
2
1
2
1
2
) 2 / ( ) 2 / ( 2
) , (

}}
I I
=
+

|
.
|

\
| +

dY dF
n n m n
mY e Y F Y m
n m m
n
mF n
Y
n m m m
) 2 / ( ) 2 / ( 2
2
1
2
2
1
2
1
2
1
2
1
2


al integrar dFdY Y F g ) , ( respecto de Y se obtiene la funcin de densidad
de probabilidad marginal de F, esto es
}

=
0
) ( ) , ( dF F h dY Y F g

Por lo tanto,
dY Y e
n m n
F m
dF F h
m n
n
mF n
Y
n m m
m m
1
2 2
0
2 2
1
2 2
) 2 / ( ) 2 / ( 2
) (

+ +

+

} }
I I
=



(17)
(17)

129
Se observa que:
1)
2
1 1
2
1
2
m m m
m m m m = =
+

2)
2
1
2
m m
n n n =

3)
1
2
1 1
2
1
2
1
2
1
2

+
+ +
= =
n m n m n m
Y Y Y Y Y

de donde:
dY Y e
n m n
F m
dF F h
m n
n
mF n
Y
n m m
m m
}

+ +

I I
=
0
1
2 2
2 2
1
2 2
) 2 / ( ) 2 / ( 2
) (

que es anloga a la integral de la Distribucin Gamma hallada en (5 )
;
) (
0
1

o
o
I
=
}

dX X e
X
donde:
n
mF n
2
+
= o y
2
m n +
=


Entonces:
2 2 2
1
2 2
2
2
) 2 / ( ) 2 / ( 2
) (
m n n m m
m m
n
mF n
m n
n m n
F m
F h
+ +

|
.
|

\
| +
|
.
|

\
| +
I
I I
=


( )
2
2 2
2 2
1
2 2
2
2
) 2 / ( ) 2 / ( 2
m n
m n n m
n m m
m m
mF n
n
m n
n m n
F m
+
+ +
+

+
|
.
|

\
| +
I
I I
=


) 2 / ( ) 2 / (
) (
2
2
2 2 2
2
2
n m
mF n n F m
m n
m n
m n m m m
I I
+ |
.
|

\
| +
I
=
|
.
|

\
| +

+
+

130
) 2 / ( ) 2 / (
) (
2
) (
2
2 2
2
2
n m
mF n n F m
m n
F h
n m
n m m
I I
+ |
.
|

\
| +
I
=
|
.
|

\
| +

(18)
es la funcin de densidad de la distribucin F de Snedecor


Las caractersticas de esta distribucin son
2 ;
2
) ( >

= n
n
n
F E
4 ;
) 4 ( ) 2 (
) 4 2 2 (
) (
2
2
>

+
= n
n n m
m n n
F V

Ejemplo. Cul es la probabilidad de una variable F, que se distribuye F de
Snedecor con 4 grados de libertad en el numerador y 6 grados de libertad en el
denominador, para valores igual o mayores a 9,15?.
Para hallar esta probabilidad es necesario utilizar la Tabla E.5 Valores crticos
de F publicada por Mark Berenson y David Levine. La tabla tiene los grados de
libertad del denominador a la izquierda y los grados de libertad en el numerador
arriba. Hay una tabla para cada probabilidad en el extremo superior, es decir, la
probabilidad acumulada desde el valor crtico a infinito.
La variable tiene 4 grados de libertad en el numerador y 6 grados de libertad en
el denominador, por ende es necesario ubicar la celda en la cual, la columna y la
fila correspondientes a estos grados de libertad, se crucen. En la Tabla donde se
encuentre el punto crtico, all se hallar la probabilidad.
La probabilidad asociada a los puntos mayores al valor crtico 9.15 es 0.01. Su
notacin es:
01 0 15 9
6 4
. ) . F ( P
,
= >



5.4 Relaciones entre las distribuciones Normal y
2
_

Teorema: Se tiene
n
X X X , , ,
2 1
son datos provenientes de una muestra
aleatoria de una variable X con esperanza y varianza
2
o . Se define un
estimador de la varianza

( )
1
1
2
2

=

=
n
X X
S
n
i
i
(19)

en donde X es el promedio muestral, se tiene que:

131
(a)
2 2
) ( o = S E
(b) Si X est distribuida normalmente,
2
2
1
S
n
o

tiene una distribucin

2
_ con (n-1) grados de libertad


Para demostrar la parte (a) del teorema, a la suma de cuadrados de los
desvos respecto de la media, se le resta y suma
( ) ( )

= =
+ =
n
i
i
n
i
i
X X X X
1
2
1
2


Agrupando convenientemente y desarrollando el cuadrado
( ) | |

=
+ + =
n
i
i i
X X X X
1
2
2
) ( ) )( ( 2

Distribuyendo el sumatorio
( )
2
1 1
2
) ( ) ( ) ( 2 X n X X X
n
i
i
n
i
i
+ + =

= =

( )
2
1 1
2
) ( ) ( 2 X n n X X X
n
i
i
n
i
i
+
|
|
.
|

\
|
+ =

= =


Multiplicando y dividiendo el segundo trmino por (-n)

( )
2
1 1
2
) ( ) ( 2 X n
n
n
n X X X
n
i
i
n
i
i
+

|
|
.
|

\
|
+ =

= =


( )
2
1
2
) ( ) )( ( 2 X n X X n X
n
i
i
+ =

=


( )
2 2
1
2
) ( ) ( 2 X n X n X
n
i
i
+ =

=





132
De modo que,
( )
2
1
2
1
2
) ( ) ( X n X X X
n
i
i
n
i
i
=

= =


Luego, se toma esperanza
( ) ( )
(
(
(
(

=
(
(
(
(

=

= =
1
) (
1
) (
2
1
2
1
2
2
n
X n X
E
n
X X
E S E
n
i
i
n
i
i



Aplicando las propiedades de esperanza matemtica
( ) ( )
(
(

=
(
(

=

= =
2
1
2 2
1
2
) (
1
1
) (
1
1
X nE X E
n
X n X E
n
n
i
i
n
i
i


De modo que
( )
1
) (
2 2
2

=
n
n
S E
X
o o
(20)

Entonces,
2
2 2 2
2
2
2
1
) 1 (
1 1
) ( o
o o o
o
o
=

=
n
n
n
n
n
n
n n
S E



En sntesis
2 2
= ) S ( E (21)
con lo que se demuestra la primera parte del Teorema.

El estimador
( )
n
X X
n
i
i

=

=
1
2
2
(22)
es un estimador sesgado de la varianza poblacional; siendo el sesgo igual
a
n
n 1
.


133
Para demostrarlo se parte consignando
2 2
1
) ( o o
n
n
E

=
de donde
2 2
) (
1
o o =

E
n
n


Esto puede escribirse reemplazando el estimador por su igual
( )
2
2
1
=
(
(

n
X X
E
n
n i

esto es,
( )
2
2
1
=
|
|
|
.
|

\
|

n
X X
E
i
(23)

Pero
( )
2
2
1
S
n
X X
i
=

; es decir,
( )
2 2
o = S E (24)
con lo que queda demostrado que el sesgo es n n / ) 1 ( . De este modo
2
S es un estimador insesgado de la varianza poblacional y el factor de
correccin que permite evitar el sesgo es ) 1 /( n n .



Se demostrar ahora la parte (b) del teorema. El enunciado dice que si
) , (
2
o N X ~

Entonces
2
1
2
2
1

n
s ) n (

(25)
Si
2
1
2
2
1
2
2
2
2
1
1
1
1

=
=

=
n
i
i
n
i
i
n
) X X (
n
) X X (
) n (
s ) n (
(26)


134
En general, una suma de variables aleatorias independientes con
distribucin normal se distribuye
2
_ con grados de libertad determinados
por la cantidad de variables menos 1.

Ejemplo. Considerando el caso especial de n=2
2
2
2
1
2
1
2
) ( ) ( ) ( X X X X X X
i
i
+ =

=

2
2 1
2
2
2 1
1
2 2
|
.
|

\
| +
+ |
.
|

\
| +
=
X X
X
X X
X
( ) ( )
4
2
4
2
2
2 1 2
2
2 1 1
X X X X X X
+

=
( ) ( ) ( )
2 4
2
2 1
2
1 2
2
2 1
X X X X X X
=
+
=
Puesto que
1
X y
2
X estn independientemente distribuidos ) , (
2
o N se
encuentra que ( )
2 1
X X tiene una distribucin ) 2 , 0 (
2
o N , luego
2
2
2
2 1
2
2
1
2
1
2
0 ) (
) (
S
X X
X X
i
i
o
o
o
=
|
|
.
|

\
|

=

=

tiene la distribucin
2
_ con 1 grado de libertad.


5.5 Distribucin T de Student
Sea Z una variable aleatoria normal estndar
x
x
x
Z
o

=
y
2
X una variable aleatorio chi cuadrado con n-1 grados de libertad
2
2
2
1

S ) n (
X

=

Se define
1
2

=
n
X
Z
t (27)
(27) sigue una distribucin t de Student con n-1 grados de libertad.

135

Reemplazando en (27), las variables Z y
2
X

s
x
) n (
s
) n (
X
t
x
x

=
1
1
2
2


Se dice que el estadstico t se distribuye como una T de Student con
) ( 1 n grados de libertad:
1
~
n
t t .

La distribucin t se caracteriza por
0 ; 0 ) ( > = n t E
2 ;
2
) ( >

= n
n
n
t V


La distribucin t es simtrica con respecto a 0 y asintticamente tiende a
una distribucin normal tipificada.








Si se eleva al cuadrado la expresin de t, el resultado se puede escribir
como
v V
Z
t
1
2
2
= en donde
2
Z , al ser el cuadrado de una variable normal
tipificada, tiene una distribucin
2
1
_ .

As pues, ) v , ( F t 1
2
= ; es decir, el cuadrado de una variable t con v grados
de libertad es una F con (1,v) grados de libertad.


- 0

136

Ejemplo. En una variable X, que se distribuye t de Student con 10 grados de
libertad, cul es la probabilidad de asumir valores igual o superiores a 1.3722?
Para hallar esta probabilidad es necesario utilizar la Tabla E.3 Valores crticos
de t publicada por Mark Berenson y David Levine. La tabla tiene los grados de
libertad a la izquierda y la probabilidad acumulada desde el punto crtico a
infinito arriba en el extremo superior.
La variable tiene 10 grados de libertad, debe ubicarse la fila correspondiente a
estos grados de libertad y en ellos ubicar el punto crtico 1.3722. Luego leer en
la fila correspondiente a Areas de extremo superior la probabilidad desde 1.3722
hasta infinito.
La probabilidad de que la variable asuma valores inferiores a 1.3722 es:
90 . 0 10 . 0 1 ) 3722 . 1 ( 1 ) 3722 . 1 (
10 10
= = > = s t P t P



5.6 Los grados de libertad
En el numerador del estadstico chi-cuadrado,

=

n
i
i
X X
1
2
) (
el nmero total de cuadrados en esta expresin es n, pero slo hay (n-1)
cuadrados independientes; porque, una vez calculados los n-1 primeros,
el valor del ltimo queda determinado automticamente.
La razn de ello es la presencia de X en la expresin y el hecho de que
una de las caractersticas bien conocidas de X es que
( ) 0 =

i
i
X X
Esto representa una restriccin que debe cumplirse. Por ejemplo,
supongamos que tenemos tres cuadrados y que los valores de los dos
primeros son
( )
2
2
1
2 = X x
( )
2
2
2
4 = X x
Si el tercer cuadrado fuese independiente de los otros dos podra tener
cualquier valor, por ejemplo
2
5 . Pero esto no puede suceder, porque en
este caso tendramos
( ) 5 4 2 + + =

i
i
X X
cuya suma es 11 y no cero, como tiene que ser. En efecto si los dos
primeros cuadrados son
2
2 y
2
4
,
el tercero tiene que ser 36 ) 6 (
2
= ,
porque slo en este caso obtenemos 2+4-6=0.

137
En sntesis, los grados de libertad hacen referencia al nmero de
cuadrados independientes.

Ejemplo. Tres personas entran a un comercio a comprar chocolate, pero en el
lugar solo hay tres chocolates de distinto tipo. La primer persona que entra tiene
la posibilidad de elegir entre los tres chocolates. La segunda persona tiene
posibilidades de elegir entre dos. La tercer persona no tiene posibilidades de
elegir, si quiere chocolate debe comprar el ltimo que qued. El no poder elegir
es similar a la prdida de grados de libertad.



CASOS DE ESTUDI O, PREGUNTAS Y PROBLEMAS
Caso 5.1: Ingreso medio en los hogares de Ro Cuarto
En el Cuadro 5.1 se clasifica a los hogares de Ro Cuarto de acuerdo al
nivel de ingresos declarados a la Encuesta Permanente de Hogares en
Mayo de 2003.

Cuadro 5.1 Ingreso en Ro Cuarto
Nivel de ingreso mensual del
hogar
Total de hogares (en
%)
Hasta 150 4.93
Entre 151 y 300 13.21
Entre 301 y 450 13.41
Entre 451 y 600 13.41
Entre 601 y 750 11.64
Entre 751 y 1000 13.21
Entre 1001 y 1250 7.49
Entre 1251 y 1500 4.14
Entre 1501 y 2000 4.93
Entre 2001 y 3000 3.16
Ms de 3000 2.37
Ingreso desconocido 8.10
Total de hogares 100.00
FUENTE: Encuesta Permanente de Hogares. Mayo de 2003

Con esta informacin, y teniendo en cuenta que la cantidad de hogares
relevados fue de 636, se debe calcular:
1. el ingreso medio de los hogares
2. el desvo del ingreso

138
3. la probabilidad de que un hogar, extrado al azar de la poblacin,
tenga
- ingreso superior a $3000.00
- ingreso inferior a $750.00
- ingreso entre $800.00 y $1300.00
- ingreso inferior a $125.00
- ingreso inferior a $2400.00



Preguntas
5.1. Porqu es vlida la siguiente igualdad?
( )
1 1
2
1
1
2
1
2

|
|
.
|

\
|

=
= =
n
n
x
x
n
x x
n
i
i
n
i
i
n
i
i
,
siendo:

=
n
i
i
x
1
2
la suma del cuadrado de cada observacin
2
1
|
|
.
|

\
|

=
n
i
i
x el cuadrado de la suma total
Demostrar



Problemas
5.1. Calcular las siguientes probabilidades
= s ) 2 . 26 (
2
12
_ P = > ) 3 . 6 (
2
12
_ P
= s s ) 8 . 14 23 . 5 (
2
12
_ P = < ) (
0
2
12
X P _ 0.90

5.2. Dada una variable G que se distribuye como una t de Student con 15
grados de libertad, calcular
= < ) 341 . 1 (g P = < < ) 131 . 2 131 . 2 ( g P
= > ) 753 . 1 (g P = > ) 691 . 0 (g P

139


5.3. Dada una variable aleatoria F se desea saber
= |
.
|

\
|
< < 30 . 4
85 . 3
1
8 , 10
F P ( ) 95 . 0
0 8 , 10
= > F F P
( ) = < < 30 . 4 35 . 3
8 , 10
F P ( ) = > 30 . 4
8 , 10
F P



Bibliografa
o Berenson, M. y Levine, D. (1996) Estadstica Bsica en Administracin.
Prentice Hall. Mxico.
o Daniel, W.W. (1999) Bioestadstica, base para el anlisis de las ciencias de
la salud. Tercera Edicin. Editorial Limussa. Mxico.
o Dixon W.J . y Massey F.J . (1957) Introduction to Statistical Analysis. Nueva
York, McGraw-Hill.
o Hernndez Sampieri, R.; Fernndez Collado, C. y Baptista Lucio, P. (2000)
Metodologa de la Investigacin. Segunda Edicin. McGraw Hill. Mxico.
o Kazmier, L. y Diaz Mata, A. (1993) Estadstica Aplicada a la Administracin
y a la Economa. Mc.Graw Hill. Mxico.
o Kinnear, T. Taylor, J . (1993) Investigacin de Mercados. Un enfoque
aplicado. Mc.Graw Hill.
o Mao, J .C.T. (1980) Anlisis Financiero. El Ateneo. Buenos Aires.
o Mendenhall, W. Wackerly, D. Scheaffer, R. (1990) Estadstica Matemtica
con Aplicaciones. Grupo Editorial Iberoamerica. 2Edicin.
o Meyer, P.L. (1973) Probabilidad y Aplicaciones Estadsticas. Fondo
Educativo Interamericano. Mxico.
o Padua, J . (1996) Tcnicas de Investigacin Aplicadas a las Ciencias
Sociales. Fondo de Cultura Econmica. Mxico.
o Tramutola, C.D. Modelos Probabilsticos y Decisiones Financieras.
E.C.Moderan. Lectura de Administracin de Empresas. Capital Federal.

140