IND – 411

ESTADISTICA INFERENCIAL
Docente: MSc. Ing. Marcelino Aliaga L.

CAP. 1 INTRODUCCION A LOS MODELOS ECONOMETRICOS

CELD@ 1
 IND - 411

Capitulo 2
DISTRIBUCIONES
EN EL
MUESTREO
Objetivo.- Presentar al alumno los métodos para la obtención
de las distribuciones de probabilidad de
estadísticas muestrales y la identificación de las
distribuciones en el muestreo para algunas
estadísticas útiles.
CAP. 2 DISTRIBUCIONES EN EL MUESTREO CELD@ Doc. Ing. Marcelino Aliaga 2
 IND – 411

Cap. 2: Contenido Analítico

2.1. Distribuciones de Funciones de Variables Aleatorias
2.2. Distribución de la Media Muestral para Densidades
Normales
2.3. Distribución de la Media Muestral para Densidades no
Normales
2.4. Distribución Ji-cuadrado
2.5. Distribución T-Student
2.6. Distribución F-Snedecor
2.7. Desigualdad de Chebychev
2.8. Ley de los Grandes Numeros
CAP. 2 DISTRIBUCIONES EN EL MUESTREO CELD@ Doc. Ing. Marcelino Aliaga 3
 IND - 411

Cap. 2: Contenido Analítico

2.9. Teoría Central del Límite
2.10. Aproximación Normal a la Binomial y Poisson
2.11. Distribución de la Varianza Muestral
2.12. Distribución de la Diferencias Medias Muestrales
2.13. Distribución de la Relación de Varianzas

CAP. 2 DISTRIBUCIONES EN EL MUESTREO CELD@ Doc. Ing. Marcelino Aliaga 4

 IND - 411

2.1. Introducción
La estadística inferencial, mediante la información
contenida en una muestra, pretende obtener información
sobre la población de la que procede la muestra, relacionadas
con la distribución de probabilidad poblacional o sobre los
parámetros contenidos en ella.

El objetivo de la estadística inferencial es generalizar las

observaciones de una parte hacia un todo, en este proceso,
toman relevancia los conceptos de representatividad y
aleatoriedad de la muestra.
CAP. 2 DISTRIBUCIONES EN EL MUESTREO CELD@ Doc. Ing. Marcelino Aliaga 5
 IND - 411

2.2. Población y Muestra

Población: Conjunto de individuos, elementos o cosas que se
desea estudiar a partir de algunas características que tienen
en común.
Muestra: Parte o subconjunto representativo de la población
que se toma para el estudio.
Censo: Estudio de la totalidad de elementos de la población.
Muestreo: Procedimiento seguido para extraer una muestra
de una población.
Encuesta: Proceso para obtener información de la muestra.
CAP. 2 DISTRIBUCIONES EN EL MUESTREO CELD@ Doc. Ing. Marcelino Aliaga 6
 IND - 411

2.2. Población y Muestra

Problema: Conocemos o suponemos la distribución de
probabilidades de una variable aleatoria en particular, pero
desconocemos el valor del parámetro (o los parámetros) de
dicha distribución.

Solución: Tomamos una muestra aleatoria de la distribución

de probabilidades conocida y, a partir de los estimadores
muestrales conocidos, inferimos los parámetros poblacionales
desconocidos.

CAP. 2 DISTRIBUCIONES EN EL MUESTREO CELD@ Doc. Ing. Marcelino Aliaga 7

 IND - 411

2.3. Muestra Aleatoria

Una muestra m aleatoria de tamaño n (X1, X2, X3, ……………….., Xn) de
una población P con función de probabilidad f(X), es una sucesión de n
variables aleatorias, independientes, X1, X2, X3, ……………….., Xn , con
idéntica ley de probabilidad que f(X).

CAP. 2 DISTRIBUCIONES EN EL MUESTREO CELD@ Doc. Ing. Marcelino Aliaga 8

 IND - 411

2.4. Distribuciones de Funciones de Variables Aleatorias

Si se tiene una muestra m de tamaño n con variables aleatorias: X1, X2,

X3, ……………….., Xn de una población P con distribución f(X);
entonces, la distribución conjunta de la muestra será:
g(X1, X2, X3,……, Xn)= f(X1)f(X2)f(X3)……f(Xn)

CAP. 2 DISTRIBUCIONES EN EL MUESTREO CELD@ Doc. Ing. Marcelino Aliaga 9

 IND - 411

2.5. Parámetro y Estadístico

Parámetro.- Es una medida resumen numérica Ө que se calcularía
usando todas las unidades de la población N.
Es una caracterización numérica de la distribución de la población de
manera que describe, parcial o completamente, la función de densidad
de probabilidad de la característica de interés.
Un parámetro es una constante fija cuyo valor se desconoce.

CAP. 2 DISTRIBUCIONES EN EL MUESTREO CELD@ Doc. Ing. Marcelino Aliaga 10

 IND - 411

2.5. Parámetro y Estadístico

Los parámetros poblacionales son:
a) Media Poblacional: 1 = 
b) Varianza Poblacional: 2 =  2
c) Proporcionalidad Poblacional:  3 = 
d) Coeficiente de Correlación: 4 = 

CAP. 2 DISTRIBUCIONES EN EL MUESTREO CELD@ Doc. Ing. Marcelino Aliaga 11

 IND - 411

2.5. Parámetro y Estadístico

Estadístico.- Es una medida de resumen numérica 𝜽
෡ que se calcula de
las n unidades de la muestra.
Un estadístico es una función de los valores muéstrales y varia de
muestra a muestra.
෡ 𝒊 X1, X2, X3, ………., Xn
𝑻𝒊 = 𝜽

CAP. 2 DISTRIBUCIONES EN EL MUESTREO CELD@ Doc. Ing. Marcelino Aliaga 12

 IND - 411

2.5. Parámetro y Estadístico

Los estadísticos muestrales son:
a) Media Muestral: ˆ1 = X
b) Varianza Muestral: ˆ2 = S 2
c) Cuasivarianza Muestral: ˆ3 = s2
d) Proporcionalidad Muestral: ˆ4 = p̂
e) Coeficiente de Correlación: ˆ5 = r

CAP. 2 DISTRIBUCIONES EN EL MUESTREO CELD@ Doc. Ing. Marcelino Aliaga 13

 IND - 411

2.5. Parámetro y Estadístico

Inferencia
Inductiva

muestra Población

Muestreo
CAP. 2 DISTRIBUCIONES EN EL MUESTREO CELD@ Doc. Ing. Marcelino Aliaga 14
 IND - 411

2.6. Esperanza y Varianza de la Media Muestral

Sea una muestra m aleatoria de tamaño n (X1, X2, X3, ………………..,
Xn); entonces, la Media y Varianza Muestral son:
 X 1 + X 2 + ...... + X n 
X =
X 1 + X 2 + ...... + X n V X  =  
n  n 
a) Media de la Media Muestral: E X  = ?

b) Varianza de la Media Muestral: V X  = ?

c) Varianza de la Media Muestral: V X  = ?

CAP. 2 DISTRIBUCIONES EN EL MUESTREO CELD@ Doc. Ing. Marcelino Aliaga 15

 IND - 411

2.6. Esperanza y Varianza de la Media Muestral

Ejemplo.- Se eligen muestras ordenadas de tamaño 2, con reemplazo,
de la población de valores 0, 2, 4 y 6. Encuentre:

a) La media poblacional.
b) La desviación estándar poblacional.
c) La media de las medias muestrales.
d) La desviación estándar de las medias muestrales.

CAP. 2 DISTRIBUCIONES EN EL MUESTREO CELD@ Doc. Ing. Marcelino Aliaga 16

 IND - 411

2.6. Esperanza y Varianza de la Media Muestral

Ejemplo.- Se eligen muestras ordenadas de tamaño 2, con reemplazo,
de la población de valores 0, 2, 4 y 6.
Distribucion
Población muestra Muestral de Medias
(X)

• 0
0 • 1
2 • 2
4 • 3
6 • 4
• 5
• 6

CAP. 2 DISTRIBUCIONES EN EL MUESTREO CELD@ Doc. Ing. Marcelino Aliaga 17

 IND - 411

2.7. Distribución de la Media Muestral

Si se tiene una muestra m de tamaño n con variables aleatorias: X1, X2,
X3, ……………….., Xn extraídas de una población P con f.g.m. dada por
M X (t ) = E e Xt   . Entonces, la f.g.m. de la media muestral esta dada
por:
M X (t ) = M X 1 + X 2 +......+ X n (t ) = ?
n

CAP. 2 DISTRIBUCIONES EN EL MUESTREO CELD@ Doc. Ing. Marcelino Aliaga 18

 IND - 411

2.8. Desigualdad de Chebychev

Permite medir en términos de probabilidad la manera en que los valores
de la varianza se dispersan alrededor de la media. Proporciona un
resultado sobre una cota inferior a la probabilidad de que el valor de
una variable aleatoria con varianza finita esté a una cierta distancia de
su esperanza matemática.
2
p( x −   k )  2
k
p ( x −   c )  2
1
c
p ( x −   c )  1 − 2
1
c

CAP. 2 DISTRIBUCIONES EN EL MUESTREO CELD@ Doc. Ing. Marcelino Aliaga 19

 IND - 411

2.8. Desigualdad de Chebychev

Ejemplo.- El número de periódicos vendidos diariamente en un
quiosco es una variable aleatoria de media 200 y desviación típica 10.
¿cuántos ejemplares diarios debe encargar el quiosquero para tener
seguridad de al menos un 99% de no quedarse sin existencias?
p ( x −   c )  1 − 2
1
c

CAP. 2 DISTRIBUCIONES EN EL MUESTREO CELD@ Doc. Ing. Marcelino Aliaga 20

 IND - 411

2.9. Teorema de los Grandes Números

Sean X1,X2,……,Xn; n variables aleatorias independientes idénticamente
distribuidas con media µ y varianza σ2. Entonces, cualquiera que sea
k > 0, se tiene entonces:
 X 1 + X 2 + ...... + X n  1 2
Lim p −   k   2 =0
n →
 n  k n

( 1
)
Lim p X −   k  2  X2 = 0
n → k

CAP. 2 DISTRIBUCIONES EN EL MUESTREO CELD@ Doc. Ing. Marcelino Aliaga 21

 IND - 411

2.10. Teorema del Límite Central

TEOREMA: Sean X1,X2,……,Xn; n variables aleatorias independientes
idénticamente distribuidas con media µ y varianza σ2 ambas finitas. La
suma de esas variables Sn = X1+X2+……+Xn es una variable aleatoria
con media nµ y varianza nσ2, entonces:
− n
Z= S se distribuye como una normal N(0;1).
n

n 2

Si las variables no son idénticamente distribuidas, se podría demostrar

x 
- 
igualmente que: z =  se distribuye como una normal N(0;1),
i i
2

es decir que la suma de variables independientes tiende a ser normal

i

con media suma de medias y varianza suma de varianzas.

CAP. 2 DISTRIBUCIONES EN EL MUESTREO CELD@ Doc. Ing. Marcelino Aliaga 22

 IND - 411

2.10. Teorema del Límite Central

Ejemplo.- Los pesos de las personas que suben a un ascensor se
distribuyen normalmente con media igual a 125 libras y desviación
estándar de 30 libras. Un grupo de 9 personas sube al ascensor:
a) ¿Cuál es la probabilidad de que el peso promedio del grupo sea
menor de 100 libras?.
b) El ascensor tiene una capacidad máxima de 1400 libras. ¿Cuál es la
probabilidad de que se exceda ésta capacidad con un grupo de 9
personas?.

CAP. 2 DISTRIBUCIONES EN EL MUESTREO CELD@ Doc. Ing. Marcelino Aliaga 23

 IND - 411

2.10. Teorema del Límite Central

TEOREMA: Sea X1,X2,……,Xn ;una muestra aleatoria de tamaño n de
una población con media μ y varianza σ2. Si n es grande, entonces:

X =
 x i
 n(  ,

)  Lim Z =
X −
 n(0,1)
n n n → X

CAP. 2 DISTRIBUCIONES EN EL MUESTREO CELD@ Doc. Ing. Marcelino Aliaga 24

 IND - 411

2.11. Grados de Libertad

Se denomina Grados de Libertad al numero de valores de un conjunto
de observaciones, que pueden ser asignados de forma arbitraria, antes
de que el resto de las variables tomen un valor automáticamente.
a+b
X =8=
2
a+b+c
X = 20 =
3

CAP. 2 DISTRIBUCIONES EN EL MUESTREO CELD@ Doc. Ing. Marcelino Aliaga 25

 IND - 411

2.12. Relación Entre Modelos Probabilisticos

1. Aproximación de una Binomial por una Poisson.- Sea X una
variable aleatoria discreta que se distribuye como una
Binomial con parámetros (n,p) donde n→∞ y p→0.
Entonces:
X  P ( = np)

2. Aproximación de una Binomial por una Normal.- Sea X una

variable aleatoria discreta que se distribuye como una
Binomial con parámetros (n,p), cuando n→∞ y p≈0,5.
Entonces: X  n(  = np,  = npq )
CAP. 2 DISTRIBUCIONES EN EL MUESTREO CELD@ Doc. Ing. Marcelino Aliaga 26
 IND - 411

2.12. Relación Entre Modelos Probabilisticos

3. Aproximación de una Poisson por una Normal.- Sea X una
variable aleatoria discreta que se distribuye como una
Poisson con parámetro (λ). Entonces, cuando λ es muy
grande (λ→∞): 𝑿 ≈ 𝒏(𝝁 = 𝝀, 𝝈 = 𝝀) → 𝝀 > 𝟏𝟔

4. Distribución de Proporciones Muestrales.- Esta distribución

se genera al extraer muestras de la población considerando
𝑿
proporciones 𝒑ෝ = 𝒏 , donde X es la cantidad de éxitos en la
muestra. Entonces: 𝑷(𝟏 − 𝑷)
𝑿 ≈ 𝒏(𝝁 = 𝑷, 𝝈 = )
𝒏
CAP. 2 DISTRIBUCIONES EN EL MUESTREO CELD@ Doc. Ing. Marcelino Aliaga 27
 IND - 411

2.13. Distribución Ji-Cuadrado

Sean X1,X2,……,Xn una muestra aleatoria de tamaño n, de una
distribución normal con media μ y varianza σ2. Entonces:
𝑿𝒊 − 𝝁
𝒁𝒊 = ≈ 𝒏(𝟎, 𝟏)
𝝈
y la variable definida como: 𝒏 𝒏 𝟐
𝑿𝒊 − 𝝁𝒊
𝑼= 𝒁𝟐𝟏 + 𝒁𝟐𝟐 +. . . . . . +𝒁𝟐𝒏 = ෍ 𝒁𝟐𝒊 =෍ ≈ 𝝌𝟐𝒏;𝜶
𝝈𝒊
Cuya densidad es: 𝒊 𝒊
𝟏 𝒏Τ𝟐 −𝟏 𝒆−𝑿Τ𝟐
𝒇(𝒙) = 𝒏 𝒏Τ𝟐 𝑿 →𝑿>𝟎
𝜞 𝟐
𝟐
Con E[X]=n y V[X]=2n

CAP. 2 DISTRIBUCIONES EN EL MUESTREO CELD@ Doc. Ing. Marcelino Aliaga 28

 IND - 411

2.13. Distribución Ji-Cuadrado

Gráfica de distribución
Chi-cuadrada. df=10
0,10

0,08

0,06
Densidad

0,04

0,02

0,00
0 5 10 15 20 25 30
X

CAP. 2 DISTRIBUCIONES EN EL MUESTREO CELD@ Doc. Ing. Marcelino Aliaga 29

 IND - 411

2.13. Distribución Ji-Cuadrado

Teorema: Sea X1,X2,……,Xn ;una muestra aleatoria de tamaño
n de una población con media μ y varianza σ2. Si
X =
 x i
 n(  ,

)
n n
𝒏 𝒏 𝟐
Entonces: 𝑿𝒊 − 𝑿ሜ
෍ 𝒁𝟐𝒊 = ෍ = 𝑼 ≈ 𝝌𝟐𝒏−𝟏;𝜶
𝝈
𝒊=𝟏 𝒊=𝟏

Propiedades:
1. Sean dos variables aleatorias ji-cuadrado que se distribuyen como 𝑿 ≈ 𝝌𝟐𝒎;𝜶 ; 𝒀 ≈ 𝝌𝟐𝒏;𝜶
respectivamente. Si se define U=X+Y, Entonces: 𝐔 ≈ 𝝌𝟐𝒎+𝒏;𝜶
2. Cuando el número de variables aleatorias es muy grande, es decir cuando n→∞, la
variable se puede aproximar por una normal.
CAP. 2 DISTRIBUCIONES EN EL MUESTREO CELD@ Doc. Ing. Marcelino Aliaga 30
 IND - 411

2.13. Distribución Ji-Cuadrado

Teorema: Sea X1,X2,……,Xn una muestra aleatoria de tamaño
n de una población normal con media μ y varianza σ2.
Entonces:
𝒏 ഥ
σ𝒊=𝟏(𝑿𝒊 − 𝑿) 𝟐 𝒏−𝟏 s 𝟐
𝟐
𝑼= 𝟐
= 𝟐
≈ 𝝌 𝒏−𝟏;𝜶
𝝈 𝝈
La X y s2 son también variables aleatorias independientes.

CAP. 2 DISTRIBUCIONES EN EL MUESTREO CELD@ Doc. Ing. Marcelino Aliaga 31

 IND - 411

2.14. Distribución t-Student

Sea Z una variable aleatoria que se distribuye como n(0,1)

y sea U otra variable aleatoria que se distribuye como n; .
2

Entonces: 𝒕 = 𝒁 ≈ 𝒕𝒏
𝜶
𝝌𝟐𝒏;𝜶
𝒏+𝟏 𝒏+𝟏
𝒏 𝜞
𝟐 𝑿𝟐 𝒏
Cuya densidad es: 𝒇(𝒙) = 𝒏 𝟏+
𝒏
→ −∞ ≤ 𝑿 ≤ ∞
𝒏𝝅𝜞
𝟐

Con E[X]=0 y V[X]=n/(n-2)

CAP. 2 DISTRIBUCIONES EN EL MUESTREO CELD@ Doc. Ing. Marcelino Aliaga 32

 IND - 411

2.14. Distribución t-Student

Gráfica de distribución Gráfica de distribución
T. df=20
0,4
0,4

0,3
0,3

Densidad
Densidad

0,2
0,2

0,1 0,1

0,0 0,0
-4 -3 -2 -1 0 1 2 3 4 -5,0 -2,5 0,0 2,5 5,0 7,5
X X

CAP. 2 DISTRIBUCIONES EN EL MUESTREO CELD@ Doc. Ing. Marcelino Aliaga 33

 IND - 411

2.14. Distribución t-Student

Teorema: Sea X1,X2,……,Xn ;una muestra aleatoria de tamaño
n de una población con media μ y varianza σ2. Si
X =
 x i
 n(  ,

)  Z  n(0,1) → U   n2−1;
n n
Entonces: 𝒁
𝒕= ≈ 𝒕𝒏−𝟏
𝜶
𝝌𝟐𝒏−𝟏;𝜶
𝒏−𝟏

Propiedad:
Cuando el número de variables aleatorias es muy grande, es decir cuando n →∞ , la
variable se puede aproximar por una normal.
CAP. 2 DISTRIBUCIONES EN EL MUESTREO CELD@ Doc. Ing. Marcelino Aliaga 34
 IND - 411

2.15. Distribución F-Snedecor

Si U y V son dos variables aleatorias independientes que
tienen distribución Ji cuadrada con m y n grados de libertad,
respectivamente. 𝑼ൗ
Entonces, la variable aleatoria: 𝑭 = 𝑽 𝒎 ≈ 𝑭𝒎,𝒏
𝜶
ൗ𝒏
𝒎+𝒏 𝒎 𝒏
𝜞 𝒎 𝟐 𝒏𝟐 𝒎 𝒎+𝒏
Cuya densidad es: 𝒇(𝒙) = 𝟐
𝒎 𝒏 𝑿 𝟐 −𝟏 𝒏 + 𝒎𝑿 − 𝟐
→𝑿>𝟎
𝜞 𝜞
𝟐 𝟐

 n   m 2 (2n + 2m − 4) 
Con E X  =   y V X  =  
m − 2  n ( m − 2) 2
( m − 4) 
CAP. 2 DISTRIBUCIONES EN EL MUESTREO CELD@ Doc. Ing. Marcelino Aliaga 35
 IND - 411

2.15. Distribución F-Snedecor

Gráfica de distribución
F. df1=10. df2=10
0,8

0,7

0,6

0,5
Densidad

0,4

0,3

0,2

0,1

0,0
0 1 2 3 4 5
X

CAP. 2 DISTRIBUCIONES EN EL MUESTREO CELD@ Doc. Ing. Marcelino Aliaga 36

 IND - 411

2.15. Distribución F-Snedecor


Teorema: Considerando dos muestras aleatoria X = mx i
;Y =
y
n
i

respectivamente; entonces, si se define dos variables en base

a dichas muestras U y V aleatorias independientes con
distribución Ji cuadrada con m-1 y n-1 grados de libertad,
respectivamente. Entonces, la variable aleatoria:
𝑼ൗ
𝒎−𝟏
𝑭= ≈ 𝑭𝒎−𝟏,𝒏−𝟏
𝜶
𝑽ൗ
𝒏−𝟏
Propiedades:
1. Si m →∞ entonces la distribución X  F 
m,n
 n2;
2. Si X  F m,n  1  F n ,m
 1−
X
. CAP. 2 DISTRIBUCIONES EN EL MUESTREO CELD@ Doc. Ing. Marcelino Aliaga 37
 IND - 411

2.16. Distribución de la Media Muestral

i. Si:  2 = conocido X −μ
f(X)  Z =  n( 0 ,1 )
n  30 σx
ii. Si:  2 = conocido X −μ
f(X)  Z =  n( 0 ,1 )
n  30 σx
iii. Si:  2 = ? X −μ
f(X)  Z =  n( 0 ,1 )
n  30 σx
iv. Si:  2 = ? X −
f (X )  t =  tn −1
n  30 x

CAP. 2 DISTRIBUCIONES EN EL MUESTREO CELD@ Doc. Ing. Marcelino Aliaga 38

 IND - 411

2.17. Distribución de la Varianza Muestral

Si:

ˆ = S 2
(n − 1)σ̂ 2
f(S )  U =
2
 χ n −1,α
2

σ 2

CAP. 2 DISTRIBUCIONES EN EL MUESTREO CELD@ Doc. Ing. Marcelino Aliaga 39

 IND - 411

2.18. Distribución de Proporciones Muestrales

Si:

ˆ = p̂ f(p̂)  𝒏(𝑷,
𝑷(𝟏 − 𝑷)
)⇒𝐙=
ෝ−P
𝐩
≈ 𝒏(𝟎, 𝟏)
𝒏 𝝈𝐩ෝ

CAP. 2 DISTRIBUCIONES EN EL MUESTREO CELD@ Doc. Ing. Marcelino Aliaga 40

 IND - 411

2.19. Distribución de Diferencia de Medias

i. Caso Normal

Si: 1
2
  2
2
θˆ = x1 − x 2
( x1 − x2 ) − ( 1 −  2 )
σ 12 = conocido, σ 22 = conocido f ( x1 − x2 )  Z =  n(0,1)
 x −x
σ = ?σ = ? y n1  30, n 2  30
2
1
2
2
1 2

ii. Caso Normal

 12   22
Si:
ˆ = x1 − x2 ( x1 − x2 ) − ( 1 −  2 )
f ( x1 − x2 )  t =  tn1/+2n2 − 2
 12 = ?, 22 = ?  x −x
1 2
n1  30, n2  30
CAP. 2 DISTRIBUCIONES EN EL MUESTREO CELD@ Doc. Ing. Marcelino Aliaga 41
 IND - 411

2.19. Distribución de Diferencia de Medias

iii. Caso Especial
Si:
ˆ = x1 − x2
( x1 − x2 ) − ( 1 −  2 )
f ( x1 − x2 )  Z =  n(0,1)
σ = σ = σ = conocido
2
1
2
2
2
 x −x
1 2

iv. Caso Especial

Si: ˆ = x1 − x2 ( x1 − x2 ) − ( 1 −  2 )
f ( x1 − x2 )  t =  tn1/+2n2 − 2
σ =σ =σ =?
2
1
2
2
2
 x −x
1 2

CAP. 2 DISTRIBUCIONES EN EL MUESTREO CELD@ Doc. MSc Ing. Marcelino Aliaga 42

 IND - 411

2.20. Distribución de Diferencia de Proporciones

Si: p 1  p2

(ෝ ෝ𝟐 ) − (𝑷𝟏 − 𝑷𝟐 )
𝒑𝟏 − 𝒑
ˆ = p̂ 1 − p̂ 2 f ( pˆ 1 − pˆ 2 )  𝒁 = ≈ 𝒏(𝟎, 𝟏)
𝝈𝒑ෝ𝟏−ෝ𝒑𝟐

CAP. 2 DISTRIBUCIONES EN EL MUESTREO CELD@ Doc. Ing. Marcelino Aliaga 43

 IND - 411

2.21. Distribución de Relación de Varianzas

Si:  12   22 𝟐 𝟐
𝑼𝟏 ෝ
𝝈 𝟏 s𝟏
𝟐 𝟐
𝒏 𝝈 𝝈
ˆ = s 1 / s 2 f ( S12 / S 22 )  𝑭 = 𝑼𝟏 = 𝟏𝟐 = 𝟐𝟏 ≈ 𝑭𝒏𝜶𝟏−𝟏,𝒏𝟐−𝟏
𝟐 ෝ𝟐
𝝈 s𝟐
𝒏 𝟐 𝝈𝟐 𝝈𝟐
𝟐 𝟐

CAP. 2 DISTRIBUCIONES EN EL MUESTREO CELD@ Doc. Ing. Marcelino Aliaga 44