I I I l

¡L
I

YESTADISTICA

tt

l
-

TEOR.IA y 760 problennos resueltos

r.
LLI

t I i i r

I 'L iL .- L.-! L\-., l-¡ r lLt\
L. _ I -L

t

rt, LL-t_ l'¡l L I
\ 1 I ¡

)

- L\

\-

-[\:-LL--

i
I

r.
ll i

,

,. !
L

i -i I
lI

L !

t --q-'l
I

) r l¡ .

r. r-t -t_C_
L Il.-\I r,L\Ll

Il-!' '-

---\- ¡

r l , i L-:

MURRAY R. SP¡EGEL

it I r- i_l 1 r- ¡_l
J¡. t l.r,.i \-L L L\*c-

Ll I
llriIi\..
\\r)ll

[t.---i-]

r-I

I , .' l.'l

SERIE DE COMPENDIOS SCHAUM

IEONIA Y PROBTEIUIAS

LIIIAII
TIGA
Por:

MURRAY R. SP!EGEL Ph.D. Antiguo hofesor y Director del Departamento de Matemóticu Rensselaer Poly teehnb Institute
Tladucido por:
JAIRO OSUNA SUAREZ

Bogottí, Colombit

Li

iu
DELHI

MEXICO PANAMA MADRID BOGOTA SAO PAULO NUEVA YORK
AUCKLAND DUSSELDORF JOHANNESBURG LONDRES MONTREAL NUEVA PARIS SINGAPUR SAN FRANCISCO ST. LOUIS TOK IO TORONTO

PROBABI LIDAD Y ESTADISTICA

por cualquier rnedio, sin autorización escr¡ta del ed¡tor.
DERECHOS RESERVADOS

Prohibida la reproducción total o parcial de esta obra,

Copyr¡ght O 19zG,Vespecto a la edición en español, por LIBROS McGRAW-HILL DE MEXtCO. S. A. de C. V. Atlacomulco 499-501, Naucalpan de Juárez, Edo. de México. Miembro de la Cámara Nacional de la Ind. Editorial. Reg. núm.465 0-07-090922-9
Traducido de la primera edición en inglés de

PROBABLITY AND STATISTICS copyr¡ght @ lszs, by McGRAW-HtLL, BooK, co., tNC., U.s.A. 234567A901 cc-76 7.t23456981 printed ¡n Mexico lmpreso en México
Esta obra se terrninó en enero de 1g77 en L¡tográfica Ingramex, S. A. Centeno 162, Col. Granjas Esrneralda, México 13. D. F.
Se

tiraron 15 800 eiemplares.

Prólogo
El importante y fascinante tema de la probabilidad comenzó en el siglo XVII con los esfuerzos de matemáticos como Fermat y Pascal en resolver
preguntas relacionadas con los juegos del aza¡. Hasta el siglo XX se desa¡rolla una teoría matemática riggrosa basada sobre axiomas, definiciones y teore' mas. Con el correr de los años, la teoría de probabilidad encuentra su cauce en muchas aplicaciones, no solamente en ingeniería, ciencias y matemáticas sino también en carnpos como la agricultura, la administración de empresag, la medicina y la sicología. En muchos casos las aplicaciones contribuyen al desarrollo ulterior de la teoría

El tema de la estadística se originó con anterioridad al de probabilidad, trata principalmente de la colección, organización y presentación de los datos en tablas y gráficos. Con el advenimiento de la probabilidad se puso de manifiesto que la estadística podría emplearse en la extracción de conclusio' nes válidas y en la toma de decisiones razonables sobre la base del análisis de datos, por ejemplo en la teoría de muestreo y predicción. El propósito del libro es presentar una introducción moderna a la probabilidad y la estadística suponiendo un conocimiento del cálculo. Por conveniencia el libro se divide en dos partes. La primera trata con probabilidad (y en sí puede utilizarse como introducción al tema) y la segUnda trata con es'
tadística.

El libro se diseñó para utilizarse como texto de un curso formal en pro' babilidad y estadística o como suplemento a los textcs típicos. También es de considerable valor como libro de referencia para investigadores o para aquellos interesados en el tema. El libro puede emplearse para un curso anual o mediante una selección juiciosa de los temas para un curso semestral.
Agradezco al Ejecutor Literario del Sir Ronald A. Fisher, F. R. S., al doctor Frank Yates, F. R. S., y a Longman Group Ltda., Londres, por el permiso para utilizar la tabla III de su libro Statistical Tables for Biological, Ag¡icultural and Medical Research (6a. edición,1974). Deseo aprovechar esta oportunidad para agradecer a David Beckwith por su sobresaliente edición y
a Nicola

Monti por su habilidad artística.
M. R. SPIEGEL

Septiembre 1975

Contenido
PRIMERA PARTE
Capítulo

PROBABILIDAD
Pág.

f

CONJUNTOS Y PROBABILIDAD

1

Ca1ítúo 2

VARIABLES ALEATORIAS Y DISTRIBUCIONES DE PROBABILIDAD.

38

capítulo

3

ESPERANZA MATEMATICA

76

Capftulo

4

DISTRIBUCION DE PROBABILIDAD CON NOMBRE

Y

nea inomial. Distribución hiperg.eométrica. Di¡tribución uniforme. Diehibución de Cauchy. Distribución gamma. Distribución beta. Distribución chi+uadrado. Dstribución ú de Süudent. Distribución F. Relaciones entre lae distribuciones chi-cuadrado, t y ^F, Distribución normal bidimeneional, Distribucionee diversas,

gunas propiedades de la distribución normalr Relación entre las distribuciones binomial n ón de poission. Rel las di¡tribucio-

. . 108 Distribución binomial o de Bernoulli. Algunás propiedades de la distribución binomial. La ley de los grarides números para las pruebas dó Bernóulli, Distribución normal. Al-

PROPIO

.

SEGUNDA PARTE ESTADISTICA
Oapítulo

5

TEORIADEMUESTREO..
Población

Pág.

y

Muestras aleatorias, Números aleatorios, Parámetros poblacionales, Estadísticos muestrales. Distribución muestral. Media muestral. Distribución muestral de medias. Distribución muestral de proporciones. Distribución muestral de diferencias y sumas. Varianza muestral. Distribución muestral de varianzas. Caso donde la varianza poblacional se desconoce. Dstribución muestral de relaciones de varianzas. Otros estadísticos. Distribuciones de frecuencia. Distribuciones de frecuencia relativa y ojivas. Cómputo de la media, varianza y momentos para datos agrupa.dos.

muestras. Inferencia estadística, Muestreo con

y sin remplazamiento,

.....155

Capítulo

6

TEORIA DE

ESTIMACION

Estirnas insesgadas y estimas eficientes. Estimas por puntos y estimas por intervalos. Seguridad. Estimas por intervalos de confianza, de parámetros poblacionales. Intervalos de confianza para medias. Intervalos de confianza para proporciones. Intervalos de confianza para diferencias y sumas. Inte¡valos de confianza para varian4as. Intervalos de confianza para relaciones de varianzas. &timas de máxima verosimilitud.

.

L94

Capítulo 7

ENSAYOSDEHIPOTESISYSIGNIFICACION.

.,...21-I

Decisiones estadísticas, Hipóüesis estadÍsticas. Hipótesis nula, Ensayos de hipótesis y significación. Errores de tipo I y tipo II. Nivel de significación. Ensayos referentes a la distribución normal, Ensayos de una y dos colas. Ensayos especiales de significación para grandes muestras. Ensayos especiales de significación pata pequeñas muestras. Relación entre la teoría de estimación y ensayo de hipótesis. Curvas características de operación, Potencia de un ensayo. Gráficos de control de calidad. Ajuste de las distribuciones teóricas a distribuciones de frecuericia muestrales, Ensayo chiruadrado para la bondad del ajuste. Tablas de contingeircia. Corrección de Yates para la continuidad. Coeficiente de contingencia.

Capítulo 8

CURVA DE AJUSTE, REGRESION Y

CORRELACION

.

..

258

Curva de ajuste. Regresión. Método de mínimos cuadrados. Recta de mfnimos cuadrados. Recta de mínimos cuadrados en términos de varianzas y covarianza muestrales. Parábola de mínimos cuadrados. Regresión múItiple. Error típico de la estima, Coeficiente de correlación lineal. Coeficiente de correlación generalizado. Correlación gradual' Interpreüación probabilística de Ia regresión. Interpretación probabilfstica de la conelación. Teoría muestral de la regresión. Teoría muestral de correlación. Correlación y dependencia.

Capítulo

9

ANALISISDEVARIANZA.

.....306

Propósito del análisis de varianza. Clasificación simple o experimentos de un factor, Variación total. Variación dentro de tratamientos. Variación entre tratamientos. Métodos cortos para obtener variaciones. Modelo matemático lineal para análisis de varianza. Valores esperados de las váriaciones. Distribuciones de las variaciones. Ensayo F para la hipótesis nula de medias iguales. Notación para experimentos de dos factores, Variaciones para experimentos de dos factores. Análisis de varianza para experimentos de dos factores. Experimentos de dos factores con repetición. Diseño experimental.

Pás. . 944 . 863 INDIGT.. .'PI..... .... 369 ... 348 Apéndice Logaritmor dccim¡lc¡ con cultro cifta¡ 860 Apéndice Vdores de ¿-r . co¡ ry gador de 947 Apénd¡ce Percentila¡ 96 y 99 pera t¡.341 e z . di¡tribució¡ 11.. f ..EMENTARIOS....962 RESPT'ESTASAPROBLEMASSI. 345 B l1l U &denad¡¡(y)dcl¡curvanorm¡ltipificadt AÉndice Arearbrjolacurv¡no¡m¡ltipiñcededeO¡z Percenüil¡¡ (úr) de le di¡Hbución t dc Student Apénd¡ce D E F G H a\ con. gndo¡ de 346 Apéndice Percendla¡ (f) del¡di¡tribuciónchiruedndocon/¡radordeübcrtrd . .... ApóndiceA Temr¡m¡üemático¡ Apóndice A . liberted . liberted . 962 T Apéndicel Número¡ale¡torio¡ ..... . .

Parte I PROBABILIDAD .

.

6\. SUBCONJUNTOS Si cada elemento de un conjunto A también pertenece a un conjunto B llamamos a A un subconjuntodeB. A tenemos A C A. i. Si Ac B y B CAllamamosa A y B iguales y escribimos A : B. o.5.6}. Si lanzamos un par de dados comunes los "números" o "puntos" posibles que pueden resultar sobre la cara superior de cada dado son elementos del conjunto { 1. I a. EJEMPLO 1. i. el cual es un subconjunto (propio) del conjunto de todos los resultados posibles {L. El conjunto de las vocales en el alfabeto puede definirse por el método de extensión como { a._l 'Cupítulo Coniuntos y probqbilidqd EL CONCEPTO DE CONJUNTO 7 El concepto d. En este caso AyB tienen A+ Si A no es igual a B. u}. Sic noperteneceaC escribimos a é C. u ) es un subconjunto propio de {o. A y B no tienen exactamente los mismos elementos. describiendo alguna propiedad conservada por todos los miembros y por los no miembros. como siempre lo supondremos. En general. mientras no se especifique lo contrario.4. e. o. Se sigue que para todos los conjuntos exactamente los mismos elementos. SiA C B pero A + B llamamos aA un subconjunto propio EJEMPLO 1. si esto no es posible. Al lanza¡ un dado los resultados posibles cuando el resultado es "par" son elementos del conjunto {2. B. i.6. El primero se denomina el método de extensión y el segundo el método de comprensión.5. de {o. b e C. . EJEMPLO 1. Obsérvese que la sola redistribución de los elementos no cambia el conjunto. 6). ¡ |¡ es un triángulo en un plano ) es el conjunto de los triángulos en un plano. Un conjunto puede considerarse como una colección de objetos. i. debemos estar capacitados para determinar si un objeto específico pertenece o no al conjunto. Sinónimos de conjunto son c/cse. { 4 o. escribimos de B.1.b. EJEMPLO 1. uloporelmétododecomprensióncomo{rlreeunavocal}. Un conjunto puede definirse haciendo una lista de sus elementos o.4. u.e conjunto es un pilar fundamental de la probabilidad y la estadística y de la matemática en general.3. EJEMPLO 1. 5. léase"elconjuntodeloselementos¡talesque¡es una vocal" donde la línea vertical I se lee "tal que" o "dado que". 2. Si o y b pertenecen aC escribimos a. u}. e. y un elemento por una leha minúsculao. e } es un subconjunto. _ Si un elemento a pertenece a un conjunto C escribimos a€ C. pero no un subconjunto propio. grupo y colección. llamados míembros o elernentos del conjunto. 4.2. es decir si B. denotamos un conjunto por una letra mayúscula A. 4. El conjunto { Obsérvese que el método de extensión no puede utilizarse aquí. 3. EJEMPLO 1. a. puesto que los dos conjuntos son iguales.Para que un conjunto seabiendefínido.escritoAcB6B:Ayleído"AestácontenidoenB"o"BcontieneaA" respectivamente.2. 3. e. o. C.

El conjunfio de todos los elementos que pertenecen simultáneamente a A y a llamala intersección dd Ay By se escribe A ñ B (región sombreadaen laFig. 6}1. entonces AC C. o simp espacio uniuersal y se denota por u.3. El conjunto de todos los números reale¡ nulo o vacío ya que no hay nfimeros reales cuyos cua números complejoe el conjunto no es vacfo.a CONJUNTOS Y PROBABILTDAD lcAP. Si lanzamos un dado. 1-2). Unión. EJEMPLO 1. 1-4 2. 1-1) se representan por conjuntos de puntos dentro de los círculos. Los elemenr Es útil considerar un conjunto que no tiene r uacío o el conjunto nulo y se denota por p.9. es un EJEMPLO 1.JNTO VACI( Para muchos propósitos restringimos nuestra d fico denominado el uniuerso del discurso. El conjunto de loe rcsultados que consisten de las caras 7 u 11 sobre un solo dado es el conjunto nulo. El conjunto de todos los elementos (o puntos) que pertenecen a A o a B. Si AC B y B CC. OPERACIONES ENTRE CONJUNT\OS 1. el conjunto de todoe los resultados posibles es el universo {L. 1 El teorema siguiente es verdadero para cualesq Teorema I-I.8. En tal caso los subconjuntos de zt (como A y B indicados y sombreados en la Fig. EJEMPLO 1.7. DIAGRAMAS DE VENN Un r¡niverso u puede representarse geométricamente por el conjunto de puntos dentro de un rectángulo. Tales diagramas denominados diagramas de Venn. . se llamala unión deA yB y se escribe Au B (región sombreada en la Fig.4.2.T. l -2 Fig. o tanto como aB. CONJUNTO UNIVERSAL Y CONJI. 5. Fig. l-3 Fig. Intersección. Un conjunto importante que no8 es famili que pueden reprecentarre por puntoe en una línea reol lor subconjuntos{¡ | o < x = ó} y{r I a1x(ü} deR (r ( b¡ ee denominan interualos centdo y abierto reepecüiv I o 1x < b) se denomin¡n intcrvalo¡ eemi-abiertos o semi-t . 1-3). sirven para da¡nos una intuición geométrica respecto a las posibles relaciones entre conjuntos.

B (región sombreada en la Fig.11.4u(anC) = (AuB)n(AuC) A-B = AñB' Si AcB. escrita por A . interrecciones por uniones.. se escribe Fig.guenotienenelementoscomunes'sella¡¡ran coniuntos disiuntos.AnQ=9 AU'al -. l-5 Fig. 1'6). AnU (AuB)' = A'ñB' (AnB)' = A'UB' A = (AnB)u(AnB') Los teoremas L-Lzo. cyf.esdecir.4u^B)uC I. entonces A')B' 6 B'c. Diferencia. el B y lo escri se llama saXl-B Fig. se B Si A : UB).1l CONJUNTOS Y PROBABILIDAD DosconjuntosáyBtalesqueAnB:p. 1-4). L'L.69 AUQ-A.An(BnC) = (¿nB) nC -. l-6 AIGUNOS TEOREMAS RELATIVOS A CONJI. El conjunto que consiste en todos los elementos de A qtlle no pertenecen a B llama la diferencia áe A y B.cAP. A y B son disjuntos. En la Fig.cy conmutativa de l¿s uniones = AUBUC Ley asociativa de las uniones Ley conmutativa de las intersecciones Ley asociativa de las intersecciones Primera ley distributiva Segunda ley distribuüva AñB = Bl\A .'NTIOS AUB = BUA Au(BuC) : (. u el 1/. símbolos de inclwión . PRINCIPIO DE DUALIDAI) Cualquier resultado verdadero relativo a conjuntos también es verdadero si remplaz-a¡nosr¡niones -conjuntos por sus complementos y si invertimos los por inteÉecciones.{ = A Primera ley De Morgan Segunda ley De Morgan Para cualquier conjunto generalizarse (véanse Problemas 1.AñB1C An(BuC) = (AnB)u(AnC') . t-Lzb A YB y 1-13 pueden y 1. 3.74). 4.

2. etc. Así cuando se produce un tornillo será un miembro del conjunto {defectuoso. Si tenemos una máquina que produce tornillos. EJ EMPLO 1 .5. 1.16. 2. entonces el resultado del experimento es el tiempo f en horas que se encuentra en algún intervalo.esdecirunodeloselementosdelconjuntóíqs)(ó{0. cara la primera y sello la segunda. un espacio o conjunto muestral de todos los resultados posibles se da por {1. hay experimentos en los cuales los resultados no son esencialmente los mismos a pesar de que las condiciones sean aproximadamente idénticas. por ejemplo. 1 EXPERIMENTOS ALEATORIOS Todos estamos familiarizados con Ia importancia de los experimentos en la ciencia y en la ingeniería. Frecuentemente es útil dibuja-r un espacio muestral gráficamente. como en el Ejemplo 1. donde suponemos que ninguna lámpara eléctrica dura más de 4000 horas. simbolizadaporc(ó1). . Un suceso es un subconjunto A del espacio muestral. 1)). = ESPACIOS MUESTRALES Un conjunto oj que consiste en todos los resultados de un experimento aleatorio se llama un espacio muestral y cada uno de los resultados se denomina punto muestral. Sin embargo. Unespacio muestral que es finito o infinito contable frecuentemente se denomina espacio muestral discreto. por ejemplo. si un resultado es divisible por 3. .6).se denomina espacio muestral finito. . Tales experimentos se denominan experimentos aleatorios. es decir SC.tal como 0 f r: S 1. Obsérvesé que eJ córresponde al conjunto universal. EJEMPLO1.CONJUNTOS Y PROBABILIDAD [cAP.1 0.2. 1-7 donde.CS. 6 | en tanto que otro es lpar. 'EJEMPLO 5..dsdecirdos EJEMPLO 1. Si lanzamos una moneda eI resultado del experimento es un "sello". sedenominaespacio muestral infinito no contable. Un principio fundamental es que si efectuamos tales experimentos repetidamenle bajo condiciones aproximadamente idénticas obtenemos resultados que son esencialmente los mismos. simbolizado por S ( ó 0 )..14.en tanto que uno que es infinito no contable'se llama espacio muestral continuo o no discretoSUCESOS posibles. Si tiene tantos puntos como hay en algún intervalo en elejer. EJEMPLO 1. Con frecuencia habrá qás de un espacio muestral que describe los resultados de un experimento pero hay comúnmente sólo uno que suministra la mayoría de la información.12. 0 ú :: 4000. En tal caso es deseable utilizar números en cambio de letras siempre y cuando sea posible. g.13.elresultadopuedeindicarsepor{CC. se denomina espacio muestral infinito contable. Si un espacio muestrdl tiene un número finito de puntos. Si tiene tantos punl'ig.16. Silanzamosunamonedadosveces. por ejempio.15. o una "cara". EJEMPLO 1. EJEMPLO 1. si lanzamos una moneda dos veces y utilizamos 0 para represenmr sellos y l para representar caras el espacio muestral (véase Ejemplo 1. l-? tos como números naturales 1. Un suceso que consiste de un solo punto de cJ frecuentemente se llama un sueeso . el resultado del experimento es que algunos pueden estar defectuosos. 4. es lógico que el último no sería adecuado pan determinar.SS) caras. (0. 4.or .12) puede dibujarse por puntos en la Fig.3. es decir es un conjunto de resultados el resultado'de un experimento es un elemento de A decimos que el suceso A ha ocunido.11.1 ) representaselloen el primer Ianzamiento y cara en el segundo lanzamien[tr. no defectuoso}. si lanzamos un dado el resultado del experimento es uno de los números en el conjunto {L. Si un experimento consiste en medir "la vida" de las lámparas eléctricas producidas por una compañía. Si lanzamos un dado. 3. Si elemental o simple.SC. Los siguientes son aLgunos ejemplos. impar) Sin embargo.

como frecuencia relativa o a posteriori. A. CC}. razonarno{¡ que la probabilidad requerida es 112. frecuentemente decimos que los sucesos son mutuamente. entonces podemos obtener otros sucesos en cJ.18.'sello" (suponiendo que la moneda no se pierda ni caiga verticalmente). si la probabilidád es de 1f4.19.lm9s que su probabilidad es cero. EJEMPLO 1. . Equivale adecirque laprobabilidad contrasu ocurrenciaesdel 75% al25vo o de B ai. 2. entonces ta próbauilidad del suceó es h/n. Enfoque'clásico o a priori Si un suceso puede ocurrir en h maneras diferentes de un número total de n maneras posibles. Si estamos seguros de que el iuceso ocurrirá decjmos que su probabilídad es 100% ó 1.17. Por ejemplo. donde n es muy gmnde. 1.cualquier experimento aleatorio siempre hay incertidumb¡e sobre si un suceso específico ocurrirá o no. SilosconjuntosconespondientesalossucesosAyBsondisjuntos.Puesto que hay dos maneras igualmehte factibles del resultado de la moneda. En ólgebra de sucesos que coffesponde al álgebra de conjuntos indicada en la e. 1. EJEMPLO 1. si lanzamos una moneda dos veces. y el conjunto vacío Q. 0). que se llama el suceso imposible puesto que un elemento de Q no puede ocurrir. entonces la probabilidad del suceso es h/n. 1) y (1.cAP. como se indica en la Fig. Esto también se llama laprobabilidad empírica del suceso. SS } así tenemos A U B: {Cg A': {SSl SC. diríamos que hay y 26Vo de oportunidad de que ocurra y un 767" de opoitunidad de que no ocurra. 4. es decir que no está cargado. un suceso ocurre h veces. CC} EL CONCEPTO DE PROBABILIDAD En. Supóngase que deseamos la probabilidad de que resulte una cara en un solo lanzamiento de una moneda. B : { CS. excluyentes. Como medida de la oportunidád o plobabilid. CC. que es el suceso cíerto o seguro ya que un elemento de eJ debe ocurrii.[ proposicio Fig' 1-8 Empleando las operaciones de conjuntos en sucesos en Así si A y B son sucesos. nes relativas a sucesos pueden traducirse en el lenguaje de-la Pu-esto que los sucesos son conjuntos es lógico que las particular tenemos página 3. SC.esdecirAñB:Q. simplemente "cara" y . Al llegar a este resultado suponemos que la moneda es honrado. todos igualmente factibles. 1-8.B". A' es el suceso "no A". Esto quiere decir que no pueden ocunir ambos. Flxisten dos procedimientos importantes por medio de los cuales podemos obtener estimativos para la probabilidad de un suceso. perosi estamos regutJs de que'el suceso no ocurriú d_e9. Si después de n repeticiones de un experimento. w tloríá de conjuntos e inversamente.B es el suceso "A pero no . A n B es el suceso'qtanto A como B" 3. Entonces A : {CS. AU B es el suceso "Aó B o ambos". Haciendo referencia al experimento de lanzar una moneda dos veces sea A el suceso "por lo menos resulte una cara" y B el suceso "el segundo lanzamiento sea un sello". 2. Enfoque. Como sucesos particulares tenemos el suceso en sí mismo. SS) : eJ A-B- Añ B: {CS} {^SC.ad con la que podemos esperar que un suceso ocurra es conveniente asignar un número enhe 0 y 1. 1l CONJUNTOS Y PROBABILIDAD EJEMPLO 1. el suceso que sólo resulte una cara es el subconjunto del espacio muestral que consiste de los puntos (0. y de estas dos maneras una cara puede aparecer en una sola manera.

1) + P(A2) + . el primero debido a la vaguedad de las palabras "igualmente factibles" y el segundo debido a la vaguedad incluida en un "número muy grande".t.. A cada suceso A en la clase C de sucesos asociamos un número real P (A).iomas anteriores podemos demostrar varios teoremas sobre probabilidad que son importantes en el estudio posterior. Bz. . LOS AXIOMAS DE LA PROBABILIDAI) Supóngase que tenemos un espacio muestral e.) - P(/. (d) Teor¡:rna 7-16: es decir el suceso imposible tiene probabilidad cero. 7-14: 1-15: Si ár cA2 entonces P(Ai < P(Az) y P(Az. . (e) En particular. el espacio muestral. P(AL:AI) = P(Ai+P(Ar) ALGUNOS TEOREMAS IMPORTANTES SOBRE PROBABILIDAD (4) De los Teorema Teorema a-r. .'. 1 y hallamoe que 532 veces resultan caras estimamos que la Ambos enfoques el clásico y el de frecuencia prcsentan serias dificultades. Para cada suceso A en la clase C P(A) P(eJ) A. Paru el suceso cierto o seguro eJ en la clase C =I At. . . A causa de estas dificultades los matemáticos en los últimos años se han orientado avn enfoque axiomótico utilizando conjuntos. eh la clase C (2) 3. Si lanzamos una moneda 1000 veces probabilidad de una cara es 532/1000 = 0.) = P(42) - P(A). para solo dos sucesos mutuamente excluyentes At.UA" y tes. Ar. es decir P es una función de valor real definida en f. [cAP.20.Á. Teorema 7-77: Si A' es el complemento de A entonces P(A') Teorema = r-P@) (7) 7-78: Si A = AtUAzU. peto si ef es continuo solamente subconjuntos especiales (llamados medibles) corresponden a sucesos. entonces At. An son sucesos mutuamente excluyen- P(Al = P(Al) + P(A2) + En particular si A "' + P(A") (8) - et. si se satisfacen los axiomas siguientes: Axioma 1.. Az. Así P se llama la función de probabilidad. .CONruNTOS Y PROBABILIDAD EJEMPLO 1. Para cualquier número de sucesos mutuamente excluyentes P(AtuAzu '. y P(A) la probabílidad del suceso A.632. . entonces .:<ioma > 0 (r) Axioma 2. (5) Para cada suceso es A 0<P(á) <1 P(9) = O decir la probabilidad de un suceso está entre 0 y 1.. Si d es di5creto todos los subconjuntos corre6ponden a sucesos y recíprocamente.

..P(AsnA) (rr) + P(Lt\AzñAs) También pueden hacerse generalizaciones a n sucesos.cAP. Teorcma 1-20: Para dos sucesos AvB P(A) Teorema = P(A1B)+P(A1B'\ (12) 7-21: Si un suceso A debe resultar en uno de los sucesos mutuamente excluyentes At. á3 son tres sucesos cualesquiera. entonces 1 6 ..P(üñAz\ - P(A|¡A. El espacio muestral es e-I: {1. Se lanza solo un dado.5.. Az. entonces P(A:U AzU ¿") : P(. si suponemos probabilidades iguales para todos los sucesos simples..entonces P(A) = P(AnAi + P(AñAz) *'..79... Véase Problema 1. como el de la frecuencia relativa de la página 6. Hallar la probabilidad de que resulte 2 ó 5.2..4. esdecir si suponemos que el dado es honrado.P(A. La asignación de probabilidades provee un modelo matemótico y su éxito debe probarse experimentalmente en forma muy similar a como las teorías en física u otras ciencias deben probarse experimentalmente. Si asignamosprobabilidades iguales a lospuntos muestrales. 1l CONJUNTOS Y PROBABILTDAD P(Ar) Teorema +P(A2)+. + P(A") = t Se concluye que podemos escoger arbitrariamente cualquier número no negativo para las probabilidades de estos sucesos simples siempre y cuando se satisfaga (14).A.B\ Generalizando.+P(4") = 1 (e) 1-19: Si A y B son dos sucesos cualesquier4 entonces P(AuB) = P(A) + P(B) .3.) + P(Ar) + P(As\ .]) .4...An (1+) P(Ai + P(Az) + .2.. En particular.. entonces P(A¿: '!y si A es k=1. EJEMPLO 1... si A (10) t.6}. Ar.21. Podríamos lógicamente emplear otros procedimientos para asignar probabilidades. Az... + P(ánA") (rr) ASIGNACION DE PROBABILIDADES entonces por el Teorema 1-18 Si un espacio muestral el' consiste únicamente de los sucesos elementales Ar.h h =: (15) un suceso compuesto por h sucesos simples tenemos P(A) (rd) Esto equivale al enfoque clásico de Ia probabilidad dado en la página 5.

es decir la probabilidad de que B ocrura dado que A ha ocu¡rido. la probabilidad de que At y Az y A3 ocunan es igual a la probabilidad de que z4t ocrura tantas veces la probabilidad de que A2 ocurra dado que . TEOREMAS SOBRE PROBABILIDAD CONDICIONAL Teotema 1-22: Para tres sucesos cualesquieraAl. (o) no se da ninguna otra información. = P(A)P(A|A. el saber que el resultado del lanzarniento es un número iinpar aumenta la probabilidad de Ll2 a 213.CONJUNTOS Y PROBABILIDAD El ¡uceso que resulte 2 ó 5 ee [cAP. A3 tenemos P(AtñAzt\ás) = P(A) P(A2l At) P(Asl Atn Az\ (1e) En palabras.) + p(A)P(Al Azl + .41 ha ocurido tantas veces la probabilidad de que A3 ocura dado que At y Az han ocurido. r-9 EJEMPLO 1. . + p(A")P(AlA") (20) . TambiénP(AñBr:216:1/3. P(BIA\:"+#=#=? Por tanto. A. . El resultado se generaliza fácilmente a n sucesos. se convierte en el nuevo espacio muestral remplazando el original e-I. (b) se da que el lanzamiento resultó en un número impar. . . A2.. Hallar la probabilidad de que en un sólo l¿nzamiento de un dado requlte un número menorque 4. Denotamos por P(BiA) la probabilidad de B dado que A ha ocurrido. la ecuación (-18) nos dice que la probabilidad de que tanto A y B ocurran es igual a la probabilidad de que A ocurra tantas veces la probabilidad de que B ocurra dado que A ha ocurrido. 1-9) tales que P(A)> 0. Fácilmente se demuestra que la probabilidad condicional satisface los axiomas en la página 6.á PROBABILIDAD CONDICIONAL = t 1 Sean A yB dos sucesos (Fig. ilamamos a P(B I A\laprobabilidad condicio¡wl de B dada A.2 6 g observamos por el teorema P(Bl = P(r) + P(2) + P(3') = -+-+-= 6662 1l1l suponiendo probabilidades iguales para los puntoc muestrale¡. entonces P(A'. De aquí llegamos a la definición P(B:A) = o ry# (17) (f 8) QJ P(AIB) = P(A) P(B I A\ En palabras. (b)SiAeselsuceso{númeroimpar}observamosqueP(á):316= Entonces 1/2. (o) Si B denota el suceso {menor que 4).) excluyentes á1. Puesto que se sabe que A ha ocurrido.Ya queB es la unión de los sucesos 1-18 que 7. Por tanto P(2u5) = P(2)+P(51 = *. 1 indica por 2 U 5. Teorema 7-23: Si un suceso A debe resultar en uno de los sucesos mutua[iente Ar. AnB Fig. .22.

Entonces si A es cualquier suceso tenemos el siguiente teorema importante : Teorema 1-24 (re$ade Bayes): P(AklA\ = P(Ah) P(AlAx) (2t\ ) P(ár) P(AlAn) Esto nos permite hallar las probabilidades de los diferentes sucesos Ar. DIAGRAMAS ARBOL En muchos casos el número de puntos muestrales en un espacio muestral no es muy grande y así Si una cosa puede realizarse en nr maneras diferentes y después de esto una segunda cosa puede . Esto es equivalente a entonces A y B son independientes. es decir uno de los sucesos debe ocurrir. entonces todas las fr cosas pueden realizarse en el orden especüicado en nr rr2 .. Az. As son independientes entonces deben ser independientes por parejas. surgen problemas cuando la cuenta directa se convierte en una imposibiüdad práctica En tales casos se ernplea el anólisís combinntorio. Sin embargo.92. = P(A)P(Az)P(A) (qsl Ni (22) ni (23) son sufrcientes por sí solo. Por esta razón con frecuencia se hace referencia al teorema fle Bayes como el teorema sobre laprobabilidad de causs. Ar. . Inversanente. ¡ealiza¡se EJEMPLO 1. .k=t.3 (221 'y también debemos tener P(ArñAzñAr) te.cAP. . si se cumple (2I) (21) Ar. que podría llamarse una forma sofisticad. Si P(AnBl = P(A)P(B) de (I8)... La generclización a más de tres sucesos se hace fácilmen- TEOREMA O REGLA DE BAYES Supóngase que . es decir la probabilidad de que B ocuna no está afectada por la ocurrencia o no ocurrencia de á. PRINCIPIO FUNDAMENTAL DE CUENTA. . .¡ maneras diferentes. ??¡ rn?D€rds diferentes. se emplea frecuente' mente en conexión con el principio anterior. Ar.en n2 maneras diferentes.A1. An que pueden causar la ocunencia de á.91 y 1. . llamado diagrama órbol debido a su apariencia (Fig. P(A¡nAx) = P(á)P(A*) j+lc donde j. 2' 4 : 8 maneras de eacoger una cami¡a Un diagrama.2. ANALISIS COMBINATORIO la enumeración o cuenta directa de los puntos del muestreo necesa¡ios para obtener las probabili dades no es difícil. entonces decimos que á y B son sucesos independicnües. 1-10).a de contar. ..23. .. . como se deduce Algunas propiedades de la independencia están dadas en los Problemas 1. Si un hombre tiene 2 cami¡as y 4 corbaüac enüoncee tiene y luego una corbata. . 1l SUCESOS INDEPENDIENTES CONJUNTOS Y PROBABILIDAD Si P(B lA) = P(B). V finalmente una k-ésima cosa puede realiza¡se Qr fl. An son sucesos mutuamente excluyentes cuya unión es elespacio muestral ef.

y luego de hacer esto n de .7 manerias r * escoger ét segunaoiU¡e_ to-. clr no se Aquí..r + l\ donde se observa que el producto tiene r factores. son del hnr + nz + . EJEMPLO 1. F. Podemos escribir (25) en términos de factoriales como (27) !2!\ -y realmente esto como una definición de 0! Si r: n obsewamos que (26') se satisfacen sólo si tenemos que 0! : I y tomaremos EJEMPLO 1'25. que rt4t4l't COMBINACIONES 11! = 34 650 una te e cion En una perrnutación estamos interesados en el orden de-la distribución de los objetos.s de escoger el primer objeto. elnúmero de permutaciones de n objetos lomados de r en r. C. Para el caso particular cuando r: . lógi tos es Sup n conjunto que consiste de n objetos de los cuales nr son de un nguir entre sí). rr.to. Tz. . l-10. 41. = . El número de permutaciones diferentes de las 11 leüras de la palabra u M/SS/SSIPP. .. Llamamos a .6. las diferentes maneras de áscoger una camiea y luego una corbata se indican en el diagrama á¡bál de la PERMUTACIONES Supóngase que se dan n objetos diferentes y deseamos ordenar r de estos objetos en una línea puésto que hay n manera.l)(n . n. Dichas selecciones se llaman combinah misma combinación. o permutaciones diferentes como generalmente se les Uarnc está dado { 5 6 8 por Fig. .1 : nt (26) que se denomina n factorial.24. . . .. D.5 = 210 . B. Tt. .2). G es ¡P:t = fi. 52 y las corbatas por ?1.34. l-10 (25) . Así abc es di o lo Sin embargo.. (n . (25) se conüerte en = n(n-l)(n-z).P.P. . = n(n. . Si las camisas se representan por S¡. + . 43 y 2p EJEMPLO 1. n2 son de un segundo tipo. .l. ?a. -se deduce por el principio fundarnlntal de cuenta que el número de ordenácionás. . EI número de ordenaciones o permutaciones diferentes que consisten de 3 letras cada una y que pueden forma¡se de las ? letras A. . en muchos problemas estamos interesados solamenos sin inteiesar su orden..26. E. .P. Así el núm&o de permutaciones diferentes (28) Véase Problema 1.10 CONJUNTOS Y PROBABILIDAD [cAP. y finalmente n 1 formas dó escoger-el r-ésimo objeto. consiste de LM. I 2 1 Fig.

)" (n) Tienen mucha. EI n(¡mero de manera¡ en lae cuales cartas diferentes es nU. . se.cAP.4 por (c) el método de comprensión y (b) el método de extensión.podemosesaibir A: {5. El símbolo . (|)*-lt * (i)*"-. .s propiedades interesantes. Por esta raz6n decimos que el I unaexpansión asíntótica del lado izquierdo. Indique cómo describir a. Para un estudio más detallado de la fórmula de Stirüng véase el A¡Éndice A. En tales casos se utiliza la fórmula (38) nl . U (n Tenemos (véase Problema 1.r/\) \r/ \n EJEMPLO 1. Sea A el conjunto de todos los números reales cuyos cuadrados son iguales a 25. que también puede escribirse como (2e\ ("\ \r/ Fácilmente se demuestra que n(n-L\".'6 = .yEñn"e-n donde e : 2.36) ln\ \"/:nt¿r=rl@=T. 1l CONruNTOS Y PROBABILIDAD 11 El número total de combinaciones de r objetos seleccionados de n (también llamadas las combinaciones de n cosas tornadas de r enr) se denota pot aC.s! COEFICIENTES BINOMIALES 56 Los númerós de (29) se les llama frecuentemente los coeficientes binomiales puesto que provienen de laexpansión binomiat (r 1- u)^ : * .71828.describé dando sus (D) Puesto que t2 :25parar:5y x:-S.\s/ . EJEMPLO 1.27. Véase Problema 1. .r'2 :25".-5)._. :25)que se lee"el conjunto de todosloselementosde¡ talesque. (l)* = APROXIMACION DE STIRLING A r¿ ! xa+ 4x3y!oxzyz *4xy3 +ya Cuando n es muy grande la evaluación de aproximada n! no es práctica. escogerse o ¡elecciona¡¡e de un (91') 3 ca¡t¿s pueden total de 8 sc¡ = lt) = 8'J. + . Problenra.28. .(t¡*" . @-l (:. .s resrreltoa CONJTINTOS 1.(t)**. y)t = r:{ * (Í)".. es la base de los logaritmos naturales.en (33) signifrca que la relación del al lado derecho se aproximá a 1 a medida eü€ /l + o.:nC.1. (a) A:kl* elementos.e¡decirA .(n-r-rr\ r! ó nP.48. r! (30) /n\ ( J=( /n '.r.

4.o. Determinar cuáles de las proposiciones siguientes son verdaderas y cor¡egir las que son falsas.r.{0.o} u {0.0|.-. entonces AcC.+.2."áÁ y porüantoBC 1. Aeícadaelemenüodeá esunelemento de C y por tanto A C C.0..-¿}.5.Demostrarque BcA.r.0.3. (e) A-8.-4} (c) (AuB) n C = {-{2.4 u n = {-fr.. Entonces B..+.6. {*. ) La proposición es falsa. pertenecen á. (a) AnB = {-12. -4} y los subconjuntos de u están dados por A : {-\n.-fr}.0. üenemoe A-B = AñB'= (f) BñC = {6.-rt. se sigue queA: @. ". Por el Teorema 1-8. 1. 5.r} = {0. Puesto que no hay un númeror tal que x2 :416x:2. +. si el universo 'u = {}. es decir cada elemento de A eetá en 8. Si A = {r l r2=4.o} u {5.+.pueotoqueloe elementos 3 y 5 son enterosimpares. (e) A .+.r} {*. -rt.o.5.". El error radica en escribi¡ {@} por @.8 = {6.-r/2.2. (d) B' : conjunto de los elementos en t/ quenoestánen g = {0. tenemosque¡ € C.5. n]. el conjunto vacfo.t. (o) (b) (o {rln+ü} -. seaA={rl*esunenteroimpar). B: {x I x2 -8r+.B: eonjunto de elementos en A que no están en B : [0.6}.. Otro método. 0.'NT\OS 1. Yaque x2 -8x * 15:0 ó (r -3)(¡. aA. es deeir B ee un subconjunto de A. 2 es wn número re¿l mientras que {2} esw conjunto que consiste del número real 2. = {0. Puesto quetambiénBCC. 1 L.-tf2. (s) (AnC) e (Bne.4} utilizando el re¡ultado de (b).o. Sea r cualquier elemenüo de á. r.enconhar(a) AnB. (b) AUB.5)=0 sólosi x:B6x:6.-{2. puesto que {9} es un conjunto no voclo que conriste del conjunto vacío.sededucequeACB6B)Aylrrpropocición Obaérvese que esto se lee es verdadera- 1._\E}. página 3. C' : conjunto de los elementos en 'll que no están en C : {0. (b) "A es el conjunto de ¡ tal que 12 : 4 y ¡ ) 9'.-fr.15:0). ee deci¡ ¡ € A.u C.-qyC = {+.5. ¿Es cierto que {2} : 2? No. Asf.-4}n{0.-4} = Entonces (BnC\' = {0. r. Un conjunto oomo {2} que consiste únic¿mente de un elemenüo algunas veces ae llzna conjunto singulo o unitaio y debe distinguirse del elemento que contiene.--4} n {+. (/) (Bn C).5. Entonces {x I x * x} : e.lQ}.6._\E} . tenemos x€ B.-2ly * )9. OPERACIONES ENTRE CONJUNTOS. -4} = {+.-4}n{+. AsícadaelementodeB perten.-{r). DIAGRAMAS DE VENN Y TEOREMAS SOBRE CONJT. Cualquier objeto particular se supone ee igual a sf mismo. no hay objeto que no sea igual a sí mismo. Demostra¡ que si Ac B y B cC. (c) (AUB)nC.üenemosB:{g.r.0}n {5.-4}. r>g} y B: {fr | r<l}.5. Entonces ya que AC B. entonces B) A.r). .6. Puestoque el conjuntovacloesunsubconjuntodecualquierconjunto. (d) B'u C'.L2 CONJUNTOS Y PROBABILIDAD lcAP.-4} = t-\ñ} (D) .-4} = {-18.

0} n {*. 1l CONJUNTOS Y PROBABILIDAD Obsérvese que este re¡ultado conjuntamente con Tborema 1-12b.-¿} [Vóase pa¡te (f)]. elconjuntovacío.@. Sea C:8' en el Problem¿ 1.-4} Entonces t.reB 6 r€A. Sin embargo. Región sombreada = (AUB)' Región doblemente ¡ÜEÉru¡r qvvrs¡¡¡E¡¡w rayada ]_"7.r€B') (b) = A' ^B' El resultado puede extenderse a cualquier número finito de conjuntos (véase Problema 1.9. = (AnB) u (AñB'). Ao(BuCl = = = = = l r€A. {r {" (AnB) u (A nC) 1. Fig. l-12 Obsérveee que un diagrama de Venn no suministra una prueba como la dada en la parte (o).-ll . 1.reBuC} I re A. B n C = {}. En el diagrama de Venn de la Fig.cAP. En Ia Fig.reC) @ | reA"'B 6 xeAnC\ {.69). l reA¡B 6 neAnB'} M6todo 2. 1-12. Demostra¡ laprimeraley distributiva. Teorema !-L?tt. Teorema 1-6.8') A = (AnB)u(AnB') El resultado puede generalizane (véase Problema 1. (o) Tenemoe págrna 3: (A u Bl : A' n B'. Luego At ñ f|' se representa por la región doblemente rayada en donde se encuentran ambos conjuntos de líneas. y se observa que esta región es igual a la región sombreada de la Fig. página 3. página3:Tenemoo An(Bu C) = (AnB)U(AnC). (c) Demostrar la primera ley De Morgan. (AuB)' = {r I r4Ar-tB} = {" I rCA.8.8. (sl AnC = {-\/-2.xeB 6 reC} I s€A. Demostra¡ que para cualquier conjunto A y B tenemos A Método 1. (A¡C\ u(BnC) : @u {*. Entonces A n (BuB') A r.al : (ArtB) u (A^B') : (AñB') u (A¡.7. 1-11.neB\ = {r I neA'. 13 el de la parte (d) ilustra la segunda ley De Morgan. .2.74).-¿l = {+.nn. A'se indica por líneas diagonales paralelas construidas de izquierda a derecha en tanto que It se indica por líneas diagonales paralelas consüruidae de derecha a izquierda. l-ll Fig. sirve para euminishar relaciones posibles entre conjuntos que luego pueden probaree por métodos similaree al dado en (o ). (b) Ilus- har el resultado de la parüe (c) empleando un diagtama de Venn. 1-11 la región sombreada representa (A U B)'. (AnB) u(AnB') A : {r I reA) = {.

También puede considera¡se observando que (A ñ B) U (A n B') : A. si .4 el suceso {se extrae un rey} o sencillamente {rey} y B el suceso (se extrae un trébol} o sencillamente {trébol}.1-14. de acu gamas Fig. de Teorema 1 era simila¡ todos lo¡ obeervarse de la Fig. diamanües y tréboles. . 1. Luego el espacio muestral consiste de 52 puntoo indicados en la Fig. También puede considera¡se observando que A. . 3.B -{reyperono trébol} Es lo mismo que A ñ B' ..B. dos.).10.UB.2). Se extrae una carta aleatoriamente de una baraja de 52 cartas. . (e) A. .(g) (AnqU (AnB. 1-13 para describi¡ los s sucesos (a).. . = A.4. diez.. . (d) A. . diamantes y héboles respectivamente por l. 13}. picas.L4 . diamante. Refiriéndose al experimento del Problema 1. B.n(8.4 u B. (e) A-8. .10 sea. jota. Describir el espacio mueshal (o) no se tiene en consideración el palo (b) si se tiene en cuenta el palo. @) AUB'. podemos indica¡ una jota de picas por (11. (f) A. Describir los sucesos (a) AUB. por ejemplo. rey de corazones. 1 EXPERIMENTOS ALEATORIOS. y (b) Si tenemos en cuenta los paloc el espacio muestral cronsiste del as de corazón.CONJUNTOS Y PROBABILIDAD [cAP.. 2. 2. (n A'-3' :{no rey y no "no trébol") : {no rey y trébot}: (cualquier trébol excepto el rey). (o) Si no tenemos en cuenta los pdos el eepacio muestral consiste de as. ESPACIOS MUESTRALES Y SUCESOS 1. puede indicarse como {1. es deci¡ rey (ó) 4 n I : {rey y trébol} : {rey de trébol) de trébol)) (c) Puesto que B Luego A U Bt = {trébol}.). (q AnB. (b\ A' se 1. Emplear la Fig.11. (E) @ nB) U (A ñ B'):{(rey y trébol) o (rey y no trébol)): irey}. 1-13. rey. Denotando corazones. picae. .nB. I diagrama eden de indicarse A U B. . picar.11 com ^ B' .A. reina. (o) A U B = {o rey o trébol (o ambos. diamantes y tréboles. (d) A'U B' : {no rey o no trébol} : {no rey de trébol } También puede considerarse observando : ( cualquier carta pero no el rey de tréboles} que A' V B' : (A ñ B )t y utilizando (ó ). .-8.12. pica}. 1.{rey y no trébol}. B': {no trébol} : {corazón. . : (rey o corazón o diamante o pica).

B) son mutuamente excluyentee.42 .Puesto que P(eJ) sfnp = Q se sigue del Axioma P({)) 3 que s = P(d)+P(Q) 6 = 1. Fig. página 6.15. (o) Tenemoe Az : At U (Az .42 ) = P(Al ). página 6. Encontrar la probabiüdad de . (o) Tenemos AV A' :s[.cAP. axioma 3. 1l TEOREMAS SOBRE PROBABILIDAI) 1.14. Demostra¡ el (c) Teorema 1-14.^^'rl i' r"u r--' resultado (l ) puede establecerse directarne¡rte (véase Problema 1. Una carta se extrae aleatoriamente de una barqia de 52 cartas.(A ñ . (c) Teorema 1-16.77).4n8)l Entonces puesto que los conjuntos A y B . Para demostrar que observamos que A C et. ñ A' : Qtenemog 1 es decir PIAJA') = P(ó) 6 P(A)*P(A') = P(A') = l-P(A) (b) Tenemos el diagrama de Venn de la Fig. Demostrar (a) el Teorema 1-17 y (b) el Teorema 1-19. tenemos usando el Axioma 3 y el Teorema 1-14: P (A u B) | i'. (b) Teorema 1-15.P(Ar) Puesto que P(. Aunque hemos utilizado el diagrama de Venn el i rlu^') ".Ar. P(Az. página 6.At son mutuamente excluyentee.At) = P(Azl . l-15 (An CALCULO DE PROBABILIDADES 1.13. 1-15 (1) AUB: AUIB -(. Entonceepuesto gue. también ee rigre queP(. (b) Con anterioridad sabemos que P(A) > 0 por el Arioma 1.Ar ) - 0 por el Axioma 1. Así por el Teorema 1-14 [partc (o)] y el Axiom¿ 2 P(A) < 1 primero P(A)=P(¿)=1 (c) Tenemos eJ : eJuQ. asr que Entonces por el P(42\ = P(ár) * P(A2.A¡ ) en donde .41 y Az .

P(6 n (o) ") P(1): PG^e ó 1nP ó. página 6. 13 pot aa. 4 bolas blancas y 5 bolas azules. (d) no roja. Empleemoe el espacio muegtral del Problema 1.n..# = i P(s ñT 66ñD¡=P($ n También s€ había podido llegar a e¡te re¡ultado observando que hay cuatro palos y cada uno tiene una probabilidad igual de ser extrafdo.. También se hubiera llegado a este resultado por un razonamiento sencillo de que hay 13 números y así cada uno tiene una probabilidad de ger extraído igual a 1/13.* h* .1l _ 9 . (f) un diez o una pica" (g) ni un cuatro ni un trÉbol.L ñD ó 1 n ") =P((1 n c) +P(1 nP) +P (1 nD) +P(1 n r) 11111 = 52.* (d) P(c):P(ln c 62ñc6. l-r 1. 1. (c) un tres de tréboles o un seis de diamantes.. (b) una jota de corazones. eeto es 1/4. Puesto que este complemento tiene 52 . (e) cualquier palo excepto corazones. en particular "as" tiene una probabilidad de 1/13.P(C) = ! P(L0 Ln = ?uti[zando laparte (d)y elTeorema 1-1?. pica. Determinar la probabilidad de que sea (c) roja.4' ñ T' = (4 U ?)'. ? para indicar coraz6n. a cada punto mue¡hal.16 CONJUNTOS Y PROBABILIDAD [cAP.[P(4) +P(")-P (4 n T)] _. (e) roja o blanca. diarnante. . (e) P(C') - 1 . Pero por el Teorem a 1-t2 (a). Asf g n C significa tree de corazoneo. Una bola se extrae aleatoriamente de una caja que contiene 6 bolas rojas.y 1. trébol.la probabilidad requerida es 36/52 = 9/13. 1 que sea (g) un as.sz = Lg Tbmbién había sidq posible conseguir este resultado del espacio mueshal del Problema 1. P(4'^T')= 4(4 U ")'l: L- P(4 U ?¡ : 1.16.10(tr). t (b) P(11 ñC¡= :- (c) I * -I^ 26 ) +P(6 ñD¡: 62 52 = I " .2. P¡ @ Puesto que 10 y P no son mutuamente excluyentes tenemos del Teorema 1-19 UP):P(10) +P(P)-P(10 ñ : 1/13 + rl4 - 7152 : 4lI3 @) La probabilidad de no cuatro no trébol página 9. rcy.10(o) en donde cad¿ punto mueehal... (d) un corazón. D. Así. doo..r-Lñ-Z-521 También podíamos obtener este reeultado observando que el diagrama de Venn favorable a este suceso es el oomplemento del suceeo moetrado como la parte sombrcada en la Fig. # -. asignando probabilidades iguales de tl52 : L162.16 : 36 puntos muestrales en él y cada punto muestral tiene una asignación de probabilidad Il52. . respectivamente. en tanto que S U C significa tres o corazón. Por tanto puede denotarse por P(4' ñ ?'). (b) blanca.. Por simplicidad utiücelnos C.52.. 1-16.lsnc) = #. P. por ejemplo. .13 . (c) azul.

'"::. un total de factibles. . . Método 2. 19 1 . Método 1. P(roja o blanca) : P(R u r) : -"""'. de las 6 maneras en que cae en el segundo lanzamiento.H 10 2 6+4 6+4+5 ..P(At)P(A.t""i: .::"fl'"".3 6 4 en el segundo lanzamiento. 5 ó 6 son 3 resultados de las 6 probabilidadés igualmente factibles) y P(Az): ltO (ya que 7. ' SeanAl elsuceso "4rS ó 6 enelprimerlanzamiento" y Az elsuceso "7r2. 4: 12 maneras en que tanto A1 como . B y A los sucesos de extraer una bola roja.6:36 maneras. Entonces si asignamos probabili' dades iguales Ll15 a cada punto muestral observamos que P(. Puesto que los sucesos R y B son mutuamente excluyentes se deduce de (4). 6 6 6 en el primer lanzamiento V 1. 1l CONJUNTOS Y PROBABILIDAD Método 1. .) '!' . 2.J.4 1) :316 (ya que 4. debido a que hay 6 puntos muestrales que corresponden a "bola rojatt. página 6.á = | Método 3.l+)l+) = I \6/\6/ 3 Hemos empleado aquí el hecho de que el resultado del segundo lanzamiento esindependiente del primero así que p(ArlAr): pier). respectivamenüe. . Cada una de las 6 maneras en las cuales un dado cae en el primer lanzamiento puede asociarse con cada una 6. Hallar la probabilidad de obtener 4.15 . norparte(c). --6+4+5=1b=s 662 Nuestro espacio muestral corisiste de 6 * 4I 6:15 puntos muestrales.3ó 4 son 4resultadosdelasGprobabilida' des igualmente factibles).R ) : 6/15 : 215. Método 2.364en elsegundo lanzamiento". blanca y azul.2. Un dado honesto se Ianza dos veces.5 o blanca También puede resolverse l¡tilizando el espacio muestral como en la parte (c).cAP.42 ocurren. Entonees L1 (o) P(n)= Mótodo 2. que P(nuB):P(R) +P(B):?*# = ? PROBABILIDAD CONDICIONAL Y SUCESOS INDEPENDIENTES 1. (b) P(B) = 6i+5 = ft porparte(o) (c) P(A) = 6+j+b = # = i =? (d) P(noroja) = P(R") = 1-P(E) = l-? (e) Método 1. Entonces P(ArnAzl . P(AroAr) = P(At)P(A2lAr\ -. todas igualmente Cada una de las tres maneras en que A1 ocurre puede asociarse con cada una de las 3 m¿rneraa en que A2 ocurre para dar 3.1?. Denótese por R. r(RUB)=P(A'): 1-P(A): I .También i"-or usado P(. Luego estamos buscando P(Ar ñ A2).

18 coNJUNTos y pRoBABILTDAD lcAP. = las 51 cartas restantes. {) (5.3) Si A es el suceso "7 u 11" entonces A se indica por Ia porción sombreada en la Fig.6) I (¿. l'ig.18.l Método 2. dados se muestra en la Fig. si la carta se remplaza para la segunda extracción. /. 1. Hallar la probabilidad de que ases si la ca¡ta (c) se remplaza.1) a Se deduce que la probabiüdad de no dada por ? u 11 está 345 Primer dado P1A'¡ '= | .3) (4."A) = P(A) P(A. r'(A. 6) ({. Puesto que se incluyen 8 puntos tenemos que P(A ): 8/36 : 219.19. Entonces P(ArnA. Por ejemplo (5.6) (2. extracción". 1 Esto indica directamente que A 1 y A2 son independientes puesto que . oaa (3. I a a aa (r. Así ambas cartas pueden extraerse en (52 ) ( 51 ) maneras.nA") =+:(. a (2. Puesto que los dados son honestos y hay 36 puntos muestrales asignamos la probabilidad 1/36 para cada uno. 1-17. así que P(A2l Ar Sin embargo si ocurre un as en la primera extracción quedarán 3 en ) : 3/51.' ( #)l#) == # r\ P(A1l:4152.2) a a aa (5.2) signitica que el resultado del primer dado es b y el del segundo 2. Encontrar la probabilidad de no obtener un total de 7 u 11 en ningunó de los dos lanzamientos de un par de dados honrados. (2. lanzamientos de los dadosobservamosquelaprobabilidad de no 7 u 11 en el primero o segundo lanzamientos está dada por empleando el hecho de que los lanzamientos son independientes. p(A.) = (b) Como en la parte (o). puesto que también hay 4 ases en las ó2 ca¡tas para la segunda extracción.6) a (3. P(A¡): 4152. l) (3.)(á) = P(ArP\A2l (2. todas igualmente factibles. Método 1. l-17 Utiüzando subíndices t. En este caso hay 4 maneras de sacar un as en la primera extracción y 4 maneras de saca¡ un as en la segunda exhacción de tal forma que el número de maneras de sacar :rses en la primera y segunda extracción es ( ) (a)i Así la probabilidad requerida es (4)(4) = (52\(52\ 1 169 (b) La primera carta puede extraerse en una de las 52 maneras posibles y ya que no hay remplazamiento la segunda carta puede extraerse en una de las 51 maneras posibles. aa {) (6. A.P(Al -- L 27 -::99 1o. . 6) a 1."t (ol La primera carta puede extraerse en una de las 52 maner:u¡ posibles y ya que hay rempl.2gara indica¡ y 2o.2. (b) no ambar¡ sean se remplaza. Sea A1 buscando suceso ttas en la primera extracciónt' y .42 suoeso "as en la segunda P(Arñ A2): P(A1) P(A2l A t). 6) El espacio muestral para cada lanzamiento de los (r. r) (2. También. . \. Se extraen dos cartas.tp(A2 A¡\ = (52")(*) = . 1-17. l) (1. Entonces P(A. entonces P(A2 | A r) : 4152. Entonces estamos (o) Puesto que para la primera extracción hay 4 ases en las 52 cartas.3) (8. Así que ambas cartas pueden extraerse en (52)(52) maneras.2 a (6. de una baraja de 52 cartas.azamiento la segunda ca¡ta también puede extraerse en una de las 52 maneras posibles. todas igualmente factibles.2l a a (6.3) (3.

Se extraen tres bolas sucesivamente de la caja del Problema 1.suceso "roja en la primera extracción".P(A'rnA'"\ = | . entonces los sucesos son independientes y p(. P(ArU Método 1. A3 "azul en la tercera extracción". P(al menos un 4) Entonces P(al menos un 4) P (ningún 4) = 1 : 1 . 1l CONJUNTOS Y PROBABILIDAD 19 En este caso hay 4 maneras de saca¡ un as en la primera extracción y 3 maneras de sacar un as en lia segunda extracción de t¿l forma que el número de maneras de sacar ares en la primera y segunda extracción es (4) (3). nar¡ :P(Rr )P(82)P(A1) e \/ n u =(\6+4+5/\6+ 4+5/\/\6+4+5/\=_9_ 225 (b) Si no se remplazan las bolas. P(A'tuA) = P(A) + P(A) .P(A')P(A'2| = '! -(8X*) = *" Método 3.A2 ocurra pero : no At : 5 5 número de maneras en las que tanto A 1 como . pero Bon independientes. (b) no se remplazan. 4 Az 1. Los sucesos A t I Az no son mutuamente excluyentes.21.42 ocurran : 1 . Así Art.Rr n 82 ñ At):p(. Si Rl . por (1Ol V QI ) = 6'u-\ui\u/ * = * Método 2.P(ALñ42) = P(A) + P(A!) . Así la probabilidad pedida es (4X3) (52)(51) I 2 1. llallar la probabilidad de que se extraigan en el orden roja. Nfrmero total de maneras igualmente factibles en las que ambos dados pueden caer También.P(ningún 4) : 1 -P(no 4 en 1er.J requerimos A2: : suceso "4 en el prirner lanzamiento o 4 en el segundo lanzamiento o ambos" suceso t'al menos un 4" A2).P(At) P(Az\ 1 r /t\/t\ rr Por üanto.6 : 36.16. entonces los suceeos son dependientes y p(nr n 82 n At)=p(Rr ) p@2lR¡ )p(Ar I Er n 82) :1\6 | u+ 5/\5 +4+5/\/ u 5/ el \/ n \5+ 3+ \=.20. I}2 : süc€so "blanca en la segunda extracción". Requerimos P(Rl ñ 82 n A!\. número de maneras en las que A 1 ocurra pero no Az nf¡mero de maneras en las que .cAP. blanca y azul si las bolas (a) se remplazan. : 6. lanzamiento) = | .Rr ) p(82 lnr )p(A3 In. Sea A I: suceso "4 en el primer lanzamiento" y : suceso "4 en el segundo lanzamiento". lanzamiento y no 4 en el 2o. Hallar la-probabilidad de obtener al menos un 4 en dos lanzamientos de un dado honrado. : guCe¡o (o) Si cada bola se remplaza.

1 : Ar ó A2 ocurraes- 5 +5+ 1 L.\P(A:A. Demostrar el Teorema 1-23.I.23) Ay A2. At : I. ..) . Puesto queA resulta en uno de lossucesos mutuamenüe excluyentes 1-22 (Problema 1. Un talego contiene 4 bolas blancas y 2 bolas negras.23 con A: R. Si R indica el suceso "sacar una bola roja" mientras que 1 y 1I indican los sucesos escoger caja f y caja caja I /d respectivamente. Demostramos el teorema para el c¡¡so n : 2.. Axioma 3 empleando (I8). Si el suceso . página t. Extensiones para valores mayores de n se obtienen fácilmente. página 8. Así la probabilidad de sacar una bola roja P(Rt - P(nP@ Il+P\II\P(RIII¡ = /t\/ I \ /r\/ z (. fcAP. Por tanto P(. Hallar Ia probabilidad de sacar una bola roja. (d) P(BtnBil:P(Br )P(B2lBt):P(Br )P(B) = lt!")/-=) + 5/ = I 4 \4 + 2/ \3 P(B'tñnb:pelp@. An tenemos por el Teorema P(A) = P(AI)P(A Ar) + ' " + P(A. Puesto que una bola roja puede resultar al escoger cualquiera de las cajas podemos em.26. (b) ambas sean negras.píryina9). Si se obtiene cara se saca una bola de la caja.20 CONJUNTOS Y PROBABILIDAD Luego el número de manera¡ en l¡as cuales por lo menos uno de los sucesos 11. Az entonces A = (AnAr)u(A¡42) PeroA ñAt y Añ Az son mutuamente excluyentes puesto que A1 y A2 lo son. Demostrar el teorema de Bayes (Teorema L-24.22. Asípor P(A) = P(AIA)+P(A^AI') = P(A) P(A i A) + P(42\ P(A I A2) 8. Supóngase en el Problema 7.. I|2 : süc€so "bola blanca del segundo talego". Se lanza una moneda honrada. (c) una sea blanca y una negra. Si se extrae una bola de cada talego. hallar la probabilidad de que (¿) ambas sean blancas.)("+-ri-r:ri ---r:\ \2/\2+8/ \-/\-. Az: II.O*' P(A\'Aki \ P1A¡ A¡ = P(A) P(A I Ak) P\Ak^A) = --PÁt ) P(A¡l P(A' Akl 1.. SeaB¡ : suceso "bola blanca del primer talego".23..24. j Dor tanto ".lB't)=P(B')P(Bi¡ = 1-P(Br ñB)-P(Bin B'r): (b) (c) (-1=)1=+) + 2/\3 + 5/ \4 = : 24 La probabilidad pedida es t -i-* = # 1.4 debe resultar en uno de los dos sucesos mutuamente excluyentes At. plear los resultados del Problema 1. pero revela que se sacó una bola . si se obtiene sello se saca una bola de la caja /I.24 que quien lanzala moneda no revela si resulta c¿¡ra o sello (de tal forma que la caja de 14 cual se sacó la bola no se revela). otro contiene 3 bolas blancas y 5 bolas negras.2/ 5 z TEOREMA DE BAYES L25. La contiene 3 bolas rojas y 2 azules en tanto que la caja II contiene 2 bolas rojas y 8 azules.41 U Az): 11/36.

L1M1P2. CUENTA Y DIAGRAMAS ARBOL 1. Enüonces el diagrama árbol de la Fig. etc. uno de la adminishación y uno del gobierno. A : R. Ps.ta probabilidad ectá dada por P(Blr) P(I lP) = P(rl P(R | /) + P(I/) P(BlIIl P(r.24.P2. los candidatos de laadministración pot My. Lz. Aaf hay 3 . 1-18 muestra que hay en total 24 comisiones diferente¡. Buscamos la probabilidad de que se bscoja la caja / y se conoce que se sacó una bola roja. At : I. 3 4 ee escogió ANALISIS COMBINATORIO.28. Se va a conformar un comité de 3 miembros compuesto por un representante de los trabajadores. ¿De cuántas maneras diferentes pueden ordena¡se 5 bolas en una frla? .27. Con cada una de estas eleccionee podemoe escoger un representante del gobierno de 4 maneras diferentes.f moneda sea cara)? Utilicemos la misma terminologfa del Problema I. ¿Cuál es la probabilidad de que se escogiera la caja. 2 : 6 mi¡neras dife¡entes de elegir un representante de los trabajadores y de la admini¡tración. ea decir. Az : I/.. Empleando la regla de Bayes con n: 2 er. Pc. determina¡ cuántos comités diferentes pueden conformarse.cAP.. empleando (c) el principio fundamental de cuenta y (b) un diagrama árbol. (b) Podemos elegir un representante de los trabajadores en 3 maneras diferentes y luego un repreeentante de la adminishación en 2 formas diferentes. Asl el núm€ro de los diferentescomités que pueden Repreúntense los 3 candidatos de los habajadores por Lt. M2.L3. De este diagrama árbol podemos lista¡ toda¡ la¡ comisionee. (a) formarseesS'2'4=21. l-rt PERMUTACIONES 1. Así podemoo dar una probabilidad de 3 a 1 que s /r\/ + \ \-3 4 =/t\/r\ \ti /r\/z\ \zi \E-+z/ ' \t/\2 + 8/ la caja I. I 2 I 4 D 6 8 q 10 1l t2 t8 l{ ló l6 1t l9 20 2l 22 28 24 Fig. por ejemplo LrMrPr. 1l CONJUNTOS Y PROBABILIDAD 2L (es decir que el resultado de la roja. 2 de la administración y 4 del gobierno. Si hay 3 candidatos de los trabajadores. y la candidatos del gobierno pot Py.

y 4 mujeres en una fila de modo que las mujeres ocupen los sitios pares. 4. g.oPo = 514! = (lZO)\24) 2gg0 1. . (b) uPo.1. ¿Cuántosnúmerosdecuatrocifraspuedenformarseconlosl0dÍgitos0. 2.22 CONJUNTOS Y PROBABILIDAD [cA?. cuando esto está hecho.9si(c)los números pueden repetirse. = r¡ ! como en el Problem a 1. persona!¡ tomadasde 4en 4es = tC.30.2. (c) si el último número ha de ser cero y los números no pueden repetirse? (o) La primera cifra puede ser cualquiera entre 9 (puesto que el 0 no tiene valor). Otro métod<¡. 3..3. Halla¡elvalorde (a) .31. .336 (b) Pq = 6.29. 1 Debemos ordena¡ 5 bolas en 5 posiciones así -.. L = b! =. Por tanto: El número de ordenacionesde 10 En general.2.. (c) tsPt.Pr. y finalmente sólo 1 manera de llena¡ la última poeición. Obsérvese que cuando | = tr. 7 : 4586 sonlos númerosque puedenforma¡se.a tercera puede ser cualquiera entre 8 (no pueden ser ninguna de las que ocupan los dos prifneros La cuarta puede ser cualquiera entre 7 (no pueden ser ninguna de las que ocupan los tres primeros Entonces 9 . 1. = 5.. ¿De cuántas formas pueden sentarse? Los hombrcs pueden sentarse de 5P5 formas y las mujeres de 4Pa formas.8.1 =nl Esto se conoce como el número de permutaciones de n objetos diferentes tomados de n en n y se denota por p n' n. Entonces 9' sPs : I .. á maneras de llenar la cuarta posición.. puestos). puestos). (o) La primera puede ser cualquiera entre g (el 0 no). 9 . I . 120 Elnhmerodeordenacionesdenobjetosdiferentesenunafilaes=n(n-l)(n-2\. Entonces I ' 10 ' 10 ' l0 : 9000 son los números que pueden formarse.4. tercera y cuarüa pueden ser cualquiera de las 10.rP.T = - 5040 El número de ordenaciones de n objetos diferentes tomados de r en r ea n = n(n 1) .28.8.3 = 860 (c) .. (b) si los números no pueden rcpetirse. Se quieren sentar 5 hombres puede asociarse con cada ordenación de las mujeres. Así pues. La segunda puede ser cualquiera entre 9 (no puede ser la que ocupó el primer puesto). l. por tlnto: El número de ordenacionesde lag 5 bolasen una filaes En general. . = e 15 (d) ¡P¡ = 3. (d) rPr.6 .5.7. es decir hay cinco maneras de llenar la primera posición. hay 9 formas para ocupar el segundo puesto. Luego hay 3 maneras de llena¡ la tercera posición. 1. nPr. S para ocupar el tercero y 7 para ocuparel cuarto. 8. Cada ordenación de los hombres Elnúmerodeordenacionespedidoes = "Pr. La segunda.32. ¿De cuántas maneras pueden 10 personas sentarse en una banca si sólo bay 4 puestos disponibles? El primer puesto puede ocuparse con cualquiera de las 10 personas y. (¿) aP¡ = 8.r * l) Esto se conoce como el número de permutaciones de n objetos diferentes tomados de r en r y se denota por P.7: 4536son los númerosque pueden formarse. Cuando esto se haya hechó hay 4 maneras de llenar la segunda posición. La primera posición puede ocuparse por cualquiera de las cinco bolas. El primer número puede ser cualquiera entre 9 y los tres restantes pueden elegirse de gPa formas..1 = 6 1. (n .

¿De cuántas formas pueden 10 objetos dividirse en dos grupos de 4 y 6 objetos mente? es respectivaotros 6 Esto Io mismo que el número de ordenaciones de 10 objetos de los cuales 4 objetos son iguales y los tambiénsonigualesentresí. Pero los libros de matemáticas pueden ordenarse entre ellos de aPa:4! formas. Entonces. . ¿De cuántas formas pueden sentarse 7 personas alrededor de una (c) (b) mesa. el número de ordenaciones de 6 person¿N sentadas alrededor de una mesa con 2 determinadas de ellas sentadas juntases de 5! 2! :24O. 23 (c) ' 8'7 : 5O4 Otro método. multiplicando N por 5! 2l 3!) se obtiene el número de ordenaciones de 10 bolas si todas ellas fuesen distintas. n¡ En general el número de ordenaciones diferentes de n objetos de los eue ?r¡ Soriguales* donde. son iguales. ¿De cuántas formas distintas es posibliordena¡los si (c) loslibrosde cada asignatura deben estar todos juntos. El primer dígito puede elegirse de 9 maneras y los dos siguientes de gP2 formas. loslibrosdequímicade2P2:2! formasylostresgruposde3P3:3! formas. mediante (o). se tiene el número total de formas en que 6 personas pueden sentarse alrededor de una mesa. seis diferentes de física y dos diferentes de química se. colocan en un eslante. COMBINACIONES 1. (b) si dos personas determinadas no deben estar una al lado de la otra? Considérese una de ellas sentada en cualquier parte. n#l* 1. I 1. ll0. Así pues. ePz:9 . los libros de física de 5p5 :6! formas. de modo que dos de ellas no estén sentadas juntas es 720 . Entonces ' 7 : 504 será el nfrmero pedido. Entonces 9 son los números que pueden formarse.PorelProblemal. g. Entonces el número de ordenaciones pedido será = 4't. Entoncesel número de ordenacionespedido será = 9l a! - 8 709 120 1.36. .35. 1l CONJUNTOS Y PROBABILIDAD La primera cifra puede elegirse entre g.24O: 480 formas. 6! = Considérense las dos personas que no han de ir juntas como una sola.. 1 n"+ . que lo pueden hacer de 5! formas. n2 son iguales. . 2 bolas blancas y 3 bolas azules: Si las bolas de igual color no se distinguen entre sí ¿de cuántas formas posibles pueden ordenarse? Supóngase que hay N diferentes ordenaciones. que es el total de car¡os que se dan en la ordenación de 7 personas en un círculo.9 ! formas. 10 ! EntonceslSl 2: 3l)N = t0! y N - 101/(5! 2t Bl). Multiplicando N por el número de ordenaciones (o ) de las 5 bolas rojas entre sí. rt. Entonces las 6 restantes pueden sentarse de ?20 formas. (b) de las 2 bolas blancas entre sí y (c) de las 3 bolas azules entte sí (es decir. la segunda entre 8 y la tercera entre ?.. . En todos estos casos los libros de matemáticas están juntos. 6l 2l3! - 207 360 (b) Considerar los cuatro libros de matemáticas como un solo libro.34estoes ¡ft - 10'f''8' .34. Pero las dos personas consideradas como una sola pueden ordenarse entre sí de 2! formas. Entonces hay 6 personas para sentarse en círculo.cAP. Se ordenan en una fila 5 bolas rojas. . si (o) pueden sentarse de cualquier forma. + tt¡ = n. es decir. Cuatro libros distintos de matemáticas. (b) solamente ios libros de matemátitas deben estar juntos? (o) Los libros de matemáticas pueden ordenarse entre ellos de aPa: 4! formas.33. Entonces se tienen 9 libros que pueden ordenarse de 9P9 .

¿De cuántas formas puede formarse. escarola..2 = 6. En general el número de grupos distintos de r objetos que 8e pueden formar con.5 71 ^ (ol . n..24 CONJUNTOS Y PROBABILIDAD lcAP. 1. el número de formas de considerar lias cinco verduras es 25 formas. Número toüal de selecciones posibles = sCz.rl nP' 1. 4. ae llamanúmerodecorñbinacionesdelosnobjetostomadosderenrysedenotapor. si (c) puede pertenecer a él cualquier matemático y físico. Número total de selecciones posibles = tCz'tCs = 3'35 = 105 L. (c\ eC+ 7. Hallar el valor de (a) zCq (b) aCs..4!B! = 7. es:25 - 1 : 31 Puedeseleccionarseldelassverduras.objetos dados.b = 126 1. = #h = I si se define Nótese que formalmente aCa 0! = l. Puesto que cada una de l¡¡ 2 formas de considerar una verdura está asociada con 2 formae de considerar cada una de las otras verduras. como si se escoge o como si se rechaza.CL-l tC2+5Ca+ sC4+ scs : 5 *10+ 10* 6* 1 : 31 .. se forma un corúité de 2 matemáticos y 3 físicos. 5. ¿Cuánt¿s ensaladas pueden preparañ¡e con lechuga. Pero las 2s forma¡ incluyen el ca¡o de no seleccionar ninguna verdura.Olf/Vvienedadopor ^ n"r nl /"\ \r / .2delasSverduras.39. Nfimero total de selecciones posibles = sCz' zCs = l0'35 = 350 (b).37. Por tanto El número de ensaladas Otro método. ¿De cuántas formas puede elegirse una comisión de 5 personas de entre 9 personas? /g) = ^c. beno y achicoria? Cada verdura puede tratarse de 2 formas. (c) dos matemáticos determinados no pueden estar en el comité? (a) 2 matemáticos de un total de 5 pueden elegirse de sCz formas..rl(n-rll n(n-11"'(n-r+1) r! . Entonces tC+:I. 2 físicos restantes de un total de 6 puedtn elegirse de eCz formas. 3 físicos de un total de 7 dan 7C3 formas.4 = l4. _ e! _ \s/-sws-BJ]T- e.1 = o'' --ll (b) oCs = 6 ! = 6.C.Entonceselnúmerorequerido de ensaladas es -. no teniendo en cuenta el orden de los objetos dentro del grupo. 2 matemáticos de un total de 5 pueden elegirse de sCz formas. b! ?. 3 físicos de un total de 7 pueden elegirse de zCs formas.ur . 1 El problema es equivalente a encontrar el número de grupos de 4 objetos que se pueden formar con 10 objetos dados (o de 6 objetos con 10 objetos dados).8.6.5. endibia.4O.SdelasSverduras. 6 uCt=oC1 =6' 5ú ff (c) +Ca es el número de grupos de 4 objetos que se pueden formar con 4 objetoa. 15 = 150 (c) 2 matemáticoe de un total de 3 pueden elegirse de sCz formas. De un total de 5 matemáticos y 7 físicos.5. (b) un físico determinado debe pertenecer al comité. lo que es evidentemente 1.38.6. oCz = 10 .6.

' \"/ ü/ \ El término conetante corresponde a aquel para el cual 3& .r)l (n-r)(n-L)l * r(¿-1)! r! (n . . . La¡ 4 coneonantes pueáen elegirse (!e lC+ formas. que consten 4 consonantes y 3 vocales? No es necesario que las patabras tengan significado. obtenemoa Ia distribución conocida como el trióngulo de Poscal: n=l n=2 n=3 n:4 n=5 n=6 et¿. $ \k /' 3 \& /'.41.Cs+ -.1r .1).*-.11. De acuerdo al teorema del binomio *'\. Aeí10:4I6. ¡raracualquier enteropositivo n. Demostrar q"" Tenemos que 11) \r/ = l" .r e =4e6 . 1. ee 1.r)l (¿-l)! (¿-1)! .B.z. Halla¡ el término constan6 en h exDansión de 1r.t) + f" .43.1l CONJUNTOS Y PROBABILIDAD 26 nCn Engeneral.= xau /rz)'.y por tanto eetá dado por /12\ _ \n/= 12.*.. lss 3 vocsles de s0g formac consonantes. Entonces: El nhmero de palabrae y las ? letra¡resultantee (4 q 7C1 ' óCa ' ?! : 35 . Con 7 consonanps y 5-vogaJes diferentes.!2 = 0. ¿cuántas palabras pueden formarse.42.r)'! r! (n .+!\".tFV=fr ... ee decir k = 4. 'xl (**!\" = r-:o (1?).1¡¡ 1" . 2.11)"-. \ r / \r-1l' (n-r*r)(n-1)! r! (n .. Si escribimos lo¡ coeficientes de la expaneión binomial de (c * U)" púa n :0. 4. 1b:10 * 6.cAP. r0. 1 L 1 | I 1 6 4 3 6 2 1 1 3 4 1 1 5 10 10 5 15 20 15 6 1 1 Un resultado en cualquier renglón puede obtenerse sumando los dc coeficiente¡ del renglón anterior que encuenüreninmediatamentealaizquierdayaladerecha. 10 ' 6040 : 1 ?64 000 COEFICIENTES BINOMIALES 1. ! = 2r-1. 3 vocales) pueden ordena¡¡e entre sf de zPz : ?! forma¡.eüc. n0r+ ncz+."¡ /¿-r\ /"-r\ \ " )-\"-t) El resultado tiene la siguiente aplicación interesante. de 1. .

a roja en la aegunda extracción". Si se extraen 3 bolas aleatoriamente sin renplazamiento. A¡f . 14 Za. roja en L¡ te¡cer¡ ettracciónt'. 1 PROBABILIDAD T.26 CONruNTOS Y PROBABILTDAD [cAP.45.ocro de ¡rupoe de 3 bola¡ entre 20 =-=-zocs (d) P(ningu¡ablanca) = (¡CzX¡Cr) 7 96 #= ff. determinar la probabüdad de que (c) las 3 bolas sean rojas. 10.TTEIZA}TDO ANALISIS COMBINATORIO 1. P(almenol blance) (¿) P(tdecadacolor. t'bol. =g=i| zocs t9.44. (b) las 3 bolas sean blancas. (e) 3 de un palo y 2 de otro. ezut) . (c) 2 sean rojas y 1 blanca. (c) 3 dieces y 2 jotas./e\/ z\/o\ \20l\i0l\18/ Método 2.B Probabiüdadp€did¡: (D) Empleando el re¡undo método i¡dicado en la parte (o). jota. (li) 4 ases y un rey. blanco.[l2 ñ R3 reprerenta el guceso "la¡ 3 "bola bola¡ exhafda¡ con rojEr". (d) al menos 1 eea blanca. De e¡ta mar¡era tenemo¡ Sean i¡. (e) se extraiga una de cada color. Se extraen 6 cartas de r¡na barqia de 62 cartas. rerpectivarnente. @) pedc) = (b') W# = # = u¡fuo P(4eroylrey) = ry .Rt n . reinq rey en cualqui. Bz.* "O de cada color) = Ot¡o método. Una cqia contiene 8 bolas rojas. Halla¡ la probabilidad de extraet (a) 4 ases. Rc lol auceecr "bola roja en la primera erhaccióntt. P(8rnP2nBJ = P(Fr) P(^R2 | A1) P(¿s l.= 1140 = zous j_ 296 P(3 bolú blurcas) ' Tambión puede utilizarre el priraer m6todo indic¡do en la parta (o). (f) al menos 1 as. azul. 3 blancas y 9 azules. (o) Método 1.er orden. (f) las bolas sean extraídas en el orden rojo. =t-# =# = !9lff9 = *g (f) P(ertraer l¡¡ bola¡ en o¡den rojo.B1nR2) . (cl P(2 bolar rojar y 1 blanca) = (gupoc de 2 entre 8 bol¡¡ rojar)(grupoo de 1 entre 3 bola¡ blancas) afir. (d) un 9.. . blanco. P(Rr g l/lg\ = fr' 6\96/ urando (e) ^ Bz ñá¡) : 4R¡) P(B? | 8r ) P(Ar I Rr n82) = f /s\/s\/e\ \*i\*/\r8/ = s e5 . Eotoo"".

\6/ \o/ BITT\6i \6i 8888 nc.* = (il'eu)' : 10 de ertor nrceeor y pueeto que suponemoe que lor ¡uoesos ron independientee. Asf logN = los(/lofi¡o5o¿-50) 1f = i los100 I |losr * 60 log60 - 50 log¿ .4?. Cada eopacio tendr6 lo¡ ¡uce¡oc 6 o 6.. Hallar el valor de 50! Para n muy grande. etc. (/) P(ningrn *) = # = m. hes 6 y dosno 6 puedenocutrir como 666' 66' ó 66'66' Asf la probabilidad del resultado 66 6' 6 6' e¡ p(666'66') - p(6)p(6)p(6.ó En generd./L\'/qY . reina. Detenninar la probabilidad de tres seises en 5 lanzamientos de Represéntense los lanzamiento¡ del dado por cinco eepacioe no 6 (6').p"en-' = (n\o'o'-' sip: P(A) y q:1--p:P(A'\. Por tanto aot-t/ffi5oso¿-so:N Para evalua¡ N uüilizamoe logaritmoe de ba¡e 10. LuegoP(al menoa un ar) 1. Por tanto la probabilidad pedida e¡ p(666. = . Pero a su vez io¡ 3 libro¡ de matemótica¡ pueden cden¡r¡e enhe ¡f de 3P3 = 3 ! form¡¡.por elmiamorazonamientoanüeriorlaprobabiüdaddeobtener r vece¡A en n enaayos independientes ea \n/ 1.66. puesto que hay 4 form¡¡ de eecoger el primer palo y 3 foim¡s de ercoger el regundo.4E. u (c) (d) P(3 diece¡ y 2 jot¡¡) CONruNTOS Y PROBABILIDAD QCslQCzl 1 szcs 108 290 (4cr P(nueve. n7 .á á *.n"¿-¡. diez. rey) x4crx4crxrcr) (rcr) szCs 64 162 496 (e) P(3 de un palo.lf{| = 'ffi. Halla¡ la probabiüdad determinados de matemáticas estén juntos. L¿ probabilidad pedida está dada por 8!3! 10! - 1 15 APROXIMACION DE STIRLING A z! 1.46. eractamenüe 66./r\3/s\2 = =*é)t1l)'= = I 't 'v.\o/ \o/ para todc lo¡ oEo¡ resultado¡ en los cuale¡ ocuren hec 6 y dos no 6.66. Supongamos que lo¡ 3 libro¡ determin¡do¡ de m¡temática¡ ee remplazan por 1. Por ejemplo. 2 de otro) = q#@ = ffi = t -. de que S libros .{fi. Un estante tiene 6 übros de matemáticas y 4 de física.p(6)p(6') . Los libros pueden ordenar¡e éntre ef de roPro = 10! formar. un dado honrado.6ó. Pero hay rCa son mutua¡nente ercluyentes.á. jota. Arf tenemo¡ un üotd de 8 libroe que pueden orden¡¡se enhe ¡f dc 6Ps = 8 ! formas. Análogamente '" .cAP.

46) 5 /s\ " \í)o'n'-' = t(.. 1 = ¿los100 | ¡lor3142 + 11 = i(zl * de donde 50 1og50 - 50 log2?18 . y 3a.íll 36 (d) P(B gane al menos una partida) : 1 .P(B') P(B. Atendiendo a la experiencia que han tenido (probabilidad empírica) suponemos que P(Aganeunapartida) = #=+ P(Bganeunapartida) = #=+ =I (o) P(Aganelashespartidas) - P(AtnAroA3') = p(At)p(A2)p(As) = (. Si suponemos que A es el primero en lanza¡ entonces A ganará en cualquiera de los casos siguientes mutuamente excluyentes con las probabilidades asociadas indicadas: (1) (2) A gana en el ler. PROBLEMAS DIVERSOS 1. es 1/6 como se determinó en el Problema 1. t. A 3 los sucesos " A gana" la 1. lallar la probabilidad de que (o) quien lanza primero los dados gane.50 A y B juegan lanzando alternativamente un par de dados. A pierde en el ler. lanzamiento. (c) A y B ganen altemativamenie. luego gana A. Quien obtenga primero un total de 7 q^? el juego.4836 N= 3. (Esta suposición no sería justificable si un jugador fuera influenciad. Hallar la piobabiüdad de que (o) A gane las tres partidas. I|3 los sucesos "B gana" la 1a.:'.'J?fi '.^.:. luego B.04 x 100r."u j /t\/r\/t\ * /r\/r \/r\ = \r/\5/\r/ \¡i \zi \¡i 5 . (ó) quien lanza segundo los dados gane.'. Az.':. y 3a. luego B) == ". partida respectivamente. 2a.i :.z.Asílaprobabilidad.10. B gana 4 y 2 tnrmrnan en tablas. (o ) La probabilidad de obtener 7 en un sólo lanzamiento de una pareja de dados..4343) = 64. supuestamente honradoe. Probabiüdad = {¿)(f )($).P(B no gane ninguna partida) t . -/¿\/a\1¿\ = le ^ \3/\3/\3/ 27 1. Bz.. 1-17.Xt(. 2a. \a) = n /r\2/<\ (c) P(A y B ganen alternaüvamente) : P(A gane.) P@. luego A o B gane.6990) - 50(0. . luego A..P(B'roBj¡B'r) L .18 y Fig. luego pierde B.de2tablasenBpartidases(réase Problema 1.o sicológicamenfe por loe resultados anteriores! (b) En cualquier partida la probabiüdad de no tablas (esto ee A o B gana)esg: ]-t2+]-lg:516yla probabiüdaddet¿blasesp:1--q:1/6. lanzamiento. Denótese por A B t.. 1á¡ n gane al menos una partida.:.49. partida respectivamenüe.4972) + 50(1. Probabiüdad : 1 /6. un nfimero que tiene 6b dígitos.) .28 11 CONJUNTOS Y PROBABILIDAD lcAP. (b) dos partidas terminen en tablas.. Acuerdan jugar un torneo consistente en 3 partidas. A y B juegan 12 partidas de ajedrez de las cuales A gana 6.) suponiendo que los resultados de cada partida son independientes de los resultados de la¡ ohas.

8. Este resultado se obtiene así Si P(BJB)='+#=elwq=* Método 2.1) = 0.51.8 y 0. estén vivos en 20 años.152.cAP. Prqbabilidad = (áX8X8X8X+).2)(0. 1. "blanca en la segunda extracción". (c) al menos uno viva. Suponemos que . l|/ los sucesos que el esposo 0.53. Una rnáquina produce un total deL2 000 tomillos diarios de los cuales en promedio elSVo son defectuosos. Puesto que se sabe que la segunda bola es blanca solamente hay 3 formas de las restantes 8 para que la primera sea blanca. 1. Bl.tJ es cero ya Así iríamos 6 a 5 a que el primero que liance gana. lo cual puede ser o no razonable.*/q\'*/q)'* \o/\e/t_' \o/'.9 respectivamente.52. estamos buscando P(Br lB2). pierde B. De 12 000 tornillos. pierde B. Entonces y lI/ son sucesos independientes.9) = 032 (ó) P(ningunoviva) = P(H'nW') = P(H'\P(W') = (0.' \6/\6/\6/\6/ * = /q\/r\T. : 6L" /s\' * /r\* I _ \al \ui donde hemos utilizado el resultado 6 del Apéndice A con x r/6 6 : (5rc)2 - (b) Análogamente la probabilidad de que B gane el juego es 1q)/l) . Hallar la probabilidad de que en 20 años (a) ambos vivan. que la segunda es blanca. respectivamente. gane es /t\ /s\/s\/r\ . I|2 son los suceoos "blanca en la primera extracción". Se extraen dos bolas sucesivamente de la caja sin remplazamiento y se observa. P(H): (o) P(ambosüvan) = P(H1W) = P(H)P(W) : (0. el 3'/o 6 360 son defectuosos y 11 640 no lo son. Nótese que la probabiüdad de un empate que 11 ' 6-5 11 1 Esto no serfa verdadero si el juego fuera limitado. P(W) : 0./s\/¡\/o\/s\/r\ * \6/-\6i \6/\u/ \6i \6/\Bi \u/\6i 1l-. Sean ÁI.F/ y la esposa. Las probabilidades de que un esposo y una esposa estén vivos dentro de 20 años están dadas por 0. lanzamiento.(5/6)2 11 ./l)/q)lq\It\ \6/\6.8)(0.\6/ =5136=5 1 . Así Probabiüdad pedida = -H*-P 1. Hallar la probabilidad de que de 600 tornillos seleccionados aleatoriamente 12 sean defectuosos. respectivamente. de tal manera que la probabilidad es 3/8. 1l CONJUNTOS Y PROBABILIDAD 29 (3) A pierde en el ler.02 . Véanse Problemas 1. (b) ninguno viva.9. Así la probabilidad de que g.151 y 1. ¿Cuál es la probabilidad de que la primera también sea blanca? Método 1. pierde A. Una caja contiene 5 bolas rojas y 4 blancas. gana A.

El resultado ee a¡ombroso ya que la probabilidad permanececasi constante para n ) 10. la probabilidad de que al menos una ca¡ta llegue a su destino apropiado es casi la misma si n es 10 ó 10 000. -r/\n-2/ (+) = + \.".) Ap) hay ( (+)l=+) \lr/\tt . finalmenrte .) p\AztAttp(A. U A.ñA2t : p(At\p(A2lAt\ = (*)("=) aProPi"ao ü. 'á P(4 ñ A¡ ñ que tienen ) = "r"términos el valor dado por (4).98 1.. aefqueparar:-l e-.xt"1B"""ntJfi::::i*il'ff.A. Tbmbién (E) p(A..).vAn¡ 1\ t.42.\ /"\/t\/ I = (l)(t)-l:)/l)l \.1/ nl (5) Entonces en la suma > Análogamente en E p(A. A partir de la generalización de los resultados (10\ y (1 l).. ..0.. (véase Problema 1.nA) = ''-n' P(A¡ñ A¡ ) hay (.ri. lo¡ sucelo¡ primera.. Esto quiere decir Se deduce que ai n es grande la probabilidad pedida es aprorimadamente 1 -e que hay urra buena probabilidad de que al menos una carta llegue al destino apropiado..1/ =.30 CONJUNTOS Y PROBABILIDAD [cAP. 1 (c) P(al menoc und üYa): 1 -P(ninguno viva): 1 . riamente..sobre "nto"o' *to '' de los rectantes n- 1 sobres estará (4) p(AtnAzr1A¡) = p(Á.i \.nA2n..79) tenemo¡ (1) donde E P(A¡) + )P(AinAinAk) P(áruAru. página 7.lAtnAr) y así aucesivamente.4¡ U AzU'. .\ri )\" " ' " + (-r)^-'l'\l+) = r-fr+i-"'+1-t¡"-'I cz \z/!t!/ Del cálculo sabemoe que (véare Apéndice A) = lf ¡*#.C2 términos que tienen el valor dado por (3).i1-:.U An y deeeamos hallar P(A¡ U A2V. Hallar la probabilidad de que al menos una de las cartas llegue a la destinación aproDenótensepor A¡..u) las es la ¡uma de las probabilidades de A¡ desde t hasta n.i/ . . ='-('-+r.02 = 0.=t \/ .r) ."uAn) = )r(¿*) -)e6'tnl'r) "' * (-t¡"-t P(At^A2¡ " n.. E P(A¡ ñ Ar) es la suma de probabilidadesdeA¡ñA¡conjyhdeedelhastanyh)j.. Una secretaria ineficiente coloca ncartasdiferentes en n sobres con destinos diferentes aleatopiada.* r-e-l I : 0. Por üanto. cegunda.#. n-ésima carta ¡e encuentra en el gobre correcto.6321. Por tanto la probabilidad pedida es p(ApAzu-.1) .etc.f'./\.Tenemosporejemplolosiguiente: (z) P(A)=+ yanálogamente PlAr¡=L ya que de lo¡ n sobres rolamente 1 tendrá la dirección apropiada..) "1 ó 1.(+ll-+ll=+) \.\t/\..54...-../\ . Entonce¡ el ¡uceso al menos una carta en el sobre conecto es. .

tnp = .l.n(r-l) i30 para n pequeño comparado con 365. 1. la probabilidad de que la n-ésima persona tenga un cumpl'e¡ñoe diferent¿ de las otras n * 1)/365. Suponemos que solamente hay 365 días en el año y que todos loe días de cumpleaños son igualmente probables....1\:{.56. Describir A de acuerdo al (o) método de extensión. Sea A eI conjunto de los números natwales entre 5 y 15 que son pares. Finalmente.z\. Por tanto tenemos es (365 - P(n cumpleaños diferentes) = #* # ffi = \'- ' 365 :-l! + 1 1\/'.r)(Zn -r) 6 obtenemos para (3) (5) *::":: 16) rnp = -!!+ñ! .67.-k).^" --!.-*(n-1)2 - n(n . .693. Determinar cuántas personas se necesitan en el Problema 1.2 -r¿-506 = 0 = 0. 12+22 i-.ln p r¿(rr : - -- 1) ?30 .-4\ . suposiciones que no se cumplen genetalmente en la realidad. si Ia segünda persona tiene un cumpleaños diferente..58..).s supletnentarios CONJUNTOS 1. el segundo término y los términos superiores a la ae 1S¡ son dlespreciables comparados con el primer término. Por tanto tenemos n.865)"'\'. La primera de las n personar¡ tiene lógicamente algún cumpleaños con probabilidad 365/365 : 1.23)(n'l 22) = g asf que n : 23.55 para que la probabiüdad cumpleaños distintos sea menor que U2.cAP. D = {t I 12<16). Así la probabilidad de que la segunda persona tenga un cumpleaños diferente de la primera es 364/365. Por tanto nuestra conclusión es que si n es mayor gue 23 podemos decir con mayor seguridad que al menos dos personas cumplen años el mismo dfa. (b) método de comprensión. 3. fótmula 7) que -r) -= --c - T- 3 así que (I ) puede escribirse como = ft+z+ : 2. Problema. SeaA = {r r2-3r*2=0}.' (Apéndice A' fórmulas 1 y 2) (Ir\ I+2+ "'*(n-1) = @. Análoga' mente la probabilidad de que l¿ üerce¡a persona üenga un cumpleaños diferente de las dos primetas es 863/365." . Halla¡ Ia probabilidad de que n personas (n < 365) seleccionadas aleatoriamente tengan n días de cumpleaños diferentes. Enipleando los hechos de que para n .865 ) de 1. Denotando la probabiüdad dada por p y tomando logaritmos naturales hallamos (r) @\ (3) lnp tnp =t"(r-#) -r'"(.55.0. asf que una buena aproximación en este Pa¡a (7) p : L12. 1l CONJUNTOS Y PROBABILIDAD 31 1.693 6 ln 2 = 6 (n . ..(. debe ocurrir en uno de los otros 364 dlas. Entonces.165/\'."' . "'+rn(t-#) ln(1 Pero sabemos de cálculo (Apéndice A. por ejemplo n ( 30.DeterminarsiACB o no.

uC').62. formule en palabras el (a't A'. (e) el número de partícular nucleare¡ que enhan a un contador Geiger.Encontrar (a) Av(BuCl.66.72. (c) Teorema 1-4.5\ yrupóngarequeloerubconjuntoede'll son A:{1. y (D) ilustra¡la utilizando un diagrama de Venn.. (e\ B-A. A tenemo¡ A C A.ñ(B. 1. (d) AnB'. . ESPACIOS MUESTBALES Y SUCESOS L. B. página (o) Eemortrar la segunda ley De Morgan. I-a paradoja descrita se conoce Rusell. Demo¡harque . (c) Añ(BuC). ¿EE (A - B)' : A' .0(¡=4) Encontra¡ (a) AvB. DIAGBAMAS DE VENN y TEOREMAS SOBBE CONJUNTOS 1.31.6?. 15¡(6. (o) Si A y B eon dos conjunüos cuáleequiena.4.ruNTOS. 1. (fl (A-B) u (B-A). Tborema 1-120. (e) A-8. B.69.6 A: falredad de las propoeiciones siguientce. B={2. signifrcadodecadaunadelasoperacionessiguienüee: (f) B A. (c) A'uB.(BnC) (e) A' - (BuC)' 1.64. entonce¿A = B.(AuC). C = {4. página 3. (fllanzat una moneda y un dado. =y. oPEBACIONES E¡ITBE CON.2}. (ü) B'.nC.5.60. 1. (c) A'nB'.1.73. E¡tudiar la verdad o entonces A CB.76.B'? Ju¡tificar l¡ ¡olución. (b) (AuB)uC. De¡cribir un espacio muestral para cada uno una moneda. Demostra¡el (a) Teorema l-2. Emplear un diagrama de Venn para dibujar ceda uno de loo conjuntoo eiguientec: (¿) A n (Bucl (ü) .?0. - . 0 @uB) .66.7 o negar: Si A u (Ar\B) eilusha¡loporundiagramadeVenn.69' 1. Afirmar -B = @. Ilustrar el principio de dudidad haciendo referencie a losteoremas de la pfuina 3. EXPEBTMENTOS ALEATOBIOS. (d') A-8.76.?f .A r.2. (o) Demostrar que (b) Demoetrar que ri p-f Ge[.4 u (BnC\ (c) A' n (BuC)' (rt) A .t B = IA-(AnB)] u ÍB-UnB)l 1. 1. (ó) Sir yy son do¡ númeroereales sr¡alesquierq entonces x1y. entoncq cJeeJ. Si A e¡ el suceso "cara" en el l¡nzamiento de la moneda y I es el euc€¡o "3 ó 6" en el lanzamiento del dado. en un grupo de 600 hombre¡. (d) el númer.68. L. (Véase Problema 1.32 CONJUNTOS Y PROBABILIDAD Demoeürar que para cualquier conjunto [cAP. 1. (d\ (AnBlu(AnC).9.?). (ü) Teorema l-8. (e) A. (ñ) A . 1. (bl AnB.o de llamadas recibida¡ en une ce¡ttrat telefónica. Sea'tl el conjunto de todos loi enteros no negativos y conaidérenee loe nrbconjuntoc A = {xl¡e¡unente¡ope¡.(B. 1. página B.68. Demo¡trarque (á -A)UA =á ¡ólo srBC A e ilugtrarlo utilizando un diagramade Venn. 1. 1 1. Generdiza¡ las primen y eegunda leyec De Morgan a cualquier número de conjuntos. x>y O i Demostra¡ que cualquier aubconjunto del conjunto vacfo debe ser el conjunto vacfo.p6gina 3. Un erperimento consiste en el lanzamiento de una moneda y un dado. (s) (AnC)' u B.).3. (c) lanzar un¡ moneda hasta que aparezc¿ un sello. 1. (Ó) el nhmero de fum¡dore.5}. Seaununiver¡o 'Ll:{L. A)8. de loe siguientes experimentos aleatorios: (o) 3 lanzamientos de 1. ei ¿[e como I Sea ci éeeI' o cl¿se de todos loe conjunüoc que no 8on elementos de eUos mi¡mo¡. (c) A)8. 1.} ! B = {rlreounnfimeroprimo. Generaliza¡ el recultado del Problema 1.61.

y A3 el suceso "rey en la tercera extracción". (e) pl(A1nAr) u (A"nAr)]. 1. y (I I ). (b) ni roja ni azul. (d) blanca. Determinar la probabilidad p. 1.77. . o azul. (b) La suma 8 agatezca en un solo lanzamiento de un par de dados honrados. 1.80. (e) la segunda no sea azul. (h) máximo una sea roja.. (b\ p(AluA2\.P(A¡B).83. (b ) A' es independiente de A es independiente de B demostrar que (o ) A es independiente de B . para cada uno de Ios sucesos siguientes: (c) La aparición de un rey. . Resolver el Problema 1. Se exürae una bola aleatoriamente de un caja que contiene 10 bolas rojas. Si aI menos un hijo en una famiüa con dos hijos es un niño ¿cuál es la probabilidad de que ambos hijos sean niños? Demostrar que la probabilidad condicional definida por (17).4 ). blanca 1. (¿) roja.42 el suceso "rey en la segunda extracción". (c) ninguna sea naranja. 30 blancas.8t. satisface los axiomas de probabilidad en la página 6 y por tanto todos los teoremas sobre probabilidad. Explicar el significado de cada una de las siguientes: (a\ P(AroA!r). @) p(A'rr. L.92. o un estimador de ella. 12 defectuosos.página 8. (b) ambas sean rojas. 1. SiA. 7. Hallar la probabilidad de que sea (c) naranja o roja. p6gina Generalizar los resultados (I0 ) 30. Csonsucesosindependientes. Se extraen dos bolas sucesivamente de la caja del Problema 1. B'. (c)A y B-C.t4. (b) la primera sea roja ylasegunda sea blanca. as. Demostrar que si P(A ) >P(B ) entonces P(A I B) Si > P(.91.86. 1. pfuina Demostrar que P(A'uB') = 1 .(A ñ B) son mutuamente excluyentes.89.82. (i) la primera sea blanca pero la segunda no.87.14(b) demostrando (sin emplear el diagrama de Venn) que AUB = AOIB-(AOB)I donde A y B . (c) no azul. son inde- . Hallar la probabilidad de que si dos bolas se extraen aleatoriamenremplazamiento) (o) ambas sean azules.54.7t.t1. (b)AyBñC.cAP. cartzs 1. Completar la demostración en el Problema 1.?9.1.8 I . (c) una sea roja y la otra azul. Sea A1 el suceso "reyen la primera extracción". (¿) p(A1^A'2ñA\). Un experimento consiste en la sucesiva extracción de tres cartas de una baraja. CALCULO DE PROBABILTDADES 1. (c) Encontrar un tornillo defectuoso si después de examina¡ 600 tornillos se han encontrado (d) Un 7 u 11 reeulte en un solo lanzamiento de un par de dados honrados. Demostrar el resultado (1 1). ll CONJUNTOS Y PROBABILIDAD 33 TEOREMAS SOBRE PROBABTLIDAD 1. Hallar la probabilidad de extraer 3 ases aleatoriamente de una ba¡aja de 62 remplazan. 1. 20 azules y l5 naranjas. (¡) solamente una sea roja. PBOBABILIDAD CONDICIONAL Y SUCESOS INDEPENDIENTES f . (c) AyBUC.84 si no hay remplazamiento después de cada extracción.demostrarque pendientes. remplazando la bola extraída después de cada extracción. (D ) si las cartas (o) se no se remplazan. (g) al menos una sea azul. üe (sin Una caja contidne 2 bolas rojas y 3 azules. 1.tA'r). 1. y así demostrar eI resultado (l ) del Problema 7. (e) Al menos aparezca una cara en tres lanzamientos de una moneda honrada.85. pfuina ?.90. Halla¡ la probabilidad de que (a) ambas sean blancas. B. (d) sean rojas o blancas o de ambos colores (roja y blanca). jota de tréboles o reina de diamantes al extraer una sola carta de una baraja común de 52 ca¡tas. 1.83.

¿cuál es la pobabilidad de que el otro compartimiento tenga un reloj de oro? 1. Una bola extrafda aleatoriamenüe de una de las. I monedae diferentes en 2 posiciones diferentes? PERMUTACIONES 1. L. Atl At. En cada compartimiento del Begundo joyero hay un reloj de plata. 2. (b) doe mujerer determinadas no deben centar¡e juntar. . Demostrar que A¡ .1O3. y una bola ertraída aleatoriamente e¡ blanca.98. suceso "número impar en el primer dado". En cada compartimiento del primer joyero hay un reloj de oro. La urna I tiene 2 bola¡ blanca¡ y 3 negras. La escoge una bola aleatoriamente de la primera caja y se coloca en la s€gunda c¿ja sin ob¡ervar su color.¿Guál es la probabilidad de haberla exbaído de la primera caja? Ttes joyeros idénticos tienen dos compartimiento¡.93. 1 1.101. 9 ¡i impares. Hallar la probabilidad de que sea blanca. ¿Cuántos números diferentes de 3 cifra¡ pueden formar¡e con 3 cuaEog. (ó) zPs. abrimos uno de los compartimientoa y hallamos un reloj de plaüa. (c) 2 libros deüerminados deben ocupar lo¡ exüremos? (o ) 1. ¿De cuántas maneraa pueden coloca¡se l. á3 : "total impa¡ en ambos dados". .99.ent¿nüoquelacajalfcontiene4bola¡rojasy2blancas.109. . ANALTSIS COMBINATORIO. AziA2. Se selecciona una urna aleatoriamente la urna II. ¿Para qué valor de n es . y lrr urna ffl. 3.106. Se lanza una moneda tres veces. CUENTA Y DTAGNAMAI¡ ARBOL 1. Luego ee extrae una bola de la segunda caja.104. Hallarelvalor de(a) oP2.1O?. 1. ¿Cuánto¡ números de cinco cifras pueden formarse con los dÍgitos L. Az. ¿De cuántas formas pueden 5 personas sentarse en un sofá si tiene sol¿mente tres asientos? 1.94. Se TEOREMA O REGLA DE BAYES 1. Hallar el valor de (a) rC3. (D) 3 libros determinados deben estar juntos. .cajas reeulta azul. 3 blancas y 4 negras. Hallar la probabiüdad de haber escogido la urna I. Utiliza¡ un diagrama árbol para determin¡r la¡ diferentes poribilidades que pueden suceder. A3 lon independientes pero que 1.96.4 doeee y 2 tres€s? 1.34 CONJUNTOS Y PROBABILIDAD Sea lcAP. En el tercer joyero eñ un compartimiento hay un reloj de oro. (¿) roC¡. Uüilizar un diagrama á¡bol pa¡a determinar el nf¡mero de maneras en las que se puede exhaer (o) un diamante y un trébol y un corazón en secuencia (b) dos corazones y luego un trébol o una pica. A ¡: auceao At. 4 blancae y I nggra. 1.10t. ¿De cuántas forma¡ pueden ordena¡se 7 libros en un eEtanüe ei (a) er posible cualquier ordenación. Resolver el problema anterior si la8 cifreÁ de los números pueden estar repetidas. 1. A2 = BuG€so "núme¡o impar en el segundo dado".9?. (¿) roP¡. (b) ¡C¡.+tPt = nPtl. (c) cada mujer debe eetarentre dos hombres? COMBINACIONES 1. 1. Se extraen tres cartas aleaüoriamente (sin remplazarniento) de una baraja de 62 ca¡tas.1OO. (b) las primeras dos cifras de cada número son pa¡es? lor números deben ser 1. ¿De cuántas formas pueden 3 hombres y I mujerec sentarse alrededor de una meea ei (o) no se impone ninguna resüricción.96. caja / contiene 3 bolasrojasy Sblancas. en tanto que en el oho hay un reloj de piata Si seleccionamos un joyero aleatoriamente. . . Una caja contiene 3 bolas azules y 2 rojas mienüras que otra caja contiene 2 bola¡ azulee y 5 rojas.106.43 no son independientec.lO2.

111./"\ .-tj(. (b) en contra de A de perder los prir4eros dos juegos? 1. 1.114.126. (b) un palo completo. Demostrar que (o) É .. (b) j=t (-1).119..122.C.117. (c) eC¡. (f) la seErnda carta no sea una figura. ¿Cuántos comités diferentes pueden formarse si (o) no se impone ninguna restricción. 3 corazones y 1 pica. La¡ apuestas en favor de A de ganar un juego de ajedrez contraB son 3:2. (b) dos estadistas determinados deben estar en el comité. (c) (t-r t)s. Hallar la probabilidaddeque (o)laprimera carta no Bea un diez de tréboles o un aa.125. Demostrar que (c) (b) \r¿l \o/ \r / + 1") * '. impar o par' impar' par.f 23.113. Si s€ extraen 3 tiquetes de la caja uno a uno' hallar la probabilidad de que alternativamente s€an impar. 3 y 2 personas? y 3 personas. lJna caja contiene 9 tiquetes numerados del 1 al 9. En un juego de naipee ee reparte a cada uno de loe 4 jugadores 13 cartas de una baraja de 52 cartae. (b) tres 1. \ r/ 1.116. 3 niños y 3 niñas con 6 hombres.120. 1. Halla¡ el número de (o) combinacionee y (D) permuüaciones de cuatro letras cada una quepuedenformarse con las letras de la palabra Tennessee. (g) la seg. Expandir (o) (o+y)6. (e) no más que una carta sea figura (jota. (h) las cartar son frguras o picas o ambas. COEFICIENTES BINOMTALES 1.118. (c) al menos una carta sea un diamante. ¿f).(b)almenoe dos lanzamientos de un par de dados honradoe.. (b) deben seleccionarse un hombre y una mujer 1. Hallarlaprobabilidaddeobtenerunasumade?puntos(o)unavez. s€ impone ninguna restricción.. j=1 = n. Si se van a jugar tres juegos ¿cuáles son la¡ apuestac (a) en favor de A de ganar al menoa doc de los tre¡ juegos. . unavez'(c)dosveces'en 1. Halla¡ la probabilidad de que uno de loe jugadores obtenga (o) ? diamantea. reina' rey).8 mujeres. ¿De cuántas maneras pueden seleccionarse 6 preguntae de un total de 10? 1--112" ¿Ctántos comités diferentes de 3 hombres y 4 mujeres pueden formarse con 8 hombres y 6 muieres? 1. Hallar el coeficiente de ¡ en lt * ¿)t. +/"\ \2 / /"\ ..+ r-''i" 2/ \l )=o \o/ \r/ /"\ * /"\ I 1. 1.( ") .115. (b) la primera ca¡ta sea un aÁ pero la eegunda no. (b) /11 \ (r-a)4. par.121.110. (c) un economista determinado no debe estar en el comité? 1. 1l 1.e cuántas formas puede un grupo de 10 personas dividirse en (o) dos grupos de 7 grupos de 5.4 mujeres.. (d) (rz*21t.t24. Con 5 estadistas y 6 economistas quiere formarse un comité de 3 estadistas y 2 economistas. ¿De cuántas formas pueden seleccionarse 4 niños y 5 niñas si (o) no determinados? 2 hombres.2n-1. (d) las cartas no sean del mismo palo. 2 héboles. 1.) = 0."". \4 / 1. (ó) ( ). Se extraen dos cartas sucesivamente de una baraja de 52 eartas. t"l kCz\QC¿)/DC. Calcular. ¿Para qué CONruNTOS Y PROBABILIDAD valor de n s€ cumple que 35 3' n+rC¡ : 7' nCzl.rnda carta no sea una figura dadoque la primera eí lo es.cAP. PROBABILIDAD UTILIZANDO ANALISIS COMBINATORIO 1.

¡rara valores de n grandes.. An P(ArvA"u. Halla¡ la probabilídad de que (o) sean diferen1. . ¿De cuántas formas pueden selecciona¡se 30 individuos de un total de 100? 1. - L.130.I's probabilidad de que un tirador dé en el blanco eede 213. (b)al menos dos sean ages. . Al lanzar un par de dados la suma puede ser 2. (b) tn full que consiste en 3 cartas de un valor y 2 de otro (por ejemplo 3 diecer y 2 jotas.127.136. Enunjuegodepókerhallarlaprobabiüdaddeobtener(o)unaescaleraflor.36 CONruNTOS Y PROBABILIDAD lcAP.140. Una urna contiene 6 bolas rojas y 8 azules. Cuatro enteros se eligen aleatoriamente entre 0 y 9 inclusive. (D) 2 letras son idénticas. 1 1. Se extraen 3 ca¡üas de una baraja de 52. (o) Hallar la probabilidad de obtener la suma 7 en al menos uno de tres lanzamientos de un par de dador honrados. Halla¡ la probabilidad de que 3 sean rojas y 2 azules. PROBLEMAS DIVERSOS 1.reina. Un espacio muestral consiste de 3 puntos muestrales con probabilidadeg a¡ociadas dadas gor 2p.51. A-(A nf¡: AñB'.'. 1.95? 1. etc. (c) todas las letras son diferentes pero dos letras determinadae no puden estar juntas? tes.141. Hallar la probabilidad de que un jugador tenga de 13 cartas g de un mismo palo. ¿Cuál es el menor número de lanzamientos necesarios en el hoblema 1. (b) máximo dqs sean igualee.3.131.146. 1.12E. (c) ca¡tas diferentes.13?.138. Demostrarque 1. APROXIMACION DE STIRLING A n! 1. Esüudiar lo eiguiente: no h¿y tal cosa de que una moneda sea honesta pu6to que en cualquier número de lanzamientos es extremadamenüe difícil que el número de caras y Ee¡lor eea igual.). 1. ¿Cuántas palabras pueden formaree con 5 letras si (o) lae letras son diferentes. ¿Puede considera¡ee la moneda cómo honrada? Expücar. Supóngaae que al lanzar una moneda 500 veces hay una secuenci¡ de2(lsnzanientosqueresulüan"carast'.uAn) < P(4.140 para que la probabiüdad de obtener 11 por primera vez sea mayor que (a) 0. 1. 12. Az. Se extraen cinco bolas aleatoriamente sin remplazamiento.96? 1. . .5. Halla¡ la probabilidad de que (o) las cartas eean de un palo. 1. .145. .129..133.queconsistedediez. 1.l47.134.jota. Hallar la probabilidad de que ocurta 11 por primera vez en el sexto lanzamiento.144. 1. rey y as del mismo palo. Demostrar que para cualesquiera sucesos Ar. hallar la probabilidad de que necesiüe 6 disparos.143. 1. Obüener una aproximación al resultado del Problema 1..142. (b) ¿Cuántos lanzamientos se necesitan para quela probabilidad en (o) eea mayor que 0. l. Si diepara al blanco hastaqueledal¡primera vez. . . 1. (d) 4 ases. Demosürarque siACB' entonces AnB:Q. p2 y 4p Halla¡ el valor de p.139. ¿Podríamos asignar probabilidadee de 1/11 a cada uno de esos puntos? Explicar. Hallar porcentaje de enor en la fórmula de Stirling para n : 10. Demostrar que aproximadamente 2nCn - 22"1\/ñ. +P(Á") 1. 1. Un par de dados se lanzan repetidamente.132. (b) 0.) + P(A)+ .135. 1.

rtimientos separados. (a) Un estante contiene 6 compartimientos separados. u¿ fi. 1.8.6. (c) trer cincoe. (c) los cuatro jugadores tengan un palo completo. ¿De cuántas formas pueden colocarse 12 bolas idénticas en los compartimientos de tal manera que ningún compartimiento quede vacío? (b) Resolver el problema si hay n compartimientos y r bolas para r ) n.11)'-* 1i)'-l \"/ \o/ \t/ . .cAP.156.151. Demostrar que /"\ = ! 1t'¡¡" . que (Sugerencia: Consi¿s¡ar 1. 1. . 1l 1. Demostrar l") . 3.(i)' una interpretación combinatoria. "dar ¿ letras en los 1.¿De cuántas maneras pueden colocarse 4 bolas idénticas en los compartimientos? (b) Resolver el problema si hay n compartimientos y r bolas. . Este üipo de problema se presenta en física en conexión eonlaestadística Bose-Einstein.155.152.' Denoüando la probabilidad deseada comopñ (a). demostrar que p"(a) = 1 fipn-o (0) y luego emplear el resultado del Problema 1. Resolver el Problema 1.1ó3.t't .50 si el juego se ümita a B lanzamientos. 1. Demostrar que la probabiüdad para que la secretaria del Problema 1. 1. ¿Cuál es la probabilidad de que obtenga el 5 suponiendo que los oüro¡ tres jugadores en conjunto tienen (a) un cinco. (d) ningfrn 5? ¿Puede resolverse el problema sin saber el número de cincos que tienen los otros jugadores? Expücar. Este tipo de problema se presenta en física en conexión con l¡a es tad ísüca Fermi-Diroc. 1.148.:). una interpretáción combinatoria.ISrí"r"ncia. (ü) tres jugadores. 4.149.)va".150. Desea descartar el 8 y remplazarla por otra carüa que espera sea un 5 (err ese caso obtendrá una "escalera"). CONJUNTOS Y PROBABILIDAD 37 (c) Un estanque contiene 6 compa.541.\¡/(. Hallar la probabilidad de que en un juego de bridge (o) dos jugadores.54 obtenga exacüamente I ¿-c / r\k sobres correctos ". Generaliza¡ el resultado del Problema 1.154._ \r/ (1 + r¡t (1 + o¡"-t y hallar el coeficiente de ¡j en el producto). 1.151. Un jugador de póker tiene las cartas 2. (b) dos cincos.

f(a) > o 2.2. f(¡) : 0. En general una variable aleatoria tiene algún signifrcado físico. etc. geométrico u otro..Capítulo 2 Voriobles qleqtorios y distribuciones de probobilidod VARIABLES ALEATORIAS un espacio muestral asignamos un número. también conocida como la distríbución probabiliM. definida por r) = l(a) si Para¡ : nr (2) se reduce a (l) en tanto que para otros valores de r.. Í! valores se asumen con probabilidades dadas por P(X=ryl=f(rx\ P(X = k=L. Con cada punüo muestral podemoe arcciar un nfrme¡o para X como se muesha en la Tabla 2-1. Así en el caso de CC'(es decir 2 carae) X :2 e¡ tanto que para SC (1 cara) X = 1. Así definimos una en el espacio muestral. Tabl¡ 2-1 Punto muestral cc E cs I sc ss 0 x I Debe ob¡ervar¡e que también podrían definirre otras muchac variables aleatorias en este espacio mueehal. Supóngase que se lanza una moned¿ dos veces de tal forma que el espacio muestral es ¡f : {Cq Cg Sq SS). Esta función se llama wriable aleatoria (o uariable estocastiea) o función más precisamente función aleatoria (función estocástica). x2. Repreoénteee por X el número de ca¡as que pueden resultar. DISTRIBUCIONES DE PROBABILIDAD DISCRETA Sea X una variable aleatoria discreta y supóngase que los valores posibles que puede tomar están ordenados en orden creciente de magnitud.. Una variable aleatoria que toma un número frnito o infinito contable de valores (véase página 4) se denomina wriable aleatoria discreta mienhas que una que toma un número infinito no contable de valores s€ llama variable aleatoria no discreta 6 continua. En general f(¡) es una función de probabilidad 1. por ejemplo el cuadredo del n(rmero de carac.. Comúnmente se denota por una leha mayúscula como X 6 Y. Supóngase que a cada punto de EJEMPLO 21. el nl¡mero de caras men(x el número de eelloa. (I) de (2) Es conveniente introduct la funcíón de probabilidad. Se concluye que X eo una variable aleatorir. Supóngase también que los dados por rr .>Í(sl = t 38 .

cAP. (o ) Suponiendo que la moneda es honrada tenemos P(CC) Luego I 4 P(CS) 1 4 P( SC) 1 4 P(SS) 1 4 P(X-0)=P(ss)=.+/(r") x.2-2 Histograma FUNCIONES DE DISTRIBUCION PARA VARIABLES ALEATORIAS DISCRETAS varidble aleatoria X se define por La función de distribución acumuhda.. Si X únicamente toma un número finito de valores lct. Recíprocamente la función de probabilidad puede obtenerse de la función de dist¡ibución.1 y construir la gráfica de probabilidad. En la FA. P(X < (8) La función de distribución puede F(rl = P(x=r) -.de la función de probabilidad notando que r es cualquier número rl = F(u) real. 2-1 la suma de las ordenadas es 1 mientras que en el histograma la suma de l¡¡ áreas rectangulares es 1.)f(u) (0 donde la suma a la derecha se toma para todos los valores de z para los cuales u = x.. (b) IÁ gráfica de probabilidad puede reprecentarse comoleindica en la Fig. o simplemente la función de dístribución. como se indica en la Fig.2l VARIABLES ALEATORIAS Y DISTRIBUCIONES DE PROBABILIDAD 39 donde la suma en 2 se toma sobre los valores posibles de probabilidad. es decir . P(X:1) = P(CSuSC) = p(cs)+ p(sc) = i*i P(X=21 = P(CC) Así. Tabla 2-2 =I r f(r) 0 I r/2 .2-f Eepectro Fíg. En el ca¡o del hislogama podemos considerar la va¡iable aleatoria X como continua. r. por ejemplo X: 1 significa que esüá enüre 0. Fig.. lxla . r/4 =I r/4 la función de probabilidad está dada en la Tabla 2-2.) +.1 x ( -.6. o por un histogromo.5 y 1. (a) Halla¡ la función de probabilidad correepondiente a La variable aleatoria X del Ejemplo 2. 2-2. Una gráfica de f(¡) se llama grdfica de (b ) EJEMPLO 2.. Íz rn entonces la función de distribución está dada por 0 f (r') f(rt\ + f(rü F(r\ = -@<fr1It rt3fr1trz rz3fi1rt : (5) /(r.2. 2-1. pata vrta donde obtenerse.

(b) Obtener (a) f'a función de distribución es lo F(r) = ll ln la ln [1 I -o(¡(0 0<r--l l<r12 2<r1de (D) Larepresentación gráfica tra en la Fig. 714 corresponden exactanrente a las ordenadas en la Fig. Debido a esto se dice que es vnafunción monotónicamente creciente. 1. 2. 3. 2 son LlA. Esto se expresa matemáticamente estableciendo que la función de distribución es continua por la derecha en 0. .@ e -. la probabilidad de que su estatura X sea precisamente 147 centímetros sería cero. 1. deben notan¡e. DISTRIBUCION DE PROBABILIDAD Si X es una variable aleatoria continu4 la probabilidad de que X tome un valor determinado generalmente es cero. 2. EJEMPLO 2. Sin embargo hay una probabilidad mayor que cero de que X esté entre 145 y 150 centímetros. Este hecho permite obtener la función de probabilidad a paftir de la función de distribución. tomando valores desde 0 hasta 1. f(r\ > 2. la función de distribución para la va¡iable aleatoria X del Ejemplo 2.40 EJEMPLO VARIABLES ALEATORIAS Y DISTRIBUCIONES DE PROBABILIDAD lcAP. 2-3 frecuentemente se le llama función escalera o función paso. Entonces definimos la probabilidad de que X se encuentre entre ¿ y b como P(a<X<b) : Í"' f (n) d. que son verdaderos en general. Debido a la apariencia de la gráfica de la Fig. Las magnitudes de los saltos en 0" 1. Por tanto no podemos definir una función de probabilidad en la misma forma que para una va¡iable aleatoria discreta (págrna 38). pagjna 38. nos conducen f(r) tal que o a poshrlar la existencia de una función 1. El valor de la función én un entero se obtiene del paso superior. A medida que procedemos de izquieida a derecha (es decir subiendo la escalera) la función de distribución permanece igual o aumenta.2 su 2.3. Estas ideas y la analogía de las Propiedades 1 y 2. Para llegar a una distribución de probabilidad para una variable aleatoria continua notamos que la probabilidad de que X se encuentre entre dos ualores diferentes tiene significado.2. Si se selecciona aleatoriamente un individuo de un grupo numeroso de hornbres adultos. 2-1.n (6) . por ejemplo.)I__ f(r\dx=r donde la segunda es una proposición matemática del hecho que una variable aleatoria de valor real debe ciertamente encontra¡se entre . así el valor en 1 es 314 y no Ll4. (o) Halar representación gráfica. 712. 2-3.4. F(r) se mues- Los aspectos siguientes acerca de la función de distribución anterior.

la probabilidad de que X sea igual a cualquier valor determinado es cero.5. (b) Emplear P(l < r = 2\. V) En los puntos de continuidad de EJEMPLO 2.CAP.?1. . Cualquier función que satisface las propiedades t y 2 antnriores automáticamente es una función de densidad y las probabilidades pedidas pueden obtenerse a partir de (6'). También debe observarse que F(r) en este caso es continua. en el Ejemplo 2. (a) Ya que f(r) satisface la propiedad 1 si c ? 0. = Í. = *-h=:h 7 En el caso de que f(r) sea continua.'" de otra forma " función de densidad y (b) calcular P(l < X < 2).-g ec y puesto que esto debe ser igual a 1 tenemos c: tl9. ou + f"'f@)au = fo'!u.1é/27 0<'<3 fr Obsérvese que s>s F(r) aumenta monotónicamente desde 0 hasta 1 como lo requiere una función dedistribución..5. Entonces de . : P(. definimos la función de distribución F(x\ para una uariable leatoria continua por F(. #f. debe satisfacer la propiedad 2 para ser una función densidad.au f""oou = 1 Por tanto la función de distribución pedida es r(o [o F(r) . X<2) = P(l<X<2) = P(\<X=Z) = P(l1X<2) = fr a- FUNCIONES DE DISTRIBUCION PARA VARIABLES ALEATORIAS CONTINUAS Por analogía con (4).l-*Ít'lol' = )ow2dr . Si 0 f: x 13 entonces F(rl Si¡>Sentonces = ou fo' . 2] VARIABLES ALEATORIAS Y DISTRIBUCIONES DE PROBABILIDAD 4L Podemos demostrar que esta definición satisface los axiomas de probabilidad dados en la página 6.r) = P(X=r) f(r).6.a1X<r) s = J_-" ¡p¡au f' ( si se desea.n* =.f. n. pero con mayor frecuencia se denomina función de densidad de probabilidad o simplementn función de densídad.ru. lo que supondremos al menos se establezca otfa cosa.t) = 0.5. (b) P(1< p(r<x<z) -. = 13 t'n ¡3 .tu.'!. En tal caso podemos remplazar cualquiera o ambos de los signos ( en (6) por Así. página 39. (a) Hallar resultado de (o) para hallar el signo en (7\ puede remplazarse por la función de distribución para la variable aleatoria del Ejemplo 2.UU ¡( 0 entonces F(. EJEMPLO 2. el (o) Tenemos F(r) = Si P(X = r\ = o" Í__. (o) HaIIar la constante c para que Ia función f(r¡ = {"^* L0 sea una o. = # + F(r) = fo" . Una función f(r) que satisface los requisitos anteriores se llama función de probabilidad o distribución de probabilidad para una variable aleatoria continua.'U".

(10) es la /(¡) es continu4 es decir la derivada de función de distribución REGLA DE LEIBNIZ Pa¡a obtener (101hemos empleado el hecho familiar del cálculo de que $ !"' tlu) ou = Este es un caso especial de f (s) (11) h regla de Leibniz para diferencbción de una integral: *Í"".a# ..'. El área total limitada por la cuwa y el eje ¡ debe ser 1 debido a la propiedad 2 en la págna 40.ü# (121 at.rr ¡g¡au f'** : f(n\tn A* es pequeño tenemos aproximadamente P(r<X<a*tr) (e) También observamos de (7) que al diferenciar ambos lados ry=r@) para todos los puntos donde función de densidad.x)itu donde = f""jl. 2s137 n La probabilidad de que X se encuentr€ entre r yxt Ax está dada por (8) p(r= xtn+ta) así que si = . la cunra no puede caer por debajo del eje r. se representa por el área sombreada de laFig.'. Geométricamente la probabilidad de que X esté enhe a y b.6. INTERPRETACIONES GRAFICAS es la función de densidad para una variable aleatoria X entonces podemos reptesentar y gráficamente por una curva como en la Fig.r. es deci¡ P(a 1 X < b).F@t(n).42 VARIABLES ALEATORIAS Y DISTRIBUCIONES DE PROBABTLIDAD [cAP.2-4. 2-4. 2-l . : f(x) Si f(r) Fig. Puesto que f(r) Z 0.2 (ó) Tenemoa P(r<x<2) P(X=21 - P(X=1) f(2) - F(1) n-n como en el Ejemplo 2. az y F se suponen derivables con respecto a.'r(u.i.' T*0" + F(az(a).

También pueden hacerse generalizaciones a más de dos va¡iables.'. y es uno. Si X.. y f puede toma¡ cualquiera de los n valores !t. Análogamente la probabilidad de que f = y¡ obtiene sumando todas las entradas en la columna correspondiente a !r ! está dada por P(Y-ar): Para h : Tabla 2-3. f f (rr u. !n. f(r. se obtiene sumando todas las enhadas en la fila conespondiente a x¡ I está dada por P(X = r¡) = f'(n¡) = k=l f(a¡. En los casos donde una variable es discreta y la otra conünua. !2.mestasseindicanporlaenhadadetotalesenlacolumnaomargendel se extremo <ierecho como se indica en la Tabla 2-3..Ím f (r-.t\ Totole¡ ü f f f (rrai (rz. 1..2l VARIABLES ALEATORIAS Y DISTRIBUCIONES DE PROBABILIDAD 43 aumenta desde 0 hasta 1 y se representa por una culva como en la Fig.U*\ (141 Una función de probabitidad conjunta para X.o 2.cAP.l t@) Í2 a) (rz.. a ul ft(s^l 1 Totales - zfu) f zfuz) iz@") e Gran Total . se hacen fácilmente modifrcaciones apropiadas. fz(g¡l = t=r 2f@t. La función de distribución F(*) = P(X s ¡) es una función monotónicamente creciente que DISTRIBUCIONES CONJUNTAS Las ideas anteriores se generalizan fácilmente a dos o más variables aleatorias. tz x^.. l(xr.Y=E) = f(x..A*) ) n {15) Parai:l.. n estas seindican porlaentradade totalesenlafilao margeninferiordela Tabla 2-B "'. Supóngase que X pucde tomar cualquiera de los m valoreg Ít. Consideramos el caso típico de dos variables aleatorias que son ambas discretas o ambas continuas. es decir la suma sobre todos los valores de x.a) -.a*\ m (161 L.... 2-5. La probabilidad de que X : *. yz) f (t*. f (rz. y son dos variables aleatorias discretas definimos lafunción de probabilidad conjunta por P(X=r.2. Y : Ar) = f(r¡... f ai f (r^. f X\ ü1 Ut u" U¡ 'Yr¡ y.2. Caso discreto.. Y puede representarse por una tabla de probabilidad coniunta como en la Tabla 2-3. Entonces la probabilidad del suceso X': qiY : /p está dada por P(X = rj. an) it@zl .a) donde (18) 1.

lafunción de densidadconiunta de X.y\itrd.¡ = mn i:r 1 k=l 2 f.f.esté entre c y d es. 2. si . Y) se define por 1.f":" f (r. como más comúnmente se llama.2 Debido a que las probabilidades (/5) v (16) se obtienen de los márgenes de la tabla frecuentemente nos referimos a fr(x¡) y fr9e) (o simplementn ft@l yfr(y))como las funciones de probabilidad marginal de X. J_* J_f" f" se f@. como indica en la Fig. 1.@r) : t (17) que puede escribirse como (r8) k=1 Esto es sencillamente la proposición de que la probabilidad total de todas las entradas es gran total de 1 se indica en la esquina inferior a la derecha de la tabla. La probabilidad de que X esté entre o y b en tanto que Y .e<Y<d) : .44 VARIABLES ALEATORIAS Y DISTRIBUCIONES DE PROBABILIDAD [cAP. 2-6. y) representa una superficie. Caso continuo.. 2-6 y matemáticamente por P(a<X<b. llamada lasuperfieie de probabíIidad. Y (o. F(x. 2-6 A representa cualquier suceso existirá una región (. El volumen total limitado por esta superficie y el plano ry es igual a 1 de acuerdo con la propiedad 2 anterior. f(r. El Lafunción de dístribución conjunta de X.u) > o z.y) dr dy (20) Fig. Y respectivamente.tá dada gráficamente por el volumen sombfeado de la Fig. El caso donde ambas variables son conünuas se obtiene fácilmente por analogía con el caso discreto al remplazar las sumas por integrales. También debe notarse que m i-. Y se define por (1e) En la Tabla %3.o del plano ry que corresponde a é1. Así la función de probabilidad coniunta patalas variables aleatoriasX.o.'=. es decir Generalizando.y) es la suma de todas las entradas para las eue r.| ) /'(c. a r y An 5 A. En tal caso podemos hallar la probabilidad de A efectuando la integración sobre fi.y = 1 Gráficamente z : f(x.

de X y Y.o\itnt. y. o simplemente las funciones de distribución. Y = a) = P(X < r\ P(Y =g) F(r. P(X < De (221obtenemos r) = Ft(r) : Í""= -. Y : y son sucesos para todo *.a)d.a) a."= _-f(n. independientes En ese caso Supóngase que P(X = o lo que es igual f. Si para todo r.a) itu d.f(u.V) Se deduce en analogía : P(X<r. Y son variables aleatorias independientes si para todo r. Si los sucesos X : JC.= __f (u.uila Llamamos a (24\ y (25) las funciones de distribución marginal. y son variables aleatorias continuas decimos que son uaríables aleatorins independientes si los sucesos X S x.'=_.Y<U) = f' a2F -t f" - f@. Y : a) : : f P(X = r) P(Y = a) (27) (28) f(n.Á X. Y son variables aleatorias discretas. F.a\ .(r)f"@) Inversamente./t F(r.a\irrd. y su función de distribución .cAP. (x) y Fz@) son las funciones de probabilidad (marginal) de X y Y respectivamente. InversaX.itn -o (22\ con (10). Y ¡ion uariables aleatorios independientes.(u) (s0) donde mente. En tal caso podemos escribir P(X < o lo que es igual r. !. o simplemente las funciones de densidad. Si X. Y en este caso se define por t)¡= . y se llaman las funciones de densidad nwrgirwl.a (21) fi.u) = (2e) F'(r)F..2l VARIABLES ALEATORIAS Y DISTRIBUCIONES DE PROBABILIDAD 4ó p(A) La función de distribución conjunta de = Íl .'=__Í.@) = ). ituu (26) VARIABLES ALEATORIAS INDEPENDÍENTES X.f.que a* üa : I\x'a) (23) es decir. X y Y son indep-endientes. y) no puede expres¿use así entonces X y Y son dependientes.r. y.la función de densidad se obtiene deúvando la función de distribución con respecto a X. y) puede expresarse como el producto de una función de r y una función de y (que sbn entonces las funciones de probabilidad marginal de X. entonces decimos que X. página 42. Las derivadas de (24) y (25) con respecto a r. Y I y son sucesos independientes para todo r. Si f(x.Í"-= _f (u. y la función de probabilidad conjunta f(x. respectivamente.(x) = . Y). de X y Y y están dadas por f .o\da f .u (24) (25) P(Y='y¡ = Fr(ú = Í.

a). (83) (34) 2-4: está dada por g(u.l't(u. así que X : ú (U). o sencilla¡r¡ente el Jacobiano. Supóngase que se define una variable aleatoria discreta U en términos de X por U : ó (X). Definamos U = ó (X) donde X : ú ([.a). Si F(r.t@)] (s1) 2-2: Sean X. Variables continuas.V:0"(X. fz(y).Supóngase que se definen dos variables aleatorias discretas U y V en términos de X. y estas son las funciones de densidad (marginal) de X. por una función de y. Y').a)llJ (35) (36) s(u.(u. Variables discretas. Y variables aleatorias discretas que tienen una función de probabilidad conjunta f(x. está dado por . y). y) es el producto de una función de x. V e inversamente. V). Y) donde X: út(U.a)ldudal o = f(r.Y).rl s@) = r@\l#l= rw@)rv'@)l g(u)ldul Teo¡ema . Teorema 2-3: Sea probabilidad de Uestá dada por g(u) donde X una variable aleatoria continua con densidad de probabiüdad f(r).(xl.a\lda dy fl+. Y respectivamente. Entonces la función de probabilidad conjunta de Uy Vestá dada por g(u.Y: úz(U V). e.úl#31 = En (Sd) el determinante Jacobiano. y) puede expresarse como el producto de una función de r y una función de y (las cuales son las distribuciones marginales de X.2 conjunta F(x. Entonces la función de densidad conjunta de U y V g(u.V: Qr(X. entonces X y Y son dependientes. y) no puede expresañ¡e así.u) = f l. I0.f . Teorema 2-1: X una variable aleatoria discreta cuya función de probabilidad es f(r). así que X = út(U. Entonces la densidad de = f(r)ld. f por U:0r(X.(u. 1. gr(u. n como en el Teorema 2-2. u) donde $ean X. y\. GAMBIO DE VARIABLES Dadas las distribuciones de probabilidad de una o más variables aleatorias con frecuencia estamos interesados en hallar las distribuciones de otras variables aleatorias que depende de ellas en alguna manera determinada Los procedimientos para obtener estas distribuciones se presentan en los tcoremas siguientcs para el caso de las variables discretas y continuas. n. Y variables aleatorias continuas que tienen una función de densidad conjunta f(x.I) como en el Teorema 2-1. Y: úz (U. Entonces la función de probabilidad paru U está dada por Sea s(u) Teorema = f[.a) = f(r. Y cortesponde una y solamente una pareja de valores U. donde a cada valor de X corresponde uno y solamente un valor de U e inversamente. dondeacadaparejadevalores de X. I|). Pa¡a va¡iables aleatorias independientes continuas también es cierto que la función de densidad conjunta f(x. Definamos f/: ór(X.46 VARIABLES ALEATORIAS Y DISTRIBUCIONES DE PROBABILIDAI) lcAP. a\) (e2) 2.

&u 0a DISTRIBUCIONES DE PROBABILIDAD DE FI. Entonces la función de densidad pan U es la densidad marginal obtenida de la densidad conjunta de U y V tal como se halló en el Teorema 2-4.iw . fz = fz+ ft 2.IBUCIONES DE PROBABILIDAD 47 Aú Ar (871 J= E(a. obedecen las leyes conmutatiuq reociatiua del álgebra con respecto a la operación de la convolución. y distribr''.@) y (39) se reduce a (t o¡ s@) = f' . En la práctica con frecuencia se necesita hallar la distribución de probabüdad de alguna o va¡ias va¡iables aleatorias determinadas. Teorema2-5: Sean X. = ClDNVOLUCIONES 2. y) la función de densidad conjunta de X. y) está dada por Como consecuencia particular de los teoremas anteriores podemos demostra¡ (véase Problema es decir de U : X * n..* fz . Un resultado análogo es váüdo para las funciones de probabiüdad de las variables discretas. Las siguientes son algunas propiedades importantes de la convolución: 1.ylitrdy R (es) donde Q es la región para la cual 4r(o. Cualquiera de los teoremas siguientes es frecuentemente útil para este propósito. -6 fr(*)fr(u-r)iln que se conoce como la conuolución de f t y f z. Y) se encuenha derivando con respecto a ¿ la función de distribución dada por G(u) = pÍó.23\ que la suma de dos va¡iables aleatorias continuas X. ft. que tengan s(u) = r) itn Í__ .rr.u - (8el En el caso especial donde X. f .2l VARIABLES ALEATORIAS Y DISIR. Y variables aleatorias continuas y sea U = ót(X.. A) u. Y. como función de densidad conjunta a f(x.y)<u) = fl . V:X (lasegunda selección es arbitraria). abreviado f . Entonces la función de densidad g(u) de la variable aleatoria U : Qr(X.o) A1r A.ul 6(u. fr.]NCIONES DE VARIABLES ALEATORIAS aa aa Los Teoremas %2 y 24 específicamente incluyen funciones de probabilidad conjunta de dos variables aleatorias. l(u. Il. Ír* (fr'f fi = ft* fz * ft+ fs s Estos resultados demuestran gue fr .. n.U) = f . Teorema 2-6: Sea f(r.r.(X. f t* (f z* f t¡ = gt* fz)'f 3. Y son independientns.cAP.(r) f .

AP. Análogamente la función de r(rlut = Algunasvecesdenota¡emosa @+¡ Estas ideas se amplían ejemplo. Por fe1ü = dadoquerlX(r*dres Ll++ r(r¡ I &s¡ donde f(x.Definimos '(r) y fr(r) es la función de f@tr) = y la llamamc y8 ## es ('t g) función de probabilidad condícional de Y dada probabilidad condicional de X dada Y es X. (B: Y: J). Por tanto definimos P(pegar en la región de área K1 ) Kr K Qr¡ donde se supone que la probabilidad de pegar al objetivo es 1. es pre porcional a K¡. etc. APLICACIONES A LA PROBABILIDAD GEOMETRICA Varios problemas en probabilidad surgen de las consideraciones geométricas o tienen interpretaciones geométricas. El tipo de suposición empleado define la función de dishibución de probabilidad. y) es la función de densidad conjunta de X. puede ser menos probable pegar a áreas externas. /.2 DISTRIBUCIONES CONDICIONALES Con anterioridad sabemos que si P(A) > 0 P(BIA\ = (4t¡ Si & y son variables aleatorias discretas y tenemos los sucesos (A: X (41) se convierte en = r). Lógicamente pueden plantearse ohas suposiciones.48 VARIABLES ALEATORIAS Y DISTRIBUCIONES DE PROBABILIDAD IC. Fis. yl = P(X : Í. Entonces es razonable suponer que la probabilidad de pegar a la región de área K. Y : y) es la fi:nción de probabilidad conjunta probabilidad discreta para X. supóngase que tenemos un objetivo en la forma de una región plana de área K y una porción de ella con á¡ea K1 .2-7 . Y. la función de densidad condicional de Y dada X ¡1xlu) y f(alr)porfr(rla) I fr@lr)respectiva¡rente. Utilizando (45) podemos por ejemplo hallar que la probabilidad de que Y esté entre c y d p(c<y <iI | *<X< x *dr) : f"'" f{rlr)da (40¡ También se dispone de la generalización de estos resultados. fácilmente al caso en que X. (r) es la función de densidad marginal de X. entonces (42) P(Y=ulX=r) : f\*'') f donde f(x. Por ejemplo. Por ejemplo. Y son variables aleatorias continuas.

Tabla 2-4 'x 1'17'página18.2) tenemos X : 5.1) así que la probabilidad asociada es 4/36. (c) LospuntosmuestralesparaloslianzamientosdeunpardedadosestándadosenlaFig. (b) Consbuir una gráfica para esta distribución de probabilidad.La 2 3 4 5 6 7 8 q l0 3i 36 11 t2 1/36 /(r) 1/36 2t36 3/36 4/36 5/36 6/36 o/. garaX:5 corresponden los cuaho puntos muestrales (1. (4. 2-9 la suma de todas las óreos rectangulares es 1. (2. . de acuerdo con si deseamos considerar a X como va¡iable discreta o continua.4).cAP. variable aleatoria X es la suma de las coordenadas para cada punto. 2'9. 2-8 o en la Fig.1.3). Así para (3.Jo 4/36 2/36 (ó) Podemos emplear un espectro o un histograma como los dados en la Fig. Supóngase que se lanza un par de dados honrados y que la variable aleatoria X denote la suma de-los puntós. así que cada punto muestral tiene probabilidad 1/36. Utilizando el hecho de que los 36 puntos muestrales son igualmente probables.2).2l VARIABLES ALEATORIAS Y DISTRIBUCIONES DE PROBABILIDAD 49 Problerna.Po¡ ejemplo. Nótese que en la Fig.s restreltos VARIABLES ALEATORIAS Y DISTRIBUCIONES DE PROBABILIDAD DISCRETAS 2. obtenemos la Tabla 2-4. (a) Obtener la distribución de probabilidad paraX. (3. 2-8 la suma de las ordenodas es 1 en tanto que en la Fig.

L y (b\ repr€sentar gráficamente esta función de distribución. La función de probabilidad para X. tenemos P(eractamente r niños) = P(X = r) = .)"(t'-' = .¿6 2r/36 18/3rt 15/36 12/36 9i 36 6/36 3136 . 2-11.c. Este re¡ultado se aplica a este problema bajo la suposición de que los nacimientos eucecivos (loe "intentoe") eon independientes en cuanto se refiere al sexo del hijo.2 2. donde cada intento tenfa dos resultados posibles.. (a ) EI Problema 1. suponiendo iguales probabilidades para niños y niñas. dependiendo sobre si deseamos considerar a puede representarse como en la Fig.on probabilidadesp y g: 1-prespectivamente. D:3.2. (b) Représentar gráficamente la distriUución en (o).(. (a) Hallar la función de distribución F(r) para la variable aleatoria X del Problema 2..JNCIONES DE DISTRIBUCION DISCRETA r/t 2.".)' Tabla 2-6 fr 0 donde la variable ale¿toria X representa el número de niños en la familia. A y A'.1 hallamos F(rl = 0 -e 1r<. ip=q:L12.t-. 2-ll (b) Véase Fig.) 3 se indica en la Tabla 2-5.46 trató el caeo de n intentos mutua¡t¡ente independientes. (c) Hallar la disgibución de probabilidad de niños y niñas en familias con 3 hijos. Se encontró quelrr probabilidad de obtener eractamente r veoea A en los n intentos es icrp'q. siA e¡eleuceeo"niñott. (Obeérvese que X se define sobre el eepacio muestral de tres inüentos).50 VARIABLES ALEATORIAS Y DISTRIBUCIONES DE PROBABILIDAD [cAP. Por tanto.2 1/36 2fr13 3/36 3fr<4 6/36 4f s<5 sslso rr<"<rz I 12 0123 Número de ¡lños X = ¡ lrlq Fig. I 3/8 .2-L2.". Obsérvese que el cero del eje r se ha desplazado. 0123 Número de ¡¡iñoc X = ¡ Fis. 2-10 o en la la FI.(.(i) \-'l /r \3 f(r) r/8 3/8 L/8 (b) La Eráfrca va¡iable X como discreta o continua. c.3. 2-10 (o) Tenemos que F'(r) = P(X = tl u=x 2 Ífu¡. Fig. Enüonces de los resultados del Problema 2. f(r) = . F(r) 1 33/36 30/36 27 i36 I 24/'.

2-13 VARIABLES ALEATORIAS Y DISTRIBUCIONES DE PROBABILIDAD CONTINUAS 2.r12*L =zC' oJ6.t¿n-r (+)] I = z(z-z\ = 6 6/ "\4 2. z2 = 1 (ü) si* = x2 =t. 1 C" F(r) = )_-t{")a" = i)__ n du _ = !l-t./J f = " =. F(¡) I 7t8 6/r 6tE 4/E 3/8 2t8 I UE t Fig. I -u.4. acf que c=Ur.<6. )? estÉ entre 1/3 y 1. 2-13.entonces ó -l < x = -f..2 obtenemo¡ F(rl (ó) L8 gráfica = de la función de distribución de (o) se muestra en la Fig.6. (c) Hallar la función de distribución F(*) para la va¡iable aleatoria representar gráfrcamente esta función de dishibución. Hallar la función de distribución conespondient¿ a la función de densidad del Problema 2.cAP. X del Problema 2.rr_rrl. (b) Hallar la probabilidad de que f(r)=c/(n2+l). _.12 + | = "t"r-rrl r-o = "L..'= J-.\r-. rL t__J = 11h. Un (¿) (a) Debemostener aXtienelafuncióndedensidad o".(-." r¿*l = ?['*-'(1) . t:_flu)ttr = 1.2l VARIABLES ALEATORIAS Y DISIBIBUCIONES DE PROBABILIDAD 51 2. f .e¡décir t-. t*tantolaprobabilidadpedidaes t(-'lstt oJ-t dn *lft dr IL'rJ¡5. donde -o(ú.-.itan-rc ..r ..6.6.ran-l(--)J = l[r*-' " "if = i.2V @) (o) Uüilizando la Tabla 2-5 del Problema 2./ -\-'l (* :u. la constante c.

Y estÁ dada por f(r. las probabilidades asociadas con esos puntog dadas por c(2x * y).62 VARIABLES ALEATORIAS Y DISTRIBUCIONES DE PROBABILIDAD [cAP. (a) tos puntos muestrales (r. P(-3<X<4) = P(X=4) -P(X<-3) = r'(4) .. Puesto que el gran total. (b) Hallar P(X =2. Por defrnición P(X =-21 = )" ze-z"du = -u-r"1.8. se indican en la Tabla 2-6. tenemos que c : L142. La función de distribución para una variable aleatoria X es (L-e-2" o>0 F(r\ : J^ x1O [u Halla¡ (c) la tunción de densidad. y) para los cuales las probabilidades son diferentes a crero se indican en la Fig. )-11. fir-\ = dt l-F1. (b) la probabilidad de que X > 2. y pueden tomar todos los valores enteros tales que 0 < n 3 2. (c) Hallar P(X>l.42c. donde r.A) = c(2r *y). y (c) la probabilidad de que-3<X<4.¡l = f2"-u l0 r)0 r10 le-1 (ó) P(X>z) Otro método. = = F(2) = | . Y = l).y f(r. (o) . 0 = U < 3.U\ : 0 de otra forma.Y s2\.7.) 2c 4c 6c 3c DC l4c 22c 42c 7c L5c Tota les+ 9c l2c . La función de probabilidad conjunta de dos variables aleatorias discretas X.F(-g) = (1 -e-e)-(0) = l-e-B DISTRIBUCIONES CONJUNTAS Y VARIABLES INDEPENDIENTES 2.du = -e-2"1 = L-e-8 lo l{ Otro método. P(X>z) = f -(1 -e-r) = (c) e-4 p(-B<x<4) = ln¡rulou = f_roa"+ ton2r-r. debe ser igual a 1.e-4. Por tanto.2 2. (o) Hallar el valor de la constante c. Tabla 2-6 Y X 0 0 0 I c 2 3 Totales ü I 2c 4c 6c 3c 5c 6c I .

Si las variables aleatorias. Demostrar que las variables aleatorias X. (b) Hallar P(1< X <2. P(X=2.2l VARIABLES ALEATORIAS Y DISTRIBUCIONES DE PROBABILIDAD De la Tabla 2-6 determinamos que 53 (b) P(X=2. (o) Debemos tener la probabilidad total igual a 1.r du = I .u) = lcnU 0(r<4. y. 1<g<5 de otra forma 1o (c) Hallar P(X>3.Y=L) + P(X=21 P(Y=L) E resultado también se deduce del hecho de que la función de probabilidad conjunüa. Y es f (n. Y del Problema 2.11. (o) Hallar el valor de la constante c. l22c=17/2r n=2 fz(u) y puede obtenerse de los de probabilidad marginal pata Y está dada por P(Y = a) = totales del margen en la última fila de la Tabla 2-6.cAP.Y=l)=5"=a 42 (c) De la Tabla 2-6 determinamos que P(X>t. Y son independientes debemos tener. no P(X--2. 2. P(X = t. (o) La función de probabilidad marginal para X está dada por P(X = r) = ft@) y puede obtener¡e de los totales del margen en la columna derecha de la Tabla 2-6.Y<2\ = t2l (2c g32 * Bc 1'4c) -f (4c*5c!-6c) :-: 'L 42 4 n otcomo se indica por las entradas sombreadas en la tabla. 2<Y <3). como se determina de los Problemas 2. La función de densidad conjunta de dos variables aleatorias continuas X.Y=\ = asr que h P(x=4 = # P(Y=l) = I (2x rr y)142. Hallar las funciones de probabilidad marginal (c) de XV (b)de Yparalasvariablesaleatorias del Problema 2.{. 2. Y <2). puede expresarse como una fi¡nción de ¡ veces una función de y. es decir | | f@.9. para todo r.u) d. De estos vemos que 6c=L/7 | P(X=r) = ft@) = jUc=1/3 verificación:l+1*11 '7 3'21 (b) La función =r r=0 u=t.10..9.8 son dependientes.Y : A) = P(X = r\ P(Y = Y¡ Pero.8. De estos vemos que P(Y=Y¡ = verificación:1*3 +!+1 ''7 74'7 t4 fz( =t 2.8 (b) y 2.

no ao)au =# [o ¡(o n>-4 12/16 O=r14 [t (ó) La función de disüribución marginal para y ai 1 PueetoqueF¡(r)escontinuaenr=Oy¡:4.r.1Í":=.F . (o) L¿ función de di¡t¡ibución marginal para X ¡i 0 < ¡ ( 4 ec Ft@) = p(X=r) = f' ¿u=-4 ¿O=-@ f" fet.* s /rz11z . =y( 5 ec Fzful = P(Y <-vl = Í¿t=_@ f1 ¿ú=l f" f@.2<Y ' (c) <3) = Í.(a) = 0.54 vARIABLEs ALEAToRIAs y DrsrRIBUcIoNEs DErRoBABTLTDAD -l IcAp.- ñ E P(x>s.Yl'"=. = = 1 C' 5r. y). Oo = #Í:=. = e6c Entonces 96c = 1 y c : 1/96.:o J"=rcnvilxils ft rrs = " J. [ Í=.olduclo dudo = P¡re o > ft (s J. 7 ñ J"="To' = ln 2. 4. fi uo = # 1.2 Empleando la defrnición de /(.Tn' = idt\t/|.Y=z) = í:="í"'=.r"=. xaau )clx = "!.=o J"=. (ó) Utiliz¿ndo el valor de c hdl¡do en (a) tenemoe P(l <x <2.11.'=r$l'"-.podrfamocremplazarenlaerpreaiónanüerior(por<.=oL.12. Hallar las funciones de distribución marginal (c) de X V(bl de I' del Problema 2.'uau)a' = *f.r=o(ry-. para 5 < 0. fv J-"=oJ"'='ffiauao = + .frarau = * Í'^='lÍ"'="u aafa' = + f"="#l'"='* L f4 Br.=. la integral tiene el valor f4 ¡5 J. Ft(¡) = 1. ."=. 1""=140.)* = "Í:=rr2adr = "tu*)l'_. Por t¡nto Fr(rl = 1.'=.'=.¡¡'J.o)ctud.o' = "Í.

o 0 ( ¡<4 f de otra forma . t = 1.¡ ryl96 sobre fi. región sombreada en la Fig. En efecto. esta probabilidad está dada por 'í Í"'=.t : 5. Y son independientes.L2.F(r.n ffia. F{A) = 0. J ( por < . Y puede escúbirse como el producto de una función en r veces una función en y.| l rr. Y del Problema 2.l\ (r6)(24) Fig. donde J tt. y) : Fr G\ Fz@). ! c(t = c : F(r.' *u au)a* Fig. 2-15 muesha la definición por trazos de . Halla¡ la función de distribución conjunta para las variables aleatorias X. av = ut-[:. l\¡.cAP. Fz@) = 1. 3. Las distribuciones marginales .2l Para y VARIABLES ALEATORIAS Y DISTRIBUCIONES DE PROBABILIDAD OD = 5. !""=.11. 2-15 2. la Fig. 2-I6 .Yl = rz(az .Y es diferente de cero.LL se observa que la función de densidád conjunta para X..14.ul = fr(r) f2(y).(ul = { (. 2. En el Problema 2. La probabilidad rc. podríamos remplazar en la expresión anterior [o u<r : 1.13.¿v I < Y < 5 [ 0 de otra forma L/96. Para U < l. 1 < y ( 5 dentro de la cual la función de densidad X. Del Problema 2. de tal manera que su función de distribución conjunta eetá dada por F(r. Se deduce que X. y) resultante. Puesto que f(x. 2-16 hemos indicado la región cuadrada 0 ( ¡ ( 4.11 hallar P(X+ y < conjunta de 3). [f=. En la Fig. 2-16.y)dxdy pedida está dada por p(x+y<s) = ff r*a-B donde ft es la parte del cuadrado sobre el cual r * y ( 3. Por tanto Fzfu) Puesto que F2 (y) es continua en y = 4@r-t)tz+ tfy<b a=6 l.F ¡ (r) V Fzp) se determina¡on en el Problema 2.

2-1'7). podemos demostrar que u y u también crecen. .y) fe2 dr dy Remplazando avanzado que r : Út@. u) ellacobiano. Véase Problema 2. para el caso donde J 0..16 ó P(ut<Uiu. 92fu. página 46.u. Dr P(r1<X1rz. como puede deducirse de la figura. ' olü au = ¡'tl f ¡¡gqullv'tu:du Esto es válido pr.' ut 12 : ¿ ttt V@) en la integral al lado derecho.a) a@'a) donde es d\u.¡.At<Y<Az) = | fre | l(r. esto es. | trrr J| s(u..66.1)llJ duda ("' ("'n.(' 'u2 l3-' '.v)dud._-. 2-17 f . La función de probabilidad para U está dada por s(u) = P(Lt ") = Plo(x) . Igual que en el Problema 2.t'@) Este es un caso especial de (34). 2 lu=rd' CAMBIO DE VARIABLES [r(3-r)z r 'rldr 48 2.\: ?u.=o g6.f . Entonces. Ju. (2) puede Fig. Demostxar el Teorema 2-4. págir.z 46. Primero considere el caso donde u : ó@) 6 x : tenemos función creciente. "rl "" /{.= fu ). = 2..67).16.17.a todo u1 y u2 solamente si los integ'andos son idénticos. Demostrar el Teorema 2-3.u). 2. pá$na 46. El teorema también se puede demostrar si rl'(u) 0 ó r/'(u) ( 0. u aumenta a medida que r aumenta (Fig.rl duda = f"' (''' Ju.56 VARIABLES ALEATORIAS Y DISTRIBUCIONES DE PROBABILIDAD [cAP.Ll Plx = gfu)) = f lv@)l En una manera análoga puede demostrarse el Teorema 2-2.fl. Primero suponemos que a medida que r.2 1 L (" = J.2fu.a). L es una función decreciente de ¡. Demostrar el Teorema 2-t. Por tanto = fI¡rfu. Úz(u. Análogamente podemos demostrar ('36) para el caso donde . donde ry''(u¡ ) 0 (es decir la penCiente es positiva).. ) O. Jtl r s(u. u). y : Ju.u . pá4ina 46.4v. (r) (t tlt(u) es una P(ut LI 1tt"): P(rtlX1rr\ f¡7 (2) Remplazando x escribirse como /'ü: | t\u) titr 'ul |...u11V1o.o'tlJ J< que es (3ti). es decir g(u) _. y crecen. Para el caso donde rlr'(u) -< 0.páqina 46.15..1 . esto es. u) en la integral de la derecha tenemos por un teorema de cálculo flrrtu. pá$na 46.r\uti. también podemos demostrar que (31) se cumple (véase Problema 2.

2O.2l VARIABLES ALEATORIAS Y DISTRIBUCIONES DE PROBABILIDAD es 67 2. de otra forma . La función de es disüribución para U G(ul = P('tlu') Entonces si 0 Fis. La función de probabilidad de una variable aleatoriaX está dada por f(a) = iL0 (12/81 -3<c<6 de otra forma Halla¡ la densidad de probabilidad pllra la va¡iable aleatoria U : t$2- X). Puesto que ú'(u) : dx/du : .3 ¡e deduc. La función de ptobabiüdad de una variable aleatoria X (2-' ü=1..2 = _.16 que la Tbnemosu:tl3(L2-f. U: * .2-lt 5 r¿ = 9 tenemos G(u) = P(Il =ul = P(Xz=u) = Pl'-\n=X=rF'l nñ = J| -V-¡ Í@rar Perosi9(u(36tenemos G(u) rfr.Loe valore¡ de u que correrponden a¡= . | . 2. f(r) = to de otra forma Halla¡ la probabilidad para la va¡iable aleatoria a = X4 + Puesto que l. Así para cada valor de ¡ conesponde uno y colamente un valor ds u pero para cada valor de u # 0 corresponden do¡ r( u( valores de ¡.17. o por el Probler¡¿ 2.3. En este caso no podemos emplear el Teorema 2-4 directamente ¡rero podemor proceder de la manera eiguienüe. Tenemos tL = tr2 ó r = *\ñ. recfprocamentg.18. HaJlar la densidad de probabüdad de la variable aleatoria U = )? donde X es l¡ va¡iable aleatoria del Problema2.)óx:L2-3u...."1:-. u= r+11 6 r =n/F1. Como se obeerva en esta ffuura el intervalo .'ll = 1 2.+ l larelación entre loe valoreedeuyrdela¡variablesale¿torias donde u:2. UyXqtídadapor y8€hatomadol¡raízrealpositiva.A¡íparacadavalorderhayunoydamenteu¡valordeuy función de densidad para U ee s(ut Verificación: = ilt'.sutz¡21 ].19.I9.cAP. página 46.e por el Teorema 2-3.16..2. de probabilidad pedida para U ea ( z-ni i s("! = 1o utilizando el Teorema 2-1. Los valores de r para los cuales.E2.!7.¡función u = 2... .3 ( 6 corresponden a los valores para los cualeo 0 S 36 como se muestra en la Fig. = P(.3 ( ¡ < 3 corresponde a 0 s z s 9 er tanto que 3 (¡( 6 corresponde a 9 ( u ( 36..3 y* = 6 rcn u = 6 y u -2re¡I¡ectivamente.82..Enüonce¡1. o el hoblema 2.U<u) = P(-B<X<\fr) = J-s f@lA. página 46. 2-18. du ¡5 <tz:_su.tt¡¡f".

Entonces la ¡olución ¡imultiinea re¡ulta r : u. 0 < a < 4 g(u'al = de oEa forma {o La función de den¡idad marginal de U está dada por 21u<6 ctfu) = f"^=oWo' J. uear¡do la regla de c@l Utiüzando la definición dada de = f(r) eeto se convierte en 0<z<9 9.ol =#¿" .u). 2 ea - Fig.58 VARTABLES ALEAT1ORIAS Y DISTR. = 2. 1 < y ( 5 correeponde a la regiiin 0( u ( 4. Y tienen función de densidad conjunta r(x.2 < u . 2-19.<¿<36 de otra forma 21rsrz Verificación: zlb. El Jacobiano está dado por Fr 0r J_lr"0o oa lüu la" att lo =l I 1 11 -. le * fil2136 z4B l. Por üa¡¡to la región 0 I r 1 4. etcogiendo arbitrariamente l¡r eegunda relación.1. función de den¡idad g(u) ee l¡ derivada de G(u) tonemos. 2-r9 Entonce¡ por el Teorem a 2-4 la función de densidad conjunta de U y V (u(u-t:l/384 21u-o( 10.11) hallar la Método 1.=. ! : ll2(u .-ro 0 6<¿<10 f4 afu. u : r. lo1u114 de otra forma .IBUCIONES DE PROBABILIDAD Pueeüo que la [cAP. Si las variables aleatorias X.u 110 que ¡e muesEa eombreada en la Fig. 1 tZ _1. función de densidad de U = X + ZY.a) (véase Problema 2.r'nu ffr:i:0" 'Sea u = t I 2y. = {.2 l*ibníz (12).21.

ytdrdy " = ÍÍ fta. u = x2 y .i 1<c<5 Pa¡¿ 21u ( 6 obserraÍros al r€ferirnoo a la Fig.2-2O Fig.21. I/aimagende0(x14. Nlétod. De¡aroll¡ndo integn' cione¡ encontramog 4)'12304 2<u16 6<¿<10 l0<¿<14 2128112804 de otra forma Puede efectua¡Ee una verificación al demo¡tra¡ que la integrql de g1(u) ee igual a 1. 2-19.L(y(Senelpla' (véase Problema 2.a función de di¡tribución de la variable eleatoria X + 2Y erüá dada por P(x *zY É ut = Íl rr2y 3 t@.au i*Z=."'' gunoo = Í"::'lW-#fo' + 4)t2304. 2'20 gue la últim¡ integral ee igud a Í"--.' I":".u2 t< 7) uztga-rls < L26'u 6 1 64u 1u2 < Eata región ee muesba eombreada en la Fig. El Jacobia¡¡o estó dado por . Si las variables aleatorias & Y tienen la función de densidad conjunta 4' L <s <5 f(r.2-2L 2. 2.11) hallar la función de densidad conjunta de U no uu está dada por o<azlgu-r/t<4 gue son equivalentee a .2l como VARHBLES ALEAI"ORIA"S Y DISTBIBUCIONES DE PROBABILIDAD 69 'lar p determina refiriéndo¡e a lae regioner ¡ombreadas I. Mo ¡oe conducealasolucióneimultánea s=p2/34-r/t. Al dividir egüa¡ ecúaciones obtenemoe y/r = u/u aef que y = ut/v. [.y=y2/3p-rl3. eüc. Fíg.cAP.a) : {*''nu de otra forma :':' 0 L = XYz.2)2 (u reeultado dd método L para 6 ( u ( 10.o 2.22. De un¿ manera análoga podemoe obtener el Al deriva¡la con respecto a ¿ 8e encuentra (u . V = )PY. Considére¡e u : xy2 . IL m de b Flg.

cer. . f variables aleatorias qup tienen una función de densidad conjunta f(x. que la función de densidad marginal de U c@l = f' f@.2-22 utilizando la regla de Leibniz (I2) primelo en la integralder y luego en la integral de y. y). Sea LI = Íl-rO.f(t¡.u-a)ilo conecponden : X + Y..23. página 46.üdrdu . Método 2.u-r. Demosbar que la función de densidad de U'= X * Y es s@l Método 1. 2-22.xl = {u--''"o-rtsl288 IO CONVOLUCIONES < ilu' tt 1 u2 < l26tt de otra forma 2.-t rsu-ual J .:v. la función de deneidad conjunta ile (J y V ea g(ü.y¡ay]dr -J La función de den¡idad de U e¡ la derivada de G(u) con re¡pee por ef -a (' l@.o) = {*O=f3-Io ($u-2t3a-2rt') o2161u' tt de otra forma tt-z 1u2 < l26tt c@. y) tomada ¡obrc la región definida pbr * f y s u. como ¡e indic¡ por la parte ¡ombreada en lrr Fig.ld. Sean X.u-r)ih F's.u-o) págin¡ 46. El Jacobiano de l¡ tran¡fo¡mación ertá dadopor rSe deduce de (261. vemor que G(u) üo a u e¡tá dada = .2 l-lor. o= Í6 x. y: u.60 VAR¡ABLES ALEATORTAS Y DISIR.r f.o) . V : X.IBUCIONES DE PROBABILIDAI) [cAP./t=-a f f"-' f' Lnr1¡=-a c@l = ¡1r.. donde arbitraria¡nente hemo¡ ag€gado la *gunda ecuación.u.l: l= | f. 192 d'l l#'úl = l: -l ee -l Arí por el Teo¡ema 2-4.to-t. La función de di¡tribución de U = X + Y es iguql a la integral doble de f(x. c¡üo ec G(ul = (( Í@.u-. -tuznr-trs I -lu-zrso-zrs A¡f la función de densidad conjunta de U y V es.i"au Pue¡to que la región eetá por debajo de l¿ lfnea ¡ * y = u. por el Teorema 24. A e¡ta¡ ecuaciones u: x i !."u-n.

- u de tal maneraque u = u-u.23 la función s(ul = t'.ar@u .l) = 6(e-zt .w) = (" DISTRIBUCIONES CONDICIONALES fz@\lt@-u)dut = fz'ft "/u=-n 2. Demostra¡ gue fi t.-*) = 1 2.a J_ú En el integrando f1 se anula cuando u ( 0 y f2 8e anula cuando u ( u. Por tanto Cful = | JO f! (2e-2ül(ge-sru-u))do (" = 6"-su. halla¡ la función de densidad de su sumao U = X Por el Problema 2.26. pígna 47\" Tenemos Ít* fz = | /r(") fz@-o) Jo=-a Haciendo fa da u)= a. Y son variables aleatorias independientes que tienenfunciof.d.f2(u-t:ld.23 si X.o{üau = tfo'k-r"-"-rv\d. (y) respectivamente.8 y 2. de densidad de U: X * Y e¡ y): f t@) fz(yl. Y son variables aleatorias independientes que tienen funciones de densidad ft@l =112"-t' . (o) Empleando los ¡esultado¡ en los Problema¡ 2.241a función de den¡idad pedida es la convolución de f t y fz y eetá dada por c@) = ft*fz = f' fr(o. En este caso la función de den¡id¡d eonjunüa et f(x. 2.f . Ve¡ific¡ción: ao ifui = 6o.9 t¿nemo¡ ftutrt = arf que con ¡ : 2 ffi:*+#t f(ylz\=g#f=+ P(Y=rlX=2\=/(1l3r=*z (ó) . R'ex.f¿ . 2.8.e-tr¡ f -'.24.<0 L0 ü>o * fg"-to a=o " frfu\ '-\e' =1l0 a<0 Y.to ¡iu>0yg(u):O¡iu(0.u:-dw.f 2* f1 (Propiedad 1.{olf2(u-olito = f t* fz que es la conuolucidn de h y fz.2l VARIABLES ALEATORIAS Y DISTRIBUCIONES DE PROBABTLIDAD 61 2. así que por el Problema 2. obtenemos (-' Ítrfz = .27.fw=n .u = (.rru-u)f2@t)(-d.. Si X.25.olver el hoblema nes de densidad f t@). (b) P(Y : 1lX : 2'¡ pan la distribución del Problema 2.cAP. HaJlar (al f(y l2).

= t¡*} ftulr\ h¡a oü¡o¡ ralore¡ de = definid¿.2-23. La región sobre la cual f(r. 2-23. Fig.62 VARIABLES ALEATORTAS Y DISTBIBUCIONES DE PROBABILIDAD lcAP. (c) la densidad condicio nal de X.t'o<a<r [0 se muestra Hallar (a) la densidad marginal de X. Y tienen la función de densidad conjunta r(r.¡. (b) P(v > + I + < X <*+d'r).2E. ft (¡) = (b) 0. hl.'. Análogamente. ft@la) (d) = ffi . La función de densidad conjunta de las va¡iables aleatorias X.rlrol+)0. (b) la densidad marginal de Y.. Y por f(r. para 0 ( r ( 1. (o) Para 0kc(1. = Í.i¿¡t\ = {o (2r/(L-azl a=r=l otra¡ O. (d) la densidad de Y. ¡. 2-23 (c) La función de den¡idad condicional de X ec. Si X. dada I 16 2.ffr:j:r.29. f2Q): O.* :".4¡s pare 0 ( ¡ ( 1. (c) Para obtener la den¡idad marginal de X fijamos r e integramde c"on reepecto a y de¡de 0 hasta r como se indica por la franja verticalen laFíg. !2@) Para = Í' Brydr = 4aÍ-u2'l lo¡ otros valores de y. rt*) hallar (a) f(alr). la deneidad marginal de Y se obtiene fijando a y e L.) = Jt=o Sxydy . como 8e integrando con reapecto a ¡ desde r = y hasta Í: indica por la franja horizontal en la Fig. pa¡a 0 ( y ( 1. La función de den¡idad condiciond no está defrnida cuando L8 función de densidad condicional de Y es. : J'(i**r)0. y) er diferente a cero sombreada en la Fig. El resultado es (' Ítu. 2-23.): fz@lr\ = !(u'a'-l = {'u'* h@\ lo La funeión de densidad condicional no está definida cuando JFr o=u=r otray (¡): 0- . El re¡ultado es para 0 (y(r.a) = {t^" de otra forma 1=1=. Pa¡a los ohos valoree de r.rYP* está.2 2.a) = {i. /(¡ | y) no ertó (ó) P(Y>l¿l+<x<l*drl = tr*.

31.¡ _.30.. que flr.)¿. fz(A) : AaQ-A2'). + f t@) Í2fu). = .2-23.U) Debe anota¡se que no puede deducirse a partir de f(x.A\ = 8rA. la función de densidad estd dada por .r'lúttr = Í"' fo" &or : . c es r¡na constante y o es el radio del objetivo (véase Fig. htotdda -- Ío' 2. tenemos ("fr.2-21 Puesto que siempre se hace impacto en el objetivo. f(t. Ít@l = 4r?.ls rbF /"\2-1. Determinar la probabilidad Denótense por X Y la¡ va¡iables a¡ociadas con lo¡ puntos dados. y) : 8ry. = t. Y están dadas respectivamente por (r) f . que se supone üene radio b. Dos puntos se escogen aleatoriamente en el intervalo 0 < de que la suma de sus cuadrados sea menor que 1. la¡ funcionee de densidad de X. Hallar la probabilidad de pegar en el blanco. Y son independientes.[t . b(Boz-br¡ =.G't = lI 0<¡<1 | 0 de oEa forma f zfu) : tf f 1 ofY=1 o de otra forma Entonces ya que X. Eeto ¡e debe a la restricción 0 < y < ¡. Entonces la probabilidad de pegar en el blanco es Jo I rb t(. ¡ < 1.(.r) = . Suponer que siempre se hace impacto en el objetivo.29 son independientes.30. Puesto que se supone que intenalc igualec tienen probabüdadee iguales.2l VARIABLES ALEATORIAS Y DISTRIBUCIONES DE PROBABILIDAD 63 Verificación: fo' . y a¡í { Y son dependientes.21). Jo L /r)'lo' = \a/ --) r de lo cual c = 312a. R es la dista¡rcia del impacto desde el centro del objetivo. Portanto f(r. fot rrror¿a = fo 4A$-u2lda = | 7 f"'r.(. : T zalo lr-(i) Jl. Determinar si las variables aleatorias del Problema2. Íis. y) puede expresarsecomo una función de r por una función de y. 2-24).)']0" Aquí.32.rrrro. La función de deneidad ertá dada por f(r) r_ /r)rl = "Lt .t L \a/ 2. tal conclusión serfa verdadera- APLICACIONES A LA PROBABILIDAD GEOMETRICA 2. EnlaregiónsombreadadelaFig. Una persona jugando a los dardos encuentra que la probabilidad de que el da¡do caiga entre r y r t d¡ es P(r= Rtr+d. Si ecta ee remplazarí pu alguna reshicción en y no dependiente de r (como en el Problema 2.cAP. = lo'Ar"d.

r.'= _.t tztut = {. * +)ltro" Pare que e¡to ¡e¡ igual a 1.ud'o I"=" !'"=o\ffauao Í""=. (h) si X.'=-. (c) las tunciones de densidad marginal para XV f.í."_r"(to.l(u.l. f.'=.33.u do Fz@l = P(Y =.ffoua.'y¡ = [. 2-26). (D) La función de di¡tribución marginal para X er fr(a) = P(x = al = Í..| 126 ts) d. Y son independientes. debemor 0ener c Í.'=-. f tienen la función de densidad conjunta f(a.Í"'=--odud'' = = Í"'=. = 2l0c : Ll2lO.:=.f.ü Hallar (o) la constante c" (b) las funciones de distribución marginal para X y Y.tsl duit't: Í.(elP(X > 3). ?f Fis.que las variables aleatorias X.Í""= _ . (o) t a probabilidad total está dada por f. l. (d)P(3 < X< 4. Entoncee puerto que (3) repreecnte el á¡e¡ de R observamos que b probabilidad pedida es n14.t"É s "r* O"O" rI Se deduce que la probabilidad peüda *. (4t) la función de dishibución conjunta.64 VARIABLES ALEATORIAS Y DISTRIBUCIONES DE PROBABILIDAI) [cAP. x >: O.2-25 PBOBLEMAS DÍVERSOS 2. o sea un cuadrante de una circunferencia de radio 1 (Fig.. f"'= --rru. (RP(X + Y > 4). "(u. Í'='Í"'=oLt!du¿.'=.Y> Z). Supóngase. a" au P(xz + Y2 = t er la región def¡nida gnt r2*y2 5 l.'=--Í"": -ot.t La función de di¡tribución marginal para Y es . U = 0. *+)0. = o u2 a<o I l6v 105 6=y(b t"'=ozffauao I y26 . f"'=o o(2-r I sl itr dv = !. = )) fr.yt = tr".2 (2t (t) donde r(x.

.Y <ü = En el plano uu (Fig.tfrw. 2-26.. 2-26 Fig. = . = ?. de la parte (b). .cAP.o)duda s x. ¡5 .fidxdv *' Tenemo. Fig.0(u(5 se muestra en la figura. (" f@. de la parte (b )."=.'=rrr**y)drd. P(x+Y=41 = hÍ. i < y yelrectángulo 21u( 6. Ju"=o = (f. 2-27\ la región de integración y) como Ju=-q f' Jt=-¿.2l VARIABLES ALEATORIAS Y DISTRIBUCIONES DE PROBABILIDAD t'D (c) La función de deneidad marginal pÍüa X es. F(r.a\ = l"u=" J)="Wo"o.2-27 es @) La función de distribución conjunta F(r. ¿ l\r*61/84 21x16 f(r) = tFr(") = deorraforma {o La función de densidad marginsl pa¡a Y es. tenemos es la intersección del plano en el primer cuadrante u [enelcual f(u.)^ f. Paralalocalizaciónde(x. utiliza¡ el hecho de gue fácil p(x+y>4) = L-P(x+t'=4) = . donde ft'es la región doblemente rayada de la Fig. u\noescero].'=.ú itr da es más { es la región sombreada de la Fig. donde P(x + Y > 4) = Íí trr. l"n=o'rtr*údrctu Portanto P(X +Y > 4) = 33/35.ú = P(X=r. 2-26.y rr. aunqr} se puede encontra¡ de esta forma. + al dr du = '# 209 (e) s) = h [..Y>2) P(x > = #I=. Í2fu) (d) = trrfu) = 1o ¿ (Qa+t6l/I06 0<y<5 deotraforma 45 p(s<x <4.

r. Lor result¡dos completoe se muestran en la Frg. para 0 ( r. !: u/u. Por incpeccióa. ala¡cuales correcponde u:Í1. P(X = di¡tribución deben ¡er igualee.Y es f(.yt = d+# F(r. F(r. 2. r): P(ts< yI e¡ decir la¡ funcione¡ de Jo f " au$ - u) ttu = (u Prt(t Jo BAI t)2) d. i) ¡e encuentra dentro del rectángulo.2-28.2rs = - 2U8 a = h(r) = ¡fi e8 u¡¡a rolución. V: X. Xf si la función de densidad conjunta de X.1) ó &: a2 6 PortntoY:*tE.36. B.al + ft@lfzfu) o. etc. Br2 .Entonce.Y=y:l¡(*)üienenuna correrpondencia uno a uno en una forma continu¡. 2.y) = I 2z2y*xy2-8!-ZV2 420 F(x.3') = g F(z. o<Y<1 de otra forma Suponemoequelafunciónde¡conoeidahestalqueloeinüervalocXSr.vl -| F(r.y 1 l.IBUCIONES DE PROBABILIDAD [cAP.¡) = I F(r'Y\ = I F(r.yeatarolucióntienelaepropiedadeodeseadas.ntonc€. y).66 VARIABLES ALEATORIAS Y DISTB. do por U: XY. 2-2t (h) Las va¡iable¡ aleatorias aon dependientee ya que f(r. obtenemos oha erpreción. lo que er equivalente F(r. u: x 6r:u.84.8 elJacobiano eetáda- .a\ - o Fig.yl = F(r. Si X tiene la función de densidad f(s) = Halla¡ la función Y { l6rÍ-r\ L0 o(o(1 de oha fotma : h(X) que tenga la función de densidad s@) = {:zf(r-a\ 0 |.al + Fr(r) F2fu). Hallar la función de densidad de U : Método f Sea . Por tanto.2 Cuando (¡.

anto la función de densidad conjunta de U. Una aguja de longitud a1l cae aleatoriamente al piso..IBUCIONES DE PROBABILIDAD arl ú .cAP.2l VARIABLES ALEATORIAS Y DISTR. También @ puede tomar cualquier valor entre 0 y ¡l2."\ ) aa a partir de La cual se obtiene la función de densidad marginal de U. a Fig.ü d.y\<t1¡)ar Derivando con respecto a u utilizando la regla de l.r du ft t / G(u) = lf ¡gSu Pa¡a u =..X)* por la hipérbola a Q.r\..la" | J _ l^ tdfr árt l# #l I o 1 | | lo-t -u.Se deduceque . 2-29 Fig.36.Denotamos porry0cualquiervalordeterminadodeXy@. Sea X una variable aleatoria que da la distancia del punto medio de ta aguja a la línea más cercana (Fig.. 2-30 )' Sea @ una variable aleaüoria que da el ángulo agudo entre la aguja (o su prolongación) y la línea.. 2-30 2.ú J _* = J_-.(. 2-29..(..f_: t f"-.u) s(u = 6r\".:)a.t-zl | _u-r Por. Observamos que G(u) = . s(u) Método 2.SeobservaqueXpuedetcmarcualquiervalorentreOyll2.1)* = Í:"ár('. La función de distribución de U es = o@.r\./ .0 la región de integración ge muestra sombreada en la Fig. (Este problema es conocido como el problema de la aguia de Buffon).2-29. Un piso tiene líneas paralelas a distancias iguales I entre sí. Hallar la probabilidad de que la aguja intersecte una línea. t". )0. asíque 0 s ¡ < t/2. cuando la región de integración está ümitada El mismo resultado se obtiene para u ( trazos en laFig. V es | .'.u. obtenerños g(u) : f: (+) .eibniz..y¡aylar * [o'll:-' r(r. + !o'i.

El lado derecho de (21 es el área de egta región.2 P(r<X<rIdr) =la. la función de densidad conjunta es (r) f(r. 2-31 Entonces. Pue¡to que X y @ son independientes la función de dencidad conjunta ee l(r'c)=?'Z=! ltlt De la Fig. que es igual a t . fr(¡): 2ll. 2-31. Comoverificación 9 :de = | JoÍ Jo ¡rl2 I ia'=r L ?ll2 ..{})(}) = ¡!. ¿Cuál es la probabilidad de que se encuentren? Sean X.ul = : 1/4 f t@) fzfu) = 1o (l 0S¡SL. La probabilidad de 1 ¡r/2 f(a/2)se { | | li )s=¡ ). de las dos personas.0<a<L de otra forma es Pueeto que 15 minutos de hora. fz|/) : 2ln. Por tanüo la probabilidad pedida ee 7176. con el conveniode que no se esperar¿ln más de 15 minutos. la probabiüdad pedida (e) e(rx - vr É 1) . Suponiendo que a intervalos de tiempo iguales corresponden probabilidades de llegada igrales las funciones de densidad de X. Y son independientes. esdecir. Y están dadas respectivamenüe por ft@l= lzful = (r 0:<¡=l de otra forma lo lo lr 0=a<L de otra forma Fig. las funciones de densidad de notamos que X y @ están ¿"¿r" po.=¡ e drd o = 2A t" se Cuando la expresión anterior se iguala a la frecuencia de caídas observadas en experimentos reales. Va que el cuadrado tiene área 1. puesto que X. M. y las 3:00 P.68 VARIABLES ALEATORIAS Y DISTRIBUCIONES DE PROBABILÍDAD lcAP. en tanto que loe dos triánguloe de lar esquinas tienen áreas +(*X*) cada uno. Y las va¡iables aleatorias que representan el instante de llegada. 2. obtienen valores precisos de Í Esto indica que el modelo de probabilidad descrito es apropiado. M. 2-30 ee obeerva que la aguja realmente toca la lfnea cuando este ¡uceso está dada por X = (ol2) s€n @. P(c<c=c+dc) =?d. . M.37.R = lf a" au donde R es la región sombreada que se muesha en la Fig. Dos personas acuerdan encontrarse entre las 2:00 P. medido en fracciones de hora después de las 2:00 P.

Si se extraen doe bolas aleatoriamente sin remplazamienüo y X denoüa el número de bola¡ blancas. Una variable aleatoria X tiene función de den¡idad l(x) Ilallar (o ) = 1o = (ce-g" c)0 rso (d) P(X < 1). La función de probabilidad de una variable aleatoria X ee muestra en la Tabla 2-7. (b) Problema 2.40. (o) Conetrui¡ una tabla que indique l¿ función de dietribución de X y (b) representar gr6ficarnente e¡ta función de distribución. (D) P(l < X g). probabilidad.rlo s VARIABLES ALEATOBIAS Y DISTRIBUCIONES DE PROBABILIDAD DISCBETAS 2. Sea Z lz va¡iable aleatoria que repres€nta el númcro de ca¡a¡ menos el n(rmero de seüo6 en dos lanzamientos de una moneda honrada. s). 2. 2.2. (o) hallar la di¡tribución de probabilidad para X V (b) repreeentar gráficamente la distribución.47.39.19. (a) Construir una üabla que muestre la distribución de probabilidad de X V (ü) FUNCIONES DE DISTBIBUCION DISCBETA 2.4O.48. (¿) P(X > r.2l VARIABLES ALEATORTAS Y DTSTR. describiendo la relación entre ella¡. Obtener l¡ función de dishibución y su gráfica para el (o) Problema 2. 2. (a) construi¡ una tabla que muestre la distribuci6n de probabilidad de X V (b) representar gráfrcamente la di¡tribución. repreeenüar gráficamente la di¡tribución. Comparar los re¡ultados con los Ejemplos 2. (ó) P(1 < X < 2).IBUCIONES DE PROBABILIDAI) 69 Problenra.46.44. Obtener la función de distribución y su gráfica para el (c) Problema 2.38.on remplazamiento. 2.89.cAP. Rnpre*ntar gráfrcamenüe las funciones de densidad y digtribución. Una variable aleatoria X tiene función de deneidad f(n) = | "r' 1 "r L0 L< aé2 21r13 de otra forma .4L. Sea X la yariable ale¿üoria que representa el número de ases extrafdos aleatoriamente en 4 ca¡tas de una baraja de 62 cart¡¡. = Determina¡ (o) la función de VABIABLES ALEATORIAS Y DISTRIBUCIONES DE PROBABILIDAD CONTINUAS 2.41.42. (D) Problema 2.41.47. la con¡tante c.E¡ suplernenta. Hallar la función 2. (c) P(X >21. 2.39 si s€ extraen las bolas c. Resolver el Problema 2. (c) Problema 2. 2. lbbla 2-? 2 3 Tabla 2-8 r f(n) I L/2 r F(r) I r/8 2 3 4 r/3 r/6 3/8 314 I 2. Hallar la di¡hibución de probabilidad de Z. (r) P(.18. Una moneda ¡e lanza tres vece& Si X es l¡ variable aleatoria que indica el número de caras que rerultan.1 y 2. (dl P(X < 3).38.42. 2. La Tabla 2-8 muestra la función de distribución de la variable aleatoria X. de digtribución para la variable aleatoria del Problema 2. Una urna tiene 5 bolas blancas y 3 neg¡a¡.46.

DISTRIBUCIONES CONJUNTAS Y VARIABLES INDEPENDIENTES 2. Sean 2. X. 0< gr< 1 f(r'u) = 1o deotraforma Determina¡(o)laconstantec.70 VARTABLES ALEATORIAS Y DISTRIBUCIONES DE Hallar (a) la constante c. Hallar las funcionee de probabiüdad marginal de (c) X V (b) (c ) y para las va¡iables aleatorias del Problema 2.67. (d) la función de dietribución. f(r) = 1o 0=rÉ2 deotraforma Hallar (a) el valor de la constante c. Hallar (o)laconstante c. 0= ¡=1 deotraforma 2.(d)P(Y<{). (D) de Y dada X para la distribución del . Halla¡ la función de probabilidad condicional (o) de Problema 2. (c) P(X>l).54. (b)lafuncióndedensidad. y): cxy parar: L. (b) P(X=2. (g) P(Y = 3). (fl P(X = r). marginal (a) de X. (b) P\X'> PROBABILIDAD [CAP.3.!: L.56. DISTR¡BUCIONES CONDTCIONALES Y FUNCIONES DE DENSIDAD 2. 2. (c) P(X > 1).2.52. X dada Y. Halla¡ las funciones de distribución 2. Sea X una variable aleatoria que tiene una función de densidad (r. (d\ P(X > 21.3.49.56 para el caso donde las variables son continuas. cerode otra forma. (e)siX Ysoninde 2.(b)P(X<+.Y = 3).Y>+). (c) P(I<X< 2.64. 2 2).69. (b) P(1-12< X <312). 2. (e\ P\Y < 2). Y variables aleatorias continuae que tienen función de densidad conjunta (c(r2*a2) 0Ér< 1. (d) P(l<X<2). La función de probabiüdad conjunta de dos va¡iablee aleatorias discretae )d Y eet6 dada por f(x. Halla¡ la función de distribución para la variable aleatoria X del Problema 2.63. De'rerminar ¡i X Y son independientes.54. (b) de Y para la función de dencidad del Problema 2. Y = 2). ¿Puede ser la función (c(I-12) F(r\ = 1o una función de dishibución? Explicar.ót. E)emo¡trar el resultado del Problema 2.ñ. Y son independientes solo si poro todos los uolo¡es de x.2. (cl P(llz < X < 3/2).56. Demostrar que las variablec aleatoúas di¡ctetas X.ó8. 2.57. pendientes. SiP(X:3):0hallar(o)laconstantec. y su función de probabilidad conjunta puede expresarse por el producto de rfna función en ¡ y una función en v. 2.(c)P(|<X<*). La función de distribución de una va¡iable aleatoria X está dada por 2.60.

62. < 5 < @. (b ) Iluatrar el re¡ultado en la parte (a) erco$endo f(rl = i: l0 y verificar la solución..2l VARIABLES ALEATORIAS Y DTSTRIBUCIONES DE PROBABTLIDAD 77 2. 2.cAP. Hall¡¡ la densidad condicional de (c) X dada Y.paraloscaso¡ (al g. 2..66. (ü) *. -a <a < .7O. (*e-2.6t.página46. Siladen¡idaddeXes f(r)=U"(r2 *1). 2.63. -.2L e¿ igual a 1. . (e-(r+u) x>0. Demo¡tra¡ el Teorema 2-2. (ü) Y dada X. hal|arlafuncióndedén¡idad deY=*. 2. u >0 n1O 2. Sea la den¡idad de X Í@l = Halla¡ l¡ densidad de (¿) 3X (l/2 to -l<r(l deotraforma .6!. 2.67.at = 1.66.(¿) S 0.*.57 . (bl Xs + 1. Y.69.(ulZ 0.2I y verificar su reapuesta.@) < 0. Sea dada X.rl:j"<s<L Hallar la funcióa de den¡id¡d ondicional de (a) X dada Y. Veúfic¿r que la integral de gr(?r) en el método 1 del Problema 2. 2. Hallar la función de densidad condicional de (c) Xdada Y. y>0 f@. (b) Y dada X. de otra forma [^ la función de ilen¡idad conjunüa de X.p6gna 46.2. DemostrarelTeorema 2-3. 2.72. si f(r. 2. (D) Y CAITIBIO DE VARIABLES 2. para la digtribución del Problema 2. 2. hall¡rladensidadde Y = tan-rX. Completar la labor necesa¡ia para hallar gt(u) en el método 2 del Problema2. n)0 = to r=o Y: X2. SiXüienefuncióndedenaidad f(r):(2v)-r/2"-érz.64. (c) r¿. l. Si X tiene función de densidad f(r) Hallar la función de den¡idad de l"-.ú = { 0 J^ ^¿_. (o ) Si la función de den¡idad de X es f(r ) hallar la función de densidad de X3 .71.

77. 2. < U < @. Emplear el Problema 2.a) = (2r\-rs-(r2+Yt).R y @¡ott tt.t1. y:8 ¡enO demoeEarqne la -@ I e¡ ob\=i ¡r"-tz/2 r=0 r'(0 l0 2. osv51 to deotraform¡ la función de densidad conjunta de Y. l¡ función de den¡idad conjunta h¡lloda en el hoblema 2.8E. Sean función de densidad de X.r""""va¡iablesaleatoria¡taleequeX:R co¡O. y tienen función de den¡idad onjunta f(r'u) = y tJ (e-(t+vt r>0. Y variables aleatoria¡ independientes didribuid8r idénticamente con función de den¡idad (l f(t) = Hallar la función de dengidad de X 0<¿<1 deotraforma 1o * Y y verificar su ¡olución' 2. CONVOLUCIONES 2.76.76. .halla¡ la función de den¡id¡d de (a) U : XYz.emosha¡que (a) lt*(fz*fs)=ft*fz*ft*fs' (b)/rt'(lz+fs) =(/rof)*fs' = Z y lttryo utiliz¿ndo convolucione¡ 2.22. -e 16 1o.75. Sean X.79. thll¡r proübiUd"d la de que lo¡ trec reg¡mentor de lfnea formado¡ de e¡t¿ m¡nora puedan ¡er los lados de un triángulo.74.21 primero efectuando la Ea¡rdormacií¡ 2Y 2.7t.2 2. ofrf 1. V = X I Y.t2. Y variables aleatorias que tienen función de den¡idad conjunüa Í@. Si X. 2.72 VABIABLES ALEATORIAS Y DISTRIBUCIONES DE PROBABTLIDAD Verifica¡ por medio de integración directa [cAP. f. 2. (bl V = XzY. Re¡olver el Problema 2. Y variablec aleatoria¡ independientes distsibuidae idéntica¡nente con funci6n de den¡idad f (t\ = Ir-t 1o ¿>0 de otra forma tl¡llar la función de den¡i<tad de X Y y verüicar ¡u solución.22 pare. Sea l(n'u) = ){ (1. APLICACIONES A LA PROBABILTDAD GEOMETRICA 2. hallar la fi¡nción de den¡idad conjunta de U y V. Sean X. Hallar la función de dengidad de Z = XY. Si. yz0 deotraforma {o = X/Y.).8O. Si la¡ va¡iables aleatorias independienteo X1 y X2 están di¡tribuidas idénticamente con función de den¡id¡d | (t) f te-t t>:0 L0 ú<0 hallar la función de den¡idad de X1 * X2. para hallar la función de den¡idad de U = X + Z. 2. Doc puntor ¡e seleccion¡n aleatoriamente ¡obre un segmento de lfnea cuya longitud a o ) 0.

9O.. (o) Deüerminar a (b) Hallar la función de di¡tribución. 8i no lo toma.E8. Dos variables aleatorias independientee.¡¡ue. Supóngaee que 2. tomará el metro. Demostrar que la probabilidad dc gue el área de un triángulo de altu¡a AP y base CO sea mayor que 12 unidade¡ cu¿dradas ee igual a (1 . Halla¡ (o)P(0 < X< 3). 2.. y la¡ 3:80 P.GlP(x+r>1). (c) Repreeentar gráficamente la función de probabilidad y la función de distribución. e¡ la función deprobabilidadparaunav¡¡iablcdeaüoriaX (o) Determinar c. 2. AB yCD tienen longitude¡ de 8 y 6unidadesrelpect¡vamente. F(rl = 1"0_"_.0 {o deotraforma X. (e) HallarP(2 s X< 3).(d)HallarP(X> 1). r :1.91. encontrar c.1.9L ¿cuil ea la relación en'tre la¡ rcluciones (c). (d) P(l <x<21. En el Problema 2. Una va¡iable aleatoria X tiene función de densidad l$tr-¡z) o<¡51 f(xl = t.t7.. . ¿Cuál es la probabiüdad de que tome el meüro? Se sabe 2.ln 2)lZ. Supóngase que f(r) : cl3t. (d) y (e)? Jurtifrc¡¡ .cAP.92. deotraforma Hallar la función de densidad de la va¡iable aleatoria Y: X2 y verificar ¡u ¡olución. (a) Demostrar que para una constante c apropiada.u r€. (e) H¡tlarP(X > 3).t9. t)o es la (0 rS0 (b ) Determinar P(1 función de distribución para una variable aleatoria X. ' PROBLEMAS DIVERSOS 2. 2. (b)P(X> 1). 2. es la función de densidad para una variable aleatoria 2. f(r) = ( cre-22 r >. M. Dos segmentoe de línea.DoopuntosPyQ se escogen aleatoriamente sobre AB y CD reepectivamente.. (d) Hallar P(2 = X ( 5).S Y DISTBIBUCIONES DE PROBABILIDAI) 73 2. P(r=1). Y tienen funcione¡ de den¡idad reapectivar f(n) "ao = {:'u-'" rÉo Lo (cl c@) = {o (c2Ye-st Y>o u=o (e) Hallar(o)ct!cz. (c) Representar gráficamente la función de den¡idad y la función dedistribución. M. P(l<x<2. X.t¡.E4. (b) Hallar la función de distribución.Y=ll.2l VARIABLES ALEATORIA.t6.86. Un¡ pcr-na decide 6 minuto¡. . La función de probabilidad de una variable aleatoria X está dada por f(r) dondep es una constante. ir a egta estación entre e¡tos tiempoe aleaüoriamente y eoperar por el buc mÁ¡imo que un bus llega a una estación deüerminada entre la¡ 8:00 P. 2. < X < 2).

(d) Harlar P(Ll2 2. (b) Hallar p(X>tlz). Hall¡r ta función de densidad de Z . Supóngase que la función de probabilidad conjunta de las va¡iables aleatoria¡ X.).94.1ü1. Y está. Sean -(_ Y vari¡ble¡ aleatori¿¡ independiente¡ di¡tribuidae idénticamente y con función de densidad (2v)-r/2¿-úr2. ¿por qué? +l En el Problema 2. 0 os¡=2'o<Y=' de otra forma 2 (o) Determinar ei X. (b) ttallarP(l S X< 3. u=0. Y variables aleatoria¡ independientes cada una con función de densidad . o<Y <2 | c(2r+Y) o(¿(r' o de otra forma I (marginat)deX.. /(z) = 2. X Y va¡iable¡ aleatoria¡ que tienen función de den¡idad conjunta f(r. Y está dada por I r/9 r/6 r(r.101. La función de probabiüdad conjunta para las va¡iable¡ X.L.. En el Problema 2.(d)lafunción Hallar(o)laconstantec.(c)lafuncióndedensidad 2. .(u) = ¡1e:r donde l.91 halla¡ la funciónde den¡id¿d de (o) X2. (d) Hallar 2. * Y es ) 0. Generalizar (o) et hoblemz 2. nal de X y f.(b)P(X>Ll2. 2. 2.y> 1/B).0<U<t de otra forma P(X + (a) Determinar ai Y> rl2r. -.99. y < g) = p(X > p(y < +.98.s7. Demo¡trar que la función de den¡idad de X s(u) I @# u=0. ¿Cull er el análogo del teorema de la convolución para variables aleatorias di¡creta¡? Ilustrarlo usando el hoblema 2.101. ¿Cuál es la probabilidad de que una parte tenga una longitud mayor que el doble de la oüra? Indica¡ cla¡amente qué suposiciones se hicieron.103. x.L se rompe en dos parües.Y<312).2. (b) X Si -X.2 2. Sean X. + y. (D) Hallarp(1 <x<1..78 y (b) el Problema 2. dada en la Tabla 2-9.79 a tres o má¡ va¡iables.102.93.96. f tienen función de den¡idad conjunta f (r' u) = t o llla 0(¡(U. Y son independientes.. (c) Dererminar si X y Yron independienter.. 2.96. 2. Un¡ estaca de longitud .93 ee cumple que P(X > +. (o) Halla¡ las funciones de probabilidad margi- Tabla 2-9 Y X 0 0 I 7lS 1/18 1/6 2 r/18 r/6 Ll9 1/18 2.a) = de deruidad (marginal) de Y. (c) HallarP(Y = r). Estudia¡ ¡i considerra que eltar oupoeiciones Bon realistas y cómo podrÍa mejorarlas si no lo son.y>1). y > 1).X2 + Y2. t2<X< l). Y son independientes.. 2.( tt ( -.2.ur = {"-'o |.74 VARIABLES ALEATORIA"S Y DISTRIBUCIONES DE PROBABILIDAD sean lcAP.1. (c) Iüllar p(x<rlz.

Supóngase que la¡ variable¡ aleatoria¡ X Y.J'v 1r' o1z.cAP. Z. función de den¡ided conjuata de tres variable¡ aleatoriea X. Ilallar (o) P(X > Y< +r. Un haz cilínüico de partícula. 2.s de radio q e dirige haci¡ un obietivo hemi¡férico ABC co¡ centro en O como ¡e indica en la Fig.2-32 2. dada por Ilemochü que la dirtribución s(o) = lcosa 0<c<n/2 deohaforme {o donde 0 es el ángulo que la línea OP (de. En el Problema 2.ri"r" dos de esta¡ va¡iables aleatoria¡ eon independientee..1O4. 2. Si es l¿ f (r'a' z) = ( 1 rv2zs 01r11. es decir ¡ur factores funci6n de densidad marginal. 0< y1l. r *"loq.ede O a cualquier punto P del objetivo) forma con el eje. Z tienen función de den¡id¡d conjunüa r(r.1O4 para que la probabilidad de intersección ¡ea mádma? Erpücar ru rcluci6n.107 halla¡ la probabiüdad de gue una ¡rarüfcula pegue 8l objetivo entre A = O y0 : Í14. Y.109. Demorbar que la probabilidad de que l¡ atuja intersecte al meno¡ un liado.10t.¿.1O7. (¿) 2. 2-32. .'"L'. - 2. Pa¡a una aguja de longitud dada ¿cull debe ¡er el t¡do del cuadrado en el Problena 2.z) Demo¡ka¡ que au¡que = ito-""trtcosracos¡rz :. P(Z<X+Y). c Fis.IBUCIONES DE PROBABILIDAI) 76 2. Supóngase que Ia di¡tribución de l¡¡ partfcul¡¡ ectá dada por l(r) = 1o donde esüá I lla 01r 1a deotr¡forma de lar partfcular a lo largo del objetivo r es la dist¿nci¡ desde el eie OB.1O5. la! b€s no son independientes.2l VARIABLES ALEATORIAS Y DIÉ¡IT. er igral a o(4t o\ltf .106. Z> $). 0121L o de oha form¡ 1.a. Un piso ertá con¡huido de cuadrado¡ de l¡do L Una aguia de lon¡itud o1l a lanza al piro.

..2¡. Pa¡a una variable aleatoria continua X que tiene una función de densidad f(x) la esperanza de X define como E(x) donde debe notarse la analogía con (2)... .r(t) .+ rnp(X=r^\ = ix¡p(X=ri¡ o igualmente.. = f:.)(:) . f(xc). Para el caso especial tt*Iz+ "'+I" 11 (z) donde la última suma se toma sobre todos los valores up-=or"Oo..(á) +(r0)(:) .f(r. pierde $30 gi obtiene 6... . .Capítulo 3 Esperonzo motemóticq DEFINICION DE LA ESPERANZA MATEMATICA . Para una variable aleatoria discreta X que puede tener los valores xr.. xn .. En ede juego el jugador ga¡ra g20 si obtiene 2. + r^f(x^) : Lr. EJEMPLO 3.f(u)dr Xy se denota (t) A la esperanza de X frecuentemente se le llama la media de p cuando se sobreentiende la va¡iable aleatoria determinada.1. . Otras medidas se consideran en la página 84. en tanüo que ni pierde ni gana si obüiene otro resultado... .. de cuando las probabilidades son iguales.) = Zrf(r) r. . g40 si obtiene 4. La función de probabilidad para X se indica en la Tbbla 3-1.Í6respectivamenteconprobabilidadea f(r1 ). f(xz). Así el valor eeperado o eaperanze el E(n =. o simplemente se La media o esperanza de X da un valor típico o promedio de los valores de X y por esta razón le llama medída de centralización. por lrx..(. ütf(el\ E(n = + '.. r^ la esperanza de X se define como E(X) = xrP(X=rr)+.2. Supónga¡e un juego con un dado.)(á) *r-'or(l) = 76 b .6sonxr. . Las posibles cantidade¡dedineroganadocuandoeldadoresultaL. ganado. si P(X (I) = x¡\: f(x). Hallarl¡a suma esperada de dinero Sea X la variable aleato¡ia que representa la canüidad de dinero ganada en cualquier lanzamiento. . tenemos de (2) E(X\ = (e) que se llama la media aritmética o simplemente la rnedia de se .Un concepto muy importante en probabilidad y estadística es el de la esperanza matemóüca.. . . x2.(.'.. wlor esperado o brevemente esperanza de una variable aleatoria.

entonces (6) Elsul = f.. entonces E(cX) Teorema Si (s) X.f"_rt" -2x'¡f@)dx .2.y) r)r d. Y son variables aleatorias independientes.con función de densidad f(r).fo" . Si P(Y=v¡: X es una variable aleatoria discreta con función de probabilidad /(¡). Y son dos variables aleatorias continuas con función de densidad conjunta f(r. .cAP.y \7) 3. Y) se obtiene por aleatorias se hacen fácilmente..= *|.3. E'ex2_ zx) . E6n : E(X) E(Y) (10) Generalizaciones de estos teoremas se hacen fácilmente.'. entonces - E(X+ y) = E(x) + E(y) entonces (e) Teorema Si X. Se deduce que el jugador puede esperar una ganancia de $5.Jf*f g@.oO¡f@)dr Generalizaciones a funciones de dos ejemplo si entonces la esperanza de g(X. .Y)l EJEMPLO " = ¿-.(i. Así por " -Ur. + g(x")f(n"\ (5) = É' s(r. Si X es la va¡iable aleatoria del Ejemplo 3.r(r)dr = Í.ables X. entonces E[s(x)] : g(n)f(r) + s(rz)Í(r"\ +'..) = ) i 2.3l ESPERANZA MATEMATICA Tbbla 3-l Íl i@ j) 0 77 +20 0 +40 L/6 0 -30 L/6 r/6 r/6 t/6 r/6 por jugar. 0<r12 de otra forma E(xt = Í:_. = Ío'tro. Y son variables aleatorias. Si s(r) /(¡) X es una variable aleatoria.¡0.rrr-z. y\.=+ aleatoria.l(ir) a' = * : cE(X) ALGUNOS TEOREMAS SOBRE ESPERANZA Teorema 3-I: 3-2: 3-3: Si c es cualquier constante.Entonces Y FTJNCIONES DE VARIABLES ALEATORIAS Sea X una variable : g(X\ también (¡ | s(¡)==y) es una variable aleatoria y se deduce :* 1.. Els(X.) /(". Por tanto en un juego honrado es de eeperarse pagar $5 EJEMPLO 3. La función de densidad de una variable aleatoria X está dada por f@l = El varor esperado de X es f*u 1.a) f(r.2.

. . entonces la varianza de X tiene unidades cm2 en tanto que la desviación típica tiene las mismas unidades que X. entonces la varianza "? = EÍi/. plrf(a) ee\ Donde no exista lugar a confusión..p)rf(xtl = X (rEn el caso especial de (13) (I3) dondelas probabilidades son toda¡ iguales. La situación se representa gráfrcamente en la Fig. Si es una va¡iable aleatoria discreta con función de probabilidad entonces la varianza es a'l = E[(X. = J-.NOS TEUREMAS SOBRE VARIANZA Teorema 3-4: é: donde p = E(X\.t)rl = Í__ O - ¡. varianza (o la desviación típica) es una medida de la díspersión o wriaeión de los valotes de la variable aleatoúa alrededor de ¡r.'¡* = .- y la desviación tfpica "=\F=+ Obsérvese que si X tiene ciertas dimensiones o unüadeq por ejemplo entímetros (cm).tr71x-¡l f(*).4. Otra ca¡rtidad de gran importancia en probabilidad y estádística se llasra lautianza y se define por Var(X) está dada = EÍ(X-*)'j (II) La varianza es un núme¡o no negativo. la varianza es grande. 3-r EJEMPLO ' 3. Hallar la varianza y la desviación tfpica de l¡ va¡iable aleatoria del Ejemplo 3. Entoncec l¡ varianza re encuenha por 02 = r/ t\21 tl("-n/l es / ¡\2 (z/ 2 ¿\r/f \ . V la varianza por o2. EÍ(X -p)'l = E(Pl - p2 = E(X') .. x^Si (1t) es X es una va¡iable ale¿toria continua con función de densidad f(r). &1. tenemos ¿ = l(u-p)r+(rr-p).¡. en tanto que si los valores tienden a distribuirse lejos de la media.3 TI|' VARIANZAY I. Fis.. De acuerdo con el Ejemplo 3. la desviación típica se denota por o en cnmbio de o*.)2 f(n) ita (151 I-a. Si los valores tienden a concentra¡se alrededor de la medi4 la varianza es pegueña. A la raíz cuadrada posiüva se le llama ladesviación típica y por úx = t/@ X = .2.+ (a"-plzlln que eslavarianzade turconjunto dez númerosf¡ ¡ .media y se le denota por t.78 ESPERANZA MATEMATICA lcAP.A DESVIACION TIPICA Anteriormente e_n la página ?6. Es por esta rcz6n que con frecuencia se utiliza la desviación típica. para el caso de dos distribuciones continuas con la misma . +.¡ media 6 p = E(X) = 4/3....2 l. anotamos que la esperanza de una va¡iable aleatoria X frecuenüemente se le llama la. es decir cm. ALGI.("-á) rota" = J.p)r) = 2 @.l0(Xll (161 . ¡. ("-i) l.

Entonces podemos @ol x* .p)'l @2) donde r:1.6¡.fi' f continuas) X alrededor del origen se define como pi'= E(X') dc:cler:0. se define como p..esdecirelsegundomomento central o segundo momento alrededor de la media es la varianza. es decir -"Ol cero y vayianzal.. y) = Var (X . Teorema Var(cX) -- (17\ 3-7: Si X. La relación entre estos momentos se expresa por @5) t". MOMENTOS El momento r de üna uariable aleatoria X alrededor de la media p. . l. Y son variables aleatorias independientes.2. Las variables normalizadas son útiles para comp¿üar diferentes distribuciones.yenestecasohayfórmulasanálogasa(23)y(24)enlascualesp:0. = pi- (l)r. Los valo¡es de una va¡iable normalizada se denominan algunas veces referencias tipificafus y X tipificadcs (es decir. así teniendo en cuenta el (91) E(X*) =6 Var(X*) : 1 o Oüra propiedad importante de Xx es que es una cantídad adimensional no tiene unidades aunque X las tenga. + "' + (-\'(.. o2* + (18) (19\ Generalizaciones del Teorema 3-7 a más de dos variables independientes se hacen fácilmente. Tenemos p.cAP. esto es.x---yUna propiedad importante de X* es que ti"rr" nombre de normalizcdc. En palabras.r. : E[(X . = i(r.. la varianza de la suma de variables independientes es igual a la suma de sus va¡ianzas.l. Sededuceguel.. VARIABLES ALEATORIAS NORMALIZADAS Sea X una variable aleatoria con media ¡r definir una uariable aleatoria normalizadd como y desviación típica o (o ) 0).' @61 .Y) = Var (X + (Y) ó Var (X) + Var (Y) 6 Var (X) + Var o2.)-l-¡t"i* "' * (-r)'¡.l (r) du -..f@) = )(rf@ p)'l\r) (variablesdiscretas) (variables \23) (24\ t'.*y o?-v : = ol o2* * o2. . también conocido como el momento central r. o se toma como unidad al medir X .a)" 1es mínima cuando a : p : E(X).j=l ti.2.'.p).3l Teorema 3-5: Si c es una constante ESPERANZA MATEMATICA 79 c2Yar(X) Teorema 3-6: La canüdad E Í6 .lJr:0y¡re : 02.. = 7)l momento'r de . se dice está expresada en unidades sín dimensiones.¿o:1.

De la expansión podemos demostrar que [Problema 3.=t eo'f(r¡) = 2 ) _. f M " son variables aleatorias con funciones generahices de rnomentos M y "(t) (t) respectivamente.'NCION GENERATRIZ DE MOMENTOS (27) - 'i|¡'a I-a. AIfUNOS TEOREMAS Teorema SOBRE LA FUNCION GENER ATR. Entonces X. = l"L.15 (c)] M*(t') : I + tLt * r...IZ DE MOMENTOS 3'8: Si Mx (ú) es la función generahiz de momentos de la variable aleatoria X y a y b (b 0) son constantes. IUI y (t\ idénticamente. En palabras.función generatríz de momentos se define como Mx$) ee decir = E(e'*) er"f (28) (variables discretas) (2el (30) M*(t) = M"(t) ¡ . La denotamos por .-" (32) es decir. FUNCIONES CARACTERISTICAS Si remplazamos ú : i<.16(D)l = fi*"Oll. 2p" 6¡Ir¡12 tt. Yson variables aleatorias con funciones generatrices de momentos M * (t) y M . entonces la función generatriz de momentos de (X + a)/b es + Mr*ro. la función generatnz de la suma de va¡iables aleatorias independientes es igual al producto de sus funciones generatrices de momentos. Y tienen la misma distribución de probabilidad solo si M.r.r(t\ Teorema = """'**(l) (33\ 3-9: Si X.3 Como casos especiales tenemos.t"2 lrt = t"L-Bp'rtr * l"t : t't. (r) . entonces M**"(t) = Mx(t)MtQ) (3 /r) Generalizaciones del Teorema 3-9 a más de dos variables aleatorias independientes se hacen fácilmente. Teorcma 3-I0 (Teorerna de la unicidad): Supóngase queX.#l+ "' * r:#+''' ¡"i (r 1) Puesto que los coeficientes en esta expansión nos permiten hallar los momentos.4pip I FI. la justificación del nombre función generatriz de momentos es lógica. ¡ri es la r-ésima derivada de M * (ú) evaluada en ü : 0. Donde no exista lugar a confusión escribimos M(ü) por M"(tl. (t) respectivamente. utilizando pl = p ygb:1. erf(r\ dr (r) (variables continuas) Podemos demogtra¡ que la expansión en serie de Taylor es [Problema 3.80 ESPERANZA MATEMATICA lcAP. donde i es la unidad imaginaria en la función generatriz de momentos obtenemos una función importante llamada lafunción característíca.

cAP.) = ó*(. fr+-Al.) (t'1) En general. Y son .3l ESPERANZA MATEMATICA 81 ó*(') =Mx(i')=E(e"*) Se deduce que (35) ó*(. f(r) = * Í*.et""f(r)dn . De una manera semejante podemos demostrar en el caso discreto que la función de probabilidad f(r) puede obtenerse de (36) empleando la serie de Fou¡ier. COVARIANZA Los resultados anteriores para una va¡iable pueden ampliarse para dos o más va¡iables. si X.|_. Teorcma J-I3 (Teorema de la unicidad): Supóngase que X. Teorema y 3-10 3-II: Si É*(ar) es la función ca¡acterística de la variable aleatoria constantes.39. VARIANZA PARA DISTRIBUCIONES CONJUNTAS. y).) d.f (r) (variables discretas) (86) (37) ó*(. "-'. las medias o esperanzas de X.). Los teoremas para las funciones ca:acterísticas correspondientes a los Teoremas 3-8. (t g) que con frecuencia se denominalafórmuh de inuersión o la transformada inuers de Fourier. @(<.'f.Los resultados correspondientes a (3I ) y (32) son (variables continuas) ó*(. entonces ó**r(. Una razón importante de introducir la función característica es que (37)representalatran* formada de Fourier de la función de-densidad /(r). En efecto.+ "' *t'ri#. Véase Problema 3.+ "' t"i (38) (3e) donde = FL¡'¿.)óv(.. 3-9 son los siguientes..**". Oh:a raz6n para utilizar la función ca¡acterística es que siempre existe mientras que la función generatnz de momentos puede no existir. Entonces X.) X.b (b + 0) son (+o¡ ó. Y son variables aleatorias con funciones ca¡acterísticas d*(<¿). que es el análogo de la integral de Fourier para el caso discreto.r ) idénticamente. por ejemplo. Y son variables aleatorias independientes con funciones ca¡acterísticas {* (c. ó"(<¿) respectivamente. Así..) = L*i¡t".#. De la teoría de transformadas de Fourier podemos determinar fácilmente Ia función de densidad a partir de la función característica..r Cuando no exista lugar a confusión escribimos ) por 4*(.-. Y tienen la misma distribución de probabilidad sólo si 4* (o ) : ó" (<.) = )er*t f(r¡l : ) fa a et'.20(') Teorema 3-12: Si ó" "t""ér(.(. entonces la función característica de (X + a)lb es X y a. Y son dos variables deatorias continuas con función de densidad conjunta /(r.) = . la función característica de la suma de va¡iables aleatorias es igual al producto de sus funciones ca¡acterísticas..r.r ) y (<^¡ ) respectivamente.

Y) = EUX . y) tenemos oxy = Í:.y (t = l) -¡.> > (r . y son independientes.f(r. lacova¡ianzaescero) decimosquelas variables X. Si X. entonces Cov(X.1 = El(Y Í:.t )2f(r. ty = E(y) : Í:- f_'- uf@. (+r¡ Ura¡ oxy . Y no estón relacionadas.s)(tnity . En el casodonde p: O (esdecir. COEFICIENTE DE CORRELACION Si X.rds.* = 22rf(a.3 t"x = E(X) : . Sin embargo. Y) = 0 (50) 2 Cov (X.u) tll ¡.y)d. Estudio posterior de la correlación se amplía en el Capítulo 8. En G3) V (46) se remplazan por /. 1"" @ .t")@ . De esto llegamos auna medida de la dependencia de las variables X. Y) : oxv = oxoy. = Cov (X. Var (X * Y) Var (X) * S Var (Y) * o'**v: "2*+"'l!2o*. Y son va¡iables aleatorias independientes.y'¡ itr (ry tal (t 6) caso Consideraciones semejantes pueden hacerse para dos variables aleatorias discretas.a)d.f"_ rf(r.a) donde las sumas se toman sobre todos ro.f _.O. Y es la covarianza definida por ¡r")] Otra cantidad que aparece en el caso de dos va¡iables úxy = Cov (X.p*)@ .E(X)E(Y) = o*". en este caso las variables pueden ser independientes o no.L= p < 1. Teorema Teorema 3-14: 3-I5: Si oxy = E(XY) . Del Teorema 3-L7 obsen¡amosque.ul x9 X.í = "? EÍr--¡.ylitxd. Llamamos a p el coeficiente de correhción.p*XY - (45) En t{rminos de la función de densidad conjunta f(x.to. Y) : oxv : 0.(.*). por ejemplo X : Y. Y son dependientes completamente. .")ul = l:- !_'.t r).82 ESPERANZA MATEMATICA [cAP. E(Xy) - pxtry (+s¡ X. Y.f"_. De otra parte si X. el Teorema 3-16 sd reduce al Teorema 3-7. Y) (51) (52) (5s) Teorema 3-16: (. Y son independientes. discretos de Los siguientes son algunos teoremas importantes sobre covarianza.rits (48) y las varianzas son ." = X2uf@. entonces Cov(X.t") f (r.p")f(r. u"ror". lo*"1 es Teorema 3-17: oro" El inverso del Teorema 3-15 no necesariamente cierto. f dada por oxY P- (5tt\ "*"" que es una cantidad adimensional.

f@ln) da alrededor de cualquier valor c como = E(Y lX: *). entonces de acuerdo con lo visto en el Capítulo 2 la función de densidad condicional de f dada X es f(y I x) = f(x.tf*rf@lx)da _^ Obsewamos las propiedades siguientes: @5\ donde "X: N" debe entenderse como x 1X S r * d¡enelcasocontinuo. I nlv les. VARIANZA Y MOMENTOS CONDICIONALES Si X. El tiempo promedio de viaje a una ciudad lejana es c horas en automóvil o b horas en buó.glX -. asf que lanza una mor¡eda. X. Tambiénpodemosdefinir elmomento condicionalrde YdadaX a\. Un teorema importante en probabilidad y estadística que revela una propiedad general de las y varianza finitas se conoce con el nombre de desigualdad. 1. f : Y6.) s 4 rr | / (58) (5e) o. EJEMPLO E(Y) : . E(Y) = E(YlX=0)P(X=0)* E(YlX=l)P(X=l) = + X como (56) De una manera semejante podemos definir la uarianza condicíonal de Y dada E[(V donde ¡. - al. yl.5. y)lf t@\ donde f1(r) es la función de densidad marginal de X. p€rsona eeperado? 3. Kti a2 P|X - pl> ko) k2 .. P|X-pl | 3. { Y: Yauro si X:0. Definimos la espensnzrt condicio¡wl o media condicio¡wl de Y dada X por E(ylX:r) = .r"siX:l.o - *r). para una moneda honrada. Una no puede decidir si conducir o tomar el bua.* Con frecuencia eb conveniente calcular las esperanzas empleando la Propiedad 2 y ¡ro directamente.con. E(Y lX = r) = E(Y) si X' }z son independientes. y el tiempo de viaje.tf. 12 y 3-3 también son válidos para la esperanza condicional. x = a) = Í__. Entonces si e es cualquier número positivo.YautoV YbussonindependientesdeX. así quepor la Propiedad 1 anterior y E(YIX -0) = E(f¡wolX=0) = E(Y*rol = c E(YIX= 1): Z'(ysorlX=l) = E(y5*) = b Entoncea la Propiedad 2 da (con la intcgral remplazada por una zuma).3l ESPERANZA MATEMATICA 83 ESPERANZA.rr - *r\2 | X = r) = Í_- . f@lr) du \57) Los teoremas comunes para varianza y momentos se amplían a la varianza y momentos condiciona- DESIGUALDAD DE CHEBYSHEV variables aleatorias discretas con media Chebysheu. = r)f 1(r)dr 2. ¿Cuál ee su tiempo de viaje donde Aquf eetamo¡ considerando la distribución conjunta del resultado del lanzamienb. Y tienen función de densidad conjunta f(x.Presuntamenb. de Teorema 3-18 (Desigualdad de Chebyshev): Supóngrise que X es una variable aleatoria (discreta o continua) son media ¡t y vañanza o2 finitas.cAP.LosTeoremas 3-L.:}(.

10 6lO% y se Fig. Estas son lamoda y lamediana. Sin embargo podemos demostrar que OTRAS MEDIDAS DE CENTRALIZACION : li*S"/t Como hemos visto anteriormente la media o esperanza de una variable aleatoria X provee una medida de centralización para los valores de una distribución. .25. f(r) es máúma. el resultado del Teorema 3-19 se llama ley de los gundes números en forma débil. En tales casos decimos que la distribución es bímodal. cada una con media g y varianza o2 finitas.2. . también se emplean otras dos medidas de centralizaciiln..\. . la probabilidad de que X diflera de su media en más de 2 desüaciones típica8 €8 menor que o iEral a 0. Algunas veces tenemos dos. . Así por ejemplo el área a la izquierda de la ordenada eD f.ro sería 0. Sean X. el ánea a la izquierda de r. . PERCENTILAS Con frecuencia es conveniente subdividi¡ el área bajo una curva de densidad empleando ordenadas de manera que el átea a la izquierda de la ordenada sea algún porcentaje del área unidad to tal. Un resultado más fuerte.q en la Fig. Cuando se hace referencia a la "ley de los grandes números" sin ninguna especifrcación. 2. . En tal valor r. llamado la ley de los grandes números. la desigualdad de Chebyshev. tiende a cero : g. equivalente. 3-2 es c. tres o más valores que tienen relativamente grandes probabilidades de octrrrencia.. en contraste. es que p con probabilidad uno. trimodal o multimodcl respectivamente. Xz. se implica la ley débil.En el caso de una distribución continua la mediana corresponde a la ordenada que separa una curva de densidad en dos partes que tienen áreas iguales de Ll2 cada una../n difiera de su valor esperado ¡¡ por más de e.34)... Con li31 frecuencia este resultado se denomtna ley de los grandes números en forma fuerte. realmente es falso.3 3.) Sn/n (60') Puesto que Sn/n es la media a¡itmética de X1 .84 EJEMPLO ESPERANZA MATEMATICA lcAP. Los valores que corresponden a tales áreas se llaman uolorcs percentila o simplemente percentíhs.6.25 6 P(lx-pl<2"\ > 0.3-2 . que esperamos sea verdadero. variables aleatorias mutuamente independientes (discretas o continuas). Aunque la ntedia es la más empleada. Mediana La mediana es el valor de r para el cual P(X = x): P(X. o en otras palabras. y. tiene la mayor probabilidad de ocurrir. En el caso de una üstribución discreta puede no existir una mediana única (véase Problema 3. La moda es el valor que con mayor frecuencia ocurtre. Esto es bastante extraordina¡io si se tiene en cuent¿ que aún no se ba eepecificado la distribución de probabiüdad de X LEY DE LOS GRANDES NUMEROS El teorema siguiente. este teorema establece que la probabilidad de que la media aritmética S. Si h : 2 en la desigualdad de Chebyshev (59 ) vemoo que P(X-pl>2s) í= 0. la probabilidad de que X se encuentre dentro de 2 dewiaciones típicas de su media es rnayor que o igual a 0. Por ejemplo. Teorema es una consecuencia interesante de 3. Moda.19 (LeV de los gnndes números): Entoncessi S.75 Literalmente. . r): 1l2. 1. : Xt* Xz+ .. =o "( *-" =.. Xn.75.pero cuando n '+ @. lim + X" (n=L.

O . esperanza Desviación media La desuiación media (D.11 : (62) SESGO Y CURTOSIS 1. 3. M.plf(r) (variablesdiscretas) = DllX-¡.M. Con frecuencia una distribución no es simétrica con respecto a un máximo sino que üene una "cola" más Iarga que la otra. hay diferentes medidas de dispersión o variación respecto de estas medidas centrales además de la varianza o desviación típica.tlf(r. El recorrido es la diferencia entre los valores más grande y más pequeño de una distribución. esta medida no tiene sentido si alguno de los valores extremos es infinito. Recorrido.l dr (variablescontinuas) : EllX -¡. M. 1. Fig.r representan los valores de la vigésima quinta y la septuagásima quinta percentila la diferencitrc. como en la Fig. Lógicamente.zs) es el reconído semi-intercuartílico. Recorrido semi-intercuartílico.r5 y x. Las medidas que describen esta simetría se denominan los coeficientes de sesgo o sencillamente sesgo. 3-{ Fis. La medida es positiva sesgada a la derecha o a la izquierda respectivamente.3l ESPERANZA MATEMATICA 85 llamaría la décima percentila (o la primua decilal. 3-5.(X) D.ll : f_.25 se Ilama el recorridó intercuartiticoy Il2 (x. Si r. 3-5. Si la cola más larga se extiende a la derecha. mientras que si la cola más larga se extiende a la izquierda.cAP.É. 3-3. Sesgo.r. 3-4. 2. Una medida empleada frecuentemente está dada por "4 :-_-----i--: E[(x. o negativa si la distribución está distribución simétrica o¡ : 0. OTRAS MEDIDAS DE DISPERSION Así como hay varias medidas de centralización además de la media. se dice que la distribución está sesgada a la derechc. se dice que eslásesgada a la izquierda. En otros casos la distribución puede ser relativamente plana como en la cun¡a a trazos de la Fig.ts . La mediana sería la quincuagésima percentila (o quinta decila'¡. es decir D.p)3] ps (63) que es una cantidad adimensional.. Medidas del grado de apuntamiento de una distribución se llaman coeficientes de curtosis o simplemente curüosis. Una de las medidas es 'il "ü"é D[(x . En algunos cafios una distribución puede tener sus valores concentrados cerca de la media así que la dishibución tiene un pico grande como se indica por la curva sólida de la Fig. como en la Fig. Para una o. Cu¡tosis.x. Algunas de las más comunes son las siguientes. 3-5 2.ts . 3-3 F'ig.p)n] o* p+ o4 (64) .1.) de una va¡iable aleatoria de lX.(X) X se define como la (6f ) ) lr.

¿Cuál es el precio justo que se debe pagar por un boleto? Sea X la variable aleatoria qrre denota la canüidad de Tabla 3-2 d:. Tenemog E(x) Entonces. [.'(+).86 ESPERANZA MATEMATICA lcAP.977t D(x): (150) (0./ 'l*)* 7 E(X+Y) = E(X\*E(Y) = 3. Véase también Problema 3.. El precio justo a pagar por un boleto es 6 peeoo.. pero los definidos anteriormente se emplean con mucha frecuencia. Sin embargo una lotería gana dinero.. |s = i .ero que se ganará un boleto. Hallar la esperanza de la suma de puntos al lanza¡ un par de dados honrados.02) + 750 (0.s resueltos ESPERANZA DE VARIABLES ALEATORIAS 3.'(*).. Es posible definir coeficientes de sesgo y curtosis utilizando otras medidas de centralización y dispersión.z.3 que es una cantidad adimensional.9?75) : 6.00 ó 6 pesos.41.002 3000 0..(*) .02 750 0. 3..2. La esperanz¿ de X en pesos es r (pesos) 150 0. .0005) + (0) (0. hágase á. js = !+ | + á + # +. s = .(i)" = +. por el Teorema 3-2. Sean X. Problerna.0005 0 P(X : r\ 0. el precio del boleto sería más alto.3.os diferentes valores de X conjuntamente con sue probabilidades se muestran en la Tabla 3-2.'(*) . = 1 PorüantoS:2.(+).002.1. Hallar la esperanza de una variable dada por aleatoria discreta X cuya función de probabilidad está Itrl Tenemos : (i)' (t=r. Entoncee Restando.. Y los puntos que aparecen sobre los dos dados. En una lotería hay 200 premios de $150.. 20 premios de $750 y 5 premios de $3000 Suponer que se colocan a la venta 10 000 boletos.'(#). Por ejemplo la probabilidad de obtener uno de los 20 boletos que dan un premio de $ 750 es 20/10 000:0.o\El = t7 \o. que tiene un coeficiente de curtosis igual a 3.) E(xt = Para halla¡ esta suma.002) + 3000 (0.(i). Comúnmente se compara con la curya nonnal (véase Capítulo 4).. - E(Y) ^/t\ = tll) * \o/ "' .s..

a. @n las sumar apropiadae remplazadas por integraciones: Obsérvese que el Teorema se cumple ¡i X. dv = Í"'=. . Y.-'a) E(Y) = E(X) + Si cualquier variable ee continua.Í:.t(g=\ll' : .y f(r. = zf-.).)-' r(#) = + (d) Por los Teoremas 3-1 y 3-2. . la demo¡t¡ación se de¡arrolla de igual manera.r. = 1 .e" *ta(#) dr ds = ! OEo método. Y son independientes o no. Í:=. f(r\ = {"-* lO o>0 r-=0 (¿) (ó) E(x): íl-rrrr. (d) E(zx +By). 1 E(x2) = !l* x. pág¡na?7.e"-"\a. página Z?. (b\ E(X.(#)0.o=o Halla¡(a) E(X). (b) E(Y). @ú r(x. La función de densidad conjunta de dos variables aleatorias f(r. . = .a) = (a) E(xt : Í:" Í:r f(r. EsPERANZAMATEMATTcA Una variable aleatoria continuaX tiene densidad de probabilidad dada por Hallar (a) E(X). \-T) X.rr /'-z'\ . conjuntamente con (o) y (b) E(zx+sy) = z^(x) + BE(y) 3. \ ":1"\ (1)\=4 /_jl.v) dx lra/96 o<r14'LcY15 de otra forma io l. . considerada discreüa.!:" f-er+Byv(r. Entonces E(x+y) = ))t"*úf(r.rl _'/ _ / '-z'\-'tl' = .a\ dr da = E(xyt Í."-r.rrr(g-"\ e")\-) + tzt\ -a /Jl. arl(ffi) a.3l 3.údrda = Í.a.'=" f:=. = fo. Y estádada por 3.cAP.(ffi)a. y) la función de probabilidad conjunta de X. = # (D) E(yt (d) (c) E(zx +Br) { .fL.4. (c) E(XY). = 3 : Í:. Puesto que Y eon independientes. tenemos utilizando partes (o) y (b) = E(x) E(y) = (*X+) = # = r(. o.fL.. Sea f(r.y) dr dy = Í.n=o l"'=.a) = ¿+"'o'Y) + ) 2Yf.o. Demostra¡el Teorema X2. o.6.=. .5. = + (c) E(xy) : !:" Í:.l@ ar = z fo* xze-z.

Además. y) la función de probabilidad coniunta de X.3 3. independienteo. / .u) = ) ) . p6g¡na 78. Por tanto Y.y f t@) fz(a) )1.*(á) # :%1 Entonces.(. con¡iderada di¡creta. tenemoe f(x.2.88 ESPERANZA MATEMATICA [cA". püa todo ¡. VARIAT'IZA Y DESVIACION TIPICA 3. Y rcn E(XY) = 22 Í!J! --t ra f@."*' ""'*"' =i'|í'.)'= i o = tFf-var(x) = \E = t r" : Ot¡o ¡nétodo. y. con las eumas apropiadae remplazadas por integracioneg. Si la¡ va¡iablec X. Halla¡ (a) la varianza y (b) la desviación típica de la suma obtenida al lanzar un par de dados honrados. (o) Como en el Problema 3. y) puede expresarae como una función de r multiplicada por una función I.4 l¿ media de X ee ¡t= E(Xl -.)'= * Var y.4.:r:¡:* ..r. var(X) (D) 3. Y ron independientee. y): f tG) /2 (y).9.7 Y) = Var (X) (Y) = F (b) ox+).1/2.7. (o) Del Problema 3. Demoshar el Teorema 3-3. Sea ¡t(¡. Pa¡a va¡i¡blee dependientec generalmente no ee cumple. puetüo que X. de ¡i X. Obsérvese que la validez de eate teorema gira alrededor de si f(. página 77. tenemos E(X): E(Y)= 7 12. ea decir. Y ¡on independientes.(l) var(X) Var (X * ' .10. por el Teorema 3. E(x2) = E(vz¡ ='. Demostra¡ el Teorema L4." (')no(')l E(X) E(Y) Si cualquier va¡iable e¡ continua la demoetración ee desarrolla de igual manera.'/'Q)2afztu) . Tenerno¡ E'(x ^"' * u' -'u. Hallar (¿) la varianz y (b\ la desviación típica para la variable aleatoria del Problema 3. por el Teorema 3-4. o.8. = Wa"(X+Y) = 1/g v6 3. = Var(Y) = +-(. Por el Teorema 3-4. Entonce¡ l¡ varianza e¡ Var (X) = Etá .p\zt = '[(* -])'] = l:_ (" _'L)' t*.\2 ^a = f-('-L)''"-"0' = i = El(x-r)21 E(xz¡-ll(x))2 = t.(+)-Fr.

págna79.pi E(Y - py) - o ya que X.t:..r. = t(4=\ / =. pág¡na 79. .t'+ "' + {-r\r\l)r.n)21 E[(X .-..11.tt)lo es una variable aleatoria normalizadq demostrar que (u) E(X*¡ = 0' (b) Var (X*¡: 1.P)21 + (P . p{ina 79.E(x. = .ar Y gnr -Y .. . se ri' y emplear cl Teorema 3-6.' .tt): E(X). mínimo de El(X-o)'l ocutre cuan- 3._i.(i )/.)¡.o)n = O. Demostrar el Teorema 3-6./ /\ /"\ = . La demo¡tración de (I9).a)2 pueeüo que E(X . Demeshar el resultado (26). Y . (a) puesüo que E(X) = E(x*t ¡r.'tut '\'/ + "' + (-L)'-'( t . Demostrar el Teorema 3-7. Y y por tanto X gue al remplaz. ... !¡rw-u¡ = L¡nwl-r) = a' o \ (x*) 0 (b) var = u" (?) = \o¡1x - u¡"1 oz =I utilizando el Teorema 3-5.ttv eon independiente¡. Pr = El(x-pl'l = nfL x. ...í':.ft\tr*"-.px) + (Y ..lt:0.\x. y el hecho de que E[(X tt)z1= 3.3] ESPERANZAMATEMAIICA 89 3.r?2.pv)l * El(Y EI{(X Var (X) + Var (Y) px)(Y pvl2) El(X - - pv)l = E(X . Er(x-'''. * .(i\*.)"n'-' + (-t)'p'l J \r-r/. * t-t'(T)t1"'-. Si X* : (X .t .EÍ6 .u\(Y .pv)}21 EllX . e¡ decir cuando a : ll.cAP.py) + (Y . + r-r¡t('. + (-r\'-'( n .13.px)2 * 2(X . página ?9. Var (X + Y) = E[{(X + Y) - (px + pv))2] = = = = utilizando el hecho de que .)t(")u'-l + (-t)rpr \.12.-'u \I/ + .px)(Y .TNCIONES GENERATRICES DE MOMENTOS 3. \t / \r/ + .!^r_':i.u. página 79.14...." -. MOMENTOS Y FI.ltx.r.:.-iut + "' + (-l)'-t¡ur * (-l)-rnt donde al combin¡r loe do¡ úlüimo¡ término¡ re¡ulta (-l)r-1(?'- 1)p'..i.pl|.2] + zEl(X . f)e esto vemos que el valor do (t¡ .

(á) = |G.. !utt" quc X.* pL=1. una variable aleatoria x tiene función de densidad dada por f(r\ = {z'-" [0 (ol r>0 r(0 momentos alrededor {4t* (o) la función generatriz de momentos y (b) los primeros cuafuo del origen. Pcto Al comperu Mx(\ tenemog t!:0. 8-18.. página g0.rfr....r ze<t-Dt : -T=Tlol@ = z li't<2 z-t. ¡á=0.90 EspERANzA MATEMATToA [cAp. Demostra¡ el Teorema B-9.. página g0. Demoshar (o) el resultado (Br ).2'.'. Y ron independiehtee. cualguier función de X y cualquier función de y son independientes.. (o) utlliz¡ndo lrr erpaneión en serie de potencia de eu (8..-"'ro. ffirol..*#. For t¡¡to Mx*vQ) = Elet(x+Yr) = E(etxetv¡ : E(etx) E(¿tv¡ = MxG) My(t) 8.e t-oma¡ los valores 1 y . = L*pt*uLr4. = L+tlt*uL#*ri#*.*#*. (r) (zl (I)V e\ = 1_¿+ r+_#*fr_ .16.r|r*frr. p'+=L. Todo¡ los momentos impares 6on cero y los pares Eon uno.._" 3. = 2 fo'e<t-z>'d.) * ..+"-. (o) Eqetx¡ = .16. 'r"') \ . (b) el resultado (g2).17.I con probabiüdad 1/2 cada uno. -T! \ 12 rg t + tU(x) + ae(xr) +¡a1xa¡ a .*rá#*u. Eltt (o) la función genératriz de momentos y (b) lós primeros-cuatro momentos alrededor del origen.) cn(ú - o)" cn = i.-'.ú3x3. M(t) = Eletx¡ = f" J eEf(t)dr fo" ""1..(. g s..t (D)Tenemor hsonce¡ et = e_t t+r+#.. La variable aleatoria X pugd.. = . Apéndice A) tenemoe Mxe) = E(etx¡ = n(t+tX-t2x2. (ü) dcú=oer Sc dcduce inmedi¡tamenüe del hecho conocido del cálculo de que si la ¡€nie de Taylor de f(ú) alrededor f(t) : enroncc .1 = .*"-.Lf".

216 pi = E(Xr) = .) = \ -./ \ -/ = cosa coso empleando las fórmulas de Euler ¿io con 0 * isena s-io = cos. tti = *.. Halla¡ la función característica de la variable aleatoria X del Problema 3. (b) alrededor dc la media./!\'_ . Por tanto.'. p6gin 80.17. = . : c¿." = B t.cAP.17(o) al remplazar t : i<¿ 3.". t = )2.1!) * r/9)' 85 ". La función característica está dada por Eteiux. tenemos ttl t2 = r-(*)'= # = 02 Fr . '.(l) -..20.r.(+) * .216 -r.r.'''-r2)/8r :"=i. El resultado también puede obtenerse del Problema 3.*L*!-L*!*./!\. para unava¡iable aleatoriaX con función de densidad r(r) (c) = i. = .".. Hallar los primeros cuaho'momentos (c) alrededor del origen./+b(.i¡en.\51 . = E(X) =#Í""*z¡s-¡z)itr =f pL tt = Elxz¡ = # 1"" *rn - s2) d.21. = l(3.Lp..19. "\5/ tt4 y.\.. 3] (b) S¡ lúl ESPERANZA MATEMATICA 91 ( 2 üenemo¡ z_t z L_tlZ 1 I = '.". /t = \.-+e i. . Jo "ot.*.. = 27-s\s5.8?b B6eg 8?50 ztcy q\. = 2 ^f FI.'. 2 4 8 p'n 16 Pero M(t) = * tt + uí#* rtfr+ tt^fi+ "' = P¡. Hallar la función ca¡acterística de la va¡iable aleatofia X con función de densidad dada por I r/2a lrl < a f(t) : io deotraiorma .'NCIONES CARACTERISTICAS 3. pi (b 12) dr = -51 ) Utiüzando el resultado (27\.r)\B/ -t\Ei _ ^. al comparar términos. 3.

. o" = asf que I .o<t> ¿sf . l:. la función ca¡acterística está dada por E(eiax¡ = . Si X. por tanto por oxy el problema 8.23.20) ceñ d = ao.23 = Cov(X. + fo* n.3 D(etx¡ = f-. y eon independientes entonces E(Xy) : E(Xl E( y) .¡xXY .donde c ) 0 y c es una constante apropiada. úu empleando las fórmulas de Euler (véase problema 3. a..6-'l "iar¿-.o = 8en Cú.p*y .Fxpy . Y es oxy = Y) = El(X ."r.f?o/.io') = _a2 a2 * o2 COVARIANZA Y COEFICIENIE DE CORREIACION 3. Demostra¡ el Teorema B-15. Por tanto.* npv] = E(XY) .. = "{lo 4f-o u-n<-.92 ESPERANZA MATEMATICA La función ca¡acterfstica está dada por lcAP.. 3. e<o+iarz * Jo ¿-<a-.pv)] = E[Xy ._(a_io) ü a L 2(o* io) 2(a.24.r'. Puesto que f(r) es una función de densidad tenemog Í)."-*l* = -Alo = I - Entonces c: ol2.t an + !o' "-"r.pxE(Y) . página 82.f(r)dr tlÍ-"eíore-o<-x. = 2a io l-o = | al@t la ela@ .r = "lÍ:.E(X)E(ts) = 0 .rrrrru.e-ho 2ia.c-atxt d.22.lxtty = E(XY) _ E(X) E(Y) Cov (X. -oo < Í 1 @.l*-ei. = *t_""^"0. Hallar la función característica de la variable aleatoria X con función de densidaa f@) = ee-atEt. Yl = E(XYI -.pyE(X) * E(pxpvl = E(XYI . Demostüar el Teorema B-14.útit¡) l€ lo lo .LJ_-e(a+t@)ro" q. Por definición la covarianza de X.pvX. arf 2c O + .ryttx * pxpv = ElXy). 3. e-(a-i@)¡ 2 a*io l-" ' . página 82..

.*.. Ju=o {rú{rr r sl dr dv = .ú = . (/) Var(x). sl Hdla¡ Cov (X.. (e\ E(Y')... lr.25 si las va¡iables aleatorias X.cAP.'. (0 p. (c) E(XY). + (0)(1Xc) + (0X2X2c) + (0)(3)(3c) + (1X0)(2c) + (1X1)(3c) + (1)(2Xac) + (1XBX6c) + (2)(0)(ac) + (2X1)(6c) + (2X2X6c) + (2XB)(?c) 427 ld.. E(Y). página 52. Y se definen como en el Problema 2.o.a\l = .ur".or.(1)(1ac) +(2)(22c\ = 58o = E = n 78c E(Yt = 22af.. [] tA.al = )"rl-)ftr.n".a\ .[) ¡@. f"t=u our. (¿) (b) = ))o/(". Utilizando c : LI 2LO tenemo¡: (¿) (c) E(xt = E(Y\ E(xY) h + s) dr t.=. (b) t 93 (¿) 3.r. 2.at) = 4. txv o = oxnv -.:-* J. * (1)z(1ac) E(Y2') lllr"t *l =t . =# =+ = 22u2f(u. si las va¡iables X.-. (d) E(X').o1.o.alf '* = *.3..lyL47.26.at) = rr.8..lrrr"o*.J"-o{o)1"Iuld'rita = I70 6s = tf67580 . (s) Var(Y)..2103 apror.ul = )y.ol. EsPERANZAMATEMATIcA y)./zso r/55 -20: = 3.(1)(9¿)+ (2)(L2cl+(3X15c) = = = 22nufia. Y se definen como en el Problema E(x) (a) E(X'¡. .tuo = re2c: #= + = (fr (s\ (r) (ñ oxy o2* = var(x) = E(x2r-l*(x\)z = +-('*) ffi 4= = var(Y)= E(Y2')-lE(Ytl2= cov(X. = E= + (c) D(xY."=.y) = ?rh f(.. página 50.y) = E(xy)-E(x\E(yt ?-(it)'=:* = +-/+)l+) = --+ r47 7 \21l\7/ -0.O. Resolver el Problema 3.) (e) E(xz¡:22r2f(r.26.r". dy = %T t 16 ri = ñ)"=.. ..= = t/zwan ' 15514..

Demostrar la desigualdad de Chebyshev. pág¡na62. (o) (ó) E(ylX=r) = Í-_afrtuldau = ír'r(rr")* = + E(xly=y¡ = f_-".x=2) = -. * a) dr tru = # otr . página 61.\r-. Hallar la esperanza condicional de Y dada X : 2 en el problema 2. .=o. 3 (d) (el u') b) (h') (t oxy =# E(Yz¡ = h f. la función de probabilidad eondicional de Y dada X : 2 es ftutz) = Entonces la esperanza condicional de Y dada + 2.y) = E(xy)-E(x\E(y) = ?-(?f)(*t) oxy = -# -0.var(X) = E(xz¡-ll(xtl2 = #.28(o).rrrr.^:.30.# E(xz¡ =h Í.(#).03129 aprox. .(#). X: 2 es E(Y =2) "x = ? r(+) X: donde la suma se toma sobre todo y que corresponde a E(y. Presentaremoe la demostración para variables aleatorias ecntirruas.(rlytdr = í"'"(#*S* El=a\ 3.za condicional de Y dada 2(L-ys¡ 2(l+y*y2) --¡O+7I- x para eI problema 2.a varianza pedida (segundo momento alrededor de la media) es 12 z"\'/zu\' =18 E[(v-pr)zlX=r] = f'w-td2fz@lr)da = ('/ Pz"'=J.29..28."=.27.(ui) .rrr.94 ESPERANZA MATEMATICA fu'=o [cAP.27.2g. * v) dx da = cov(x. Como en el hoblema 2. La demosbación para variables discretas es semejante si ee remplazan las integralee por sumas. VARIANZA Y MOMENTOS CONDICIONALES 3. . = var (y) = E(vz¡ _ l'(y))2 = t# _ (#)' = t. pág¡na 62.zlB del Problema 8.(iu) = ii 3. [. DESIGUALDAD DE CHEBYSHEV 3.. f u'.pág1na62.2g. Hallarlaesperanzacondicionalde(c)YdadaXv(b)XdadaYenelProblema2.g. Si f(r) es la función de densidad de X entonces . .)\t)* J_- donde hemos utilizado el hecho de que ltz: E(Y lX: r) :2. Esto oru o"oo oo. p= oxoy -200l3969 /50s615e6-0 {r6únsn -200 t/zsnr/te zzs = ESPERA}IZA.(#)' = *tq*$ o2. Hallar lavariar¡.

*Var(X.. "..|) ol ¿l \l \ o = J¡ | f :l/2 Ze-udr = 1 - e-3 Portanto (b) Del Problema 3.25 Comparando con (o) observamos que el límite dado por la desigualdad de Chebyshev e¡ ba¡ta¡te crudo.. Así por la desigualdad de Chebyshev con Tomando el límite cuando n ) -.3l ESPERANZA MATEMATICA 95 02 = EI(x - p)21 (' = J-* @ - p)2 l(r) dr Puesto que el integrando es no negativo. DeI Problema 3.). ¡¡ (o) = 1/2. Tenemos E(Xrl = E(X2l = . (b) Utilizar la desigualdad de Chebyshev para obtener un límite superior de P(lX . como se pide. el valor de la integral solamente puede disminuir cuando el int¿rvalo de integración se reduce. La desigualdad de Chebyshev P|X-pl > f) resulta P(lX¡r] = 1) < oz = 0.'*"') .rl > 1) y compararlo con el resultado en (a).* .x.18. Entónce¡ P1x ¡. Por tanto P(lX-rl > 6) 3. = E(X) = p Var(Xr) = Var(X2\ = "' = Var(Xn\ = o2 Entonces t(*) = "(*'*'. Para la variable aleatoria del Problema 3. Demostrar la ley de los grandes números establecida en el Teorema 3-19.ul=') 02 esto se conviertq.18.+E(x")l = L(nt) = = Var(Xr)*.¡rl > 1).*X.¡.'.(-:. ¿lr-al=e Pero Ia frltima integral es igual a P(lX - pl ? .|ww.(l*-*l \t o2 =t)/ = 1-(1-e'r) = p2 e-s = 0. página 84.04e?e = plr- = 7/4. LEY DE LOS GRANDES NUMEROS 3..t)/ = .cAP.t <1) = "(l*-*l . /ts r|..) = o . .32.) = ¡toz tt Var(S") = Var(Xr*'. Por tanto 02 t¡z-ttlZe rlr-yl=. '|. En la práctica la desigualdad de Chebyshev se emplea para dar estimativos cuando es inconvenientc o imposible obtener valores exactos. (c) hallar P(lX .t+.31. | \ _ ul=_ .18.) así que t'" (+) = 4 var (s") = * X: Sr/n üenemos _/ls" | \ donde hemos empleado el Teorema 3-5 y una extensión del Teorema 3-?.

la mediana y la media se muestran en la Fig. La moda.. es Í: L. e8to e3 f(r ) ocurre dondc . (o ) La moda se obtiene hallando donde la densidad f (x) ea máima. aquel valor deo parael cudlp(X é a): ll2. P(x<a) Igualando eeta = *. y (c) compararlas con la media.96 ESPERANZA MATEMATICA lcAP. En este caso probabilidad esLl2.3 OTRAS MEDIDAS DE CENTRALIZACION 3.60 = 1. (c) Comparar la moda" la mediana y la media. que ea La moda pedida."on-r2tdr = #(Y-t) 2aa_36a2 all2 hallamoe que *91 = 0 de donde _ia2 = 36a\436P-4(2X81-) . La función de densidad de una variaut¡ aleatoria continua x es osc<3 f(r) : 1:'@-r2)/8r de otra forma l0 (a) Hallar la moda. que debe enconharse entre 0 y B. .?3 aprox. l(r't 3.36='ñ¿r ze) az de donde o = sli{z- q Por tanto la mediana pedida. eetá dada por = n-Zr/.9 - -'l 86 - 8l l2r2 = u Entonces . para el cual la . (a)/ La moda es el valor de 4 asociado con la probabilidad más grande. Halla¡ (a) la moda y (b) la mediana. una va¡iable aleatoria discreta tiene una función de probabilidad f(r) : !12' donde 2. r.62 apror. (c) ' E(x) = + ('¡z(g-xz\da = !(t*-+)l'= 8l\ 5/lo 8lJo que prácticamente ee igual a la mediana. r: 1. (b) La medianaee 1.84.[. . 3-6. (b) Hatlar la mediana.¿rL 81 -_l = 'r2) df ar. El máximo relativo de la derivada es cero. = fr: aegunda derivada. . . Ob¡érvese que este valor da el máximo ya que la -24x 187 .33. ea negativa para x = 1fá. Ahorapara0(a ( 3.

(c) Del hoblema 3. : 2. . OTRAS MEDIDAS DE DISPERSION 3. (c) Como se encontró en el Problema 3.1253 3693 8750 (a) Coeficiente de sego -: o. (o) Puesto que todos lós valores ¡ ) 3 tienen probabilidad cero.n "¡fa' = Í^" (.")[#. PERCENTILAS 3. a (c) f.098 aprox.? 5.l0.33 hallamos que s : 0.33(b) tenemos (o) LadécimapercentilaeselvalordeoparaelcualP(X5o):0.3.35.33. Entonces E(lX = D..". (b) el recorrido semi-intercuartílico y (c) la desviación media para la distribución del Problema 3..esdecirlasoluciónde(18a2 : 0. Por tanto Recorrido semi-intercuartflico = ?121 . Del Problema 3.cAP. I.33.37. Por tanto el orden de las tres medidac es contrario al del hoblema 3.3l ESPERANZA MATEMATICA 97 (b) Si¡escualquiervalorentrely2.121 reepectivamente.0 : 3. M.33 la media Desviación media ee lt : 1.t):ll2. En forma análoga puesto que todos los valores ¡ ( 0 tienen probabilidad cero.)[#'n . Determina¡ (a) el recorrido.098 y 2..*l[#.r - pl f (n) dr = l"' l' . Entonces el recorrido es 3 . (b) La vigésima quinta percentila es el valor de a tal que (L8o2 P\X<a)=#(Y-fl = "# aa -a4¡¡8t \l8L : O. (b) Por el Problema 3. :.25.36. tomamoseluolor móximo de ¡: 3.68 aprox. tomamos el uolor mínimo de ¡ : 0.-1998 0.r :: . Hallar el coeficiente y (b) curtosis para la distribución del Problema 3. : 1.o .P(X=r):l12yP(X.33.655 apror. (b) vigésima quint4 (c) septuagésima quinta percentilas para la distribución del Problema 3.19 tenemos 02 ll 25 It3 oo - 32 8?5 -0. Por coneecuencia escogemos el punto medio del intervalo.'"¡)a' = SESGO 0. Del hoblema 3. (" . = - p|) = l_". es decü 312. Determinar los valores de la (c) décima.19.L21 aprox. Empleando el método del Problema 3.10. o sea ¿ 0.Portantacualquie¡númeroentrel y 2 podrfa representar la mediana.35 los valores de la vigésima quinta y septuagésima quinta percentilae son 1.l : 2. Y CURTOSIS de (a) sesgo 3.60 : 8/ó.a septuagésima quinta percentila es el valor de ¿ tal que (18o2 - a4 ¡¡8t: o @a.")] d' + Í.b1 aprox.

¡ rru.{o) r/o Con frecuencia llamamos Q$.página 80. Qk¡). respecto I @ desde 0 hasta 22.t_ | eú .i)o ¡f.. = . .39..98 ESPERANZA MATEMATICA lcAP. . = o" = M"(0) - lM'10¡12 1. ./" . = 2¡p f -o --n .Para una variable ¿leatoria continua.. n2. . la serie de Fourier se rernplaza por la integral de Fourier (véase página 81). (b) Mulüiplicar ambos lados de la expresión (r) . = I#+i:"-o 2¡ tt'' sr(.. pk 1 12= T.l ¡rt" . "" Entonces j f'= " -iia 4. . ti = M'(ol Entonces de (27) tL = M"(o) p = Iú'(0) 3.40... También la distribución distribución normal.r-... . 3.. - I zt. yp¡ los coe¡icietttes tte iour¡"r. . que tiene una curtosis de 3. .. remplazaudo j por h. ¿ k icr_. Sea p..1.1. .(".x¡ ¿ior¡ = - i -) r^.> ]¡xeik. " t*''L i:.n.. ú"r**:r. es algo menos apunüeada que la 3€. f-ri".. tenemos remplazando r : L y r : 2. Utilizar el Problema 3.l l''.. f tl' . Si M(tl es la función generatriz de momentos para una variable aleatoria X demostra¡ que la media €S g : M'(O...¿.. De (32).u-¡ . coS c do -e ':. (a) Hallar la función característica 0(n) de Xy (b) obtenerpk en términos de es Íp: h con probabilidadespr donde k: + (a\ Lafunción ca¡acterística -. Del Problema 3.' '^'y'.." .Iu-| é(o) E1er...r i r)d (¿@ I ¿ir r 1._ .. como se indica en la Fig. .. 4¡ J.tlZ Se deduce que hay un sesgo moderado a la izquierda. X una variable aleatoria que toma los valores t n. o1_o o. puesto que f_"n.1. y la varianzaes 02 : M"(O)-ÍM'1O¡12..Z. PROBLEMAS DIVERSOS 3..39 para obt€ner 14 distribución de probabilidad de una variable aleatoria X cuya función característica es O(<¿ ) : cos .j .39 I pt..38..rf t1o k+j k---j Por tanto rt ¡ P¡ . J..(ar tra -= k =S o*Ja " ¿i{r'.3 (b) Coeficientedecurtosis = et :.

Iülla¡ el coeficiente de (c) sesgo y (b) curtosis con densidad de la distribución defrnida por la curua normal..2"-22/2¿¡ ¿u = + 'to f'sz¿-x'/z¿. Por tanto el coefi- La di¡tribución tiene I¿ apariencia de la Fig. (r |.Pa¡alo¡oEdvalore¡dektenemo¡p*=0. Por ta¡¡to la va¡iable aleatoria ectá dada por X=) Comó una verificación vúas€ hoblema 3.41.1"/1) = r \/.20. 3-? (b) Tenemos p.cAP. cientc de sesgo es cero. "_.)21 = E(X2) = pí = ps = qllX -p){] = E(X4) = p'n -o2 'lt4-.si.1"/l) = -{. {2¡ or. (o) f(t)= l¿-"'" l/Zn- -co<n<e l!\ : llt = O y lt\:0. . = h Í.\2/ {. \ Fig.2." *../. = Z Jo {i . (. 3-7.'\2/ Entonces = EI(X. 3 Por tanto el coeficiente de curto¡i¡ e¡ -i-ó . # to' '"t2"-'d'o B L 4. 2 2'\2/ = .8. Por simetrÍa. 2'\2/ dadas en donde hemos efectuado la transformaciín xz 12 : u y utilizando las propiedader de la función gama (2\V 6\ del Apéndice A.k:-1hall¡mogp-r=*.x2/2 ¿.3l ESPERANZA MATEMATICA 99 Si&:lhallamosr'=$./g\ = {..p.= -z-rll) . = E(xz¡ = -+ ¿l" l/2r -. -f rz ¿. Análogamente obtenemos ti = E(xr¡ = h fl= o. con probabiüdad Ll2 con probabilidad Ll2 -r 3.

zl \ 'xv\2 "i" "x/ --t-"i = ""*"1-o'*"=-0 ó *=1 '7ní queesequivalenteap2 < "'*"?.¡.x)(Y- pv)l = + c2al - 2co*. (bl E(}X-21. (b) E(Xz *)a2).44.zcEl(X.otr ___q__ .!\'Entonees el lado izquierdo puede escribirse El¡.45. + n?. 9. (b) E(Xr).s suplernent&rio s ESPERANZA DE VARHBLES ALEATORIAS 3.49. 1/6 X una variable aleatoria definida por la función de den¡idad ( 3n2 O< r=_L /(r) = 1 0 de otra forma Hallar (a) E(X).46.Y = ] 3 prob.3 3. Sea prob.47. La función de densidad de una variable aleatoria X es /(r) = (e-r r>0 de oüra forrns 10 Hallar (o) Eo(l. (c) E'l(X-1)21.r\' Para que Ia última cantidad sea mayor o igual que ce¡o para cada valor de c debemo¡ tener 1 ó -1 < p < l. I 1 3. 3.( ". Y variables aleatorias indeperrdientes cada una con función de densidad fZ"-¿" f(tt) = II 0 Hallar (o) u>0 de ot¡a forme E(x+Y).48.-". 1/3 por . Sean X. (c\ E(Xt). = o?. . 3. (b) E(zX + 6). (c) E(XY). (cl E(X21.."Í\"-.100 ESPERANZA MATEMATICA p [cAP.42.Y El(Y _¡v)21 c(X - Px))21 = 0 / ol. Hallar (a) E(XI.{) * -. Demosbar que -1 < s1 (véase página 82). / . Una variable aleatoria X se define | -2 prob. ll2 . ¿Cuál es el número esperado de puntos que resultan en 3 lanzamienüos sucesivos de un dado honrado? ¿Parece razonable su solución? Explicar. * c2El(Xr ¡x)21 . Para cualquier constante real c tenemo¡ . g. I Problerna. Una variable aleatoria X tiene la función de den¡idad (e-' r>0 /(r) = {l0 ^ ¡(0 Hallar E(e2x/31. -2"":'\ -" -* \"r* ) -/ = oí+oil"-.

.48? Explicar.50? Explicar. 3. (b) "x. 3.62. en eI Problema 3.58. Sean X.7/2 prob. (ó) E6?+ X'r+ . en el Problema 3. .54. 3.52? Explicar.51. X2.53.. (ft E(xY).49. Xn n variables aleaüoria8 que están distribuidas idénticamente tal que | 1 Xt. 0f s<I. . 3. = I Z [ -_r Hallar (o) E(Xt+ prob. 1/4 Hallar (o) E(3X+2Y). Si /(t. (cl E(XY). Sean X1 . (b) E(Y). . (b\ E(XY) : E(X) E'(Y). que (o) D(X + Y) = E(X) + E(Y). (b) E(Xy) -. Y variable¡ aleatorias independientes tales que ^ vt || prob. s) = ] : de otra forma |0 Y). Sea X una variable aleatoria con función de densidad f (e-. Y va¡iables aleatorias con función de densidad conjunta Hallar (o)^E'(X). . 3. (f. (b) E(. 3. (d) E(XY). (b) "x. (c) E(X-rY). (x) = io x>-0 de otra forma Hallar (o) Var (X). Hallar (o) la varianza y (b) la desviación típica del número de puntos que resultan en un EoIo lanzamiento de un d¡do honrado. E(Y\.0=tt<2 lr(t*u) l\x'a) = f deoüraforma 1o (b) E(Y). (d)E(XY). VARIAT{ZA Y DESVIACION TIPICA 3. ¿Se cumple que (c) E(X + Y) = EIX) + E(yl. tc)E(X+Y\. en el Problema 3.cAP. Sean X. 1/B prob.'. (b) E(2X2-Y2). + Xn).E(X) E(Y). 3/4 prob.66. Sea X una va¡iable aleatoria con función de den¡idad (1/4 -2f x=2 l(rl = jo deotraforma Hallar (o) Var (X). 3.2/3 v) | 2 i -a prob.55.XY\ 2 = E(X) E(Y\. 1/3 \o prob. 1/6 Xzl . Y va¡iables aleatorias con deneidad conjunta f(r'al = iat' Io o-<:us1' o<tl<1 de otra forma Hallar (o) E(X).57..0lyf 3.69.3l ESPERANZA MATEMATICA ¿Se cumple 101 3.50. ¿Se cumple que (o) E(X + Y) = E(X\ + Sean X. (d) E(X2t').(zr+y) 0<r='I. 3. * Xil.

E(X): 2. 1/2 -tn primeros cuatro momentos alrededor del origen. g Problema 3.63. momentos al¡ededor de la media están dados por = p1 - ItI"'(. Hallar el hésimo momento alrededor (a) del origer^. 3.43. 2\21 Si una va¡iable aleatoria X es tal que E[(X Demostrar el Teorema 3-1. (b) Var (X).(0) + 6M"(o)lM. Si X tiene función de densidad ¡t") : -i (l/(b-a\ O a'=r=b de otra forma. demostrar que el 3o. 3. (a ) 3.43. (b ) ox. 3.67. Hallar la función carar:terística de la variable alcatoria X con función de densidad f¡): (x/2 io 05rtZ deotraforma .73.70. 1/2 prob.72. Si M(ú) es la función generatriz F:t de momentos de la variable aleatoria X. (c) o¡.01 - 3M"(0) ¡l'(0) + 2lM'(0\13 Ifrivr(Q) 4M.44.67 halla¡ los primeros cuatro momentos alrededor de la media. Hallar los primeros cuatro momentos alrededor de la media en el Problema 3. (á ) Problema 3. (a) Hallar la función generatriz de momentos de una variable aleatoria con función de densidad f(t) = fe IO y (b ) r r>o de otra forma determinar los primeros cuaho momentos alrededor del origen. Halla¡ Ia función ca¡acterística de la variable aleatoria (a X = 7 ó I prob.68. - 1)2] = L0.62.66. 3. En el Problema 3. Demostra¡ el Teorema 3-11. y 4o.65. (b) de la media..64. 3. 3.7 lxl I a deotraforma 4. Ei6 - . (o ) Hallar la función generatriz de momentos de una va¡iable aleatoria X con función de densidad (r/2 l(r\ = {-0 l(b ) Emplear la 0Érl2 de otra forma función generatriz de (o ) para hallar loe primeros cuatro momentos alrededor del origen.'(0) ¡f. (b) Problema 3.71. Hallar (o ) Var (X )..r02 3. 3.69.(0)]2 - 3[M'(0)]4 FUNCIONES CARACTERISTICAS 3. E(X2 ) : 8.60. p Prob' g=L-P Hallar la función característica de la variable aleatoria X que tiene función de densidad í'llZa f(r) = 1o 3. Hallar (o) la función generatriz de momentos de la variable aléatoria x = y (b ) los ( U2 1 prob. 3. página 81. 3. ESPERANZA MATEMATICA Hallar la va¡ianza y la desviación típica para la variable aleatoria X del Una va¡iable aleatoria X tiene (a ) [cAP.6 hallar (a) E(X).61. 3. MOMENTOS Y FUNCIONES GENERATRICES DE MOMENTOS 3.44. página 77.

cAP. 3l

ESPERANZA MATEMATICA

103

3.?5. Sean x.- = "l ] [ _l

::":,tfl *r,"0,". pr<tb. t/2

aleatoriasindependienres(E=

t,2,...,n).

Demosrrarquelafun-

ción característica de la va¡iable aleatoria

x\+x2+...+x,
\n
es [cos (,,;/1ñ)]".

3.76. I)emostrar que

cuando n -+ @ la función característica del Problema B.7b tiende Tomarel logaritmo de la función característica y emplear la iegla de L'Hospital).

^ "-o2/2.

(Sugerencio:

COVARTANZA Y COEFICIENTE DE CORRELACION

3.71.

Sean

X, Y variables aleatorias con función de densidad conjunta
f

(r'a) =
(c)

(x rA 1o
(rt)

0.*1

r=1,0<U<L

de otra forma

Hhllar (o) Var (X), (ó) Var

(y),

o¡,

oy, (c¡ oy.., (t') p.

3.?8. 3.?9. 3.80.

Resolver el Problema 3.2? si la función de densidad conjunta es ¡(2,

y) = .fr'^ "'u' i0

r > 0' y > 0
de otra forma'.

Hallar (o) Var (-Y),

1ür)

Vat Y, (c) o¡,

ftt) oy-, (e)

"xv,

(/) pt

para las variables aleatorias del Problema 2.5?.

Resolver el Problema 3.79 para las va¡iables aleatorias del prc,blema 2.99.

3'81. 3'82.

¿'(l') - 3, E(XY).= 10, E(X2) - 9, Er(l':) -

Hallar (o) la covarianza y (b) el coeficiente de correlación de la¡ dos variables aleatorias X, Y si E(X) 2, =
16. es

El coeficiente de correlación de las dos va¡iables aleatorias X, Y Hallar la covarianza.

-

1/4 en tanto que sus varianzas son B y 5.

ESPERANZA, VARIANZA Y MOMENTOS CONDICIONALES

3,83.

Si

X, 1l tienen función de densidad

f(r,u)
Halla¡ la esperanza condicional de (a)

=1
y

fr*u
o

0<¿=I,0ay<1
de otra forma

dada

3.g4.

Resolver el problema 3.g3 si

/(¡, y) (b ) X dada

.f,2e-

X (b)X dada y. t' t tvt r > o', y -

0

Io

de otra forma

3.E5. Si x' y tienen la función de probabilidad conjunta dada en la Tabla 2-g, página 24. Halla¡ la esperanza
condicional de
(a

) Y dada

{

y,

3,86'
3.87. 3.88. 3.89. 3.90. 3.91.

Si X' y son variables aleatorias independientes continuas demostrar que las densidades condicionales de X dada Y y de Y dada X son las mismas respectivamente que las densidades marginales de X y y.
Establecer y demostrar un resultado para variables aleatorias discretas análogo al del problema 3.g6.

Ilustrar por medio de un ejemplo el resultado del (o) Pro'¡rlema 3.86. (b) problema B.g?. Hallar la va¡ianza condicional de
(o

) Y dada X, (b ) X dada Y para la distribución del problema S.gB,

Resolver el Problema 3.89 para la distribución del problema 8.g4. Resolver el Pr<¡blema 3.89 para ra distribuciorr del problema2.gg.

104
DESIGUALDAD DE CHEBYSHEV

ESPERANZA MATEMATICA

[cAP.3

g.g¿. Una variable 3.93.

aleatoria X tiene media 3 y varianza 2, lJtilizzr la desigualdad de Chebyshev para obtener un superior para (a) P(lX - 3l > 21, (b) P(lX - 3l > 1). lfmite
Demostrar la desi;ualdad de Chebyshev para una variable digcreta X. (Sugerencio; Véase Problema 3.30).

g.94. UnavariablealeatoriaXtienelafuncióndedeneidad f(r)=[c-ltl,-@ <r < -. (o)HallarP(lX-pl>21. Emplear la derigualdad de Chebyshev para obtener un límite Áuperlor de P(lX - ¡,tl > 2 ) y compararlo con el
resultado en (o).
Sean X1

1

3.95.

,

X2, . . . , Xn n va¡iables aleatoria¡ independientes cada una con función de densidad

f(r\ = [l/2 |. 0
Si S*

-1 <c<1
de otra forma

- Xr+ X2 + "' + X. demostrar que

P{ ljl -\l
LEY DE LOS GRANDES NUMEROS

_/ls"l \ _ i.l
"l /

|
3ne2

3.96.

Demostrar que la ley de los grandes números (en forma débil) puede establecerse como

e interpretarla.

l* "( l;-'l'')
^t( v

/ls-

I

\

=

1

3.9?. SeanX¡ (h:1, ...,n)

n variables aleatoria¡independientes tales que

| \o

(

orob. n prob. q

=L-P
¿qué interpretación

(o) Si X¡

representa

Puede darse

el número de caras en el k-ésimo lanzamiento de una moneda, 8 S' = Xt * "' +X'?
caao s€ reduce a

)

I)enostrar que la ley de los grandes nfrmeros parg este

e

interpretar egte resultado.

"trx

"(

/1s.,o1= |

l;-

'

1=

\

o

g.g8.

Sean

X¡, h = I, 2,. . . , variable¡ aleatorias independientes

cada una con función de densidad

f(r\ = -.+--^ TlL + r')
g.gg. (o)

-@<s<@

Demostrar que la ley de los grandes números no es válida en este caso'

Problema 3.98 se rempliaza por ¿Sería válida la ley de los grandee números si la función de den¡idad del

f(r):cl(l*rt)?

(b)

¿Es necesa¡io que existan todos lo¡ momentog nfimeros sea válida? Justificar su reqpuesta.

de una distribución para que lrr ley de loa gnndes

OTRAS MEDIDAS DE CENTRALIZACION

3.100. Hallar (o) la mod¿ y (b) la mediana de una va¡iable aleatoria X con función de dengidad

f(r) =
y (c) compara¡las con la media.

le-t {o

r¿0
deotraforma

cAP.3l 3.101. Resolver

ESPERANZA MATEMATICA
el Problema 3.100 si la función de densidad es

105

(at¡-¡z¡ l(r) = 1o ( 2

0<r<1
deotraforma

3.102. Hallar (a) la mediana y (b) la moda para la variable aleatoria definida por

y compararlas con la media.

x = i -t

prob. 1/3 prob. 2/B

3.103. Hallar
media.

(o

) la mediana y

(b

) la moda del conjunto de núrneros l, 3, 2, 1, 6, 6, 3, 3 y compara¡la¡ con

la

PERCENTILAS

3,104. Hallar los valores de la (o ) vigésima quinta y
función de densidad
f

(b ) septuagésima

quinta percentilas para la variable aleatoria con

(2(l-r\ (rl = iu

0.1

x!-L

de otra forma

3,10-5. Hallar los valores de la

(o ) décima, (b ) vigésima quinta, (c ) septuagésima quinta, (d ) nonagéaima percentila pa¡a una variable aleatoria con función de densidad

f

lc(r-rs\ (n) = i o
de densidad dada por

-1

.1

r{1

de otra forma

donde c es una coriatante apropiada.

3.106. Una variable aleatoria X tiene fr¡nción

f(u):
I)emostra¡ que la percentila 100p tiene el valor

(e-, 1n -ln
(1

rl:0
deotraforma
donde 0 = p

-p)

< l.

3,f0?. UnavariablealeatoriaXtienefunci6ndederuidad f(r)=ll"(I*r'2), de La percentila es tan (p - | lz)n donde 0 ( p ( 1.
OTRAS MEDÍDAS DE DISPERSION

-@

<n ( o.flemostrarqueelvalor

3.108. Hallar (o)

el recorrido, (D) el recorrido semi-intercua¡tílico y (c) la decviación media para

!r va¡iable aleatoria

del Problema 3.104.

3.109. Resolver el Problema 3.108 para la va¡iable aleatoria del Problema 3.105. 3.110. Expücar por qué el recorrido no es una medida de dispersión útil en el (o) Problema 3.106, (b)Problema
3.1 07.

11. g.ll2.
3.1

Demostrar que el recorrido semi-íntercuartílico para la va¡iable aleatoria del Problema 3.106 es

Ll2ln

3.

Demostrar que eI recorrido semi-intercuartílico para la variable aleaüoria del Problema 3.107 es 1.

S.1f

3.

Hallar'la desviación media de a va¡iable aleatoria X en el (o) koblema 3.106, (b) Problema 3.107.
de su media por más que el recorrido semi-in'

3.114. Obtener Ia probabilidad de que la va¡iable aleatoria X difiera
SESGO Y CURTOSIS

tercuartílico en el caso del (o) Problema 3.104, (b) Problema 3.106,

3.115.

Sea

/(z) = I| ^ 0

(c(1

-¡t¡

-1 <r:'1

donde de otra ^-.,_-, '. forma ,.

c es una constante apropiada, la función de densidad

de

la variable aleatoria

X. Halla¡

el coeficiente de (o) sesgo, (D) curtosie.

106

ESPERANZA MATE\'ATICA
para la distribución del Problema 8.106.

[cAP.

B

3.116. Halla¡ el coeficienüe de (o) eergo y (b) curtosio

3.117.
3,118.

¿Puede definir¡e un coeficiente de cu¡tosic para la distribución del Problema 3.10?? Jusüifica¡ su rerpuecta. Si

f(r)=1t
curto¡ii.

l"(1
Io

r/

l"l\ -;l

rl=a lr )a

donde c c. un¡ con¡tante apropiada. e¡ la función de den¡idad de X, hallar el coeficiente de (a) ceego, (b)

3-1i9.

Flalla¡ el coeficiente de (o) sesgo, (b) curtosis, para la distribución con función de deruidad

fk\={
PBOBLEMAS DTVERSOS

ftr¿-I¡ l0

r>0 ¡(0

8.120. Se¡ X una variable aleatoria que puede toma¡ los valore¡ 2, L, g con probaSilidadea 1/3, Ll6 y Ll2 respectivamente. Halla¡ (a) la media, (b) la varianza, (c) la función generaEiz de momentoe, (d)lafunción
cancüerf¡tica,
(e )

el tercer momento alrededor de la media.

8.121. Re¡oh¡er

el hoblema 3.120 si

X tiene función de den¡idad

f(r\ = {c(t-r\ [0
donde c es una cotutante apropiada.

o(r(1
de otra forma

8.122.
8.129"

Se

l¡n2¿¡ t¡es dados honrado¡ ¡uc.ecivamente. Hallar

(o )

la media y (b ) la va¡ianza de la euma.

Sca

X una variable ¡le¡tcia con función
f

de densidad

(r\ =

cr 1o
f

0=r<2
de otra forma

donde c es "'l constante apropiada. Hallar (o) la media, (b) la varianza, (c'¡ la función generatriz de momentoq (d) la función c¡racterfstica, (e) el coeficienüe de rergo, (l¡) el coeficiente de curto¡i¡.

8.124. Refuiéndo¡e al Problema 1.166, página 37, determina¡ el nl¡mq¡o de c¿rta¡
apropiado.
Si

eeperado que llegarán al dest¡no

8.12ó.

X, ftienen función de den¡idad conjunta |

f(x,u) = "ra 1o Haltar (a) E(X2 + Y2), (b) E({XzTF¡.

0(r(1,0<37(1
de

otn forma

3.120. Reeolver el Problema 3.126 8i X, Y ron variable¡ aleatoria¡ independiente¡ di¡ribuida¡ idénticamente con funcione¡ de densidad f(u\ = (2¡)-t/2e-!2/2, -@ < r¿ < €. 8.127.
Sea

X una va¡iable aleatoria con función de den¡idad

f(r)
y rea

= {j

;;j;;"

Y:

X2. Halla¡ (a)

E(XI,

(b)

E(f), k) E(Xy't.

cAP.3l

ESPERANZA MATEMATICA
paxe

ro7

3.128. Utiliza¡ el resultado del Problema 3.L27
sean independientes.

demo¡trar que podemos tener E(XY)

:

E(X\ E( Y) rin que X, Y

3.129. Demo¡trar que si { Y son variables aleatorias independientes, entonces Elf(X)g(Y)l = E'lf(X)l'Olc(üll donde f(X) y S|Y) son funciones de estas va¡iables. ¿Hay alguna reeüricción sobre est¿r funcioneo? Elplicar. 3.130. Si )( y son variables aleatorias con función de X, Y se define como
de densidad conjunta f(x,
?@ ?<

y) la función generatriz de momentot

M(t,u.\ = Elecx+r1 =

|

|

,tz+ut

f(n,ü dr d.u

(o) Hallar la función generatriz de momentos para la di¡tribución del Problema 3.125. (b) ¿Er la función generatriz de momentos de X, Y en este caso igual al producto de las funciones generatrices de mbmento¡ de X y Y por separado? Expücar su respuesta y decidir si este es el caso para todas las funciones de densidad conjunta.
3.131

.

f)emostra¡ cómo puede emplearse la f unción generatriz de momentoe del Problema 3.130 para hallar E(Xn Yn ) donde m y n son enteros positivos.

3.132: De acuerdo c.on el hoblema 3.130, ¿cómo defrnirÍa la función ca¡acterfrtica de X y Y? trustrar por medio
de un ejemplo.

3.133. Un juego conriste

en lanza¡ una moneda hasta que ap tezca una cara. Si e¡to lucede en el h-é.imo l¡nzamien' lia moneda ec honrada y dircutir el significado de su reepuesta (Eete juego se conoce como laporadojo de Son Petersburgol.

to un jugador recibe 2h dólare¡. Halla¡ l¿ esperanza ruponiendo que
Reeolver el Problem¿ 3.133 si la moneda ectá cargada. eon variables aleatoria¡ entonces
/t \ ¿

3.134.

3.135. Demostrar que ei X1 , . . . , Xn

var( )x* ) = k=r )va"(X¡.)* l*k cov(x¡xt) ), \t=r /
3.136.
3.f
Sea M(ú)

entonces (a) K'(0)

la función generakiz de momento¡ de la variable ¡leatoria X. Demoeha¡ que si K(ú) = ln.ltl(f)

= p = E(X),

(Ó) /<"(0)

=

o2

= Var (X).

37.

Refiriéndo¡e at íobtema 3.136, erpreear (o) el tercero y (b) el cua¡to momentos en t&tninoc de K y ¡r¡¡
derivada¡ evaluadas en

t:

0.

3.138. Obtener

resulüados correepondientes a los Problemas 3.136 y 3.137 para la función ca¡acterf¡tica. de den¡id¡d

3.139. Sean Xt, Xz, . . , , Xnvariablee aleatorias independientes distribuidas idénticamente con función I l/2a l(t) = io
donde o

lrl I

a

deotraforma

)

0. Hallar la función ca¡acterfetica de

xl + x2+ ... + xn \/"
Comparar 3.140. (a) Demostrar que cuando ,r + € l¿ función ca¡acterí¡tica del Problema 3.139 tiende ¿ con los hoblema¡ 3.75 y 3.76. (b) ¿Qué conclusionee puede extraer acerca de los lfmites "-a2/2. de la¡ di¡tribuciones en los dos casos?

Capítulo 1
Distribuciones de probobilidod
con nombre propio
DISTBIBUCION BINOMIAL O DE BERNOULLI

un experimento como lanzar una moneda o un dado repetidamente, uma repetidamente, etc. Cada lanzamiento o a hay una probabilidad asociada con un suceso a o la selección de una bola roja. En algunos cas a pmeba a la siguiente (como en el lanzamiento de la rñoneda o del dado). A estas pruebas se 9" }n" leg lln'na independienfes y se conocen como las pruebas d,e Bernoulli en memoriá de Jamej Bernoulli quien las investigó a finales del siglo XVII.

Supóngase gue tenemos

probabi prueba
Sea

i:'aJ"Ti:i"3:"::T:xll"!'llff$:J,:
ada

pruebas

de que el suceso ocurra.r veces en n por la función de probabilidad

r)rqt.r donde la va¡iable aleatoriaX denota el número de éxitos en n pruebas y r : 0, l, . . . , fl.
EJEFLO 4.1. La probabilidad
de obtener exactamente 2 ca¡as en 6 lanzamientos de una moneda honrada es

f(r) :- p(X:n) = (])r,n"-, = ¡f_;¡

(r)

PIX=2) =

/e\/rf/r\6'? \,,,
\2/t\Z/
)

_

/r\=/1 'zÁ\!/ \, ¡o-z )

6:

lb
61

puesto que para

La función de probabilidad discreta (f ) con frecuencia se denomina distribución bínomial r = 0, 7,2, .. . , n correspondb a los términos sucesivos enlaexpansión binomial

\q+p)'

= o"

* ('i) q, 'p + (i)0" ,u, *

+ pn

: á ('1'1r-,,,-,

(2\

También se llama distribución de Bernoulli. Una variable aleatoria con la distribución (f ) se dice que e¡tá distribuida binomiabnente o es de la distribución de Bernoulli.

AIÁI.JNA.S PROPIEDADES DE 4-L.

LA DISTRIBUCION BINOMIAL

Algunas de las propiedades importantes de la distribución binomial se presentan en la Tabla

EJEMPLO 4.2. En 100 lanzamientos de una moneda hon¡ada el número esperado o media de cáras es ¡r = (100)($) =
60 en tanüo que
La

desviación tÍpica es o

: y'jfbo¡rr¡}¡ :

g.

cAP.4l

DISTRIBUCIONES DE PROBABILIDAD CON NOMBRE PROPIO
Tabla 4-l Media Varianza Desviaciírn típica

109

!

'np

o2 .. tt'l¡q

o =

ytirytq

Coeficiente de

sesgo

_ q"
|LIft¡

p

v npq

Coeficiente de curt<¡sis Función generatriz de momenCos

l-6pq
y npq

=

ft¡

l- yter)n

Función característica

4,6) = (qIpe,.)"

LA LEY DE LOS GRANDT]S NUMEROS PARA LAS PRUEBAS DE BERNOULLI
pruebas de Bernoulli y se presenta en el teorema siguiente.

La ley de los glandes nümeros, página 84, tiene una interpretación inüeresante en el caso de las

Teorema

4-1

(Ley de alealoria proporci
ro positivo,

núrheros para las pruebas de úmero de éxitos en n pruebas Entonces si p es la probabilidad

li,

:

Sea

así € es c

l'*"(l

{i_ rl ,.)

:

o

(3)

En otras palabras: a la larga se hace extrer¡ailamente factible que la proporción de éxitos, X/n, sea tan próxima como se clesee a Ia probabiliCad de óxitc¡ en una sola prueba, p. Esta ley en un sentido justifica el em¡r!+n de la definición de probabilidad en Ia página 6" Un resultado rnás fuerte lo suministra la iey de los glandes nülner<;; en forma fuerte (págrna 84) que establece que con protrabilidad uno lirn .\/r¿ --: ,l/, es decir X/n realmente conuerge o p excepto en un caso despreciable de casos.

DISTRIBUCION NORMAL

Uno de los más importantes ejemplos de una distribución de probabilidad continua es la distri' bución normal, algunas veces denominada la distribución gaussian¿. La función de densidad para la distribución está dada por

f(x) :

-L-¿--r'-r'r2':'2 o¡/2-

-co <'t <

oo

(¿)

donde p y o son la media y la desviación típica respectivamente. La función de distribución conespondiente está dada por

I-(r) = P(X<r) : -!-; f' o\/Zr -'t

¿-'"-u''/b'd1)

(5)

Tenemos z de la variable tipificada el wlor tipificado.z: + . du (s) se Algunas veces llamamos al valor encuentra relacionada con la función enor.. resultando de f(z) : le-"'" V2" . P(-3< Z<3) = 0. (r) Este resultado se conoce frecuentemente como la iunción o la distribución de densidad normal tipif!eada. *t(ft)] (e) En la Fig.96.99?3 (10) ¡$$. P(-Z=Z<2) = 0.-. algunas veces conocida como la curva normal tipificda.68.z. La función F(z) eú(z) = z-frÍr' e-u'd. En este caso la función panZ puede obtenerseapartir de (4) alremplazar! = 0V o: 1. A parür de esta tabla se pueden encontrar las á¡eas entre dos ordenadas cualesquiera utilizando la simetría de la curva al¡ededor de z : 0.8 yque3) las cuales rcn iguales aJ. que es uno.451/" y 99.Nl/s-> 96.9545. 4 En este caso decirnos que la variable aleatoria X está normalmente distribuida con media g y l.46%. 99. Esto quiere decir P(-1<Z=L) = 0. 4-l z En el Apéndice C se presenta una tabla que da las áreas bajo esta cun¡a limitada por la ordenada O y cualquier valor positivo de z.u y F(z) : á['.27%. 4-1 se muestra una representación gráfica de la función de densidad (7).6827.2 y 3 desviacionestÍpicasde lamedia(esdecir entue z: -1y * L.. du = + # fo' . En esta representación gráfica hemos indicado las áreas dentro de L.".73% del área total. La función de distribución correspondiente está dáda por F(z) = P(Z < z) = I t/2" Í'-"-.. es decir si hacemos (6) z=r= entonces den¡idad la media o el valor esperado de Z es 0 y la variartza es 1. ert (z). Si hacemos que Z sea la variable normalizada correspondiente a X..73% Fig.110 va¡ianza DIsrRIBucIoNEs DE IRoBABTLTDAD coN NoMBBE pRoplo [cAp. : .-2y I2.

El hecho de que la distribución binomial tiende a la distribución normal puede describirse aI escribir Literalmente. Poisson. se llama la distribucíón dePodsson (en memoria de S. Los valores de f(r) en (13) pueden obtenerse empleando el Apéndice H.rup)ll/nfiqes t¡m P(a= (12) normol asintóticamente. 2. L. tal que la función (1g) de probabilidad de f(r) = P(X--x): {] r=0. quien la descubrió a comienzos del Siglo XIX) y una variable aleatoria con esta distribución se dice que está distribuida de acuerdo con la distribucién de Poisson. . la distribución binomial puede aproximarse estrechamente a la distribución normal con vaúable tipificada dada por z = 4_ll vnpq (rr) Aquí X es la variable aleatoria que da el número de éxitos en n pruebas de Bernoulli y p es la probabilidad de éxitos. DISTRIBUCION DE POISSON Sea X una variable aleatoria discreta que puede toma¡ X esté dada por los valores 0. 1. . (Véase Problema 4..¿r) : L J" f"-u2tz ¿r. . . Esta airi¡Uu"iór. La aproximación es tanto mejor conforme aumenta n.4l DISTRIBUCIONES DE PROBABILIDAD CON NOMBRE PROPIO 111 ALGUNAS PROPIEDADES DE LA DISTRIBUCION NORMAL Algunas de las propiedades importantes de la distribución normal general se presentan en la tabla siguiente. y en el límite es total. donde tr es una constante positiva dada. En la práctica la aproximación es muy buena si ambos np y nq son superiores a 5. n+€ \ vnpq / 1/2n que la variable aleatoria tipificada (X .cAP. ALGUNAS PROPIEDADES DE LA DISTRIBUCION DE FOISSON Algunas de las propiedades importantes de la distribución de Poisson qe presgnf¿rr en la tabla siguiente. o utilizando logaritmos....D.2. Tabla 4-2 Media Varianza Desviación típica 02 o Coeficiente de sesgo Coeficiente de curtosis 0l=0 01 D Función generatriz de momentos Función característica II(t) : ettt+(Ú2t2/2) é(r) = "itto-'{'r2a2/2) RELACION ENTRE LAS DISTRIBUCIONES BINOMIAL Y NORMAL Si n es muy grande y ni p ni q están muy próximas a cero.t7). que da los valores de e-r para diferentes valores de ). decimos x -'p .

. . T'¿orema .. ya que al remplazartr:np. .qN1-yp=OenlaTabla4-1 obtenemoslosresultadosdelaTabla4-3..4 a2=tr Desviacióntípica Coeficiente de sesgo I "=rA n¡ -. Coeficiente de curtosis | = 3 + 11/x) Función generatriz de momentosl Il(t\ "rrrr--l) I Función caracteristica I O(") = -- ¿tr(c'(¿-r' RELACION ENTRE LAS DISTRIBUCIONES BINOI\ÍIAL Y DE POISSON mientras que np es menor que 5.ó (X..TL2 DISTRIBUCIONES DE PROBABILIDAD CON NOMBRE PROPIO Tabla 4-3 Media Varianza lcAP.t. .7/t/i ". . TEOREMA DE¿ LIMITE CENTRAL l . '. = n-ú \m P( \ a s" = -l'¿ o/?? = o) / = .u d. Podemos demostrar que si X es la va¡iable aleatoria de Poisson de (I3) y (X .r)/V[ es la variable a]eatoria tipificada correspondiente.l-= ('"..). . Xr. va¡iables aleatorias independientes que están distribuidas idénticamente (es decir todas üenen la misma función de probabilidad en el caso discreto o función de densidad en el caso continuo) y tienen media p y vatianza u2 finitas. Esto se ve comparando las Tablas 4-7 y 4-3. (r¿ . (15) .ladishibución de Poisson tiende aladistribución normal a medida que n or mal asi n tót i came n te. Xrl-Xr -1. 4-2 (Teorema del límite central): Sean X..2. Efectivamente esto sucede. se deduce que hay también una relación enhe las distribuciones de Poisson y normal.1..r)/V.'.f es La semejanza ent¡e (1 2) y (14) naturalmente nos conduce a preguntarnos si existen ohas distribuciones ademas de la binomial y la de Poisson que tengan la distribución normal como c¿lso límite.. RELACION ENTRE LAS DISTRIBUCIONES DE POISSON Y NORMAL Puesto que existe una relación entre las distribuciones binomial y normal y entre las distribuciones binomial y de Poisson. (1 4) estoes. Entonces si S. +X. En tales casos l¿ distribución de Poisson (I3) con tr : np.. . V2=. entonces En la distribuci sucesoestácercad la práctica conside grande :1- es raro l'* "(" x-r 1A :j ¡r ) : . El extraordinario teorema siguiente revela que realmente una gran clase de distribuciones tienen esta propiedad.J.t* Í"'" '2t't ¿..

..pedondePt.. se mento.Ak'ocurraennpruebassonnpr. = 000344 ElnúmeroesperadodevecesqueAt.5 y6exactamentedos veces cada p. esto es .ón hipergeométrica. Si un dado honrado se lanza 12 veces. es la función de probabilidad Xr. .=Z.l.:1" SiXl . .3.. Xr. laprobabilidaddeobtener uno es ESta distribución. que es Ia variable tipificada a normal asintóticamente... La media y Ia varianza paxa esta dist¡ibución son .....cAP. se llama la dístribución * pz * "' 1.ftPn E(X1\ -' np1. + .llt. por ejemplo.2. + flh : f. la variable aleatoria (5"-np)/"1/ñ.x:-2. E(Xk) = nqk (17) DISTRIBUCION HIPERGEOMETRICA s n pruebas de un experiSuponga que una caja contiene b bolas blancas y se regresa la bola a la caja. conjunta para las variables aleatorias multinomial puesto que (16) es el término general en laexpansiónmultinomiald" (pt EJEMFLO 4. decir las bolas no se regresan a la caja después de seleccionarse.. es verdadero bajo condiciones más generales...P: ¡'/\b + r\..en ét cü¡ se to. entonces p(x _ rl = V¿lu\r* .xix*x¿xlxá)' #. que es una generalización de la distribución binomial.AppuedenocurrirconprobabilidadesPt.*Pz Xe sonlasvariablesaleatoriasrespectivamentequedanelnúmero devecesqueA¡.uv. El teorema también DISTRtrBUCION MULTINOI\{IAL SilossucesosAl.. rr] . Ar..3.* (16) n..--r.-6P\'P')'' "P'.A2. se cumple cuando son variables aleatorias independientes con la misma media y la rnisma varianza pero no necesariamente distribuidas idénticamente.4l DISTRIBUCIONES DE PROBABILIDAD CON NOMBRE PROPIO 113 es decir.+ p.Xo=2\ = z.4. Xz:Tt2¡ donde .'rXk... q --.. E(Xr) : rlp2.il \?¿i (b\( r \ (1e) Esta es la distribuci.1. Xr=nx) : nr. es Xr. ..An ocurreenuntotaldenpruebas. + ph)" .hur(.. es Si modificamos el experimento anterior de modo que el rnuestreo sea sin remplazamiento. escoge una bola aleatoriamente...Pz.demodoque X1 -lXz* "'*Xt = +. En tal caso si X es la Este tipo de experimento se conoce como muestreo variable aleatoria para el número de bolas blancas escogidas (éxitos) en n pruebas..Az. S.-. Xr. * n.hPz. respectivamente. entonces empleando la distribución binomial (/ ) vemos que la probabilidad de r éxitos es (r 8) ya que p: bl\lt'tr)........Xr.. n" entonces P(Xt.x.

n'-" o2 = 'ILPQ p=nP esperábamos. = i@-a). párySna 109.a)/(b-a) a< n <b rzb |1 f o r<a (27) La media y la varianza son respectivamente u = |@+b) DISTRIBUCION DE CAUCHY Una variable ". en tanto que las proporciones de bolas blancas y rojas 6onp y q = L. si la función de densidad de X es (2el .p respectivamente. Los resultados son los que N gmnde el muestreo sin remplazamiento realmente es idéntico al nuestreo con remplazamiento. r=Nq (21) (I9) V e0\ se conviertan respectivamente en P(X = x'¡ = (22) p--nP Obsérvese que cnando (23) escribirse como N -+ .(ó N es grande comparada con n). (281 X tiene la dbtribución de Cauchy.4 (20) 'tL -: D+r nb Si consideramos que el número total de bolas blancas y rojas es N.s=#=# de modo que 6 b=Np.114 DISTRIBUCIONES DE PBOBABILIDAD CON NOMBRE PROPIO [cAP. La función de distribución está dada por F(rl = P(X = x) = j (t. ya que para (25) de acuerdo con las primeras dos entradas de la Tabla 4-L. DISTRIBUCION I'NIFORME Una variable aleatoria X está distribuida uniformemente en a 3 fi 3 b si su función de densidad es f (t\ = Il/(b-a) {o a<r<A de otra forma (26) y la disbibución se llama duúnbución uniforme. entonces .=#=*. que puede (24) p(x=t:) y (23) se reduce a = (I)o. (221 se reduce a (I8).

p son positivos. La media y o2 : nF2 Qt.-:^:Jo-r(l -r\tt-t r(CI) l'(p) f(r) = I 0 ( ¡ <1 (35) o de otra forma donde o.0) Ia varianza están dadas por (81) f (a) es la función gamma (véase Apéndice (32) La función generatriz de momentos y la función característica están dadas respectivamenté por M(t): (1-pr¡-" DISTRIBUCION BETA Una variable aleatoria é(. X.cAP. Apéndice A. Sin embargo la función característica existe y está..-+x?. t.) = (l.CUADRADO Sean X.t-1 t-lB2 (37) DISTRIBUCION CHI. variables aleatorias independientes distribuidas normalmente con media cero y vartartza 1.t e-tttt r)0 rS0 A). Sin embargo no existen la varíartza y otros momentos superiores. Considérese la variable aleatoria x": X'i+xt+.+a Para a (lo rrB c-= (.Bl o I las funciones beta -j)u-' 0(r(1 ^ de otra forma (o.dada por $lu'): ¿-o' (30) DISTRIBUCION GAMMA Una variable aleatoria tiene la distribución gamma si la función de densidad es f(r) : donde -r p"t'(tt) lo F:all I ru--.B>0) (3t\ donde B(a."11 f(r) : 1 tA. entre y gamma la distribución beta también puede definirse por la función de densidad I r'r..9) es la función beta (véase Apéndice A). La media y la vananza son ts=.. (3 8) . . X". + Br -' \jl-):-.Bi"')-" (33) X tiene la distribución beta si la función de densidad es [*.p. .4l DISTRIBUCIONES DE PROBABILIDAD CON NOMBRE PROPIO 115 Esta función de densidad es simétrica con respecto a x :0 así que su media puede toma¡se como cero.t*B):(a+B+1) (s6) > L. Análogamente no existe la función generatriz de momentos. En vista de la relación (9). . P ) t hay una única moda en el valor 4'lmoda - . .

los valores de las percentilas de la distribución chicuadrado para grados de libertad se denotan por x. La distribución definida por (39) tiene la función de densidad correspondiente dada por f (r\ = ) 2'/! t'('/4 Í(t'/2'-r e- [_ r_ lo r/2 r ) o (to¡ r<o : t¡ Se observa que la distribución chi-cuadrado es un caso especial de la distribución gamma con o .. . . Entonc€S ¡2 = Xt'+Xi+'. Esta es una notación ambigua y el lector debe emplearla con cuidado. Entonces susuma fV: Ur | '.. é(') = (1 -2i. donde r.'(. y V.vr gIados de libertad. especialmente cuando cambie de variables en las funciones de densidad. es común en el estudio estadístico emplear elmismo símbolo para la variable aleatoria y el valor de esa variable aleatoria.j tiene distribuciónchicuadrado con z grados de libertad.. o2 : 2r. donde y2 llama chi-cuadrado.-.¡. ..)t\-/ lt L1. Ur. variables aleatorias independientes. e-ulz du (3e) YP(x'-r)=0Parar(0.. tiene distribución chi-cuadrado con r grados de libertad..116 DISTRIBUCIONES DE PROBABILIDAD CON NOMBRE PROPIO se [cA?. Si V. ¡... La distribución definida por (39) es la ddsfribución chi-cuadrado y v es elnúmero de grados de libertad. con distribución chi-cuadra- Otros dos teoremas que son útiles en el estudio posterior son: Teorema 4-4: Sean U... (págrna 117). variables aleatorias independientes normalmente distribuidas con meáia 0 y varianza 1.. DISTRIBUCION ¿ DE STI. Entonces V2 tiene distribución chi-cuadrado con v -.i( 1' /j' -) / 'l' -¡(f<o (42¡ . = 30) con media 0 y varianza 1... ó r. gradosde li+ U2 + . En conexión con la distribución chi-cuadrado.. la distribución ú (más adelante). Xr. (Véase Apéndice E). - 1 está casi distribuida normalmente Las consideraciones anteriores se sintetizan en el teorema siguiente. .. ..Uo variables aleatorias independientes do . Por tanto tL = 1..¡''r'' (tr podemos ciemost¡ar que{2y2 Para grande (. o simplemente xto si v se sobreentiende y no ' pot ftp. . ) v. '..4 A.. r'2. M(t) = (l-zt¡-.. Así.IDENT Si una variable aleatoria tiene la función de densidad lft\ : _/r + r\ r\--ct¡. - 12.. Teorema4-3: Sean Xr.. t Un tiene distribución chi-cuadrado corl r'. f X..v" -l bertad. y Teorema 4-5: Seü V. B: 2.. grados de libertad mientras que V : Vt * V..".r grados de libertad respectivame'hte.tt..-. tiene distribución chi-cuadrado con r. -l. la distribución F y otras. X.12. Entonces podemos demosha¡ que para n > P(x' < r) = 2¿úr:) Ío 0r...

.161).j (. donde Y está normalmente distribuida con media 0 y varianza L mientras que Z tiene distribución chi-cuadrado con v grados de libertad. vr..45) donde P: 0. > 30) la gráfica de f(¿) se aproxima estrechamente a la curva de la distribución normal como se indica e_n la Fig.cAP. o simplemente la dístribución t.. Los valol¡es de lis percentilas de la distribución f para v grados de libertad se denotan pot tr.. La media y la varianza están dadas respecüvamente por p?ra u.. con v grados de libertacl. Fisher) con v. "2 (r'.n. 4-7: Sean Vt y V. o sencillamente ü. 4-2 (véase Problema 4..95 Y P F. ...'IJná tabla que da tales valores en el caso z¿<0 grados de libertad se denotan por P : . Para una tabla que da tales valores véase el Apéndice D.. gados variables aleatorias independientes con distribución chi-cuadrado y vf de libertad respectivamente. Teorema *6: Sean Y y Z variables aleatorias independientes.. Si v es grande (. tr-o : -ún. si se sobreerltiende p.>2) &r¡ Los teoremas siguientes son importantes en el estudio posterior.A. Entonces la variable aleatoria @a¡ tiene distribución f' con . ) 2) Y O-= (to¡ La distribución tiene una moda única en el valor (t'nt?)(#) Teorema (u.> 2) (t*s¡ El teorema siguiente es importante en el estudio posterior.4l DISTRIBUCIONES DE PROBABILIDAD CON NOMBRE PROPIO LL7 t de Student.. por ejemplo ¡f o. vr.gmdos de libertad. se dice que iiene la distribución Para la distribución ü tenemos p:0 Y "z:. Puesto que la distribución es simétrica.t y uz grados de libertad... o sencillam (. r.. (4t) tiene la dishibución ú con . v.:1. Entonces la variable aleatoria 11- Y lzt. DISTRIBUCION ¡ y v" grados de Una variable aleatoria liene distribución F (en memoria de R. Iibertad si su función de densidad está dada por u)0 Los valores de las Fp.

n] (4s¡ donde -o ( t.Z. .118 Teorema DISTRIBUCIONES DE PROBABILIDAD CON NOMBRE PROPIO lcAP. Aquí La variable aleatoúa X representa el número de pruebas de Bernoulli hasta. b. p es la probabilidad de éxito en una sola prueba. se considenn positivas al menos que se establezca lo confrario. donde se da. 2. En el caso de (491esta condición también es suficiente (véase Problema 4. Y. = t!-qprzt. Teorcma 4.. La función ca¡acterística se obtiene de la función generatriz de momentos. (+)' ) /.4 *8: 4-o.r'X?) . DISTRIBUCIONES DIVERSAS En las diskibuciones descritas más adelante.r *1. = (X -t)o'n'-' r :.' {-[(?)' -. p. 1. Distribución binomial negativa o de Pascal.rr.0(* :.r.51). r. e incluyendo. Y. lt:po'=p2 r"rq E+S La va¡iable aleatoria aquella en que el r-ésimo éxito ocurra.ottoz sonlasdesviacionestípicas de X. . El caso especial X representa el número de pruebas de Bemoulli hasta.CUADRADO.. remplazando t = ia. . f (r) : P(x = . y p es el coeficiente de correlación entre X y Y.. M(t\: aquella en que el primer éxito ocura.. Con frecuencia nos referimos a (49) como la distribución normal bidimensio¡ul. Y está dada DISTRIBUCION NORMAL BTDIMENSIONAL Una generalización de la distribución normal por la función de densidad conjunta a dos va¡iables aleatorias continuas f(r. Distribución geométrica f(t) = P(X=r) = pq'-' r=t.u\ : 2rororl/T-p" ". r=l ""=# Me)=# r.9: Teorema fYF 4-r.. ... -ú <A <6'. 1ú. É¡r p2son las medias de X.= + X. : L/4'rr'r.. e incluyendo.. r : 1 da la distribución geomékica. las constantes o. Para cualquier dishibución conjunta la condición p = 0 es necesaria para independencia de las variables aleatorias (véase Teorema 3-15). 410: 4. RELACIONES ENTRE LAS DISTRIBUCIONES CHI.. .r. a.o.

por ejemplo. es decir puntoc muesEalee.2óScarar) : P(l ca¡a) * P(2 carar) * P(3 carae) : P(CSS U sCs U SSC) + P(CCS U CSC U SCC) + p(cc?) :P(CSS) +P(scs) + P(ssC) + P(CCS) +P(csc) + P(Scc) i P(CCC\ = | ¡s .b[. DishibuciónWeibull. Hallar la probabilidad de que al lall. (c) al menos 1 cara.cAP. en el erpacio mue¡tral.'r(r / + |) - a-2. Estoe lon ccc. ccs.4l DISTRIBUCIONES DE PROBABILIDAD CON NOMBRE PROPIO 119 3.1. Distribución Maxweü. csg css.zar una moneda honrada tres veces resulten (c) 3 caras. 4. hay untotalde (2X2)(2)= g re¡ultados poeibles. Si C denota "cara" y S denota 'rlellot' y derignamos CSC.(r i) . Distribución exponencial fkl = { lae-"' c)0 n=0 L0 M(t)= q. (d) no más de un sello. 1"1 ¿=j ( f(s) = rL o6*t-r {o 02 "-axt r<o * = o-'. para rignificar cara en el primcr lanzamiento. Método 1. Por tanto (o) P(3 cetar) = P{CCC¡ = } (b.llo en el regundo y cara en el tercero.a resueltos DISTRIBUCION BINOMIAL 4. P(2 sellor y 1 cara) = P(CSS U SSC U SCS) =p(css)+p(ssc)+p(scs): (c) P(al menoc una cara) ¿+*** = 3 :P(L. ssq scq scq sss Para una moneda honrada a e¡to¡ re¡ultado¡ re ler asignan probabilidadee iguales de 1/8. Puesto que en ceda lenzamiento pueden ocu¡rir 2 posibilidedec (cara o rello). f(r) lt= )o-l Problerna.-t fi > O t'=. (b) 2 sellos y una cara.+)] r >0 Í <0 5. c."(t.

)'= P(1 cara) 3 (c) P(aI menos 1 cara): P(1. /l\/tYll\'= .2.)'(i)'= á (b) p(zserrosunacsra) :: (. 4 P(almenosunacara): |-P(ningunacara):1-P(SSS): t -á = 3 (d) P(no más de un sello) P(0 sellos o 1 sello) = P(0 sellos) * P(l sello) : P(CCC) +P(CCS u CSC U SCC) : : P(CCC) + P(CCS) + P(CSC) +?(SCC) 4l 82 Método 2 (empleando fórmula). (c) puede escribirse P(al menos una /s\/r\'/r\o /s\/rY/r\ = \s/\rl \ü -\.sea la va¡iabié aleatoria que denote el número de caras en los 3 lanzamientos. Halla¡ la probabilidad de que en cinco lanzamientos de un dado honrad o aparezca 3 veces. cara) = I'(X ¡-- 1) = P(X = 1) + P(X =2\ * P(X: 3) . Usaremos ambos de los enfoques intercambiablemente.X. ó 3 caras) : * P(2 caras) * P(3 caras) = /'\/l\'/t\'. i 8 P(al menoe 1 cara) : 1 : .á .\t/\t/ \z/ \z )\zl \zi \3 l\2) \2 / De otra forma. NOMBREPROPIO [CAP..' /'\lrY/l\'. qr" X. Tenemos (c ) dos X él número de veces que un 3 aparece en lo¡ cinco lanzamientos de un dado Probabiüdad de 3 en un solo lanzamiento = o=I q = t-U : * Probabilidaddeno3enunsololanzamiento =' (o) P(Bocu¡ra2veces) = P(x-2) /l\llYll)' = i"' 3888 \2/\6/ \6/ . Aeí por ejemplo si seleccionamo.r)\t)\r) .I2O DISTRIBUCIoNES DE PRoBABILIDAD CON De otra forma. (c) al menos dos veces. (o) p(scaras) = (l)(. (b) máximo una vez.)'(. Sea la va¡iable aleatoria honrado.2. 4. -1t\irY/'\'= \0/\2i \2/ (d) P(no más de un - P(ninguna cara) 1 8 sello): P(0 sellos o 1 sello) : P(0 sellos) * P(1 sello) 1 Debe menciona¡se que también puede usarse la notación de las va¡iables aleatorias.

de que en una familia de 4 hijos (c) al menos 1 sea niño. Entonces. (o ) ee coüvierte en P(X>l) : P(X:l)*P(X=2)*P(X=3)*P(X=4) = 18 4.cAp.16 P(2 niños) : P(l niño) * P(2 niños) 16 16 * P(3 niíror) * P(4 nlñoa) 1 3 1 1 4 8'. -l 16 = E 16 = 1 -P(ningún niño) -P(ninguna niña) =1-1-1-1 -16168 También podemos resolver este problema si X e! una variable aleatori¡ que denota el número de niño¡ erl fa¡niüa¡ con 4 hijos. P(almenorlniño):1-P(nir¡gfrnniño) = l(b) P(al menos 1 niño y al menos una niña) ll)t \2/ = . ¿cuántas calcula deben tener (c) al menos 1 niño. HaIaf la probabilidad (o) p(lniño) p(3niños) Entonc. -' /t\/ 1l\'/+)' = t. P(al menos 1 niño) /t)l+)'ll\' = \.. por ejemplo.zL (b) P(3 ocurra máximo vez) = P(X 1) = P(X = 0) * P(X = 1) = = 1l\/rY1¡\'*' ¡s) /r\'/rY .3. 4l DTSTRIBUCIONES DE PROBABTLIDAD CON NOMBRE una PROPIO '.3 vemoe que (o) (b) N(rmero esperado de familia¡ con al menos 1 niño = . \r \zi\z/ .= 8-888 (c) P(3 ocurra al menoa 2 veces) = = P(X>2) P(X =2) * P(X=3) * P(X=4) * P(X=5) = ll)/1\'19)'** II)/l\'/q)'* /u)1lY11\'.ooo (lf) = 2000 18?5 Número esperado de familia¡ con 2 niño¡ 20OO ' P(2 niños) ó 2 niñas) = (3) = \ó./s\/t\'/qY \2/\6i \6/ \'i \ei \o/ * \o/\e/ \6/ * \s/\a/ \a/ 626 r25 25 1 763 .i \t/ \t/ = 2 8 p(4 niños) = (l\ /1)'11)'= f x-/\z) \z/ . Suponer que la probabilidad del nacimiento de un varón es t-.4 16 Otro método. 3725 3125 = n76r n76.4.\s/\z) \z/ ..3888 ' 3888 ' 7776 ' 7776 .i tUO (c) P(l : P(l niña) * P(2 niña¡) niñoe) :P(l niño)*P(2 : I +3 : * . (c) 1 ó 2 niñas.L' = /1\/1\'/l)'= l.\o/\6i \6/ \r/\oi \o/ 3125 .es sea niño y al menos 1 Ll2. (d) ninguna niña? Refiriéndonos al Problema 4. (b) 2 niños.. De 2000 familias r-:on 4 niños. (b) al menos 1 sea niña.3888 4.

= = Método 2. (c) menos de 2.Entonces P(ningrrn z en B lanzamienros) En un lanzamiento de un par de dados honrados la probabilidad de un 7 es p:1/6 (véase Problema 2.7.:: =:"0. 4. Si el 20 % de los tornillos producidos por una máquina son defectuosos.L22 DISTRIBUCIONES DE PROBABILIDAD CON NOMBRE PROPIO lcAP.nba j-ésima si éxito en la prueba j-ésima U=1'2.. = 1:)l+Y/q\' \"/ \"/ \6/ - r25 216 y 4.n" .rt't0.p:0.8)r = ¡.pet¡" Xi ' |0 {[1 si fracaso en la prr. Si X está'distribuida binomialmente. Entonces es g : I .2. Para una secuencia de n pruebas de Bernoulli definimos n /n\ '?n ('/tr"')'0"-' (a -l.46e./ ) _)p.. f (r) P(x = r) = (!\o.n) .q" . de un tornillo no defectuoso va¡iable aleatoria X el nl¡mero de tornillos defectuosos..1.4 Número esperado de familias con 1 ó 2 niñas = tZOOOill) ' '\ 6 / \/ = 125 1250 (d) Nfrmero esperado de famiüas sin niñas = (2000)( i ) = 4.8.46e6 ffi ? .6.0.r..'(\*. página49). Sea la (o) P(X: t) = (rn ).. La probabilidad de un tornillo defectuoso e8 p :0. HaIIar Ia probabilidad de obtener un total de 7 al menos una vez en tres lanzamientos dé un par de dados honrados.detalmodoquelaprobabilidaddenoTenunsololanzamientoesq:1-p:516. (b) 0. \r/ Entonces la función generatriz de momentos está dada por M(t) = E(etx¡ = )etxf(r'¡ n /n\ = ¡=0 ..0. P(al menos un ? en tres lanzamientos) = | . sean defectuosos.6.l# = fr X que está distribuida Hallar la funCión generatiz de momentos de una variable aleatoria binomialmente.. (ü) p(X = 0) = (c) P(x <e) = (fi)to. Médodo 1.. determinar la probabiüdad de que de 4 tornillos escogidos aleatoriamente (a) 1.8)a = s.' (0.

'* Xn. Por la desigualdad de Chebyshev. :-. de Los resultados anteriores también pueden obtenerse (pero con má¡ difrculüad) derivando la función genaetriz momentc (véaee Problema 3. con S.9. págirra 84. entonces F = P(lX.2. (o) Medialt:np:(400)(0.IMEROS PARA LAS PRI.i)'== ..38) o direetamente de la función de probabilidád (véace Problcma 4. página 83.)l*. ..1. o =. página 80. Procediendo como en el Método 2 del Problema 4.)(0.la ley de los grandes números (en forma débil) pa¡a las pruebas de Bernoulli. n.9) : 36. li* Pll{-. Por tanto la desviación tipifrcada o = y'56 = 6.) + (r - p)2p = i)".L52\. (b) l'Iananza o2 : npq: (400) (0... .q Entonces o2 p:E(X)=E(X'\+E(X2)+"'+E(X")-np = Var(X) = Var(Xr) *Var(Xz) +.y (I)rc convierte En particular si X tiene distribución binomial o de Bernoulli. Demostra¡ que la media y la varianza de una variable aleatoria distribuida binomialnente son p: np Y o2 : npg respectivamente.t y varianza 02 Íini- (r) en tol P(X-11 -ko\ flp.. Si la probabilidad de un tornillo defectuoso es 0.8. v (3 ) se convierte en P(lz -.1 ):40. . o - {-npq.t/V6d. halla¡ (a) la media y (ó) la desviación tipiticada para el número de tornillos defectuosos de un total de 400 tornillos. como se requiere.) Í+ó \l ?¿ -l = / = 0 El resultado también se deduce directaménte en el Teorema 3-19. entonces ¡. Pa¡a la función geraeratr:iz Mj(t) = stoqlettp .e*pet M(t) = M tQ) LI2Q\' ' ' (i=1.lro.) / \ 14 'l y tornando el límite cuando n -+ @ = 2+ ¡4r.4l DISTRIBUCIONES DE PROBABILIDAD CON NOMBRE PROPIO L23 de momento¡ Entonces las X¡ son independientes y tenemos X: Xr * Xz *.'EBAS DE BERNOULLI 4.1. = X.. LEY DE LOS GRANDES NT.1 = . 4.npl > k1/i-npq) < i ó (3) Si hacemos c = k \l T. tenemos. tt = flp. y1 E(X) = 0q*Ip = var (x. si X es cualquier va¡iable aleatoria con media tas.7 tenemos para/: L.esdeciresperamolque40tornillosesténdefectuo¡os..i . M"(t) - 'f pst¡n 4.cAP." *Var(X) = npq donde hemos utilizado el Teorema 3-7 para o2 .n) (Q Entoncee por el Teorema 3-9. Demostrar el Teorema 4-7.10. 2.

P(-0.68 sz=o) = -! l'o {2¡ J = | r' -o.2910 = 0.¿ ¿-uzr!¿u = -! Jfo \E = ___1__ -o.L24 DISTRIBUCIONES DE PROBABILIDAD CON NOMBRE PROPIO lcAP. Por üanto'.68 y z : 0.46 f ZÉ2. .46 y z : O) * (área ent¡e z : O y z : 2.L (o) Utiüzando la tabla en el Apéndice. baje por la columna ma¡cada con z hasta alcanzar el valor /.46) * (área enbe z:0 y z : 2.94) O y z = 0.2..94.t _o.2517.941.(b) entre z:-O.ildlt + _= |^2 ¿¡ = O. proceda a la derecha hasta la columna 8.46 " 1 e-u.12.21. \. (e) a la derecha de z: - L.6. Por tanto P\0=z=r.+e "-u2t2f.25f ? El área.4964 | t/Zt Js \/2r Jo "-uz/z 1 (d) Area pedida : (área entre z : : E¡to es - (área entrez : 0.68 "- u. El resultado.a'ley de los grandes números establece en este caso que la probabilidad de la proporción de los 3 en n lanzamientosdiferiendodel/6pormásquecualquiervalor€)0tiendeaceroamedidaquen-+€.211 = + (''" {2r .rz¿u (c) ñ J" Area pedida .Luego proceda a la derecha h¡sta la columna marcada 0. represenüa la probabilidad de que Z eaté entre -0. es el área pedida y representa la probabiüdad de que Z estÉ ent¡e O y 7.27.u + t/2" 'lo + ('"' "-u2tz 1¿4 2l 10.46 y z: 2.81 = Z = L. [.4738 - : 1. ee el área pedida y representa la probabilid¡d de que Z eté entre -0. Dar una interpretación de la ley de los grandes números (en forma débil) por la aparición de un 3 en lanzamientos sucesivos de un dado honrado.3849. Por tanto .6636 e-ú'/! clu = 0.81 0.i77Z + 0. = "-u!/t 0. El recultado.C. baje por la columna z basta alcanzar el valor 0.as 0. 0. Por tanto P(-0. Entoncee.4864 : 0. 0.1828 O yz ) lo mi¡mo que P(0. (d) entre z: 0. 4-3 (b) Area pedida : área entte z : O y z: *0.2L) : (área entre z : O y z : 0.46 y 2.!772 + 0.2) = | {u ¡rz Jo ¿r.(área enhe z :-0. DISTRIBUCION NORMAL 4.4 4. Halla¡ el área bqio la curva normal tipiñcada (a\ enfte z: Q y z: 1.81y z = L.2.2I) : O.68 y 0.68 (por simetría).28. (c) entre z : -0.6636.=12 Fig.11.0.gg4g z=O .

1 y bajo la columna 6. Entoncec la z pedida es 1.28).O2l7 + 0. hallar el valor o los valores de z tales que (a) el área entre 0 y-z sea 0. por tanto z debe ser negativa.0.8997 Esto es lo mismo que P(Z > -1. (b) más.5 )/10 . Area entre -1.(área entre 0 y z) (área entre 0 y z) 0.16.4332 :0. con menos precisión.5)/10 68.5 kg y la desviación tipiiicada es de 10 kg. El peso medio de 500 estudiantes varones de una universidad es de 68. el valor 0'3?70 se encuentra a la derecha de la fila ma¡cada 1. Caso 1: z es negativa pero a la derecha de -1. z : -t.4549 y z: l'ig.30 47.4332- : 0. Caso 0.5 kg en unidades tipificadas : (71.694 utilizando interpolación lineal. : (47 .8621.cAP.5: 0. (c) el área enhe - 1.16 es otro valor de z. de lo cual z:1.de 91 kg.4l DISTRIBUCIONES DE PROBABILIDAD CON NOMBRE PROP¡O Area pedida L26 (e) - (área entre z: -t. El problema es equivalente a resolver para z la ecuación rfz G ).5 y 0 ) . suponiendo que se regis' han al valor de kg más próximo.5.3??0.5: 0.35.O2L7 : 0.4-ll -1. -1.28'y z = O) T 1área a la derecha de z : 0) = 0.7O ?1.5.09. Por simetría.4332.8621 .0277 (árca entre -1.5 kg. o. z : -1. (o) Los pesos registrados entre 48 y 7l kg pueden realmente tener cualquier valor entre 47.L6.3997 + 0.5. 4.5 y 0' (c) Si z fuera positiva el área sería mayor que el área entre que es 0.14.5: -2.4332. Area entre z v -t'5: 9ü. Area entre 0 y z es 0. (a) En la tabla en el Apéndice C.4115 de lo 2: z es negativa pero a Ia izquierda de -1. Si "área" se refiere al área bajo la curva nonnal tipifrcada.4332- Entonces el área entre 0 y z es cual e: -1. o.69. hdlar el número de estudiantes que pesan (a) entre 48 y 71 kg.:1Tí"11u (área entre 0 y O. Por tanta z: + 1.5 y z : 0.3621."O.5 kg en unidades tipificadas 68.O2l7 : Entonces el á¡ea entre z). (b) el área a la izquierda de e sea 0.5:0.5 y 71. (b) Puesto que el área es e-tt/2 du = 0'3770 mayor que 0.13. z debe ser positiva.5 y z sea 0. 0 y z esO. 4. Suponiendo que los pesos están dishibuidos normdmente.0217.

etrt+oot-tu2/2. d1) = "ut'<o2t2/2t (J-ú "-tr-ort" l/2" .275')lO.30) 0. . Determinar el porcentaje de lavado¡as defectuosas producidas por la máquina.I.26 (1. : Z. podemos resumir los resultados anteriores en términos de la probabilidad al escribir P(47. el resultado anterior se modifica ligeramente. suponiendo que los diámetros están dishibuidos normalmente.O]-25: -1.275)l O. = 300.5 Proporción pedida de estudiantes 91'5 kg en unidadee tipificadas: (91.3849) = 0.5<W<71.29 . El propósito prira el cual se han diseñado las lavadoras permite una tolerancia máxima en el diámetro de I. . r.29 cm como representando realmente los diámeüros de¡de L.2) yz Proporción de lavadoras no defectuosas .30) : (área entte z: -2. 4.10 y z Ol * (área eítte z = O y z : 0.7698 ó O yz : 77% -1. M(tl = E(etx¡ = L= Remplazando (x ot/2r J -- (' ette-(t-tD2/2c2 dtr g.5)=0.600 P(W -.2) .tt)lo: uenlaintegralde M(tl = -= | \/2r J-14q modo quer:¡¡+ dx: o d4 tenemor dt.266 a 1.30 = 600(0. 4-r3 Si W denota el peso de un estudiante escogido aleatoriamente.1179 = kS ee 0.2 : -7.0126: L. (área a la derecha a.26 en unidades tipificadas 1.2 L.2 Por tanto el porcentaje de lavadoras defectuosaÁ es 10002 Fig.1.10 y z:0.010?): $.300) 0.6)/10 : 2.5 .16. 1-14 Obsérvese que si consideranros el intervalo L. (D) toe e¡tudiantes que pesan más de 91 kg deben pesar al menos 91.91¡ = 6. Hallar la función generatrrz Tenemos de momentos para la distribución normal general.600) kg.(dos veces el área enhe z : = 2(0.275 cm y la desviación típica es 0.4893 = 0.2 .0125 cm.4821 + 0.5 - 0.26 a 1.11.(área bajo la curva normal entre z : L.2 -77% = 23%.0107 es 2.295 cm.(área entre z : O y z : 2.4 Proporción pedida de estudiantes : : = (área entre z = -2.68.29 en unidades tipificadas : : (1. Sin embargo para doe cifrar significativag los resultados son iguales.29 cm.9tOt 4.l.26 s 1.L26 DISTRIBUCIONES DE PROBABILIDAD CON NOMBRE PROPIO lcAP.SO) (área a la derecha de z : 0 ) .30 Entonces el número de estudiantes que pesa más de 91 kg Fig. La media del diámetro interior de una muesha de 200 lavadoras producidas por una máquina es 1. de otra forma las lavadoras se consideran defectuosas.6000 Entonces el nfimero de estudiantes que pesa entre 48 y 7f 500(0. 1.

La probabilidad pedida es la suma de las áreas de los rectángulos sombreados en la Fig.-o) l+Y 5 ll)' : .5)/1.3289 : 0.58 y z : 0. Hallar la probabilidad de obtener entre 3 y 6 caras inclusive m 10 lanzamientos de una moneda honrada utilizando (c) la distribución binomial. Cor¡siderando los datos como conünuoe.95) (área entre z :-1. 4-16 y puede aproximarse por el área bajo la correspondiente curva ncrmal.5 a 6.¿*\ / = ewt+(ozt2/2) APROXIMACION NORMAL A LA DISTRIBUCION BINOMIAL 4.5 caras.5 en unidades tipificadas : (2.X.68 y z = O) * (área entre z : 0 y z : 0.p94!l y la varianza para la distribución binomial están = 1. Entonces p(x=B\ = P(x ('f)(.ó8 : -1. 1-16 (ó) La distribución de probabilidad para el número de caras en 10 lanzamientos de la moneda se presentan gtáficamente en las Figuras 4-15 y 4-16. ro¡ Entonc.* "á Ar P(X=A) /ro\/fY/r\'_ = \4 /\z/ \z/ P(X=6) = 106 stz /to\/r\o/r\n _ = (.e O.58 6. 4-16 trata los datos como gi fueran continuog.) ffi.)'_ .. (o ) Sea X la variable aleatoria que da el número de carag en 10 lanzamientos.5 .7734 que se compara muy bien con el valor verdadero superiores de n. Entonces dadas por/r= np=10(4\= 5yo = {nw = y'(10)(+)(+) 2.7784 Probabilidad 2341678 Nfrmero de caras Fig. mostrada a trazos.4429 + 0.cAP.5)/1.17. 4-r5 23{587E Nfrmero de caras Fig.es la probabilidad pedida es P(B=x<6) = #.5 en unidades tipificadas : (6. (b) la aproximación normal a la distribución binomial. se'deduce que 3 a 6 caras pueden considerarse como 2.E \ /\2/ \2/ =5) = l. La precisión es aün mejor para valores .58: 0.7718 (área entre d.6. en la Fig.58. )\. obtenido en la parte (o).#*¿%*# 03 = # = 0.)\.. Tqqbié"r!g_.4l DISTRIBUCIONES DE PROBABILIDAD CON NOMBRE PROPIO L27 Entonces sustituyendo u - ot: u hallamoc que ettt+(c2t2/2)( M(t) : + f\t/2" J-* "--.95 Probabilidad pedida : : z: -1.95) : O.

.. .(.18 (o) Necesitamo¡ la probabilidad de que el número de caras se encuentre enbe 240 y 260. Un dado se lanza1-2O veces.6/ r7 \ /\6/ \6/ \ /\6/ Con¡idenndo los datos como continuos que 0 a También . suponiendo que el dado es honrado.18.5 en unidades tipificadas : 1-0.3557 -0.5 a 18.3264): 0.1443: 0.31-i Probabilidad pedida : (área bajo la curva normal enhe z : -5.O2 14.94 260.5 en unidades tipificadas: (14.35) : (á¡ea entre z : O y z : -5.5 cuatros.(área entre z : O Y z :-1.5 - 250 )/11.. Hallar la probabilidad de que el número de caras no difiera de 250 por (a) más de 10.19. 239.' La probabilidad de que resulte un 4 es p: l16 y de que no reeulte esg : 5/6. un 4 debe apariecer 14 vece¡ o menos en aproximadamente la décima parte de estas muestras.5 se 0. pbr (o) Deseamos la probabilidad del número de 4 entre 0 y 18.. es decir etabacargoda 280.0885 Se deduce que si fuéramos a tomar muestras repetidas de 120 lanzamientos de un dado. l8 cuatros pueden tratarse como tt = ttp = Entonces 120( )l = ZO \o/ /t\ y q = 1/-n7tq .4115 : 0. o si conslderamos los datos como continuos. AsÍ si resulta que el númerc real de caraa ee Se deduce que podemos estar muy confiadog de que el número de caras no diferirá del esperado (250) es honrada. Entonces -0.mr.5.OB pero debido a que el habajo involucrado en la computación es excesivo. 219.02) .L28 DISTRIBUCIONES DE PROBABILIDAD CON NOMBRE PROPIO [cAP. remplazando 18 por 14. Una moneda honrada se lanza 500 veces.02 y 2 : -1.02y z: Probabilidad pedida -O.3? (D) Procedemos como en ha parte (o).(i) = 250 s '= \/ill = .b.5 en unidadee tipificadas :-5.18 : -2.0. (b) por más de 30.'. ¡ rzo\1¡\''l5_\'o' r8 \.08 .94 ib) Necelitamoe la probabilidad de que el n(¡mero de caras la encuentre entre22O y datos como continuos.94 y z: 0.6528 = (239.5 en unidades : (área bajo la curva normal entre z: -5. Hallar la probabilidad de que resulte 4 (c) 18 veces o menos y (b) 14 veces o menos.5 y 280.5 -. podríamos considerar que la moneda no 4.5 en unidades tipificadas 28O.5 en unidades tipificadas hobabiüdad pedida . Esta se encuentra exactamente ¡rzo\/f\"i 5\'o' . .02) : : -(área enhe z O Y z : 0. t.(lX*) : -5.- -1.5 . o \ i \6/ \6/ -{.5 y 260.94) : (dos veces el área enhe z: O y z :0.02 18.0. (rzo\/r\/!\'.)(+) = I 1. = .0.5 en unidades tipificadas : : (área bajo la curva normal entre z: -0.311 : (área ent¡e z: O y z: -5. .6 - 2O)l4.35) : 0.94):2(0.250y11.37) -0. : 4... o si consideramos : (219.7 3 280.7 3 Probabilidad pedida : (dos veces el á¡ea bajo : 2(0'4968): 0'9936 la eurva normal enb.5 en unidades tipificadas : 2.4 4..6 . empleamos la aproximaclón normal..73\ por más de 30."p: .20)14.e z: O y z:2.OB tipificadas : -0. entre 219.18: .. entre 239...

obseryamos queP(X: ¡) ) r=0 O para r = 0. = "-^. Primero. entonces (f) P(X=r\ = l'"lqrq¡-r \r/ : np. que ee la distribución de Poisson. (¿-r)(1) /.. 1'-t)/'-?).i)-' + m/ \ \ cálculo = €-tr empleando el resultado conocido del . ' . . 1.+:: ¡=(l ' ' e-)./ \ --> = (r-\)'1t .'ir . dado que ). Establecer la validez de la aproximación de Poisson a la distribución binomial. Entonces donde E(X) /-\ (I ) se convi'erte en rl Entonces cuando ¡.20 realmente es uná función de probabili' dad. Verificar que la función límite (2) del Problema 4. tenemos >{] !a1*="¡ = t=O -. La funóión generatriz de momentos para la distribución binomial (3) es (q*pet)" = (1-p+pet)" = [1+p(et-l\]n Si \: np de modo que p : )t/n.-r)" r?.21..20. Si X está dishibuida binomialmente. esto se convierte en (+) [' * rc=t¡" o e¡to tiende a ¿tr(et--l) A medida que n -+ (5) que es la función generahiz de momenüos de la distribución de Poisson.4l DISTRIBUCIONES DE PROBABILIDAD CON NOMBRE PROPIO L29 DISTRIBUCION DE POISSON 4. . 4. n/\ n/ \ en tanto que ('-+) +. Hilgase ¡. El reeultado pedido entoncec ¡e deduce utilizando el Teorema 3-10.rl ('* i) = Se deduce que cuando n (2') / \¡ eu - pero I permanece frjo (es decir p -+ 9¡ P(X=r) + ¡:q. Segundo. ) 0. página 80.cAP.I \n/ / r \ ¡-¡ ) n1@.er = 1 y se completa la verificación. . : rtp de modo que p : I/n. Otro método.

determinar la probabilidad de que de un total de 2000 individuos (c) exactamente 3.001. e t.23. Si la probabilidad de que un individuo sufra una reacción por una inyección de un determinado suero. TEOREMA DEL LIMITE CENTRAL 4.1# ^:?¡p:(2000)(0. Denótese por X el número de herramientas defectuosas de las 10 escogidas.t ¡n = le(qe + pet. Diez por ciento de las herramientas producidas en un proceso de fabricación determinado re.180 (b) P(X>2) = 1-[P(X=0) *P(X:1) +P(X=2)] _ I fzo¿-z.e¡' = \z/ 0.np)/l/nW y la función generatriz de momentos Eletx'¡ E(et<x-nú/t'/-nil¡ tnnr rliii g 1"txrl noÁ ¡ "" = e-tnpt.001) :2 _ 0..0"-' ./íil 2 o et't-(. exactamente 2 estén defectuosas.r -Lót 1! ) = l-6e-z = 0.323 Una evaluación exacta de las probabilidades empleando la distribución binomial requeiiría mucho más trabajo. empleando (o) la distribución binomial. _/1t\ para X* es ". vC. es decir P(X:x\ -.- 6 P(X=2) = %: = 0. (b) la aproximación de Poisson a la distribución binomial.. lioo ¡ln p¿tar liii¡ {ili ¡n . tfi-oa = > ¡=0 |\_.1 y \ = np 5 5.2te-z --z! . Zze-21 -.22. podemoa suponer que X tiene una distribución de Poisson..1. Yerificar el teorema del límite central para una variable aleatoria X que está distribuida binomialmente y así establecer la validez de la aproximación nonnal a la distribución binomial. Halla¡ la probabilidad de que en una muestra de 10 henamientas seleccionadas aleatoriamente.24.1) - 1.(d) I¡¿-)\ donde p(x-Bt .1e37 ó o./)(p". (o) La probabilidad de una herramienta defectuosa es p :0.' .tr r/iñ 1o + per/ lliii tvr ll-nw 1n ¡pt e ' tnp. )r. 4. es 0. sultan defectuosas.183e ó 0. Entonces de acuerdo con la distribución binomial p(x:zl (b) Tenemos )\: np (tJ )10. pero ya que las reacciones se suponen sucesos raros. t ¡t qn.re = (10)(0.130 DISTRIBUCIONES DE PROBABILIDAD CON NOMBRE PROPIO lcAP. Entonces de acue¡do con la distribución de Poisson I¡¿- P(x--x) . X tiene una distribución de Bernoulli.18 En general la aproximación es buena si p É 0. Denótese por X el número de individuos que sufren una reacción. (b) más de 2 individuos tengan reacción.4 4.r¡r1s. La variable tipificada para X es X* = (X .

. = q+p+-'iroo : L+h+.. Demostra¡ el teorema del límite central (Teorema 4-2.Elet<x"-Dta{. Por tanto +X2+"'*Xr. Paran:L.-] + 2o2n + ovn J = de modo E'(1) + l. Por tanto.. Entonces.XntienenmediallyvarianTa ¿(s") = E(X)+E(X) + "'+ E(X.E(er.....+.Xz.r¡1*'-p)21 * ..1 donde.. por el Teorema 3-10.tenemosSn:Xr o2. et<x^-tJ/ol. Así el resultado pedido se sigue por el Teorema 3-10.r[r + L t(xt _ p) tz(x-t. "' \ -.Sl es s" -JP oVn E(etsi¡ - Efet<s^-nutror/i 1 .. . e(x2-tt)/"G. = r+fi+.) = nu y. es sÍ La función generaEiz de momento¡ para .queeslafunción genetafrizde momentosdela función normal tipificada. o\t z"Pq-r / '/"Ñoo(n-!-g\ * . = . Zo'n o\/n que .cAP. = r++@++Gz)-. 4.?/ Pero a medida que n + e el lado a la derecha üiende a et2/2.Elet<xt-.) \ n Pero el límite de esta expresión a medida que n -+ @etet2/2. p)2 ..25...si¡ = / Iz (t*... pig¡naLL2\.(t ) h+ m.f = Efet(xr-ülo6). .qte es la funci6n generatriz de momentos para la distribución normal tipifrcada.n6r-É) n orJ + ft. Var(S") = Var(X1)*Var(Xzl+" '*Va¡(X) Se deduce que la = noz variable aleatoria tipificada correspondiente a S. en los dos últimoe pasoa...)/ot/.. = {Eletrxr-utr"ñ1¡" . tzqz . t2 Portanto E(etx'l: (r*!+"')" \2... página 80.4l DISTRIBUCIONES DE PROBABILIDAD CON NOMBRE PROPIO Entonces empleando la expansión 131 eL hallamoa = L*u* t+gl u2 uj +"' qe-to/.tar I peta/tlnnf.Elet<xz-ú/"6). Elet<xr-u)ro{i1 .. se sigue el reeultado pedido. debido a que las X¡ eon independienter. hemos utilizado respectivamente los hechos de que las X¡ son independientes y que están di¡tribuida¡ idénticamente. tq . .'.2.... página 80.EntoncesXt. por una expansión en serie de Taylor. /.

h(¡r)'(#)'(.'. y el número de estas formas diferentes 6l 3!2!1! como se expuso en el Capftulo 1. .\ [ . Entonces la probabilidad pedida es lr Método 3. 2 brancas. pero no se remplaza la bola. Halla¡ la probabilidad de que de 6 bolas seleccionadas de esta forma 3 sean rojas. /o\ /r'i \. 6t In\"lt\-/:lY z!r!\itl/ \itl \rrl $/ La probabilidad pedida es el término 44p" en la expansión multinomial de (p. 2 blancas y 1 azul en ese orden es /s\'/¿\'/rY \tll \. En forma análoga la probabilidad de escoger 2 bolas blancas e (4ll2l2 y la de escoger 1 bola azul (3/12)t . Una bola se selecciona aleatoriamente de la caj4 se observa su color y luego se remplaza. DISTRIBUCION HIPERGEOMETRICA 4. Entonces la probabilidad de escoger 3 bolas rojas /5tl2\3 .El número de formas diferentes de seleccionar las 2 bolas restantee de las diferenües que contienen 3 bolas blancas /a\ 4 rojas * (.rt. Una cqia contiene 5 bolas rojas. rc 2l . Por tanto Ia probabilidad de escoger 3 bolas rojas. ll )(l ) \"/ \-i Entonces el número total de formas diferentes de seleccionar 5 bolas de 10 bolas (6 + 4) en la caja Por tanto la probabiüdad pedida está dada por * /rr. La probabilidad de escoger cualquier bola roja es 5172. P(roja en cualquier extracción) = # P(blanca en cualquier extracción) = h P(azul en cualquier extracción) p(B rojas. Método 1 (por fórmula). El número de formas diferentes de selecciona¡ 3 bolas blancas de 6 blancas * \r/. Método 1.t i .t \A/ Pero la misma selección puede realizarse en otros órdenes diferentes. Se realiza un experimento en el cual se selecciona una bola aleatoriamente y se observa su color. 2 blancas y 1 azul. Hallar la probabilidad de que después de 5 pruebas del experimento se hayan escogido 3 bolas blancas.+)' = ffi es es Método 2. 4 blancas y 3 azules.132 DISTRIBUCIONES DE PROBABILIDAD CON NQMBRE PROPIO lcAP. pb = 4/72.i Entonces r azur) = . lJna caja contiene 6 bolas blancas y 4 rojas.ri \z ) /ro\ \5. 12.26.4 DISTRIBUCION MULTINOMIAL 4. ) Por tanto el número de mueshas y 2 rojas ".27. i-paIpo)G donde p. Po=' 3/12' Porexpansión se obtiene elresultado anterior.

tiene unadistribución Cauchy en.2+d2dr ' _ donde hemos utilizado el hecho de que los integrandos en el segundo renglón son funciones par e impar respectivamente.laprobabilidadpedidaes . : Ll2(a + b).. Demostrar que (a) la función generatnz de momentos para una variable aleatoria distribución de Cauchy no existe pero que (b) la función característica sí existe. 4. (b) o2 : Ll72(b -a)2.' 7't|^ou" (b) La función característica de X es E(eiox) = g (¿. r= 4..#ruo. = ffi= Yt+Y = Entonces la va¡ianza está dada por s2 = E[(X-u¡21 = E(Xzl-uz ry4y_ (+). E(erx¡ = g (" -J".@ 1x1*. Jo r.'f-+ = #tl. Tenemos b 133 =6.28. ." = o 2 . = n# Í. (a) La función gerreratriz de momentos de X es -¿. Í". = firo_ot. Puede demostrarse que la úlüima intcgral existe y es igual a e-aa (véase hoblema 4.dz T . ¿ > 0 e. a f . PIX=S) DISTRIBUCION T.30. Oemos- /(a) = ! -L2- . Esto puede verse al notar por ejemplo que si r ¿ 0. o > 0. r = 3. Entonces por(I9).l \ /10\ \5/ 4. (a) t. X con DISTRIBUCION DE CAUCHY 4.159). -> t!! I y la integral a la derecha diverge. J-. n=6.'NIFORME 6 = \/4 }i|j.. = E(x) = E(xz\ l"'* = #:af" b2-a2 Z(b-a\ a*b 2 (b) Tenemos = I. Demostrar que la media y la varianza de la dishibución uniforme (página 114) están dadas respectivamente por (¿) ¡.cAP. i J-6 x'' + a: ""'l' .. 7+ azctr sin +-ai )-. Sea @ una va¡iable aleatoria distribuida uniformemente en el intervalo -l=t trarque X: atan @. de.4l DISTRIBUCIONES DE PROBABILIDAD CON NOMBRE PROPIO Método 2 (empleando la fórmula).cos or = .páginallS.modo que = r*tu*lfí*.' La función de densidad de @ es < j.29.rr¡ r¡¿n' ("' 2o (" cosor r=.r! * la cual no existe si ú es real.r-n '.

" "loo"¡.z¡ro-r1l."-r{r-x)F-tlitr = frffiJ. r(a+2+ ¡t) _ r'(a * É) (a * l)a r(a) r(B) t'(a) t'(É) (a * p * 1)(a + p) I(a + p) r(a) r(É) * B) r(d + _ (a-rB)@+B+1) "(el_! ..rÍ".'#0" p2(a*t)a.. = Í. ya que I'(a + 2) = (c * 1) r(c * 1) = (a * 1)a I(a). página 46. p = E(x) = ### fo'*¡. l'(a r.134 DISTRIBUCIONES DE PROBABILIDAD CON NOMBRE PROPIO Considerando la baruformación [cAP. HaJlar la media de la distribución beta." = ffirt"+f¡ = R RemPlazando p= Bon f' Fe-tdt aB (ó) Remplazando E(Xz¡ = t. fo"' .t p\ f I sa(r - ¡)e-r fls rt"lrtBl r(a+1+B) I(a + É) dr(d) r(B) r(a) r(B) (" + P) f(4 + p) = 4.. la función de densidad de X está dada por s(r) que es la distribución de Cauchy. .¡a-\d. t." ".r .33. (b) o2 (a) = oB2. r Y dx Íz+a' Entonces por el Teorema 2-3.. Hallar lavarianza de la distribución beta.E(X2) - (ap)z - "Bz DISTRIBUCION BETA 4.1o" xlQ: t tenemos : f.19: t tenemos E(xz¡ = ff"*." ffi.+fl Jo * l* _ r(a)I'(p) r(c r'(a + 4)- Jo (t *su+t11 2) l'(B) n)e-r ¿.o*r"-ro.32. = r@l#l = :a+-a DISTRIBUCION GAMMA 4. Por tanto p2 = Bz(aIL)a"2 .)*: = ift)"("+z) = n2 Í. Demostrar que la media y lavananza de la distribución gamma están dadas por (a) p: aP..4 ¡: a tan 0 tenemog o-t¡¡-L! a ..¡^. El segundo momento alrededor del origen es * 0) l'(a + 1) r(B) o I a B E(xz¡ = f(a)f(p) (t . .31.lff.

/2dü (-. Efectuando el cambio de variable x : *t/T en la última integral. como se ve al página 116. Puesto que Ia correspondenX y Y no es uno a uno no podemoe aplicar el Teorema 2-3 como está.34.84. .'tz¿s = + J-¡¡ f = + Jo 1/2n l2n donde en el último renglón ae utiliza el hecho de que la función de densidad normal tipificada es cero.CUADRADO 4. por el Teorema B-18. t : (1 - N¿¡-Qr+v2t/z (b) Se observa del Problema 4.r2 Al remplazar (l - 2t)n/2 = 7. Demostrar que Ia firnción generatriz de momentos de una variable aleatoria X con distribución chi-cuadrado con I grados de libertad es M(ú) M(t) = E(etx¡ = ú+6ñ to* "r"rr. colocarz: 1 en (39).4l DISTRIBUCIONES DE PROBABILIDAD CON NOMBRE PROPIO 135 Entonces. es con (¿ dA v. y utilizar el hecho de que r(á) = V7.B2. obtenemos P(Y < ú = -! fs rrrze-uz t/2r Jo d. grados de liberta u2 Z:Xt *X.t Pero esta es una distribución chi-cuadrado con 1 grado de libertad.-rr/2e-. a * v.1 en la última integral hallamos M(tl = 2.36. ! X. Y: x2 dad. DISTRIBUCION CHI.a una distribución normal para X. Al generalizar los resultados anteriores obtenemos una demostración del Teorema 4-4. utilizando el Problema 4. do ) función generatriz de momentoo de Z = X.36. Sea X una variable aleatoria distribuida normalmente con media 0 y varianza 1.t2r(v/2)Jo " r-2t \r-2t/ : ll .s(v-2)/2e-<L-2t>r/2 dr =J-r(v/2) )o 2. cia entre Paray Deseamos hallar la distribución de la manera siguiente. pá4ina 1-1.r2.34 que una distribución cuya funéión generatriz de momentos es (1 2t)-<vt+v2)/2 es la dishibución chi-cuad¡ado con v11.6. grados de libertad. pero procedemos de :0. Sean ¡t y X. 4.cAP.'rz¿s (-fr"-. Pa¡a ( 0es lóglco que P(Y SU) y> 0 tenemoe P(Y<u): P(Xz<a) = P(-\/u=X<+\/a) +fr"-. ea M(t) : Enet(xr+xü1 : E(etx.2t)-.)Eqéx"¡ : 1l-2t¡-'r/2 1l-2t)-vz/2 utiüzando el koblema 4. Demostrar que X2 tiene distribución chi-cuadrado con 1 grado de libertad.ztl-v/2 fa u<v/z)-re-udu = (L-zt¡-'rz r'(v/z) )o 4. página g1.v2 gadosde übertad. Esta debe ser la distribución de Z.la varianza es 02 = E(xz¡-l'(x)l= _(rro)'= cr6#T_Fn : (1.

35(b).7. Entonces. xi representa la décima percentila. ¡! que corresponde a (a) 9.0 correspondientear: av:21. La representación gráfica de la dishibución chi-cuadrado con 5 grados de libertad se muestra en la Fig. qi" Z = X?*X2" tiene distribución chi-cuadrado con 1 * 1:2gradosdelibertadsiXr y X2 son independientes..5.37. parav> 10 los valores de la mediana son iguales av . el área a la izquierda de x? es O.0. El resultado 11.5 correspondiente a z: 50. escoger las dos áreas iguales. y x? (c) Si el área sombreada a la izquierda es 0.40. como puede observarse de la tabla. hay muchos valores para los cuales el área totál sombreada : 0. Por ejemplo. xl es (1 .3correspondiente^v :40. x. (b) Puesto que la distribución no es simétrica. Hallar los valores de xf. si el á¡ea sombreada a la izquierda es 0.95 y xz2 Refiriéndose a la tabla en el Apéndice E.? conespondiente a la derecha de la distribución ¡2 es 0.61. si el número de gndos de liberbad v es igual a (c) 15. (b) el área total sombreada: 0.39.34correspondienteav:9. Entonces procédase hacia la derecha hasta la columna x%r. búsquese el valor 5. el átea a la izquierda de percentila 99. entonces el á¡ea a la izquierda de representa la nonagésima quinta percentila.05. (d) Si el área sombreada a la derecha es 0. entonces X? V X3 tienen distribución chi-cuadrado con 1 grado de libertad cada una. lcAP. y Si el área sombreada a la derecha es 0.8.2gs.05.O25 representa la percentila 2.01.píryina 116. El resultado general para todos los enteros positivos l. Demostrarel Teorema 4-3. (c) 50' Utilizando la tabla en el Apéndice E hallamosenlacolumna ¡2er.026.la cual es igual a 0.O. en este caso cada área:0.01.¡2.01.¡ (puesto que la mediana es la percentila 50 ) los valores: (o) S. se acostumbra. el área sombreada a la derecha puede ser 0. Hallar los valores de ¡2 para los cuales el área de la cola 15.05.Ia cual es igual a 1.8. Es de interés notar que los valores de la mediana están muy próximos al número de los grados de libertad' En efecüo.025. u"mo. a! es 0. (c) S9. (c) 67. Hallar el valor de la mediana de libertad. Fig. 4-18. hallamos en la columna ¡.0. Sin embargo.5. (b) 28 y (c) 40 grados de UtÍIizando la tabla en el Apéndice E.04 en tanto que el área a la izquierda es 0.¡r.1 es el valor pedido de 12. en la columna /.. el área sombreada a la izquierda de x3 es 1 ¡j iepresenta la percentila 9?.9?5 Análogamente.025..1.O5): 0. para v : Por el Problema 4. Véase Problema 4.05.99 y ¡22 representa la 4.3correspondiente av:28.150.tán distribuidas normalmente con media 0 y variánza 1.10. 4-18 (o) Si el área sombreada a la derecha es 0. la cual es igual a 15.4 4. Por tanto los valores son 0. 4.x?o¿s.136 DISTRIBUCIONES DE PROBABILIDAD CON NOMBRE PROPIO 2.10. X.. Entonces del Problema 4. al menos se especifique lo contra¡io.831 y 12..36 vemos que si X¡ y X2 es. . x.38.esr.025: 0. 4. xz:.(b) 2T. (b) 2I. .2-. x! por los cuales (a) el área sombreada a la derecha: 0. (Véase las consideraciones sobre notación en la página 116). (b) 32. X.¡ se deduce en la misma manera.831.la cual del Apéndice E es 12. (c) el área sombreada a la izquierda: 0. (d) el área sombreada a la derecha: 0. los valores: (a)25.05.

tn¡r( z\ Ju= -' .locuale¡tÁde¡cuerdooonelvalor6?. zo/2)-re-z/21ffi e-uzzr2. er la percentil¡ 10Op de l¡ di¡trlbución nornd tipilicada. Pueeto que Y ertá di¡tribuide nom¡almente con media 0 y varianza 1 ru función de den¡idad e¡ (r) Puesto que Z tiene distribución chi-cuadrado con (21 1" --: e-!'/2 12" / gradoe de libertad su función de den¡idad ee 0 ñ+GE2Q/D-!¿-zn z) 2 rcn \/21 2'/2 r(v/z\ 0.u\ . '\ z / (.tzt'(vl2\ ). podemoe ercribir.tz¿ul¿" LJ":_-e A = urfi en la integral entre parénteais rectangulares hall¡mo¡ ..6 = f. podemor utiliza¡ el hecho de que ({Tx2 . Entonca ti z.@ hast¿ rl/z/r.2../4 f ( 7<rrz>-r e-<yz+ztrz ¿.Lu€{p integrannr_conrespecto az de¡de 0ha¡t¡o. -/.(' F(r) = _ tf Jr=-.tzl(vl7\ Jz=o = .er dccir z<v/z)_te_ :|-r+zr/2 para -o 1g 1lo.Elrode donde t6=t = .u [f=.zl ztÍt + <t2 | v>r a")au ( " Susüituyendo F(r) = G.rr-r"-.100 gados de libertad.64+rfss¡z =69.64+/199P = 124.rf ¡"ffi "-r.cAP.es+ftool-t)2= +(1.t' / 2 e. ."^' + zo+"/2 Í"'=-* d. (b) Si r=100.r/2.= . himero fijamor r z b = integramos con reepecto a y de¡de . dud. Demostrar el Teorema 4-6. DE STUDENT 4. Por tanto tenemos Remplazando F(xl = . oon un alüo grado de aprorimación.#.rzrl. #.3)..41...y ¿2 # donde la integral ¡e toma ¡obre la región ( del pleno lz parn l¡ cr¡¡l g ut/ñ.-j(* . Hallar xlerpm (a) v : 60 y (b) y ..\2/ r\ (l + u2¡'¡<'+t>rz .(z. z ) La función de di¡tribución de I = Ylt/ffi e¡ F(u) = P(T=r) = P(Y=er/Zfi) = y@2.4l DISTRIBUCIONES DE PROBABILIDAD CON NOMBRE PROPTO 13? 4. página 117. Para ./ . Debido a que Y y independientee ¡u función de den¡id¡d coqjunta er 6l producto de (I ) y (2). / mayor que 30. *^ I' = - *l Í": como z('' .lt * T ) eeto puede eocribir¡e d."a']au de acuerdo con lo pedido. xlgs = \@. DISTRIBUCION ü x3s¡ dado en el Apéndice E..FA = zp I t/Ft x| = *(zo+tffj¡z (o) Si v=50.42.0(v¡lorre¡l =L24.t¡ e¡tl c¡¡i dbEibuido norm¡lmenüc con medie certr y varianza uno..va J"' {2r2.=o"r.ss+rtrOool-t¡z = |(1.o 6 .z \f 2nz.

(b\ 27. Por tanto el área de t para el cual el área sombreada a la izquierda es 0.er5. (c) Si el irea total sin eombrear ee 0.:: ::'. ) 0 y 0 de otra forma.005.rl). -1)(v'\/2) "-. entonces el área a la izquierda de ú¡ es (1 repreeenta la percentila 95. HaJlar los valores de f para los cuales el área de la cola a la derecha de la distribución si el número de grados de libertad es igual a (c) 16. ODt=r.4 4. ¿.82.138 DTSTRIBUCIONES DE PROBABILIDAD CON NOMBRE PROPIO ú [cAP.2 g(u.70 correspondiente a v = 27i (c) 1. ú.la/2.82.u) = .43.:.ú. (e) el área a la izquierda de ü. De la tabla hallamos t.25.(b) 1. La representación gráfica de la distribución (c) el área sombreada a la derecha en la Fig.::l = l"*:" 'u':'" Denotando la densidad como función de u y w por g(u.r) a\. t.e. En el Apéndice B e¡te valoi corresponde a la enhada en la última fila ma¡cada ó). entonces el área total sombreada es (1 .5. Halla¡ el valor de ú1 para el cual de Student con 9 grados de libertad se muesha : 0.44.9?5 y úr reprecenta la percentila 9?.83 es el valor pedido de t (b) Si el área total ¡ombreada es 0.e0.O. (d) el área sombreada a la izquierda : 0.css = 3.1 ez(vt+ v2)/2 lQl/21 f (u2/2) <t | + ú2)' ri o. 4-19.gg) = 0. La función de densidad conjunta de f '' V¡ y V2 etá.05.95 y úr Refrriéndonos a la tabla en el Apéndice D. ) 0. Sielá¡eaalaizquierdadeú¡ es0. J z t .O5): 0.[. 4-19 tt (a) Si el á¡ea sombreada a la derecha es 0.05.025): 0.quedelatablaes igual a 1.'') (?ñ rr^ o(vz/2) -| "-'. 4.0. Efectúe Ia transformación u 1/ v1 .t u(v2/ 2) . hallamos en la columna te. . r / Ll+ lvt/v)). sea 0.025 por simetría.26 como el valor pedido de ú.. De la t¿bla t ss = 2.01.99. .75 correcpondienteay:16.45. búsqueee en Ia columna y el valor 9.01.) = 6"i.01/2 : 0. Del Apéndice D hallamoe 2. Por tanto el á¡ea a la izquierda de ú1 es (1 .DZ=ü l1U7D Entonces el Jacobiano es i'.:"i = l::"'.90.99. entonc€s por simetría el área sombreada a la derecha es 0. a. Entonceg búequese la c. (El último e¡ el valor que se obtendría utiüzando la cu¡va normal. DISTRIBUCION 4.01 y el área sombreada a la derech¡ es 0. El resultado 1.38. tenemoe | 1U) t. dada por 1 (.es.nD\]uJur0.01 es (e) -2. entonced el área sombreada a la derecha es 0. (d) Si el Área sombreada a la izquierda es 0. Deimostrar el Teorema 4-?. t.entoncesúl correspondealapercentilagO. vlW v2 .01.05 Refiriéndonos al Apéndice D. t.l4\ -1- f 'pw\"rz'-' ID'-''-"e '"''o'-._tr Fig.645 correepondiente a y: 200.05. (b) el área total sombreada: 0.90. (c) 200..05.olumna ¿.'.0.lL=-=_rü=02 L"a/ ar t'2ú | vl1t2' . (c) el área total sin sombrea¡: 0. losvalores: (o)L. ú es 0.

.so. rr.ut = t'(P) ap Jo da) ) 0 y 0 ei rt É 0. . donde vt -.L5.'.+t.5.o5 en el Apéndice F con e¡a¡ en l¡ distribución ú bajo ú.cAP....(vz/2) Jo -tL-!:j!::-:(I5)..50¡2.18)2.e75. hallamos F. ro. que es el reeultado pedido. Vemos que 18. (b) F .\/2i-r. Demostrar que la distribución F es unimodal en el valol ¡v' ' La moda localiza e! valor máximo de la función de deneidad. 4.7L = (2. la función densidad de la di¡tribución F es r[(t. ) 2' de (. u..oc. primera f. página 118.96. hallamog . F.2* .i/2)--t (v2:L vru)-(r.rr. (c) Por el Teorema 4-8.257.ot.o. = # = 0.. > 0 y 0 de otra forma.n..0g (d) Por el Teorema 4-8.l= *. /. .r. \.s. = 0.TZ) \ (-" se Utilizando el criterio de la segunda derivada podemos demoetra¡ que realmente trata de un máximo.+v2't/2r-r = 0 Dividiendo Wt ut|ti2)-2(t2l t¡t)-[("\+t. er hkt) = ei u (.F' gs. r. : (4. Utilizando la tabla para la dist¡ibución F en el Apéndice F.\i = /v' I vr\ ) si u ) 0 y 0 ¡i z¿ 5 0.rt) - (¡'r +t2)/2 - . Verificar que (o) /. 15.rr.9. r¿ desde La función de densidad (marginal) de U puede encontraree integrando con recpecto a decir 0 ha¡ta €. RELACIONES ENTRE LAS DISTRIBUCIONES F.¿t. =- 9.. rr. 11 .\z .ul F'.s.4l si u DISTRIBUCIONES DE PROBABILIDAD CON NOMBRE PROPIO 139 > 0.. (a) Comparar ia¡ entradas en la columna de la tabla F.. (c) = 10.. Apéndice A. es decir (r.r.. 7..ss : ".t r rz)tz Si tiene un máximo relativo se presentará cuando la derivada sea cero.1 -.30.0 = 4. donde. A diferencia de una conetante.80.o.-'1t'"tvp)-uvr\j-:. ( " *.2* r.1-2\/ /\. (d) F. rs = 3.\rt. /. (b) Del Apéndice F.au d.\ z /.l¡. i \rn) - 2\ / v' \ si v.o.'r2\ ) = 0 ó trt ry = /.t . ¡2 y ú 4. ir ua 0.71)2. hallamoa \-i. Pero de Tenemoe (r h(u) / v2\vr/2 4Q 1/'' .47.- r1u)-¡(.'rrr.t)- tyt ('4fa) (..ob.46. 4.8 = 3. (o) DeI Apéndice F.326.ee..2\/2)-t e-tt+<v{/v2)t(o/2> z(tt ' u2)/2 t0t/21 l.48.r' / 2(. 10. \ : ¡.. ro.78)2. página 118. hallar (¿) F.1 = (3..5 L6l = (72.t e.io = F_¡ . etc.ss : t?n (b) fl.*r.

66)2.60)2.página 11?]..'.-¡l r.140 DISTRIBUCIONES DE PROBABILIDAD CON NOMBRE PROPIO [cAP. + r\ r( ol -r- .)" .48. P(.u/2¿-r/2(y + ul-(r1tr/2 ^/. 4. Vemos que 4050 : (63. pfuina 116.eer..'. tenemos P(T=+tlrno¡ = t -Pi ./ para u /_u_r.(. Sea 11 . I ^F.l.r¡ n'(.rtF./" + r\ \ / l+1) "/ \-(!¡!'/'l tru = } -p En la integral efectf¡e el cambio de variable t=t t/-u: r)r'rl '\ J -'(f+-¡ dt = t-p 2-r 2.84)2. Entonces y a.5 = (9. . Entonces por la definición de un valor de percentila.Ft-o) f(u): 0 para ¿ < 0. P. 21. v2 = v en la funeión de densidad para la distribución F f (ul = .P(f 0) = = P(T=+\E|-+ donde hemo¡ usado la simetría de la distribución ú.4*)___\-.+tfttur¡ = P(T s +VFt-p) . página 118. 98.0 <'T = *t/Ft_o) ú donde ? es una variable aleatoria con distribución de Student con u grados de libertad.ee en el Apéndice F conegarenladistribución ú bajo ú.'.(4.*rr. Por tanto ^\ F.o) r\ \ '/ ll '=2 | '\ . que puede establecerse simplemente como F r-p = t? ott¡ l(4í).92)2.t.l / +z\-r¡ \ '/ ¡=. vemos que el lado izquierdo de la última ecuación es igual a z. \ : {".4 (b) Comparar la¡ enhadas en la primera columna de la tabla F.. y que P(U 5 . etc.1 = (5.49.r(l +3!) t r-ru+l)/9 ) O. Demostrar el Teorema 4-9.)" \/ Com¡rarando con (42).es el nhmero tal = 7- * t\ "/" . Re¡olviendo.2 -. t { l'-'u-r. Por tanto t-P 2 = Pp<T:.r( . '\2/'\2/ "11\ "/r\ t -/. 34..9 " / +1\ -t'* "" t / vv/21l-12v-(.-.sí generalizar los resultados del Problema 4.

La probabiüdad de no obtener un 3 en el primer lanzamiento es 5/6. página 118.GB a ¡'.¡ !. la probabilidad pedida es Y/r\ \6i \6/ / s c. 3.il = (4 . y) dada por (49) debe para todos los valoxes de x. 4..'..r'il ) y y puesto que este es un producto de una función solamente r. si X. para (a\ p : a1 0. Sean X. Y son independientes solo si su coeficiente de correlación es cero.7 2. Y variables aleatórias cuya función de densidad conjunta es la distribución normal bidimensional.'.145. Véase Problema 4. _ 9. se convierte en l@. = tt-(p/zt ó Fr-p : tl2t'-tptz'..r y una función solamente en y...95 y (b) p : 0..4!¡ 4 2.00 =. K (r(r . lo cual provee la verificación requerida. Demostrar que X.94 3. producto de una función solaménte en.99.+. en el Apéndice E. Entonces vemos que a r': ó) con etc. Y son independientes.. Hallar la probabilidad que en lanzamientos sucesivos de un dado honrado resulte un 3 por primera vez en el quinto lanzamiento.ú los valores de = t-+o-. Verificar el Teorema 4-10.r"?ll--+"-.¡ es el número üal que P(T=tt.F e.50.. Esto es posible sólo si p : 6. Entonces la probabilidad de no obtener un 3 en lo¡ primeros cuaho lanzamientos es (5/6)(5/6)(5/6X5/6): (5/6)4. Y son independientes. entonces la función de densidad normal bidimensional (49).CAP.25 77i6 .78 = #. er el Apéndice F (correspondientes las enhadas bajo x:nn en el Apéndice E.. s. DISTRIBUCIONES DIVERSAS 4.02 = #.52.51.(p/z\\ = l-?. )Lo. 4.1.21 . ya que la función de densidad de Ia distribución positiva.. s.8t (b) -. (c) Comparar las entradas en Ia última fila de la tabla F o= en el Apéndice F (correspondientes las entradas bajo ¡. lo cual provee la verificación requerida.. Méüodo 1. f(x. Entonces vemos que 6. y se deduce que X. Análogamente la probabilidad de no obtener un 3 en el segundo lanzamiento ee 5/6. 3.4] DISTRIBUCIONES DE PROBABILIDAD CON NOMBRE PROPIO L4t Pero.60 -.:\/2= en . por definición..Por tanto la probabiüdad de obtener un 3 en el quinto lanzamiento es 1/6. lotll.. etc. r por una función solamente en y para todos ser el Inversamente. Por tanto ú es estrictamente +\/F. -. que era lo que se querfa demostrar. Comparar las entradas en la última fila de la tabla . y este nfimero se determina finicamente. 't7 2.. página 118. Ll . tt tt¡/z.s2 T r. + * en la distribución F en DISTRIBUCION NORMAL BIDIMENSIONAL 4. etc.L . Si el coeficiente de correlación p = 0. = @) con = "'13. La prueba general del Teorema 4-10 se deduce tomando el límite cuando U2 la prfuina 117.

de la distribución Weibull. i7't6 4.of ¡(1 + 3) b/ L\ .08 (D) P(re gradúe uno) = 5Cr(0. 2¡. 11. - f. etc.""tb)-t a-ub I ur/be-! du Jo a_. E¡ta¡ ¡on 1 cn el grimer dado y 1 en el regundo dado.55.r I ú ). (D) al menos dos veces en 6 ¿ead¡¿o¡ por (1.92.977?6. ó aproximando O. etc. (b) uno.q:616. Determinar la probabilidad de que de 5 estudiantes (a) ninguno. pedida er pRopro [cAp.4. .63.be-! = o-2/br\t + a) Entonce¡ / o\ ¿u 02 = El(X-u¡21 = E(Xz)-uz = PROBLEMAS DIVERSOS o-". i) integral. ¿Cuál es la probabilidad de obtener un total de 9 (o) dos lanzamientos de r¡n pa¡ de dados? en veces. (a) P(ninguno ee gradúe) = 5Cs(0. Caü un¡ de le¡ 6 form¡¡ en la¡ cuales el primer dado puede daer estó a¡ociada con cada una de las 6 forma¡ lu cr¡¡le¡ cl r¡undo drdo puede crer. eon p: Ll6.64.¡ :6 Gzl vemo¡ que la probabilidad /t\/o\' _ \6/ \6 / página 119.oJs u. Verifrcar las expresiones dadas para la (a) media.6)4 = 0. (o) t' = E(X) = JO f abrb e-o"o d..26 (c) P(al menos uno re gradúe) = 1 -P(ninguno se gradúe) :0-92224. 6 = 36 forma¡ en las cuales ambo¡ dadoe pueden caer. : atb pa. 1 en el primer dado y 2 en el regundo dado.p(\ t + +)-l ó/J 4.ra evaluar la (ü) E(Xz¡ = fo- oOro*r¿-oto¡lg r "b ('/z\r*ttro> e-!:u(t/b)-t = o"o )o \.4)0(0. 4. se gradúe. ó aproximando 0. 4 Utilizando la di¡tribución geoméhica. \i)"-".tbr donde hemo¡ ütilizado Lr ¡ustitución u f@ ab ('/"\ du /' (r. página 118.4)1(0.6)r : 9. DISTRIBUcIoNEs DE rRoBABTLTDAD coN NoMBRE Método 2 (utilizando fótmula). (b) la variarrza./ du (' = o-r. La probabilidad de que un estudia¡rte que ingrese a la universidad se gradúees 0. alf hay 6 .L42 .2692. (c) al menos uno. ó aprorimando 0.

6 a 6.0 (6.er)*P(9cincovecer)*P . Véase Fig."'\g/ ' ^/rY/s\u.3418 - y e = 0) (áre¡ entre z :{.-. (6.2 = -'1. 6).5 puntoe. Por tanto la de¡üación tfpica = /56 = 6. 10 puntos.7)1L.5?.5 en unidader tipificadar : 5.ó6. .5Bt 441 = 531 441 441 Otro método.2:{). dependiendo del número de respuestas conectamente solucionadas de un total de 10.17 z: -1 y 277o z: O) 0. un total de 9 ocurte en 4 cqlos¡ (3.58.7)1L.6 (área entte 0.9): 36.1XO. . 4-20.17 z: -1 y z:-4. (a) (b) Coeficientedeeeego= Puesto que es positivo. 4). eb necesario con¡idcrar los datoe como si fueran continuoe. la distribución está sesgada a la derecha. ^ /r\u = 'c'(o/ \é/ * '"'(./ \. (a) Media : np :400(0.6u. Por tanto una calificación de 6 puntos ¡e cor¡sidera como 5.2788: . La calificación media fue 6../ \ó/ * '"'foi ó * '''Gi 72689 1 10240 960 48 61 = 681 440 65f ¿¿T . (b) la calificación máxima del L0% más bajc de la clase. Las calificaciones de un parcial corto en biología fueron 0. hallar (c) la media y (b) la desviación típica para la distribución de tornillos defectuosos de un total de 400.2.? y la desviación típica fue 1. Entonces la probabilidad de un total de 9 en un ¡olo lanzamiento de un per dddados esp :4136:1/9 y la probabilidad de no obtener untotaldeg enunsololanzamiento esq=L-p8/9. (5. (o) P(9 do¡ veces en seis lanzamientos¡ = 6"'\t/ /q\t-' .6. 4. 5). .5gr 441 * ss1 441 .. L.1): 40.4I DISTRIBUCIONES DE PROBABILIDAD CON NOMBRE PROPIO 143 De estas 86 forma¡ todar igualmente factibles ¡i los dados ¡on honrado¡./ * '"'(. P(al menoe 9 doa veco) : 1 - P(9 cero vecer) - P(9 una vez) : . (c) la calificación mínima delL0% más dto de la clase. (4.\0/ \e/ \s/ ^/l\'/q\' ffitZü 7268s 4.-"^11Y - \0/ -61 441 6sl 440 (b) P(al meno¡ 9 doeveces) (9 seis vecee) =P(9 dos vecee) *P(9 trecveces) *P(9 cuatro vec. Si la probabilidad de un tornillo defectuoso es 0. 4.2. (a) la di¡tribución normal a datos discetoe. ^ /r\'/e\'.0676 : O.6.17 (5. Suponiendo que las calificaciones están distribuidas normalmente. Halla¡ los coeficientes de (a) sesgo y (b) curtosis de la distribución en el Problema 4. Para aplicar : 6.133 coeficienüedecu¡tosis: l.5 en unidadee tipificadar hoporción pedida: á¡ea entre : : . 3)./r\'/e\a. == vnpq H = 0. determinar (c) el porcentaje de estudiantes con 6 puntos.5 .a di¡tribución ee s+l---^6:q : 3+ff1-6(0'1X0'9) = nuq 3'01 ligeramente má¡ apuntada que la distribución normal. ^/r\'/a\'.56.1. (D) Varianza : npe: (40OXO. es decir podemoselpemr que 40 tornillo¡ esüén defectuosos.cAP. ^ /r\ta.

4-22 repteeenta el eje de tiempo c. La probabilidad de que se cuente una parüfcula en el tiempo Af ee proport t tatr cion¡l a At y puede eecribir¡e como l. pero no se consideSea P6 (ú) r-----]--l Fig. por simetría : L.r2 la calificación mínima pedida zz =L.40 : -L. = 0. Entoncee tendremos una cuenta en el tiempo f * Af en lor riguientee dos ca¡o¡ mutuamente excluyenter: (i) 1 cuenta en el tiempo f y 0 cuentar en el tiempo At (ii ) 0 cuenta¡ en el tiempo ú y 1 cuenta en el tiempo Aú .26 6 aproximando y al entero má¡ cercano. rin considerar los términoe que incluyen (Aú)2 y término¡ cuperiores. exiatirán término¡ adicionalecqueincluyen a (Aú)'y órdene¡ ruperiores. por tanto área. Máe precisamente. De la Fig.6.7)17.10.7)lt.que lógicamente e¡ 1.4 . Halla¡ la probabilidad de que en un tiempo f no se cuenten partículas. Un contador Geiger se emplea para contar la llegada de partículas radioactivas.I -0. 4-2L el la izquierda de z¡ eo LOT. Refi¡iéndose al Problem^ 4. zt Enüonces zt = (xt .Z:-t. 4. Por tanüo c = I y l¡ probabilidad pedida ee (11 Po(¿) = ¿-^t 4. cue¡rta en el üiempo SeaPl(ú) la probabilidad de una cuenta en el tiempo f+ I de modo queP¡(t + Af)er la probabilidad deun¿ Aú.17 I'ig. Por tanto la probabilidad de no contar en el tiempo At ec 1 . tenemoS (r) De (I ) obüenemos (2) Po(ú+a¿) = lú Ps(Ú)[1 -IAú] = -IPo (¿) At+0 lim Po(¿-f a¿) - PoQ\ e¡ decir (. 4-21 (b) Sea r ¡ la calificación máxima pedida ] z¡ !u equivalente en unidadec tipificadas.28. la probabilidad de no cuenta en el tiempo t * At es el producto de la probabilidad de no cuenüa en el tiempo ú y la probabilidad de no cuenta en el tiempo Af.69.28y Ír:6. Entonces (x2 - 6.on O como el origen.I At. La Fig.2 u 8 aproximando al entero má¡ cercano.x2:8. la probabiüdad de no cuenta en el tiempo t Entonces Po (ú + At) es la probabilidad de no cuenta en el üiempo ú + Aú.P6(0): c e¡ la probabiüdad de no cuenta¡ en elüiempoGrro.69 halla¡ la probabilidad de exactamente una cuenta en el tiempo t. a Area entre zt y O: 0. Si (b). (c) Sea .60.2 ! 22 Eu equivalente en unidades tipificadas. Si se suponen lar llegadae de lae partícula¡ sucegos independientes.r) dlu dt = -^po u dP" n 6 = ->'¿t Re¡olviendo (3) por integración obtenemos lnPn = -X¿ + cl PoQ) = ¿¿-Lt Pa¡a determinar c notamoc que si ú = 0. Por tanto. At.4-20 Fig.28.4-22 o ran si AÍ es pequeño.28 (aproximadamente).L14 DISTRIBUCIONES DE PROBABILIDAD CON NOMBRE PROPIO [cAP.

s supletnenta. Por tanto (7') = ¡¿¿ .I a¿). (b ) 1. que es cero.64. Por tanto. Problerna.62. 4. (b\ P(X <21' (c) P(1<x=3). 3). (d) 3' @l a. ¿cuántaseeperaríantener(o)3niños.ar una moneda honrada 6 veces aparezcan (o) 0.59 esto convierte en dP. u) Multiplicando por (5) e^¿ d.(b)5niñar. caras. La probabilidad de (ii) es Po(ú)I at.i que es [a distribución de Poisson. Iülla¡ la probabilidad de (o\ 2 o már honradas.P. Hallar fal¡o. (n 5. 4. sin coruiderar los té¡minos que incluyen (Aú)2 y ruperiores. Halla¡ la probabilidad de que al lznz. Utilizando e¡to en (6) hallamos Pt (Ú) c2 0.66. @l 6 caras.cAP.I"(t) = XF'o(¿) - IP1 (¿) ge Tomando el lfmite cuando Af -+ 0 y utilizando la expresión para Pe(ú) obtenida en el Problema 4.t * \P. Si P(X=2).61. Suponer 4. (c) 2.4l DISTRIBUCIONES DE PROBABILIDAD CON NOMBRE PROPIO 145 La probabilidad de (i) es P1(ú)(1 .rlos DISTRIBUCTON BINOMIAL (BERNOULLI) 4.66. P1(0) eo la probabilidad de 1 cuenta en el tiempo 0. (r) Esto puede escribirse Pl (ú + a¿) = Pr (ú)(1 - r aú) + P0 (¿)r a¿ Pr (¿ + (2) l¿) Lt . (b) dog vece3' en dos lanzamientos de un par de dados honrados. ¿@xtPr) = x que al integrar (6) Pr(t) = \¿¿-rú+c2e-\r Si : t:0. la probabilidad de acerta¡ correctamente al meno¡ 6 de 10 res¡ruestas en un examen tipo verdadero- . con un par de dados? ¿Cuál es la probabilidad de obtener un 9 exactamente una vez en 3 lanzamientos 4. . Hallar la probabilidad de obtener un total de 11 (c) una vez. 4 caras en un solo lanzamiento de 6 monedas hallar (o) P(X = 4. (b ) menos de 4.¡e-rtt esto puede escribirse como d. X denot¡ el número (d) de caras en un solo !¡nzamiento de 4 monedas.67. (c)o2ó3niños? probabilidades iguales para niños y niñas. DeSOOfamilia¡con Shijos. tr¿-At (3) dt = ^Pl o d.rt ú Continuando de esta forma podemos demostrar que la probabilidad de exactamente n cuentas en el tiempo está deda por (8) Pn(t\ = (^t).69.

5 o? 4'83. (b) desviación típica. DISTRIBUCION NORMAL 4. (d) iguales a 0. (b) menos de hes cuartos de desviación típica? Si ¡'t es la media y o la desviación típica de un conjunto de mediciones que están distribuidas normalmente. (c) menores que 0.610 y 0.68. (d) correspondientea z>:2. En un examen la media fue 78 y la desüación típica 10.!6. ¿qué porcentaje de las medicione¡ están (o) dentro del recorrido I. 4.? y n : 60. (d) el áreaentre 1.t ! 2 o.4 respectivamente.El m inclusive. 0. 4. 4.7O. (b) menos que o iguales a 1. (b) menos que p . Hallarz¡ si P(Z-21)= 0.64).2266.80< z< !. (e) el áiea en¡e-z y z 4. (e)correcpondientea-0.61? pul. La calificación media de un examen final fue 72 y la derviación típica g.?0 m? cm. 4. (b) Determinar los puntajes de dos estudiantes cuyas calificaciones tipificadas fueron y 1. (D) mayor que 0.(b)z=I. (ó) el área a la izquierda de z sea -0.e z: -1. (/)ala izquierda de z:-2. (c) el área entre de z tales que (a) el área a la derecha de z sea 0. (a)Determinarlas calificacionestipificadasdedog estudiantes cuyos puntajes fueron 93 y 62 respectivamente.96).71. dondeZestádistribuidanor¡nalmenteconmedia0yvarianzal. determinar el porcentaje de los cojinetes de municiones con diámetros (a) entre 0.83. z:-I.618 pul inclusive.69.6140 pul y desviación tipificada 0. 4. (c) solament e 2.0314.9.?8.b superior de los estudiantes recibirán una calificación A (excelente).86.2 respectivamente.45. (b) P(-1. (c) a la derecha d.6 y 1. (c ) mayor que g 1. Hallar el área bajo la curva normal (o) a la izquierda de z : -1.2O y z --2.?O m y desviación típica 10 Si los diámetros de los cojinetes de municiones están normalmente distribuidos con media 0.74. 4.L46 DISTRIBUCIONES DE PROBABILIDAD CON NOMBRE PROPIO lcAP. Demostrar que si una dishibución binomial con n : 100 es siméhica. (c)z:-2. (dl al menos I persona esté viva. (b) a la izquierda de z:0. El l}'.85V 4.900. -0.79' 4. su coeficiente de curtosie es 2.8{. Hallar la probabilidad de que en 30 años (o) Ias 5. Evaluar (o) ) (c - p\3 f (r) v (b) > (r .t'c. Calcular la (o) media. ¿qué porcentaje de esas mediciones diferirá de la media por (o ) más de media desviación típica. Z está distribuida normalmente con media 0 y varianza 1. lt!aosea . (b) por fuera del recorrido ¡t ! 1. 4.85 m.50.82.55 m. Un agente de una compañía de reguros vende pólizas a 5 personas.58.4 4.79.608 pul.oo ¿ea 22c/a.15 y z *aO. haltar (a) P(Z = -1.2 o. ¿cuántos estudiantes tienen estaturas (o) ¡nayores que 1. (c) Si las estaturas de 300 estudiantes están distribuidas normalmente c\on media 1. Demostrar las fórmulas en la página 109 para los coeficienües de seego y curtosis. hallar P(X > S).84.96 =_ Z < t. Si (c) P(lzl > r). 4.6 Hallar (o) la media y (b) la desviación tfpica de un examen en el cual los puntajes de ?0 y 88 corresponden a calificaciones tipificadas de -0.23yz:1. De acuerdo con las tablas de los actuarioe la probabilidad de que una persona de esta edad específica esté viva en 30 años es 213.72.615 pul.0025 pul. todas de edad idéntica y con buena salud.O?30. 4. entre (o) 4.52 y a la derecha de z: 1.59 y 1. entre 1.75. (d) coeficiente de curto¡is para una dishibución binomial en la cualp : 0.23 y z sea O.5722.81' 4.4O. (c) coeficiente de sesgo.gShallarlacon¡tanteatalqueelporcentajedelo¡casos(o)dentrodelrecorrido 7 í'. EnelProblema4. Si X está distribuida normalmente con media 5 y desviación tipificada 2.76.r)af(rl para la distribución binomial.56.85- 4. ¿Cuál es la cslificación mínima que debe obiener un estudiante para recibir una A ? Si un conjunto de mediciories está distribuido normalmente. (b ) al menos 3. (d) igual a 1.78: Hallar los valores sea 0. llallar el área bajo la curva normal z: 0.77.80' 4.82. Interpretar los resultados.

Education and Welfare.92.ar la función generatriz de momentos).(c)6. <x< @ 4.97.cAP. (c)2. (b) entre 1 y 3. Department of Health. 4. 4l DISTRIBUCIONES DTSTRTBUCTONES DE PROBABTLTDAD CON NOMBRE PROPTO PROBABILIDAD PROPIO I47 L47 APROXIMACION NORMAL A LA DISTRIBUCION BINOMIAL 1.(e)entre4y8.b.entoncesXr+X2 tieneunadistribucióndePoissonconparámetro). enunaciudadcuyapoblaciónesde200000ocurran(a)0. página I 1 1 . 2 "doses" y . hallar la probabilidad de que en 8 de tales extracciones se seleccione una bola roja 3 veces. DISTRIBUCION DE POISSON 4. página 113. Xz. (b) menos que 90 caras. 4.98.(n5lámparar sean defectuosas. Se lanza un dado honrado 6 r¡ece¡. Entonces se coloca la bola en el talego.101. -'. (b) 7.2. Demostrar que si respectivostrr X1 ¡l X2 son variables independientes con distribuciones de Poisson con parámetros ytrz.96. son independientes y están distribuidas idénticamente con la distribución de Poisson. Demostra¡ el teorema del límite central para las variables independientes xk = 4.87. (c) menos de. "heses". . de loe tornillos sean defectuosos. Según Ia National Office of Vital Statistics of the U.0 de cada 100 000 personas. hallar la probabilidad de que (of rnís de 5. Hallar la probabilidad de obtener más de 25 "sietes" en 100 lanzamientos de un par de dados honradoe. (d) 55 o más. ( t 3 ). (d) exactamente 100 cara¡. 4. Hallar la probabilidad de que en un muestreoaleatorio de 400 tor4illos producidos por estamáquina (a)máximo 30. el promedio de ahogados en accidentes por año es 3.9!. f. En el Problema 4. 4.(d)8. Si 3% de las lámparas eléctricas producidas por una compañía son defectuosas. . 1/2 -r -t Demostrar el teorema del límite central para las variables independientes 'Yk donde g = | | 1 prob.99.93. 36 LO"/o de los cuales son defectuosos. r¡ : L - p. (d) 3. 3 . 4. 4. Halla¡ la probabilidad de que el resultado sea: (o ) 1 "uno".(b)2. Xz. .88. Hallar la probabilidad de que en 200 lanzamientos de una moneda resulten (a) entre 80 y 120 caras inclusive. Una máquina produce tornillos. p pr. .10O. (b)entre 30y 60. .#Tf DISTRIBUCION MULTINOMIAL 4.97. Utilizando (o) la distribución binomial y (b) la aproximación de Poisson a la distribución binomial. S. hallar la probabilidad de que en una muestra de 100 lámparas eléctricas (a) 0.1 t\.94. ( L 1 prob.90. TEOREMA DEL LIMITE CENTRAL 4. Demostrar el resultado (l 7). (c) menos de 85 o más de 116 caras. Se extrae una bola y se obsen'a su color. Explicar por qué se podría esperar que el teorema üengan la distribución de Cauchy. (bl 24 o más de 40 preguntas en un examen tipo verdadero-falso.t9. (b) cada ca¡a una vez. 4. f(r) =.91. (e) 4. Un talego contiene una bola roja y siete blancas. 1/2 prob. Generalizar el resultado a n variables. arí generalizando el Problema 4.95. (c)entre y 46. del límite central no sea válido en el caso que X¡ . Demostrar el teorema del lfmite central para el caso en q rre X ¡. Halla¡ la probabilidad de que 4. 4.(f)menosdeS ahogados por año. . Hallar la probabilidad de que un estudiante pueda acertar eorrectamente lasrespuestas a(a)12 o más de 20.(Sugeren- cia: Utiliz. o 2lámparas eléctricas sean defectuosas.

Si se seleccionan 20 aspirantes aleatoriamente. 4. Yerificar la (a) función generatriz de momentos dadas por (33 ). hallar P(lX . sesgo y (b) curtosis de una di¡tribución uniforme.103.121. SiXestádistribuidauniformemente en-2< x=2. Hallar (a) el tercero y (D) el cuarto momento alrededor de la media de una dishibución uniforme. DISTRIBUCION UNIFORME reduce a (I ). 4. Hallar la función generatriz de momentos para la di¡tribución uniforme. tl¡llar(o) P(X= 1). 4. Determinar el coeficiente de (a) > ll 6/. Z. S blrncar.108. Emplear la aproximación binomial (18) obtenida. 4. DISTRIBUCION HIPEBGEOMETRICA 4.116. (b) todas sean blancas.104.9: 4.4 4. Demostrar directamente que (22). azules y amarillas en la proporciün 4t 3z 2: L. (c) al menos una sea roja. Demostrar que si X1 y X2 son independientes y tienen la misma distribución {e Cauchy. De 60 aspirantes a una universidad 40 son del oriente. 4. Una caja contiene 5 bolas rojas 5l l0 blancas.122. Verificar que (31 ). y (b) la función caracterfstica de la di¡tribución gamma . Si se seleccionan 13 cartas aleatoriamente (sin remplazamiento) de una baraja de 62 cartas. blancas. Determinar los valore¡ modales de la distribución gamma. (b) P(lX-11 = +). Demostrar que el recorrido semi-intercua¡tílico para la di¡tribución de Cauchyeeo. recorrido gemi-intercuartílico es un eustituto de la desviación tfpica? aritmética también tiene esta distribución. 4.109. página 115. página 116. entoncel su mdia 4.Hallat(a) P(X i. Y son independientes y ambas eetán distribuidas uniformemente en el intervalo de 0 a 1. ó (24\ se para resolver el Problema 4.págin. ¿Porqué en este caso el 4. página 108.11?.fl DISTRIBUCION DE CAUCHY 4. 4.106 y e¡tudia¡ la precisión 4. Una variablealeatoriaX tiene una distribución gamma conQ:3. Hallar la probabilidad de no obte4er un 1. Suponga que X tiene una distribución de Cauchydeacuerdocon(29). normalmente con media 0 y varianza l Demostra¡r que Y: Xt lXz tiene una distribución DISTRIBUCTON GAMMA 4. Generaliza¡ el resultado del Problema i.(b)8 sean rojas y 2 amarillas.115. es una función de densidad.z 114. Si Xt y Xz son independientes y distribuidas de Cauchy. Si X.114.106. (b) P(Xz > r2). (b) ninguna sea figura. Si se seleccionan 8 bola¡aleatoriamente (sinremplazamienüo) determinar la probabilidad de que (a) 4 sean rojar. (t) P(l = X=2). o:2.105.con < 2). hallar la probabilidad de que (o) 10.págrna114.11E. (b) no más de 2. Una caja contiene una gran cantidad de bolas rojas. 4. 4. 2 zzulee y l amarilla. 2 ó 3 en cuatro lanzamientoe de un dado honrado.119.112.Hallar(al P(X <1).120.113.148 DISTRIBUCIONES DE PROBABILIDAD CON NOMBRE PROPIO [cA¡.102. 4. 4.111. hallar la probabili4. Hallar la probabilidad de que de 10 bolasextraída¡: (o) 4 rean rojas.116. cuando N ' e. dad de que (a) 6 sean figuras.107. sean del oriente.110.

(c ) 25.¡' 4. (d) P(U 2 c) = Q. : 6. = t2ul(v1* .99. Hallar los .ss.or.133.9:2. Halla¡ los valores de ¡2 para los cualec el área de la cola derecha de la dietribución x2 de grados de übertad z ec igual a (o) 8. v: -f1 sea 0.50.rales a la derecha de xB y a la izquierda de x!. es una función de densidad.2gs para r = 150.01. grados de libertad DISTRIBUCION x .1 de la función de densidad (45'¡.eo.142.128.. Para una distribución chi-cuadrado con 12 grados de libertad. pígirn 117.ti ti¡l gue (o) el área a derecha de ¡l sea 0. er igual a 1. Resolver el Problemz 4.20 91tt: 1i Y_4_. (e ) 150.? 9:?^5: suponiendo ireae'ig. hallar x2. (c) 28. v ) 2. Verificar que la integral desde u lsugerencía: Hágase a : 0 hasta e v2u). (D) P(-a= U 3 c) :0. los valo-res de x? y x! no son únicos' 4.4l DISTRIBUCION BETA DISTRIBUCIONES DE PROBABILIDAD CON NOMBRE PROPIO t49 4.%t con y :7.90yy:25t (b)eláreaalaizquierdade-ü1 sea0. Demostrar que (a) E(xz) = DISTRIBUCION ú DE STUDENT 4. si el r. (c) el á¡ea a la derecha de xl sea 0.9¡' P(U>c)= 4.2\' 4.zoi (.páSrrra 115.126.donde zo hra una distribución f de Student con 15 grados de libertad. (b) 19. 4.gc.¡. 4. (c) F.01.01. (c) P(x?< U < x2z) = 0. Q) F.. v. la distribución ú es 0. - 2). Hallar (a) es la x.129.(c)eláreaaladerechadeú1 eea0. + p . ¡2o egtá x?ozs y (b) xizs para'r = 4.ol/l'. (b) 12.g. (b) Demostrar que si la suposición de áreae iguales en la parte (o ) no se cumple. Si la variable U tiene distribución chi-puadrado P(u < x?) : 0. hallarlaconstantec talque (a\ 0. (d ) 60. (c) P(U = cl = 0'20. Hallar 4.13?. (e) el área entre -f1 f f1 sea 0.rz.rzo.136.10'(d)el sea 0.05. (ó) y (b) x.(b)eláreaalaizquierdadetlsea0.01.025. / una buena aprorimación para percentila (100p) de la distribución normal tipificada.' dada Por r * .55 ! 4.130.132. Si una variable Utiene una distribución de Student con ¡. Halla¡ (o) 4.141. (d) el área a la derecha de ú1 sea 0.z¿i (d) F.727 si el área de la cola derecha es 0. (b) el área a la izquierda de xi sea 0. Demostrar que para 1 grado de libertad la distribución ú es una distribución de Cauchy. Verificrü que (34).rs.124.05. f f.oo. Hallar el valor de: (a) F. Demostrar que la distribución beta tiene una moda l¡nica en DISTRIBUCION CHI-CUADBADO r: (a - l)/(a P(lX-+l = +).140.2. (d) 40.01 y ¡.05.139.123.rúmero e.95.131. Demostrar que la va¡ianza de la distribución t de Student con t. Hallar los valores de úr para la distribución de Student que satisface cada una de'las condiciones siguientes: combinada a la derecha de ú¡ y a la izquierda de (a)eláreaentre-ú1 yút seaO.02'5yv=20'(c)eláxea 16. Demostrar que para grandes valores de 4.90.95.ss. (o) llaltar x! y x? tales que el área bajo la distribución x2 correspondiente a v -. ee la 0.os. área combinada a la derecha de ú1 y a la izquierda de -f1 4.valores de grados de libertad I ú para los cuales el á¡ea de la cola derecha de es igual z (a) 4. (b) F.or'so'lr-.98. 4.136.13E.cAP. \b\ Yar (7zl -.i) 4./(. 4.:10. lJnavariablealeatoriaXtieneunadistribuciónbet¿cono:3. hallar el valor ie .125. 4. hallar el valor de ú¡tal que (a) el área a Ia derechadeú1 seaO. 250.134. si el número de 4. y x! tales que (a) P(U > x?rl = 0'025.12?.

r.143...X. Demostrar que cuando v "> @ la distribución f de Student tiende a la distribución normal tipificada. de 4. mente tienen una distribución idéntica. Suponer que X.153. .145. 4. Demostrar que 2u (. .pfuinal77. + Xn... rj +n'r l¡ = ¡'oof 4...36. Demostrar el Teorema 4-5. página LL8. Demosha¡ el teorema del límite central para el caso donde Xt.149. 4.c<ts -.Porevaluacióndelasseries dos del Problema (") 4.' o) 4.150 DISTRIBUCIONES DE PROBABILIDAD CON NOMBRE PROPIO lcAP. RELACIONES ENTRE LAS DISTRIBUCIONES CHI-CUADRADO. k=l son variablee aleatoria¡ independiente¡ disürluna distribución chi-cuadrado con y libertad. Sean las variables independientes n X¡. Verificar que estas constantes son l¿¡s dadas en (19). página 116.154. ¿Puede deducirse la ley de los grandes números en forma débil del teorema del límite central? JuEtificar su solución. Si Xr. demostrar que e8t6n distribuidas marginal- "? y oi respectivamente.0r..0.15E.n.16O.. (véase página cada unacondistribucióngeométrica. .prgradoe X¡ + . mente con varianzas h aon 4. Demostrar los resultados (20) y (23).1 o2 . 4.^h. 4. prfuina 118.X. . demostrardirectamentelosresulta- 4.37 demost¡ando que si buidas normalmente con media 0 grados de 4.144. página 118.e8¡zsa \z /' * (tlu)to. DISTBIBUCION NORMAL BIDIMENSIONAL 4..0.6O. . constantes y b2 < ¿c. 4..159. hallar la función de distribución de lonva¡iablesaleatoúasindependientescon di¡tribuciónchi-cuadradoypr. página I44.o2)a(0... Y mnjuntamente tienen la distribución bidimensional (19).156. (Sugerencia: Ilaga la transformación u : 1/u). (a > o' o .4 4. c.. Generalizar el Problema 4. É^ ¡=o . PROBLEMAS DIVERSOS 4. k=1.. y varianza 1.A) = ke-(!¡z+2bra+"v'l donde a. son independientes pero no necesaria.. Demostrar el resultado (46). Demostrarque k=l ) X* tiene distribución de Pascal 118).e8)2ez \3 /' y dar una interpretación de probabiüdad. Y tienen la función de densidad conjunta f(r. (ó) io ". Demostrar el Teorema 4-10.I Y T' 4. Si X está distribuida normalmente con media g y variznza grado de libertad? Véase Problema 4. 4. ento'nces ) Xf ti"tt" 51. ¿tiene X2 una distribución chi-cuadrado con 1 X1. libertad respectivamente. Halia¡ el valor aproximado de (t3o)...147.150.162.155. página 114. Demostrar el Teorema 4-8.157. Completar la demostración de la ecuación (8) del Problema 4. .161..7ffi1. Xz. b. 4.146. 4.. Si X.r.14E.. 4.8. Hallar la función generatriz de momentos de la di¡tribución hipergeométrica.

. Comparar sus resultados con l¡ entrada 5. Estudiar qué le sucede a la varianza de l¿ distribución t 4. (b ) la velocidad media. (c) v1* 4. y varianza de la distribución gas para loc casos (o) (b\ v2= 4.cAP. (b) v = 2.163.162. página 119. Determinar (a ) la conetante c. (c) la velocidad más probable.F' f. (d) la velocidad efectiva(rme.esdecirlarafzcuadradade la velocidad media al cuadrado). La probabilidad de que una molécula de un ideal terga una velocidad enhe u y u I du está dada por cuze-mv2lzkT du donde k e¡! la consúon te de Boltzmann y T es la üemperatura Kelvin del gas. Estudiar qué le sucede a la media ¡i (o) r = .164.4l DISTRIBUCIONES DE PROBABILIDAD CON NOMBRE PROPIO 4.

.

Farte tl ESTADIST¡CA .

.

Nesinfinito. Deben nota¡se varias cosas. zamiento.4. Desearíamos extraer conch¡siones respecto al porcentaje de tornillo¡ defectuosos producidosen una fábrica durante una semana de 6 dfas examinando 20 tornillog diariamente producidos en tiempos diferentes du¡anté el día. denotada pot n. En el Ejemplo 5. la palabra población no tiene necesariamente el mismo significado como en el lenguaje común.1 podemos hablar de la población de 12 000 estaturas (o pesos) en tanto que en el Ejemplo 5. Desea¡íamos extraer conclusiones reapecto a las estaturas (o pesoe ) de 12 000 estudiantes (la población ) examinando solamentc 100 estudiantes (la muertra ) seleccionados de esta población.4 podemos hablar de Ia población de todos los 200 colores en la urna (algunos de los cuales pueden ser iguales). En el primer caso un objeto determinado puede seleccionarse una y otra vez. Desearíamos extraer conclusiones reapecto a los colores de 200 bolas (la población) en una urna seleccionando una muestra de 20 bolas de la urna. Se podría obtener una muestra al examinar. EJEMPLO 5.Y SIN REMPLAZAMIENT\O Si extraemos un objeto de una urna.s y no los individuos u objetos. llamado la población. donde cada bola seleccionada se regresa luego de observar su color. Desearfamos ertraer conclusiones respecto a la honradez de una moneda deüerminada al lanzarla repetidamente. EJEMPLO 5. MUESTREO CON.3.Capítulo 5 Teorío de muestreo POBLACION Y MUESTRAS. En cambio de examinar un grupo entero. Esto se hace con el propósito de inferir cieitos hechos respecto de la población de los resultados hallados en la muestra. como en "la población de determinada ciudad es de 180 000".lo cual puede resultar difícil o imposible. Tercero. INFERENCIA ESTADISTICA Con frecuencia en la pÉctica estamos interesados en extraer conclusiones válidas respecto a un grupo grande de individuos u objetos. por ejemplo. Primero. n = 100 mientras que enelEjemplo S. 1 . que se llarna la muestra.S. generalmente finito.2.1. Segundo. En este caso los tornillos producidos durante la ¡emana conforman la población. comítnmente denotado por N. Así en el Ejemplo 5. El-proceso de obtener muestras se llama muestreo. EJ EMPLO 5.n: 60.c. mienhgs que en el segundo caso solamente puede seleccionarse una vez.s observaciones o medida. La población consiste en iodos lc lanzamientos poeibles de l¿ moneda. la población puede ser finita o infinita. la palabra poblacíón se utiliza para denota¡ la. el número se llama el tamaño de Ia población. EJEMPLO 5. 155 . loa primeros 60 lanzamientos de la moneda y notar los porcentqiea de caras y sellos. tenemos la alternativa de colocarlo o no en la uma antes de una segunda extracción. puede llegarse a la idea de examinar solamente una parte pequeña de esta población. El muesbeo donde cada miembro de una población puede seleccionarre más de una vez se llama muestreo con rempla. N : L2 000. En forma semejante el número en la muestra se llama el tamóño de la muestr. en tanto que los 120 tornillos escogidos constituyen la muesha. mientras que si cada miembro no puede seleccionarse más de una vezwllamamuestreo sin remplazamiento. un proceso conocido como inferencia estodística.

1 si X es una variable aleatoria cuyos valores son las estaturas (o pesos) los 12 000 estudiantes entonces X tiene una distribución de probabilidad f(r).El muestreo aleatorio puede efectuarse para poblaciones relativamente pequeñas extrayendo lotes o. utilizando una tablá de númerosaleatorios 1epénaice I)especialmente construida para tales propósitos. Cuando nos dan la población. Este individuo puede tener cualquier valor. MUESTRAS ALEATORIAS. el válor de la variablé aleatoriaX. sesgo. de Si. Lógicamente. decimos que la población estÁ binomialmente distribuida o que tenemosunapoblación bínomial.toria. De la misma . Otras cantidades tales como la mediana. PARAMETROS POBLACIONALES una población cuando conocemos la disbibución de probabilidad -_ Se-consjdera que se conoceo función /(r) (función de probabilidad de densidad) de la variable aleatoria asoóiada X. en forma equivalente. unó de los proble de la i4ferencla estádística es "3-o ". por fjemplo. 5 Una población finita muestreada con remplazamiento puede teóricamente considerarse infinita ya qqe pueden extraerse mueshas de cualquier tamaño sin agotar la población.o"e comó muestra ales. de las diferentes estaturas posibles y llama¡nos r. Una forma de hacer esto para poblaciones finit¿s es asegurarse de que cada miembro de la población tenga igual oportunidad de encontrarse en la mueslra. si X está binomialmente distribuida.. Existi¡án ciertas cantidades que aparecen en f(r). entonces los parámetros poblacionales también son conocidos. etc. la confiabilidad de las conclusiones extraídas concemientes a una población deha escogido de tal modo que represente la población lo . donde el subíndice 1 se emplea ya que corresponde al primer individuo seleccionado.48. NUMEROS ALEAT'IORIOS penden de si la mqestra una muestra. de modo que conocemos /(r).1 donde X es una variable aleatoria cuyos valores son las diferentes estaturas. mente' En tal caso no ESTADISTICOS MUESTRALES Podemos tomar muéstras aleatorias de la población que sirven para estimar los parámetros poblacionales.156 TEORIA DE MUESTREO lcAP.. en el Ejemplo 5. por ejemplo rr. Véase Problema 5. Todas estas cantidades se conocen como panímetros pobhcíonales. Para obtener una muestra de tamaño 100 debemos primLro escoger un individuo aleatoriamente de la población. lo cual J" co. consideremos el Ejemplo 5.se suficientemente bien. a que la inferencia _ Debido probabilidad en lenguaje de de la muestra a la población no puede ser cierta debemos emplear el cualquier proposición áe conclusionés. por ejemplo. y entonces emplearlas para obtener valores Como ejemplo ilustrativo. X está normalmente distribuida decimos que la población está normalmente distribuida o que tenemos wa población normaL En forma semejante. pueden determinarse en terminos de estos. robabilidad f(r) de la menos poder formular podemos tener alguna sabríamos uno o ambos de los valores rt y o yasí desearíamos estimarlos. Para la mayoría de propósitos prácticos el muestreo de una población finita que er *úy grande puede "otrrideturr" como muestreo de una población infinita. momentos. como p y o en el caso de la distribución normal o p en el caso de la distribución binomial."og".

Sin embargo. . para valores del correspondiente estadísticó muestral. Donde sea posible trataremos de utilizar letras griegas. Matemáticamente. el muestreo sin remplazamiento daría realmente los mismos resultados que el muestreo con rernplazamiento. Xn). X. enor típico.'f(u") (t) nal se llama estadístícos muestrales o brevemente estadísticos. Podemos continuar este proceso hasta Xroo puesto que el tamaño de la muestra es 100. Comúnmente el método para obtener un estadístico de la muestra es semejante al de obtener el parámetro de una población finita. Entonces su distribución conjunta sería P(Xt:tt. Xn las variables aleatorias para una muestra de tamaño n como se describe anteriormente.cAP.. La función9(Xr X. Para una distribución muestral podemos lógicamente computar la media. En el caso de muestreo con remplazamiento Xt.. etc.. MEDIA MUESTRAL Denótense por X. desviación típica. De esta manera obtenemos la distribución del estadístico. Entonce s la media de Ia muestra o media muestral es una variable aleatoria definida por . DISTRIBUCION MUESTRAL Xn es función de estas Como hemos visto. . . Xr. La distribución de un estadístico muestral se llama la distribucion muestral del estadístico. . xn de las variables aleatorias Xr.. . etc.. como veremos esto no siempre produce el "mejor estimador" y uno de los problemas impclrtantes de la teoría de muestreo es decidir cómo formar el estadístico muestral apropiado que mejor estime un parámetro poblacional dado..Xn-frn\ = f(r)f(rz). Tales problemas se consideran en capítulos posteriores.Yrf X--"''ffn ll (2) en analogía con (3). que es su distribución muestral. En este caso. . correspondiente a cada parámetro poblacional habrá un estadístico a calcularse de la muestra.. De otra forma podemos considerar todas las muestras posibles de tamaño n que pueden extraerse de la población. Si lct. . esa muestra se denota denotan los valores obtenidos en una muestra por .x^). s. x2 específica de tamaño n entonces la medi4pam r.. es decir g(Xt.o. .I'a palabra estadístico se emplea frecuentemente para la variable aleatoria o para sus valores. Xz.. marrera escogemos el segundo individuo para la muestra. tales como ¡J. X. página 76. etc. ya que una muestra consiste de un conjunto finito de valores. . Xr.. . . y 12 puede tomarse como el valor de una variable aleatoria Xr.Xz:n¡ .) es otravariable aleatoria. el sentido determinado se deduce lógicamente del contexto. ya que el tamaño de la muesba es mucho más pequeño que el tamaño de la población. Algunas veces se llama a la desviación típica. ... para valores de parámetros poblacionales y letras romanas m. . Por simplicidad supongamos que el muestreo es con remplazamiento de modo que el mismo individuo poüía conceptualmente escogerse más de una vez. 5l TEORIA DE MUESTREO L67 JC2 de las estaturas posibles. Xr. un estadístico mueEtral que se computa de X1 variables aleatorias )' es por tanto una variable aleatoria. cuyos valores pueden representarse porg(r1 . 2c2. Xn serían variables aleatorias independientes distribuidas idénticamente con distribución de probabilidad /(¡). . . momentos. Cualquier cantidad obtenida de una muestra con el propósito de estimar un parámetro poblacio En general. . y para cada muestra computar el estadístico. que puede tener cualquiera de los valores En el caso general una muestra de tamaño n se describiría por los valores )ct . . un estadí'tico muestral para una muestra de tamaño n puede definirse como función de las variables aleatoris Xr . variarrza.

Teorema (5) 5-3: Si la población es de tamaño N.. Entonces es natuml buscar la distribución de probabilidad del estadístico muestral X. Los teoremas siguientes son importantes en este sentido. 9. = t' es la media de la (l) población. 1. Teorema (6) 5-4: p y vaianza o2 entonces la media muestral p y vananza é/n. est. entonces la varianza de la distribución muestral de medias.6. 2 entonces la media muestral . Nótese que (6) se reduce a (5) cuando N . 5 (3) EJEMPLO 5. está dada por E(X) = donde ¡. que se llama la distribución muestral para h media de la muestm o la distribución muestrcl de medias.ux.158 TEORIA DE MUESTREO Jrf ll |"'Fi. la media de la población. estn lim P(Z -z z) = -= f = J 1 vzr -* "-uztz ¿r. Se supone aquí que la población es infinita o que el muestreo es con rernplazamiento.r es F*. Entonces la variable tipificada asociada con X. El Teorema 5'1 establece que el valor esperado de Ia media muestral Teorema 5-2: Si una población es infinita o si el muesheo es con remplazamiento. De otra forma Io anterior es conecto si remplazamos o/l/-n en (7\ por o* como se da en (6).-. Si una muestra de tamaño 5 resulta en los valores muestrales 7.á dada por E[(X-ti'l: "l = ¿ n donde o2 es la va¡ianza de la población. denotada por oi. . = ll s_t_1_t_gl" 5 5 DISTRIBUCION MUESTRAL DE MEDIAS Sea /(r) la disbibución de probabilidad de alguna población dada de lia cual extraemos una muestra de tamaño n.¡ n lcAP. página 112. oft = . Teorema 5'1: La media de la disbibución muestral de medias. dada por Z: es x-r "/\n es (7) normal reintóticamente. denotada por . Si la población de la cual se toman muestras está distribuida normalmente con media está normalmente dishibuida con media Teorema 5'5: Si la población de la cual se toman las muestras tiene una distribución de probabilidad con media p y vatianza o2 que no necesa¡iamente tiene una distribución normal. entonces (5) se remplaza por o2/N . (s) El Teorema 5-5 es una consecuencia del teorema del límite central.(¡¿ -n\ -f / en tanto eue ¡r* aún se da por (4). si el muestreo es sin remplazamiento.5. y si el tamaño de la muestra es n S N.

30).-s.ltsr-ttrs. St . = 1/Q¡ "t".5l TEORIA DE MUESTREO 1ó9 DISTRIBUCION MUESTRAL DE PROPORCIONES Si ura población es infinita y distribuida binomialmente. = *4.P*. Tomando las posibles combinaciones de estas muestras de las dos poblaciones podqmos obtener una distribución {e las diferencias. entonces la distribución muestral de la diferencia de las medias está dada para poblaciones infinitas con media y desviación típica lt¡ o t y ltz. denotadas por Xr. En el caso de la moneda P sería la proporción de caras que resulten en n lanzamientos. La variable tipificada Z= (Xr- Xr) 'rl tm* ^* - (r.-s. r€sp€ctivamente.-sr. Esto resulta en una distribución muestral para 51 cuya media y desviación típica denotamos por Fs. están dadas por Psl-Sz.P2t ox. DISTRIBUCION MUESTRAL DE DIFERENCIAS Y SI'MAS n'la media y la Se nos dan dos poblaciones. Xz respectivamente. como se ve del Teorema 5-5. 5l or. En forma semejante por cada muesha de tamaño n.Sr. n. - pr) (12) en tal caso tiene casi una distribución normal si n. Por cada muestra de tamaño n. .istribución muestrul de proporcdones cuya media pp y desviación típica op están dadas por Pp:P que pueden obtenerse de (4) oP= p(r n - p) (e) y (5) al colocar p = F. Resultados = semejantes pueden obtenerse para poblaciones finitas en las que el muestreo es sin remplazamiento empleando (4) v (6).o*. y n2 son grandes (nr. la población puede ser los posibles lanzamientos de una moneda honrada. Si por ejemplo Sr y Sz son las medias muestrales de dos poblaciones. es decir las muestras son independienües (en obas palabras. os. las variables aleatorias Sr V Sz son independientes). Nótese que las ecuaciones (9) se obtienen mucho más fácilmente al dividir por desviación típica (np y {npq ) de la distribución binomial. P1 . en el que la probabilidad del suceso "cara" es p : Ll2. Por ejemplo.tr.cAP. exftaída de la segunda población computamos un estadístico 52 cuya media y desviación típica son ¡. o = \/le. La media y la desviación típica de esta distribución mueshal denotada respectivamente Pof ps. Para poblaciones finitas en las que el muestreo es sin remplazamiento. Entonces obtenemos qnad. Para grandes valores de n(n > 30) la distribución muestral está muy próxima a una distribución normal. que se llama la distribución muestml de la diferencia de estadísticos.Este resultado también es válido para poblaciones finitas si el muestreo remplazamiento. extraída de la primera población computemos un estadístico 51.. . J¡ o". . (10) dado que las muestras escogidas en ninguna forma dEpendan enbe sí. r€sp€ctivamente. (11) es con utilizando (4) V (5). oz respectivamente por . Y os. Considere las posibles muestras de tamaño n extraídas de esta población y para cada muestra determina'r el estadístico que es la proporción P de éxitos. la segunda ecuación en (9) se remplaza por o¡ corDo se da por (6) con o = {-pq.t¿*1-x2 : F*. si p y q: 1 -p son las probabilidades respectivas de que un miembro dado exhiba o no exhiba una propiedad determinada.

5. 5 Resuitados cortespondientes pueden obtenerse pan disfuibuciones muestrales de diferencias de prcpordónes de doe poblaciones distribuidas binomialmente con parámetros pt. supotriendc rtii€ ¡a-s = ¡'s. (11) nrruestras son independientes. continuaremos definiendo la varianza muestral por (I5).X)..20) ¿'(St) está definido por = Asr : ?-Joz > 30).S.s. denota las variables aleatorias para una muesha de tamaño n. puesto que al hacerlo así muchos resultados posteriores se simplifican.= 5 . : {$j$ : Pút .. ez respectiva¡nente. PzQz (13) En cam!:i. de es+. En '"al caso ia distríbución muestral de la suma de estodísticos S.iZA MUESTRAL 9i Xtr Xr. por (X. Sienrpre que el valor . página 78.. et y pz. osr. VARIA¡. Qe) N* - ésta se reduce a (16).= li4-6ri \¡"- Los resultados anteriores son válidos si el muestreo es de una población infinita o con remplazamiento para una población f¡nita Si el muesheo es sin remplazamiento de una población finlta de tamaño N. El estimador Q6) insesgado qu9 9sq rnuy próximo a o2 solamente para grandes valores de n (n q2 (x. X. . y P.-i)'? + (Xz-. corresponden a las proporcioneJ de éxitos P. Sin embargo. EJEMPLO 5. -X). entonces la media de la distribución muestral de varianzas está dada por E'(s. opr-p. Refiriéndose al Ejemplo 6. : {"'rr4r. y S. .o de rcnal diierencias de estadísticos algunas veces estamos interesados en la suma de estadísticos.6. y el valor una estima insesgada.) Cuando = ps2 : ("\) (+). resulta ser que (véase Problema 5. + (x^- X¡z n-I (17 ) de modo oue u(D') = g' (t8) Debido a esto. y 52 tiene media y desviacián üípica dada por Fsr+s. X\z (15 ) Entonces en el Teorerna 5-1 hallamos que E(*) = A y sería increíble si también pudiéramos tener esperado de'un' eit"dírti"o sea igual al parámetro poblacional conespondiente llarnarnos al es+¿dístico un estimador insesgdo..e parámet¡o. Se pueden obtener recultados semejantes a (1 1). i (X^-.P". En este caso .. Sin embargo. + (xz.llpt iLp2 Pt. y iai-ecuaciónes (I1 ) resultan Ittt-?z . en cambio de 52 y sencillamente remplazan n por n -1 en el denominador de (15). . + .t)'' t(S2) : o2.la varianza mueshal tiene el valor a2 = en tanto que la ertima inseegada eetá dada por +(6-6)2 - z Ao s. entonces la variable aleatoria que da la uarianza de la muestra o la uarianzt muestral se define de acuerdo con (14). página l57. * l's. -.160 TEORIA DE MUESTREO lcAP. algunos estadistas escogen para definir la varianza muestral por S.

Teorema 5-6: Si se toman ríuestras aleatorias de tamaño n de una población que tiene una distribución normal entonces la variable de muestreo (20\ tiene una distribución chi-cuadrado conn - 1 grados de libertad. 5l TEORIA DEMUESTREO 161 DISTRIBUCION MUESTRAI. En cambio. S/\n X-t' slltn'- (22) r ü Podemos entonces demostra¡ utilizando el Teorema 4-6.Si. Es natural preguntar qué sucedería si no conocemos la varianza poblacional. 5-7: DISTRIBUCION MUESTRAL DE RELACIONES DE VARIANZAS En la página 159 indicamos cómo pueden obtenerse distribuciones muestrales de diferencias. Puesto que no tenemos que conocer la varianza poblacional con frecuencia nos referimos al anterior tipo de muestreo como la teoría de pequeñas muestras o teoría de muestreo exacto. En cambio de hallar la distribución muestral de S' ó S' es conveniente hallar la distribución muestral de la variable aleatoria relacionada nS! .1 grados de libertad. En (2I ) hemos supuesto lógicamente que se conoce la varianza poblacional o2 .grados'de libertad. Para una demostra- CASO DONDE LA VARIANZA POBLACIONAL SE DESCONOCE En los Teoremas 5-4 y 5-5 hallamos que. que ? tiene una distribución de Student con n Teorema demuestra en el Problema 5. UtilizAndo la misma idea po es más buci ¿" diferencias de varianzas. - 1. que se Si se toman muestras aleatorias de tamaño n de una población normalmente distribuida entonces el estadístico (22) tiene una distribución ú de Student con n . DE VARIANZAS Tomando todas las posibles muestras aleatorias de tamaño n extraídas de una población y computando la varianza para cada muestra podemos obtener la distribución mueshal de varianzas. pagjna 117. resulta ir¡ ande o e un bien complicada. Una posibilidad es estimar la varianzá poblacional utilizando una o más varianzas muestrales y luego colocar la corespondiente^ desviación típica en (21).24. Si. (21) está normalmente distribuida si la población de donde se toma¡on Ias muestras de tamaño n está normalmente distribuida. Se encuentra que el Teorema 5-7 es válido aun cuando las muestras se tomen de poblaciones que no son normales p-ero que tengan distribuciones en forma de campana como la distribución normal. en muesa la particular diferencias de medias. en tanto que es normal asintóticamente si la población no es normal dado que n >: 30. Establecemos esto en el teorema siguiente. podemos considera¡ él estadísü próxima a 1 indicaría una pequeña pequeña indicaría una gr¿rn áiierencia mientras que una relación diferencia.22. Una mejor idea es remplazar la o e-n (21) por la variable aleatoria S dando la desviación típica muestral'e investigar la distribución del estadístico correspondiente que designamos por ft1 X-t. .cAP.la variable tipificada Z= X-¡t "/yñ. denota con frecuetlcia por ¡2. Sin embargo. se Debido al Teorema 5-6 la variable en (20\ ción de este teorema véase Problema 5.i2 o2 (20) o- La distribución de esta variable aleatoria se describe en el'teorema siguiente.

u.!f S.2533 0 \/n Para n = 30 la distribución muestral de la mediana es muy próxima a una normal..j respectivamente.ra : 3o4 . etc. la media poblacional en todos los casos.t62 Teorema TEORIA DE MUESTREO [cAP.ac\ \{r/ tiene la distribución F con ffi 7. el sesgo.100. Por ejemplo la mediana.1 ) en caso de que la población sea Va¡ianzas (-') O. d .Í .-_.t o \/n muest¡al de medias se ájusta mucho a una normal (normal asintóticamente) para n = 30 incluso para poblaciones no normales.. Si la población noesnormal. 6n Las notas anteriores para medias igualmente aplicables aqu í. OTROS ESTADISTICOS Muchos otros estadísticos además de la media y la varianza o desviación típica pueden definirse para muestras. (l) Desviaciones típicas o" Os !t/ 2n población oq está dada por (1) solamente cuando es normal (o aproximadamente (r) normal). ttp . Nótese que (2) se convierte en (. los momentos. n 1 grados de libertad. el estadís_ tico F lr^ -_ '1. Tabla 5-1 ERRORES TIPICOS PARA ALGUNAS DISTRIBUCIONES MUESTRALES Sus Distribución muestral Error típico Notas especiales Se cumple para muestras grandes o pequeñas donde la población es infinita o el muestreo es con remplazamiento.-8: Si se extraen dos muestras aleatorias independientes de tamaño m y n respectivamente de dos poblaciones normales con valianzas oi.¿s ción. La distribución Medias o.5 5.p en todos los casos son dn¡crr Medianas - "!t. Sr respectivamente. EI teorema también puede aplicarse en el caso de que las distribuciones de población no sean normales pero tengan forma de campana. la curtosis.. (r/ I lo 't/tt l1(t1 que es casi igual a o2para valores deir trr j .. Nótese que (2) se reduce a (1) cuando ¡.: ir.!!1. Proporciones oP \ ^7ett " ¡ !.1. Los resultados dados son válidos solamente si la población es normal o aproximadamente normal.t normal.o con gran aproxima- O. lo que se cumple para poblaciones normales.: nSj/('n 1)or. (1) .puede utilizarse (2 ). /. la moda.i Las notas para desviaciones típicas sqn igualmente aplicables aquí.Sl.?/. Enlonces si las varianzas de las muestras aleatorias están dadas por . Para n '. Para n =) 100 la distribución muestral de la S es muy próxima a una normal. r.

Tabla 5-2. Distribuciones muestrales para estos estadísticos. denotado por c¡r que comúnmente es el mismo para todas las clases (en cuyo caso se denota por c). desviación típica. Algunos de estos. por ejemplo. es Ia diferencia entre el límite real superior e inferior. El histograma correspondiente es entonces semejante al de la Fig.5 se conocen como límites reqles de clsse. 5-1. que puede tomarse como representativo de la clase. 5l TEORIA DE iúUESTREO 163 definiciones son análogas a esas dadas para poblaciones en el Capítulo 3.5 y 62. Si en la Tabla 5-2 registramos la frecuencia relativa o porcentual en cambio del número de . EI siguiente intervalo de clase sería entonces 62.5 pulgadas mientras que unaregistrada como 62 pulgadas realmente está entre 61. Orden3mos los datos en clases o categortbs y determinamos el número de individuos que pertenecen a cada clase. 5-1 ercepto que el eje vertical es frecuencia relativa en cambio de frecuencia. etc. puecen enct-¡ntrarse con frecuencia.'J ir z 61 64 6t- l0 ?3 76 (pulgadas) Estatura (p [:ig. En este La primera clase o categoría. Ya que una estatura registrada tromo 60 pulgadas realmente está entre 59.5.5.. conjuntamente con los dados. La ordenación resultante.l . EI punto medio del intervalo de clase. Io que se llama uninterualo de clase.5 pulgadas.5 y 60. se conoce como d¿süribución de frecuencia o tablade frecuencia.) de tro estudiantes É tr-r (::i t'. podríamos haber registrado el intervaIo de clase como 59.cAP. o al menos sus medias y desviaciones típicas (errores típicos). Como ilustración suponga que una muestra consiste de las estaturas de 100 estudiantes de la univelsidad XYZ. como se muestra sombreado en la Fig.5-59.'RECUENCTA Si una muestra (o una población) es grande. Puesto que 5 estudiantes tienen estáturas casoc:62. DISTRIBUCIONES DE F.5 los números 59. etc. se llama marca de clase. el resultado sería una distribucíón de frecuenciarelatiua oporcentual.Por e¡emplo. Es interesante observar que Ia gráfica parece indicar que la muestra se extrajo de una población de alturas normalmente distribuida.5--65. En el intervalo de clase 59. inciicadas por 6G-62. 60-62 es 61. la frecuencia relativa o porcentual correspondiente a la clase 63-56 es 18/100 ó 18'i. El ancho del intervalo de clase 7-ésimo.5:3. Tabla 5-2 ESTATURAS DE 1OO ESTUDIANTES DE LA UNIVERSIDAD XYZ o H o 10 (pulgadas) fir) Estatnra i Número -f.5-62. se ¡nuestqan en la tabla anterior. es difícil observar las diferentes características o computal estadísticos tales como la media.5 y 62. En la tabla anterior la marca de clase correspondiente al intervalo de clase Una representación gráfica para Ia distribución de frecuencia puede suministrarse por un hístograma. DISTRIBUCIONES DE FRECUENCIA RELATIVA Y OJIVAS estudiantes err cada clase. Por esta razón es útil organízar o agrupar los dofos.:) riri {l¡ ¡ lii 12 o ilr -71 27 8 . .5-62. o por un polígono de frecuencios uniendo los puntos medios de los techos del histograma. denominada la frecuencia de clase.-r-l correspondientes a esta clase Ia correspondiente frecuencia de clase es 5. La suma de ias áreas es 1 ó l-00'. consiste de estaturas desde 60 hasta 62 pulgadas.

podemos considerar a las distribuciones de frecuencia relativa como distribuciones de probabilidad empírica. Se conocen como métodos claves y emplean la r a un entero correspondiente u dada por 'r"- = a+cu au (26\ donde claves para la media y Ia varianza están dadas por c es una marca de clase escogida ¿Lrbitrariamente que corresponde : 0. fr I /:* "'-l. es decir ¡¡ . En el Capítulo 2 vimos que podíamos asociar con cada distribución de probabilidad f(r) una funi'ión de distribución definida por F(r) : P(X:1 r) y también podíamos representar graficamente esta función. pagina 76. COMPUTO DE LA MEDIA.r _ 1 lt-_+-[291:-'' _l/1. Véase Problema 5. VARIANZA Y MOMENTOS PARA DATOS AGRUPADOS Podemos representar una distribución de frecuencia como en la Tabla 5-3 dando cada ma¡ca de clase y la correspondiente frecuencia de clase.3u.l : . pagina 78. La frecuencia total es n. Lasfórmulas (27) (28) . = I/ Tabla 5-3 Frecuencia de clase Marca de clase . l3 . números iguales d media está dada por xt..¡r analogía podemos asocia¡ con cualquier distribución de frecuencia una distribución de frecuencia acumulada. si f¡/n transformación de la marca de clase En el caso cuando todos los intervalos de clase tienen igual tamaño c hay disponibles métodos cortos para computar Ia media y la varianza.5 Podemos c<¡nsiderar una distribución de frecuencia relativa como una distribución de probabilidad en la que las probabilidades se remplazan por frecuencias relativas.. corresponde a probabilidades empíricas.r¡ TOTAI. s tll f¡ números iguales ? rp.L64 TEORIA DE MUESTREO lcAP. cuyas representaciones gráficas asociadas se conocen como ojiuas u ojiuas porcentuales respectivamente. P<.fl lt f.. y (13). o distribución de frecuencia relatiua acumulada. Ya que las frecuencias relativas pueden considerarse como probabilidades empíricas (véase página 6). fk Puesto que hay f.1 n. (2Ir) Análogamente la varianza está dada por (25) IL Nótese Ia analogía de (24) y (25) con los resultados (2). fz números iguales a xr..

'1 9 + 0 c + 41'21 - 10. (a) r o2 = 12___i_E_l_e_ll J :l --. (b) la desviación típica de la población. etc. Itt Fórmulas semejantes existen p¿üa momentos superiores. 8. ((i _1 (8. (30) Las dos clases de momentos están relacionados por ?ll1 Q tnz -: 1n:.s resueltos DTSTRIBUCION MUESTRAL DE MEDIAS 5. para muestras.29. _ l(.1.\3 t)t1 mimit+ün\2ntí-Bn{ra f. (d) la desviación típica de la distribución muestral de medias.Snt\mí + 2tn.8 y o = 8.cAP.(tr l cr- de tal modo que obtenemos de (3I ) las fórmulas claves 0 = c2(XIi-M'l) l1tt = cj(Mi.gM'r") (32) etc. /l¿¿ tni (s 1) etc.-'(i)r ¡) ri 5b *rt-f. la curtosis..ll ---- 30 Lr.fi l-''' n * f rt'i' 4JÁ s f. Lógicamente la segunda ecuación de (32) es igual a la (28). 11. 5l TEORIA DE MUESTREO 165 y al origen respectivamente están dados por ¡'rt . Si escribimos il. It. l¿ I' .gWiMí + 2M'r3) lnt = cl(xIi. Pero 'rrr : >("j)l lln = /tlr = n¿z )'/[(a + c¿r) -.^.utiui+ 6It[i'M3 . 6.(ir. pueden hallarse Probletna. Una población se compone de los cinco números 2. .U (b) . . el error típico de medias. Así los momentos r con respecto a la media rl n (2e) .i7-- xIi- f /¿¿' n entonces las relaciones (3f ) también son válidas para las M. : t: hl . Halla¡ (a) la media de Ia población. Considerar todas las muestras posibles de tamaño dos que puedan extraerse con remplazamiento de esta población.tt¿'i2 ntlt . De una manera semejante otros estadísticos como el sesgo. 3.. es decir. (c) la media de la distribución muestral de medias.r 11. r !11 0.

¡'. Lo mismo que en el Problema 5. (2.11) (3.2. 5.to oue el sesundo miembro ^^ . + l:1.5. Para una demostración general de este resultado véase hoblema I . por ejemplo. (2. 8.r' = 16.0 -('25-10 - c. 4.5 5.5 7.0. que es el valor obtenido anteriormente.5.U t< (. 7..8) (8.6). 2) (8.0 y la media de la distribución muestral de medias . 7.11) (6.* 2. (8.0.1.O.0¡:: -f -' . 6.1 para el caso de muestreo sin remplazamiento. 11) La selección (2. 8). Para una demostración general véase Problema 5.0 es 8.40 de modo que o.5 7.6.40.5 + 10 /r.5.29.3) 111. 3) (3.5 . de acuerdo con el valor anterior. (3..* .5 = 6.0 : itO + 6.6) (tt.2) 12. o: 3.11) (1r. de tamaño dos que pueden extraerse sin remplazamiento (esto significa que se extraerá un número y después otro número diferente del primero) de la población.0 (2. 5.5 1 4. nuesto que segundo -:^-L-^ "" (.1-¡ . 8).5 11.. elevando al cuadrado cada diferencia.40 = 2'32 Esto pone de manifiesto el hecho de que para poblaciones finitas en las que se efectúa muestreo con remplazamiento (o poblaciones infinitas).3) (6.. 10'8/5 . Las correspondientes medias muestrales son 2.0 8.5.1¡ muestras (2.0 5.o2/ N .!lr_115.8). 3) (2..2) (11.8) Las correspondientes medias muestrales son 2.0 7.0)2 = 4.01. 4.-.b - 6.5 (c) Hay 5(5) : 25 muest¡as de tamaño dos que pueden extraerse con remplazamiento (puesto que cualquiera de los cinco números de la primera extracción puede asociarse con cualquiera de los cinco nfrmeros de la segunda extracción). 3) (rl.3).8. de la distribución muestral de medias se obtiene restando el valor de la media 6 de c¿da número de (1 ).5 + 4.0 5.5 9. éstas son (2. ll ). or".05. 5. + (9. ¡r: 6 y o2 :10.11) (8.\ N _irl. 11).2\ Esto pone de manifiestrque '' .11) 4.2. y la media de la distribución muestral de medias es 9.0r 6.5 ¿" (l 8. 4 135 : -.r ) 4. ) "l .6) (6.0).166 TEORIA DE MUESTREO lcAP.2) (6.0 9.0 + 7. 6) (8.4. (3. sumando los 25 números así obtenidos y dividiendo por 25.5 + 9. 6) (3. (c) Hay iC-.2).puestoqueel segundo miembro es 10.5.8) (6. 7. _Í ) . de la distribución muestral de medias x es 6.05 Y ox r.0 poniendo de manifiesto el hecho de que tÍ - (d) La varianza. (3.3). l'I1!11-q9-"'-lgl-99'":'I9't3ls 25 comprobándose que ) 150 tt - o'' t{' -.5+ 5.0 O. (o) y (ó) como en el Problema 5.D 6. rj). 5. (6.47.0 6. 11).2t (3.6.0 -i. El resultado final es . (6.8.8) \3.6) \2.0 otr 3.5 I.. Estas so r (2.0."\. se considera la misma que (8.0 4. (d) I'a varianza o{.f.8) (11.5 6.8/2 = 5. Para una demostración general véase Problema 5.?."2*= o2/r.

67) : : (área a la izquierda de z : 0) y z : O) .0 pulgadas y Yox=- ox = o=3 \/n {zs = 0.0)/0.30 onzas.3 . pulgadas.67 0. ¿cuál será la media y'la desviación típica esperada de la distribución muestral de medias resultante si el muestreo se hizo (o) con remplazamiento.4. (b) de más de 510 Pa¡a La distribución muestral de medias ox- o yn !* = p = N-n N-1 5. 5.5) : O.6 (68.0098): 0.3 cabría esperar una media (o) entre 66. (b) menor de 66.6 pulgadas.68.0pulgadas o vn N-n _3 N-1 \/% . 5-3 5.8 y 68.4 pulgadas? ¿En cuántas muestras del Problema 5.cAP. para todo propósito práctico.4772 + 0. Quinientos onzas.0 0. la media y desviación típica esperadas serán muy próximas a las de la distribución teórica.68. considerarse la misma que en el muestreo con remplazamiento. \a) p*. sino solamente una distribución muestral experimenú¿1.1915 : 0.8 en unidades tipificadas 68.5 Proporción de muestras con medias entre 66. cojinetes de bolas tienen un peso medio de 5.02 onzas y una desviación típica de 0. por tanto. Si se toman 80 muestras de 25 estudiantes cada una.6682) ó 59. 0. Por ello.0 : 0.8 y 68.6 pulgadas y puede.4 - 68.0 pulgadas y desviación típica 0.8 .25 -1 que es ligeramente menor que 0.0 pulgadas.(área a la izquierda de z : -2. (b) sin remplazamiento? El número de muestras de tamaño 25 que teóricamente pueden obtenerse de un grupo de 3000 estudiantes con y sin remplazamiento son (3000)2s V aoooCzs. = tL = 68.3 pulg.5. Hallar la probabilidad de que una muestra af azar de 100 cojinetes elegidos entre este grupo tenga un peso total (c) comprendido entre 496 y 500 onzas.5l TEORIA DE MUESTREO r67 5. pues.6 : -2.0 pulgadas y dewiación típica 3.4962 : -2.6 : -2. puesto que el número de muestras es grande. que son muchas más de 80. Sin embargo.3 en unidades tipificadas : : (66.6687 Entonces el número de muestras esperado es (80)(0.304 o cero. (b) 66.3 La media X de una muestra en unidades tipificadas viene dada por Z X-p* aX X-68.0)/0.67 Proporción de muestras con medias menores de 66.6 (o) 66.02 ? .0038 -2 A7 Entonces el nhmero de mueshas esperado es : (80)(0.4 en unidades tipificadas: (66. Así se tiene. Fig.30 500 /ioo 500-1 - 100 0. habría mucha aproximación entre las dos disbibuciones muestrales.3. : (área bajo la curva normal entre z : -2.5 - 0.4 pulgadas . cabría esperar que la distribución muestral experimental de medias se distribuya aproximadamente normal con media 68. Así. Supóngase que las estaturas de 3000 estudiantes de una universidad se distribuyen normalmente con media 68.6 pulgadas 3000 3000 (b) p* = p - 68.0 y z : O.0)/0.5\ :(áreaentree:-2yz:O) * (área entre z : O y z : 0.(área entre z : 0. De aquí que con 80 no se obtenga realmente una distribución muestral de medias.02 onzas.

0.pues.2704 : 0. 4.. .22 y z : -0.02)lO. página 158.0.O2\10. tenemos por los Teoremas 3-5 y Var (X) -f vu.. DISTRIBUCION MUESTRAL DE PROPORCIONES 5.22 : --0.5-4 (ó) El peso total excederá de 510 onzas si el peso medio de los 100 cpjinetes sobrepasa las 5.+ "' + -' Entonces puesto que X¡..ruo2.4985: 0. Demostrar el Teorema 5-1. (a) ' pide ra probabilidad de que el número de caras en los 12Q lanzamientos se encuentre ent¡e 4O(/o de 6 48.7 4) (áre^ entte z : -2.E6)) = L(rr\ = t! 6. Hallar la probabilidad de que en 120lanzanientos de una moneda el número de ca¡as (o) esté comprendido entre el 40% y el60%.O27 : -2.8. F'ie.5. y 6Ol/" de l2O.00 en unidades Probabilidad pedida tipificadas : (5. tenemos l¿-12 E(X¡) = * Entonces ya que la media muestral se define como -Y='' x. Puesto que X1. 5.00 onzas.5-5 5. Tenemos .5 .O27 : 2. X.5..+"'") =..027 5. 3-7 " x.. mediante la aproxlmación normal a la binomial.(área entre z : -4.(área entre z : O y z = 2. 6 72. Se procede como en el Capítulo 4. son ina"p"nl'i"nt".5 se encuentra entre 4. página 158.48(i8 .7 4 : -2. Se 1-2O.96 en unidades tipificadas: (4.10 en unidades tipificadas: (5. solamente se darán 3 casos cada 2000 de obtener una muestra de 100 cojinetes con un peso total superior a 510 onzas.96 ) El peso total se éncontra¡á entre 496 y 500 onzas si la media de los 100 cojinetes y 5. son variables aleatorias que tienen la misma distribución que la población.02)lO.96) :0.0015 : (área a la derecha de z Así.+-\1L tenemos como se requiere l E(X) = ]lEtX.7. Puesto que el número de caras es una variable discreta.) - .5 y 72.ttr rr"rr"n Var uuri^X.22 y z : O\ .96 Probabilidad pedida : 2. (b) sea 5/8 o más del número de lanzamientos.168 (o TEORIA DE MUESTREO lcAP. En esta población la probabilidad de cara es p : I12 y la probabilidad de sello es C :1P : l12.10 onzas. Demostrar el Teorema 5-2.00 - 5. Se consideran los 120 lanzamientos de la moneda como una muestra da la población infinita de todos los posibles lanzamientos de la moneda.7 4 y z : O) = 0.96\ (área a la derecha de z:0) . (x1) r rI (x.t - .6.. la cual tiene media ¡1.10 .(..96 5. X2.216-1 (área entre z : : 222 -074 Fie. se pide Ia probabilidad de que el número de caras se encuentre entre 47. '1-.

¿En cuántos individuos cabe esperar que (o) el númoro de caras se encuentre entre eI 40% y el 60% desuslanzamientos.117 l1 a 0.60+0. 0. = . (b) 518 o más de sus lanzamientos resulten cara? Este problema está estrechamente ligado al Problema 5. las proporciones pedidas en unidades tip! 0.I9 en unidades tipificadx: ffip z sí la probabilidad pedida es el área bajo la curva normal entre 0.51720 del primer método.65\ : (área a la derecha de z : 0) .6250.=1p= ^FY = 120 = 0.00.0r56 - 0.8.cAP.0041 7.uo ".detamaño 120 cada una. puesto que L1240: 0.19 : 2(0.86 : (área bajo la curya normal a la derecha de z : 2. puesto que 5/8: - 0.0456 (0.28 _ y 0.5/120 y (b) Empleando el segundo método de (o) se tiene.t9 yz : 2.fn ficadas son. i:abe esperar el encontrar un97.np = rzo(!) = oo o= 47 \/"pq 47. (área bajo la curva normal entrez=-2.48 Probai¡ .1.28) 2(O.28y2:2.s los posiblea l¿nzamientos de una moneda.40 y se Buma . puesto que no se ha utilizado el hecho de que la proporción es realmente una r¡ariable discreta.60.28 : : : Otro método. de la población infinita de todo. de 0.60 5.74% de ellas con porcentaje de ca¡as entte AOVI y el .40 72. Adviértase que (0.0456 = 2. 5l TEORIA DE MUESTREO ¡r: núrnero de ca¡ae esperado . Aquí se consideran S00muestras.8 se ha obtenido que todas las posibles muestras de 120 lanZamientos de una moneda. que 0'00417 0.5 en unidades tipificadas = 72.28 que concuerda con lo obtenido por el primer método.0040 -_ 0'6250 5.4857) : Aunquees:cresultadotiene dos cifras significativas.40 0.60 + 0.5 en unidades tipificadas = - 60 72.00417) en unidades tipificadas Probabilidad pedida . (o) En el apartado (o) del Problema 5.50 = _2.idad pedida = 2. - 0.0041?-0.971.4887 ) : O. Teniendo esto en cuenta se resta 11 Z" = Al¡.6250 - 0.00417) corresponden a las proporciones 47.4960 : 0. no concuerda exactamente.50 0. Cada persona de un grupo de 500 lanza una moneda 120 veces.48 .5 5. = 2.00417) y (0.5 .65) : 0. Así pues.I9 : -2.5 .(áreaentre z : 0 y z : 2.977 4 ttp=P:i=o.0'60 = 2.28) 2(área errtre z : O y z : 2.9.0.0456 40Vo enunidades tipificadas 60o1c -2.

Es interesante advertir que en 500 . Los resultados de una elección demostraron que un cierto candidato obtuvo el 46% de los votos. pero ésta. Otro méüodo.1056.) Entonces.0362: 1. p0. (3% de 400 ) : 12 piezas defectuosas. 1/800 0.25 hobabilidad pedida : (área bajo la cu¡va normal a la derecha de z : I. hubiese obtenido 0.. También puede utilizarse el aegundo 5.14 = 20 0. como variable continua. 0. (2()'o de 400) = 3 Entonces 11.oo125)enunidadestipificadas=W=|. (b) Razonando como en (o).5025 Probabilidad pedida : .5 6OVo.0025.-' 0. (b) 1000 individuos elegidos aI azarde entre la población votante se hubiese obtenido una mayoría de votos para dicho candidato.11.8)12. (b) 2% o menos? PP'=P=0. (Esta proporción puede también obtenerse dándose cuenta que 101 o más indica mayoría.a es . En ó00 muestras se puede esperar 97 .5025 en unidades tipificadas : (0.5/200 = 0.26): 0.0714 se : O. Tales individuos pueden razonablemente sospechar que sus monedas no están bien hechas aunque sí lo estén.02 I 0.98) v = 400 _ 0.50 + 0.={-= .5025 o más.1056 Si no se hubiese aplicado la conección se hubiese obtenido 0. (a) Puesüo que I.5000. ó 489 muestras con esta propiedad.57L4 Si no se hubiese aplicado la corrección.00125) en unidades tipificadas 0'02 r 010q1?5 .p = :p = 0.7 4% de 500.4G y ".s (o) 3% o más.5 en unidades tipificadas : " : {"w : (11.0764.18 Probabilidad pedida : : (área bajo la curra normal a La izguierda de z 0..1131 .3869 :0. ¿Cuál es la probabilidad de que en una partida de 400 piezas sean defectuosa. En concepto continuo. método del apartado (o).02(0. : 2 personas se esperará que los 5/8 o más 5.170 TEORIA DE MUESTREO lcAP.489 : 1I individuos cabe esper:ü que su número de caras no se encuentre entre el 4O% y el 6O% de los lanzamientos.25 y como antes la probabilidad pedida (b) {0. una mayoría se obtendría en la muestra si la proporción en favor del candidato fuese 0.18) 0.5000 + 0. Este tipo de error es un rresgo que se presenta siempre que se trata con probabilidades.2t) : 0.0025 : 0.21 (área bajo la curva nonnal a la derecha de z : l.5025. L/2tt.0352 L12n: ll40O: 0. Se sigue que en 489 individuos se esperaría que su número de caras se encontras€ entre eI 4O% y el 6O%.0040) de sus lanzamientos sean caras.007 Mediante la corrección para variables discretas.5000 - 0.46)/0. 12 o más significa 11. sería 100.5 y'1+oo)1onz)¡rsg : 2.5 o más. Se ha encontrado que el 2% de las piezas producidas por cierta máquina son defectuosas.o3_o.8 : - 1.02 (o) y oP=tE= : 1/ 0. Determinar la probabilidad de que de (a) 200. se tiene (o.10. se concluye que en (500X0.00125.0'02 -: 0.5 y así la proporción sería 100.0.

4964 DISTRIBUCIONES MT. (d) V @ ). y 0. = varianza de la población I/' (3-6)2 + (7-6)2 + (8-6)z _ 33 a2u. = població n lJn = f. = (2-3)2 * (4-3)2 =l ó ou"= l.. rnientras que las de otro fabricante B tienen una duración media de 1200 horas con una desviación típica de 100 horas.Ur) Fur-u.' Éiinz. = mediadelapoblaciónU.0158.5025 en unidades tipificadas = ff*s : 0. (f. ¿cuál es la probabilidad de que las bombillas deA tengan una du¡ación media que sea al menos (a) 160 horas...7 g ._ri. (f) n'u r- u" = mrianza de la población (U 1- U 2) (1-3¡z + (5-3)2 + Oo.12.iu..j ut-v2 (6-3)21(-.6l (b) pp TEORIA DEMUESTREO = p: 0. Las bombillas eléctricas de ün fabricante á tienen una duración Lned. Calcular (a) *u. (b\ pu. Sea Ut la variable de los elementos de la población 3. -3)2 + (3-3)2 + (4-3'¡z b L7 3 Eeto concuerda con el reeulüado general para muestras independient"" ou. 7.cAP.46@Ba)/1000= 0.m=!T._u". = media de La ]{S*?*8) = l. [. (t) vr. 8 y U2 lavariable de los elementos de lapoblaciín2.]ESTRALES DE DIFERENCIAS Y SUMAS 5._u. = varianzadelzpoblación U.q/n = y'd.13..5000 - 0.) nu.0036 = 2.4. = t/f.ia de 1400 horas con una desviación típica de 2OO horas.. ofi..46.a demostración del resultado general se deduce del Teorema g-7 .-(e) ou".. (b) 250 hóras más que las bombilhjde B? . sacado de (o) esto concuerda con el resultado general FLtr_uz= y (b).= \Ej7r-. ou. o.e + ll = La población consistente en las diferencl¡e de cualquier término de U¡ y cualquiera de (J2 ea 3-2 3-4 Entonces 7-2 7-4 media de 8-2 8-1 (U1. 6 r¿. (o) (b) (c) Éy. Si se toman muestras al aza¡ de 125 bombillas de-cada fabricante.) o (e) . @).. 14 (d. = FLrt = 4Lrr.69 Probabiliüd pedida : (área bajo la curva normal a la derech¿ de z = 2..' ¡ecado dc 5.6g) = 0.

L72
Denótense por

TEoRTA DE

MUEsTREo
1200

[cAp.

5

*n y )(o las duraciones

medias de l¿s mueatraa A y B, respectivamente. Entoncee pxe

É*¿-*¡ -

- ttxn
ofr

1400

-

=

200 horas

"2¡ o.. --, = 1l-+Y ¿¡ fly ^^- ^B
z
y
se acerca

=

1/(1qo]'

v 125-

gry = 2o horas 125
xrr\
20

La variable tipifieada para la diferencia de media es

(X,+-

Xil

-

0'x

(x^-

o.(.,

-

200

*o ss:
(160

mucho a una distribución normal.

(o)

La diferencia de 160 horas en unidades tipificadas

Probabilidad pedida

: : : :

-

2OO)\2O:

-2.

(área bajo la curva normal a la derecha de z

0.5000 +

0.4772:

: -2)

O.9772

(b)

La diferencia de 250 horas en unidades tipificadas

es:

(250

-

2OOll2O: 2.50.

Probabilidad pedida

(área bajo la curva normal a la derecha de z

:

2.50)

0.5000

-

0.4938

:

0.0062

5.14. Los cojinetes de bolas de una determinada casa pesan 0.50 onzas con una desviación típica de 0.02 onzas. ¿Cuál es la probabilidad de que dos lotes de 1000 cojinetes cada uno difieran en
un peso superior a2 onzas? Xr y Xo los
Denóten¡e por
pesos medios de los cojinetes en los dos lotes. Entonces

/¿x,-*o = trx, /r¡o o*,

0.50

-

0.50

-

0

-,t,

=

o Z = t":u'uuu6:'5 se distribuye muy próxima a una nor=1:lrmal. Una diferencia de 2 onzas en los lotes es equivalente a una diferencia de 2/1000 : 0,002 onzas en las medias, Esto puede ocurrir si X1 - X, 0.002 ó Xr - X2 -0.002, es decir = = o.o02- 0 _ oo, -nnot-n 7 Z f -^j^j:;=- = -2.23 6 (r.t,uuóy5 0.000895
La variable tipificada para la diferencia de ¡nedias es Entonces

ffif

.ffif

=

o.ooo8eb

P(z>-2.23

ó 2=-2.23) = P(Z>2.23)+P(z=-2.2:t) =

2(0.5000-0.4871) :0.0258

6.15. A y B juegan a "cara y sello", lanzando cada uno 50 monedas. A ganará eI juego si consigue 5 o más caras que B, de otro modo gana B. Determinar la proporción conha á de que gane un
juego determinado.
Denótese por

hechas, la probabilidad de ca¡a es p

y Pp la proporción de caras obtenidas por A y B. Sisesuponequelasmonedasestánbien

-

1-12.

Entoncer, ApA 4I,B =

!t',r. pn -

!#=0.10
La variable tipificada para Ia diferencia de lasproporciones es

f

q|li-t t¡

Z = lP¡- PB-

0)/0.10.

e¡ el área bajo la curva normal a la derecha de Z

En una distribución continua, 5 o má¡ sería 4.5 o mós, de modo que la diferencia de proporciones sería 4.6160 : 0.09 o más, es decir, Z mayor o igual a (0.09 - 0 )/0.10 : 0.9 (<t Z > O.9). La probabilidad de esto

:0.9

que

es

0.5000

-

0.3159

:

0.1841.

Así,pues, laproporcióncontraAes(1 -0.1841):0.1841 :0.8159:0.1841 64.43a,7.

cAP. 5l

TEORIA DE MUESTREO

173

5.16. Dos distancias se miden obteniéndo se 27.3 pulgadas y 15.6 pulgadas, con desviaciones típicas (errores típicos) de 0.16 pulgadas y 0.08 pulgadas, respectivamente. Determinar'la media y la desviación típica de (a) la suma, (b) la diferencia de las distancias.
Si las distancias se denotan por (ol


r,,

y D2, se tiene

, '

t,D,) r¡" :
oD,t

trnr*

po, =
-

27.3

*

15.6

=

42'9 pulgadas

= t/7,, + 4,
trD,

\Á¡:i6FJT¡8)t =
27.3

0.l8pu[adas

(b)

t,D,-D, oD,_r),

I tro,

- 15.6 =

11.7 pulgadas

-- \/q + """ = /{oJG)t+

(0.08),

=

0.18pulgadas

5.1?. Un cierto tipo de bombilla eléctrica tiene una duración media de 1500 horas y una desviación típica áe 150 horas. Se coñéctan tres bombillas de forma que cuando- una se funde, otra sigue alumbrando. Suponiendo que Ias duraciones se distribuyen normalmente, ¿cuál es la p-U"Uina"d de que te tenga luz (c) al menos 5000 horas, (b) como mucho 4200 horas?
Sean las duraciones

Lt, Lz y tr3. Entonces Itr.r* t.r4 r." = pt.,4' !rr, i t,¡." ot.,+I,+,.,

1500

+

1500

+ 1500 =
2G0

4500 horas

- {t.!ffi.,
(5000

-

\mbO)t =
= I.92.

horas

(o

)

5000 horas en unidades tipificadas

: Probabilidad pedida : :

4500)/260

(área bajo la curva normal a la derecha de

z: t'92)

(b)

4200 horas en unldades tipificadas

- 0.4726:0.0274 : (4200 - 4500)/260 : -1.15'
0.5000

Probabilidad pedida: (área bajo la curva normal a la izquierda dez : 0.5000 - O.37 49 : 0.1251

: -1'15

DISTRIBUCION MUESTRAL DE VARIANZAS 5.18. Con referencia al Problema 5.1, hallar (o) la media de la distribución muestral de varianzas, (b) la desviación típica de la distri¡ución muestral de varianzas, es decir, el error típico de
varianzas.

(o)

Las varianzas muestrales correspondientesa cada una de las 25 muestras del Problema 5.1 son

0
0.25 4.00 9.00

0.25

4.00

9.00

20.25 16.00 6.25 2.25

0
2.25 6.25

2.25 6.25 1.00 0 1.00 0
6.25
es

20.2t:
/,.s2

16.00

2.25

La media de la distribución niuestral de varianza

- "-g39-!99q-le'"'ggg#4!Eaa* t#
n: :

b..ro

Esto pone de manifiesto el hecho de que trs2 = (?¿ -l\(ozl/n, puesto que para Problema 5.1(b)], el,segundo miembro se convierte en J(10.8) - 5.4'

2 y o2

:10.8

lvéase

Este resultado muestra Ia conveniencia de definir una varianTa cofiegidl para las muestras, como

3, = ;= (b) La íarianza

52, puesto que se seguiría que 4.q,

o2. (véanse

también las notas de la página 160)'

de la distribución muestral de varianzas ol, se obtiene restando la media 5.40 a cada uno de Ios 25 nfimeros de la tabla anterior, elevartdo al cuadiido estas diferencias, sumándolas y dividiendo el resultado por 25, Así, o.2, : 575.75/25 == 23.03 ó o"z : 4.80'

t74

TEORIA DE MUESTREO

[cAP.6

6.19. Solucionar el problema anterior para el caso en que el muestreo sea sin remplazamiento. (o) Hay 10 mueetrae cuyas varianza¡ vienen dadas por los nfrmeros pot encima (o por debajo) de la diagonat
de cerog de la tabla del Problema 5.1g(a). Entonces

u.' =
Este es un ca.o particular del gener ' 'ar
comprueba haciendo

l0

6'25+16'00+1'00+6:25+2'26

=

o.7ó

t\ p.r = / N \ /" : \ñ=/\T)"

[ecuación (re), página 160], como

se

N:

5,

n:

2

y

o2

10.8 el segundo miembro pasa a ser rs,

: (f )({)(10.8) :

6.75.

(Ó) Rertando 6.75 de cada uno de los 10 números por encima de la diagonal de ceros de la tabla del Problema 6.18(o), elevando al cuadrado estos nfrmeros, sumándolor y ái"idiéttdolos por 10, se tiene o!: =39.676 ó o"r =6.30.

5.20. Demostrar que

E'(S')

= |c
se

don{e S2 es la varianza mu€stral _para una muestra aleatoria de tamaño n, como la página 160, y a2 es la varianza de la población.
Método 1.

define en

Teneno¡

x,-* = x,-itxr+...+xtr) = *t"-l)xr-x2-...-x^l
: *f"Entonce¡

r)(Xr

- tl - (Xz- ti -

.. .

- (xn- p\)

(x,-f,¡r = #U"-1)2(Xr- ú2t(xz-pl2+ '..+ (x. -tl2 +témino¡deproductocruzado]
Pue¡to que las X eon independiente¡ la eqreranza de cada término de producto cruzado
tiene
es

ceror por tanto se

E[(Xr- *¡21 = #U"-

L)2

El(Xt- t)r) + El(Xz-

d2)

+ ... + El(X,-p)2]]

=

I

fr{("-L)znz

* o2 * ... I

o2l

fiu"-l)-zoz* (n-L)oz) = #", Análogamente, El(X*- *¡21 = @ - lloz/n para k : 2, . .., z. por tanto
¿'(S2)

=

= ;nt<Xr-

1-

X)2

+ . .' + (X"-

X\21

Método z.
Tenemos

lfn-l o-r"'", - nL "

¿-1 o-) "l = n-L " -o'
p\(*

^

X¡-* = (X¡- ü-G-¡). Entonces g,- X¡z = (xt-

p)2

- 2(x¡-

- r) + {i -

,,¡z

v

(r)
donde lá su¡na es desCe

)1x,-i¡, = )(x¡j: t

p)2

- z(X-p))1x¡-r)

+.)1x-u¡z

hasta n. [.o que puede escribir¡e como

cAP.5l
(2)

'"O*'O

DE MUESTREO

t76
u¡z

)tx,-xlz
>

j

)tX;- )(x;_-1 r

- 2n(X- ü2 + n(*p)2 - n(*-p)z
ti2 -l

puesto que

6¡-

¡r)

=

el Problema 5.7 hallamos

Sv - np -"(X t-

p). Tomando la esperanza a ambos lados de (2) y utilizando

EL> (X,-*¡zl = El >(X,-rr)2 l- nEl6-u)21 '_JL-)
de donde

no" - n("'\
'r,n

i
o'

-

(n_

7)o2

¿'(S'z)

n
n

L

5.21. Demostrar el Teorema 5-4, página 158. Si Xj, ,i : l, 2, . , f,, está distribuida normalmente con media ¡.r y
característica es (véase Tabla 4-2, página 111)

vzrianza 02, entonces su función

QiG) = oita-{o2a2)/2
La función característica de X,

* Xz* . .. *

X,, es, por el Teorema 3-12,
"iua-<nci2a2)/2

d(r) = cr(r) oz(r). . 'gn(r) -

puesto que las X.; son independientes. Entonces, por el Teorema 3-11, la función característica de
-t=

_

xt +x"l-...
n

1x,
t/2
02

es

Éx(") = t( ;)

: ,iu--t'o2/n)of

Pero ésta es la función característica para una distribución normal con mediia ¡t y varianza deseado se deduce del Teorema 3-13.

/n, y el resultado

5.22. Demostrar el Teorema 5-6, página 161.
j,t,-X)r.S"deducede(2)delMétodo2enelProblemaS,20que V:Vt* Pordefinición,(il--f¡3: = j-r

l',,. donde

(j-L-:l' t/ - { t -, ir-;Enbonces por elTeorema4-3, prigina116,
ve remplazando -X¡ por

r' - l'-ú: rt = o2--,

ytiene distribución de libertad [como se También, por el h'oblema 5.21, X tiene distribución normal con media ¡.t y u)lo]¡. variunia o2 ¡n. Pór fanto, del Teorema 4-3 con ¡., : 1 y X¡ remplazadapor (X - p)/{tz/",vemos que V2 tiene una distribución chi-cuadraclo con 1 grado de libertad, Se deduce del Teorema 4'5,página 116, que si I/1 y V2 son independientes entonces V1 tiene distribución chicuadrado con n - I grados de libertad. Ya que podemos demostrar que V1 y y2 son independientes (Problema 5.135) se sigue el resultado pedido.

t, - (x-P\z v",-oz¡nchi-cuadrado con n grados

(X;-

5.23. (a) Emplear el Teorema 5-6 para determinar el número esperado de muestras en el Problema 5.1 para las cuales las varianzas muestrales son mayores que 7.2.(b) Verificarelresultadoen
(o) con el resultado real.

(a)

Tenemos

n : 2, o2 = 10.8 [del Problema 5.1(b)]. Para sf ntí _ (2)(7.2\ = 1.33. 10,8 02

7.2, tenemos

176

TEORIA DE MUESTREO

lcAP.

5

Entonces de acue¡do con el Teorema 6-0 x2 = nS2/o2 = 2S2l10.g tiene la cii¡tribución chi-cuadrado con grado de libertad. De la tabla en cl Apéndice E ae deduce que

1

P(S2>s!) = P(x2>1.33) =

0.2b

(b)

resultados son iguales.

por tanto eeperaríamos que alrededot del 26V. de lae muestras, o 6, tengan rd¡ianzas mayores a ?.2. Del Problema 5'18 haltamog al contar que realmente hay 6 rarianzag mayores que 7.2,de modo que los

CASO DONDE SE DESCONOCE LA VARIANZA POBLACIONAD 5.24. Demostrar el Teorema 5-?, página 161.
Si

I'-'+, olln

Y-"

- nS2 z =ff,

| = fl-1.

Entoncespuesüoquelas X¡eetÁndistribuidasnormalmenteconmedia¡r

y varianza o2 sabemos (Problema 5.21) que Í está digtribuida normalmente con media g y varianza 02 /n, de modo que Y e¡ü¡í distribuida normalmente con media 0 y varianza I, También, del Teorema ó-6, pfuina 161, o del Problema 5,22 Z tiene digüribución chi-cuadrado con v : n 1 gradoa de libertad.

-

Se

deduce del Teorem¡ 4-6, página l1Z, que

f =
tiene la distribución
ú

,/u,

)'

= -!-P

s/\/;=

x-P
Snla

con n - 1 grados de libertad.

5.25. De acuerdo con la tabla de la distribución f de Student para un grado de libertad (Apéndice D) tenemos P(-1.3?6 <T< 1.326) = 0.60. Verificar si este resultado se confirma con los
obtenidos en el Problema b.1.
De los valores
siguientee para
d_e

X e=n (J ) de la página 166 y loe valore¡ ? = (X - p)/(S/t/1 \:

de 52 en el hoblema 5,18(o) obtenemos los valores

-1.0 -0.33 0.11
Realmente hay

-;;

-1"'

-1.0 -0.20 0.25

-ll -lll ill
1.0 1.0 1.0 Z.Bg
1.0
2.BB

l6 valorespara loe cuale¡- 1,3?6 < ? 1.3?6mientraaqueesperaríamo8(0.60X2b):1b. Eeto no ee tan malo gi ge considera la pequeña cantidad = datoe involucrados. Este método de de muestreo fue efectivamente la manera como "studenü" originalmente obtuvo la di¡tribución f.
DISTRIBUCION MUESTRAI, DE RELACIONES DE VARIANZAS

5.26. Demostrar el Teorema 5-8, página 161. Denóten¡e la¡ muestra¡ de ta¡naños m y n por Xr,.-.. , X^ y y¿¡i¡nz¡¡
mue¡Fale¡ eetán dadas por

Yl

,..,, Y¡

reopectivamente. Entonces las

si = * -J tx, - x¡', sj
donde X,

at'¡

=

; -) rr', - i'r,

Ii ¡on las medias muestrale¡.

-

Entonces del Teorema 5'6, página 161, sabemosq:uemsl/oly nS:/"|tienen distribución chi-cuadrado con m 1 y n - 1 grados de libertad respectivamente. Por tanto del Teoreml 4-7,gágiru- 1l?, se deduce que

F = ms?t¡n-t),i 9lt ;s76_¡q En
1 grados de libertad.

tiene la distribución F con m

-

1, tr

-

cAP.5l

TEORIA DE MUESTREO

r77

5.2?. Dos muestras de tamaños 8 y 10 se extraen de dos poblaciones distribuidas normalmente con vatianza 20 y 36 respectivamente. Hallar la probabilidad de que la varianza de la primera
muestra sea más de dos veces la vartanza de la segunda.
Tenemos
¡r¿

.- 8, n - 1O, = 20, -. "i "l

3e

. Por tanto

F '

-

1.85---iJá

s?

El número de grados de libertad paraelnumeradoryeldenominadorson vt = ffill : 7, v2 = -1= 9. Ent onces si Sf es más de dos veces Si. es decir Sf > ZS!, entonces F > 3.70. Refiriéndonos a las tablas en el Apéndice F vemos que la probabilidad es menor que 0.05 pero mayor que 0.01. Para valoree exacto¡
necesitamos una tabulación más arnplia de la distribución F.

DISTRIBUCION DE FRECUENCIA

5.28. En la Tabla 5-4 se registran los pesos de 40 estudiantes en State University con aproximación de una libra. Construir una distribución de frecuencias.
El peso mayor es 176 libras y el menor 119 tibras, de modo que el recorrido es 176 - 119
57 libras.

Tabla 5-4

138 r 61 150 r32 116 158 110 147 168 lzc' 138 176 14(i r73 r42 147 I 61 1,15 135 142

144 I25 r49 L67 136 148 L52 t44 163 119 154 165 135 153 140 135 150 156 145 128

Si utilizamos 5 intervalos de clase, el tamaño de cada
uno es 57/5

:

11 aproximadamente.
Peso
1

Tabla 5-5

Si utilizamos 20 intervalos de clase, el tamaño de cada uno es 57/20 : 3 aproximadamente. Una elección conveniente para el tamaño del intervalo de clase es de 5 libras. También conviene elegir las marcas de clase en 120, 125, 130, 135,.,.libras. Así los intervalos de clase pueden ser 118-122,123-727, L28-132,. . . Con esta elección los límites reales de clase serán 1-t1 .5, 122.5, 127.5,... que no coinciden con los datos observados. La distribución de frecuencias pedida aparece en la Tabfa 5-5. La columna central. denominada columna de cuenla, se utiliza para tabular las frecuencias de clase de la totalidad de los datos y generalmente se omite en la presentación final de la distribución de frecuencias.
Otr<¡ método.

(libras)

Cuenta

Frecuencia

18- 0r/

I tl
'ft|+ I
Tfl+
,.

102

r28I DD-

I

3848A'1-

I AD 1

I
1

1
1

586373-

(;8- nt/

27 :t2 37 42 47 52 67 62 67

ll il/t

2
4 o 8

'l|lJ

lll

ilil ll /il
TOTAL

A

2
D

1

1

77 lt

I 40

Naturalmente, son posibles otras distribuciones de frecuencia. La Tabla 5-6, por ejemplo, muestra una distri bución de frecuencias con 7 clases solamente en las que el intervalo de clase es de 9 libras.

Tabl¡ 6-6
Peso (libras)

Cuenta

Frecuencia
3

5.29. Construir un histograma y un polígono de frecuencia para Ia distribución de Ios pesos del
Problema 5.28.

El histograma y el polígono de frecuencias para

cada

uno de los dos casos considerados en el Problema 5.28

están dados en las Figs. 5-7 y 5-8. Nóiese que los centros de las bases de los rectángulos se encuentran en las mar' cas de clase

118-126 / / / r27-r35 ll-ll 136-144 fitl llll 145-153 Ttll -ft/+ // 154-162 -ll-/1 163-171 l/ll 172-180 / /
TOTAL

5
q

12
D

4
2

40

178

TEORIA DE MUESTREO

lcAP.5

:¡T¡83:ETg!E['
Peso (libras)

f3¡

r40

14? t58

187 t76

165

Peso (libras)
F

Iris.

5-?

ig. 5-8

5.30. Se lanzan cinco monedas simultáneamente 1000 veces y en cada lanzamiento se observa el número de caras. Los números de lanzamientos durante los cuales se obtienen O, 7, 2, 3, 4 y 5 caras se muestran en la Tabla 5-7. (a) Representar los datos gráficamente. (b) Construir una tabla que muestra el porcentaje de lanzamientos que resultan en un número de ca¡as menor que 0, l, 2, 3, 4,6 6 6. (c) Representar gráficamente los datos de la tabla construida en (b).

Tabla 5-7

Nfimero de
Número de
caras
0
1

lanzamientos

(frecuencia)
38

t4.t
342
287

2

(o)

Los datos aparecen gráficamente en la Fig. 5-9 o en la Fig.
5-1 0.
A

164 25 1000

La Fig. 5-9 es un gráfico de empleo más lógico, puesto que, por ejemplo, el número de caras no pueden ser 1.5 ó 3.2.
Este gráfico es una especie de gráfico de barras en el que las barras tienen una anchura cero y a veces se llama grófico de uoro. Se utiliza especialmente cuando los datos son discre[os.

5

TOTAL

ta

Al emplear la representación de histogtama o el correspondiente polígono
do los datos como si fuesen continuos.

Fig. 5-10 muestra un histograma de los datos. El área total del histograma

es la frecuencia

total 1000.

de frecuencia se están tratan-

o

É o)
E N É
o

o

350 300

ú o
d
É
N

^-^ óou
soo
250 200

zso zoo
150

ñ
(d tt

lcu
roo
50

9

roo
50 0

h
!a

z

z
1234 Nfimero de caras
tr'ig. 5-9

1231
Número de caras Fig.5-10

(b)

Refiriéndose a la Tabla 5-8, adviértase que muestra únicamente una distribución de frecuenciasacumulay una distribución acumulada porcentual del número de caras. Las entradas reflejadas como "menor que 1", "menor que 2", etc., podrían igualmente haber sido "menor que o igual a 0", "menor que o
das igual a 1", etc.

5-9 y 5-10 de la parte (a).8 5.6.. el porcentaje de lanzamientos en los que haya menos de 2 caras es igual aI porcentaje en las que haya menos de 1.(6)(5) +(2)(3) +(2)(6) + r5)(4) I (2)(2) +(3)(8) 6+21-2+5+2+3 96 20 = 4.2. Hallar el peso medio de todos los estudiantes.75.8. 5-11 y 5-12 corresponden a las Figs. 5-12. Hay seis 5. cinco 4.2 52.3.6.10 y 18 individuos registran una media de pesos de 162. Nótese que las Figs.3 + 4 + 5+ 4 + 8 1 2+ 5+ 4 20 =ñ:n'" Método 2.6. 5. 5-11 o en la Fig. Método l. 5-12 muestra el polígono de frecuencias acumuladas u ojiva de los datos y los trata como si en esencia fuesen continuos.32.0 o o É o C t{0 6 N^^ Eou o O .5.5.4 81 .8. respectivamente.5.10 N-^ EOU G' o :! .5-ll (c) La representación gráfica puede indicarse como en la Fig.8 18.10 Hzo o lzo A 0123456 Número de caras 6 0123.4. CALCULO DE LA MEDIA. Hallar la media aritmética de los números 5.4.aparece para todos estos valores (indicado por la línea horizontal). formados por 76. dos 6. dos 2 y tres 8.0 3. así por ejemplo.3.1 Número de caras Fig.23 caras.31. La Fig. 1. 5-12 Fig. 20. 153 y 140 libras.2. dos 3. L48.5 100.1 menor que 0 menor que 1 menor que 2 menor que 3 menor que 4 menor que 5 menor que 6 100 38 t82 524 811_ 975 1000 9?. La Fig. 5-11 es Ia más lógica para representar datos discretos.4. 2x It 5 qA +3 | fi + 5 + 4 + 5 + 2 + 8 + 6+ 5+ 4 + 8l. .8. de modo que eI mismo porcentaje l8. Cuatro grupos de estudiantes.4.56 ó 1.2ol.TEORIA DE MUESTREO Nfimero de lanzamientos Nfrmero de caras (frecuencia acumulada ) 0 Porcentaje de lanzamientos (frecuencias acumuladas porcentuales) 0. VARIANZA Y MOMENTOS PARA MUESTRAS 5.4. Entonces _ )/¡ n .

Entonces la desviación de.t yaque n=2f¡. la es La solución se indica en la Tabla 5-9. -. para la media aritmética.página 164. es decir r¡ -o:cltj óx¡: a *cu.180 sfn TEORIA DE MUESTREO lcAP. Utilizar la fórmula clave del Problema 5. La solución puede ordenarse como se indica en la Tabla 5-10. Utilizar la distribución de frecuencias de estaturas en la Tabla 5-2. por ejemplo.35. T abla 5-lO 5.¡ (tambiénescrito brevementecomor =a I cui. etc.34.ffiq = 6?.35. Adviértase que todos los estudiantes con estaturas de 60--62 pulgadas. Véase Problema 5. 63-65 pulgadas. )/'(o*crr¡) = o>f. especialmente para los casos en los que los números son grandes y hay muchas clases. etc. Derivar la fórmula clave (27).. Elproblema entonces se reduce a encontrar la estatura media de 100 estudiantes. La media está dada por fi _ 2f¡r¡ = = nnnn.45 pulgadas . = a*c! )/'rr' .o. 18 tienen una estatura de 64 pulgadas. XYZ. )fu = l5 u = "*(?t. xj . si 5 tienen una estatura de 61 pulgadas.. 5 = 150 libras 5.r¡ con respec[o a alguna marca de clase determinada a. se consideran como teniendo estaturasde 61.rj.33. 5.. El método se denomina el método claue y debe emplearse siempre que sea posible. alcú" 2f¡u.)" = 67+ (i%). 67. Tabla 5-9 Estatura (pulgadas) Ma¡ca de clase (c) 61 Frecuencia (/) 5 fr 305 60-62 63-65 66-68 69--71 64 67 70 18 AO rt52 28t4 r890 584 27 8 72-7 4 ¿-)/-100 2 fr = 6745 2lr >/ - + .. Denótese la clave de marca j-ésima por . etc. para hallar tatura media de los 100 estudiantes de la Universidad.45 pulgadas Los cálculos involucrados pueden conveitirse en tediosos. Técnicas breves se encuentran disponibles para disminuir el trabajo en tales casos. pulgadas. pígina 163.64. es igual al tamaño de intervalo de clase c multiplicado por algún entero u¡.34 para hallar la estatura media de los 100 estudiantes de la Universidad XYZ (véase Problema 5-33).

11 Estatura (pulgadas) Ma¡ca de clase 61 r r- r-r = 67. : y'Gb. Hallar la desviación típica de las estaturas de los 100 estudiantes de la Universidad XYZ Véase Problema 5.5050 I¡D.2460 8. 5. .20 20 2.8. Como en el Problema 5. Del Problema 5. x: 67.39. Derivar la fórmula clave (28).34 tenemos ri = a + cui y ft = a*c'" 2f.8)2 _ (b) De (o\.8)2 = 2QA (2_20 4.31.37. s2 = 59.8025 72-74 246. = +:q = 65'6 en unidades libras cuad¡adas o (libras)2 .45 2. Tabla 5. 5l TEORIA DE MUESTREO 181 5.rlgadas.8):¿ + 3(8 - 4.r\2 n 15(162.9025 208.92 pulgadas 5. HaIIar Ia desviación típica de los pesos de los estudiantes del Problema 5.7500 f(r TL n\z 852.32.2025 6.6025 11.45 lr - fr)¿ Frecuencia 5 / f(r ñ\2 60-62 63-65 66-68 69-71 -6.Do 18 42 27 8 0.5025 30. donde hemos utilizado el hecho de que las 5. (o) Método 1. " 2f(r-r\2 _ n 6(5 . [.0L25 214. Hallar (c) la varianza y (b\ la desviación típica para los números en el Problema 5.z - 2 f(r . = a*cú' t¿ . aír 20 Méüodo 2.10 libras.45 4t.4200 n=)/=100 2 2f(r-ñlz= 852.33.96 y "-rfzs6=1.36.45 -0.33.cAP.31 tenemos ú = 4.6 (libras)2 : \6bS libras : 8.55 o.4.u.38.a solución puede ordenarse como se indica en la Tabla 5'11.45 pr.36. Entonces n20 _ 59.20 . para lavarianza.150)2 | 20(149-1si)i -tJ911!!:-!Li)2 + 18(140- 150¡z !5+20+10-f 18 Entoncee unidades siguen la leyes comunes del álgebra.DO'O 64 67 70 73 -3. página 164.7500 100 = {dEfB = 2. Como en el Problema 5.

jú. Tabla 5-12 r 61 u t D fu -10 -18 0 fuz 20 18 0 64 +67 70 73 -2 -1 0 1 18 42 27 8 27 8 27 32 2 z=)/=100 5.L82 Entonces s2 TEoBTADEMUEsTREo [cAp. b = f.> f .33.40.az¡ n \n /l = ta)'f-re? / rs Vl = Ltoo-\t*/J ^ ó'b-275 y s: 2.33.u? = ¿2 ¿2 * .39 para hallar la dewiación típica de las estaturas en el Problema 5.f ¡@. + c2úz *> r.<"? .-a¡z i) = "i 2 ¡ .f!n'LN c2[u2 (./¡¿)'l = ¿21¿ .\t 't t l = = ". 2lu=75 )fqz = 97 lalEr lo-s primeros del Problema 5.41.o.{r. 2 't t f.1"u. De la frltima columna tenemos ¡ como en el Problema a2 = "rfL>l!'.u.- o¡.92 pulgadas.'r".35. : }> f ._ "o¡. = ¿2. La solución puede ordenarse como se indica en ta Tabla 6:12. + tlz) 2xt = *2 : t. cr¡atro momentos con respecto a la media para la distribución de estatu¡as Continuando el método del Problema 5. Tabla 5-13 fi u f o 18 42 27 8 Íu -10 -18 0 fu2 fux fua 80 18 0 6t 64 67 70 73 -2 -1 0 1 '20 18 0 -40 -18 0 27 16 27 32 27 64 27 2 L28 2 fu+ z= )/: 100 2fu=16 2fu2:97 I/aa:33 -- 253 . Utilizat la fórmula clave del Problema 5.'1 \fu/J _ ú2]l 5. Esto nos permite halla¡ 6.40 obtenemos la Tabla 5-13.u? -t t - C2[ /2f."? -'#2 2ú2c2 r¡u.

46.41.3?59 5.43.1s)2] = ca(ML-gLI|Mi+ zM'Lz) = 2?[0.6275 B(0. En forma semejante 77. que tomamos como n(¡meros muestrales aleatorios.6982 .33) + 6(0. fflg = p: { (8.67 pulgadas respectivamente. (b) Hallar la media y la desviación típica de la distribución muestral de medias en (o).5275)3 (b) Del Problema 5..5275 rttt Coeficiente de cu¡tosis as=E = : 199. lttt = ffi2= ffi3= 0 0..88 "z1ML- 8.EO notación de la página 165. PROBLEMAS DIVERSOS 5. (o) Emplear dos dígitoe para numerar a cada uno de los 100 estudianües: 00.3759 qa-szrgy _ 6 al = z't+ De (o) vemos que la distribución está modetadamente sesgada a la izquierda. Hallar los coeficientes de (o) sesgo y (b) curtosis para la dishibución de estaturas del Problema 5. tenemoe 183 M] = >fu n = 0.33. 67. Del primer renglón hallamos la secuencia 5I. De (D) yemos que e8 menoc apuntada que la dishibución normal (que tiene un coeficiente de curtosir: 3). Asf los 5 estudiantes con esüaturas 60-{2 Tabl¡ 6-14 pulgadas s€ numeran 00-{4.41. 7'1.BB Mí= >fu2 n y de (32).97 M. 99 (véase Tabla 5-14). OL.9?) + z(0. cada uno de los cuales determina la estatu¡a de un eetudiante determinado.42. (pulgadae ) Frecuencia 5 muestral 60-62 63-65 66-68 69-71 72-74 00-04 18 42 27 8 05-22 23-64 65-91 92-99 27.15)(0.^=>+=2. explicando cualquier discrepancia.14 m+ Entonces = 199.nL¡ = ca(M't. utilizando La TEORIA DE MUESTB.3759 ffiz:s2=8. -0. etc. los 18 eetudiantes con estaturas 63-65 pulgadas se numeran 05-22.(0. Así 51 conesponde a un estudiante con estatura 66-68 pulgadas.15X0. 40.53-4(0. Entonces extraeremo8 nl¡meros muestrales de la tabl¡ de nf¡meros aleaüorios (Apéndice I). que tomamos como 67 pulgadas (la marca de elase).1b)B] = -2.4MiML+ 6M'r2ML- BMin) 81[2. 46 resultan en'estatu¡as de 70.6l Entoncee.97) -3(0. (o) DeI Problema 5. . ffi2=s2=8. . (c) Comparar los resultados de (b) con los valores teóricos..15)41 : 199. 27.5275 Entonces mB = -2.6932 a3 Coeficiente de eesgo = a.15 ML=Zy = o.cAP. (a) Demostra¡ cómo escoger 30 muestras aleatorias de 4 estudiantes cada una (con remplazariiento) de la tabla de estaturas en la página 163 utilizando números aleatorios.. Cada Nf¡mero Estatura n(rmero de estudiantes se denomina número'muestral.53 M'r') = 9[0. etc.9? . 02.15)2(0.

08.25 69.74. 67. 67.fu. 73.09.00 -4 -3 -2 -1 0 1 -4 0 -4 -6 0 0 4 / 28 45 16 23 d D . 67 70.00 extnfdo¡ Estatr¡¡as corespondientec 64.96. g8 25. 67 . 6? 15. 67.22. 11. 16. 64.46.67 67. 64 70.54 2:2.64. 70 64. 67.0L. 96. L¡ medi¡ y la derviación tfpica ee obtienen como es usual por los métodos claves delcrito¡ anterbrmeuüe.25 68. 67.00 (0'75)(23\ = * 'ñ- 67'58 Pulgadaa 2fuz />1"\' n -\ i " (0.25 64.91. 67. 64.82. 70 73.64. 39 13. 67 70.76) = 1.50 67.75 67.70 Trbl¡ 6-16 Media muestral 64. 6L. tt. 70.97. 70. 46 2. 67. 64 67. 03. 67 64. 64.25 70.24.50 69. 67 70. Medi¡ = a*cú Derviación = o*c2fu típicr = = e - 6?. 67. 58 70.70 medi¡ 67. 93. l.67. 15. 21. 20.2L 10.93 14.00 64. 34. 56. 56. 59. 67 67.91.64.57. 70 67.64.25 Cl¡enta Í 1 u fu fu2 16 0 8 6 0 2 ñ( /t/t )#{ 6 4 A a+67.25 68.70. 51. 13. 67.25 69. 67 Ír¡f¡f media 66. 70 64.70 70.f = n 30 4 ).91.2L.25 67. 53.24 64.69. 58.67 64. L2.79. 63. 19.50 68. 76.50 65. T¡bh 6-ró Nf¡meros muesFale¡ Est¡twr¡ o- E¡la+ Nfrmeros muestralea extrafdo¡ rrcqrondieatcc 67.93 5. 73 67.00 67.73. 67 29. 64. 64.70.75 68. Esta ee una distribución mucet¡al de mediu.50 79. 67.58.00 70. 67. 30. 73. 45.41.70. 05.87 26.96. 67 70.27.03. 10.58 9. 73. 90.77. 70. 73.73 73. 70.00 66. 70.'7L.54.83. 67. 55.50 66.50 68. 45. 18 70.08 12. 67.60 67.74.64. 40. 42.98. 64 67.6L. 70.25 67. 06.ón dc l¡ trbl¡ de nl¡rncro¡ dcatoiio¡ h¡brfrmo¡ podido inici¡¡ en eualquier parte y escoger cualquicr patrón dctetmindo.28.00 67.42. 07.50 66'.73 67.52 13. 3 14 16 4 I l. 67 23.6r. 67. 70. 67. 31. 60.00 68.28.93.75 65.23. ?1. 61.00 66.25 66.25 69. 1t.184 TEORIA DE MUESTREO lcAP.50 1. 70.64 73.31. 67. 67. 33 m. 12 3.25 65. 70. 75. 98.02. = 2 fuz = 123 (b) IÁ Tabla 5-16 da I¿ di¡tribuci6n de ftecuc¡rci¡¡ dc I¡ media muestral de las estaturas obtenidas en (o).36 08.50 68.99 23. 51. 07.75 69.25 67. 43 1f. 67. 67. 65. 73. 81.70. 67. 67.33.62 4. 67 67. 19.04.41 pulgadar .64. 67. 56. 67.5 Por eete proceso obtencmo¡ l¡ T¡blr Fló quc rnue¡tra lo¡ n(¡mcro¡ mue¡trale¡ extrafdor.75 69.93 27.50 68. 10. 73 67. 70 6L. 67 64.97 24. 73.75 66. 64.64. 87 fl. 21. 86 6. 70.30 58.70 7.8s estatu¡as correspondientee y la est¡tun mcdb pan c¿de un¡ de h¡ 30 muegtraa flebe mencio¡rarse que aunque eecogimos el prirner rengl.32 8. 68.44. 64. 67.79 70.84 64.

0.4918) : 0.50 : -2. La desviación típica teórica (error típico) de la distribución muestral de medias. 5.g2/fi = 1. /(r) tr. esto es Q\ (r) f" sean .3'/'.0 . es ig¡ual.f 'LJ" f t@ta*l'/t.0)/0. 5. por tanto el porcentaje pedido es 2.' ¡p¡ a*)"lJ'"-r. de acuerdo.0 es (0.4 es (0.0 libras. (a) : 11. Hallar (c) la media y (b) la dewiación típica de la distribución muestral de las dewiaciones típicas. de (b) 8.8libras? La distribución mueetral de desviaciones típicas es aproximadamente normal con media 10.cAP.44 tendrían dewiaciones típicas (o) mayores que 11.1 aJ. El área bajo la curva normal a la derecha de z 2.t J.58 pulgadas de la parte (b). donde la dewiación típica poblacional o = 2. estamos de acuerdo con el valor de 1.0 libras y desviación típica 0. Í:-lÍ.con el valor de 67.50 libras.r . El área bajo la curva normal a la izquierda z : -2. es igual a o/y'[.a la media poblacional ¡r que 67. Ia probabilidad de que 3 de las primerae 4 observaciones sean mayores a u mientras que la cua¡ta obsenación se encuentre entre u y u I du e¡tá dada (1) ..45..l' ra.40) y el tamaño de la muestra n : 4. La desviación típica de los pesos de una población muy grande de estudiantes es de 10. tenemos: ( ¿[.4.8 .5 .0 libra¡ en unidades típicas: (11.4772) = 0.rJ f eL) du La probabilidad de que las 2 últimas ob¡ervaciones sean menores que u (y por tanto menores que las primeras 4) está dada por (2) fnu12 l) --na a. dada por o*.44. ¡1r)drl'z I J € e É la probabilidad total de que las 2 últimac'ob¡ervacione¡ Puesto que u puede tomar valores entre menores que las primeras 4 es la integral de (3 ) desde o hasta €. Puesto que o/t6':2.0y0.5 .8 libras en unidades típicas : (8. .r.92 pulgadas (véase hoblema 6.50 : 2. Las discrepancias se deben a que solamente 30 muestras fueron seleccionadae y el tamaño de la muestra fue pequeño.t.50Ib v400 5. ¿Cuál es la probabilidad de que las dos últimas observaciones sean menores que las primeras cuatro? Suponemos que la población tiene función de densidad f(xl.10.0.0228. Se escogen muestras de 200 estudiantes de esta población y se calculan las dewiaciones típicas de las estaturas de cada muestra.) au .) ps: o = ts=-' o 10.46. Podemos considera¡ que el muestreo es o de una población infinita o con remplazamiento de una población finita.46 pulgadas.a a.0 lb ( lr) \/2" + = 0.".45 pulgadas (vóase hoblema 5.33).5l (c TEORIA DE MUESTREO 185 ) es t a media teórica de la distribución muestral de medias.0. dada por a¡.8%. Entonces la probabilidad de que las primeras 4 sean rnayores que ü y las 2 últimas 6ean menores que u es decir - nc.0082.. por tanto el porcentaje pedido ec 0.41 pulgadas de la parte (b).0 libras. De la Tabla 5-1. pfuina 162. (b) menores que 8. ) ea el producto de (1 ) y (2). ¿Qué porcentaje de las muestras del Problema 6.?d L -r.10. Una muestra de Por 6 observaciones se hace aleatoriamente de una población.

ez. : !l_ ..)I(oz-p)+'. Demostrar que si la media y varianza poblacional son ¡J y o2 entonces (a) E(Xi) = ¡r.. X¡= ar) = P(X¡: a^) P(X¡ = a. prob..f(u)itu @.o . Suponer que la población con¡i¡üe del conjunto de números {dt.: lt# \=y a¡) v dondelyzvaríande1aN. (b) Cov (X¡. l+v:l _ ("^-pl(o. oN}. t(or-¡.*(or-p)12 . Este es un ejemplo del eat¿dístico no parométrico puesto que no ae necesita oonocer ningún ¡rarámetro poblacional.186 Para evalua¡ esta erpreeión hacemos (5) TEORIA DE MUESTREO lcAP. I X¡= a¡) au I = *4. N (o) (b) Qov E(xi\ (X¡. cuando está dada por i*h. x2 una población finita de tamaño N. l/N l/N (i = 1.X): -"21(N -L). por álgebra elemental.47. .."0 = X.r" o' Entonces (6) d.2.a probabilüad no depende de la dist¡ibución de probabilidad f(r). Sea xn} una muestra aleatoria de tamaño n extraída sin remplazamiento de {xr.Xyl ).n) X¡ Sin embargo.la distribución conjunta de X1 y P(Xr= a¡. Un procedimiento de muestreo aleatorio es aquel bajo el cual cada selección de n de un total de N c tiene h misna probabilidad (es decir LlttC"). Entoncee.5 1. Es intere¡ant¿ notar que l.pXxr NN = +("+)^á. Por tanto convierte en F(B) cus t1 (' Jo f(4) ¿z(t-¿)titp = 4=6-a = G I que es la probabilidad pedida. donde la (rltim¿ suma contiene un total de N(N sibles de l.a¡) = p)l ¡J.: I ) a¡P(X¡ . 5. u r-o = !"'nO* (4 ) se Cuando u : - u : 1 y cuando u =- = 0. Eato quiere decir que las XJ eetán dishibuidas idénticamente. y z deaiguale. no son mutua¡nente independientes. xj= prob..s. . que correqronden a todas las parejas poN N ) = I=1 ("^-t'\2 +. donde las c no son neceesriamente di¡tintas.* = tN P EIX:. En verdad.-p) .. . (or-r)(o'-r) - 1) términos.).

6l TEORIA DE MUESTREO En esta ecuación. 5. Encontrar (c) v (d) directamente de (c) y (b) mediante las fórmula¡ 5. ya que por definición a1 187 -la2+'. (b) sean rnayor de 22.49 si el muestreo fuese sin remplazamiento.Ét suplernenta.38 o mayor de 22. Resolver el Problema 6. Si se erüraen 300 mueetras de tamaño 36 de e¡üa población.53. (b ) la dewiación típica poblacional. g (o¡ - p)(o.51.48. Por tanto I+v:l Cov (X¡. .( rr-:--r l(-. En el Problema 5. Hallar (o ) la media poblacional. adecu¡das.cAP. = p (b) Uüilizando loe Teoremar 3-5 y 3-16 (generalizadoe).) = #[..048 onza¡.rlo s 6.47 están dadas respectivamente por t*= (o) E6) = "1 =*"(x=) /X' +.. (c) la media de la digtribución mueshal de medias.51.' " ) = .7.iE(x)+"'+E(x")l 1 =1 n (p -r "'+p) donde hemoe empleado el Problema 6. (d) la dewiación típica de la distribución muestral de media¡.62. Loa peeos de 1600 cojinetes de bolas se distribuyen normalmente con medla 22. 15.1'".N-1 ^' . (c) sean menor de 22.39 onzas. NÉ y la primera suma en el lado derecho er igual por definición.50.49.4L onzas? y 22.¡ = .(n_'. Resolver el Problema 5.p) = -Noz r \ -2 'r' X¡) = . determir¡ar la media y la dewiación típica eeperada¡ de la di¡tribución mue¡tral de medias si el muestreo se hace (o ) con remplazamiento. ¿en cuántae de lag mue¡tras aleatoria¡ cabe ecperar que sus medias (a) ertén enl'l.á.(. Una población est6 formada por los cuatro nfrmeros 3. Considerar toda¡ lae posibleamuestrasde tamaño dos que pueden extraers€ de esta población con remplazamiento.N-1J '¿\N-1/ Problern DISTRIBUCION MUESTRAL DE MEDIAS a.37 onzaa. obtenemos var(x) = Sv^. el lado izquierdo e8 cero.á var(X¡) * .Ét ".. (b ) sin 6.f x"\ D p (.e 22.x¡)] = #ú* *.a7 @).LL." +a¡v = a N 02. (d) ¡ean menor de 22. y el Problema 6-4?.(-r¿_ i)] = Lfr-"-rf = 4(N-"\ nl.N\N-rl' 't/ 5. cov(x¡.40 onzas y dearriación tfpica 0. remplirzamiento.42 onzae.51 si la población 5e compone de 22 cojineter.4L . Demostrar que (c) la media y (b) la varianza de la media muestral del Problema6. ó.

62. 5. ¿Cuáles son las probabilidades del Problema 5. se pueden usar hojas de papel. (ó ) entre el 43% y el 57% sean niñas. (d) 10 o más bolas blancas? Dseña¡ un experimento que ponga de manifiesto los resultadoe del Problema 5. comprobar que .61.188 TEORIA DE MUESTREO lcAP.R o I en las proporciones adecuadas. rojas? 5.54. formados de 28 y 36 eetudiantes. (c) más del 640/o sean niños. sacadas de la urna con rempliazamiento.57. y explic.59.65. (d) enhe ??0 y 830 horas. sob¡e las que se escrriba la inicial . Lo mismo del Problema 5. 5.56. Ciertos tubos fabricados por una compañía tienen una duración media de 800 horas y una dewiaeión típica de 60 horas. ¿en cuántos lotes cabe esperar (o) menos de g0 bombillas buenas. respectivamente. llallar Ia probabilidad de que de los próximos 200 niños nacidoe (o ) menos d. (b) 98 o más bombillas buenas? 5. Supónganse iguales las probabilidades de nacimientoe de niño y niña. (ó) al menos 450 libras más que A? 5. (b) l2 bolas rojas y 8 blancas. ¿en cuántas cabe esperar que (o) menos del 4OVo sean niños.60.57 si se consideran 100 en lugar de 200 niños resultados. ¿Cuál es la probabilidad de que el peso de 25 paquetes recibidos aleatoriamente y cargados en un ascensor supere el límite de seguridad del ascensor. (c) mayor de 820 horas.63. 5. difieran en su puntuación media en (o) 3 o más puntos. En lugar de bolas rojas y blancas.ar las diferencias en los Una u¡na contiene 80 bolas de las que 6oo/a son rojas y 4OToblanca* De un total de 50 muestras de 20 bolss cada una. Si se comprueban 100 cablesdeA y 50 cablesde B' ¿cuál es la probabilidad de que Ia media de resistencia a b rotura sea de (a) al menos 600 libras más que A. Los pesgs de los paquetes recibidos én un departamento de almacenamiento tienen una media de 300 libras y una desviación típica de 5O libras. ¿en cuántas cabe esperar (a) igual número de bolas rojas y blancas. Hallar la probabilidad de que en dos muestras aleatorias compuesta cada una de 200 votantec.el 4Oi'o sean niños. De un total de 1000 muestras de 200 niños cada una.69. haya una diferencia superior al1^o"k en las proporciones que votaron por dicho candidato. 5.64. respectivamente. (c) 8 bolas rojas y 12 blancas. Un fabricante despacha 1000 DISTRIBUCIONES MUESTRALES DE DIFERENCIAS Y ST'MAS 5.nedias a larotura de 4000 y 4500 libras con desviaciones típicas de 300 y 200 libras. 5.6t. (b) 6 o más puntos.12. 6.' ¿Cuál es la probabilidad de que dos grupos de estudiantes.63 si se comprueban 100 cables de cada fabricante? Explicar las diferencias.5t. En una prueba de aptitud puntos? la puntuación media de lo¡ estudiantes es de ?2 puntos y la dewiación típica de 8 puntos. 6.66. Si normalmente el 6Vo de las bombillas es defectuoso. 5. Se extraen dos cotecciones de 30 bolas cada una con remplazamiento y s€ anotan sus colores.6?.60. Explica¡ la diferencia. A y B fabticzn dos tipos de cables. Hallar la probabilidad de que una muestra aleatoria de 16 tubos. 5. Los resultados de una elección mostraron que un cierto candidato recibió el 65% de los votos. tomada de entre ellos tenga una duración media de (a) entre 790 y 810 horas.66 si las exüracciones son sin remplazamiento al obtener cada colección. (b ) entre el 4O% y el 60% sean niñas. 5. que es de 8200 libras? DISTRTBUCION MUESTRAL DE PROPORCIONES 5. Si U¡ y U2 son los co¡r¡\ntos de nhmeros del Problema 5. ¿Cuál es la probabilidad de que las dos coleccionee difieran en 8 o más bolag Resolver el Problema 5. (c ) el 63"h o más sean niñas? Resolver el Problema 5. ¿Qué enores pueden introducirse al utilizar dos conjuntos diferentes de monedas? lotes de 100 bombillas cada uno. (b) menor de 785. (c) entre 2 y 5 Una urna tiene 60 bolas rojas y 40 blancas. que tienén unas registencias .54 si la muestra extraída ee de 64 tubos.6 6.55.

21.77. ¿qué porcentaje puede tener varianzas (a) menores que 10. DISTRIBUCION DE FRECUENCIA 5. Verificar si los resultados del Problema 5. 6.46 y 0. (c) entre 5 y 10? la duración de tubos de televisión fabricados por una compañía tienen una media de 2000 horas una dewiación de 60 horas. I 6. Verificar si los resultados del Problema 5.48.74. Una población normal tiene una vari¿nza de 15. ¿Es la probabilidad de que una ttarianza sea mayor que 1. página 161. Hallar (o ) la media y (b ) la desviación típica de la suma de las cantidades. una distribución ú de Student con r. 6. = 5. (e) Tamaño del intervalo de clase.54 libras con dewiacionee típicar de 0.49.71. ó.82. La duración parz A tiene una desviación de 40 horas la duración de B tiene una desviación típica de 50 horas. La Tabla 5-17 rmuestra una distribución de frecuencias de la duración de 400 tubos de radio comprobados en la L & M Tube Company.75. (c) Marca de clase de la séptima clase. la de la segunda.8f .399 400 .cAP. (h) Porcentaje de tubos cuya duración no sobrepasa . = 1. Con 6.01. Número de tubos L4 46 58 76 68 62 48 22 6 Solueionar el Problema 5.01? Dos compañías. (b) se encuentre enüre 50 y 70 horas. (b) mayores que 20.3?6 < ? 1. Se pesan tres cantidades dando 20.78. Si se seleccionan 10 . 6 Frecuencia de Ia cua¡ta clase. DISTRIBUCION MUESTRAL DE RELACIONES DE VARIANZAS 5.2 voltios.60. 5.599 600 . Explicar cómo podría utilizar el Teorema 5-7. (b) ou1+ur = \Grtr.73.50.i se confirman por este valor y explicar cualquier diferencia. referencia al Problema 6. (b) ambas b0 horas.799 800 .E0.2 veces.72 ei el muestreo es sin remplazamiento. y Se halla que CASO DONDE SE DESCONOCE LA VARIANZA POBLACTONAL 5.5I TEORIA DE IIIUESTREO ttur2 189 (a) 4. Si se extraen muestrae de tamaño 5 de esta población.72.0.80 si las desviaciones típicas de las duraciones son (o) ambas 40 horas. Dos muestras de tamaños 4 y 8 se extraen de una población distribuida normalmente. (g) Flecuencia relatir¡a de la sexta clase. TOTAL 400 .5 veces la otra mayor que 0. respectivamente.54 libras.79. o menor que 0.tr*Lrr: ru. De acuerdo con la tabla de distribución ú de Student para 1 grado de libertad (Apéndice D) tenemos P(-1 < 1) : 0.49 se confi¡man utilizando (a) P(-1 < f < 1) = 0.05.376) . ¿Cuál er la probabilidad de que cuatro de estas baterfas conectadae en serie tengan un voltaje conjunto de 60. Tabla 5-17 Duración (horas) 5.97 y 62. El voltaje medio de una baterfa e¡ de 15. (ó) P(1. ?s 6. Una en tanto que muestra de 8 bombillas se toma de A y 16 de 8.699 700 . entie 0. donde ? tiene. A y B fabrican bombillas.0 voltios y la dewiación tfpica 0. hallar (o) Ia media de la distribución muestral de varianzas. Reeolver el Problema 6. (b) Límite inferior de la octava clase. (b) 7. (d) Límites reales de la última clase.899 900 . Con referencia a esta tabla determinar: (¿) f 'ímite superior de la quinta clase. (b) el error tfpico de varianzas.8 o másvoltios? DISTRIBUCION MUESTRAL DE VARIANZAS 6. para diseñar una tabla de distribución f de Student como la dada en el Apéndice D.0.35.50.70.?6.499 500 .tubos aleatoriamente hallar la probabilidad de que la dewiación tfpica muestral (o) no exceda a 50 horas.05 y 0. Determinar la probabilidad de que la varianza de la primera muestra sea mayor que (o) dos veces.999 300 1000-1099 1100-1199 las 600 horas.

44 los.?30 y 0.0. (b un ) histograma de frecuencias relativas. Las calificacione¡ de un estudiante en cinco aeignaturaa fueron 85. (c) di¡tribución de frecuencias relativas.733 0.739 0.732 0.731 0.734 0. (d) un histograma de frecuenoias relativas.737 0.82. (c) los límite¡ de clase.744 0.?36 0. DESVIACION TIPICA Y MOMENTOS PARA MUESTRAS 6.734 0. 5-18 niuestra los diámetros en pulgadae de una muestra de 60 cojinetes de bolas fabricados por una compañía.93. respectivamente. hallar. (b) los límites reales de clase.732 0.736 0. (c ) un polígono de frecuencia¡ relativas.E5' Para los datos del Problema 5.734 0.733 0. Hallar la media a¡itmética de dichas calificaciones.95.?39 0. 0.726 0. (g) una distribución acumuhdá porcentual. 4 y 6. horas.88 consüruir (o) un histograma.730 0. nueve 9 y diez 10.742 0.746 0.82 con duraciones de (o) menos de 560 horas. y 0.63. 5.330.735 0.96.83. Los tiempos de reacción de un individuo a determinadoe estímulos fueron 0. (f) una distribución de frecuencias acumuladas.735 0. Porcenüaje de tubos cuya duración es al menos de 500 horae pero menor de 1000 horas.?38 pulgadar. 5. (d) una ojiva porcentual.89 para los dato¡ del hoblema 5. siete 7. Construir una distribución de frecuencias de los diámetros utilizando intervalos de clase 5.743 0.729 0. Tles profesore¡ de economfa regieünron una ealificación media en sus eiámenes de 79.742 0.0.746 0.735 0. (b) 9?0 o mág Los diámetros interiores de las arandelas producidas por una compañÍa pueden medirse con aproximación de milésimas de pulgada. Estimar el porcentaje de tubos del Problema 5. 0. 82 y 96.327.92.736 0.732 0. ¿Cuál es ¡u media Las calificaciones de un estudiante en las tres asignaturas del curso fueron 77. respectivamente.735 0.736 0.735 0.90. ee¡ie de nfimeros está formada a¡itmética ? por seis 6.55 segundos. Comparar estos resultados con los obtenidos directamente de la colección de datos de la Tabla á-18.89.732 0.5 5.741 0.82 construir (o) una distribución de frecuenci¿s acr¡muladas. Deüerminar el tiempo medio de reacción del individuo a los estÍmu- 6.737 0. Para los datos del Problema 5. 93. CALCULO DE LA MEDIA.728 0. ó.88.49.72t 0.736 0. ó. Con los datos del Problema 5. ocho 8. (c) entre 620 y 890 horas.52. correspondientes a la distribución de frecuen- 5. (b) una distribución acumulada relativa o porcentual. 5.724 0.740 0.?30 0.734 0.729 0.82. ?6. Una 6.735 0. Con log resultados del Problema 5.725 0.94. (c) entre 0.386. Construir (a) un histograma y (á) un polígono de frecuenciae ciaa del hoblema 5.739 0. (h) una ojiva.740 una 5.74 y 82. lcAP.(a) el tamaño de intervalo de clase. (b) no superioree a 0.738 0.0. 6.82 construir (o ) una distribución de frecuencias reliativas o porcentual.738 0. Resolve¡ el Problema 5. "de"*- Tabla 5-18 0. (e) un polígono de frecuencias relativas.741 0. 0.732 0.732 pulgadas. (c) una ojiva. 0.87.?30 0.63. (c) Si las ponderaciones asignadas a cada asignatura rcn 2.727 0. Si las marcas de clase de gna distribución de fiecuenciaa de estoe diámetros vienen dadas en pulgadas por los números 0.333 y 0.738 0. O. 0.?36 pulgadas.46. La Tabla dos.t4.89 determinar el porcentaje de cojinetes de bolas que tienen diámetros (o) superiores a 0.78 y 89.737 0.733 0.740 0. ¿cuál es el promedio adecuado para sus calificaciones? (b ) ¿Cuál sería si todas las ponderaciones son iguales? 6.128 0.736 0.731 0. (b) un polígono de frecuencias.321.50.324.86. sue clasee .190 (i) (j) TEoRTA DE MUEsTREo Porcentaje de tubos cuya duración es mayor o igual a 900 horas. 0. (i) una ojiva porcentual.735 0.735 0.91.

99.7279 0.7258 0.22.2 11.7267 0. ' 164. Determinar la media de la carga máxima empleando (a) el "método latgo".7274-0.2.8-10. pero diferentes medias.7252 0.106.?.0.100. Halla¡ i 9.5.7250-0. L7.cAP.0.6.5l estaban formadas por 32.6. Hallar la dewiación típica de la serie de nl¡meros de la progreeión a¡iümética 4.7249 0. (o) Sumando 5 a cada uno de los nl¡meros de la serie 3.8.8-11.6.7271-0.3-L2. tlalla¡ la dewiación üípica para las distribuciones del (o) hoblema 6.7 L2. Log salarios medios anuales pagados a hombies y mujeres de la compañía fueron $á200 y $4200. Calcular el diámetro medio.7270 0.2.7280-0.7247-0.98' (b) 6. (b) el método clave.7.7265-0. La Tabla 5-21 mue¡tra Ia distribución de los diámetros de las cabezas de los remaches fabricadoe por una Tabla 6-22 Freeuencia I 6 8 Diámetro (pulgadas) 0.2. 5. 6. 10' L6.0.262-0.4. L. ó. ¿Cómo están relacionadas las medias? (b) Multiplicandocadaunodelosnúmeros3.. Hallar la desviación típica de los número¡: (a) 3. i) 5.98.0.2. La Tabla 6-19 muestra la distribución de las cargas máximas en toneladas cortas (1 tonelada corta : 2000 libras) que soporüan cierüos cables producidoe por una compañla.6por2ydespuéssumando6seobtienelaseriell.7. Calcular la media de los datos de la Tabla 6'22.726L 0.g?.8-r2.7255 0.1273 0.6. 15.7.?276 0. Tabla 6-19 Carga móxima Nl¡mero de cableg (toneladas cortas) 9.2.7268-0. 2.3-11.104.1. Determinar el porcentaje de hombres y mujeres empleados en la compañía. 1.8-L3. 7. .7259-0.7.4. Determinar lacalific¿ciónmediaparatoda8 5. (c) nfimeros de los apartado¡ (o) y (b)? ¿Cuáles 8on lias relaciones entre las desviaciones típicas y las medias de las dos series? lo¡ ¿Qué propiedades de la media y de la desviación tfpica se ponen de manifiesto por lae series de 6.3- 9. para los daüos de la Tabla 6'20 empleando (o) el "méüodo largo".101.2 TOTAL Í 98 75 56 42 30 21 15 11 6 compañía. 11 .7256-0.7282 TOTAL de de Sfmenos de 36-menos de 40-menos de 16 L2 30 36 40 45 I o 2 TOTAL 54 250 6.6 se obtiene la s€rie 8.7264 Clase Frecuencia de 16 de 20 25 3 7 15 42 68 49 25 18 L2 4 1 lG-menoe 16-menoe 20-menos 26-menos 0.4.9.2 624 2 462 480 498 516 534 552 570 588 606 12. (c) 0. .99. TEORIA DEMUESTREO 191 y 11 estudiantes. 19.7 10. Demostrar que ¡as dos series tienen lae mismas desviaciones tfpicas. 1' 1' 5. (b) 3.7253-0. Tabla 5-21 60 ó.7 t2 17 l4 6 3 1 Tabla 6-2O fr 11. .7277-0.3-10.7 . 10.102. 12.103. respectivamente. 1. El salario medio anual pagado a todos los empleados de una compañía fue de $6000.6. (b) el méto' do clave. 25 las clases.2 10.5. reqrectivamente.

1 .l F.1!2.108 para los datos del problema 5.li. Lo mismo del Problema 5. (b típica.30explicandoelsignificado 5.117.0.124. (t l3s)? (c) Comparar los porcettajes'de (b) lo.111. = nt. Hallar (o) m t .nl_ thnirni+6ml2rn.119. (a) De un total de n números. Véase Problema 5. De un total de n números. S. Con los resultados de los hoblemas 5. k) ¡¡. 5. Hallar los cuatro primeros momentos con respecto a la media de los números de la progresión aritmética 2.102(c).t s). (b) rr. si la distribución fuese normal. Hallar (a) la media y (b) la desviación típicaparaladistribucióndelProblema de los resultados obtenidos. 5. 20 22 2 AI.8 respectivamente. 5. (c) lrq .111. Hallarloscuatroprimerosmomentosconrespectoalamediadelosnúmeros0.g. Hallarelcoeficientede(c)sesgo. (c) tercero y (d) cuarto orden de los números 4. (o) Hallar la desviación típica s de los diámetros de los remaches del Problema b.109. (f) s. t¡l F.-Btnini l2m'rs. Los momentos de cuarto orden respecto a la media de las dos distribuciones del Problema6. ¿Qué distribución se aproxima más a la distribución normal desde el punto de vista de (a) apuntamiento.101. (l). (c) tercero y (d) cuarto orden respecto al punto ? para los números del Problema 5.120.108. (t t 2s). Hallar el coeficiente de (o) sesgo. ) Construir una distribución de frecuencias para los datos y hallar la desviación (c) Comparar el resultado de (b) con el de (a). 5. Si el momento de primer orden con respecto al punto 2 es igual a 5. la fracción p son unos mientras que la fracción q : 1 p son ceros. Hallar (a) ntr. (a) Hallar la media y desviación típica para los datos del problema 5. @¡. "on 5.1 y -12.2_ Bm.1o6. I 4 o 10 7 5. - l}rnlstn" * 4n.113. .1. 5'121. (D ) Derivar una fórmula análoga par^rns.2g.llE. Aplicar el resultado de (o) al Problema b.114. (c) tercero y (d) cuarto orden con respecto los números del Problema 5.127. y (i) (i+ rFpara 5.r5 1. teóiicos esperados. 1. 6.123. 11.111. Hallar los momentos de (a) primero. a la media de 5.11g. 5.mt..722.5. tt.gg.111 y 5. Calcular los cuatro primeros momentos con respecto a la media para la distribución del Prol¡lema 5. (b) mz. 5. 17. (c) nt3. 5. 30 5.98.+. (b) m. (b) segundo. (a) Demostrar que .g. (b) segundo. 5'112.125.126. la distribución del Problema 5.L92 TEORIA DE MUESTREO lcAP.lOO. 5. Demostrar que la desviación típica de La serie de números es fi. l. determinar los correspondientes momentos (o) respecto a Ia media. Calcular los primeros cuatro momentos con respecto a la media para la distribución de la Tabla 5-23.116. 5.f f O.-2bybO.10. y comentar las diferencias observadas. (b) ¿eué porcentaje de diámetros se encuentra entre (r1 . l. 5 5.98..121. (b) curtosis para la distribución del Problema 5. (c) respecto al origen. 3. Tabla 5-23 f t2 t4 16 18 5. tlallar los momentos de (o) primero. (b) segundo. 5. Los momentos de segundo orden con respecto a la media de dos distribuciones son g y 16. mientras que los momentos de tercer orden con respecto a la media son -8. ¿cuál es la media? 5. 14. Si loscuatroprimerosmomentosdeunaseriedenúmerosrespectoalpunto3sonigualesa-2.r5. - ?n: - 1m'rm! * l}m'r2nt!.. comprobar las relaciones entre momentos (a) mi2..126 son 230y 780 respectivamente.¡nz = ml- 5'115.L22.0. (b) respecto al punto 5. (b) asimetría? .(b)curtosisparaladistribucióndelProblema5. ¿Qué distribución está más sesgada a la izquierda? 6. la fracciónp son unos mient:'as que la fracción q : 1 -p son ceros. @') mt y (d) ma para los números. Hallar los momentos de (o) primero..f 07. 8. Comparar con el problema b.

1z+22+32+"...fsugerencio: Utilizar - l+2+3+.. halla¡ la media de la distribución muestral de varianzae si el muestreo ee (o) con remplazamiento. a * 2d.. (a) Demostrarquelarvarianzasdelconjuntoden nfrmerol a.129.* (n .. La compañfa envfa 1000 lotes de 100 tubo¡ cada uno. (b) sin remplazamiento.115.1 (b)Emplear(a)enel 6. Demoetrar que Vt y Vz definidas en el hoblema 5.a*d. ¿En cuántos lotee cabe esperar que (o) la duración exceda 910 horar. (o) Hallar la calificación mfnim¿ del 2O% superior de los eetudianües.132.131. (b) la dewirrción tfpica de la duración exceda 96 hora¡? ¿Qué ruporicioner deben hacerse? 6. 5..1 5. tno = ñ(n2-l\3n2-7'td4 CompararconelProblema 5. pfuina 160.135. Determinado¡ tubos producidos por una compañfa tienen una duración de 900 horar y una dewiación típica de 80 horas.1)a = $n(n-l)(2n-ll8n2-Bn1 ).134.128.104. a * d..a|(n-l)dson 11 ffit = 0.cAP. hoblema 6. Una población de 7 números tiene una media de 40 y una desviación típica de 3.. Si muestras de tamaño 5 se ertraen de esta población y se calcula la varianza de cada muestra.129 si la medi¿na de duración es de 900 horas.aI progresión aritmética con primer término o y raz6n d) erlt6 dada por tl1-2 (n2 Dd2 .130. Demostrar el resultado (I9). 6. ¿en cuántos lotes cabe eErerar que la mediana de duración exceda a 910 horaa? Comparar ¡u solución con el hoblema 5.133.136. Demoshar que los primeros cuatfo momentos con respecto a la media de progresión a¡itmética a. Una mueetra de 8 obeervacione¡ se hace aleatoriamente de una población. ¿Cuál es la probabilidad de que lae primeras tres obgervaciones sean mayores que las'últimas cinco? ó. (b) Hallar la probabilidad de que en una muestra aleatoria de 100 eetudianües la calificación mínima del 2O% superior Eea menor que 76. En el Problema 5.6l PBOBLEMAS DIVEBSOS TEORIA DE MUESTREO 193 5.. página 175.+(n-l\z=fn(n-Il(2n-1).'*(n-1)=in(n-1).129(o) y explicar ous reeultados. son independientes. .al2d. mz = i. En un exarnen las calificaciones fueron normalmente disüribuidas con media 72 y dewiación típica 8. 5.@z-L)dz. (n-1)d (eadecirun¿ 6..22. mt = 0. fSugerencia: 14+24 +34+' .

La distribución muestral de la media y la mediana. En la práctica se ellas pueden obtenerse..que es cierto para muchos estadísticos.. El valor correspondiente del estadístico eficiente se llama estima eficiente. página 162. S realmente es un estimador sesgado de o. la media poblacional' Sin embargo. DE PARAMETROS POBI. ESTIMAS POR INTERVALOS DE CONFIANZA. Por tanto.Capítulo 6 rF I | . €l 68. Los valo^res i y 3 z se llaman estimas insesgadas. Lógicamente se prefiere tener estimas que sean eficientes e insesgadas. se dice que la distancia es 5. la media provee una estima más eficiente que la mediana. Si las distribuciones muestrales de dos estadísticos tienen la misma media.2_5 y 5. es decir. El valor correspondiente del estadístico se llama estima insesgada del parámetro. a ESTIMAS INSESGADAS Y ESTIMAS EFICIENTES En el Capítulo 5-indicábamos que un estadístico se llama estírnador insesgado de un parámetro poblacional si la media o esperanza del estadístico es igual al parámetro. EJEMPLO 6. EJEMPLO 6. la distancia real se encuentra entre 5. La precisión o conocimiento del error de una estima se conoce también como su seguridad. si la distribución muestral de S es aproximadamente normal (lo que se ha visto-. eonq de esttmocton : . Sin embargo.31 pies.1. por la relativa facilidad con que algunas de ESTIMAS POR PUNTOS Y ESTIMAS POR INTERVALOS. Si.03 pies. EJEMPLO 6.s*o. por otra parte. u-¡r"* 3o" .95. La estima de un parámetro poblacional dada por doS números entre loJ cuales se considera que se encuentra dicho parámetro se llama estima de interualo del parámetro. la va¡ianza de Ia distribución muestral de medias es más pequeña que la distribución muestral de medianas. cabe esperar que el estadísticoSseencuentreenlosintervalos&s o^s8Í. en las páginas 157 y 160 son estimadores insesgados de la media poblacional ¡r y de la varianza poblacional 02. U 13 t) = o2.73% de las veces. Entonces.s. puesto que E'(X) = u. ambas tienen la misma media. SEGURIDAD La estima de un parámetro poblacional dada por un número se llama estima de punto de.28 + 0.2.ACIONALES Sean ¡rs y o" la media y la desviación típica (error tÍpico) de la distribución muestral de un estadístico S. se está dando una estima de punto. respectivaménte. ya que en general Z(3) + o. utilizan estimas sesgadas o no eficientes. pero esto no siempre es posible. La media X y la varianza 3' d"finid". se está dando una estima de intervalo. el estadístico con la menor varianza se llama estimador eficiente de la media.28 pies. Véase Tabla 5-1.3.27 % . &s-2o"EFsl%a'" ó ¡r. L94 . Si se dice que una distancia viene dada por 5.46% y 99.r--Bo.l parámetro. si el tamaño de muestra es n > 30).

szs son los valores de ? para los que el 2.46% 95% 90% 80% 68. S +. & S*Sorenel 68.96. En general.96. .68. t 6 .szs y ú. De los niveles de confianza se pueden obtener los coeficientes de confianza y recíprocamente. etn.6746 En los casos donde un estadístico tiene una distribución muestral que es diferente de la distribución normal (como chi-cuadrado. ps er los intervalos S .00 0.00 2.96 o.9q -V 0.99) para p". y S -r 2..46%y99. S-2o" a S+2o" ó S-3o. de los límites de confianza se llaman coeficientes de confianza o ualores críticos y se denotan por zc. En este caso utilizamos la distribución t para obtener los niveles de confianza. los valores de z" pueden sacarse de las tablas de la cuwa normal en el Apéndice C.6% del área se encuentra en cada "cola" de la distribución ü.o. se puede ver que los límites de confianza para la media póblacional vienen dados por Xtz"* vn N-tt.46% y 99. Utilizando los valores de o.68 2.73% "pueden Análogamente.00 1. a S * o' delasveces. si el muestreo es sin remplazamiento én una población 2. en el caso de un S insesgado). de modo que para obtener los límites de confianza anteriores.6l TEORIA DE ESTIMACION 195 Análogaménte cabe esperar o se puede confiar en encontrar. los límites de confianza eslán dados por X * z"o* donde z" depende del nivel de confianza que en cada caso se desee y puede obtenerse de la tabla anterior. N-1 (r) en el caso de muestreo en una población infinita o si el muestreo es con remplazamiento en una población finita y por X*2"* vn (2) finita de tamaño N. como otras veces sé conocen.cAP. para estima¡ el parámetro poblacional.05 2.srs . 95. entonces un intervalo de confianza para ? está dado por (véase pagina 161) (N -t.58 ox respectivamente. Pequeñas muestras (z < 30). vienen dados por X r.73% o. En la Tabla 6-1 se dan los valores de z" que corresponden a distintos niveles de confianza utilizados en la práctica.58 o. Los números extremos de estos intervalos (S i o5.27% 60% 3. se utiliza la estima muestral S o S. Si el estadístico S es la media muestral X. Iímites fiduciales.73% s9% s8% s6% s5. INTERVALOS DE CONFIANZA PARA MEDIAS 1.1.1.73% para la estima de ¡rs (es decir.95.28 1. obtenidos en el Capítulo 5.645 r..96 1.Grandes muestras (n > 30). Poi estos se 99."\\ñ s (3) .96 o7 Y X + 2. 2..27%.F') se hacen fácilmente modificaciones apropiadas para obtener los intervalos de confianza. la desviación típica poblacional o es desconoc^ida.r. Tabla 6-1 Nivel de confianza zc e9. $ I 3or) son llamados los límites de confianza del 68. El porcentaje áe confianza se"llama también nivel de confíanza.27 %. son los límites de confianza del96% V 99% (ó 0. Para niveles de confianza que no se encuentran en Ia tabla.33 2. Los números 1. Más generalmente.respectivamenllama¡ a estoé intervalos los interualos de confianza del68. Por ejemplo si -t.27%. entonces los límites de confianza d'el95% y 99% para la estimación de la media poblacional ¡.45%y te. S -+ 2o.

2. Un método INTERVALOS DE CONFIANZA PARA DIFERENCIAS Y SUMAS Si Sr V S: son dos estadísticos mueshales con distribuciones muestrales aproximadamente normales.6 de lo que se deduce que p se encuentra en el intervalo X-t.Patan > 30. los límites de confianza para la diferencia de los parámetros poblacionales correspondientes a Sr y 52 vienen dados por S. la probabilidad de éxito). N-n N-1 (7) si el muestreo es sin remplazamiento en una población finih rre hmaño N.. . INTERVALOS DE CONFIANZA PARA PROPORCIONES Si el estadístico S es la proporción de "éxitos" en una muest¡a de tamaño n > 30 extraída de una población binomial en la que p es la proporción de éxito (es decir. Obsérvese que estos resultados se obtienen de (I) y (2) remplazando X por P y o por Vpq. z" y t" son realmente iguales. es decir. Análogamente los límites de confianza son ..-. en el caso de que las poblaciones sean infinitas. S€ tiene que los límites de confianza para la proporción poblacional son dados por Ptz" pq ?I = Ptz" (6) para el caso de muestreo en una población infinita. Para calcular estos límites de confianza puede utilizarse la estima muestral P para p.o."rr* a < ¡r ( X+ vn .27. 51 +52 Sl + 52 t (e) Por ejemplo.s (que lógicamente puede emplearse para grandes muestras. vienen dados por \ T. Con los valores obtenidos en el Capítulo 5 de op. los límites de confianza para p vienen dados porP ! z"op. "". dondeP es la proporción de éxitos en la muestra de tamaño n. (10) "r. Debe anotarse que una ventaja de la teoría de pequeñas muestra.tS L 975---= vn (t') con el 95% de confianza. los límites de confianza para la diferencia de dos medias poblacionales. .Sr! z"{fl--}s.". t . Comparando (5) con (I) se observa que para pequeñas muestras remplazamoszc por t"."1pmás exacto se da en el Problema 6.196 13ORIA DE ESTIMACION lcAP. t . r"1474.s2 con tal de que las muestras sean independientes. - S. (8) mientras que los límites de confianza p^ra la suma de los parámetros poblacionales son ""nrr*. esexacta) es que S aparece en (5) de modo que la desviación típica puede utilizarse en cambio de la desviación típica poblacional (que generalmente se desconoce) en (l ).s2 : S. o con remplazamignto en una población finita. En general los límites de confianza pÍüa medias poblacionales están dados por y*¡"1 vn (5) donde eI valor f" puede leerse del Apéndice D.

El proceso se ilustra en el Problema 6.or (r6) De esto podemos ver que un intervalo de confianza del98% para la relación de va¡ianzas dos poblaciones viene dada por qlú de las 1S? F.ot y tr'. como las distribuciones normal y ü.02S o2 (12) ^.975 o de manera equivalente -. : P.P.6% del área se encuentra en cada "cola" de la distribución. - Pr. Sin embargo."1=.o2. S$ si. p$na 161. of. INTERVALOS DE CONFIANZA PARA RELACIONES DE VARIANZAS y n con varianzas Sí. *'T donde Pt y Pz son las dos proporciones muestrales. (11) pr y p2 de las dos muest¡as son las proporciones en las dos poblaciones (estimadas por INTERVALOS DE CONFIANZA PARA VARIANZAS El hecho de que nS2/o2=(n-t¡32¡A tenga una distribución chi-cuadrado con n-l gradosde libertad nos permite obtener los límitesdeconfianzaprüa o2 6o.. entonces la variable aleatoria En el Capítulo 5.szs (1 5) con confianza de g5%. En forma semejante ohos intervalos de confianza pueden encontrarse. g 4 Fo.I.S. como la distribución chi-cuadrado puede ser deseable ajustar las áreas en las colas de tal manera que se obtenga el intervalo más pequeño. Si se extraen de'dos poblaciones distribuidas normalmente respectivamente. y Pt V Pz). esto se consigue utilizando colas de áreas iguales. siendo las poblaciones infinitas. Así por ejemplo si denotamos por F. los límites de confianza paÍa la diferencia de dos proporciones poblacionales. = . para distribuciones no simétricas. (17) .ozs (1t ) S{n-7 X.2 X!.n2 son las respectivas medias. Porejemplosi x%rry X?szs sonlos valores de ¡2 para los cuales 2. n - L gndos de libertad. desviaciones típicas y tamaños de las dos muestras extraídas de las poblaciones. extraídas de las poblaciones./4 s?/a s7/"7 A tiene una dishibución F con fr . vimos que si dos muestras aleatorias independientes de tamaños m de vatianzas ol.ozs = (13) De esto vemos que o puede estimarse que se encuentra en el intervalo S\n X. W*"í-üt z"orr_r.cAP. . flt! nz son los tamaños P. entonces un intewalo de confianzadel95% es v2 nS2 ^.F. Generalmente es deseable que la amplitud del intervalo de confianza sea tan pequeño como posible.28. Para estadísticos con distribuciones muestrales simétricas. están dados por Análogamente.ss los valores de F para los cuales 1% del área se encuentra en cada "cola" de la distribución.6l TEORIA DE ESTIMACION L97 'donde Xpopnr y X2.entonces con98% deconfianzatenemos F.

De esta manera hallamos f@.s resueltos ESTIMAS INSESGADAS Y EFICIENTES 6. De una manera semejante podríamos hallar un inten¡alo de confianza del g0% empleando la tabla apropiada en el Apéndice F. puesto que la media de sus dishibuciones muestrales es la media poblacional.e\ffi = o (20) De aquí podemos obtener 0 en términos de r¡. La¡ruíxima uerosimilitud puede obtenerse tomando la derivada deZ con respecto a 0 e igualándola a cero. donde Qr y @¡ ¡on las cuartilas muestrale¡ inferior y superior. --LtSz son dos de tales ejemplos. página 118.F.0) (1e) que se llama la uerosimilitud. son dos de talee ejemplos. (b) insesgados y 3t = . Dar ejemplos de estimadores (o estimas) que sean (c) insesgados no eficientes. Para ilustrar el método suponemos que la población tiene una función de densidad que contiene d-eterminado. (c) sesgados y no eficientes. la función de densidad conjunta para estas obsen¡aciones es un parámetro poblacional.01 "'+ fl*. los igualamos a cero y resolvemos las ecuaciones resultantes simultáneamente. h desviación media y el reconido . El método puede generalizarse.0). Esto vendría dado por r F. d ). . Por tanto. El valor de F.. (¿) La media muestral X y Ia varianz. Sin embargo ambo¡ no son eficientes si se les compara con X. empleamos una técnica conocida como el estímador de móxima uerosimilifud..ss . que se va a estimar por un estadístico L .1.05 p2 a2 (r8) ESTIMAS DE MAXruA VEROSIMILITUD Aunque los límites de confianza tienen valor para estima¡ un parámetro poblacional es conveniente tener un estimador por punto. .zmuestral modificadas f eficientes. Problerna. Los dos son estimadores insesgadoe de la media poblacio- nal. de acuerdo con el Teorema 4-8. xn. f(r".ütr I af(rt|) + 1 0f(r". debida a Fisher.ss se obtiene de la tabla del Apéndice F.198 TEORIA DE ESTMACION lcAP.or €s el inverso de . semi-intercuartílico son cr¡atro de tales ejemplos. .3. (c) fa desviación típica muestral g la desviación típica modificada . por ejemplo g.31 $z o-n o-t - I' .6 Adviértase que F.f(r¡?\ f(n2. . Para este propósito es conveniente tomar primero el logaritmo y luego la derivada. Pa¡a obtener el "mejor" de tales estimadores. Así para el caso donde existan varios parámetros tomamos las derivadas parciales con respecto a cada uno de los parámetros. la función de densidad puede denotarse por f (x. Suponiendo que hay n obsen¡aciones independientes x1 . . (b) La mediana muestral y el estadístico muegtral *(Qt + Qs).ee con los grados de libertad para el numerador y el denominador inyertidos.

Para las cinco medidas puestas en orden de magnitud la mediana es 6. (a) Los límites de confianza del 95% son X t I.96"/\f.93.!1t.3?-6.3).4.3.45 pulgad.35)2 F (6. 4er.37 centímetros. Supóngase que las estaturas de 100 estudiantes de la Universidad XYZ representan una muestra aleatoria de las estaturas de los 1546 estudiantes de la universidad.? = /8. Hallar los intervalos de confianza del (a) 95% y (b\ 99% para estimar la estatura media de los estudiantes de la Universidad XYZ del Problema 6. (o) Del Problema (b) ó.3?-6.36. En símbolos se escribirá P(66. Adviértase que puesto que n es grande.TG pulgadas . ESTIMAS POR INTERVALOS DE CONFIANZA PARA MEDIAS (GRANDES MUESTRAS} 6. los lí¡nites de confianza son 6?. Dar una estima insesgada Problema 6.88 y 68. de la media poblacional).33: Estima insesgada y eficiente dé la verdadera altura Del Problema 5. Se puede.02 pulgadas. Una muestra de cinco medidas del diámetro de una esfera se registraron como 6. - iT $.02 pulgadas es. de la varianza poblacional). 2. (o ) Estima insesgada y eficiente de la verdadera media (es decir. Para la muestra dada 67.02): 0..37. Determinar unas estimas insesgadas y eficientes de (c) la verdadera media.36-6.as y i : 2.6136 s2 Así .88 a 68.88 < p < ti8. = S tr.iroentre s yG.36 cm. Utilizando n : 67.2.45 ¡ + z.45 ! 0. (b) la verdaderavarianza.93 pr¡]Éadas como una estima de o (véase Problema 6.35)2 5-1 0. no hay esencialmente diferencia entre 6. Así.023 es una estima de la verdadera desviación típica pero esta estima no ni eficiente. (b) la verdadera varianza. 6. 95Vc ó 0.2.45 -- 0.88 < tt<68. 6.6l TEORIA DE ESTIMACION 199 6.3.88 y 68.35)2 + (6. n-1" (6.93/V100) ó 67.00055 cm2 Nótese que 0 = /0"00055 = 0.saa = tln ! 2.45 ! 1. y no eficiente del verdadero diámetro medio de la esfera del La r¡ediana es un ejemplo de una estima insesgada y no eficiente de la media poblacional.35)2 2(n-ñ\2 - n-l = = es insesgada + (6.5275) = 8.6136 : y.32 y 6. Esto es equivalente a decir que se tiene un 95% de confionzo en que la media de Ia población (o verdadera media) se encuentre entre 66.336.96. 6. = i2 = . = n .46 pulgadas. (b) Los lfmites de confianza del 99% son X 2. que puede denotarse por 66. 6. pues.96(2.32 6.35)2+ (6.cAP. Determinar unas estimas insesgadas y eficientes de (o) la verdadera media.38: Estima insesgada y eficiente de la verdaderava¡ianza media: t : 67.33.02.ó.95.58-?+ = V100 67. por tanto. el intervalo de confianza del 95% para la media poblacional ¡t es 66. decir que ia probabilidad de que la estatura media de la población se encuentre entre 66.57 pulgadas.58o/tñ.JDani (b) Estima insesgada y eficiente de la verdadera varianza (es decir. JC = .02 pulgadas.

73% para el diámetro medio de G.33.6 Asf.824 0.824t0.824:r0. respectivamente. el área a la izquierda de z:-zce8 también lVo.00b8 pulgadas Los límites de confianza d.69 (¡¡ < 68.g6a = Vn 0-824:t 0.' o^.49. los límites de confianza anteriores se convie:rten en 67. se utilizaría t.00??putgadas t 0.824 * 2. (a) " lok.0.73 pulgadas. srn embargo.6-l (b) S" busca z" tal que el á¡ea desde z : entonces z. de modo que el área sombreada eselgSVo del área Sea z tal que el área bajo la curva normal a Ia derecha de z : z. los límites de confianz¿ del 98% son r ! 23g+ = \/7i Asi 0. Lad medidas de los diámehos de una muestra de 200 cojinetes de bolas hechos por una determinada máquina durante una.E8y.b6 y 0.824=z.sa| = r*z. de modo gue no 6?.96ry = \/200 0. se puede considerar el factor es necesario = 0.21. (b) 9O% y (c'¡ 99. Adviértase que se ha supuesto que la desviación típica dada es la desviación típiez modific¿d¿ i Si la desviación típica dada fuese S. En general. es total.824 t 0.7. : O es Asi pues.O42 pulgadas.gg9!9 = \/zo0 0.645.Hallar los límites de confianza del (o) 55"1. 6.21 pulgadas.0069 pulgadas Fig. z:zc Puesüo que el área total bajo la curva es 1. para n > 30 se puede asumir que s y 3 son prácticamente iguales.ss9 = 0.0049oulgadas t/-zoo sn 0.{ñ= 0.6450'942 = 0. el intervalo de confianza del 997o para la media poblacional ¡r e¡ 66.69 a 68. que puede denotarse por 66.el 99o/.006 Pulgadas .824! 0. : t. Oa z : zc ea O. de aquí que z":2. se supone que la población es infinita o tan grande que se pueda considerar que las condiciones son las mismas que poblaciones finitas si el muesheo fuese con remplazamiento. ñ!3+ \ñ - 0. r.0U89pulgadas.200 TEORIA DE ESTIMACION lcAP.i :.4í. los cojinetes del Problema Hallar los límites de confianza del (a) 98%.45 1 0.824tSL93 = \/zoo .semana dieron una mdia de 0.45 t utiliza¡lo.73V.824 pulgadas y uná desviación típica de O. se habría empleado ?: \/n/@4s = y'200[99s que puede tomarse como i para todos los propósitos prácticos. 6. lugar de Para y muestreo sin remplazamiento. son xtz. v (bl99% para el diámetro medio de todos los cojinetes.el 99.= vn Vn V200 ó 0. (o ) Los límites de confianza del g5% son 6 (b) x t 1. Para obtener los intervalos de confianza.008 pulgadas. Los límites de confianza d.645a (c) .824 ! 0. puee.so! = Vn 0.6..824 t 1.96? como 1. el área desde z eE 0. pues. los límites de confianza del90ak son n!I.82¿!L. Si se utiliza. Entonces por simetría.G.

hallamoat.f I l. arrojó una media de 75 y una desviación típica de 10.06. AsÍ.96.Entonces los coeficientes de confianza pedidos son tú.Tomando o = la estima eerá menor de 0.i=r. se tiene que el error ser6 igual a 0. 6. Puegtoque¡.00.g6ol{n. se puede estar en la confianza del 96% de que el enor de Loe límitee de confianza del 95% ¡on s : el error de la e¡tima l. = * t1. TEORIA DE ESTIMACION 20L es de Al medir el tiempo de reacción..Ze.r¿ -.23 zc h¡estoqueestodebeserigualaTSll.06 pulgadas. Eláreabajolacurvanormal : O t z: 0.t = t. (d) =2.01.58')(0. Entonces los lfmite¡ de confianza del 964o eon . (ó) +2.01 soliamente ¡i n es 167 o mayor.50 2oo-L = 76!2. er decir.10.06)/0. Fig.:n-L:10-1:g.29lO):0.7I 6. (o) Los llmitee de confianza delglovo están dados por.01 ¡i n e¡ 97 o mayor.0452 pulgadaa .26fvéaeet¿mbiénProblema6. (b) Loe límite¡ de confianza del 99% son X t 2.682ó ESTIMAS POR INTERVALOS DE CONFTANZA PARA MEDTAS (PEQUEñAS MITESTRAS) 6.01 si (1. 8e tiene la confianza del99% de que el error de la e¡tima eerá menor de 0. 6-3 6.11.01 : 9.05. (o) ¿Cuáles sonloslímitesdeconfianzadel9Ú% para la estima de la media de las 200 calificaciones? (b) ¿Con qué grado de confianza poüá .8.10(c)].38 + 0. Asf el área ¡ombreada en la col¿ derecha es 0. ¿Cuáles son los coeficientes correspondientes pala la distribución úsi (a) v = 9.05 segundoe. pues.01. Una muestra de 10 medidas del diámetro de una esfera dio una media ñ: 4.9df (b) tos vn N-n A¡-1 = N-n N-1 75 t 1. Los coeficientes de confianza del 96Vo ("d. de aquf que el grado de confianza pedido *162(O. (c'¡ t2.X+r"L .96)(0.8 ó n : 96.siendo 0.21o. Una muestra aleatoria de 50 calificaciones de matemáticas de un total de 200.9Tolfi.gzs:2. (c) v : 30.9.r. Para lo¡ valores de v dados egtos son (a) t Z. (d) t= 60? Pa¡a los coeficientes de confi¡nza del 96% ("doble cola") el área total en la Fig. Halla¡ los límites de confianza para el diámetro verdadero del (o) 96% y (b) 99%.setienequel.2S z"=L6 z"=0.04. Aef. : 166. pues.96+ v50 (10) 200 .81. 1fi = (1.2910.goo*.Entonce¡ utilizando ¡ : 4. 6-8 debe ser 0.04.38 pulgadas y una desviación típica s : 0.05 segundos.orr. . : 20.01 segundos? 0.05)/\. (b).n r1s/t/Á¡.*.cAP. un sicólogo estima que la dewiación típica del mismo (c) .09.38 t 2.38 y c : 0.58o/{i. debe emplearse la fórroul¿ para poblaciones finitas con muestreo sin remplazamiento.e?'.q'-: 200 v50 200-1 = 75 + 1.26 &- Vlo-1 = 4.6 : 0.oble cola") para la distribución normal vienen dados por i1.026 y el valor crítico correepondiente es ú.051/\/n = 0.4.decirse que la media de las 200 calificaciones es 75 r 1? (o) Puesto que la población no es muy gtande en relación con el tamaño de la mueetra.4 60 límitee de confianza pueden repreaentarse por Ítz"ox deede z 68. ¿Cuál es el número de medidas que deberá hacer para que sea del (a) 96% y (b) 99% La confianza de que eI enor de su estima no exceda de 0.96X0. <í n. lo¡ límitee de confianza del96% pedidos eon 4.81 es 0. Entonces (2.

(c) 6.50) Prob( que hob / J--ct t)_p .58)(0. (b) En cada caso.73% parap son 0.27.55.18. Hallar los límites de confianza del (a) 95%.2/z¿y L645 Al comparar con Prob(p > 0. utilizando P donde B = : 0.55 del Problema 6. Para hacer este problema de una fo¡ma más exacta.95.55 para estimarp.38 t 0.O37pulgadas ? donde se ha utilizado la desviación típica muestral 0.88 + 0.ssr(S/tñ-l.06) /\t1. y para tener una confianza del g5% de su elección necesitamos : 0. t 3ú058)16:¡8 10d 0. Puesto que (P . 0. (a ) Los límites de confianza d.88 + g. t.6a5y'i6lBB)Io-75j7i : 0. (a) Soluciona¡ el hoblema 6.55 + 0. Entonces loe límites de confianza del 99lo rcn i t ú. (b) Comparar los resulüados de los dos métodos."-.1. los intervalos de confianza mues¡ras.50.06 como estima de o. (a grandes ) Mediante loe métodos de Ia teoría de grandes muestras los límites de confianza del 95% son X t 1.50 ó n= 27r . Una muestra de 100 votantes elegidos aleatoriamente entre todos los de un distrito dado.446 pr'lgadas. - ó Prob(p > e-Bt/p6-ffi¡ = + J(t t/2r -.= v-n 4.55 = o'55t0'10 donde se ha tomado la proporción muestral 0.88 i g.el95o/o para la población p son P : l.0 = 4. (b) 99%y (c) 99..045 TEORIA DE ESTIMACION lcAP.38 * (2.06/y'10 .06b0 pulgadas y el inüervalo de confianza del99% e¡ 4.96.202 Asf.l = 4.55 '^^ I(0'55)(0'45) :r 1'e6!ff : = 0.58ú6:5EXb:¡BtTdd = Los lfmites de confianza del 99.13. = P t 1. 0D > 0.b0 Entonces.50): 0.15.55 2.96-0-.25.pV" es normal asintóticamente. tenemoe 0.96-9.315 a 4. = 3. ¿Qr'é tamaño de muestra debe toma¡se en el Problema 6.Z5(0.13.qq /lo - 4.55 t 0. 6. J_.38 + 0.426 pulgadas.045 : 4. Esto era de esperarse dada la menor precisión que r¡e obtiene en pequeñas muestras con relación a Las grandes ESTIMAS POR TNTERVALOS DE CONFIANZA DE PROPORCIONES 6. véase Problema 6.049 pulgadas. obtenidos mediante ios métodos de pequeñas muestras o teoría exacta del muestreo son más anchos que los obtenidos por los métodoe de grandes muestras.55 y la estima p : 0.se5 - (b) Para v = 9.13 para que la confianza de que el candidato sea elegido sea del g5% z El candidato se elige si p ) 0. Análogamente. indicó que el 55% de ellos estaban a favor de un determinado candidato.73% para la proporción de todos los votantes que estaban a favor de este candidato.38 4.p')/\/p(l .335 pulgadas y 4.11 suponiendo válidos los métodos de la teoría de muestras.14.l)6or.f) = 4./e(l -p) ¡? V = 0.9ó utilizando el Apéndice C indica que e-Bt/fi-fl/n:0.-'\ r1/pg-p)/n / rB I l-r'-tt'/z¿y t/2.88 r 1. los límites de confianza del 99% son 4. pues. (b) Los límites de confianza del99% parap son 0.L2.6 : se puede estar en la confianza del 96a/o de que el valor ve¡dadero se encuentra entre 4.

En una muestra aleatoria de 400 adultos y 600 adolescentes que veían un cierto programa de televisión.06. dando.BZ a 0.27 da el intervalo de confianza del 95'ib como 0. SustituyendolosvaloresP:24140 = 0.33.. -loi*o'o -"1/"o-"" Los límites de confianza del 9b7o son: 1400 1200 .tr 7. se puede esperar con el encuentre entre 175 y 225 horas.75. 95"/o de = 200 t 24. esperar con confianza d.23. pues. pues.50 ! Pz : 100/400 : 0. (b) Al nivel del 99.58\. se As( pues. Hallar los límites de confianza del (a) 95% y 99% para la diferencia de las vidas medias de las poblaciones A y B. Hallar los límites de confianza d9l (c) 96% y (b) 99.25 = 0./i120)r/15¡+-G0)r400 = 200 + 82.cAP. dando el intervalo 0. En 40 lanzamientos de una moneda.?9.6V n:40 enlafórmula \tF(l=A/.6.83.?4 y el INTERVALOS DE CONFIANZA PARA DIFERENCIAS Y SUMAS 6. el intervalo 0. Así. se obtuvieron 24 ca¡as. pues.6l TEORIA DE ESTMACION 203 6.5B = 0.73% para la proporción de caras que se obtendrían en un ilimitado número de lanzamientos de la moneda. se Así.4 y B son dados por (a) *o. z" = 1. z" = 3. se puede encuentre entre 0.Xn-.el 99% son: 1400 - 1200 12.t 1.60 La fórmula más exacta del Problema 6.Zb + 1.el 99Vo que la verdadera diferencia de proporciones .96/il2OtG0I80)2/100 Así.17 y 0. pues.19 y 0.37 a 0.50 - 0..il3li.25 = 0. PtQt . ae confianza que Ia diferencia'de las medias de las poblrcionee (b) Los límites de confianza d. Los límites de confianza para la diferencia de proporciones de los dos grupoe están dados por 'll1 1t2 dondelossubíndicesly2serefierenaadolescentesyadultos.respectivamente. (a) Los lÍmites de eonfianza del 95Va son 0.g./. intervalo de confianza del 99. PzQz el - O.0g. 6. se tienep = 0.AquíPr:300/600:0. Hallar toi tí-mites ae confianza del (c) 967" y (b) 99% para la diferencia dé propoñiones de todos los adultos y adolescentes que ven el programa y les gusta.45 a 0.el ggVoson 0. se puede esperar con confianza d.73% como 0.31.96. (a) Al nivel del g5o. Una muestra de 150 bombillas del fabricante A dieron una vida media de 1400 horas yuna desviación típica de 120 horas. [-os límites de confianza para la diferencia de medias de. gt= Ptz" t z¡/F(=ffi.. Mediante la fórmula aproximada p = P + 0.el 96% que diferencia de proporciones (ó) Los límites de confianza d. se puede esperar con el 994n de confianza que la diferencia de las medias de las poblaciones se encuentre entre 167 y 233 horas.15. Una muestra de 100 bombillas del fabricante B dieron una vida media de 1200 horas y una desviación típica de 80 horas. se tienep : 0.16.25 son las proporciones respectivas de adolescentes y adultos a quienes les gusta programa.60 + 15.96 La verdadera = 0.25 ! Z.45 a 0.50 encuentre entre 0. 100 adultos y 300 adolescentes dijeron que lei gustaba.

Así. Se utiliza la dewiación típica muestral para estima¡ o.* o".73% la verdadera desviación típica de la población ::o difiera de la desviación típica muestral en más del (c) 6%..r Bo/l-zn Ss/\/Zn. entonces n : = 10.08) = 180.24 ) Los lfmites (c) Loc lÍmites (d) toslfmitesdeconfianzadel voltios.04 V. FfJ voltaje medio de las baterías producidas por una compañía es de 45. utilizando s como una estima de o.08) 0.1 y 112.73% con: 180. 5O%son:180. = 0. Por tanto (véase Tabla 5-1. ee puede esperar con confianza del 99'y'" que la deerüeión típica de la población se encuentre entre 87. La desviación típica de las duraciones de una muestra de 200 bombillas fue de 100 horas.r-= oE.16 voltios. 0. = orr. = 45. Es y Eq representan los voltajes de las 4 baterías.g.6?45(0.ozs..4O pulgadas. * l'a.e75 y st/n/x..f8.8 horas. (a) Loslímites de confianza delgSv" están dados por sy'7/x. (c) 99.4:t0. .08)=180. pues. Así.08 ÉEr+nz+E¡+Eo = 4(45. 46O.19.. Hallar los límites de confranza del (c) 95% y (b) 99"/. Entonces. puesto que /¿rr = lLEt lr'.2L.4 (o) (b Los límites de confianza del95% son: 180. En este caso se aplica la teoría de grandee muestras. Si Er. ¿Qué tamaño de muestra en el Problema 6. donde 2.1 voltioE y dc. el tamaño de la muestra deberá ser 450 o más. 0.el 95Vo que la desviación típica de la población se encuentre ) Al nivel del 99% los límites de confianza son: 100 * 2.9 horas. 82.4 + 2. El valor de 0.96(0. 6.o/yEi. o 6.21 voltios.4 t 3(0.= lr'.58(0. osr* Ez+t:.19.04 volüios. se puede esperar con confianz¿ entre 90.054 voltios se llama error probable. Entonceg el error porcentual de la desviación es 3s/t/-at (¿) Si 300 _ = s. (b) 99%. INTERVALOS DE CONFIANZA PARA VARIANZAS 6. los límites de confianza del 99.58(100)/r/Zbd = 100 r 12.r+r 2+Er+84 = .4 t de confi¿nza del 99. (b)LO%? De igual forma que en el Problema 6.4 t = 180. 6. La desviación típica de las estaturas de 16 estudiantes seleccionados aleatoriamente en un colegio de 1000 estudiantes es 2.20. = 1la1ffiy : 0.1 V y la desviación típica 0. el tamaño de la muestra deberá ser 1800 o más.08) = 180.1) = 180.73"/o para o son S .[4: "'rJ o'r. pues.x {2n 300//t = 5. (b d.4 V r de confianza del 99% son: 180. Así.204 TEORIA DE ESTIMACION [cm.73% y (d) 5O% para el voltaje total. Si se conectan 4 baterías en serie. Y t¡.2 y 109. página 162)loslímites de confianza para la dewiación típica de la población son dados por S * z. Hall¿rr los límites de confianza del (a) 95% y (b) 99% para la desviación típica de la población de tales bombillas.4i0. entonces n 1800.t+ti.96(100)i/200 = 100:tg./nloslímitesdeconfianzason:100 11. de la desviación típica para todos los estudiantes del colegio. hallar lós límites de confianladel (a) g5%.19 deberá tomarse para que con confianza del 99.9. pues. indica el nivel de confianza. oE. (o) Alniveldel 95".4 + 1.0b4voltios. * uotr* l'a. se tiene ltlt+Ez+at+¿o = Fu. (b) Si }OO/\E : Aei pues.

._.sor-79. y St/T/x.' son 100y'2b-0 115.9 y x. y 18 respectivamente halla¡ los límites (o) Tenemos nt = l(t.5 = 91'2 y 100y'200/12'1 = 111'3 horas respectivamente. pfuina 137' x.50.ozs. están dados por Sy'-nlx ors y Sl-n/y. = 15. .26 6 7.40\f-I6/5..2= 115. Este resultado debe compararse con el del Problema 6.3 horas.73 y 2.oe5=5..5 6 x. Solucionar el Problema 6.t-t.19(b). 6.68 y 4.t.9 y 115.14.ee5 Para v y Sy/i/7.1 : 199 grados de libertad.15.50.oos = 72. Por tanto se tiene la confianza del 99/o de que la dewiación típica poblacion¡l se encuentra entre 1..8 ó ¡.9212 : 239 161 = olz02s+V2(199)-1)e =.40\R/2.¡]oor=32.o75 = |{zsrr. x2nzs de donde ¡¡. Paray:16-1:lSgradosdelibertad.el99% están dados por Sy'-nl¡." x%os 1_l . 3? = t=r"i = (lf)rznl = "? = 18 de modo qrre 26.el95')h están dados por Sy'-n.22. (b) Los lÍmites de confianza d. it.n.9 horas. hallamos como en el Problema 4. Entonces los límites de confianza del 95% son 2. Por tanto se tiene la confianza del 95% de que la desviación típica poblacional se encuentra entre 91.9 horas respectivamente.14. X.11. 1. : 200 - 1 : 199 g¡ados de libertad.o .?3 y xz.s¡5=2.= r\ri= (f.SO+19. Por tanto se tiene la confianza del 99% de gue la desviación típica poblacional se encuentra entre 88. Por tanto se tiene la confianza del 95% de que la dewiación típica poblacional se encuentra entre 1.s¡5.6l Para o TEORIA DE ESTIMACION 206 x?ozs = 16- 1 = 15 gradoode libertad. 1.ozs l-l Vz(rssl -r)z = itt.60 ó y.83 y 3.!75= 5.49 pulgadas.9 y 1001800/t2. esto es. x1.40\f-16/2.24 y = 6.19 utilizando la teoría de pequeñas muestras.g = 88.2 y 111.cAP.49 pulgadas. Si se encuentra que sus varianzas son 24 y (b\ 90% para la relación de varianzas. 200 .2. Este resultado debe compararse con eI del Problema 6.92)2 = : \2.)rto = \/ 2o.n25 = 2.40Vf 6 /1.83 y 3'84 pulgadas.oos:4.84 pulgadas. (b) tos lÍmites de confianza del 99\i. s! = 20.5 y Entonces los límites de confianza del 95o/. rz = 10.23. Entonces los límites de confianza del 99% son 100/Eñ6 de donde X sq¡ INTERVALOS DE CONFIANZA PARA RELACIONES DE VARIANZAS 6.r+l/Z[I6Ef-T¡z = jtz. Dos muestras de tamaños 16 y 10 respectivamente de confianza del (c) 98% se extraen aleatoriamente de dos poblacio- nes normales.7.2 a. x?szs = 27. ee decir..19(a).68 y 4./x Para v : sr. Entonces los límites de confianza del 997o son 2.¡¡5.sa+19.24 y 2. (o) Los límites de confianza d.92)2 = 253 lL6.

= (b) Como en (o) hallamos del Apéndice F que confianza del g0% es F.89 de modo que l/F.59.e¡ = 3.47(b). como lógicamente era de eryerarse. ü = \/2ro2 -J- r-<x¡-ü2rzoz L = f(nt. Halla¡ la estima de máxima verosimilitud de la media. ó )("*-p) = o e¡decir )"*-nr p-n 2 an = o (6) A¡f l¡ ectima de márima vero¡imilitud e¡ la media mue¡tral. Por tanto el intervalo de #(ffi) s += 6 0.(ffi) 4.206 IEORIA DE ESTIMACION [cAP. 6.eg oz 6.23. Hallar los límites de confianza del (al 98% típicas del hoblema. 6.z8a =# : = rsee.96 parapl : 16 1 : 15 ! U2 =LO-1 =9 grados de libertad.6?=1=r.24. pl" 'f (r. página 13p.#>@t-pl2 Tomando Ia derivada parcial con re4ecto raL 1:' fr.84 V F. v Q) 90% para la relación de las desviaciones de las desigualdades del Problema 6. . pfui¡1g 19?. = 3)@*-Pl reeulta Q.89. También del Problema 4.os : 1t2.tn1z.) Obsérvese que el intervalo de confianza del9O% e¡ mucho más pequeño que el intervalo de eonfianza del 98Vo. gue tenemos (I) Puesto Por tanto l(rx.23 hallamos los lfmitec de confianza para el (¿) (ó) ESTIMAS DE MAXIMA VEROSIMILITUD o.eo = "..sg<!=z.zt oz 0.e5 2. Si n obsewaciones Xr & se toman de una población distribuida normalmente de la cual se desconoce la media y se conoce la varianza. hallrrmoe para el intervalo de confianza del 98%. tenemos pataUl: 15 y ez:9 grado¡ de libertad f or : 1/3. reculta . Al tomar la raíz cuadrada 98% v el9o%.25.6 Del Problema 4. (#)(ffi3) o.'or¡ g. Entonce¡ utilizando (171.47(d). pl = (2to2)-tt2¿-zbk-r)2t2o2 (z') (r) Fijando íLldp = 0 t¡L = a -f.0.4437 oí = * ('z'6'g)(?q¿. tenemos F ge = 4.

zi n -4nz | +! .6l TEORIA DE ESTMACION 207 6.cAP. z7 n -4ü r+4 n o P (b) Utilizar la fórmula de (¿) para obtener los límites de confianzadel99.0 hallamos Vé¿se Problema 6. = -fi+ uár> @t-r)2 02= 2 (rr - pl2 PROBLEMAS DIVERSOS 6.27.P)/n Los valores mayor y menor de esüa variable tipificada son tzc.TS% delProblema 6. donde z" deüermins el nivel de confianza. La proporción muestral P en unidades tipificadas .) Dividiendo numerador y denominador por 2n.25 ha¡ta la ecuación (2) aplica. tenemos ee i'# Fijando aLl0o2 . queda.26. Si en el Problema 6. todo lo efectuado en el hoblem¡ 6. (a) como la utilizada en el Problema 6.cuyassoluciop son dadas por La fórmula cuadráti.p oP = -1. (c) Mostrar que p¿üa grandes valores de n la fórmula de (c) se reduce a p=P¡2" \FF -nn.e f(x¡. {P(L = *2" p(. Si escribimos f (rx. Entonces tomando la derivada parcial con reqrecto a 02. mostrar que los límites de confianz^ para estimar la proporción de éxitos p en la población a un nivel de confianza determinado poÍ zc esüán dados por p- P +ft* 22 z" P(l-P) . b--(2nP+"7) y c=nP2. En estos valores extremos.63.13.ca p= _6 + 1/@=lo" 2a z"P+27=W 2(n* z7\ 2nP I 22" * ""t/6F(L1VlT7" 2(nI zf. - (2nP I * nPz = 0 Si o=n+z!. (a) Si P es la proporción observada de éxitos en una muesha de tamaño n. estaecuaciónsereduceaafi*bp*c:0."2) en cambio d. se tiene P-P Elevando al cuadrado los dos miembros. por tanto.25 se conoce la media pero se desconoce la varianza.13. se tiene e+ flt "" P(L-PI .L n - pl pz-2pp*p2: (nI nes para zp\p2 "?P# z?lp Multiplicando los dos miembros por ¿ y simplificando. halla¡ la estima de máxima verosimilitud de la va¡ia¡rza. .p).

utilizando de (a). y (b)99dto para la media de las cargas máximas de todos los cables producidos por la compañía.'.el 95"tb Ampütud 2r. 10. (o) Solucionar el Problema 6. La media y la desviación típica de las cargas máximas soportadas por 60 cables (véase Problema 5. zf.¡amente 19. se tienep : 0. etc.100).7s7=15.ge = 15.69 en acuerdo con el problema 6.72642 pulgadas y 0.7 7.0 = 12. horas Una muestra de 10 tubos de televisión producidoe por una compañía.29.2 19. es de g1.o¡r y x e8l.98) están dadas por 11. La media y la desviación típica de los diámetros de una muestra de 250 remaches fabricados per una compañía gon O.8.s2=12. Hallar los límites de confianza del (o) 951/.44. 10. 6. la disminueión en el intervalo que 8e obtiene es comúnmente despreciable y no Probletn. X 032 y X 1¡2. (c) 95% y (d) 90% para el dirimetro medio de todos los remaches fabricados por la compañía.05. Valores Crítico¡ Tabl¡ 6-2 Intervelo de confianza d.s sr¡plernenta. (b) 98Vo. cuya amplitud sea menor que la del Problema 6.9 110.a. de amplitud sol..9 7.8.0 a 110.8 89.00058 pulgadas.6 = 12. X. (c) Comparar la desviación típica muestral con la desviación típicÁ de la población estimada.Entonces. ó 0. .$=12'76.e4 91.7 a Lt3. g. 2g.30 si se obtienen los mismos resultados para 30.55yn:100enlafórmula y 22"/nson despreciables y pueden sustituirsepor cero..=B.e6 : 15. Hallar los límites de confianza del (o ) 99%.208 TEORIA DE ESTIMACION (b) Paraloslímitesdeconfianzadelgg.8 ¡. Determinar estimae insesgadas y eficientee de (o) la media de la población v (b) la varianza de la población.13(a).6. dieron una du¡ación media de 1200 y una desviación típica de 100 horas.?3 20. Las medidas de pesos de una muestra fueron registradas como 8.42 a a 111.2 y 9. respectivamente.r De la tabla se observa que un intervalo del95%.32 92. ¡es=15. respectivamente.40 y 0. de forma 6.7.6 p=0. 50 y 100 tubos de televisión muestreados' (b) ¿Qué se puede deducü de la relación entre las desviaciones típicas muestrales y las estimas de las desviaciones típicas de la población para los diferentes tamaños de mueetra? ESTIMAS POR INTERVALO DE CONFIANZA DE MEDIAS (GRANDES MÜESTBAS) 6.6%.3 91.4 20. pero de tal manera que las áreas en cada cola no sean iguales.O a 110. 8. lcAP.8.Es posible haltar otros límitee de confianza escogiendo valores críticos de X2 gar. 6.a los cuales la suma de las áreas en l¡as colas sea61. Sin embargo.32./Anz que se obtiene la fórmula pedida. Estimar (o) la media y (b) la desviación tÍpica de la población de todos los tubos de televisión producidos por esta compañía. respectivamente (véase Problema 5..TSVo.30.28. y 0.?3 ton.54 ¡. empleando t¡alores críticos tales como justifica el trabajo involucrado. en general.8.4 libras.64. 6'33.09 ton.22(a) fueron obtenidos escogiendo valores críticos de y2 de tal manera que las áreas en cada cola fueran 2.rlos ESTIMAS INSESGADAS Y EFICIENTES 6./zn.z.31. (c) Si n es gtande. En la Tabla 6-2 se indican varios valores críticos y los conespondientes intetwalos de confianza del 95%. entonces zf.22(al? ¿Es posible obtener un intervalo de confianzadelg]c%para la desviación típicapoblacional Loe límites de confianza del 95í para la desviación típica poblacional como se hallaron en el Problema 6.85. Un intervalo con amplitud af¡n menor puede hallaree continuando el mismo método de aproximación x.

Se cree que una elección resultará muy reñida entre dos candidatos.38 onzas los límites de confianza del (c) 95% y (b) 997o para la resistencia real' desviación típica de 1.44. De dos grupos análogos de enfermos A y B formados de 50 y 100 individuos. para que la confianza de que la proporción ¿Qué tamaño de muestra se debería tomar en el Problema 6. HaIIar los límites de confianza del (o) g5%.82 con una desviación típica deO. INTEBVALOS DE CONFIANZA PARA VARIANZAS Y DESVIACIONES TIPICAS 6.80.40 verdadera no difiera de la proporción muestral en más del 6Vo sea (a) del 95Vo.41. (b ) del 99%.41. 6.76 y 0. Si la desviación típica de la duración de los tubos de televisión se estima en 100 horas.24 onzze.46.2?.73V"? 6. (b\ 99% y G\ gg.g9.43.7g% para la proporción real de bolas rojas en la urna. ¿Cuál será el número mínimo de voranües que se deberá mue\trear para quelaeonfianza sea del (a) 8O%. 6. respectivamente. Hallar los límites de confianza del (a) 95% y (bl99% para el tiempo reacción. o. Una r¡rna contiene una proporción desconocida de bolas rojas y blancas.6l' TEORIA DE ESTIMACION límites de confianza del 5O% 209 6.45. al primero le fue dado un nuevo tipo de somnífero y al segundo un tipo convencional. y (b) el error probable para la media de los diámetros del 6. Hallar eI error probable de la desviación típica del Problema 6'46' . dio el 7O% de bolas rojas. 6.73% la confianza de que el error en la media de la duración estimada no exceda de 20 horas? no debe ¿Cuáles serán los tamaños de muestra en el Problema 6. mientras que de 100 cerrojos de otra máquina 12 eran defectuosos. Hallar los límites de confianza del (a) 95%' (b)99o/oy (c) gg . Hallar los límites de confianza del (c) g5%.gg. respectivamente. 0. Halla¡ los límites de confianza del (a) 96%V @)99% para la diferencia del número medio de horas de sueño inducidas por los dos tipos de somníferos. Una muestra de 200 cerrojos producidos por una máquina mostró que 15 eran defectuosos.36 si el error en la duración media estimada superar las 10 horas? ESTTMAS POR INTERVALO DE CONTIANZA DE MEDIAS (PEQUEÑAS MUESTRAS) 6. 6. Hallar los límites de confiánza (a) del 95% Una compañía fabrica cojinetes de bolas que tienen un peso medio de 0.7 Bdn pá.638 libras y una desviación típica de y (b) del 99Vo pata los pesos de lotes de 100 cojinetes cada uno. La desviación típica de resistencia a la rotura de 100 cables producidos por una compañía fue de 180 libras.(b\95%'(c\99% deladecisiónen favor de uno de los candidatos? INTERVALOS DE CONFIANZA PARA DfFERENCIAS Y SUMAS 6.g5. como 0'28.42.3g.a h diferencü de proporciones de cerrojos defrctuosos de las dos máquinas' Estudiar los resultados obtenidos.cAP.30 horas. 0.86.2[horas. 6. Para los pacientes del primer grupo el número medio de horas de sueño fue 7.g?. 0. y una Una muestra de 12 medias de resistencia a la rotura de hebras de algodón dio una media de 7.012 libras.g1 sfoundos. 6. Cinco medidas del tiempo de reacción de un individuo a un cierto estímulo fueron registradas real de 0. 6. (b)g|%t (c)997oV @)59.ParalosdelgrupoB fueron 6. (b)gg%y (c)99J37" para la dewiación típica de todoslos cables producidos por la compañía.3? suponiendo aplicables los métodos de la teoría de los resultados obtenidos.94" Hallar (¿) los Problema 6. Hallar grandes muestras y comparar Solucionar el problema 6. ESTIMAS POR INTERVALO DE CONFIANZA PARA PROPORCIONES 6. ¿qué tamaño de muestra deberá tomarse puüa que sea del (a\96%. Una muestra aleatoriade 60 bolas extraídas con remplazamiento de la urna.33. Dar los resultados utilizando la fórmula aproximada y la más exacta del Problema 6'27.40. (c) del 99.

(d)v : 30' (¿) v: 40? Una compañía tiene 500 cables.52. .(c)v:25. Xn se toman de una distribución de Poisson con parámetro tr desconocido. .(b)v:12. 6. . TEORIA DE ESTIMACION [cAP.55. La desviación típica compañía. del Problema 6. Determinar los intervalos de confianza del (o) 98%v @\gOVapara larelacióndelasdesviacionestípicasdel Dos muestras de tamaños 6 y E respectivamente tienen la misma varianza. Comparar los resultados con los obtenidos empleando la distribución normal. ¿Cuáles son los coeficientes correspondientes para la distribución f si (o) v = 4.57. . .49.62. . . Solucionar el (o) Problema 6. Xn de esta población.58.54 si las muestras tienen tamaño 120 cada una. . . (b) gg% y (c) gg. . INTERVALOS DE CONFIANZA PARA RELACIONES DE VARIANZAS 6.e 24OO libras y una dewiación típica de 150 libras. ¿Considera que las dos muestras del hoblema 6.59.2to 6. Las desviaciones típicas de los diárnetros de los cojinetes de bolas producidos por dos máquinas son 0.54. Hallar Ios intervalos de confianza del (a) 98% y (b) 90% para la relación de Ias varianzas.7T% de que la desviación típica de una población no difiera de la desviación típica muestral en más del 2%? 6. . para la relación de las varianzas de las poblaciones de donde se exhajeron.48. ESTIMAS DE MAXIMA VEROSIMILITUD 6. 6.52 y (b) Problema 6. .6 ¿Qué tamaño de muestra deberá tomarse para que la confianza sea del (a) 95%.54 fueron extraídas de la misma población? Justificar su solución. Si se toman n observaciones. -t 1 r ( -. hallar la estim-a de máxima verosimilitud de z. Una población tiene una función de densidad dada por i@l = 2rt/r/" ¡2s-v*.49 si 25 bombillas tienen la misma desviación tÍpica de 120 horas.25 y 6. Si n observaciones 6.51. límites de confianza del (o) 96'/o y (b)99Eb pa¡a la desviación típica de todas las bombillas fabricadas Solucionar el Problema 6.61. 6. .56.60. de la du¡ación de 10 bombillas fabricadas por una compañía es 120 horas.e 11. 6.042 cm y 0. . Una población tiene una función de densidad dada por 8e toman n observaciones l(r) = l^0 [ Si se toman n observaciones X1 .58. .53. (o) ¿Cuáles son los límites de confianza del 951/o y 99% para estimar la media de la resistencia de rotura de los 460 cables restantes? (b) ¿Con qué grado de confianza podríamos decir que la media de la resistencia de rotura de los 460 cables restantes es de 2400 1 35 libras? ¿Cuál es el intervalo de confianza del 957. 6.26? Explicar.62. En una prueba de 40 cables seleccionados aleatoriamente resulta una media de la resistencia de rotura d. . Si Xr. .50. 6. Solucionar el Problema 6. Xn de una población distribuida normalmente con media ¡l y varianza ¿Pueden determinarse estimas de máxima verosimilitud de ¡t y o2 en términos d. 02 desconocidas.63. . basados en muestras de tamaño 10 cada una. X1. Hallar los igr la 6.035 cm respectivamente. Hallar el estiniador de máxima verosimilitud de ).49 utilizando la distribuciíny2 si una muestra de 100 bombillas tiene la misma desviación típica de 120 horas.. .51 que tiene la menor amplitud? 6. [(A'+t)st 0<¡:<1 de otra forma Xn de esta población hallar la estima de máxima verosimilitud de h. . X¡. . hoblema 6. Los coeficientes de confianza del 999á ("doble cola") para la distribución normal están dados por 12. 6.. Hallar los intervalos de confianza del (o) 98% y (b)907. 6.? ¿Son lc mismos a los dados en los hoblemas 6. PBOBLEMAS DIVERSOS 6. r.

si un suero nuevo es realmente efectivo para la cura de una enfermedad. hipótesis se llaman también hipótests fluctuaciones en el muestreo de la misma po y se denotan por flo . Si se rechaza una hipótesis cuando debería ser aceptada. se formula la hipótesis de que no hay encia observada se debe meramente a diferencia entre ios procedimientos (es decir. donde p es la probabilidad de cara.Unahipótesis alternativa de la hipótesis nula se denota por Ilt . si en 20 lanzamientos de una moneda se obtienen 16 caras. p : 0. etc. ensoyos de significación o reglas de decisión. a Muy a menudo.Capítulo 7 Ensoyo de hipótesis y srgnlllc(Iclon DECISIONES ESTADISTICAS t cJo .7. Tales decisiones se llaman decisiones estadísticag Por ejemplo. si una moneda determinada está o no cargada.5. Los procedimientos que facilitan el decidir si una hipótesis se acepta o se rechaza o el determinar si las muestras observadas difieren significativamente de los resultados esperados se llaman ensayos de hipótesis. En muchos casos se formulan las hipótesis estadísticas con el solo propósito de rechazarlas o invalidarlas. se puede querer decidir a partir de los datos del muestreo. aunque sería posible que fuese un rechazamiento enóneo. se estaría inclinado a rechazar la hipótesis de que la moneda est:á bien.hipótesisalternativassonp:O. si se quiere decidir si una moneda está cargada. Análogamente. en la práctica se tienen que tomar decisiones sobre poblaciones.56p>0. Por ejemplo. nulns Cualquier hipótesis quedifiera de una hipótesis dada se llamahipótesis alternatiuc. se formula la hipótesisde que la moneda est. se dice que se comete un 277 . es decir.p#O. HIPOTESIS NULA Para llegar a tomar decisiones. en general. Por ejemplo. lo son sobre las distribuciones de probabilidad de las poblaciones. se diría que las diferencias observadas son significatiws y se estaría en condiciones de rechazar la hipótesis (o al menps no aceptarla de acuerdo con la I Y TIPO II /. si un sistema educacional es mejor que otro.á bien. se encuentra que los resultados observados en una muesha aleatoria difieren ma¡cadamente de aquellos que cabía esperar con la hipótesis y con la variación propia del muestreo. partiendo de la información muestral de las mismas. se dice que se comete vn error del Tipo se acepta una hipótesis que debería ser rechazada. ERRORES DE TIPO Si en el supuesto de que una hipótesis determinada es cierta.5. Tales supuestos que pueden ser o no ciertos se llaman hipótesis estadísticas y. Por ejemplo. ENSAYOS DE HIPOTESIS Y SIGNIFICACION evidencia obtenida). HIPOTESIS ESTADISTICAS. conviene hacer determinados supuestos o conjeturas acerca de las poblaciones que se estudian. siunahipótesis-esp:'0. Si por el contrario.5. si se quiere decidir sobre si un procedimiento es mejor que otro.

Como se indica en la figura. lo que quiere decir que es un suceso con probabilidad de solamente 0. la probabilidad de cometer error del Tipo I.7-l Sin embargo. En la práctica se acostumbra a utilizar niveles de significación del 0.96 a 1. En la práctica. por ejemplo se elige un nivel de significación del O.96 a 1. un tipo de error puede tener más importancia que el otro.95).1.05 es el nivel de significación del ensayo. de modo que los resultados obtenidos no influyen en la elección.1. se está con un 95% de confianza de que se toma la decisión adecuada.. Si. si la hipótesis es cierta.05 si la z obtenida para el estadístico S se encuentra fuera del recorrido .05 6 6"/. ? II.)/o. lo cual puede ser o no ser posible. es una normal tipificada (media 0. Esto no es tah sencillo como pueda parecer puesto que para un tamaño de muestra dado.96 a 1. De acuerdo con lo dicho hasta ahora.96 (es decir. y así se tiende a conseguir poner una limitación al error de mayor importancia.96 y 1. entonces hay aproximadamente 5 ocasiones en 100 en que se rechazaría la hipótesis cuando debería ser aceptada. NIVEL DE SIGNIFICACION La probabilidad máxima con la que en el ensayo de una hipótesis se puede cometer un error del Tipo I se llama niuel de significacíón del ensayo. ENSAYOS REFERENTES A LA DISTRIBUCION NORMAL Pa¡a aclarar las ideas anteriores.96 ó z 1.O5. se puede estar con el 957o de confianza de que. ENSAYOS DE HIPOTESIS Y SIGNIFICACION [cAP.. Entonces puede decirse que esta z difiere signifícatiuamente de la que cabía esperar bajo esta hipótesis y se estaría inclinado a rechazar la hipótesis.96 (puesto que el área bajo la curva normal entre estos valores es 0. generalmente se fija antes de la extracción de las muestras.05 o que la z obtenida del estadístico muestral dado es significatiua al niuel de significación del 0. .05 (área sombreada de la figura) si la hipótesis fuese verdadera.96 a 1. debe diseñarse de forma que minimice los errores de decisión.96 podía entonces llama¡se región de aceptación de h hipótesis o región de no significación.96. 7-1.. La única forma de reducir al tiempo ambos tipos de error es incrementar el tamaño de la muestra. Esto equivale a decir que el estadístico muestral observado es significativo al nivel del 0.96 constituyen lo que se llama región crítica o región de rechace de Ia hipótes¡'s o región de significación.1.212 error del Tipo da.05 ó 0. En cualquiera de los dos casos se comete un error al tomar una decisión equivoca- Para que cualquier ensayo de hipótesis o reglas de decisión sea bueno. es decir. Así pues. El área total sombreada 0.05. ¡--lglj . varianza 1) y se muestra en la Fig. Entonces la distribución de la variable tipificada dada por Z : (S ¡.lo que significa que se puede cometer error con una probabilidad de 0.=lD6 I'ig.O6El conjunto de las z que se encuentran fuera del rango -1.01. supóngase que con una hipótesis dada.05. se puede formula¡ la siguiente regla de decisión o ensayo de hipótesis o signi{icación: (o) Se rechaza la hipótesis al nivel de significación del0. se dice que la hipótesis se rechaza al niuel de significación del0.96). z > I. un intento de disminuir un tipo de error. al diseñar un ensayo de hipótesis. si al elegir una muestra aleatoria se encuentra que z para ese estadístico se halla fuera del recorrido . Esta probabilidad se denota frecuentemente por o. la distribución muestral de un estadístico S es una distribución normal con media p" y desviación típica o". va generalmente acompañádo por un incremento en el otro tipo de error. aunque igualmente pueden emplearse otros valores. el valor de e obtenido de una muestra real para el estadístico S se encontrará entre 1.El conjunto de lasz que se encuentran dentro del recorrido . En tal caso se dice que la hipótesis ha sido rechazada aI niuel de significación del O.1. Representa la probabilidad de rumeter error al recbazar la hipótesis es decir.

08 ENSAYOS ESPECIALES DE SIGNIFICACION PARA GRANDES MUESTRAS Para muestras grandes. que da los valores críticos de z para ensayos de una y dos colas a distintos niveles de significación. media poblacional.cAP. los resultados son para poblaciones infinitas o para muestreo con remplazamiento' Para muestreo sin remplazamiento de poblaciones finitas los resultados deberán modificarse.33 ó -2. Tales ensayos se llaman ensayos de una cola o ensayos unilaterales.6 1.la X-. Debe ponerse de manifiesto que puedgn igualmente emplearse otros niveles de significación. aceptaríamos -EI6 de que la media poblacional es p : o utiliza¡íamos el estadísti-EÍe (o al menos no lo . Si4 embargo. utilizando un ensayo de dos colas.. La Tabla 6-1. Véanse páginas 158 y 160.28 1. tales ensayos se llaman ensayos de dos colns o ensayos bilaterales. Entonces.58 y -2. Tabla 7-1 Nivel de significación o Valores críticos de z para ensayos unilaterales Valores críticos de z para ensayos bilaterales 0. es decir.7l / ENSAYOS DE HIPOTESIS Y SIGNIFICACION 2L3 (b) Se acepta Ia hipótesis (o si se desea no se toma decisión alguna) en caso conhario. si se utilizase el nivel del 0. tss =. 1.-: ú1V11.58 2.005 0. Medias. Los co. = op: o/1/i.96 y -2.96 1. En cada caso. es decir.645 cí 2. Por ejemplo. Para ensayar la hipótesis nula (f) co (I ). Z = -. en las dos "colas" de la distribución. página 195. con frecuencia se puede estar solamente interesado en los valores extremos a un solo lado de Iá media.05 001 45 0. será de utitidad para propósitos de referencia. como por ejemplo. La Tabla 7-1.96 en todo lo visto anteriormente por 2.28 ó -1. con área igual al nivel de significación. puede también emplearse. donde o es la desviación típica poblacional y n es el tamaño de la muestra. En tales casos.01 se sustituiría 1. Por esta raz6n.58 ó -2. o. en una "cola" de la distribución. media muestral. cuando se está ensayando la hipótesis de que un proceso es mejor que otro (que es diferente a ensayar si un proceso es mejor o peor que otro).88 2.08 y 3. Ia región crítica es una región a un lado de la distribución.645 y 1.81 2. puesto que la suma del nivel de significación y el nivel de confianza es L00%.. ENSAYOS DE UNA Y DOS COLAS En el ensayo anterior se atendía a los valores extremos del estadístico S o su correspondiente z a ambos lados de la media.33 -2. La variable tipificada viene dada por Aquí S : X.10 0.58 2. Cuando es necesário se utiliza la desviación muestral observada s (ó G). Valores críticos de z para otros nivelei de significación.002 ó -t.i: ¡t.58 (véase Tabla 7-L).88 y -1.8I -3.645 1. se pueden encontrar utilizando la tabla que da las áreas bajo la curva normal. para estimar o. las distribuciones muestrales de muchos estadísticos son distribuciones casos' se pueden típica a !s V casi normales ótesis y significan o en reglas ante utilizar lo de interés práctl de los ente u asos ción.

. utilizar las desviaciones típicas muestrales sr V sz (ó 0t y 3._ = Xr-X" \. (5) se convierte (6) Z= X-np \nLPrI Consideraciones semejantes a las hechas anteriormente para medias pueden hacerse. Proporciones. La variable tipificada viene dada por z: En el caso de que P .-'.e6 y lo rechazaríamos por el contrario.-X2-0 z _:.. . Sean Xr V iz las medias muestrales obtenidas en dos muestras gtandes de tamaño nt y nz extraídas de poblaciones respectivas qqe tienen de media lt y ttz y desviaciones típicas ot y oz. página 159. como estimas de or y 02.05 si (véase Tabla 7-1). Para ensay¿ü la hipótesis de que la media poblacional es menor que a acepta- iñ 2. de éxitos en la población (4) Aquí S : P. la proporción de "éxitos" en una muestra.05 si ry olVn ríamos. 3.05 si p¿üa una muestra específica de tamaño n con media r (2) -1. aceptaríamos Ilo (o al menos no la rechazaríamos) al nivel 0.. Para otros niveles de significación cambiaríamos (2) apropiadamente. lt : !z.EIo al nivel 0. Considérese la hipótesis nula de que no hay diferencia entre las medias poblacionales.e6 = "ñ+ = 1. Entonces. = 0 O:.. '\ l x2 (7) ¡ donde se puede. es decir.*r_*..2I4 ENSAYoS DE HIPoTESIs Y sIGNIFIcAcIoN lcAP. 18) de una manera semejante a la descrita en la Pa¡te 1 se puede ensayar la hipótesis nula contra la hipótesis alternativa (o la significación de una diferencia observada) a un nivel de significación apropiado. donde e : ! . ¡r" : ltp : p. donde X en es el P-p \/pql" (5) número real de éxitos en una muestra.De (//). haciendo gr : Irz s€ ve que la distribución muestral de la diferencia de medias se distribuye aproximadamente como una normal con media y desviación típica dadas por . Diferencias de medias. utilizando un ensayo de una cola.p. donde p es la proporción y n es el tamaño de la muestrsi o" : o. Con la variable tipificada dada por X.r.= X/n. Para ensayar la hipótesis de que la media poblacional es mayor que o utilizamos aun la hipótesis nula I/o de que es igual a a. ? rechazaríamos) al nivel 0. : ltulln. si es necesario.

: X-¡.t. haciendop. Con la variable tipificada 2 v _ Pt-Pz-O "Pf \ Pt-Pz oPf P. (10) se puede ensayar las diferencias observadas a un nivel de significación apropiado ensay¿u la hipótesis nula. como Ia ú de Student. se ve que la de pioporciónes se distribuye aproximadamente como una dadas por traldeladiferencia y desviación típica (e) Itn. página 159. Para ensayar la hipótesis IIo de que una población normal tiene de media ¡r utilizamos q1 . F. 1. excepto que se utiliza 3:tftl@=TS enlugardeo. página 162). r" : 0 donde P = orr-*. = t. Sean P1 De (JJ). respectivamente. y así lasmuestras son realmente extraídas de la misma población. ENSAYOS ESPECIALES DE SIGNIFICACION PARA PEQUEÑAS MUESTRAS En el caso de pequeñas muestras (n < 30) podemos formular ensayos de hipótesis y significación utilizando otras distribuciones además de la normal.n" 1 donde r¿rS? r¿r+n!-2 + n:S:2 (1 2) . Considérese la hipótesis nula de que no hay diferencia entre los parámetros poblacionales. Ensayos de hipótesis semejantes a los de las medias en la página 213 pueden hacerse empleando valores críticos de ú en cambio de valores críticos de z. de poblaciones normales cuyas desviaciones típicas son iguales (ot: o2).. Estas distribuciones incluyen la teoría de muestreo exacto y lógicamente son válidas aún cuando las muestras son grandes. chi-cuadrado. etc. Los siguientes son algunos ejemplos. Para ensayar la hipótesis I/o de que las muestras provienen de la misma población (es decir. : pz: P. 2. Medias.t para grandes n. es decir. Diferencias de medias.cAP. 7l ENSAYOS DE HIPOTESIS Y SIGNIFICACION 2L6 4. X: y Sr ¡l 52 . Supóngase que se extraen aleatoriamente dos muestras de tamaños nr Y n.T. Pt : trz lo mismo que 01 : sz) se utiliza el valor de ú dado por T- Xt-Xz 11 "\l nr. y P2 las proporciones muestrales de dos grandes muestras de tamaños txt Y ttz extraídas de poblaciones respectivas que tienen proporciones pr V p2 . $upóngase también que estas_dos muestras tienen medias y desviaciones típicas dadas por X. Diferencias de Proporciones. y de este modo Ensayos referentes a otros estadísticos pueden diseñarse análogamente. p1 : p2. en cuyo caso se reducen a las dadas anteriormente. (véase Tabla 5-1. _s-6-: X-l ?/t (1 1) donde es la media de una muestra de tamaño n. ? sigue una distribución de Student.- se utiliza como una estima de la proporción poblacionalp. Los resultados también pueden emplearse cuando la distribución no es exactamente normal pero tiene una curva de distribución en forma de campana. La tipificada t =:# X diferencia estriba en que mientras Z se distribuye normalmente. Esto es análogo al utilizar la variable A X-.

.01 u y la rechazaríamos de otra forma. s2. Entonces. página 159.05 si X. aceptaríamos. (o al menos no la rechazaríamos) en el nivel 0.. Relaciones de varianzas. es decir = o3.1 grados de libertad. (/8) y lo rechazaríamos en el caso contrario. . fuera tal que nsz t2 y aceptaríamos IIo (o al menos no la rechazaríamos) de otra forma. pero entonces emplearíamos un ensayo de una cola. y después utilizar como estima de o2 la media ponderada (n. Para ensayar la hipótesis H.1. es correcta) si la varianza muestral específi- ca. de que la varíanza poblacional es mayor que o2 emplearíamos la hipótesis rilo .. basados en el ensayo de dos colas. Entonces si una muestra aleatoria de tamaño n tiene varianza s2 aceptaríamos flo .10 si Fo. Un resultado otro nivel. cuyas varianzas medidas son sl y sr2. . En este caso utilizamos el estadístico (véase página 161) F= donde (16) fi. provienen o no de la misma población normal.1)^ii + fn.3¿ son estimas insesgadas de oi combinar los datos. primero anotamos que F en (16) tiene la distribución F con fr . Por tanto rechazaríamos Hs. sí sí = F'o. Varianzas. Esta es la uarianza 3.t. n . El empleo de (12) está plenamente justificado al hacer o.s'.s? + + n. Bajo esta hipótesis (16) se convierte en "! F::-l q2 q2 \. * n. por ejemplo. En algunos problemas deseamos decidir si dos muestras de tamaños m y n respectivamente. . en el nivel 0.) (17) Para ensayar esta hipótesis al nivel 0. 4. Procedimientos semejantes empleando ensayos de una cola pueden formularse en el caso que deseemos ensayar la hipótesis de que una varianza poblacional determinada sea mayor que otra. combinada obtenida al donde ^31 t . fi son las varianzas de las dos poblaciones normales de donde se extraen las muestras. Para ensayar la hipótesis 116 de que una población normal tiene varianza o2 consideramos la variable aleatoria (13) que (véase págrna 161) tiene la distribución chi-cuadrado con n . utilizando un ensayo de dos colas.1 grados de libertad. Si ¡/o denota la hipótesis nula de que no hay diferencia entre las varianzas poblacionales.oz : o en(12).'oz¡ o<nsz< (14) semejante puede obtenerse para el nivel 0. y o!.05 (y por tanto concluiríamos que f/. . t La distribución de ? es una distribución de Student conv: n.0.J)9j 1) + (nz -1)-- l' n.2L6 ENsAyos DE HrporEsrs y srcNrFrcAcroN / Se'tt. -2 gradosde'libertad. (rz' .t n.EIo (o no la rechazarí4mos) en el nivel 0.

Es a menudo en la práctica AJUSTE DE LAS DISTRIBUCIONES TEORICAS A DISTRIBUCIONES DE FRECUENCIA MUESTRALBS Cuando se tiene algiuna indicación sobre la probabilísticos u otra causa. poüíamos realmente emplear el intervalo de confiaíza del Capítulo 6 para e¡¡sayar ttipótesir. POTENCIA DE UN ENSAYO Se ha visto cómo el error del Tipo I pued. Los gróficos de control suministran un método útil y sencillo para tratar tales problemas (véase Problema 1.cAP. Es posible evitar el riesgo de error < nunca la hipótesis.05 es eq pigtm 195 conducente al intervalo de confianzadel96"/o se puede obsenrar que existe u eoría de ejemplo.el aiuste de las distribuciones teóricas a las distribuciones muestrales es esencialmente el mismo que ál de decidir si hay diferencias importantes entre los de significaclón imporüante para la bondad del valores cle la población y la muestra. qué tamaños de muestras deben emplearse.32 y 7. r a¡ la bondad d. 7l ENSAYOS DE HIPOTESIS Y SIGNIFICACION 2t7 R.33. Sin embargo.29). El método utilizado general: típica de la muestra para estimar la media y des 7.136 y también Problema 6. CURVAS CARACTERISTICAS DE OPERACION. en muchos casos utilizan a menudo curuos característícas de Ia opet las probabilidades de errores del Tipo II bajo dife cómo en ensayos dados se logra minimizar los errt ensayo para evitar el toma¡ decisiones equivoci mostrar.elo vn vn Por tanto. el enmyo chi-cuadrado. se describe más adelante. significación. por ejemplo. El problema de ensay En un intento para determina¡ si una distribución normal representa un buen ajuste para datos dados.7. como a veces se le llama (véase Problema 7. A pesar de que la necesidad de tales intervalos es rara' es posible definirlos (véase Problema 7. conviene utllizar papel grófico de curua normal o papel grófico de probabilidad. . donde s camb se deben simplemente a fluctuaciones causa de deterioro en las máquinas. Un resultado semejante para_ ensayos de una cola requeriría intervaloi de confianza unilateralás. etc. GRAFICOS DE CONTROL DE CALIDAD importante conocer cuándo un proceso ha cambiado suficientemente. érrores de los empleados.14). (/ ) en la (1e) ñ _ L. la si de modo que puedan darse los pasos rápid ejemplo en control de calidad. Útt "trrayo ajuste de distribuciones teóric as. al menos en el caso de los ensayos de dos colias.31).ELACION ENTRE LA TEORIA DE ESTIMACION Y ENSAYO DE HIPOTESTS las estimación notamos q De alos de confianza y la teoría de en aceptar flo en el nivel 0.30. es posible frecuenten llamadas "modelos" o distribuciones "esperadas") tras de la población.

. La clave para la posible generalización del estadístico (6) que poüía medir las discrepancias existentes entre las frecuencias observadas y esperadas en la Tabia 7-2 * obtiene al eleva¡ al cuadrado el estadístico (6) y escribiéndolo como 22 = (X . ? ENSAYO CHI. .9n" generalización al c bilidades Pt . npp respectivamente.os.éxitos. La frecuenci¡ observada en la muestra podrfa lógicamente ger diferenüe. son todae . . p entonces la frecuencia esperada de caras (éxitos) es np : (1OOX1/2) : 50. Fz . : Il2. A.Si obtenemos una muestra de 100 lanzamientos. 2. uencias caras q .. p6 t€ y todas ig lógicarnen ente y = 120. speradas estarí e hace en la Ta sucesos posibles Ar. : n-X1 es lavariable aleatoria asociada con "fracaso"...!-n " = í-=t nP¡ (28) .2- Si obtenemos una muestra de 120 lanzamientos de un dado honrado. ..nP\' = (Xt. .. . _ página 113). Si . de modo que Xt*Xz+"'+Xr=n Una expresión equivalente a (21) es k¡22' (22) x2 ). . . .de una moneda honrada.np)2 * npq np (Xz nq - ne)2 (20) donde Xt = X es la variable aleatoria asociada con . X¡ (cuyos uencias observadas para la muestra). en tanto que . x2. . . : 20. Nótese que ng en (20\ es la frecuencia obsen¡ada de iraca. de modo que n as l.Unvalor tanto que np se llama la fteóuencia esperad At. . y X.. das La forma del resultado (20) sugiere que una medida de la discrepancia entre frecuencias observay esperadas para el caso general se suministra por el estadísfico x.CUADRADO PARA LA BONDAD DEL AJUSTE )s" en una muesha de tamaño n extraída de una acional p de éxitos. hemos utilizado el estadístico s sucesns A 1 en pyq-1-p.. A¿ con probacaso tenemb. = (Xt:-!t?t)z n?t * (xz-nqz\2 .(x¡-np¡\z np (21) donde la frecuencia total (es decir el tamaño muestral) es n. Az pueden obserwdn para el suceso EJEMPLO 7'1. Los resuitados pu"den ir k Tabla 7-2 Suceeo A1 X1 A2 42 Ak X¡ Frecuencia observada Frecuencia esperada nPt npz npk EJEMPLO 7. nPz + (xn-npn\z '- nPr t?. An os 11. La¡ 20)(t) rentes.. . . unapoúíac¡ón muit¡i-omial'(véare io n de esta poblacibn las frecuencias obsen¡adas por las variables aleatorias Xr. extraemos At.2r8 EI{SAYOS DE HTPOTESIS y SIGNIFICACTON lcAP. . Pk. $. de modo que n : lO0.

. La suma de todas las frecuencias obsenadas se denota por n y es igual a la suma de todas las frecuencias esperadas [comparar con la ecuación (22)1. que son los valores crít -se deduce que las frecuencias mente). es decir. .L . de Poisson. se . aq con cierto recelo. los símbolos X¡ Y nP¡ representan respectivarnente las frecuencias obsenradas y esperadas en la casilla i. El número de gradosrde libertad z está dado por (a) v : h . las esperadas. la fiecuencia restante puede ser determinada. Adviértase que el restar 1 a k es a causa de la óondición restrictiva (221 que denota que si son conocidas k . se calcula el estadístico (2tt\ x2 = ?g#a donde la suma se extiende a todas las casillas de la tabla de contingencia.re ócupan ias corliilas de uná t tales.ENSAYOS DE HIPOTESIS Y SIGNIFICACION Si v2 : 0.-Este procedimiento se llama ensayo o prueba de ehi-cuadrado de la hipótesis. cero debe mirarse demasiado bien con ncias obiervadas concuerden en que x2 estÉ muy próximo Además de aplicarse a la distribución multinomial.| si las frecuencras esperadas pueden calcularse sin tener que estimar parrámelros poblacionales con los estadísticós muestrales. paíá examfuia¡ tales situaciones se puede determinar si el valor calculado 4" I' ": -"noi eue ¡2". ó Xl. las frecuencias esperadas se calculan de acuórdo con una hipótesis flo. A valores mayores de y2. mientras que si ¡z.j*h a distribuciones empíricas.) 0. la prueba chi-cuadrado puede-ser empleada para determinar de qué forma distribuciones teóricas talés como la normal. d.01 respectivamente. c aproxima muy estrechamente ción mejora iguales a simbolo en (-21) si las frecuen para los valores superiores.. La frecuenciá total de cada fila o columna es la llamada frecuencin marginalPara estudia¡ el acuerdo entre las frecuencias observadas y esperadas. contiene hh térmnos. en cuyos casos se decide que i" concordancia es bastante buena a los niveles de significación de 0. etc. aquellas que se obtienen de los datos muestrdes.m si las frecuencias esperadas solamente pueden calcularse estimando m parámetros de la población a paftir de los estadísticos muestrales. por (21) se muestral a Como se demuestra en el elección de or tanto. Esta suma que es análoga a (21). (blv : k . mayores son las discrepancias entre las frecuencias obsen¡adas y esperadas. pu-esto queDebe advertirse que en a. hay un-a y según las reglas de probabilidad' o esperada gue se calcula bajo ncia se llaman frecuencías elemen' q. rechaza llo al nivel de significación correspondienl rechazará.Si bajo esta hipótesis el valor calculado de x' como xf. en las que las fre tabla de clasifict¡' tabhs gencia.e contin- Correspondiéndose con cada fiecuencia obsen¡ada en una tabla de contingenciahX k. TABLAS DE CONTINGENCIA (léase "1por h"). las frecuencias observadas y esperadas concuerdan exactamente.1 de las frecuencias esperadas.. Véase Problema 7.44.05 a 0. En la práctica. ó ¡f. no toinciden exactamente.r.

Una corrección análoga cuando se utiliza la distribución chicuadrado-. Así por CORRECCION DE YATES PARA LA CONTINUIDAD .*!4t_"p_4.7 .48. . La corrección consiste en poner (21) coimo sigue "r "pii""uié ¡2 (corregida) = tL\-g!)- !'5Y * !4-grP +. se pueden tener tablas h X h X I donde estén presentes 3 chsúicaciones. ? I estad de Y de es tal (a) v :..62. A mayor valor de Q mayor es el grado de asociación. k il por (b) u : (h. (h .Los ensayos de significación para tablas h x h son análogos a los de las tablas 1 X k. Para.ü nPr En general.t.esperadas pueden calcularse sin tener que estimar -parámetros ooblacionales con los estadísticos muestrales.220 ENSAYOS DE HIPOTESIS Y SIGNIFICACION lcAP.L)(k .L27\.6g y 1.1F nz si las frecuencias observadas pueden solamente calcularse estimando m parámetros poblacionares con los estadísticos muestrales. . Una tripótesis normalmente supuesta es la de que las dos clasificaciones son independientes enhe si.. asociación o dependencia de las clasificaciones en una tabla de contingencia está dada por (26) que se llama coeficiente de contingencia.rytc (véanse problemas 7. Si el número de filas y columnas de una tabla de contingencia es ilrrh ah.L\q 1) si las frecuencias-. Et númeró áé É dado para h > l.rtt" pr.. la corrección se hace solamente cuando el @s) se conoce frecuentemente como corrección de Yates. Las frecuencias esperadas-son halladgf bajo una determinada hipóteiis llo. En COEFICIENTE DE CONTINGENCIA Una medida del grado de relación. Las tablas de contingencia pueden extenderse a un número mayor de dimensiones. También existe una modificación análoga de (24). el máximo valor de c viene dado por 1frn .Cuando se aplican a datos discretos los resultados para distribuciones continuas deben hacerse ciertas correcciones. como se ha visto en capítulos ant-eriores.ráU" de esto véase el Problema 7. que no es nunca superior a uno. ión muestral muy próxima a la distribución no sean demasiaáo pequeñas. El número de filas y columnas de la tabla dg contingencia determina el valor rñáximo de C. ejemplo. número de grados de libertad es z : 1.

probabilidad de error del Tipo I) se llama níuel de significación d.L0 y 210. (c) ¿Qué conclusiones se sacarían si en la muestra de 100 lanzamientos se obtuviesen caras? ¿60 caras? (d) ¿Podían ser erróneas las conclusiones de (c)? Explicar.1.I0 Probabilidad pedida : : área bajo la curva normal e¡tíe z: 2(áreaentre z: O y z: -2.. está representado por el área total sombreada de Ia figura. Si en una serie de 100 lanzamientos sg obtiene una z entre -2. se acepta la hipótesis.lO 2.. \ql . uo Pueeto que np o-{ffi=['r{ffi=' = _2. /1Y.0358. Entonces la probabilidad de rechazar la hipótesis cuando es correcta : 0. cuando debería aceptarse q el error del Tipo. ambos inclusive. el área total sombreada (es decir.'| rrx'ti'\r/ /tY' \-/ \-/ \-/ \-/ \-/ La media y la desvi¿ción típica del nf¡mero de ca¡as en 100 hnzamientos vienen dadas por t..10) 7.0358.5 .0358 6 3. 39. (b) Interpretar gráficamente la regla de decisión y el resultado del apartado (c). puede utilizarse para la er¡aluación de la suma anteriqr la aproximación normal a la distribución binomial.) +'noc.'lóJ /1Yo . 7-2./lY' (.0358 del apartado (o).9642 : 0.10 y nq son ambas mayores de 5. Por esta razón.e la regla de decisión y es igual a 0. Región de recbace ? El error que se puede cometer de rechazar la hipótesis (39.I de la regla de decisión y la probabilidad de cometer este error es igual a 0. La regla de decisión se ve gráficamente en la Fig. ?] ENSAYOS DE HIPOTESIS Y SIGNIFICACION 22r Problema./ 1" (. -.0358 en este casc. la probabilidad pedida es /1\'t0 'oocoo( i) /r \6r' .5 ca¡as) = 2 l0 Si en una serie de 100 lanzamientos se obtiene un número de caras cuya z se encuentra en las regiones sombreadas.tp = 1oo(.5. de otro modo se rechaza y se decide que la moneda no está bien hecha. cuando en realidad es cierta.-210 caras) FiE. . la probabilidad de no obtener entre 40 y 60 caras inclusive si la moneda está bien hecha 1 .2. la hipótesis de que una moneda está bien hecha. se dirá que esta z difiere significatiuamente de lia que cabría esperar si la hipótesis fuese cierta. 53 (o) (b) Por el Problema 7. Así..CAP. (2) de otro modo. Hallar la probabilidad de obtener entre 40 y 60 caras inclusive en 100 lanzamientos de una moneda. Para ensayar (c) Hallar la probabilidad de rechazar la hipótesis. entre 40 y 60 caras inclusive es lo mismo que entre 39.1. se rechaza. En una escala continua.en unidadee tipificadas = 60.) =.s resueltos ENSAYOS DE MEDIAS Y PROPORCIONES UTILIZANDO DISTRIBUCIONES NORMALES 7.que muestra la distribución de probabilidad de caras en 100 Ianzamientos de una moneda bien hecha. . se toma la siguiente regla de decisión: (1) se acepta la hipótesis si el número de caras en una serie de 100 lanzamientos se encuentra entre 40 y 60.1O y z: 2.7-2 z (60. Según la distribución binomial.0.5 en unidades tipificadas = q9'5-:-E 60. pues se habla de rechazar la hipótesis a un nivel de significación de 0.58%.5 caras.5 - 50 = 2.5 y 60.

por ejemplo. SiZ:1.t6.96(4): 1.25.58(4\: 42. 7-3 es 0.4950 ! zt = 2. 24.96 y 1. El error que se comete al aceptar la hipótesis cuando debería decisión. nótese que la media y la desviación típica de la distribución binomial exacta de caras están dadas por ! .96 equivale a . Tercer método: y np+1.5) .96_ (2) Rechazar la hipótesis en cualquier otro caso. 89.1.32.960. ? (c) Según la regla de decisión.1.2.05.58o. (i ) Se acepta la hipótesis de que la moneda está bien hecha si el número de 24.84.99 .96 < z < 1. Se puede aceptar la hipótesis cuando realmente debería rechazarse como. Entonces.01. -zr Fis. Entonces.16<X< 39.05 y (b) 0.5i2:-1. se ve que con probabilidad 0.5000 0. es decir.y z¡ : 1. 7. el número de ca¡as se encontrará entre ¡¡ decir.96.1.? en lugar de 0.bg (másexacüarnente 2. Siguiendo el mismo procedimiento del método segundo del apartado (o ).96(4)< X< 32 + 1. es decir. (o) Primer método: Si el nivel de significación es 0.005. se habría rechazado la hipótesis.1.96yñpq lleva a Ia regla de decisión anterior.16 y 39.32 y o -= t/iw = y'6llos)(05) = = (X p)/o 4 bajo Ia hipótesis de que la moneda está bien hecha. Estopuedetambién - el número de ca¡as se encontrará entre lr 2.58(4):21.222 ENSAYOS DE HIPOTESIS Y SIGNIFICACION [cAP.966X=24.O25O : O-4750. caras se encuentra entre (2) es Se rechazá la hipótesis en caso contrario.96.01 . Diseñar una regla de decisión para ensayar la hipótesis de que una moneda est.23-7.5.95.(X-32)14:-1. .Asípues.(X-32)l¿:1-96óX:39.96 <(x-gz)l¿. Esto es lo que se debe afrontar cuando para tomar decisiones se toma cualquier línea de división.que también conducea ) obtenerse de la Tabla ?-1.575).84que 32) < 1. (b -1.7-B 2r Los valores críticos la Tabla 7-1- -1. Se puede argüir que con solo una cara más que se hubiese obtenido. g2-2. Así.96(4) :24.5000 . Entonces Z la regla de decisión resulta: = (X - 32\14. Segundo método: Con probabilidad 0.O.96{npq o entre 32 - 1. el área entre 0 y zr es 0.76y 32+ -1. 2.< 1. cada área sombreada en la figura anterior es 0. np.3.68 y Bz + Entonces la repla de decisión sería: (l) Aceptar la hipótesis si el nfrmero de caras se encuentra entre 22 y 42 inclusive.960 y ¡J + l.84. sería el caso cuando la probabilidad de cara fuese realmente 0. Entonces el área entre 0 y zr = 0.96. es decir.58o y pt*.96 pueden ser también sacados de Para expresar esta regla de decisión en términos del número de ca¡ae a obtenerse en los 64 lanzamientos de la moneda. (2) Rechazarla en cualquier otro caso. en ambos casos se aceptaría la hipótesis de que la moneda está bien hecha. cada6rea sombreada en la Fig. Para mayor discusión véanse Problemas 7 rechazarse ea error del Tipo 1I de la . Si el nivel de signilicación es 0.84.96 y 1. pues.025 por simetría.á bien hecha si en una muestra de 64lanzamientos de la moneda se toma un nivel de significación de {c) 0.96(4)< (x6 32.96.96(4).0050 :0. (d) Si. entre 25 y 39 ambos inclusive. una posible regla de decisión es: (I ) Aceptar la hipótesis de que la moneda est:á bien hecha si Z está entre -1.96(4) la regla de decisión anüerior.np: 64(0.

7-4 Puesto que 32 unidades tipifrcadas (32 .5 V el sujeto está simplemente adivinando. la decisión rnantiene es decir.omete al aceptar una hipótesis que debería ser rectrazada. Para evitar este etlor.84) que es menor que 2. 7l ENSAYOS DE HIPOTESIS Y SIGNIFICACION 223 7.5 . entonces se tiene que decidir entre las dos hipótesis siguientes: Si Hoi p: 0.05 y el indiüduo tiene fue¡za de E. 7-4 de modo que el área sombreada en la región crítica de r¡alores alüos sea 0. sino en la facultad de obtener aciertos numerooos. Y zr : 1.98 (ó 1.cAP.3(b) serfa: (I ) (2) No recltzz. mientras que los resulüados significativos a niveles superriores al 0. los resultados son significativos al nivel del 0.05 y (b) 0.P. en lugar de aceptar la hipótesis.64: 1.06 son no significatiws. .entonceseláreaent¡eOyzt:0.05. ¿Cómo se podría diseña¡ una regla de decisión en el Problema ?.ar la hipótesis si el número de caras se encuentra e¡fte 22 y 42 inclusive. los resultado¡ son totalmente casuales Ht: p ) 0. Es desconocido-para el zujeto cuántas cartas rojas o azules hay en el lote. los resultados significativos al nivel del 0. Sin embargo.P. en muchos ejemplos prácticos es importante decidir si una hipótesis debe eer aceptada o rech¡zada.5) en unidades tipificadas es 1.645 los resultados Be deben a la casualidad.98 es mayor que 1.06 se debe elegit z1 en la Pig. En un experimento sobre percepción extrasensorial (E. 7.23-7.645. 31.26').33. Fig. es decir. Una completa discusión de tales casos requiere l¿ consideración de errores del fipo II (véanee hoblem¿s 7. Asfrpues. la regla de decisión del Problema 7. puesüo que 32 en una eecala continua está entre 31-5 y 32. la regla de decisión o enaayo de significación es: (f ) Si la z observada es mayor que 1. Entonces el área enüre O y zt = 0.4. Así por ejemplo. Esto puede también eacarse de la Tabla 7-1.P.01.645. se concluye que al nivel del 0. (D) Sielniveldesignificaciónes0.54 p=. Rechazar Ia hipótesis en ca6o contraúo.26)13. Si el zujeto identifica conectamente 32 cartas' determinar si los resultados son significativos al nivel de significación de (c) 0.P. zl (2) Si z es menor de 1. Seglrn la üerminologfa.5 üiene un valor tipificado de (31. se concluye que los resultados del experimento anterior wn probablemente significatiuos. Si la hipótesis está dado por ff6 es cierta. es decir.33.S.5 y el sujeto tiene fuerza de E.01 ¡on altomente significatiuos.645.01. la media y la desviación tfpica del número de cartas identificad¿c correcüamente 3. lo que se hace es simplemente no rechazarla.S.01 son probablemente significotiuos.84 llegándose a Ia misma conclusión anterio¡. puesto que no se está interesado en la facultad de obtener valoree bajos. (I) ee Adüértase que tealmente debería aplicarse una conección de continuidad.S. p es la ptobabilidad de que el sujeto elija conectamente el color de una catta.np = 50(0.5. Algunos estadísticos adoptan la terminología de que lios resultados significativos al nivel del 0. de modo que posteriores investigaciones del fenómeno están probablemente justificadas. Se elige un ensayo de una cola.S. lo que efnificarfa que ee rehuaa cualquier decisión en este caso. Sin embargo.4900Y2r:2.5) = zb ! o=\/wq = /86(05)(-05) = ¡/Es = (a) Para un ensayo de una cola al nivel de significación de 0.25\15.01. no significativos al nivel del 0.05.05 pero no al nivel del 0.05 el individuo tiene fuerza de E.4500.6.) un individuo (sujeto) en una habitación fue preguntado sobre el color (rojo o azul) en una carta elegida por otro individuo en otra habitación-de un conjunto de 50 cartas bien barajadas.64:1.Puestoque32(ó 31. se deduce que los reeultado¡ no son significaüuos al nivel de 0.3 que evite el enor del Tipo T? El error del Tipo I[ se c.

6.9 y la aseveración Se elige un ensayo unilateral.1. es decir. la aseveración es legítima y los resultados obtenidos se deben a la casualidad (en cuyo caso Si se acepta 116 ). H1: ¡t* 1600horas Un ensayo bilateral debe utilizarse aquí puesto que g * 1600 incluye valores mayores y menores de 1600.33.En una muestra de 200 individuos que tenían la alergia la medicina suministrada alivió a 160 personas. puesto que Ee esüá interesado en determinar si la proporción de gente aliviada por la medicina es demasiado baja. . La duración media de una muestra de 100 tubos fluorescentesproducidosporuna compañía resulta ser 15?0 horas. 7 Puesto que los niveles de significación sirven de guía en la toma de decisiones.r¡ = a.33 (en cuyo caso se rechaza H¡). altamente significatiuos (véase final del Problema ?. Si se toma el nivel de significación del 0.01. (a) Paraunensayobilateralalniveldesignificaciónde0. Se zl Fig.5). ta probabilidad citada en-este caso 0.s. como puede deducirse del koblema 7. 7-5 toma como regla de decisión: (1) La aseveración no es legítima si Z es menor de -2.0322. mediante la simetría de la curva. es sobre el 3 por 100. se llama a veces niuel de significación erperimental o descriptiuo. lt:1600 hora. algunos estadísticos citan las probabilidades reales inherentes. o de la Tabla 7-1. Entonces tre las dos hipótesis: se debe decidir Ho: p: 0.84):0. \/"pq = /?2ooxo. (2) Se acepta l/6 (o no se toma decisión alguna) en caso contrario. 7-5 es 0. que es mucho menor de -2. en este problemapuesto quep(Z > 1.01. por un período de 8 horas. entoncegz¡ : -2. comprobar la hipótesis ¡¡ : 1600 horas contra la hipótesis altemativa r¡ # 1600 horas con un nivel de significación de (a) 0. 3.224 ENSAYOS DE HIPOTESIS Y SIGNIFICACION lcAP. con una desviación típica de 120 horas.9 y la aseveración es correcta es falsa Hy: p10. Por ejemplo.P. Se tiene que decidir entre las dos hipótesis: Ho. La distribución muestral de X tiene una media r¿x-Éyunades..Ossetienelasiguienteregladedecisión: (/) Se rec}raza 116 si la z de la media muestral está fuera del rango .$) : 1AO y " - 7. por la regla de decisión se deduce que la aseveración no es legítima y que los resultados muestrales son fle es cietta p : np = 200(0.viacióntípicaop:s/1/i.05 y (b) 0. (2) En caso contrario. El estadístico bajo consideración es la media muestral X.23.9)(o.7. si el área sombreada en la Fig.01 .96.S. El fabricante de una patente médica sostiene qu€ la misma tien'e un 9O% de efectividad en el alivio de una aler_gia.dondegvoscnlamediayladesviacióntípicadelapoblación de todos los tubos producidos por la compañía.0322 el estadístico puede decir que en base a la posibilidad de que en el experimento se llegue a una conclusión errónea sobre que el individuo tiene fuerza de E. Determinar si la aseveiación del fabricante es cierta.96 a 1.23: -4.5(b). Si ¡. Asípues.33.l8O)14.r es la duración media de todos los tubos producidos por la compañía. . 7. Denótese porp la posibilidad de obtener alivio de la alergia utilizando la medicina. Ahora 16O en unidades tipificadas (160 .

96 en la regla de decisión del apartado (c) se sustituye por -2.7(a) mediante un ensayo bilateral. ' (b) Si el nivel de significación es 0. 7.33. Bajo la hipótesis de que (I es rechazada. se tiene X-p ol\n 1850 . basadas en ensayos de una o dos colas.50 se -l . en efecto. II1: ¡t{ 1600 horas. De aquí que se adopte la regla de decisión: (I ) Se rechaza H¡ si Z es menor de -2.9.05.33. Adviértase que esta decisión es la misma que la obtenida en el Problema 7. se rechaza /16 al nivel de significación del 0. Debe aquí utilizarse un ens¿ryo unilateral (véase Fig. (a) Sielniveldesignificaciónes0. Al nivel de significación del 0. 7l ENSAYOS DE HIPOTESIS Y SIGNIFICACION 226 eneuentra fuera del rango Bajo la hipótesis I/6. Esto cabe.1600y12 : -2.33 los resultados son significativos al nivel de 0.01 y.50 se encuentra dentro de este rango. Adviértase que esta decisión es idéntica a la obtenida en el Problema 7. 7-5). Puesto que / : (X . con los niveles de significación de (¿) 0. ¿Puede mantenerse que. Las decisiones concernientes a hipótesis'lfe dadas.33. puesto que se ensaya I/6 conha una alternativa diferente en cada caso. que es menor de -2.50. De aquí se deduce que los resultados son olúamente significatiuos y Ia aspiración de mejora debe ser admitida. no están siempre en concordancia.s frente a la alternativa horas.33.01? Se tiene que decidir entre las dos hipótesis: Ho: lJ: Ht: lt > 1800 libras.Ff6 (o no se toma ninguna decisión) en caso contrario. el rango -1. ) (2) Se acepta.96 a 1 .9 6.1800 -------------ó. laregiónsombreadadelaFig.01 eI valor de z1 en la Fig.58 a 2. se tiene g : 1600 y o* = a/t/n = 120/\/L00 = 12. (1 Hs si Z es menor de -1.01. Mediante una nueva técnica en el proceso de fabricación se aspira a que esta resistencia pueda ser incrementada. Para ensayar esta aspiración. 7-4). Entonces. se ensaya una muestra de 50 cables y se encuentra que su resistencia media es de 1850 libras. /ls al nivel de significación del 0.oo loo/v5o que es mayor de 2.05 y (b) 0. que es menor de -1 .05. el valor de z es -2. Se debe < 1600 decidir entre las dos hipótesis: Ho: lJ: 1600 horas. Como en el Problema 7.50.96 a 1. naturalmente esperarse.1600)/12 : (L570 . ¡.T-Stieneunáreade0.01 la regla de decisión es: ) Si eI valor de z es mayor que 2.645.0Sysetieneque zt : Se adopta. .cAP. fle al nivel (b) Si el nivel de significación es de 0.01.8. acepta H6 (o no se toma ninguna decisión) en caso contrario. La resistencia a la rotura de los cables producidos por un fabricante tienen una media de 1800 libras y una desviación típica de 100 libras.01.58. ensayar la hipótesis p : 1600 hora. se acepta Ile (o no se toma ninguna decisión) al nivel de sfinificación del 0.7.01. En el Problema 7. por tanto la regla de decisión: -L.7(b) mediante un ensayo bilateral. 7-5 es -2.¿ 7. Se ¡ecltaza 7 .05.7(a). y realmente no hay cambio en la resistencia 1800 libras. puesto que z -2. hay un aumento de resistencia al nivel de significación del 0. (2) S. se rechaza pues.645. utilizando la desviación típica muestral como una estima de o. I/e es cierta. Ilo es aceptada (o no se toma decisión alguna). (a). el valor de e es -2.645. y hay un cambio en la resistencia Aquí debe emplearse un ensayo unilateral (véase Fig.7 Como en el Problema de significación del 0.F/0 (2) De otro modo. se rechaza pues.

7.10. Se debe decidir entre las hipótesis: Ho: llt : H t: Ft ) Bajo la hipótesis.4s Puesto que los resultados scin significativos al nivel de 0. ¿Hay una diferencia significativa entre el restfltado de las dos ciases al nivel de significación de (a) 0. Se hizo un examen p dos clases formadas por 40 y 50 estudiantes respectivamente.8 pulgadas.. Debe sin embargo ponerse de manifiesto que la hipótesis puede rechazarse al nivel de 0.58.606 donde se han utilizado las desviaciones típicas muestrales como estimas d.5. es decir. ambas clases provienen de la misma población.645.226 ENSAYOS DE HIPOTESIS Y SIGNIFICACION [g.5 pulgadas con desviación típica de 2. ltz . se tiene que Supóngase que las dos clases provienen de dos poblaciones que tienen de medias respectivas decidir entre las hipótesis: l\ y tJz.-*. =o n*r-rr"= "? . mientras que 50 estudiantes que no mostraban interés en tal participación tenían una estatura media de 67. Enton- Bajo ferencia de medias están dadas por Ho: ltt : llz.01? ces. z ENSAYOS RELACIONADOS CON DIFERENCIAS DE MEDIAS Y PROPORCIONES 7. La media y la desviación típica de la di- uir-i.05.96.0ó hay una diferencia significativa entre las dos clases y la segunda es probablemente mejor. de acuerdo con la terminología utilizada al final del Problema 7. Así pues. "Z= l8r. ft1 "8.El6 .5 pulgadas.10.58 y 2.96 a 1. los resultados son significativos al nivel de 0.la estatura media del primer gtupo ^o hay diferencia entre las estaturas mediases mayor que la del segundo ur?.53 donde se han utilizado las desviaciones típicas muestrales como estimas de o1 y o2Entonces Con un enr¡ayo unilateral y al nivel de significación del 0. = o*r-fr. I vez cada 10.01. ?. Para un ensayo bilateral. se deduce que los resultados son probablementesignificatiuos. n2 = 0. .10 si se está dispuesto a correr el riesgo de tomar una decisión errónea con una probabilidad de 0. mientras que en la segunda clase la puntuación media fue de 78 con una desviación típica de 7. Entonces z= (a) (ó) Pata un ensayo bilaüeral.11. = 1# = -2. !40*50 = 1. p2 .01 si Z se encuentra fuera del iritervalo -2.05 pero no al de 0. De aquí se deduce que al nivel de 0. no se puede rechazar la hipótesis a este nivel de significación. - l"? .05 si Z se encuentra fuera del recorrido -1.e 2. ! la diferencia se debe simplemente al azar H t : Pt * ¡t2 . se rechaza la hipótesis lls si el valor de z fuese mayor de 1. = o n*r-'^" = !t-". (b) 0.e o1 y o2. los resultados son significativos al nivel de 0.lp.05. La estatura media de 50 estudiantes de un colegio que tomaban parte en las pruebas atléticas fue de 68.01 no hay diferencias significativas entre ambas clases.hay una diferencia significativa entre las dos clases la hipótesis lls. Ensayar la hipótesis de que los estudiantes que participan en las pruebas atléticas son más altos que los otros. En la primera clase la puntuáción media fue de 74 con una desviación típica de 8. De aquí se deduce que al nivel de 0.2 pulgadas con desviación típica d.

¿En cuánto deberíán incrementarse los tamaños de muestra de cada uno de los dos grupos en el Problema 7. respectivamente las proporciones poblacionales curadas ( I ) utilizando el suero .r-r. pero no al grupo B (que se llama gtupo control). ?] ENSAYOS DE HIPOTESIS Y SIGNIFICACION 227 7./" Para la diferencia de 0. Ensayar la hipótesis de que el suero ayuda a curar la enfermedad al nivel de significación del (a) 0.7\n 3'75 La diferencia observada será significativa al nivel de 0. Se debe r! p2. 0.tt d \/a>r2. 7. . se tiene .?50 - = 1.28.zorro. (ó) De acuerdo con un ensayo unilateral (c) Si se utilizase un ensayo unilateral al nivel de significación de 0.01? Supóngase que el tamaño muestral de cada grupo eB n y qLe las desviaciones típicas manecen iguales a las de antes..05.75 n .#) = 0.8 í¡ n>78 50 Así pues. = o?.xz 4 .01. Entonces ry- en los dos grupos muestrales el valor (?5 * P.75 y 65 individuos. H t : pt ) pz. (2 ) sin decidir entre las dos hipótesis: es decir. (a) o.01 si : 28 al menos. al nivel de significación del 0. Puesto que el valor de z es 1."io" dos grupos per- o*r- *.y el suero es efectivo Bajo la hipótesis 116. = 0 V p". Se encuentra que en los grupos Ay 8.zt. el suero no es efecüivo Ho: Pt : Pz.54. ui'!!=r.645. Se administra un suero al grupo A. De donde se deduce que a este nivel tambiénlas diferencias se deben al azgt.o*r-*. bajo la hipótesis tiI6. se r*}lrazaría lahipótesis1116 solamente si z fuese mayor de 2. siendo en todo lo demás los dos grupos tratados idénticamente.0648 ro.CAP.7 pulgadas en las estaturas medias sea significativa al nivel de significación (o) 0.L2.13.75/\n 0."2 nn (2.10.II para que la diferencia observada de 0.05. se deduciría que el suero es efectivo al nivel de significación de 0. 14.70 y donde q : 1 p : 0.01. padecen una enfermedad.ir_*.54 (c) De acuerdo con un ensayo unilateral al nivel de significación del 0.05. Entonces.0648 donde se ha utilizado como estima de la proporción 65)1200 : 0. Puesto que esta condición es satisfecha.30.ebr(-#.33. urr-r'.10 se rechazaría f/e solamente si el valor de z fuese superior a 1. se debe deducir que los resultados se deben al azar a este nivel de significación.650 0. = p de curas 0.l las diferencias observadas son debidas al az._P" orr. Denótese por P utiliza¡ suero.t. = o o.5¡z ¡ ". (b) 0.7 observada en las estaturas medias se tiene xt .5 ó t57 n>1b? 50 De aquí que se debería incrementar cada muestra en al menos : lO7 . deberá incrementarse el tamaño de cada grupo en ?8 será significativa al nivel de 0.r. (c) 0:10. Dos grupos A y B fo¡mados cada uno de 100 individuos.05 si Yif-t'uou (b) La diferencia observada ó 1/-n=8. respectivamente se han recuperado de la enfermedad.09 3. se rechazaría la hipótesis IIs solamente si z fuese mayor de 1.7 3. (b) 0.

Entonces = 0 or.. Si los resultados se deben realmente aL azar y se toma la decisión de que son debidos al suero (error del Tipo I).encontrándosedentrodelintervalonosepuedetechazatH¡ a este (b . se debe decidir entre la hipótesis (f/e )..-P.01 de equivocación.48)(200)l/500:0.6b0 respectivamente.56)(300) 0. respectivamente. l'pr-pz = donde (225 0 ú¡'. Una muestra de 300 votant€s del distrito A y 2O0 del distrito B mostró que el 66% y el 48% respectivamente. Bajo la hipótesis (Ho: pt:pr ) se tiene l¡. que se estudia con un ensayo unilateral. (b) el candidato sea preferido en el distrito A.228 ENSAYOS DE HIPOTESIS Y SIGNIFICACION [cAP. decir. Bajo la hipótesis ^FIe. Denótese por pr y p2 las proporciones de todos los votantes de los distritos A y B. ?. = ú(¡D=@=00456 f(0.-t'r= se ú'G. se puede rechazar la hipótesis al nivel de significación del 0.. Sin embargo. que son las mismas del problema anterior.33. z Adüértase que las conclusiones anteriores dependen de lo que se esté dispuesto a arriesgar de tomar una decisión erróneá.01.15.05.480 = -0^0456== nivel.05 ensayir la hipótesis de que (o) haya diferencia entre los distritos. se puede proceder a dar el'suero a grandes grrlpos de gente solamente para obtener entonces que realmente es inefectivo.sol( r*-L * r*-L ) : 0. estaban a favor de un candidato dado.195y600:0.645.?S. que están a favor del candidat<¡.650 0.67 es puesto que el valor de z es mayor de 2.zol ro. se puede deducir que el suero no ayuda cuando realmente sí lo hace (error del Tipo II)Tal decisión es muy importante especialmente si hay vidas humanas en juego. .750 y 195/300 Adviértase que en este caso la proporción de gente curada en los dos grupos son 225/300 : 0. no hay diferencia significativa entre los distritos' : ) Pt : Pz)y (Ht: pt ) pz Si se desea determinar si el candidato es preferido en el distrito A.0.560 dondesehautilizadocomoestimadepyqlosvalores +(0. ?. se debe decidir entre la hipótesis (Ho : P t : pz\ y (Ht : P t * pz). Entonces 0.528 l'75 y 1-0.t 0.13 si cada grupo dividuos del Grupo.14.05 se rechaza H¡ si Z fuese mayor de 1. (¿) Si solamente se desea determinar si hay diferencia entre los distritos.0374 .750 = ro.472.528 = z - P. Esto muestra cómo al incrementarse el tamaño de la muestra aumenta la seguridad de las decisiones. Co¡r un ensayo unilateral y al nivel de significación del 0. Puesto que éste es el caso.96.Puesto queZ:1.70 utiliza como estima dep. es decir. se rechazaría Hs si Z estuviese fuera del in' tervalo-1 . Por otro lado.zt y 195 del grupo B. se está forzado a toma¡ decisiones en acuerdo con la información utilizable y asÍ se tendrá que correr mayor riesgo de tomar decisiones erróneas. que se estudia con un ensayo bilateralCon un ensayo bilateral y al nivel de significación del 0. se rechaza É16 a este nivel y se deduce que el candidato es preferido en el dis' trito A . Este es un riesgo que nb siempre deseamos suponer." 0. Solucionar el Problema 7. . En tales casos. z=ñ= - = 2.P" = rrar. se compone de 300 individuos y si se curan 225 i* : 0. _ 1. Al nivel de significación del 0. en muchos casos es imposible el aumentar el tamaño de la muestra. se deduce que el suero es efectivo con solo una probabilidad de 0.96a1.0374 P.

86.050.01 se adopta Ia regla de decisión: (I ) (9) Se acepta .F/s. lo cual para 10 libertad es eI intervalo -2.05 se adopta la regla de decisión: (I) (2) (ó) Se acepta fle si f se encuentra dentro del intervalo-f cz¡ a f e75. Se rechaza -1 :9 gradosde lls en caso contrario.25 a 3. que para 6 Se rechaza.01.26. En el pasado una máquina ha producido arandelas con un grosor de 0.F/6 si ? se encuentra dentro del intervalo --f. que para 10-1 tad es el intervalo -3. y la afirmación del fabricante está justificada es falsa 1 : ¡t 1 8000 libras. : 9 grados de liber- Puesto que ?: 3. Se deduce que la afirmación del fabricante es extremadamente improbable que esté justificada. y la máquina Ht: P + 0.cAP.i6= = -8. y la máquina de modo que se requiere un ensayo bilateral. Se desea decidir entre las hipótesis Ho: lt:0. Bajo la hipótesisae se tiene (o . : ) Para un ensayo unilateral al nivel de significación del 0.4!9 ú0 -t -_.00. H lJ: 8000 libras. ) Para un ens¿ryo bilateral al nivel de significación del 0.Efs al nivel 0. (b) 0. Se rechaza.17.86 .F/6 eri caso contrario. se adopta la regla de decisión (1) (2) Se acepta f/¡ : si ? es mayor de -f.f. 7. Puesto que T = -3.36.un. se acepta.. 7l ENSAYOS DE HIPOTESIS Y SIGNIFICACION Ú ENSAYOS RELACIONADOS CON LA DISTRIBUCION DE STUDENT 7. Un ensayo sobre resistencia a la rotura de 6 cuerdas fabricadas por una compañía mostró una resistencia media de 7750 lb y una desviación típica de 145 lb mientras que el fabricante sostenía que la resistencia media de sus cuerdas era de 8000Ib.26 a 2.05. se adopta Ia regla de decisión (l) (2) (b Seacepta116 si ?esmayorde -ú.L7¡"- 1= ?l|'!-_99rnJ . -1:5 gradosdelibertad da ?) -2. ¿Se puede admitir la afirmación del fabricante aI nivel de significación del (a) 0.01. Ensayar la hipótesis de que la máquina está en buenas condiciones de producción al nivel de significación del (o) 0.01? Se tiene que decidir entre las hipótesis Ho:.050 pulgadas. Ya que se rechaza lls al nivel 0.25. se encuentra en buenas condiciones no se encuentra en buenas condiciones Bajo la hipótesis (o H¡ se tiene . que resulta tener un grosor medio de 0.00.05 .01 . .É16 elr cáso contrario.86.o.16. se rechaza Puesto que ?: 3. Para un ensayo bilateral aI nivel de significación del 0.05 pero no al nivel 0. Para determinar si la máquina sigue en buenas condiciones de producción. -t/n- t = 9!$-. ABI sería aconsejable comprobar la máquina o al menos toma¡ otra muesha. se rechaza ffs . se dice que lamuestraresultaproboblemente significatiua (véaee la terminología del final del Problema 7 .g.05. á ú. se toma una muestra de 10 arandelas.003 pulgadas.ee. (b) 0. .ee5.00. Se rechaza. I/6 al nivel de 0. Puesto que ? -B .F/e en caso contrario.01. : ) Para un et¡sayo unilateral al nivel de significación del 0.6). que para 5 grados de libertad da 7') -3.05.053 pulgadas y una desviación típica de 0.050.01 . y la afirmación del fabricante de modo que se requiere un ensayo unilateral. se rechaza . = 4---f.

mientras que el L Q.05.05? Si se denota por ¡l-. eue para n¡ I nz .01.36 fanegadas.01. lo cualpara n1 * nz .1 fanegadas con una desviación típica de 0. de los dos grupos al nivel de significación del (o) 0. ? ?.18.01. El I. sé rechazará Ia hipótesis f16 si ? fuese mayor que ú. y (b) 0. Q. Q.85 Con un ensayo unilateral aI nivel de significación del 0. de los estudiantes de las dos zonas.44 y T= ltz - t07 9. se rechazará la hipótesisl{6 si ?se encuentra fuera del recorrido --t r¡g¡.ee. y ¡r2 las medias poblacionales del decidir entre las hipótesis I. La media de trigo conseguida en las parcelas no tratadas fue de 4. Para ello. no se puede rechazar É16 al nivel de significación del 0. no se puede rechazar.8 0. se eligieron 24 parcelas de terreno de igual superficie. (b) Con un ensayo bilateral aI nivel de significación del 0. eue para 28 grados de libertad es el recorrido -2. Q. 7. "t/U"t+ Y"2 donde o - n. Así pues.8 fanegadas con una desviación típica de 0.y hay diferencia esencial entre los grupos Bajo la hipótesis lls. a ú. ¿Hay diferencia significativa entre el I.y el fertilizante incrementa la producción Bajo la hipótesis I/6.ctsa ú e75.?6 a 2.2: 28 grados de libertad es el recorrido -2.40 fanegadas..2 : 72 + t2 .01. T= Entonces xt- X.2 : 22gradosde libertad es 2.05.y la diferencia se debe al azar H t: pt ) tt1. de 14 estudiantes de otrazona de la ciudad dio una media de 112 con desviación típica de 8. respectivamente. se tiene que Ho: lt : ltz ! no hay diferencia esencial entre los grupos Hti ltt =* tlr. ¿Puede deducirse que hay un incremento significativo en la producción de trigo por el empleo del fertilizante al nivel de significación del (a\ 7% V Q) 6%? Si ¡¡r y pt2 son las producciones poblacionales medias en los suelos tratados y no tratados. n1*n2-2 "=!ffi (a) I 12(0. mientras que la media en las parcelas tratadas fue de 5. hay diferencia significativa entre el I. donde nrsl + n252.01.45 (¿) Con r¡n ensayo bilateral al nivel de significación del 0.O5 a 2.ee5.44\/ l/16 + l/t4 = 1. tiene que decidir entre las hipótesis se Ho: lt : ltz.19.1 - 4.S! + nrS! n1 -ln2-2 Entonces t6+L4-2 =9. no se puede rechazar Se deduce que no 116 al nivel de significación del 0.ENSAYOS DE HIPOTESIS Y SIGNIFICACION [cAP. se rechazará Hs si T se encuentra fuera del recorrido -t.4012 =o'397 v T= 5. de los dos grupos. Todas las demás condiciones fueron las mismas.ffi + 12(0-36)2 t/".2:.16 + 74 . T- xt-x.3s7\n/12 + Urz = 1. Así pues. En una estación agrícola se deseaba ensayar el efecto deun determinado fertilizantn sobrela producción de trigo. "tf.51. . Así pues. (cociente de inteligencia) de 16 estudiantes de una zona de una ciudad dio una media de 107 con una desviación típica de 10. Q.05. la mitad de ellas fueron tratadas con el fertilizante y la otra mitad no (grupo control).76.Ef6 al nivel de significación del 0.

01. sr g.4. (b) Ya que f'. En el mismo examen. p. sz :12 de modo -que G? = . ¿Es el aparente incremento de va¡iabilidadsignificativa al nivel de signifióación del (a) 0.e5. f ( F.Por tanto . (b) 0. y la variabilidad se ha incrementado El valot de 12 para la muestra €8 X2 : nsz/sz :20(0. Así puee. no se rechaza. sería deseable tener alguna prueba más. en una asignatura específica..8g. .Z5l2 = 82.05 que la variabilidad de la clase B es mayor que la de la clase A? (o) Tenemos.05. Y deberá efectua¡se una revisión en la máquina.?0.v2 = 24 tenemos del Apéndice F. F.25 onzas. A y B.sr. Un instructor tiene dos clases. ¡12 fuese mayor- Mediante un enaayo unilateral. 4 = . pues.05.0 onzas.01? Hay que decidir entre las dos hipótesis: Ho: o :0.!4 = '*rrrr'= 1Eo Hay que decidi¡ entre las dos hipótesis : o ¡ = o2. se rechaza.2 para 19 grados sig de I O. ¿Podemos concluir al nivel d-e significación del (c) 0.la clase A tuvo una desviaóión típica de 9 en tanto que la clase B tuvo una desviación típica de1'2. Sin embargo antes de sacar conclusiones definitivas referentes a la conveniencia del fertilizante.25 onzas. que es igual a 30.1 : 19 grados de libertad.05 y (b) 0. se rechaza ^Ef6 al nivel de significación del 0.8.nn no podemos techazar ff6 al nivel 0.05.Alnivel 0. 24 grados de libertad (véase Apéndice F). empleando eubíndices 1 y 2 para las clasee A y B respectivamente.01 paraZ¡ = L5. 9tt" 4'rn. Se deduce que el incremento en la producción de trigo alttilizar el fertilizante es probablemente significoúiuo. se rechazará.oz.máqlLlina era de 0.01 si el valor muestral de pues.ee : 2. 7l ENSAYOS DE HIPOTESIS Y SIGNIFICACION 237 (ü) Conunensayounilateralalniveldesignificacióndel 0.tá h._Lr'? = if Itr¡ (e)2 = 86.er:z. vemos que tampoco podemos rechazar. ENSAYOS RELACIONADOS CON LA DISTRIBUCION CHI-CUADRADO 7. probablemente incrementado.cAP. y los resultado¡ observados se deben alazar H 1 : o > O .ltle al nivel 0. Vz:26-L=24. LaclaseA tiene lGestudiantes en tanto que la clase B tiene 25 estudiantei. muestras en cuestión. El número de grados de libertad para las clases son respectivamente rr¡ :16-1:lb.Ffs al nivel de significación del 0.01. Una muestra aleatoria de 20 paquetes dio una desviación tipica de 0. lo cual para22 grados de libertad esL.1 para v : 20 . Entonces.01. = E = *n@ = r.LL para 15. ENSAYOS RELACIONADOS CON LA DISTRIBUCION ¡' 7-2L. En el pasado la desviación típica de los pesos de ciertos paquetes de 40.y la variabilidad de la claseA es mayor que la de la B La decisión debe por tanto baearse en un ensayo unilateral de la dietribución F.05 Si el valor de X2 muestral fuese mayor 9ue x?gs. (o) (b) Mediante un ensayo unilateral.serechazarálahipótesisfl6si?fuesemayor que ú.É16 al ni- Se deduce que la variabilitlad se ha. aunque no hubo diferencia significativa en medias de las calificaciones. que ás igual a 36.72.EI6 al nivel de significación del 0. se rechaza .EIe al nivel de vel de significación del 0. llenados por una.06. Así. y cualquier va¡iabilidad observada se debe al azol Íi1: o1>.32)2/(O.32 on?T.25 onzas. ya que Ad F( F .74 eí Entonces.

18 Entonces 9: área bajo la curva normal entre z : -4.23.23 si (a)p:0.J? neda está bien La hipótesis ff6 de que la moneda está bien hecha.8. con la regla de decisión dada hay muy poco riesgo de aceptar la hipótesis de que la moneda eetd bien hecha.58 = 70 y'6oo)(oJ)(0.2(ol. pues.90 4. ?. probabilidad de error del Tipo I) viene: dada por el área toüd c de la región sombreada ba.Efs cuando realmente p : 0.5 en unidades tipificadas = 39.5 p=o. Esto es de esperarse ya que no estamos tratando de decidi¡ si hay una diferencia en las medias de las calificaciones.5 4. está dada por el área rayada p de la iigura.5 en unidades 39.O1).9' (d) P : O-4.5 39. probabilidad de error del Tipo II).5 caras Fig. 7-6. Para calcular esta área se obeerva que la distribución bajo la hipótesisp : 0.6.2L si existe una diferencia significativaenla media de las calificaciones de las clases? Justificar su solución.07 -6.tO2: 0. con la regla de decisión dada hay un gran riesgo de aceptar la hipótesis de que la moneda está bien hecha cuando realmente P : 0. Solucionar el Problema 7.? . entonces la distribución de carag en 100 lanzamientos eetá representada por la curva normal de la derecha en la Fig. .7 39 5 caras 60. (a) Sip : 0.99 60.5 4. llegando a una regla de decigión (2) Se decide sobre Q y P y después se llega a una regla de decisión.6. Puesto que la media real de las calificaciones no se usó para nada en el Problema 7 .O5 ó O.232 ENSAYOS DE HIPOTESIS Y SIGNIFICACION lcAP. En el diagtama se ve claramente que la probabilidad de acepLr .6.6 p-0. ?-6.5.jo la curva normal de La izquierda en la Fig.0358.7. rOalculada en el Problema 7. es igual a 0.3) = 4. (c)p :0.6)(0. número de caras en 100 lanzamienüos se encuentra entre 39.ó y 60.5 en unidades ' = : r/"pq 60.5 en unidades tipificadas = - 60 60 = = 0. se acepta cuando el p = 0.7)=70 60. la media y la desviación típica de la distribución de caras vienen dadas por !=np=(100X0.4) = 4. que representa el nivel de significación del ensayo de lfe.? tiene una media y una desviación típica que Bon dadas por p=np=(100)(0. Con referencia al Problema 7 . CURVAS CARACTERISTICAS DE OPERACION 7.24.2 es decir.0192 Así. esta á¡ea d.66 to'l. Adviértase que en este problema se tenía la regla de decisión de la que se obtenfa c y p. ¿cu6l es la probabilidad de aceptar la hipótesis de que la mohecha cuando la probabilidad real de ca¡a es p : Q. (b)p : 0. cuando realmente P : 0. ¿Canbiarían sus conclusiones en eI ProblemaT.7 (es decir. y después se calcula p. La probabilidad de rechazar Ffe cuando debería aceptarse (es decir.58 tipificadas = üipificadas - = = : -2.6)=60 ú = lnpq = 60.7 7.2L no inüeiresa su¡ valoree.102 -4. En la práctica se pue' den presentar otras dos posibilidades: (I ) Se decide sobre c (tal como O.7-6 Si la probabilidad de cara es p : 0.18 yz : O. sino solamente si hay una variabilidad en las calificaciones.¡O tn Entonces I: áteabajo la curva normal entre z --6'66 y z -2-O7 : 0.90 V(100)(0.22.5405 Asi pues.

6 0.0192 0.23y7. (b) ( 1 p ) y p.5 en unidades tipificadaa 39.12 p: área bajo la curva normal entre z : -10.eedecir.24. La Tabla 7-3 muestra los valores de p correspondientes a valores dados dep.3 02 0.9: 0 pa¡a todos los propóeitos prácticoe.09ó8 al nivel de significa- En general.5405 0. Nótese que p representa la probabilidad de aceptar la hipótesis p : 0. comolorobtenidosenlosProTabla 7-3 p B 0.8 0.8 0.5 cuando realmente p tiene un valor distinto a 0. si realmente'p : 0. Interpreta¡ los gráficos obtenidos.6 en unidadeb tipificadas Entonces = ry = q9? : = = -4. Be ve que sip = 9. Sin embargo.9 1.6 0.5 se puede interpretar p como la probabilidad de acepoar p : 0'5 cuando debiera ser aceptado.5 0.p:0. el apuntamiento mayor de la curva OC es la mejor regla de decisión pa¡a techazar hipótesis que no son válidas.0000 0.0 0.7l ENSAYOS DE HIPOTESIS Y SIGNIFICACION y'(100X0-S)(0¿) 233 =¿.8./nW= 60.3 0.25.9 0.5. .6 0.88 = 0. llama curua carocterísüca de operación o curva OC de la re- la di¡tancia del punto máximo de la curva OC a la línea p ción del e¡rsayor : I es igual a a : 0.4 0.0000 muy aproximadamenüe. Representar gráficamente los resultados de los Problemas 7.24 construyendo un gráfico cuyos ejes sean (a\ I y p.cAP.5405 0.4 da el miemo valor deÉq.0000 la Tabla 7-3.5405. blemas7.0192 0. 7. 1c) Comparando con (b) o por cálculo.2 0.9. (d) Porsimetríap = 0.6.4 0.0000 0.9642 y ha eido introducida en - L-p 1.9 0.2 0. Esta probabilidad es igual a 1 0.se gla de la decisión o enoayo de hipótesis.8) = 80 y o=.1 0 0 (a) (D) Fig.0358 :0. (b) Sip=0.88 -10.3 0. 7-1.9642 0.8 0.(a).enüoncea p=np = (100)(0..7 0.? 0. p ee muestra en la Fig.0 0.6 0. 7-z (o) El gráfico p.12 y z -4.0000 0.1 06 0{ 0.1 0.23y 7.t"p:0.

7. I¡ cantidad (l .33. 7-9. y (Ht: tt: 310 libras). de aquí que A - 310)/3 = Fig. en caso contrario.00 = 0. Constmir (a) una curva OC v (b) una cun¡a de potencira para ei Problema 7. 7 -7 (b).0 tb 307 tb 3r0 lb -1. H t : ! -. ¿cuál es la probabilidad de aceptar el proceso primitivo cuando en efecto el nuevo proceso incremente la resistencia media a. la regla de decisión anterior se convierte en: (I ) (2) (ó) Se rechaza 116 si la reeistencia media de 64 cuerdae excede a 30?. Considérense las doe hipótesis (Ho: bras) Las distribuciones de las resistencias medias correspondiente¡ a estas dos hipóteeis se repreeentan.e potencia. suponiendo que la desviación típica de las ¡esistencias se mantiene en z4libras. tiene la siguiente regla de decigión (referenüe eon la Fig.27.01. bajo la curva normal de la derecha a la izquierda de z dect. tt: 300 li- Ia probabilidad de aceptar el proceeo primitivo cuando la nueva resistencia media sea realmente 310 libras se representa por el área É de la Fig. : -1. ¡e llama curua de potencio de la regla de decición o ensayo de hipótesis. respectivamente con las distribuciones normales de la izquierda y de la derecha de la Fig.0 libras en unidade¡ tipificadas : 300 (307.P). *r.26.9qo.7-9 = iren.26(br. La cantidad p se llama tambiénfunción caructerístico de operoción de un ensayo. y el nuevo proceso es igud que el primitivo 300 libras.310 libras? Supóngase que la desviación típica se mantiene en z4libras. de modo que realmente ambos gráficoe aon equivalenüee. (b) Bajo la regla de decisión adoptada en (a). Una compañía fabúca cuerdas cuyas resistencias a la rotura tienen un valor medio de 300 li bry" y una desviación típica de 24libras.01 si se pone dé manifiesto qu¿ debe rechazarse al ensayar 64 cuerdas. Para hallar su valor nótese que 307. Esta es Ia probabilidad de aceptar Ho: ! : 300 libras cuando realmente es la probabilidad de comeüer error del Tipo II. puesto que indica la aptitud o potencb de un ensyo para rechazar hipóüesie que son falsas.33) =30?. Esta curva ae obtiene ¡encillamente invirtiendo la curva OC. es 7.0 lb.158?.26. y el nuevo p¡oceso es mejor que el primitivo se un ensayo unilateral d nivel de significación del 0. X>300+3(2. i 800 *sz.J = 't. que debieran ser rechazadas. Se acepta ^Éfs en caeo contra¡io. ae quiere decidir enhe las hipótesis: Ho: U: Ht: ! ) Pa¡a 300 libra¡.0 libras. se puede hdla¡ p para loe caeor en que el . ?-8): (t ) Se rechaza lle si la e de la media de resistencia muest¡al es riayor que 2. (c) Diseñar una regla de decisión para rechazar el proceso primitivo al nivel de significación del 0. (2) Se'aceptqlfq pue¡to 'que z = cessi Z>2.310 libras es cierta.00. Si ción (a) ! es la resistencia media.234 (D ENSAYOS DE HIPOTESIS Y SIGNIFICACION [cAP. p ¡e muestra en la Fig.33. Se cree que mediante un nuevo proceso de fabrica- puede inc¡ementarse la resistencia media. 7-9.Enton= "lr/ñ 24/\/u Así. es decir. ? ) E gráfico (1 .p) ¡e llama a menudo función d. Razonando análogamente a como se hizo en el Problem¿ 7.

6 6 p f 0.. 7l ENSAYOS DE HIPOTESIS Y SIGNIFICACION 235 nuevo proceco da un¡ resistencia media ¡r igual a 306 librar.7-11.0 B 0. Para ensayar la hipótesis de que una moneda está bien hecha (es decir.1 0.cAP. La eituación planüeada se ve gtáficamente en la Fig. p > 0. se desea imponer las siguientes restricciones: (A) la probabilidad de rechazar la hipótesis cuando sea realmente conecta debe ser a lo sumo 0.6 0. ya que lae dog curvag eon esencialmente equivalentes.05. etc.0000 p 0.05. Determinar el tama¡1o mínimo de muestra necesario y enunciar la regla de decisión resultante.0 libra¡ en unidades tipificadas: (307. en- 9: i¡ea bajo la curva normal de la derech¡ a la izquienda de z :0.2 0.7-r0 (¿) La curva OC se muestra en la Fig. 315 librae.05.7-10(b). Tabla 7-4 tt 290 1. si el nuevo da una resistencia menor de 300 librar.4) debe ser á lo sumo 0. y de aquí - 396 librae.5) mediante un número de lanzamientos de la moneda. Eeepués. sepuedenobtenerdeellalaomismasinterpretacionesque de la curva OC. mientras que la restricción (B) requiere que la probabilidad de error del Tipo II eea a lo sumo 0 : 0.7 0.1 o más (es decir.l (excepto para el nivel de significación del 0.0000 300 305 0. AquÍ y Tipo II. (b) La curva de potencia se ve en la Fig. 7-11 se tiene: . ?-10(o).0 .05. límite al riesgo de error del Tipo I Por ejemplo.0038 320 0.5. 7.¡ o.9900 L1. De la Fig.6? : 0. por encima del cual se rechaza la hipótesis de que p : 0.01 cuando el nuevo proceeo da una media de 800 librar). Por ejemplo.8 o. ri ¡r tonces 307.1 p (lb) 300 300 3to 3t5 (o) (ó) Fig.5 0.1687 316 0. se ha puesto Denótese por n el tamaño de muestra pedido y por ¡ el número de caras en los n lanzamientos.28. p : 0.0000 296 1.?4Eo De esüa forma se obtiene la Tabla 7-4. En esta curva 6e ve que la probabilidad de seguir con el proce' so primitivo. (¡) U probabilidad de aceptar la hipótesis cuando realmentep difiera de 0.6?. la curva baia ró- pidamente hacia cero. de modo que no hay probabilidad de aeguir con el proceeo primitivo cuando la media de resistencia es mayor de 316 libras.7486 3r0 0. es piácticamente.5 en 0.305y9 = 0.9 0. la restricción (A) impuesta requiere que la probabilidad de error del Tipo I sea a lo sumo c : 0.

564 y 0.5. (b) Mostrar cómo se. enfte 742 y 177 si el número de carac en Slg lanzamientos está dentro del recorrido 159. L7 .96 r ó (Sl u. la máquina (b) Un registro de las medias no s€rú adecuada y habrá que buscar la razón de su ineptitud.584 pulgadasi ee supone que la máquina es a- (2) De otro modo.9801fa- e'¡ 9-. es 0. (b) S€ rechaza la hipótesis + 17 .) Eláreabajolacurvanorrnalp:0.29.x :177. también s€rá 0. se debe lanzar p - 0.. tales como los límitee d'el 99% o d.645 ó (t) o. 7'l2.4r rtñ- (n..584 pulgadas.05. se toma una muestra de 6 cojinetes ejemplo.05 o menos cuando p tiene cualquier otro valor por fuera del recorrido 0. Por tanto un promedio ponderado de todas estas probabilidades. (2) es una cantidad muy aproximada. Cuando un punt'o se rale de estoe límite¡ control (tal como en la tercera muestra tomada el jueves)..seeigueque I se encontrará entre (0. . es 0.0'6n Realmente el área entre -f.9É!= -r.98. pueden igualmente determlnarse otros lfmiües de confianza.egla de decisión mediante la cual se puede estar razonablemente cierto de qúe la calidad del producto esüá de acuerdo con las noÍnas requeridas.05 en el "peor de loc casos".674.6.0.o:0.574 .49\/n n = o.5 : .6 n Y x - 0.5 en caso contrario.el 95V".5\/n De 0. (o ) 3o¡) a (p¡*3o¡) con el 9€. (o) Diseñar una.7 BVo o brevemente lfmite¡ 3o. .r) - 0.4s 1/A 0.6.564 a 0. La elección en cada caso depende de la¡ circunetancias particulares del tnismo.014l\/6\ y (0.025.236 ENsAyos DE Hrpornsls y sIGNIFrcAcroN lcAP. Así pues.ít/n Vnpq= "- :0.05 o menoa.5. la moneda al menos B1g veces. En tanto que los punüoe se encuentran entre los límites 0. Se sigue que el tamaño de la muestra debe ser al menos 31g.llamado grófico de control de colidad. Se construye una máquina que pr-oducfuá cojinet€s de bolas teniendo un diámetro medio de una desviación típica de 0. Para decir. e¡ decir.524 * Puestoque De aquí que la regla de decición eea como sigue: (l ) Si la media muestral decuada para el trabajo pedido.Haciendo n : 319 en (3) o (4).re'presentaría grárticamente la regla de decisión de (a).806y'-n es De (3) y (4). GRAFICOS DE CONTROL DE CALIDAD 7. y se obsen¡a el diámetro medio de la muestra.49{n vnpq = '--.008 pulgadas.6n 0.Saladerecha a" 7 (9) El área bajo la curva normalp 09" O. 7 0.O\4\'\/E) o Con confianza del 99 . ¡- np :1-77 - 159.0.7 3% se puede decir que la media muestral X debe estar denüro del intervalo (p¡ entre cae a m p ¡t:0. = 0. Obeérvese que tomando la probabilidad de aceptación como De(/) x .5. hay la posibilidad de que falle algo y se precisa una invesüigación del posible fallo.6 r¿ * 0.n: 318. Para determinar si la máquina esconstruida para el fin que se destina. automáticamente tomarÍamos como 0. muestrales puede tlevarse por medio de un gráfico tal como ee muestra én la Fig. p = 0.4 a 0. ? (f. Sin embargo. dentro del intervalo 0.008yn=6.73% de O.6 n- 0. el procelo está bajo control. Los límites de control determinadog anteriormente se llaman límites de confianza del gg.5. se adopta la riguiente regla de decisión: (o) Se acepta la hipótesiep:0.6 a la izquierda ae es 0. Cada vez que se observa una media muestral se representá por un punto en el gráfico. que representan la probabilidad de error del tipo II.5n = 1.05.

x F a os74 a a a t I a : o 0 s64 o Fis.7 ó 309 150.9 ó 162 316.3162 0. la media del número de caras es 2fr_ / _2470=2..4 6 29 33.30.43. Para la distribución de frecuencias observada. 7-12 AJUSTE DE DATOS A DISTRIBUCIONES TÉORICAS 7.47 rooo Igualando las medias teóricas y real se tiene 5p da viene dada por /(r) = . La media del número de caras es ¡.3087 2 3 ^ 0.C. . Utilizar papel gráfico de probabilidad para determinar si la dist¡ibución de frecuencias de la Tabla 5-2.1619 0. dondep y q son las probabilidades resy sello en un solo lanzamiento de la moneda.7l ENSAYOS DE HIPOTESIS Y SIGNIFICACION 297 Lunes Martes Miércoles Jueves Viernes $ € bD osal 1} a a t ü {. Ajustar una distribución binomial pectivas de cara a los datos del Problema 5.¿94)¡(0.506)5-¡.494.30. Así pues. la distribución binomial ajusta- En la Tabla 7-5 se han obtenido estas probabilidades así como las f¡ecuencias esperadas (teóricas) y las observadag.1: np : 6p. El ajuste se observa que es bueno.2 t44 342 287 164 25 7.7 ó 151 29.0294 5 6 33 161.2 ó 316 308. Tabla 7-5 Número de caras (r caras) Frecuencia esperada Frecuencia observada 38 0 1 0. página 163 puede ajustarse a una distribución normal.1507 0. La bondad del ajuste se estudia en eI ProblemaT.cAP.47 6 p :0.31. : 2.(0. página 178. Se tiene P(x caras en una serie de 5 lanzamientos) : f(¡) = sCrprqs-".0332 0.

Y se pone de manifiesto que ee ajuetan ba¡tante bien con las frecuencias observadas realmente.6 menor que 64. se observa que hay una distribución normal que se ajusta e¡trechamente a los daüos. Tabla ?-7 Lfmite¡ realee Estatura de clase z pan los límites reales de clas€ Area bajo la cuna normal desde 0 ha¡ta z Area para cada cl¡ee Flecuencia eeperada Frecuencia observada (pulgdas) 60-62 r 59. se obtienen lae frecuencias esperadas de la sexta columna.32.6 menor que 73. Par:a.0413 0.5 7t.72 -1.0 23.40 respectiva- La cua¡ta columna. = 61. Por lo anterior. La "bondad {el ajuste" de la distribución qe congidera en el Problema ?.6? 0. Véase o a I É to 5 o a d E 62. donde la media i y la desviación típica 6 se han obtenido en los Problemas 5.5 66.92 ó 39 27.grófico de probabilidad eepecial.6 74.5 62. 7-13.32.6 Rcl¡tiv¡¡ Acumulada¡ (%) 6. caicular e de los límites reales de clase.5 7¡.43 ít 7 4. ? 76 Frecuenei¡¡ Estatun (pulgad¡¡) menor que 61. son pasadas sobre los límites reales superiores de clase.238 ENSAYOS DE HIPOTESIS Y SIGNIFICACION Tabla [cAP. se rutiliz.46 pulgadar. Estas se obtienen restando las á¡eas sucesivas de la cuarta columna cuando las correspondientesz tienen igual signo y sumándolas cuando üienen aigno contrario (lo cual solo ocurre una vez en la tabla). ?-r3 hoblema ?.a -2. como se muestra en la Tabla 7-6.6 68.0743 72-74 6 4 20.E 50 40 30 20 Primero. página 163. la distribución de frecuencia¡ dada se convierte en una di¡tribución de frecuencia¡ relativas acumuladas.5 menor que 70.4920 0.z z = . Multiplicando lo¡ valores de la quinta columna (que representan las frecuencias relativas) por la frecuencia total n (en e¡te ceso n = 100).35 y 5.92 pulgadas (x mente El trabajo puede organiza¡se como en la Tabla 7 -7 .0 92. 7. La¡az6¡ de esto se ve claramente con un diagrama.68 6 2l 38. . que da las áreas bajo la curva normal de 0 a z se obtiene con la tabla del Apéndice C.6 &tatura (pulgada¡) Fis.44. anotadas en la última eolumna.0 65. Después.0 100.7L 6 28 7.5 7L. las frecuencias relativa¡ acumuladas expreeadar en porcentajes.t3 D 18 42 27 8 ñ.tlls.39 2.2771 0. Ajustar una cunra nonnal a los datos de la Tabla 5-2. como se ve en la Fig.6 menor que 67. determina la bondad de ajuste de la distribución dada a la distribución normal. s = 2. dadas en la quinta columna. De aquÍ se sacan las áreas bajo la curva normal entre los valores sucesivos de ¿.2068 6L65 6&68 69-71 68. en un papel.5 oD.41 0.36 1.6 ¡¡+ 0. El grado en que los puntoe así dibujados ee encuentran sobre una lÍnea recta.70 -0.3892 0.0 Io a E ql € ó a () 95 90 80 70 Q0 a (t 6 .4177 0.

33.f 0l2r + : (21)(0) '50 (18X1) + (7X2) + (?liQ_l q)(a) = . puesto que 4. respecti- xz = (o) El valor crítico (b @t:lptlz -(rz:. ?] ENSAYOS DE HTPOTbSIS Y SIGNIFTCACION Tabla 239 7-t 7. Para conveniencia de la comparación. durante los cuales r autos tuvieron accidentes en una ciudad. 313 {11 = Iq"+ill En l¿ T¿ble ?-9 aparecen lae probabilidadee para 0.* : P(r accidentes) 1118 2 7 o.05.7:2 -L = l.2.np)z npt npz - (115__100)2 Pueeto que el número de categorías o clases (caras.eo Entonces. respectivamente rr = 115. Ajustar los datos a una distribución de Poisson. np2 : tOO. Comparando con el valor de \ : 0. de acuerdo con la distribución de Poisson.33 I 2 3 18.3 y 4 accidentes de esta distribución de Poisson.50 .90 hallado. a¡í com. Tabla 7-9 Número de accidentes.01.63. En 200 lanzamientos de una moneda se obsen'aron 115 caral¡ y 85 sellos.84.rj días. (b) 0. Las frecuencias de caras y sellos observadas son.30 8. hi' la ) El valor crítico xlso para 1 grado de libertad = 6. Entonces y eeüos esperadas si la moneda está bien hecha son np : 100.84.4066 0. Las frecuencias de caras vamente.1647 espeado 20. LA PRUEBA CHI.50 pótesis de que la moneda está bien hecha al nivel de significaeión del 0.47 0. no se rechaza Se deduce de los resultado¡ observados que aon probablemente significotivos y la moneda no estó probaPara una comparación de este método con los métodos utilizadog anteriormente. Entonces. < 6. se rechaza la xlo¡ para 1 grado de libertad es 3.60 hipótesis de que la moneda está bien hecha al nivel de significación del 0.. .0494 0. Ensayar la hipótesis de que la moneda está bien hecha con un nivel de significación del (c) 0.v: + (85:!00)2 = 100 h 4. da 0.CAP.01.9?. puede ser esto un indicio de la adaptabilidad de la distribución de Poison a la muestra de datos. 100 sellos) es h:2. El cálculo de la varianza de la distribución da' da.'12 ¡ 85. puesto que 4. la euarta columna que da los números de días observados se ha repetido. > 3.24 2. blemente bíen heclu.o loe números teóricos de días en los que ee presentarán ¡ accidentes (obtenidos multiplicando las correspondientes probabilidades por 50). Para una verdadera distribución de Poisson.0111 4 6 6 ó Nótese que el ajuste de los datos dados a una distribución de Poiseon es bueno. 0 r N(rmero de dÍasr Número de días obsen¡ado 2L 18 7 3 1 {r accidentes) 0. véaee método 1 del Pro" blema 7.05.34.56 6 ó 20 18 8 2 1 0.CUADRADO ?. la varianza d : L.36.63.1. Entonces. El número medio de accidentes es Número de I Número de accidentes.3659 0. La Tabla 7-8 muestra el número de días f durante un período de 50 días.

96 a 1. Esto conduce a las mismas conclusiones que por el primer método.5)z = _100 )_ (L[. ? 7.5 .36.1. (24-20\2. ^-------::-:-. . (2.S¡(0f)--7.)z .63 se deducen las mismas conclusiones que en el Problema ?.g.240 ENSAYOS DE HIPOTESIS Y SIGNIFICACION [cAP.7OO)17 . dades tipifica¿¿5 : 4.5 en uni: (114. si el valor de z está fuera del intervato -1.ema se cumple siempre que la prueba de chi-cuadrado comprende dos categoiías.34 que la hipótesis se rechaza al nivel de 0.06. (ZJ2)2 : 4.34 utilizando la corrección de yates. Método 2.96.4.00 20-+ n 20 Puestoqueelnúmerodecategoríasoclases(carasl.15.05)2 7 -37.84. solucionar el Problema 7. De ello se sigue que la concordancia entre ambas frecuencias no es tan buena como para no dudar de Io deducido.84 y 4.00 > 1. (16_20¡z _ *--lO-+ +ñ=5.npr o _ (rt-np)2 .-nps)2 (ra-npe)2 < 11. la media y la desviación tÍpica del número de caras espe- : (l1b -lOO)t7. Se sigue como en el Problema 7. véase método 2 del Problema 2. Nótese que el cuadrado de este valor.07.6)esh:6. (185 _ __ 1001 Í4. El valor crítico a2e5 para 5 gados de libertad es 11. (23-20)2 +--lO . Nótese que el cuadrado del valor anterior. La Tabla 7-10 muestra las frecuencias observadas y esperadas allanzat un dado 120 veces. 7. Entonces 114.34 mediante la aproximación normal respectivamente.L2. Método 1. Solucionar el Problema 7.07 :2. (rr. 115 o más caras equivale a 114. radasen200 lanzamientosdelamonedason¡r=np=(200)(0. Con un nivel de 0. Pa¡a una comparación con los métodos a4teriores.34' Esto Con un nivel de significación del 0.v:h-1-:6-1:b. es igual al valor de ¡2 corregido con la corrección de Yates p¡ra la continuidad del Problema7.1.5 o más caras. Véase Problema 4.01. Esto se cumple siempre que la prueba de chiruadrado eomprende dos categorías y se aplica la corrección de Yates. es el mismo valor de X2 obtenido en el probl.zvb Puesto que 4'205 > 3.15. se rechaza la hipótesis de que la moneda eetá bien hecha.0.5)z _ . (rs-np¡. de nuevo en consecuencia del Problema 4. de modo que X2 : 5.b8 a2. Con la corrección para la continuidad. x2 (conegida) = = (lzt - nptl nPt 1001 0'5)z + !1""- np2l npz - 0'5\2 (1115 - 100 _ 0.2o5 < 6. a la distribución binomial.5)2 .05 pero no al de 0.86.58.5) =100yo=1fipq=/IZOO¡O.35. puesto que 5. (rz-npzl2 . 115 caras en unidades tipificadas Bajo la hipótesis de que la moneda está bien hecha.01 el intervalo sería -2.05. no se puede rechazar Para 5 grados de libertad x%s: 1.35.2. (rt-nptl2 .86. Entonces.00 la hipótesis de que el dado está bien hecho.86.60. Ensayar la hipótesis de que el dado esté bien hecho al nivel de significación del 0.s)z = 100_ 100 tt q^< 4.5. Tabla 7-10 C¡ra Frecuencia obaervada I 25 2 3 15 4 23 5 24 6 t7 20 l6 20 Frecuencia eeperada 20 20 20 20 np2 np| np4 np| np6 _ (25-20)2.O7 : 2.05 y un ensayo bilateral.20. 7.93_4)' _(15-20\2 .

. .h=4yelnúmerodegradosdelibertadesv=4-1=3.7I ENSAYOS DE HIPOTESIS Y SIGNIFICACION 241 7. Ensayar la hipótesis de que la urna contenga proporciones iguales de los diferentes colores. estos números deberían presentarse en la proporción 9:3:3:1.01. la aproximación de chi-cuadrado será errónea.38.se esperarían fttssel = -- 312.ss= = 3. . loe resultados obtenidoe están sujetoe a unh razonable influencia de error muestral. x?ss: 11. de modo que no se puede rechazar la teoría al nivel de 0.'nr parav: h -1:9 gradosdelibertad es21-.76 *W = 0. Se deduce que cabe sospechar alguna tendencia no aleatoria en dicha tabla de números. 108lisos y verdes. Puesto que eetos números esperados Bon menores de 5. obseryó 315 lisos y amarillos.cAP. Se deduce pues. 9 que se da en la Tabla 7-11.como 23. 101 rugosos y amarillos y 32 rugosos y verdes. ¡$5: 0. Una uma contiene un gran número de bolas de cuatro eolores dife¡entes: rojo. teoría y los reeultados del experimento están de acuerdo.. 7. ?.zS lisos y verdes Struol = frtssol 104. ¿Difiere sigrificativamente la distribución observada de la distribución esperada? Tabla 7-11 Dígito Frecuencia obserrada Frecuencia eoperada 0 1 2 3 4 5 6 7 8 9 L7 31 29 18 l4 20 35 30 20 36 25 26 26 25 25 25 25 26 26 26 x2 = ry*ry. En los erperimentos de Mendel con guisantes.352. 4 amarillas y 1 verde.L. cabría esperar 3 bolas de cada clase en la muestra de 12 bola¡.2. Una muestra de 12 bolas extraída aleatoriamente de la urna dio 2 rojas. Para evitar esto se agrupan las categorías de modo que los núme¡os esperados en cada categoría sea al menos 5.3. ¿Hay alguna evidencia que permitadudarde su teoría al nivel de significación del (a) 0.26 rugosos y amarilloe B4.7. Una tabla de números aleatorios de 250 dígitos mostró la distribución delosdígitos 0.01.470 Puestoquehaycuatrocategorías. naranja. : 3.05? El número total de guisantes es 315 + 108 + 101 + 32:556.g El valor crítico d" x. De modo que aunque el acuerdo es bueno. (b) 0. .352 y X2 :0. amari'llo y verde. . que la Nótese que para 3 gtados de libertad. de modo que no se puede rechazar la teoría al nivel de 0.40.Qe-2512 try+ .76\2 3t2.3 >2!3 sededucequeladistribución observada dífiere significativamente de la esperada al nivel de significación del 0. 5 naranjas.81. ?.75lisosy amarillos tol.05. Bajo la hipótesie de que la urna contiene proporciones iguales de los cuatro colores.4?O > 0.zb rugosoe y verdes ft Entonces tssol = x2= (o) (b) Para v Para v (3L5 3L2.01. x2. Puesto que los números esperados están en la proporción 9:3:3:1 (y 9 * 3 + 3 + 1 : 16). . r ry = 2s.39. De acuerdo con su teoría.

Ensayar la hipótesis de que el dado esté bien hecho al nivel de significación de 0.84seestaríainclinandoarechazarlahipótebien. se tiene (9 ^cuando las proporciones de los colores sean iguales.10). Sin embargo.Entonces. Así pues.1.65 De acuerdo. "Siete" se puede presentar de 6 formas y "once" de 2 formas. no se rechazaría la hipótesis al nivel de 0. (24-20\2 .ü.42.07 Parav:2-1:7. se tiene x: = 0qj:_6Fo. se observaron 74 veces "siete" y 24 veces "once".242 ENSAYOS DE HIPOTESIS Y SIGNIFICACION [cAP. - e¡z -9 Parav:2-l:1.) x2 _ = -6-. x' _ (1 -3¡:r ooo Puestoqueparav=4-1:3.05(aunque sí se puede al nivel de 0.r que conduce a las mismas conclusiones anteriores.:-:_+r::__-::_:sis de que los dados estén X¿ 4. (5-e)z .-ss:3. la aproximación ¡' para frecuencias pequeñas es pobre.81 sellegaríaalasmismasconclusionesqueantes.xjr¡. ¿Es el resultado consistente con la hipótesis de que el nacimiento de varón y hembra son igualmente probables? .5)2 #-g*): = 3.84.05.x2l)s==3.41. empleando la corrección de Yates. 7.rP.tz. Un par de dados puede caer de 36 formas.05.Asínosepuedetechazrlahipótesisalniveldesignificacióndel 0. lo mejor quizá sea incrementar el tamaño muestral haciendo más observaciones si se está interesado de una manera especial por alguna razó¡en el nivel de 0.:?. = siempre reduce el valor de ¡2 . se agrupan las categorías de forma que la evidencia en contra de Ia hipótesis se muestre claramente.ces P("siete") : 1/6(360):60 veces 6/36 : 1/6 y P("once") :2136: 1/18. se rechazaría la hipótesis a algún otro nivel (tal como 0. En tales casos. Ento¡-. los resultados que se obtienen utilizando la correc- ción de Yates son más dignos de confianza que los resultados no corregidos. (4--3)2 . de aquí que cuando no sea aconsejable agrupar frecuencias se debe recurrir a los métodos exactos de probabilidad incluyendo la distribución multinomial. ? Si se desea rechazar la hipótesis. aun Otro método: Utilizando la corrección de Yates. puesto que incluso el valor corregido de y2 se encuentra cerca del valor crítico.10). Sin embargo.Desgraciadamente. l)na encuesta sobre 320 familias con 5 niños dio la distribución que aparece en la Tabla ?-12. pues con la X2 corregida. Esto se consigue en nuestro caso considerando las categorías "roja o verde" y "naranja o amarilla".(ig:lf-!éE. se obtendría ¡2 a pesar de que las frecuencias sean dema- (2-3¡z .05. Esto cabía esperarse puesto que la corrección de Yates Debe ponerse de manifiesto que si se emplea la aproximación de siado pequeñas. Los resultados observados pueden imaginablemente deberse al azar.5)2 (124 - 2ol - 0.84.0. en 360 lanzamientos cabría esperar "siete" y 1/18(360):20 veces "once".0?>3. = ry. Puesto que el número esperado en cada categoría bajo la hipótesis de iguales proporciones es 6. = - 60l 60 - . En general.puestoque4. En 360 lanzamientos de un par de dados. para las que la muestra dio 3 y 9 bolas. de modo que (74-60)2 . De otro modo. para grandes muestras tales como las de aquí.. se tiene (174 (correglda. 7. . se duda acerca de la decisión que se debe tomar. z. respectivamente.

68 38. (88_100)2.1 : 4.959 7.(L44_161.m : 5 .m : 6 . .(287_308.L .:z . BONDAD DE AJUSTE ?. X?ss = 9. 100. Así se deduce que los reeultados son probablemente significativos y el nacimiento de varón y hembra no son probablemente iguales.os:0.9)2 . Determina¡ la bondad de ajuste de los datos del Problema 7.z = 6 4. Pa¡a rr = 2. Para v : 2 (que son la me- = 2.2)2 . . como 8e indica en la Tabla ?-14. (110_100)2. Para V 1 (que er el pará- los datos es muy bueno. Bajo la hipóteeis nula lfq de que el suero no tie' ne efecto.?)2 .?)2. (4 niños y 1 niña).cA¡.3.1 . pectivas probabilidades anteriores por 320.64 > O. . Solucionar el Problema 7. x2. 10.!. lag cla¡ificaciones 8on independientes. x. x. De aquf queel ajuste de creerse. el ajuste no es "demaiido bueno".412_ -58:t-- .43.-..serechazarálahipótesisalnivel de significación del 0.. y los reaultados son 10.=--_a6---_Eñ-----Jó¡-----i6b--_-Ed. (164-150.99.. pero no al 0.43 20.103. TABLAS DE CONTINGENCIA 7. Seap:probabilidaddenacimientodevarón. Para y : 4. v = k . . puesto que X2 = 0.05. 7l ENSAYOS DE HIPOTESIS Y SIGNIFICACION Tabla ?.49. 50.U Puesto que x:e5:11.1 y x.44. Asf'puesto que X2 = 7 .13 *(18-2-0:68)2 *(a2:^-39=92\2-(27:3ft7rl2 *(8:?'j13)z:0. .92 27.Entonpiobabilidadee de (5 niños).sss:15.13 utilizando la prueba chi-cuadrado. 100.4.1y0 niño¡seobtienemultiplicandolasres' (40-50)2.7t Puecto que el número áe parámetros empleadoc en estimar las frecuencias esperadas es m dia g y la dewiación típica o de la distribución normal). Utilizar la pmeba chi-cuad¡ado para determinar la bondad de ajuste de los datos del Problema 7.". Adviértaoe que ¡fo es equiyalente a afirma¡ que la recuperación eeindependie¿úe del empleo del suero.--I¡Ié- . Se deduce que el ajuste de los datos es muy bueno. 2. el ajuate no es tan bueno como pudiera = 4.?11.os= 5.32. 50.?11.103.= (s8_33.(342_316.01. 7. cabría esperar que 70 individuos de cada uno de los grupos Be recuperase y 30 en cada grupo no se recuperase.(26-29. "!ü Puesto que el número de parámetros utilizados para estimar las frecuencias esperads e8 m metro p de la dietribución binomial).1 .1 .12 243 Número de niños y niñas 5 niños 0 niñas 18 4 niños 1 niña 56 3 niños 2 niñas 110 2 niños 3 niñas 88 I niño 0 niños 4 niñas 5 niñas 40 8 TOTAL s20 Número de f¿milias .setiene P(ániñosy0niñas) = (+)5 : # P(4niñosylniña) = 5(¿-)4(á) : ¡tz P(3niñosy2niñas) = f0(l)3(i)2 = # Enüonces el número de familiae que 8e espera P(2niñoey3niñas) : f0(l)2(l)3 = i8 P(lniñoy4niñas) = 5(+X+)4 = t P(OniñoeySniñas) = (+)5 = + tengan 5.212.^ _ (18_10)2 (56_60)2.yg:1-p:probabilidaddenacimientodehembra. De aquí (8_10)2 _. (5 niñas) son dadas por loe términos del desarro(p llo binomial * C)5 = p5 + 5p1q I l|psqz ¡ l0pzqs ¡ Spqt 1- qs SiP:O:t12.---T08J.1 para y:61:6gtadosdelibertad.959 > 0. .30.--_-16-_¡&.x2.-r3)2 . ...45. es decir.--lóo:t- . La¡ condiciones del problema se presentan en la Tabla ?-13. Entonces. xL¡s:0. v : k .-El: .2 : 2.---r¡If.i".

se deduce que lob resultados no son significativos al nivel de 0.51). 7. Esto podría haberse visto rápidamente.13 FRECUENCIAS OBSERVADAS Se re. Se No ¡e recuperan recuperan TOTAL 100 100 Grupo. la prueba chi-cuadrado en relación con proporciones muestraleg de una tabla de contingencia 2 X 2 equivale a un ensryo de significación de diferencias de proporciones mediante la aproximación normal.!t_. Sr. No se está así en condiciones de rechazar Il¡ a este nivel y se deduce o que el suero no es efectivo o se deja sin tomar decisión en espera de posteriores ensayos.Puestoqueparalastablas2Xz. Tabla ?-16 FRECUENCIAS OBSIERVADAS Sr.38 < 3. En general.54. x2)x2ss correrpondea x>x.vó Obteniéndose que las conclusiones del Problema 7.0.-. obtenido en el Problema ?. Nótese que X2 : 2.84.profesores son iguales. que es igual a la¡ dos dadas anteriormente. X Sr. or^_.84 para 1 grado de libertad y puesto que ¡2 = 2. 7.5)2 . ya que.^se sigue que X er lo mismo que z en este caso.A Grupo B TOTAL 140 60 200 Puesto eue X.45 aplicando la corrección de Yates. 200 140 30)2 o _ (75 x-1rc-?o70)2 - 70)2 .5)2 * ----?O- (i65-701 -0.10 uüilizando z. Está claro que solamente se tiene libertad lara colocar un número en una de las cuatro casillas vacías. pueeto que una vez hecho esto loq números de las restantes casiüas vienen obligados por los üotales ya indicados. pero en la que solamente se han puesto los totales.No ee recuperan cupetan TOTAL [cAP.¡. Z. porejemplo. Solucionar el Problema 7.46.13.05. como en la página 215 (véase Problema ?.30\2 (36 *ffi = 2'38 Tabla 7-16 Para determinar el número de grados de libertad.244 ENSAYOS DE HIPOTESIS Y SIGNIFICACION Tabla 7. = I. drado Cel valor de z. Y y Sr. habrían suspendido 27 lL80 : Iíc/o de los estudiantes y DO .45 son también válidas aquí. De modo que hay un grado de libertad. (35-301 -0.gs.5)2 * ----TO* ?O S0 _ . ^.ss : 3. ? Tabl¡ 7-14 FRECUENCTAS ESPEBADAS BAJO Ho Se re. En la Tabla 7-16 se indican los estudiantes aprobados y suspendidos por 3 profesores: Sr. Asf pues.Z 56 8 64 TOTAL 153 27 180 Aprobados Suspendidos TOTAL 50 D Bajo la hipótesis H¡ de que las proporciones de estudiantes suspendidos por los tres profesores son las mismas.38 es el cuadrado del valor de z : 1.5)r . Y 47 L4 61 Sr. (125-301 -0.No ¡e recuperan cuperan TOTAL Grupo A (utilizando suero) Grupo B 75 25 Grupo A 100 100 (utilizando suero) Grupo B 70 30 100 (no utilizando suero ) 65 35 60 (65 (no utilizando suero) TOTAL (25 70 30 60 100 200 TOTAL 14r. _ ¡¡ (corre(rda) = (i75 -70\. Ensayar la hipótesis de que las proporciones de estudiantes suspendidos por los tres . al rechaza¡ una hipótesis al nivel de 0. ya que la corrección de Yates siempre disminuye el valor de ¡¿".Xz egelcua- Nótese también que yn ensayo unilateral utiliaando ¡12 equivale a un enEayo bilateral utilizando. conaidérese la Tabla 7-15. X.e5óx{-x.05 utilizando X" equivale a rechazar esta hipótesis con un ensayo unilateral al nivel de 0.--.47.

(47. Entonce8 *. sin embargo. considérese la Tabla 7-18.r"/" a1b2 (o.(h+Ic-l) = (h-lx/ú- 1) como se requería._ (50-46.48.n2nslnl2 . Y 85% de S¡. X ¿IO Tabla 7-18 Sr.61.40)2 (5-8. que es igual que la Tabla 7-L7 pero en la que solamente se han puesto los totales. 7.25 OD : didos TOTAL 55 61 9. después de lo cual.zs¡ : 5. de otra forma se necesitan ajustes como los descritos en ( b ).05. Nótese. 153 qn X Sr. solamente se está en libertad de poner al azat un número en una de las easillas de la primera columna y ot¡o en una de las casillas de la segunda o tercera columna. .ó+ Pa¡a determinar el número de grados de libertad. pá. Sr.25)2 .99. los resultados esperados bajo la hipótesis nula aparecen en la Tabla 7-20. Demostrar que -pa¡a la tabla de contingencia 2 X 2 que se muestra en la Tabla 7-L9 x2= Tabla 7-19 n(arb2- azbt\2 Tabla ?-20 TL\lLzlL¡fl's RESULTADOS OBSERVADOS I A B TOTAL at br RESULTADOS ESPERADO.gina 22O .L5% de 55 : I5% de 6t 9. Está claro que como cada fila y cada columna han decumplir con loü totales.CAP.75 = = 51.40 : Aprobados Suapen- Suspen.60 64 180 64 180 Entonces o x-.49. Í4-9. Se deduce que el número de gtados de libertad hk . Z TOTAL 153 27 Aprobair¡c didos TOTAL 85% de 55 : 6l 4G. que puesto que x:eg : 4. * ó1)(o1 * o2) o1*óq*a21b2 n a2b.n"n¡ln\z' nrnn/n ntftl.e 64 54. Hay h (fz > 1.5135-547ó-----d25 9J5 --. no se puede rechazar I/e al nivel de 0. Las frecuencias esperadas bajo FI¡ se muestran en la Tabla 7-17.15 61 15% de 64 8.1Xk .60)2 4175 -.1). k > 1) el número de grados de libereg * & - 1 totales independientes de un total hÉ. Así pues. Pero : (ar- nrnn/n)z (a". Puesto que x. Y St.75\2 . se puede rechazar lfs aI nivel de 0. Mostrar que para una tabla de contingenciah X h tad es (h .15)2 (8-9. hay en este caso dos grados de libertad. Z TOTAI.60-=4.ecuencias teóiicas.85)2 (56-54. ?] ENSAYOS DE HIPOTESIS Y SIGNIFICACION habrían aprobado el 86Vo de los estudiantes. Nótese que este resultado es válido si se conocen los parámetros poblacionales necegarios para obtener las fr.núnR/n "r'.-. Tabla 7-17 ITRECUENCIAS ESPERADAS RAJO Sr.S II A2 TOTAL fL¡ fiB I A B TOTAL II n2n¡ln n2n¡/n 'tL2 TOTAL n1n¡ln rl¡ fl3 b2 rL2 nrnsln n1 nl tt n Como en ql Problema 7-45. 7. at__n_ = -nrrxJn (ór nrnsln)2 (b2.85 85V" d.51.10 si se está dispuesto a correr el riesgo de estar equivocado 1 vez de cada 10. todos los números restantes vienen obligados por lo8 totales.

45. bz = nz(l- Pz) tlg = flq Utilizando (3) y (4).n2P2n{l . ^ (t) n /otbr-ozbt\2 n lotbr. n1=at*b¡ nz=a2*b2. a1 =75.tn)z = 200il(?5x35) 2.=. Sise aplica la corrección de Yates. ¡e tiene del Problema 7. r¿r(1 - Pr).P)2 nWtPrA$ .50. da x' : D'- n(a. Dr = 65. nt=140. = #.. n2:60. de modo que (r) (4) ú1 = nlPy az = nzPz. dado en (IO) en la página 215. 7 Análogamenta Así.246 ENSAYOS DE HIPOTESIS Y SIGNIFICACION lcAP. Or--m arb2 = - a2b.P)2 que es el cuadrado del estadístico Z.=&r*a2*b1*b2. r¿¡ = 100. (/ ) se remplaza por (21 "rr"r"^"" : nL2 nrnznAnB x2 (conegida¡ n(ltl.49. se tiene p la proporción poblacional.bq - aqb'12 donde A:&tbz-azbt.Prl .49 paralos datos del Problem^I. entonces riI ) del Problema 7.a2b)2 -T nrn2nAnB nrn2(Pr. COEFICIENTE DE CONTINGENCIA ?.93 7.51. f..10012 = 1. P. - O2 l¿z' fL¡ tl' ó.45.38 : Empleando la corrección de Yates. ns = ür*ó2. Denótese por P1 y P2 las dos proporciones muestrales y blema 7.46 ¡2 (corregida) = ---ñ^"" - = - (25X65)l (140)(60X100X100) . frA=úr*az. . Ilustrar el resultado del Problema 7..49 da x2 = n(1aft2. yn:2OO.azbtl .4S. C= vra = {*#fu : r/d'6112e = 0'1084 .49 x2= n(ap2. -flg L-p l-P2 = bc -= = q = -. ns = 100. 1-Pr .ozbr\2 n /orbz-ozót\2 ml?¿B\ n n nzn¡\ n n¡r¡\ / / / n fatbr-tzDt\2 n ?zrs\ / que al simplificar. Demostrar que una prueba chi-cuadrado que se refiera a dos proporciones muestrales es equivalente a un ensayo de significación de diferencia de proporciones utilizando la aproximación normal (véase pagina 215). Halla¡ el coeficiente de contingencia para los datos de la tabla de contingencia del Problema 7. Con referencia al Pro- (r) (2') P. el resulüado eg el mismo que en el Problema 7. ür : 'tL¡ = flP. se puede escribir az-ry = ur-ry = Í2fts .ln)? = -"r!rrrñr" 7. bz:35. EnelProblemaT. a2=26.Pr)]2 nrnínpnq = nfri\+LlllrJ (Ya que n = nt+tt2l (Pt.52.

50)2 (0 .3)10] = 0.7)8(0.L27).1?19. las únicas frecuenci¡¡ de casillas que no Eon cero aparecen en la diagonal que baja de izquierda a derecha de la tabla.3504 7.54. en la gue el número de fil¡s y columnas eon ambas iguales a &. PROBLEMAS DIVERSOS 7. todor loe que tomen el suero 8e recuperarán y todor lor que no se lo tomen no Be recuperarán. donde g =L- p.-60 . (f) p : 0. Un instructor hace un cuestionario forurado por 10 preguntas falso-verdadero. hallar la probabilidad de aceptar la hipótesis p P : 0.6)?(0. Para taleo ca¡os. do¡ clasificaciones son perfectamente dependiente¡ o a¡ociadas.55.56. adopta la siguiente regla de decisión: (i) si 7 o más respuestas son acertadas el estudiante no las acierta por casualidad.2.6. En tal caso. el estudiante está adivinando. Esta tabla de contingencia aparece en la Tabla 7-21. En el problema 7.6)e(0. D Tabl.". para la dependencia total en uua tabla de conüingencia. el e¡tudiante acierta alazar). suponiendo independencia total.3)3+ r0Cs(0. Pueeto que las frecueneias eeperadas.8.13.".. (e) p : 0.21 valor máximo de C ee presenta cuando la¡ Se recuperan No se recuperan 0 TOTAL 100 GrupoA (utilizando auero) (no utilizando .o. 7. Nótees la probabilidad de error del fipo I.¡* .?0?1.---80.60)2 50 . . P(7 o más correctas) : P(7 correctas) * P(8 conectas) + P(9 corectae) * P(10 correctae) = .4.(g)p : O. (a) Sip : 0. = 1/@-ffi.3.t.53. (b)P : 0.64.----80Entonceg el valor máximo de C e¡ .3) + r0Cr0(0.4) + 10010(0.0o)z (0 .[roOi(0. (ii) en caso contrario.4)2+ ro0a(0.6)101 = 0.4)3+ roOs(0.5 cuando realmente = O'7' : O.(á) = 0.7)e(0. son todas igualea a 50. Seap la probabilidad de que una pregunta sea contestada correctamente.?1e Asi ee que ésta pues..3)2+ r0Ca(0.7)7(0. (d) p : O.. (c)p : 0.5 cuando realmente (a) p : 0. hallar la probabilidad de aceptar la hipótesisp = 0. (100 .9.6 la probabilidad pedida será 1 - [P(? conectas) * P(8 correctas) + P(9 cotrectas) + P(10 correctas)] =|- ho0?(0..5 (ee decir. 7l ENSAYOS DE HIPOTESIS Y STGNIFICACION 24V 7.(.? Bajo la hipótesis p P(menoc de 7 corectas) : - 1 -P(7 o mác conectas) 1 .. (Véase Problema 7 .618 . C. ee 0.ueno) TOTAL 100 (irupo ó 0 100 100 100 100 200 .i . Para ensaya¡ la hipótesis de que el estudiante acierte por car¡udidad..6)8(0. Hallar el valor máximo de C para la tabla 2X 2 del Problema 7.cAP. " x.(+Xá) * . Hallar la probabilidad de rechazar la hipótesis cuando es corTecta.. la probabiüdad de decidi¡ que el eetudiante no reeponde al aza¡ cuando es que si.= (100 zw En general. = 0.ro)¿ . La probabilidad de conteetar correctamenté Bajo la hipótesisp r pregunta¡ de las 10 será rcCrqqto-'./Zt(xz + n'l = t/ñl@6T 2oo-) = 0. En el Problema 7.54.X.".(iX.a 7.".

ó) y (Ht:.7 0.8 0. Utilizar el Problema 7.68. l0 09 08 0? El gráfico pedido es el de la Fig.5).9 0.248 ENSAYOS DE HIPOTESIS Y SIGNIFICACION [cAP.¡qn. 7. pero no al 0. Ensayo unilateral: Aquí se deeea decidi¡ entre las hipótesis (Ho: p: 0.6 0. caraa en 6 f(x\ = P(x lanzamientos) = Entonces lae probabilidsdes de 0.Ele al nivel 0.54.1 El grafico indica que la regla de decisión dada ee muy odecuado para rechazat p:0.57.6) y (Ht: p > 0. 7. 1.3 0.1094. 2.6 y 6 caras son dadas.5).350 0.01. Ensayo bilateral.2 0. **. (c). 3. se puede rechazar. Ad- la curva OC del 06 Si se hubiese dibujado (1 -p) yp.0.01 la moneda no está bien hecha? Considerar ensayos de una y dos colas.03125. Puesto que P(0 ó 6 carar): t'o+* = 0. p + 0. viértase la semejanza con Problema 7-27. .5)(ee decir. ¿Puede deducirse que al nivel de significación (c) 0.56 para construir el gráfico de É y p obteniendo así la cun¡a característica de operación de la regla de decisión del Problema.!¡. como se muestra gráficamente en la di¡tribución de probabilidad de la Fig.trf6 llnivelde .5 0. se habría obtenido la curvo de potencia de la regla de decisión.05. Puesto queP(0 ó no ee puede rec}ntzar H¡ al nivel de 1ó 5 ó 6 caras) = 2(t) = 0.999 0. Ensayo u¡ilateral.t v i. pero no d 0. ee puede rechazar ñfe Ensayo bilateral: al nivel 0.05 ó 0.65. $oluciona¡ el Problema 7.01. .Puesto queP(6 caras): f¡ :0. Bajo la hipótesis (Ho: p: 0. 03 02 0.5 dado por p : 1 . 7-14.64. el resultado observbdo es significativo al nivel 0.01662 y P(6 ó 6 carad) = * +-# : 0.06.05.945 0. Se ha irrcluido también el valor para p : 0.01. (g) pueden hallar¡e análogamente y se indican en la Tabla 7-22 junto con el valor correspondiente a p : 4.1094. la moneda está bien hecha).013 0 828 7. Nótese que la probabilidad se denota por p (probabilidad de error del Tipo II). +i.828 del Problema 7. . 0.t+. Una moneda que se lanza 6 veces da 6 veces cara. Sea p la probabilidad de ca¡a en un solo lanzamiento de la moneda.121 0.989 0. Aquí se desea decidir entre la¡ hipótesir (Ho: p : 0.2188. 4. pero no al 0. Tabl¡ ?-22 p B 01 1.5 cuando realmente p > 0. Pueeto que P(6 ó 6 earar): * + # = éa:0.05 y (b) 0.4 0.05 ó 0. 0. no se puederechazar. respectivamente.618 0.8.000 0. . ? Loa resultados de (b). por #.01).59. si en la moneda sale 5 veces cara.7 hallado en el Problema 7 .1.58.01 (es decir. 7-15.1?19 : 0.

/ \V^r/ \Vrzl .Yt va¡iablesmutuaÍienteiñdependientes con dist¡ibución de Poisson y parámetros tr¡ : npt.. .nPz.*/t'-^'\' \Vrr. . Xz X¡ tienen una distribución multinomial.. como se define por (21).Yz=U2r . = (nP . .tYx=at I Yr* Yz-1. .. npp respectivamente.... Asl el denominador tiene el valor "":.¡p_r¡rll*l)q/ = '' \P Pq = (P-. ^#--"Jpltpf2"'plk 7... Demostra¡ que la dist¡ibución condicional de las f dado que Yt*Yz+ "'+Yx = es precisamente la distribución multinomial de las X. i npn: n.L tu¿cione¡ por medio de la Tabla 7-23.Y2=U2. el numerador en (2) tiene. Tabl¡ ?.61 demuestra que podemos remplaza¡ las X por lae Y independienúes con dietribución de Poisson ai ae cumple que Y¡ + Y2 + " '* Y¡": ¡..págtna 218.61.62. *Y¡r= n¡ PlYr=At. página 118]. por definición.l\z : npz trr : zpr respectivamente. sabemos del hoblema 4. Yr + ). .. iYr.cAP.Yz=Az..60. yx= ax) = 19#)1-+gj. + ' ' ' + Y¡ es en sí migma una va¡l¡ble de Poi¡eon con parámetro np¡ * np2 + ... . tiene aproximadamente una distribución chi-cuadrado. Epplear el resultado del ProblemaT.p)2 PQI'I¿ 7.aL. página 14?. (5) de la página 214.'. Suponga que Xt.7l ENSAYOS DE HIPOTESIS Y SIGNIFICACION 249 7.. Por t¿nto reeecribimo¡ (2/ ) como (r) x2 = /t'=^')'*f"'=^'\'*.¡Yt=Ur Y Yt+Yz+ "' *Y¡r= P(Yr+ Yz| "' * Y¡ = n¡ e-n n¡ Entonces. el valor En cuanto aI denojminador. Enüoncec.6t pa¡a demostrar que ¡2. n(P.. y2= u2...23 Si P es la proporción mue¡tral para La categoes la proporción poblacional y n eo la frecuencia total.= ut.+ph=L.. busc¿ndo está dada por Iadi¡üribucióncondicionalqueeetamos P(Yt.1'"'-.endientec.Y¡=Ur I Yz* .Pl n(l-p)=nq TOTAL n .. de (I ). Pa¡a la función de probabüdad conjunta de ft l¡¡ Y tenemos (r) (21 p(y.. ce pueden describir las ei- ría I. el Problema 7. que Yr + Y... de acuerdo con la resüricción (221.. p I Frecuencb observada Frecuencia esperada nP np II n(l. . *Y¡= n¡ = que ee la distribución multinomial de la¡ X [compárese (I6). Tal como oe establece.." Por tanüo (2) ee conüerte en P(Yr=Ur.96.p)z = . Sin embargo. (21) ea diffcil de manipular ya gue las X di¡üribuidas multinomialmenüe son dep. con frecuencias esperadas flPt.. Mostrrir que una prueba en chi-cuadrado que comprende dos categorías es equivalente al ensayo especial de significación para proporciones (pagina 214)..:í-^*f e-^ dondehemo¡uuiüzadoelhechodequept*pz+. Sean f.np\2 -p nP [n(r - P) - n(L - Pll2 nz(P-p)z*n2(P-plz "q Pq que es el cuadrado del estadístico Z.

. +fpylrlÍd P(l{-ptzt+\/pzz2+'. ' + 6.. Por analogía concluimos que en (7). +zl3-t .rtz f .-\ = Í'\r) para un valor apropiado de y. 7-16 (s) Numerador = (Z). (2r)rrz P'r-tlrrrrr'.. r. El factor 2e es el eopesor de la tira.+z!=r..+ ' G Recordamos de la geometría analítica que en el espacio tridimensional rl+ r2"* n! = o2 representa un sólido esférico de radio c con centro en el origen.)/2 dz1 dz2.. .r+ . I f . el Teorema 4-3 demueg221 + Z|+ .1 se integra sobre el á¡ea circular -o a üravés de una tira delgada en esa área. zl'zl+. Primero que üodo. 7-16 indica la intere€cción de los dos cuerpos. pági'nla 1L @. .ependientes con media 0 y varianza dependiendo del suceso.+ {przr = rl-prz*l o. d3. tenemos para el numerador de (5): (?) Numerador = (Zr)-krz ( ( e-(zl+zl+ " +zl)/2 dz1dz2.. Escogemos Pt=Pz="'=Pk-r=0.. e- Q1+ zi+. a3). y el teorema del límite central para las distribuciones de Poi¡rcn x2 - zi+ zZ+ .. utilizando (6). Ft @) = (2n'¡-r. Por tanto... + zi = < . En otras palabras. l{nz.el valor de la integral es completamente independiente de los cosenos direccionale¡ et./pzZzr. Entonces lo que desearnos demoetra¡ es: grados de li- r I lfnrzt+ \/p2z2l. i= 6 6s un"plano a través del origen cuya normal es el vector unitario (at.. La Fig.+ PQI+ z3+ . todos loe L tienden 2] resulta I @.qz. d. se pueden da¡ los valores convenienteg arbitra¡ios a las p.?+ . Es lógico que cuando una función que depende solamente de la distancia desde el origen..dz¡ Además. ya que la función de densid¡d pan cada Z¡ e (2r)-r/zs-z2rz.+ zi I cuya digtribución es condicional 0 donde las Z son variables norniales ind. es decir f (r\ donde .. . ' + Zles chi-cuadrado con k grados de libertad.rz . donde s¿irLl¿gra sobre la intersección de una hiperesfera "-/t2 alrededor del origen.dz¡ JJ :l+zl+ .-tzl+zl+ ' +z!)/2 dzldzr.... + z!.1-..z¡_ /2e) = 4r4l.r por Fy(r) la función de distribución acumulada para una va¡iabli chi-cuadrado con bertad. (s) (t') Denótese (5) llrzr+t/xrzr+. dz. ..o 6 {eLzL+\/pzzz+.. + lTt zrl <.. .<r y !{ltZtr..+ tf-xrz* . = . .[r.... ya que las variables son continuas. ( *".250 Cuando n (2) ENSAYOS DE HIPOTESIS Y SIGNIFICACION lcAP. . tra que la distribución incondicional de (6) Es fácil establecer (5) si utilizamos nuestra intuición geométrica.+162¿+. ? * [(1 4 )..) _ D. r7f.+l/lrz*l<.=. en tanto que ¿rr1 ! a2r2 i a3r.) pe?+zi+.zhl < l Fo rz r+ vF¡¿. todos los planor cortantes a travé¡ del origen dan la misma integral. .Pt=| y obtenemos Fig.

Var (W) = pr(l) * pz$) * .9.0. Esüo provee Problernas suplem. 7'68.05? 7.entarios ENSAYOS DE MEDIAS Y PROPORCIONES UTILIZANDO DISTRIBUCIONES NOBMALES ?'63. 7. (¿) ¿Cuál eería la hipótesis nula y cuál la alternativa? (b) ¿Se utilizaría un ensayo de una o doe colas? ¿Por qué? (c) ¿Qué regla de deci¡ión se adoptarfa si el nivel de significación fuera del b.1 y la desviación típica fue 8. Comentar la significación de este resultado al nivel de 0.trLtroyo uniiateral y un nivel de significación del 0. se acuerda en tomar una muesüra de 64 bglas con anotando lo¡ colore¡ extraídos y adoptando la siguiente regla de decisión: (I ) se acepta la raen entre 28 y 36 bolas rojae.cAP. y que E\W\ = VE(O) + \/p2(o)+ . mediante (of un ensayobilateralyla¡.05 desde el punto de vista de (o) un ensayo unilateral y (b) un ensayo bilateral.93 onzas..40 onzas. erplicando las conclusiones sacadas con estos ensa- . Discutir las razones de las posibles preferencias de uno de estoe ensayos sobre el otro. no cargados. es decir.1i¡ ee rechaza en caso co¡rtra¡io. En una escuela determinada con 200 estudiantes el mismo examen dio una puntuación media de 75.65.. Ensayar la afirmación del fabricante al nivel de aignificación del (o) O. + V!f. Una urna contiene bolar roja. Un examen sobre una muegtra de 200 de talee equipos reveló que 18 eran defectuosos.66. proporción d. 7. normal (puesto que e8 una combinación lineal de la¡ variablee Z normaies e independientee). ee decir.63 si ee quisiera que la probabitidad de rechazar la hipótesis siendo realmente conecta sea a lo sumo 0.05 y (ó) 0.e y azules.ebolac rojas que de azules. Supóngase que en el Problema ?. Solucionar el Problema 7.01? (b) ¿A qué nivel de confianza ee aceptaría la hipótesis? (c) ¿Cuál ¡ería la regla de decieión si ee adoptara un nivel de significación del 0. yos.63 se desea eneayar la hipóüeeis de que hay moyo.64.OO. y Denominado¡ (. ¿Se puede deducir al nivel de signüicación del (o) 0. se adoptarÍa en el Problema 7. (o) Hallar la probabilidad de rechazar la hipótesis cuando en realidad aea correcta..05.01.lO¡ La experiencia ha demostrado que la media de resistencia a la rotura de una determinada clase de hilo e¡ de 9-72 onzas con uria desviación típica de 1. se quiere un nivel de significación del 0. la puntuación medi¡ fue de 74..e) = p(lWl < e) - e4(0)(Z€) = 7.7 o.01? Se lanza un par de dado¡ 100 veces y se observa que un total de ('siete" apa¡sce 23 veces. Enaayar la hipóteaie de que los dados esüén bien hechos. ..0ó? (d) ¿Cuál sería la regla de decisión si el nivel de significación fuera del 0. una muestra de 36 piezas de hilo dieron una resistencia media de 8.67.7l ENSAYOS DE HIPOTESIS Y SIGNIFICACION 26L Para evaluar el denominador de (5) notamos que la variable aleato¡ia W = lptZl * es l-p222 + .. La "demostración" anterior (que puede hacerse rigurosa) muestra incidentalmente que cada restricción lineal colocada alas Z. Para ensayar la hipóteeis de proporciones iguales de e¡to¡ colores. En un examen dado a un gtan número de estudiantes de muchas escuelas distintas. donde z : h - las bases para las reglas dadas en la página 219. (ó) Interpretar gráficamente la regla de decisión y el resultado obtenido en (o).69. Un fabricante sostiené que al menos el 95% de los equipos que Euministra a una fábrica eetá de acuerdo con las especificaciones requeridas.66 ei el nivel de significación es del 0.. + {pt Zt. (o) ¿Qué regla de decisión ?. Recientemente. 7. (Zr)-t/2(ze) Al dividir (8) por (9) obtenemos el resultado deseado.Of O.01 que el es ahora peor? hilo 7 .01.(o¡ : 1 s Por tanto la función . y por tanto a la¡ Y o a las X reduce el número de grados de libertaá en X2 en 1. * p¡(1) = de den¡idad paraW es p(rr) : (Zr)-r/2e-u2/2.

73.19.72 ensayar Ia hipótesis de que las bombillas del fabricante B sean mejores a las del fabricante A utilizando un nivel de significación del (o) 0. Con un nivel de significación del (a) 0. 0. ción típica de 6. Utilizando un nivel de significación del (a) 0. Una muestra de 75 bombillas de otro fabricante B dio una duración media de 1230 horas con una desviación típica de 120 horas. En un examen de psicología de 12 estudiantes de una clase hubo una puntuación media de 78 con una desvia- 7.70 si el nivel de significación es del 0.01 V (b) 0. 7. Para ensayar los efectos de un nuevo fertilizante sobre la producción de trigo.024. Unamuestrade 10 análisis dio una media de contenido en cobre de 23. determinar si los dos tipos de soluciones tienen diferentes valores de pH.32%. ENSAYOS REFERENTES A DIFERENCIAS DEMEDIAS Y PROPORCIONES 7. respectivamente.72. Análisis de 6 muestras de A dieron un pH medio de 7.01 y (ó) 0.05. Ensayar la hipótesis de que la duración media de las bombillas no ha cambiado.80. Análisis de 5 muestras de B dieron un pH medio de ?.032. Muestras al azar de 200 tuercas fabricadas por la máquina A y de 100 tuercas fabricadas por la máquina B dieron 19 y 5 tuercas defectuosas. mediante un nivel de significación del (a) 0. una parcela de terreno se dividió en 60 cuadrados de áreas iguales.7 4.8f En el Problema 7. A causa de lo costoso del mantenimiento de estas máquinas resulta que a menos que el tiempo 4e producción ee disminuyaen un8.O7o laintroducciónde tales máquinas en eI proceso resulta antieconómico.05. Dos tipos de soluciones químicas. A y B fueron ensayadas pa¡a ver su pH (grado de acidez de la solución). ¿Hay diferencias entre las duraciones medias de las bombillas de los dos fabricantes al nivel de significación del (o) 0. ENSAYOS EN RELACION CON LA DISTRIBUCION ú DE STUDENT 7. Una muestra de 100 bombillas de un fabricante A dio una duración media de 1190 horas y una desviación típica de 90 horas.05 ensayar la hipótesis de que las máquinas deben ser introducidas. ? 7.05. 7. En el Problem a 7 .05 y (b) 0. mientras que la puntuación media de 36 niñas fue de 75 con una desviación tÍpica de 6. con los niveles de significación de (o) 0. Explicar las diferencias entre esto y lo que se pedía en el problema anterior. exposción a la luz del sol.24%.49 con una desviación típica de 0. mientras que 15 estudiantes de otra clase tuvieron una puntuación media de 74 con una des- .01 las niñastengan mejor ortografía que los niños. etc. ensayar la hipótesis de que el nuevo fertilizante sea mejor que el antiguo. La duración media de Ias bombillas producidas por una compañía ha sido en el pasado de 1120 horas con una desviación típica de 125 horas. Una muestra de 8 bombillasdelaproducciónactualdiouna du¡aciónmedia de 10?0 horas.01? En el Problema 7 .63 fanegadas.76. Mediante unniveldesignificación del 0.a2. lcAP. El número medio de fanegadas de trigo cosechadas por cuadrado en los que se utilizó el fertilizante nuevo fue de 18.7 8.01. .01 y (b) 0. Ensayar la hipótesis de que (o) las dos máquinas tengan diferente calidad de fabricación y (b) la máquina B sea mejor que A. ?.7 7 ensayar la hipótesis ¡¡ : 1120 horas contra la hipótesis alternativa tt diante un nivel de significación del (o) 0. 7 .05 y (b) 0.8 y 0. Ensayar la hipótesis de que a los niveles de significación (a) del 0.05. 1 . En seis pruebas de este tipo se obtuvo un decrecimiento en eI tiempo de producciónde 8.54 fanegadas. El nuevo fertilizante se aplicó a 30 de estos cuadrados y el antiguo fertilizante a los restantes. ¿Se contradicen los resultados con los del problema anterior? En un examen de ortografía en una escuela elemental.01.4a. Utilizar el nivel de significación del 7.01.7L. todos ellos tenían idénticas características de suelo. 7./o con una desviación típica de 0. Las especificaciones para Ia producción de una cierta aleación piden el 23. me- 7.a media y desviación tfpica correspondientes a los otros cuadrados fueron 17.05 y (b) 0.252 ENSAYOS DE HIPOTESIS Y SIGNIFICACION Solucionar el Problema 7. (b) 0. ¿Puede deducirse al nivel de significación del (c) 0.79 ensayar la hipótesis de que el contenido medio de cobre sea más alto que el que marcan las especificaciones. [.05 y (b) 0.76.77.2 con una desviación típica de 0.01.5% y una desviación típica de 0.05 que el producto presenta las especificaciones requeridas? ?. la puntuación media de 32 niños fue de 72 con una desviación típica de 8. < 1-t2O horas. Un experto efieiente mantiene que introduciendo un nuevo tipo de maquinaria en un proceso de producción se puede disminuir sustancialmente el tiempo de producción.2% de cobre.05 y (b) del 0. respectivamente.83.52 con una desviación típica de 0.01.

Con la temperatura media del día 15 de cada mes.95.731o ó 3o. Determinar los Iímites de control del (a ) 99% y (b)95% pam el número de tuercas defectuosas de cada muestra.6. ?. Comparar estos gráficos con los del Problema ?. tienen varianzas dadas por s? : 16 y s2 : 8 respectivamente.94. La resistencia a la rotura de una muestra de 8 cables dio una desviación típica de 300 libras. Ensayar la hipótesis de que las temperaturas en esta ciudad presentan ahora menos variabilidad que en el pasado. . Alrededor del lVo de las tuercas producidas por una compañía son defectuosas. ?. Construir (a) unacurva OC y (ó) .89.25 considerando Ia analogía de bolas rojas y azules con caras y sellos respectivamente. (b ) 0. (c) 0.82. ?. Para determinar si el producto está de acuerdo a estas normas.93. t¿ ?.26 y 7 .3. Ia desviación típica de las temperaturas anuales fue calculada como de 10o Fahrenheit.CUADRADO 7. (b ) 0. Solucionar el Problema 7.77 una muestra de 20 bombilta¡ reveló una desviación típica en la duración de 150 horas. (o ) Solucionar los Problemas 7 . La desviación típica de resistencia a la rotura de ciertos cables producidos por una compañía viene dada por 240 libras. (b) (1 -p) y p. determinar Ia probabilidad de aceptar la hipótesis de que haya igual proporción de bolas rojas y azules. ?. ENSAYOS EN RELACION CON LA DISTBIBI'CION CHI.05 y (b ) 0.E8. Adviértase que en esüe caso solo son necesarios los límiúes de control super.91. Para mantener esta calidad de producción. (d) 0. (e ) 0.01 . Después de introducir un cambio en el proceso de producción de estos cables. En el Problema 7.86. (b) 0.63.92. ?.87 si las dos mueetras con¡i¡ten de 60 y 120 observaciones respectivamente.01. se toma cada 3 horas una muestra de 16 piezas de hilo y se determina la resistencia media. Investigar la significación del aparente incremento enla variabilidad.05. cuando la proporción real p de bolas rojas sea (o) 0.27 si se eru¡ayan 400 cuerdas. Representar gráficamente los resultados del Problema ?. Con un nivel de significación del 0. En el Problema 7.05. Hallar los límites de control del (a) 99.01? CUBVAS CARACTERISTICAS DE OPEBACION ?. En el pasado.27 GBAFICOS DE CONTROL DE CALIDAD 7. desviación típica de las temperatwas anu¡legde una ciudad en un período de 100 años fue de 16" Fahrenheit.90.84. 7l ENSAYOS DE HIPOTESIS Y SIGNIFICACION es 263 superior al segun- viación típica de 8. Comparar estas curvas con las del ProblenaT . (b ) ¿Qué conclusiones pueden sacarse de acuerdo con Ios riesgos de error del Tipo II cuando se incrementan los támaños muestrales? 7 . ¿podemos concluir que hay una diferencia significativa en la variabilidad de los valores del pH para las dos soluciones al nivel de significación del 0. 7. ENSAYOS EN RELACION CON 7 LA DISTBIBUCION F . un cierto tipo de hilo producido por un fabricante tenía una resistencia media de roüura de 8.05 determinar si el primer grupo do.cAP. durante los 15 últimos años. mediante un nivel de significación del (a ) 0.0f . Ensayar la hipótesis de que la primera varianza poblacional es mayor que la de la segunda a un nivel de significación del (o ) 0. En relación con el Problema 7. una curva de potencia correspondientes al Problema 7.7. al nivel de significación del (a) 0.90 construyendo un gráfico de (c)p V p.81 .65. se toma una muestra cada 4 horas de 200 de las tuercas producidas.85.ores.9. Dos muestras consisten de 21 y 9 observaciones.64 onzas y una desviación típica de 1.28 onzas. (b) 99% sobre un gráfico de control de calidad y explicar sus aplicac¡o- nes. ¿Concluiría que esto no es común? Explicar.8.

7. 7. 108 Mierc. (o) Determinar las frecuencias esperadas.106. Los resultados aparecen en la Tabla 7-26 junto con las frecuencias esperadas bajo la hipótesis de que las monedas están ces y Tabla 0 caras Frecuencia observada 7 -26 2 caras 3 caras t.05 si el profesor nuevo sigue las mismas nornns de puntuación que los otros. el número de muertos por unidad y año debido a coz de caballo se dan en la Tabla ?-2b. solucionar el Problema 7. las puntuaciones dadas por un grupo de profesores en un determinado curso dieron un promedio d. utilizar papel gráfico 30 62 16 l0 .05 2 rojo 0 blanco Número de extracciones con Ios esperados. Durante un largo período de tiempo.107. 7. . 7 z AJUSTE DE DATOS A DISTRIBUCIONES TEORICAS -24 2 7.40% C. Mar. Delerminar al nivel de significación de 0. Número de libros sacados Tabla 7 -27 Lun. 3 4 . 7. 3.05.105.l 1 cara 108 bien hechas.se muestran en la Tabla ?-2g.01. El número de defectuosas ""d" fueron 2. se anota su color y se vuelven a la urna. Ajustar una distribución normal a los datos del problema 5. 7. Se Tabla 7-28 0 rojo 2 blanco 1 rojo 1 blanco 53 si los extraen aleatoriamente dos bolas de la urna. 7 '97 Ajustar una distribución binomial a los datos dela Tabla 7 _24.66 C' 16 D y 12 F. 6l ?.99. Tabla 0 ? -25 I ?-101.CUADRADO 7'102' En 60 lanzamientos de una moneda se observaron 37 caras y 23 sellos. Se lanzaron tres monedas un total de 240 vese observó cada vez el número de caras obtenido.108.0r . (á) 0. Una urna contienc 6 bolas rojas y B blancas.g8 pueden ser aproximados estrechamente a una distribución normal.e 12% A.rrru de 4 máquinas.254 ENSAYOS DE HIPOTESTS Y SIGNIFICACION Tabla f 0 [car. Ensayar la hipótesis de que la moneda está bien hecha utilizando un nivel de significación del (o) 0.34 8.^ 30 Frecuencia esperada )0 90 3() ?. 146 t20 7. Ajustar una distribución de poisson a los datos del hoblema 2. Ensayar la hipótesis de que el número de libros sacados no dependa del día de la semana. 10. .LB% B.1'04. resultados obtenidos son consistentes (. (b ) 0.05. Determinar si existe entre las máquinas una diferencia significativa al nivel dc significación del 0.100. Se eligieron aleatoriamente tuercas de la producción de .05.0b.100. I 65 22 a l 10!¡ I LA PRUEBA CHI. El número de libros sacados de una biblioteca pública durante una semana determinada viene dado en la Tabla ?-22.96. 114 Vier. Un profesor nr¡evo da durante dos se_ mestres 22 A.r02 utirizando la corrección de yates.96 y comparar con el ajuste obtenido utilizando la distribución binomial.103. (b) Determinar al nivel de significación del 0. Ajustar una distribución normal a los datos del problema 5. de probabilidad para determinar si los datos del Problema 5.gg. Ensayar esta hipótesis al nivel de significación del 0. 7. con un nivel de significación del (o ) 0. Juev.98.Lg?o D y 12% F. 9. Este proceso se repite un total de 120 veces y los resultados obtenidos. Ajustar una distribución de Poiss<¡n a los datos. En 10 unidades del ejército prusiano y en un período de 20 años 1875-1894.

La Tabla ?-30 muestra el número de estudiantes de cada una de dos clases didos A y B que aprobó y suspendió un examen dado a ambos grupos. Dott. Mediante un nivel de significación del (o) 0. ensayar la hipótesis de que no haya diferencia entre los grupos vacunados y no vacunados. A un nivel de significación de (a) 0.99.la Tabla 7-32. A 72 64 t7 23 Clase B 7.L17. es decir. Posteriormente. enfer No se maron 'enferma¡on Vacun¡dos No Vacunados I L7 42 28 ?.ensayarlahipótesis de que no hay diferencia entre las píldoras de dormir y las de aziucar al nivel de significación del 0. (a) Utiliza¡ la prueba chi-cuadrado para determinar la bondad de ajuste de los datos del Problema?. 7l BONDAD DE AJUSTE ENSAYOS DE HIPOTESIS Y SIGNIFICACION 265 7. medianüe un nivel de significación del (o) 0. a unos se les dio pfldoraspa¡adormi¡. la vacunación y esta enfermedad son independientes. 7. Sobre una decisión de importancia nacional. Los resultados de una encuesta hecha para determinar si la edad de los conducüores a partir de los 21 añoe. los votos de los demócratas y republicanos registraron los resultados que se observan en.cAP. 7.01 y (b)0. se Ies preguntó si las pastillas habían surtido efecto o no.(b) ¿Es el ajuste "bastante bueno"? Emplear el nivel de significación del 0.114.31 DurmieTabla 7-32 ron bien Tomaron píldoras para dormir 44 No durmieron bien Demócratas 10 A favor 85 118 En contra Abstencionistas 78 61 37 Republicanos 25 Tomaron pfldoras de azúcar 81 35 7. (b)hoblema 7. tiene su efecto en el número de accidentes de automóvil (incluyendo todo tipo de accidentes) se indican en la Tabla 7-34.05 v (b) 0. mientras que a otros se les dio píldoras de azúcar (aunque todoselloscreíonque suspíldoraseranparadormir).ensayarlahipóteois de que no hay diferencia entre ambos partidos en lo que a esta decisión se refiere. Tabla ?-30 Aprobados Clase 7.05 y (b) 0.111. Mediante la prueba chi+uadrado determinar la bondad de ajuste de los datosde (o)Problem¡ 7.01 y (b) 0.101. IA Tabla 7 -29 muestra el resultado de un erperimenüo para investigar el efecto de vacunación de animales de laboraüorio contra una determinada enfermedad.113.96. 7.05 V (b) 0.118. Tabla 7.0ó. 7. ensayar la hipótesis de que no haya diferencia entre. De un grupo de enfermos que se quejaban de que no dormían bien. Solucionar el Problema 7. Suponiendo que todos los pacientes dijeron la verdad.110. ¿Qué poeiblee dificultades en las t&nicas de muestreo como en otras consideraciones pueden afect¿r las conclusiones? . Ensayar la hipótesis de que las notas de física sean independientes de lás obtenidas en matemáticas.112.01 ensayarlahipóteaisdequeelnúmerodeaccidentes es independiente de la edad del conductor.98.115.LOg? TABLAS DE CONTINGENCIA 7 Tabla 7-29 Se .01.100. las dos claees. (b) Problema 7.f09.06.112 introduciendo la corrección de Yates. N nivel de significación del (a)0. Ia Tabla 7-33 da la relación entre las notas de los estudiantes en matemáticas y física.05. El resultado de sus respuestas se muestra en la Tabla 7-31. ¿Es consistente el resultado de (o ) con el del problema 7 . Mediante la prueba chicuadrado determinar la bondad de ajuste de los datos de (c) Problema ?. Hacer el problema con y sin la corrección de Yates.116. Mediante un nivel de significación del (o) 0.05 y en cada caso determinar si el ajuste es "bastante bue.01. Utilizar el nivel de significación del 0.06.

127.L23.121. la suma de frecuencias en la fila ¡ y en la columna j de una tabla de contingencia (frecuencias marginales). se toma una muestra de 50 bolas con remplazamiento de cada una de las urnas.LL4. Hallar el coefieiente de contingencia para los datos del Problema ?. donde n és la frecuencia total de todas las casillag.266 ENSAYOS DE HIPOTESIS Y SIGNIFICACIOD¡ Tabla 7-33 lcAP. 7. respecüivamente. ? MATEMATICAS Notas altas Notas altas O CA Notas medias 71 Notas bajas L2 Dt) AO Notas medias Notas bajaa 163 42 38 85 T4 Tabl¡ 7-34 EDAD DEL CONDUCTOR 21-30 31-40 41-50 78s 51 51-60 720 66 16 5 61-70 672 50 RH HE< 0 748 74 82r 60 26 10 oz ÉE I 2 Bg z< 3l 22 6 ID 7 lMásde2 I 7. Xu) r¡ñY Azules No azules 49 30 8-ó 7.49.8165aproximada- 7. 20. es JUS:0. Dos urnas A y I contienen igual número de bolas.122. Demostrar el resultado (2) det Problema 7.126. pero se desconocen las proporciones de boias rojas y blancas en cada una de las urnas. discutir las tablas de contingencia h X k X I.) 7. mostrar que la frecuencia esperada para la casilla perteneciente a la fila i y a la columna j es n¡n. donde n es la frecuencia total de todas las casillas.11?. ?. ( sin y con coeficiente de n de yates. (b) el coeficiente COLOR DE PELO Rubio No rubio 25 96 7.1 .119. . (o) Demostrar eu€ ¡2 = 2@l/np. (b) Con el resultado de (c) hacer el Problema 7.¡¡¡. Demostrar que el coeficiente de contingencia máximo para una tabla fr X k es 1/1t¡ PROBLEMAS DTVERSOS ./n. Hallar el coeficiente de contingencia sin y con la corrección de Yates para los datos de (o) problema 7.1L2 y (b) Problema 7. COEFICIENTE DE CONTINGENCIA 7. Demostrar que el coeficiente de contingencia máximo para una tabla 3 X 3 mente. La Tabla 7-35 muestra la relación entre el color del pelo y los ojos de una müestra de 200 estu- Tabla ?-36 resultado contingencia. diantes.125.128. Si nI y n! denotan. Por similitud con las ideas desanolladas para tablas de contingencia h X &. señalando las posibles aplicaciones que pueden_tener. 7'.?r para toda tabla de contingencia. 7.117.121.

Construir gráficos análogos a los del Problema 7. 2.0ó. En eI Problema ?.129. (c) 0.135. 7. Solucionar los Problemas 7. Comentar los resultados. Demostrar que para la Tabla ?-36 y2 " n = o(l+ú+"?\ * 2a (u" +ú+ rt2 'tL2 ns/ rr o?) ns ¡\ ?t I \t¿r / -.7l ENSAYOS DE HIPOTESIS Y SIGNIFICACION 267 dando la de A 32 bolas rojas y la de B 23 bolas rojas. ?. 7. Al nivel de significacióndel 0.132.6 con una desviación típica de 0.55. 7 n¡ ng üt fl1 b2 .001' (d) 0.4?.01? Utilizar un ensayo bilateral. El porcentaje de calificaciones A dadas en un curso de física en una universidad determinada durante mucho tiempo fte L0%. 7.48. el número medio fue de 21.140. ?.13g.05 ensayar la hipótesis de que (o) las dos urnas tengan igual proporción de bolas rojas y (b)A tenga una proporción de bolas rojas superior a 8. ¿Se puede rechazar la hipótesis de que la moneda está bien hecha al nivel de significación del (o) 0. ?.136.56 si el 7 en la regla de decisión del Problema 7. Solucionar el Problema 7. el número medio de millas por galón consumido en 5 automóviles análogos bajo idénticas condiciones fue de 22. Durante un período particular hubo 40 calificaciones A en un grupo de 300 estudiantes.138 ¿hay mayor variabilidad en millas por galón utilizando la marca B que utilizando la marca A? Explicar. (b) 0.01. Solucionar el Problema 7. ?. Una moneda se lanza 8 veces y se obtienen ? caras. A B Tabla 7-36 I &1 II A2 III dg ó3 'tLg TOTALES ?.132 si salen 6 caras.132 empleando un ensayo unilateral.13?.l4O para obtener el valor de TOTALES lr2 n . (b) 0'01.05. ?.23 pzra el Problema 7. Explicar cómo podría definir interualos de confianza unilateroles y dar una posible aplicación.54.10. Con otra marca B.140. ?.134. Generalizar el resultado del Problema 7.cAP.05.142. Mediante un nivel de significación del 0.0Sinvestigarsila marca A realmente es mejor que B proporcionando mayor recorrido por galón.64-7.141.138.4 con una desviación típica de 0. (b) 0.54. ?.130. es ahora 8. Con referencia al Problema ?. Utiliza¡ el resultado del Problema 12 para el Problema ?.54 ?.06 de que el estudiante no está contestando al azar.131. ?. Con una determinada marca A de gasolina. (c) 0.133. Ensayar la significación de este resultado a un nivel de (a) 0. hallar el menor número de preguntas que un estudiante debe contesta¡ correctamente para que el instructor esté seguro al nivel de significación del (o) 0. Comentar cómo puede utilizarse la teoría del muestreo para investigar las proporciones de diferentes tipos de pescado presentes en un lago.

regresión y correloción CURVA DE AJUSTE Muy a menudo en la práctica se encuentra que existe una relación entre dos (o más) variables. x2. Así para la Fig. 258 .. 8-L Fig.e n individuos resultaría en las estaturÍtsr¡.. si r y y denotan la estatura y peso de un adulto. El paso siguiente es dibujar los puntos (xt. si logy vs. Dicha curva se llamacurua de aproximación. Así por ejemplo. 8-3 El problema general de hallar ecuaciones de curvas de aproximación que se ajusten a conjuntos de datos dados se denomina curua de ajuste. ). . Del diagrama de disper'sión es posible frecuentemente visualizar una curva que se aproxime a los datos. . 8-3 parece que no hay ninguna relación entre las variables. 8-1 podríamos utilizar una recta U = a*br (1) mientras que para la Fig. . y..!2.8-1. En la práctica el tipo de ecuación se sugiere frecuentemente del diagrama de dispersión. El conjunto resultante de puntos se llama a veces diagrama de dispersión. . En la Fig. 8-2 aunque existe una relación entre las va¡iables ésta no es una relación lineal y por esto la llamamos relación no lineal. Eig. ... Un primer paso es la cblección de datos indicando los valores correspondientes de las variables.!n. (xn. entonces una muestra d.xn y los pesos correspondientes !t. . 8-2 ensayaríamos una curua cuadrótica o parabólica ll = a*l¡r*crz (Z'l Algunas veces conviene dibujar los diagramas de dispersión en términos de uariables transformadas. (¡. Sin embargo. y se desea expresar esta relación en forma matemática determina¡rdo una ecuación'que cónecte las úáriables. Por ejemplo.Capítulo B Curvq de oiuste.e los datos se aproximan bien por una recta y decimos que existe una relacióñ l¡ieat entre las vaiiables.seoüservaq. En la Fig. tl-2 ['ig. ) err un sistema de coordenadas rectangulares.. y. . ¡ conduce a una recta trataríamoslogy: a* bx comoecuaciónpara la curva de aproximación. en la Fig. . lz\. porejemplo.

3lr ). o residuo y puede ser positivo. . correspondiendo a los valoresfz. .cAP. REGRESION Y CORRELACION 269 REGRESION Uno de los propósitos principales de la curva de ajuste es estimar una de las variables (lauariable dependiente) de la otra (la uariable independienfe).. 8l CURVA DE AJUSTE. Para un valor dado de .r como la independiente. Al menos se especifique lo contrario consideraremos a y como la variable dependiente y a. una parábola con esta propiedad se llama pardbola de mínimos cuadrados. . u otras curua. "mejor parábola de ajuste". la Fig. la definición se modifica al considerar las desviaciones horizontales en cambio de las verticales.. por ejemplo r ¡ . que se reduce a intercambiar los ejes r. error.r. esto no se emplea con frecuencia.al conjunto de datos la suministra la can. Pot tanto una recta con esta propiedad se llama recta de mtnimos cuadrados. De todas las curvas de aproximación de un conjunto de puntos de datos dados. etc.. parábolas. + d?". El proceso de estimación se conoce como regresión. . negativo o cero. Por tanto tomamos la siguiente Fig. xn obtenemos las desviaciones d2.. RECTA DE MTNIMOS CUADRADOS Empleando la definición anterior podemos demostrar (véase Problema 8. y"). Para evitar el juicio individual en la construcción de rectas. más de una curva de un tipo dado parece ajustar un conjunto de datos. la curva que tenga la propiedad de que ¿?+A?'+ es la "'+dl = unmínimo mejor curua de ajuste. Denotamos esta diferencia por d. Si la suma es pequeña tidad dí + d.r. Si y se va a estimar a partir de r por medio de alguna ecuación la llamamos ecuación de regresión de y sobre r y a la curvarorrespondiente curua de regresión de y sobre x. Una curva con esta propiedad se dice que ajusta los datos en el sentido de mínimos cuadrados y se llama curua de regresión de mtnimos cuadrados o simplemente curua de mtnimos cuadrados. y. habrá una diferencia entre el valor de ! t y el valor correspondiente determinado de la curva C. . y. Análogamente. Sin embar- Es posible definir otra curva de mínimos cuad¡ados considerando distancias perpendiculares go. 8-4 en la cual los puntos de datos son (. . etn. . es necesario obtener una definición de la "mejor recta de ajuste". + el ajuste es bueno si es grande el ajuste es malo. . que algunas veces se conoce como desuiación. Jr ).3) que la recta de mínimos cuadrados de aproximación al conjunto de datos (r1. METODO DE MINIMOS CUADRADOS Generalmente. . dn. 8-4 Definición. Si r es la variable dependiente. . Estas dos definiciones conducen en general a dos curvas de mínimos cuadrados diferentes.) tiene laecuación A = a*bu (e) .(xn. (Ín. Se acostumbra a emplear la definición anterior cuando r es la variable independiente y y es la variable dependiente.s de aproximación. desde los puntos de datos a la curva en cambio de sus distancias verticales u horizontales. . Para motiva¡ una posible definición considérese Una medida de la "bondad del ajuste" de la curva C.

()c'¡z (101 donde r. mientras que la segunda ecuación se obtiene primero multiplicando por r ambos lados de (3) y luego sumando. 2fr. porejemplo. Los resultados (I0) u (I. Lr t=r Las ecuaciones norma- les. Los resultados se obtienen simplemente intercambiando x y y. Esto quiere decir que si hacemos la transformación (comúnmente lla¡nada traslación de eies) dada por n = a'Ih u - a'+k (e) donde h y h son constantes arbitrarias. debe notarse que ¿. la recta de regresión de mínimos cuadrados de * sobre y es . denominado el centroide o centro de gauedod de los datos. se pueden recordar fácilmente si se observa que la primera ecuación se obtiene formalmente sumando ambos lados de (3). REGRESION Y CORRELACION lcAP. k -. entonces b también está dada por b- n2r'g' n2fr'2 - (2r"¡(2y') . Los valores de c y b obtenidos de (a) están dados por n_ ()sX)r')-()cX)cs) "-w h . De (8) también se ve que la recta de mínimos cuadrados pasa a través del punüo (i. si se desea podemos hallar primero b de (5) o (6) y luego emplear (7) para hallar a = ú bá. es la constante fundamental para determinar la recta. j= r. que es la pendiente de la recta (3).ú. (I0) u-2f. Esto es equivalente a escribir la recta de mínimos cuadrados como - a-ú = b(r-i:) o u_ú =t&#p@_it\ (8) El resultado (8) indica que la constante b. y' lpor esta razón decimos que b es invariante bajo la transformacrón (9)1. primera ecuación normal en (4) por n resulta es decir. 2ra en cambio de 2 o.a}r+b)12 por brevedad hemos utilizado (/r) que se conocen como las ectnciones normales para la recta de mínimos cuadrados.f ) son útiles frecuentemente en simplificar el trabajo involucrado en obtener la recta de mínimos cuadrados. que determina el intercepto sobre el eje r. I donde las constantes a y b se determinan solucionando simultáneamente las ecuaciones 2u = an*b)r 2rs =.260 CURVA DE AJUSTE.n2ry n2r2 . como es común.. y han sido simplemente remplazadas por r'. depende del origen (y por tanto no es invariante).2 se simplifica a (11\ .o. Sin embargo. En el caso particular cuando h = ñ. y). Las anotaciones anteriores también son válidas para la recta de regresión de r sobre y. (4). Lógicamente esta no es una derivación de las ecuaciones normales sino solamente un medio para recordarlas. ¡ = (2r)ln.. La pendiente b de la recta de regresión es independiente del origen de coordenadas. Al dividir ambos lados de la (7\ ú = a*bi Por tanto.(>oX>y) (2u12 - (5) El resultado para b en (5) también puede escribirse como (6) Aquí.U. Obsérvese que 2a. una bana indica media. Así.

Por ejemplo.cAP.(Y. PARABOLA DE MINIMOS CUADRADOS Las ideas anteriores se amplían fácilmente. . "-.\(U_. (17) Hasta ahora no hemos considerado la significación precisa del coeficiente de conelación sino so' lamente lo hemos definido en términos de las va¡ianzas y covarianza. En la págrna 263 se dará la significación.ú)/s" y (U . c se determinan de las ecuaciones normales 2u : na-tb)*+c2n' Zr'u : a2r +b>r2*c)rt 2*"u -' o2*" +¿r>#+c}ra (19) Estas ecuaciones se obtienen formalmente sumando ambos lados de (18) después de multiplicar sucesivamente por 1. REGRESION Y CORRELACION 26r Uz) n-n = >(=o)t'=. 8l CURVA DE AJUSTE. Ias rectas de regresión de mínimos cuad¡ados de y sobre den escribirse respectivamente como _ r y de r y pueUt+) u-ú=$t*-*l S¡u.I. b. Í: También es de interés notar que si las dos rectas de regresión (f 6) se escriben como y c * dy respectivamente. entonces bcl -_ t2 * b3c.Ú) )¡ _ . y están dadas por )(c .(* o\ 8u\s"/s. si : 2(U .\ssi trul En vista de que (r .= entonces (14) puede escribirse como l'\ ry : . página 82] .laparóbola de ¡nínimos cuadrados que ajusta un conjunto de puntos muestrales viene dada por ?l = a*br*cr2 (f8) donde a.U)/s" son valores muestrales. -s "" n-n n Q3) sobre En términos de éstas.ú)" ora 2(r . . RECTA DE MINIMOS CUADRADOS EN TERMINOS DE VARIANZAS Y COVARIANZAS MUESTRALDS Las varianzas y covarianzas muestrales de r. n-r:rrt@-ü S¡ Sy Si formalmente definim os el coeficiente de correlación muestral por Icomparat (54). tipificados. x y x2 respectivamente. Ios resultados en (16) proveen unaiorma muy simple de récordar las rectas de regresión.3) : a e¡) v-g : .¡l@-u\ 2(u . en cuyo caso todos los puntos-mue_strales están sobre una iecta [esto se demostrará en (26)] y hay una cotelación y regesión lineal perfecta.i)2.a\' \'| Debe notarse que en general (12) no es la misma recta que (8). Es lógico que las dos rectas en (l e¡ ron diferentes al menoJ eu€ r = + 1.

REGRESION Y CORRELACTON lcAP. como se emtodas la.2. se obtienen como resul- ERROR TIPICO DE LA ESTIMA Si. por la recta de mínimos cuadrados en términos de la varianza v del coeficiente de correlación como s?... se hacán fácilmente. (25) de donde incidentalmente se deduce como corolario que r2 _ El error típico de la estima tiene propiedades análogas a esas de la desviación típica.8 REGRESION MULTIPLE Las una ces busc hay ás variables. llamadas las ecuaciones normales correspondientes a (20). incluyendo ecuaciones lineales y no lineales conducentes a s¿. la cun¡a de o de la estima. esto es -1 < r < 1. Genetalizaciones a más variables. c en (20) de modo que que (20) lz = tmtb)r+ "2a 2*. Por ejemplo. y respectivamente y sumando. y. obtenido de la curva de regresión de y sobre r. n¿viértase qúe pueden obtenerse formalmente de (20) multiplicando por L.' : f"(L-r') Í l. puesto que >(A U.denotamos por U". por ejemplo.-' perficies de regresión en espacios tridimensionales y superiores. si construimos p¿ües de rectas paralelas a la recta de iegresión de y sobre r a distancias vertióales te. entonces una medida de la dispersión con respecto a la curva de regresión está suministrada por la cantidad sg. Si r es la variable dependiente una ecuación semejante se llamarú ecuación de regresión de x sobre y.s curvas de regreéión posible. tenga la forma (20) z = a*br+cy Esta se denomina ecuación de regresión de z sobre r.c)y2 (21) tado de aplicar una definición análoga a la de la página 2sg. ' Estas ecuaciones. .23. ó. z. = o2r +b>12*c)ry 2u" : "2u + b> ry 1. : a* br. con a y b dados por (4). debemos hallar si n es lo suficientemente grande para que estén rectas alrededor del 68%. si creemos que dos variables inaependi"áfus y. representa un plano en un sistema de coordenadas rectangulares tridimensional __Puesto se llama con frecuencia plano de regresión Pa¡a hallar el plano de regresión de mínimos cuadrados determinamos o.r €l valor estimado de y para un valor dado de ¡.r)2 (22) r."t)z = 2¿2. entón". tenemos (23) (24) También podemos expres¿u s.: que se llama el error típico de pleó en la definición de la págin mínimos cuadrados tiene el más En el caso de una recta de regresión lest > (g/ n u".262 CURVA DE AruSTE. x.96% y 97% de los puntos muestrales res.

(>rX>y) (3r) ra-ra (? . r mide qué tan bienla recta de regresión de mínimos cuadrados se ajusta a los datos muestrales. En otras palabras. decimos que hay una correlación lineal perfegta (y en tal caso también regresión lineal perfecüc). Este está dado por 3r2./(n . De otra parte si la variación total no se puede explicar. Por esta raz6n algunos estadísticos prefieren expresar (22) con n . entonces la variación explicada es cero y así r : 0. que se utilizan en la práctica son M n2ry .*-u)' (27) La cantidad a la izquierda de (27) se llama la uariación total. y sy tenemos )('?-U""')' D2 = r Entonces podemos demostrar que (véase Problema 8. 8l CURVA DE AJUSTE.. REGRESION Y CORRELACION 263 Así como hay una estima insesgada de la varianza muestral dada por 3t : nsz/(n .INEAL Hasta el momento hemos definido eI coeficiente de conelación formalmente por (I5) pero no hemos examinado su significado.. La fórmula (29) se conoce como la fórmuln producto-momento para correlación lineal.1) igualmeninsesgada del cuadrado del error típico de la estima.r7 se explican por Ia recta de regtesión de mínimos cuadrados y así tienden a seguir un patrón definido. Se deduce de (26) y (27) que (28) Por tantc 12'puede interpretarse como la fracción de la variación total que se explica por la recta de regresión de mínimos cuadrados. Esta terminología surge debido a que Ias desviaciones y -U.. Al tratar de hacerlo notemos que de (25\ V las definiciones de sy.24) (26\ 2@-ü' = 2ta -?/"..2). El coeficiente de correlación puede calcula¡se de cualquiera de los resultados Sru S¡ Sv /t6=w\/t6 )(¡ - ¡)(u -a\ -nP (2e) o (30) que para regresión lineal son equivalentes.)2 * 2(u.r s€ comportan en una manera aleatoria o impredecible en tanto que las desviaciones /esr . y (en COEFICIENTE DE CORRELACION I.x"l(E (32) a.2 en cambio de n en el denominador. : nsl . algunas veces llamada coeficiente de determinación.) .cAP.. si 12 : L í. se encuentra entre 0 y 1.. te hay una estima Las anotaciones anteriores se modifican fácilmente para Ia recta de regresión de r sobre cuyo caso el error típico de la estima se denota por s¡ r) o para regresión no lineal o multiple. Si la variación total se explica totalmente por la recta de regresión. r : + 1.. mientras que la segunda suma se llama uariación explicadn. En Ia práctica la cantidad 12. La primera sunra a la derecha de (27) se conoce como la uarincíón no explicadc. es decir. Fórmulas equivalentes a las anteriores.

y) en los datos ción graduaL La fórmula (36). Si dos conjuntos correspondientes de valores. COEFICIENTE DE CORRELACION GENERAL I ZADO La definición (29) [o cualquiera de las formas equivalentes (3/) a @ )l para el coeficiente de conelación incluye solamente valores muestrales r.264 CURVA DE AruSTE. suponga que se aplica (29) a datos no lineales y se obtiene un valor que es considerablemente menor que 1. k = A. o cuando la precisión no puede obtenerse. . (31\. es derivada en el Problema 8. y (86) : n: diferencias entre las clasificaciones de los conespondientes número de pares de valores (r. En consecuencia da el mismo número para todas las formas de curvas de regresión y no es útil como medida de ajuste. . 8 Si utilizamos la transformación (9). y se clasifican de tal forma.r. y. puede existir vna gran correlación no lineal. Sin embargo. si lz : ñ. En particular. Entonces la conclusión a extraerse no es que hay poca correlación (conclusión algunas veces alcanzad. Sin embargo. Si r es positivo y tiende a aumentar con Í (la pendiente de la recta de mínimos cuadrados es positiva) en tanto que si r es negativo y tiende a disminuir con r (la pendiente es negativa). por generalización apropiada. página 260. la última definición. (8t) El coeficiente de correlación lineal puede ser positivo o negativo.. esto es 12=: (85) refleja la forma de la curva de regresión (vía y*t) y de este modo es apropiada como la definición de un coeficiente de correlación generalízado r. coeficientes de correlcción múltiple. empleando los números t. (33) se convierte en 2'r'a' (2x'2)(2y'2) que comúnmente se emplea en computacion. .()r')()y') (83) que indica que r es invariante bajo una traslación de ejes. CORRELACION GRADUAL En cambio de utiliza¡ valores muestrales precisos. si utilizamos (30) para obtener r debemos aplicar el signo apropiado. Utilizamos (35) para obtener coeficientes de correlación no lineales (que mide qué tan bien se ajusta unz cun)a de regresión no lineal a los datos) o. los datos pueden clasifica¡se en orden de tamaño. se denomina fórmula de Spearman para la conela- . REGRESION Y CORRELACION [cAP.2. importancia.36. donde coincide con (30). hallamos n2n'y'. el coeficiente de conelación gradual. etc. excepto en el caso de regresión lineal. L'a conexión (25) entre el coeficiente de conelación y el error típico de la estima es válida para corelación no lineal. es ilógico utiliza¡ un coeficiente de conelación lineal donde los datos no son lineales. (32). esüá dado por rs¡ad donde d 6>d L-i@r_l) = . r. n. Sin embargo.a pot aquellos laicos con los fundamentos de la teoría de correlación) sino que hay poca correlaciín lineaL En efecto. El signo se toma en cuenta automóticamenüe si empleamos el resultado (29). denotado por rgrad o sencillamente r. (33) o (34). Puesto que un coeficiente de cortelación simplemente ¡ride qué tan bien se ajusta una cun¡a de regresión (o superficie) a los datos muestrales.

f tengan una varianza finita. y). fÁgna 118. (40'¡ . es lógico de las anotaciones anteriores preguntar si hay una función g(X) táI que E{ÍY . es una representación gnífica de los puntos de datos para una muestra particular. Entonces tenemos el teorema siguiente: Teo¡eru 8-2: Si X. dada por (88) u = s(n) = E(Y lX=c) siempre y cu-ando X. aunque esperamos que las düe¡encias no sean significantes si las muestras se extraen de la misma población. Y tienen una función de probabilidad conjunta o función de densidad.h(Yll'l = un mínimo y(SS) seremplaza porr = h(y)-. REGRESION Y CORRELACION 266 INTERPRETACION PROBABILISTICA DE LA REGRESION Un diagrama de dispersión. como el de la Fig. /(. rias Dada la función de densidad conjunta o función de probabilidad. Por ejemplo X. Al escoger una muestra diferente. Lasdoscurvasderegresióny=g(rl. Y. Del concepto de cun'a de ajuste en muestras pasamos al de curva de ajuste para la población de donde se tomaron las muestras. f(x. 8-7: Si Anotaciones análogas pueden hacerse para u¡ra curua de regresión de mínimoe ctndradoe de sobre Y. Y que toman log diferentes valores muestrales r.E(XIY = y). Y pueden representar las estaturas y pesos de adultos en una población de la cual se extraen las muestras.cAP. según si se consideran discretas o continuas. de dos variables aleatoX. y son variables aleatorias con la distribución normal bidimensional. Cada diagrama de dispersión resultaría en una recta o curva de regresión diferente. Tenemos el teorema siguiente: Teoreru Nótese & y son variables aleatorias con función de densidad conjunta o función de probabilidad f(x. y respectivamente. un diagrama de dispenión algo diferente se obtenüía generalmente. En tal caso (37) se remplaza por X E{ÍX diferentes en general. entonces existe una curua de regesión de mínimos cuadrados de Y sobre X con la propiedad (37). como se define en ia página 83.s(Xl)'} = un mÍnimo (sr) Una cun¡a con ecuación y : g(r) con la propiedad(37) se lla¡na curua de regresión de mínimoa cuadrados de Y eobre X. que E'(Yl X = rl es la esperanza condicional de Í dada X = x. y).¡= h(y)son Un caso interesante se presenta cuando ta aistribución conjunta es la distribución normal bidimensional dada por (491. entonces la cun'a de regresión de mínimos cuadrados de Y sobre X es una recta de ¡eg¡esión dada por (3e) donde representa el coeficiente de conelación poblacional. La conerión se implementa introduciendo las variables aleatorias X. o aumentar la original.8l CURVA DE AJUSTE.r. . La dispersión de puntos alrededor de una recta o curva de regresión indican gue para un valor particular de r hay realmente varios valores de y dist¡ibu¡dos drededor de la recta o curva Esta idea de distribución nos eonduce naturalmente a la realización de que hay una conexión entre curva de ajuste y probabilidad. Entonces se supone que X. 8-1. y).

sig(¡) se determinapor (37). x. Los siguientes son algunos ensayós relacionados con una-población normal. oy. * pr.if1 Y)rl Para el caso lineal.B-b t/n-2 Sy. Y. Ensayo de la hipótesis 0 : b.266 CURVA DE AJUSTE. donde a v g vienen daáas en términos de los parámehos (desconocidos) /r¡. si suponemos'que g(¡) : a I px obtenemos Ia recta de regresión de mínimos cuad¡ados (39).'ESTRAL DE LA REGRESION La ecuación de regresión y : a I bx se obtiene basados en los datos muestrales._ I'y. Estos resultados deben compararse con los correspondientes en la página 261. Para consewar una notación sencilla seguimos la convención común de indiearvalores de las variables aleatorias muestrales en cambio de las variables aleatorias en sí mismas. Análogamente sig(r) =a*Br*Tc2podemos obtener una parábola de regresión de míniinos cuádrados. = "'¡0- e') (t s¡ INTERPRETACION PROBABILISTICA DE LA CORRELACION De las anotaciones anteriores es lógico que una medida de qué tan bien una curva de regte nales. (45) se reduce a (40). s También podemos escribir (39) como U-t"v = F@donde px) (41) (42¡ e:fr Anotaciones semejantes pueden hacerse para la cuva de regresión de mínimos cuadrados de X sobr9 Y. etC. Por ejemplo.paralapoblacióndela cual s9 extrajo la muestra. y) podemos aún emplear el criterio (37) para obtener cun¡as de regresión de aproximación para la poÉlación. r". Resultados análogos a (31)-Q$ pueden escribirse para el caso de una población y regresión lineal.)'] * E[(Y*t -Y\'] se uda y expliuda respectivamente. Las tres cantidades en (44) llaman las tnriaciones total. p. En general todas las anotaciones de las páginas 259 a 264 para muestras se amplían fácilmente a la población.39. Para ensayar la hipótesis de que el coeficiente de regresión p es igual a algún valor específico b utilizamos el hecho de que el estadístico t . que también resulta ser una recta [dada por (39) con X.En cry9 d9 que no se conozca f(x. no expli- ' no lineal. Por ejemplo. EI resultado (45) también se empleapara definir p en ól caso - (ts¡ TEORIA MT. El(Y total . Con frecuencia estamos interesados en la correspondiente ecuación de regresión !: q. REGRESION Y CORRELACION lcAP. Véase Problema 8. p - ------------------- r¡ariación explicada variacion Eí(Y*. entonces ación poblacional debe da¡ ajusta a los datos poblacioen una muestra se-aplican a Qrr) EÍg donde Y. 1."t i)'l = E[(v .x que debe compararse con (25). el e¡ror típico de la estima en el caso de la población vi-ene dado en términos de la varianza y el coeficiente de correlación por ní. Por ejemplo. píg¡na262. Todas las anotaciones previamente enuncia la población. donde : g(X) V Y : E(Y).zl8x (40¡ . y intercambiadas]. Esto conduce a la definición del coeficiente de cotehción poblacional p.Y"". .

= ffi - (51) Z de Fish. (i=/ : 1'1513 tos'o(1 Estos hechos pueden también utilizarse para hallar los límites de confianza para los coeficientes de correlación.45. es decir. De esta ecuación se pueden ha' llar límites de confianza para valores de población predichos. Denótese por üp elvalormedb predichodey correspondiente a x = Ío para la población [esto es.2 grados de libertad. Ensayo de hipótesis para valores predichos.50. Ensayo de hipótesis para valores medios predichos.8 : to estimado de la ecuación de regresión muestral. 2. Véanse Problemas 8. Denótese Por Jp el valor predicho de y conespondiente 2.er. Í : Ís para la población. es decir. Véanse Problemas 8.2 grados de libertad. Ensayo de la hipótesis p = 0.43 y 8. Véanse Problemas 8. Entonces el estadístico t- su. Aquí utilizamos el hecho de que el estadístico f = rl/n-z \/fr (+s¡ tiene distribución de Student con n - 2 grados de libertad. Denótese por ¡lo el valor predicho de y conespondiente i f : ts estimado de la ecu¡ción de regtesión muestral. fo = E(YIX = co)]. Denótese por Jo eI valor predicho de y correspondiente o. .48.cAP. REGRESION Y COBRELACION 267 tiene una distribución de Student con n .47 y 8.(i#J aproximadamente tiene una distribución normal con media y desviación típica dadas por (50) -Zt" /1+p\ *. Aquí utilizamos el hecho de que el estadístico z =*r"(i+) = r.2 grados de libertad. 2. lími TEORIA MUESTRAL DE CORRELACION Con frecuencia tenemos que estimar el coeficiente de correlación poblacional p a partir del coeficiente de correlación muestral r o ensayar la hipótesis relacionando a p.8l CURVA DE A'USTE.46..'\[+Fi. En ese caso una transformación debida a Fisher produce un estadístico que aproximadamente tiene una dishibución normal. lo : a * bxs. Para p + Ola distribución es sesgada.. 3.ffi @o- a"\{n-2 Urr¡ tiene una distribución de Student con n .49 y 8. 1. Véase Problema 8. Esto también puede utiliza¡se para hallar inten¡alos de confianza p¿ua coeficientes de regresión poblacionales de los valores muestrales.Para este propósito debemos conocer la distribución muestral de r.44.1618"". De aquí pueden hallarse los tes de confianza para valores medios poblacionales predichos. Entonces el estadístico t- ú- ru. La transformación (60) se llama transformación /1+p\ I o/' ". Ensayo de la hipótesis p * 0. Véase Problema 8. lo = a * bxs. Los ensayos siguientes resumen los procedimientos involucrados. = 1. En el caso de que p = O esta distribución es simétrica y se puede utiliza¡ un estadístico con distribución de Student.m (ao- úor\Ñ @a¡ tiene una distribución de Student con n .

1. el resulüado se deduce.a ecuación de una recta es ! : a * b*. 8-5.51.yt)lfz . = Y nr- n^ = nt-3' nz-B (53') disbibuye norma[mente. Si X representa los s¿larios anuales de los profesores en tanüo que Y representa la cantidad de crímenes. Problerna.268 CURVA DE AJUSTE. lt ) y ( rr. ). Por tanto (1) A2 = aibr2 u-a1 = @*br)-(a+b*t) (2\ .¡r ) es la pen- .lLzr. Se¿n X. yr ) V @2. REGRESION Y CORRELACION [cAP.2. CORRELACION Y DEPENDENCIA Si dos variables aleatorias X. EJEMPLO 8. su distribución conjunta no se factoriza en sus distribuciones marginales).1. sabemos (Teorema 3-15. cuando p + O.t [.Zrpzr-2. Además. rt y nz respetivamente difieren Pa¡a determinar si dos coeficientes de correlación rr y tz extraídos de muestras de tamaños n1 apreciablemente entre sí. Una recta pasa por los puntos (xr. EJEMPLO 8. Luego utilizamos el hecho de que el estadístico Zr. Pero diffcilmente diríamos que hay interdependencia düecta entre X y Y. (521 donde se Itzr-|.@ se mueetra en la Fig.s resueltos NECTA DE MINIMOS CUADROS 8. Y tienen un coeficiente de correlación diferente a cero. 8 3. eI coeficiente de correlación puede eer diferenüe de cero y podríamos halla¡ una ecuación de regreeión prediciendo una variable de la otra. diente de la recta. Esto se demuestra en los ejemplos siguientes.yt)l@z . = Pzr. página 82) que son dependientes en el sentido de probabilidad (esto es.(. ozr-2. Y variables aleatoria¡ que representsn eetaturas y pesos de individuos.11 ) de (2) y (l pedido sustituyendo en ). podemos utilizar una ecuación de la forma de (39) pata predecir el valor de Y a partfu del valor de X. ozr-2. La gÉfre de la recüa . y.b(r-r-1\ Í2trt Uz-Ut . Véase Problema 8. Es importante acla¡a¡ que "correlación" y "dependencia" en el sentido anterior no necesariamente implica una independencia causal di¡ecta de X y Y. Significado de una diferencia entre coeficientes de conelacion. La consüante b : (yz .)w-. Aquí hay una independencia directa enüre X Y. calculamos Z. Demostrar = que la ecuación de la recta es U-Ut tenemoe (Ty.a*br)-(a*br1l = b(r2-r1l Obteniendo que b : (yz .. y2 ) son puntos sobre la recta yt = a+bn1. Entonces ya que (¡r. y 22 conespondientes a y rz utilizando (50).

recta de mínimos cuadrados conespondientes a 11. por ejemplo. Una condición ó mfnimo (o un máximo) es necesaria para que esto sea un que aFlaa = O. Ya que # = >f.642r. 2).rA' ")t)'6"' Fig.. (3.. (8. (b) Para obtener la ecuación de la recta construida en (o). vé¡ee Problema 8'4 que emplea el método de mfnimos cuadrados. escójarrse dos puntoe cualesquiera sobre la recta. (6. .cAP. 12. Entonces el Problema 8.. para la recta de mínimps cuadrados.t"*br-y\z = # = I$r" *br-y)z : obtenemos )2(a+br-ul 2zr(a*br-al 0 )("+ br-y) 2a = an*b)n 0 )r(o* bx-ul - es decir. f. 2ra = a2r*b2r2 como 8e pedfa. dn = a*bxn-yn Fis. 8.61. Ajustar una recta de mínimos cuadrados a los datos del Problema 8.542r ó¡ U=l+0. I 4 8 I Una rect¿ que se aproxime a los datoc se dibuja a mono olzada en la figura. Las coordenadas de e¡tos puntoa tomadoc de la gráfica eon aproximadamente (0.1 ) y (72. dz: albr2-9".tl' a-r =ffiO-l.2 utilizando a (c) variable independiente. r como . Puede demostrarse que eetas realmente resultan en un mínimo. REGRESION Y CORRELACION Tabl¿ 8-1 ü u 1 269 (c) Construir una recta que se aproxime a los datos de la Tabla 8-1. 6). 8-?. 3 2 4 6 4 891114 o a t). (o) Dibujar loe puntos (1.b) = l(o * br . aFlab = 0. F(a. es decir. 9) sobre un ¡istema de coordena' das rectangulares corno se muesha en l¡ Fig.1 . (b) Hallar una ecuación para esta recta. 8-6 . página 260.7 . 4).4\.g¡2. 8) y (14.. (9. 8-6.3..2.(4. 7). E-7 Entonces la suma de loe cuadrados de las dewiaciones e8 a?+ a3+ "' + dl = (a4'br¡-at)z * (a*br2-Uzl2* "'* (a*bnn-An)2 >d2 : )(o+br_y¡z Esto e¡ una función de o y b. tales como P y 8. 8.os valores de y sobre la.rfnSOn a*bry albr2. 6 y-l=0. Refiriéndonoa a la Fig. (b) Í como variable dependiente. (11.4. CURVA DE AJUSTE.8l 8.. Para un método que eümine la ne' eecidad de juicio individual. albnn Las dewi¡¡ciones verticales correapondientes son dt = a*br1-yt. Derivar las ecuaciones nonnales (4).

)ru) c=ffi==-0.oso (b) Si se considera a r como la variable dependiente y a y como la variable independienüe.sz El trabajo involucrado en el crilculo de las sumas puede ordenarse como ae indica en lá Tabla 8-2.545.50.CURVA DE AJUSTE. Nótese que esta no es la recta obtenida en el hoblema 8.546 + 0.8 (o) La ecuación de la recta es y : o * b¡. 8c*40d = 56 40ci256d = 364 Estos valoree también pueden obtenerse de ()rx)sz¡ . Otro método. las ecuaciones normales son 2ru = c2y*d2a2 Entonces utilizando la Tabla 8-2.Ga)(. a = ()y)()r2) . b=+ ó0. d=9 ó 1.636 r. REGRESION Y CORRELACION [cAP.(56X364) lt ó0'545 = 6 --lE f8-i6 g=w =qffiffiá#l )c = cnld)y = frao.()r)()ry) = (40)(524\ . Tabl¡ t-2 i 1 a 12 nu 1 a2 I 2 4 4 6 a 3 I I 16 36 64 81 I 4 6 4 6 8 16 24 40 63 88 l6 l6 25 49 64 81 I 11 8 Lzl 196 l4 I 2v=40 t26 524 )r=56 2r2 = 2ry = 364 2a2 - 266 : 8 y lias ecuaciones norm¡les se convierten a 8o*56ó = 40 56a*524b = 364 Resolviendosimultáneamente ¿=il ó0. se ha agregado a la tabla para emplearla en la parte (b). y. n lizando el método a mano alzadt.50.2 utiPuesto que hay 8 pares de valores de.636. Aunque la última columna no se necesita para esta parte del problema. yla rectade mínimoecuadradoopedida es S t + lrx 6 U = 0.50 d- - = 1. las ecuacionee normales se convie¡ten en dedonde c=-* ó -0.60 .r. t¿s ecuaciones normalee son )Y: 2ru: an*b)r a)r*b). la ecuación de la la recta de mínimos cuadrados es ¡ : c * dy.

REGRESION Y CORRELACION Por tanto la ecuación pedida de la recta de mínimos cuadrados es r = 0. (o) El punto (?.6)seencuenhasobrelarerfar=-++$y. Nótese que al solucionar esta ecuación para y obtenemos y obtenida en la parte (o). [¡secuacionee delaedosrectassona= llamos 8. . F = -0.50y. (b) Estimar el valor de y cuando x: L2. se indican en la Fig. Representar gráficamente las dos rectas obtenidas en el hoblema 8.636 ¡ 2 0 6tl012 Fig. ti).cAP. U = 0'646 + 0'636(12) = g'Z' (c) Al remplazary:3 enlarectaderegresiónde¡ sobre a. {. r-ñ f). hallamos que la recta de (5) que indica que la recta pasa por el punto (4. más exactamente.úr. pueeto eue6=*+t(?).60+1. y es la varirrble independiente.6).8.9. Demostrar que una recta de mínimos cuadrados siempre pasa por el punto (i.546 f 0.500*1. pero ¡e intergectan en (a.50(3) = {.4 intersectan en el punto (. 6) se encuentra en la recta U = 0. es (7. ¡ = 7 . La recta obtenida en la parte (b) se llama la recto de regreeión de x eobre y. las rectas (¿) V (S) no coinciden. de la recta de mínimos cuadrados I¿ ecuación es (f Una ecuación normal para la recta de mfnimoa cuadrados es (21 2U = Al dividir ambo¡ lados de (2 ) por n da a-ú = b@-n) = o I br an i D)r (t) A = a * bn ) U Reetando (3) de (I ).333 * 0.fi). mfnimos cuadrados puede eecribirs€ como hocediendo como en el c¿¡o 1 intercambiando r. - 0.Elpunto(?.E. ¡ ¡=-0. llamedo el centroide.333 + 0'667 ¡' que no ee l¡ mi¡m¡ rect¡ 8.636 r o.7.6.636¡.60y t2 10 = y= e. y. lo cual es un¡ indicación de que los datos están muy bien descritos po¡ una relación lineal.6. 0. b por c.ú). U = &* Lrrr. ú). Lar gróficas de l¡s dos rectat. y : 0. se utiliza para estimar r para valores dados de y.4.546 + 0.Í.pue¡üoque7=-*+*(6).! :5.ha*+É. (o) Demostrar que las dos rectas de mínimos cuadrados obtenidas en el Problema 8. Ot¡o método.60 * 1. Nótese quelas dos rectas en e¡te caso prácüicamente coinciden. (c) Estimar el valor de ¡ cuan' doY: 3' -2a40 a=T=¡-=o Luego el punto (6. y E=-t+*y.. ¡ es la variable independiente.8l CURVA DE AJUSTE.: L2 en la recta de regresión de y sobre n. remplazando las constantes o. 2.Resolviendoeimultánesmente. = tllu-úl Nótese que en general.60 + 1. Caso 1.60 y. la recta de mínimos cuadrados puede escribirse como Q) Caso que muestra que la recta pas¿ por el punto (á. d respectiremen' üe.546 * 0. Por üanto la¡ rectas se interceptan en el punto (?.66? r 8 6 1 u= 0. La recta obtenida en la parte (o ) se llama la recta de regre' eión de y sobre r y ce utiliza para estimar y para valores dados de r.5). (b) Al remplazar x.8-8 8.

REORESION Y CORRELACION Demostr^ar que la tecta de regresión de mínimos cuadrados de y sobre forma (8). = n8ru-(2rl()ü _ n2xz _ (2r)z Entonces ti ú = út I h.p'12 El resultsdo er útil para dessrrolle¡ un camino corto para obtener recte¡ de mfnimo¡ cu¿drado¡ al ¡e¡ta¡ con¡tanter epropirad¡¡ de lo¡ valore¡ dadoo de r.9.-.al r. pdgina 260.t¡z = - t )(>x)2 |ín2rz .()¿X)y) n)¡z . r puede escribirse en la (l).nEú (I¡X)z) ¿ru . U - g.=-Ep=Ts¡t Del Problem¡ 8. y. h_ v- dondeh n2uU yk son constantes.y.)(2g.pdgina 261.ú = b(x. página 260. Problema 8. demostrar que D--i# .Demosharque . u=7+tc Por üanto .9. U . 8. 8. h = f. tenemos D_ 2(r n2xy .n8z 2r2 I Entonces . Tónemo¡ de 11) [eAP.(2r)(2r'l n2r.t). . + k. Ir 2(a . u=u'*k..(Ic)z¡ También >(r - t)(v .úl = 2(rs-i:y-ir*efrl 2ra-ñ2u-ú2n1'2eú 2rU-nEú-nfrE*nitfi . y (véa¡e problema g.tenemos .(2x')(2y'l n)s'2 . j[n2ra Por tanto (I ) oe conüerte cn 2rU t (>¿X>y)] de donde ¡e obtie¡e el resultado (S ).272 CT'RVA DE AJUSTE.(2rlz 2(¡z-2nr*12) 2r2-2ñ2r*2i:z 2r2-2n82 lniz 2s2 .e¡z demo¡tración de (12). re rigue intercambiando D - >(z::elfu.n2r'a' .10 Si en el Problema 8.12). ¿ = ñ.8 tenemos f. sean c = d *h.=7+h. g 8.7 .8.1 -ñF-trú.(2r. De la segunda ecuación en (5).(>.

418 Zny = 54.849 .cAF.ae sumas se muestran en la Tabla 8. y ) sobre un sistema de coordenadas rectangulares como se muestra en la Fig. donde o y b se obtienen resolyiendo las ecuaciones normales.88+r.197 )92 = 64.9 ya que 2fr' = l(c-t) y análogamente = 2r-nñ = 0 ly' = 6.8l CURVA DE AJUSTE. 6t E-9 ?0 72 Estatura del padro (pulgadas) Tabla E-4 g t)o a 68 66 68 65 69 66 68 65 t2 4225 3969 4489 4096 üa 4420 4158 4624 4356 63 67 64 68 62 70 66 68 67 69 7L 4566 4160 4624 4225 4624 3844 4900 4356 4624 4489 4761 6041 4692 4092 4760 476L 4356 4624 4226 6041 4489 4290 4828 4489 7l 67 68 70 4692 4970 4624 4900 )c = 800 ly=8u lcz = 63.4.82 y b = 0. 72 de dispersión se obtiene dibujando los r = _8. REGRESION Y CORRELACION 273 Se deduce inmediatamente del Problema 8.a recta de regresión de y sobre r está dada por y = a + b*. (b) Hallar la recta de regresión de mínimos cuadrados de y sobre r. (c) Construir un diagrama de dispersión.L07 de donde hallamoe o : 36. .y deuna muestra de L2 padres y sus hijos mayores. 62 62 6{ 66 Fig.82 + O. de modo que lae ecuaciones normales se convierten en 9oe 2? 666 864 É¡ E 12o*800ó:811 800o*63./ €70 6 !a 2a'= an * ólr 2ra . (c) Hallar la ¡ecta de regresión de mínimos cuadrados de r sobre y.418b = 64. 8-9.086/___V (b) f. &11 La Tabla 8-3 muestra las respectivas estaturas lc. 8-9.476x.476. Tabla 8-3 Estatura r del padre (pulgadas) 65 63 67 64 68 62 70 66 68 67 69 7L Büatu¡a y del hijo (pulgadas) 68 66 68 65 69 66 68 65 7t 67 68 70 (o) El diagrama puntor (r. La gráfica de esta ecuación ¡e muest¡a en la Fig. de modo que y :96.a2n*b2n2 [.

82.()y)2 1.L07 E1lc#54.67.Iagráficadeestaecuaciónse Otro método. De una manera análoga podemos obtener l¡ ecuación de regreaión de r sobre y. ¿ = n>r!: (>!)l?nl = n2a2 .5) - (10)z = 0. aparte de los enores de redondeo. y.11. esto ee a = 36.ú de acuerdo con el Problema 8.036y.036. y de y podrfan ser diferen- Tabla 8-5 & g' 0 l'2 t'U' 0 10 0 0 4 -3 -6 I 26 -2 0 -l -4 0 I 16 0 0 -6 2 -3 I -2 0 12 0 I I 4 0 9 36 4 4 L2 0 t) -2 0 -3 3 0 0 I 1 -l -1 I 1 I 0 I 3 0 2 0 4 I 2r'2 = lO6 6 )¡t = -16 De la tabla hallamoe b 2a' = -6 2rtg'- 47 2a'2 = 4l = U' -3l (12)!47).dondecydseobtienensolucionandolas 2a = cntd. b = dada por ry# = 0. Réstese un valor apropiado.476u u . - (>¡XI=y2l. Solucionar el Problema 8.2y 2uY = c2Y*d2Y2 L2c Utilizando las sumae en la Tabla 8-4.(lyX>ay) n2yz . y ( los números restados de r tee). .asfque¡:-3. se convierten en -f SLld = 800 64. REGRESION Y CORRELACION lcAP. = ú - 68.274 Otro método.d=1. 8-9. por ejemplo 68.11 utilizando el método del Problema 8. = ñ .476(n-66.86 * 0. u =7*68 = -**68 = IZ-LZ = b(u.476 También ya que &' = ú . CURVA DE AJUSTE. Por tanto 6?.g8. - 68 tenemos r.849d muestr¿ en la Fig.12s¡z _ _s.38.086 8.6?. 8 "= (c) ecuaciones normales I]4ff de¡ sobrey viene = 85.58 n I¡ =7*68 = -**68 = 66. .68 = 0.68. = delascualeshallamosc:-3.12.9.68. de r. Esto nos conduce a la Tabla 8-5.07) 6 ecueción de regreeión pedida de y sobre x ea a .4?6 Larectaderegresión x:c* dy.38*1. (12X106) (-16)f.á).

8309 t.40 Luego Y = 4.2077 3.20.20-l. a = ()y)()rz)-(>rX:g¿l _ n2"2-1>n\z . n.60X104 y y=1.1 lu = 8'7975 b )12 = 23.40=-y. y conespondientes a los valores de V.4 37. P de Ia Tabla 8-6 y también indica los (l ) son 2a = on*ü)¡ de las cuales 2ry .0997 3. 8. Solucionar el Problema 8.5 72.4 118.8 49.log P : y.6 194.3 61.b:-'1.074L 2.7910 1.40.859? A = logP 1. Entonces P=antilog1.40. C=1.7348 1.(b) Escribirlasecuacidnes que¡elacionan aPy V.40(21 =1.2976 )r = 11.6953 (o) Puestoqueo=4.0350 3. Las ecuaciones normales qorrespondientes a la recta de mínimos cuadrados logP = logC-ylogV logC ó logP*ylogV: Tomando log I/: x. De acuerdo con los principios de la termodinámica una relación de la forma PV. Para cada pareja de valoree de la presión P y el volumen V en la Tabla 8-6.0059 2xa - 16.0095 3.000.6 88.0043 12 ra 3. (c) EstimarPcuando V = 100.2 t9. tenemos tomando logaritmos de base 10 cálculos involucrados en eI cómputo de la recta de mínimos cuadrados (l ).13.1 Presión P (lb/pul2 ) Ya que 6r.()rX>u) 6=-ffi.9479 2.4685 3. (c) Hallar elvalorde y y C.ffi¡af'=-1. debe existir entre las variables. 8-10. = C.0 10.4Ou.3019 6.2340 2. obtenemos un punto que se dibuja en el popel log-log construido especialmente como se muestra en la Fig. r=logV:2 25. Tabl¿ 8-7 s = logV L.7858 1.2833 1.20=logCy (b) Pvt. Tabla 8-6 Volumen V (pul3 ) 54.66L7 2.cAP. donde y y C son constantes. REGRESION Y CORRELACION 276 ECUACIONES NO LINEALES REDUCIBLES A FORMA LINEAL 8.8l CURVA DE AruSTE. .2878 2.9294 2.14. la última ecuación puede escribirse (r) U = oibr donde¿:logC.7943 4.0 pulgadas cúbicas. (c) CuandoT=100.8543 =-1.2 PVt = C. La Tabla 8-? da los valores ¡.7 28.13 dibujando los datos en un papel logJog.6762 1.40= lb/pulg2. y y= logP=4.6946 1.20-1.a2r*b2r2 4.2ry .4533 1. La tabla 8-6 da valores experimentales de la presión P de una masa de gas dada correspondiente a varios valores del volumen V.to = 16.

. .2. [¡ medida en este e¡¡o indica que D = -1.¡ U¡ ertfa dadar por dt = qtbx¡Ic¡. Pa¡a obtener ¿ ¡e nece¡it¿ un punto sobre ce8 l¡ recta. Enton4.o*blogV ó g = o*bn Ie pendiente D.276 CURVA DE AJUSTE.Ut U2. .?"-al' dc = o*bu21-cú-!2. Deriva¡ las ecuaciones nomales (I9). Por ejemplo cua¡do V: 100.2.8-r0 150 ¡00 ú t00 También ¡e indica un¡ rect¿r (dibujada a mano alzada) que re aprorima a eeto¡ puntos. logPTlle .a*(1. P: 26 de la g¡lfic¿.. .!nl. REOBESION Y COBRELACION [cAP. Ir grifflca re¡ult¡¡te muerb¡ que hay una relación li¡eal entre log P y log V que puede repreeentarre por l¡ ecu¡ción logP .4 logV = 4.4. que er negatlva en e¡te ce!o. . re de numéric¡rnente por l¡ relación-de la longitud AB a le longitud AC.a)(2) = de modo que logP* 1.1rn ¡on olbr¡lcu!. (r*uzl.2 a = logP-ülog7 = lo926*1. .) d^ = o*üc"lorl-t^ y lrr ruma de lo¡ cuadrado¡ de le¡ de¡viacionee eotá dada por )¿t = )(o+ bxlca2-t)1 . Entoncee lo¡ veloree de y ¡ob¡e moc cr¡¡dr¿dor cotrec¡rondieatet a a1. y PVtl = 16O00 PARABOLA DE MINIMOS CUAI)BAI)OS E. (nn.4. m 60 so r00 Volumen Y '{l Fig. para la parábola de mínimos cu¿dradoo. U = a*ba*crz l¡ pa¡óbol¡ de mfni- Se¡n lo¡ puntos mue¡t¡alec (a¡Ittl. . .. prigina 261. Por t¡nto albn2*ct/. of bur*wl l¡¡ de¡vir¡cionee de..8 l0 ú' 3o {0 ü.16..4 los100 = l. e2. .

28 38.588 de mfnimoq cuadrado¡ pedida tiene l¡ ecr¡¡- .04 48. b.62 21.7 4.6 2.28 233. c.6 5.8 2.46 254t.66 259.83 29.2110¡ arí la parábola 2.8 7.8l E¡t¡ ec CURVA DE A¡UsTE.2ll0rt .8 7.40 10.24 9.t"+ bx-tcr2-a\2 = )2rz1a*bnlcrz-a) Al eimpüficar cada un¡ de eeta¡ BurnaE e a^F^a¡'^dF dF od igualÁndola a cero 8e obtienen la¡ ecuacionee (I9).08 10.06 941.42 291.16.92 230.cAP.2 1.o3to*óc*cr2-a)2 = )2(o+br*crr-a) k = )*a{o*br]-cnz-u)2 = 2Zr(a*brtcü2-a) aF :d. lar ecurciorÉ¡ norm¡ler (I ) rc convierten en 8a I 42.00 Puecto que n (2) Reolviendo.cl = )(o I Para minimizar esta función debemo¡ tener bx * cx2 - U)z Ti=o' . T¡bb ü u 1.b.ólcs*clra H trabajn involucrado en computa¡ la¡ ¡uma¡ puede ordenarce qomo 8e mue¡ha en la Tabla 8-9.1 : 8.27 1.49 92. 8.96 96.36c = 230.8r 2n2g I¿= 42.' 7.O.9 7.2 )u= 46.066. c = {).36 2ua = Zxu 291.8 3. b = : 2.6 9.79 s32.t2 9223.00 2.2Ob+2275. e¡ decir 277 F(o. o ción = 8.19 2.2 6.4 2r2 - Ic3 = 2276.2 1.8 3.49 60.065 t .19 36?.75 117.688.1 8.73 5.58 4.1 t€ 14 a 4.92c : 1449.6 2A = an*óI¡*c2n2 [¡s (r) ecuacionec normales son 2ry = o)¡*b2r9*c2rs 2n2a = o.t=o' *=o Enüonces # = ).2r2].44 3.4E 1065.70 26.22 rzy 6.9 7.04 1.2 6.971.0 7.20 c = 48. págin¡ 261.48 19.0 ?.8 r87.OI 32.360 + 18971.93 342.1 12.7 4. Tabl¡ u 1.82 4t.7 12 n3 xy 6. ? = )f. Ajustar una parábola de mínimos cuadrados de la forma ! Tabla 8-8.65 185.20 18.2b + 291.41 73.L6 6470.7 7.9 5.2a*2SL.9 9.8 4.36 5?6.12 67.42 - - 1449. REGRESION Y CORRELACION función de o.8 4. = + 2.91 636.5 6.70 38.6 a I bx * cr2 a los datos de la t€ D.61 24.20 o + 2276.

.página 262. all.8 7. ala pulgada más cercana y las edades y al año más cercano de 12 muchachos.8 8. las estaturas x. . y.5 2. .17.An) son respectivamenüe a*br1*ey¡ Por tanto las desviaciones de z¡.0.zt.2) .5 5.0 7.762. [..7 u REGRESION MULTIPLE 8..613 6. Tabla 8-11 Peso (z) 64 7l 59 53 49 6 67 62 11 DO bó 50 d 77 DD DI 48 56 52 10 51 76 61 68 Esüatura (z) Edad (s) ol 8 5l 8 42 6 ol l0 10 I t2 I (a) La ecuación de regresión lineal de z sobre r. y. las ecuaciones normales pedidas (21) en la página 262 se obtienen. Pata r = 1.56L 2. (ün.2 6.18 la forma z r.19.762 4.2. Tabl¡ 8-10 Uest 4. (c) Estimar el peso de un muchacho de 9 años y 54 pulgadas de estatura.2110(I.962 7.640 7. (rn. b. b y c a cero. z. (c) Hallar la ecuación de regresión de mínimos cuadrados de z sobre x.065(1.278 CURVA DE AJUSTE.zn\. REGRESION Y CORRELACION la. Ue"¡ = 2.9 6.8 4. vienen dadas por (f) 2z = na*b2r*c2y 2rz : a2a * b2r2 * c2rg 2gz : a2y * b2rg -f c2yz El trabajo involucrádo en computar las sumas puede otdenarse como se indica en la Tabla 8-12. 2d2 = 2(a* br I y la suma de los cuadrados de las desviacionee está dada por cy - z¡z Considerando esto como función de o. lcAP.z¡ dt = a* br1 * cUt. Entonces los valores de z sobre el plano de regresión de mínimos cuadrados correspondientes a (r1. . La Tabla 8-11 muestra los pesos z ala libra más cercana. c de modo que satisfaga (21. y por medio de una ecuación de regresión de a ! bx * cy.588 + 2. ..16 para estimarlos valores de y de los valores dados de r.621 5.503 7.Un.). Utilizar parábola de mínimos cuadrados del Problema 8.. c e igualando las derivadas parciales con respecto za. . Se desea estimar una variable z de las variables : Sean los puntos muestrales (ryUyzr). . pág¡na 262. Análogamente se obtienen otros valores estimados. (b) Determina¡ los valores estimados de e de los valores dados de r.2)2 = 4. Demostrar que la ecuación de regresión de mínimos cuadrados se obtiene al determinar a. b. . . vienen dadas por a*bnr*cyn dn = a* bnr* cUr.741 4. y puede escribirse z: albnlcy Las ecuaciones normales (21). 8.os resultados se muestran en la Tbbla 8-10 junto con los valores reales de y.

Ír.926 66. las ecuaciones normales (I ) ee convierüen en l2a1-643b *106c (2) 643¿ = 769 * 34.920 64 7l 63 67 DD 68 77 67 66 61 76 68 (c) Remplazando ¡ : 54.8l CT¡RVA DE AruSTE.¡ €stá dado por r viene dada por ! : a * b*.8436 * 6779c = 40. a = 6796 = 3. o aprorimadamente 63 lb. y.-brl - o-bu) . 2a'- a2g n - b2rY por Ueet Loe valoreg de y ectimadoa a partir de la recta de regrerión vieneÍ'r dados = @ * ü¡. denoüado8 pot valoreg Tabl¡ 8-13 2est 2 64. 4096 5041 2809 4489 3026 3364 6929 12 y2 64 100 36 uz 3648 4189 uz nu 466 690 3249 3481 5t2 710 318 787 7l 53 67 OD 2401 3844 2601 2500 3026 2697 4L64 2805 2900 4296 254 682 408 :t50 Lzl 64 49 100 81 100 36 8 7 10 440 406 770 613 58 77 67 66 61 60 oo 48 62 42 61 67 ó60 492 620 I 10 6 3249 3136 2601 2304 2704 2756 2St2 660 306 t764 3721 8245 2t42 4686 8876 262 732 618 76 68 t2 9 6776 4624 t44 81 912 6L2 2z= ?53 )c= 643 )?= 106 222 = 2a2 = 2az = 9?6 2rz = 40. ERROR TIPICO DE LA ESTIMA 8.e resultado¡ ¡e dan en la Tabla 8-18 junto con lo¡ mueshaleg de z.66+0.4t4 69. demos- s'?. ü = 0.8646.682 ?8.r=n= = 2(a-a.7r7 68.139 34. c = 1.2(Ufl -a."r)2 2afu 2fu-o-brlz o.356.606u zesb al susti- ) tui¡ los valores correspondientes de x.206 69.= v. el peeo estimado es zest : 63. REGRESION Y CORRELACION Tabla t-12 fi 64 Df 59 49 62 51 a 8 10 6 11 z.20.880 106o*67?9b+976o Rerolviendo.168 48.6612. Utilizando la ecu¿ción de regreción (3) obtenemos log valores egtimados de z.cAP..b2r(u -a-br) .286 66.664 78.! : 9 en (3).830 2yz = 6796 2uy = 6779 48.86? 65.225 68.6068. Entonces ^.843 Utilizando esta tabla. la ecuación de regrerión pedida es (t) (b z = 3.136 64. Si la recta de regtesión de mínimos cuadrados de y sobre que el error típico de la estima sy. =í.865r+1.

76 L. Demostrar que el resultado del Problema 8.+(0.28 -1.á).Cuandoeehacenestoeremplazo¡enelProlos datos del Problema 8.33 0. g = A'+ ú.UpotA-ú.81 62 66 66. E.x = lTiltr= 1.ana .¡ Método 1.19 0.47 6r. / .19 67 68 67.28 68 69 68." y 8t.280 Pero CURvA DE AJUSTE.24 -0.2na-o.b2rtgt * nú(ú . Entonce¡ del hoblema 8.bt2y' .bi2r' .29 -1.81 U - Aest 0.11(b ) la recta de regresión de y cobre x ea ! : 36. como se obtienen de la recta de regresión.ú = 2u'2 .bn.ó)(a . 8 2(A-a-bn) .476(66) : 66.71 -0. También ¡e indican lor valorea y - Uest.b2r'Y' = 2(a .66 7l 70 69.r9)z:l-.14 66 65 67. (1.bnü! = 2U'2 + nú2 .ú)'- b)(c n - ¡)(u - ú'l Si ¡ = r' * A.21.24 68 67 67 67. que corteeponde a empezar con l--o+bryremplazando:oporcero.o2(g' * fil . 8.24)2+(0.r. 2u'=0 y ú = o*bt (que re deducen aldiüdiramboslado¡ de l¡ ecuación normal 2A = an * b)r por n¡.6? 70 68 69.ú = b(r . denotados por lresr.xpot¿-á.al@ . cotrespondiendo a ¡ = 65 tenemotgest:36.22. Por ejemplo.úl donde hemooutilizadolo¡re¡ultedot2r'=0. Sabemo¡ que la recta de regreeión puede eecribiroe oomo blem¿ 8. 2(a .. I üyt * r.20 se obtiene el re¡ult¿do pedido.7L 64 66 66.2r-b2rz = 2A = on * ó)c 0 puesüo que de las ecuaciones normales 2ru . REGREsIoN Y coRRELAcIoN lcAP.2¡ pará Del hoblema 8.24 63 66 65.!* e!\ = 2a'2 + 2y29' * nú2 .. Tabl¡ t.28 pulgadac.98)2 12 = L64z .14 ü a Uesl 65 68 66. Erto demueetra el resultado pedido.62 0.20 N3' = 2u2-o'2a-b2xy = 2(a' + ú)2 .11.a)2 . = 2a@-a-bt\ nll 2a2-a2a-b2ra Este ¡esultado puede extender¡e a ecuaciones de regresión no lineal.71 69 68 68.b2r'g' .€2 + O.82 + 0.*nú') . Método 2. Catcular el error típico de la estima¡ 8¡.a(2U.")z = "1.b2t'g' .76.bñl = 2O'' .2O puede escribirse como ^z üu. En la Tbbla 8-14 ee listan los valores reales de y (de la Tabla 8-3) y los valorec estimado¡ de y.81 0.a2r * = b2u2 Entonces sí.b2(r..19 2. güe ¡e neceaitan para el cálculo de oy.anÚ .o.2y-an-óIr = 0 2r(a-a-br) .38 7l 68.66 >(u-u.y.b2(r' * ñl@' * úl = 2(y'2*2ytfi*¡z¡ .14 -2.

(b) la variación no explicada y (c) la variación total para los datos del Problema 8. Entonces el porcentaje pedido es 9l12 : 7 5d. = 19. ya qve ú la Thbla 8-14 podemos construir la Tabla 8-15.ne?. ts. de datos.un"J(v.?0..28 (véase hoblema 8.. NOTA: Una mejor estima del error tfpico de Ia estima de la población de la cual so..28) = 1.82 * 0.. :: :. + (2.. y).y""t) * (Uost . ú>@ - a - bn) puesto que de las ecuaciones normales 2(a = 0. . Este hubiera sido el caso aproximado si el tamaño fuera más grande.22. tenemos 2(u-ú)2 .t-ti) - A)" = 2(A - El resultado pedido se deduce si podemos mostrar que la última suma este es eI caso.34 0. (b) Determinar el porcentaje de puntos de datos que se encuentren enhe estas dos rectas.a) = =Q :y. cada una a una distancia vertical su.U""t)2 .::.S-15 Uest : 8]-LlL2: 67. Il .cAP.g) sumando. (¿) Construir dos rectas paralelas a la recta de regresión del Problema 8. Demostrar que >(g Elevando al cuadrado A"'r)'* 2(U*r..el 6812 de los puntos se encuentra entre las rectas.28 (es decir.[t = (y .'.rn..24.23. 8-11. se muestrana trazos en la Fig.13 1.40 pulgadas.a-bxl = Análogamente puede demostrarse que el resultado es válido para regresión no lineal utilizando una curva de mínimos cuadrados dada por Aes¿ = ao* ap t a2r2 I " ' * a. = 1/@ se tomaron las estaturas vie- COEFICIENTE DE CORRELACION LINEAL 8. = tpiLo (1.nrr. = )(U . y-gfo". 'tz ?0 (b) De la figura se ve que de los 12 puntos 7 se encuentran entre las rectas en tanto que 3 66 rior utilizando el último renglón en la Tabla 8-14 revela que 2 de estos 3 puntos se encuentran entre lasiectas.) para 9 puntos (¡. Calcular (a) la variación explicada.abn) a . En el caso de regresión lineal )(v - Y'"'¡)(v" "r .58).08 2.11 se muestra sólida en la Fig.30 0.25. parecen estar sobre las rectas. Tabla.61 -2. Entonces el porcentaje pedido es 9lL2: 7 5%. Tenemos Uest de ú : 67 . 8l CURVA DE AJUSTE.:: . 8. Utilizando los valores - a -0. del Problema 8. Si los puntos están distribuidos normalmente respecto a la recta de regresión. = 1.. ya que es cero.0t¡z . 8-11.82 -t.82¡z+.:'.A)'.. (o) ta recta de regresión y : 35.61 0. ne dada por 6r.11 a una distancia vertical sy..)(y-uu.476¡ obtenida en el hoblema 8.t)2* )(yn"t-ú)2+ z>fu. la teoría predice que alrededor d. Las dos rectas paralelas.25 1.rr.12 (o de la Tbbla 8-4. Uir examen poste- 66 6l 62 Otro método.11. REGRESION Y CORRELACION 28L 8..22). Del último renglón de la Tabla 8-14.04 (a) Variación explicada = (b) Variación no explicada -ú)2 = (-0. 2r(u .. se encüentra entre -1.28 y 1.77 )(U".brt Q.58 del Problema 8.13 -1.r 0.56 -0.

4 0.3 4. en el caso de regresión lineal.-0v t'.?0.26.y = EP.4 ' 0.l2at2. = y -f.6 L.27.32 1. para el coeficiente de conelación.4e88.29 18.= \Eá/ /rorl = \r¡.6 3.25.3 a-v 0. del Problema 8.:800/lZ = 66.89 13.7027 o con dos cifrar significativas r : 0.24. la conelación ec poeitiva y por tanto escribimo¡ r : O. Utiliza¡ los resultados del Problema 8. prágina263.6 0.42 -1. pero negativa cuando /est disminuye a medida que r.29 1.66 -0.70 = 38.' .7027. (D) coeficiente de conelación = r : tVñ7d58.92 = 67.7 1.92. trt =r- E.69 22.09 5. 8.16 6.o.) asír--*2r'a' ffi (2x. 8.3 -2.[bb tt 62 70 66 68 67 69 -4. y Ulst = U.8 (c) Variación total : 2(a . Los resultados (b) y (c) pueden obtenerse por cálculo di¡ecto de la suma de los cuadrados.49 -2..56 0.28. (la fórmula producto momento).92 0.donde ¡2= variación explicada va¡iación no explicada 2b2r.4 a'= tr'2 2.16 o. la expresión para r tiene automáticamente el signo conecüo asociado.2 /?r.11.= EF.z b22r. Halla¡ (o) el coeficiente de determinación y (b) el coeficiente de correlación pa¡a los datos del Problema 8.66 0. tenemoa &*br 6 Ulr¡= bx. derivarel resultado (34).68 2trtg'= 40.aumenta.282 CURVA DE AJUSTE.4 2. Utilizando la fórmula producto-momento. obtener el coeficiente de correlación lineal para los datos del Problema 8.L2 7.68 5. aumenta a medida que r aumenta. Por tanto se sigue el reeultado pedido.69 u'a' a'2 0.76 1. puesto que la'gt'es positiva cuando 3/ss¡ autnentá a medida que r aumenta. REGRESION Y CORRELACION lcAP.34 2a'2 = 38.96 2.16 2. /i84s8)?58-3t Tabla E-16 = 0.82 7.11.s¿.62 1.7 -3. Entoncee.09 10.49 1.7 )y = 811 a = 8LUl2 2rt2 = 84.y.))' l) n'\ ¡ \) '\il t' jó -0.'.3 -1.A.7 3. ¡o )¿ = 800 i.7027 u 65 63 67 B4 a 68 66 68 66 69 66 68 66 r-t -t.89 0. Puesto que la varirable yn".7 0.82 4.6 .16 6. El trabajo involucrado en la computación puede organizarse como se indica en la Tabla 8-16.36 68 il 'l .3 2.3 0. La recüa de regreeión de mínimos cuadrado¡ de y sobrer puedeescribfuse 1lest= b = 2r. A partir del resultado general (30)..22 + 19.69 0.09 7.76 11. .)z \/ñtrW Sin embargo.6 0.02 1.92 10.4F7q de acuerdo con el Problema 8.32 7t 0.7 1.4 -0.A)z = 19.26(b). página 264. Entonces 2r'a' 40.6 0.4 7l 67 68 70 -0.4 .18 0.34 \/G. (a) coeficientededetermir¡ación = t = '1Hi1iáf*1"io" =m= 0. E.3 -2.= !0.f. utilizando A.

la recta de regresión de donde A=?I.29 para halla¡ el coeficiente de correlación lineal para los datos del hoblema 8. Utilizar el resultado del hoblema 8.8l CURVA DE A.26(D) y 8. donde ¿=? rz r sobre y er =a*ilu 8y Entonces b¿t = 1g\ 1g) = \c"/\oy.30.>IY w@ : n2rA-(2r'l(2A) . .11.27 ee demoetró que (r) Pero | = -4={@ñ4 = >(x-el(a-il = 2(ra-Da-sú*eúl = 2uU-e2A-fr2ntnD! = 2ru-nú-nfro-lnn! = 2rg-nDfi 2xt = --E .nnn* v Entonces (I ) ee convierte en r(a-üz = 2a2 r : . Demostrar el resultado (17). Demostrar que el coeficiente de correlación lineal viene dado por f= En el hoblema 8.31.cAP.036 Enroncec rz = bd.476 d=ffi =1.11(c) respectivamente 484 ' ó=10fr=0.(>aXIY) n :E Puesto que = (2rlln V'ú = (2Alln" Arúlogamente./ 8. 2(a-nlz = 2(rz-2rt*r2) = 2s2 .| ¿gl\/¿e¿\ 6 =(iiot/\al/ ' ¡=o'7o27 que está de acuerdo con lo¡ Problemae 8.29. págrna 261. REGRESION Y CORRELACION 288 8.28. [.TUSTE.11 (b) y 8. 8.2ñ2r 4 ntz (2112 2(2nl' ()r)2 = 2rz = 2r2 . Del Problema 8.a recta de regresión de y aobre r es u=olbx Análogamente.

4'.636 ó 1.40.30.11.42) [(8)(2e1. paralos datos del Problema 8.n¡zi = -0.2g y g.01?g Por tanto 7. el error típico de la estima de y sobre I es B!. como lo indica el hecho de que el coeficiente de conelación en (b) está muy cercano a 1.64 (á) Primer método.16.20) - (42.2z .16. Sin embargo.." = ss\/T=F = 1. REGRESION Y CORBELACION [cAP. Hallar (a) s. supóniendo la relación parabólica obtenida en eI Problema 8.636y'i-(0.218 6 o.ilz = variación explicada 21. 2(A .31 para obtener el coeficiente de correlación lineal para los datos del Problema 8.16.) (42. (o) Del Problema 8. y r =0'9911 var6eió.33 (b).26(b).62.78%de la variación total permanece no explicada.3743 indica prácticamente ninguna relación lineal entre r.4)/8 = 5. (c) Hallar el coeficiente de correlación lineal entre las variables r. variación no explicada va¡iación total (d) = l-r2 = L-0. hallamos r= n2ru - ()¡X)r¿) (8X230.80.ú)2 = 21.34.3?43 (b) De Ia Tabla 8-9. 8. (b) Hallar el coeficiente de correlación no lineal entre estas variables. 8. (d) ¿Qué porcentaje de la variación total permanece como no explicada por la suposición de la relacii.21(46.n parabólic a entre x. i = (2U)/n = (46.52) - (40. (c) Explicar la diferencia entre los coeficientes de correlación obtenidos en (c) y (b).40 8 = 1.99r1)2 = 0. y. Ubtlizar la fórmula del Problema 8. Utilizando (a) y el Problema 8.32.7027 como en los P¡oblemas 8.33 (b).2)r][(8X2e0.4O De la Tabla 8-10 Por tanto t-= = l(g""t-Al2 = 2l. 8 8.. COEFICIENTE DE CORRELACION GENERALTZADO 8. De la Tabla 8-4 r= n2ru .()¡X)z) (8oo)(811) (r2)(54. Esto puede deberse a fluctuaciones aleatorias o a una variable adicional que no se ha considerado.33. y? (a ) Utilizando los cálculos de la Tabla 8-9 y agregando que 2tt2 = 290.9922 = 0. Entonces variación total = 2(A .L071 = 0.1 ¡. Entonces la desviación típica de y es 8u= 2(u - ú\2 21.284 CURVA DE AJUSTE.Oz variación explicada . y (b) sr.tal =ffi=0'9822 (c) El hecho de que la parte (a) muestra un coeficienüe de correlación de solo 4. I del Problema 8. hay una muy buena relación no lineal dada por la parábola del hoblema 8.16.

Explicar córno determina¡ía un coeficiente de correlación múltiple para las variables en el Problema 8. *n2 n n(n*r)(2n*11/6 2 n2-l t2 utilizando los reeultados 1 y 2 del Apéndice A.33' variación no explicada = 0.25 Variación explicada Enüonces - 258. y estamos interesados en el coeficiente de cor¡elaeíón múltiple de z sobre x. pág¡na 264.218 ó 0.. que Para obtenerlo.8l Segundo método.22 Tercer méüodo.cAP.L2(62.222-n22 48. el coeficiente de correlación de ¡ CORRELACION GRADUAL 8. ¡ sobre y. CURVA DE AJUSTE.22 8. REGRESION Y CORRELACION 286 Utilizando el Problema 8. al y el coeficiente de correlación entre grados por * - s2¿.-.76)z = 888'26 = 888. Utilizando el Problema 8.@ "" = 0'8418 = !ffi = thffia Debe mencionarse que si fuéramos a considera¡ la regresión de eobre y. ss t+2+.. viene a3: s?+r?-2rs¡ads"sv .19 Variación no explicada = 2(z - zo"tl2 (64-64.*n @l_ryz n*l En = mientras que la varianza es sf. Derivar la fórmula de correlación gradual de Spearman (36). Entonces si d¡ : r i . [¿ media de r. ! ¡ el grado dado al j'ésimo valor de y ' [.35.88 Va¡iación total 2(z-2\2 . la mediaú ylavarianzasf sonigualesa(n l)12 y (n2 L)ll2 respectivamente.pl.a = = 299. z gería en general diferente del valor anterior.37 Coeficiente de correlación múltiple de z sobre x. esbturas).16 y el cálculo adicional 2gz 8y. = 12-82 = 12+22*.19.I i son las desviaciones entre las graduaciones. la varianza de las desviaciones.139 .os grados son enteros de 1 a n. AquÍ estamos considerando n valores de r (por ejemplo pesos) y n valores correspondientes de y (por ejem. y I va.218 6 0. Análogamenüe. z.l'ciñexptñat.88 = 629. Ya que z se determina de ¡. vemos del Problema 8. dada en térrninos de e2r. tenemos 2a2-a2a-b2ra-c2n2a = 0.4L4\2 + "'+(68-65'920)2 = 258. Sea rr: el grado dado al j{simo valor de x.52. y.36.

(2d2)/n = L-nfu2] 8. 69. 4. ?. 69. ordenadas en forma a¡cendenüe de magnitud.6 10 3. AsÍ.2 24 = Entonces rgrad= t-#!T = t-ir#?u = 0. Tabla 8-17 Laboratorio Teorfa 8 3I2 9510 7 r0 4 615 1873426 La diferencia de puntuaciones d en laboratorio y teorfa para cada estudiante se da en la tabla siguiente. 70. 9.6 7. Calcular el coeficiente de correlación gradual para los datos del Problema 8. 6g. Hallar el coeficiente de correlación gradual. Tabla 8-18 Diferencias de puntuacionee. 11. Tbmbién se incluyen dz y 2dz.8s45 indicando que hay una relación entre el rendimiento en laboratorio y teorfa. %. lac estaüuras de loe hijos ordenadas en gentido creciente son 66. Análogamente.11 y compararfos rezultados con el coeficiente de correlación obtenido por otros métodos.c asignamos a estos doe lugares un orden medío de 6.6. 8 y 9 repreeentan la migma estatura (68 pulgadas).38.6 1. 6?.6. 3.7. 11. 67.5.6 11 . 8. 7. 9.66.7. les asignamo¿ w orden meg [(6 + z + + 9) / 4 . 64.6 3. a los lugares 8 y 9 ae les asigna el orden 8. las estatura¡ de los padres eon (r) 62. 66.6 1. 69. 3. 66.5 l. 2. 69. 8 (r) h¡ecüo que 7 = fgrad = eZ+sT-af.5. 66.286 Entoncee cuRvA DE AJUsrE. La Tabla 8-17 muest¡a cómo l0 estudiantes fueron clasificados según su rendimiento en el laboratorlo y en teoría de un curso de biología.6.6 3 8.5.(J) y (4).6 1 11 6 8. 7l y puesto que los lugares 6. 10. le. a las e¡tatura¡ de loe padres ee les aaigna los órdenes (2) (3) dio de 7 .6.rz)/n y (l ) ge convierte en 7')/12 W @2 - * (nz 6>d2 .6. 6. d d2 -1 -2 -1 1 1-1 I 1 3 I I I 2-L 4 1 -1 1 4 2d. REeRESIoN y coRRELAcIoN lcAP. 1¡ (t) y (2).6 7.6.6. 10. 71 Puesto que en esta ordenación loe lugares sexto y r*éptimo represenüan la misma estatura (6? pulgadas).6. 70. 12 De igual forma.s" 0. 66. 1.l\ltZ . 63. tor \-"rttd- "3 - e¿.7. 66.6.5. la Tabla 8-B se convierte en Tabla E-19 Graduación del padre Graduación del hijo 4 2 6. 6. 69.5. 6g. 6?. 3. 6.6 10 t2 7.6 t2 5 7. por tanto las estatu¡as de los hijos quedan ordenadas @ Con las correspondencias 1.37. 69. 6.

26 L2.0=Y<L {o deotraforma Hallar la curva de regtesión de (c) Y sobre X. utilizando sumas.-ffi!\ = 0.}j'2l.26 1. 20.26(b). Y es l\r'a) : (a | f.pvl .a* pr entonces A .5 -1. .9px. los cómputos de d2 y I¡ )d se mue¡tran en la Tabla 8-20. 8.6 1. p) tenemos AF u = mos -2(pv zBoi - 2oxv - 2px(pv .Fpx. halla- tv = ol Ftx Por tanto si g .?466 que concuerda muy bien con el valor r = 0.5 1.8l CURVA DE AJUSTE.39. lo cud es una condición necesa¡ia para que F(q.rv) = 0.0 1. con la correspondiente para muestras.00 2.6 3.(r+2y) 0<n<7. utilizando esperanzas. ) La función de densidad marginal de X es f{r) = [.00 d Entonces 2iP = 72. REGRESION Y CORRELACION diferencia en graduacionec d.25 2. La función de densidad conjunta de las variables aleatorias X.ú2 E(X .5 -2.r. los resultados para muestras tienen resultados análo- gos para poblaciones e inversamenüe.2Boyy r (py .a) ó Fok = o*v a-tly="4tr-u*) A-Py - /'. INTERPRETACION PROBABILISTICA DE REGRESION Y CORRELACION 8.0 ü 12.zBEl(X-pi(Y -¡.7027 obtenido en el Problema 8.60 rgrad = t-#!T: .F) sea un mínimo.40.px) * (pv .6 2.25 2. Suponga que la ecuación de regresión Para la recta de regresión de es ! = E(YlX=r) = a*Fr mínimos cuadrados debemos considera¡ E{lY (a+ px)12} bóo¿r¡"-or utilizado = E{I(Y .25 6.6 -1. = f.Fy = p(r . E(Y .25 1.P¡x."l Igualando estas ecuaciones a cero. .o*t¡ .ol. íE = dF Denotando la última expresión por F(c.6 -3. Derivar (39) a partir de (37).px\ ^t u\ox) | Debe notarse la semejanza de la demostraeión anterior para poblaciones.dlz} = El(y -pv)21 + BzEl(X-r.26 6. En general.P(X .26 12.Fpx.cAP. Tabla 8-20 -3. lo+zo¡a.px) .v)l + Gv-Ft'x-o)2 = "? * F2oI .26 L2.0.5 -1. (b) X sobre Y.25 2.5 3.

(qY.t"lul a.la densidad condicional X dada Yes frotu\ = ffi = )'.'=o.para 0 r<l.13r"+zv¡fanav = # Entonces ofi = Íz-*z = *-(3)'= # (dl Entonceo F = f. de = |tr*nr¡ = y S L. ni la curva de regresión se definen ( 8.Portanto. = E(x I y =ú = tlpara y Í. (d) o?. (e) o*r. REORESION y CORBELACION [CAp. 8 par¡ 0 Í r=1. x = Í.ladensidadcondicionaldeYd¡.+# o='=1 L0 rf . = fo'!@+zula. J:'=.'"(?i#)* l. (b) Para 0 = y < I la función de den¡idad marginal de yes fztu) Por tanto. 0óy fi (¡ly).I¡ ) 1.f"'=o".'=. 3ü. Hallar (a) X. y f{rl =0 deotraforma.288 cuBvA DE AJUSIE.*4 Jra\"+¡1"v = 6'+6 Ni fz (yl*).ufr{ulOaa ('/"+zy\. ni la curva de regreeión están definidas para ¡( 0ó¡ ) 1.t y la curva de regresión de X solre If viene dada por t. @l (a) (ó) "?.41. Nóte¡equelaadoscurvasderegresión"=(3r+4llrcx*6).'=o Í"'=o o. para O t.=o J"=ooLi<"+zYlfdrdY rr ll = iá fr = f.4O. "l?o + zutlar ay = I i: -'l 4r f-o J.E(ylx=r\ = fl. (D p paraladistribucióndelProblema8.lla +zut)an ay = t ofr = F-tz = á_(i*)' = # . = r<O ó r>. = daXe¡ rz(utat = W = {X [o ssYsr y<o 6 y>r y la curva de regreaión de Y sobre X está dada por a .*:12*6y)/(3+12y)eondiferente¡.

e5: 1.476B-b t=r.180.losaleolocar t=lt.136 y 0.11 = -l/162/. se está en la ryHt\ = 0.-- . Escribir las rectas de regresión de mínimos cuadrados de (a) Y sobre X.Of Ae que el coeficiente de regtesión de la ecuación de regtesión poblacional es tan bajo como 0.47G :t ' +('!!) t" / = 0.43. sx: 2. Y ltr-2 donde 37e : 85. . (+) ó a -i : - ür I x) ó -.43. 1/ ..-.0818 Nótese que el coeficiente de correlación lineal es pequeño Fsto es de esperarse al observar las rectas de regresión de mínimos cuadrados obtenidos en el Problema 8. (¿) La recta de regresión de Y sobre X es + oXY "+@ .:2.28 (calculcda en el Problem a 8.xY p = n-xÍ oxY oxoy = *-(s)(i*) = = - 1 162 0 -l/162 . ¡rara ias estaturas yos padres tienen unas estaturas de (o) 65.45.r: L.66 del Problema 8'11' 8.los Ií¡:rites de conftanza del 95oy' para --j:lq--. Ensayar la hipótgsis al nivel d-e significación del O.o1f.. 8l CURVA DE AJUSTE.- 2.81 para L2 .szs=!2.'=o Í"'=o..05 rechazaríamos Ia hipótesis de que el coeficiente es tan bajo como 0. En el Problema 8.40. = {".22)y 1. Loslímitesdeconfianzadcl F = b-+f+) ' \ñ4\82 I para 12 .2g para 12 .- = . REGRESION Y CORRELACION 289 (e) xY = Entonces Í..o+zul)arav =1 3 .82 + O.nfi162\/28/Bz4 -0..2: LO grados de libertad. r8fl .r: L.2 = l0 grados de libertad) vienen dados por 95?iparap(obteni. ot : ".9b Con un ensayo unilateral de Ia flistribucirin de Student a un nivel 0.11.23 h es decir. hallar los límites de confianza d-ei 95'7.11).lrv1l_z=-. En eI Problema 8. Hallar los límites de confianza del 95'.B4o confianza del 95% de que 6 se encuentra entre 0.2\ o.180 si ú ) ú.0 pulgadas' puesto qu€ t s7.'lW\" ..t / ó (b) La recta de regresión de.cAP.11 se halló que la ecuación de regresión de y sobre x eray: 35.4?6 r6 (Problema 8.44.42.82 + 0. 0.q\I a. de los hijos cuyp son 8.2 : 10 grados de libertad.42. Por tanto no podemos rechazar la hiPótesis. sr.á para el coeficiente de regresión del Problema 8.43)' y n: !2 1 r/o t r--- .66 (Problema 8.8I 6.28. (b) X sobre Y para el Problema 8.4?6 t Vlo\' t/tz.0 y lb) 70.2U'L66 0'19916¡= = ya que eo.X sobre Y es u-X = '\ av sX "('-i\ r-i( =$<a-rt oi ó r-Í = -#(r-#) TEORIA MUESTRAL DE LA REGRESION N E. 8..476x.

Bb Sobre la base de un ensayo unilateral de la distribución de Student a un nivel 0. los límites de conñanza del 95% están dados aproximadamente 8. t/6 al nivel 0.6 pulgadas.s1t : 2. TEORIA MUESTRAL DE LA CORRELACION 8.96sy.32.": 2.?6 pulgadas.6 pulgadas úo 0.Los métodos de este problema son válidos independiente del tamaño de n ó to .76 1 1.2óy6!2so. se puede estar en la confianza de| g6% de que la egtatura media de todos los hi jos cuyas estaturas de Ios padres son 70.48.69.0.1 y 7 4.0 y (b) ?0.78. y¡ : 66.05.45 pulgadas.sz\/ra-z : p l. los límites de confianza del 95% para Uo fo son = 2.66 (Problema 8. ¿Cuál es el tamaño mínimo tal de una muestra para que podamos concluir que un coeficiente de correlación de 0.elgbVo de que las estaturas de los hijos están entre 64. Entonces los límites de confianza del 96Vo so¡ 69.05 y (b) 0. (o) Si.0.?6 t 3.11).o¡ para n - 2 grados de libertad . En el problema 8.' sr. se puede estar en la confianza del 96Vo de que las estaturas de los hijos están entre 63.11.?6 a 2'23 es decir.14 + 5.0 pulgadas.05 utilizando un ensayo unilateral de la distribución que de Student.za\ = 66.7 y 70.23 donde y¡ : ffisv. También (x¡ .0 pulgadas se encontra¡án entre 67. los métodos muestrales son exactos para una población normal.47.8 los límites (o) Si 16 : 65. 35.t)2 : (65 . Tarnbién.rcontalquero -ñnoseademasiadogrande. (o) (ó) Puesto que no podemos rechazar ) 0). se puede esta¡ en la confianza d. Por tanto no podemosrechaza¡I/6 al nivel 0.45(ó)] los límites de confianza del 95%.80 pulgadas (b) Si 16 : 70. se puede tener confianza de 95Vo que la estatura media de todos los hijos cuyas estaturas de los padres son 65. ¿Puede concluirse a un nivel de significación del (a) 0.05.sz). = t. el valor mÍnimo de n debe ser 032{n - 2 r/i -to.E. Ya que t.ss :7.45(c)] los límites de confianza delg1l".i¡z : (?O.? y 6?. hallar los límites de confianza del96% para las estaturas'medias de los hijos cuyas estaturas de los padres son (a) 65.66.8OOtl2r2 : 2. es decir.82 + 0. ciertamente no podemos rechazarla al nivel 0. Un coeficiente de correlación basado en una muestra de tamaño 18 resultó ser 0. hallamos [comparar con el hoblema 8. Nótese que para grandes valores de n.01 8.8 pulgadas. hallamos [comparar con el Problema 8.46.05.SOO112)2 : 11.0 y ?0. rechazaríamosI/e si ú ) ú.0. Porlo +1.75 para 18 -2: L6 grados de libertad.2 pulgadas.07 pulgadas.05? A un nivel 0.14 f es decir.32 sea considerablemente mayor que cero al nivel 0. ' (b) Si re :70.14 pulgadas.11.23 para 1 0 grados de libertad. REGRESION Y CORRELACION lcAP.01 que el coeficiente de corréhción poblacional es apreciablemente mayor que cero? Deseamos decidir entre las hipótesis (Ho: g :0) y (llr t = .0 pulgadas se encontrarán entre 65. es decir.290 CURVA DE AJUSTE.1/l-z = = ./i=@0.476 r6 (Problema 8. /e : 69. es decir. de confianza del g5% son (ro .48). 7.0.09 pulgadas.16 :65.Estoconcuerdaconlosresultados aproximados mencionados en la página 262.O . Entonces 66. o.

si Si pz Fz /r +"\ = l.s|= 1.80.266e = 0.0e86 10. para n=27. REGRESION Y CORRELACION Para un número Pa¡a infinito de grados de libertad.s|= l. t.6. t. t=0.r6r3t"" o. L {zt - = Z-pz oZ 0.60.30 respectivamente.s5=1. zz: r. = Deseamos decidir entre las hipótesis = 0.96oz = 1.80 y n = 21. (b) p : 0.69.=L.49.sz\/rLtt/l-(u32Y = 1.6932 0.28z (ff3*3) = o. t ./ 0.92.64 y por tanto n: 25.64. 8.unrr. n=26. ¿Podemos rechazrir la hipótesis de que el coeficiente de conelación poblacional sea tan pequeño como (a) p (o) : 0.50 a un nivel de significación del 0.r¡rlb*'.L613 logS:0.7L.e155. v =26.4620 Entonces ¡t2 tiene el intervalo de confianza del9SVo.o.5606.) nzr-2.5493)/O.50.b4es.s2\/ñ/\Flfu2p. (Hs p2r= Fzrl I (Hi Fzr* .r5tz'""(+l-&.4904- = 1.05? zr = r.0. Entonces el tamaño mínimo de la mueetra ean:28.16131og(++*) /r r-\ \r-'l / *t. v =24.2182 = 1.94.9730 0.60.Portantopodemos rechazar la hipótesis de que el coeficiente de correlación poblacional sea üan pequeño como p: 0. ¿Hay una diferencia considerable entre los dos coeficientes a un nivel de 0. a un nivel de significación del 0. Un coeficiente de correlación basado en una muestra de tamaño 24 se calculó era r : 0.) 0.rrro. 8. pa¡a n=2g.9r : 1.5493y2:(0.5606.75.50 y tz : 0.5366 a 1. Puesto que r : 0.49 y 0.28 A un nivel de significación del 0.el 95Vo püa pz vienen dados por Z=L. Por tanto no podemos rechaza¡ la hipótesie de que el coeficiente de correlación sea tan pequeño como 0.?1.72.!613*(=.tJ2:1. 8.66.05.rsr3 loc\t -.2182:L.51.CURVA DE AruSTE. z = t.L6rt*(=.Hallarloslímitesdeconfianzadel96% paraeste coeficiente. (b) Sip:0.50. Dos coeficientes de correlación obtenidos de muestras de tamaños nt : 28Y rtz:35 se cdcularon como rr : 0.s0(-/l1 \ \y'n_B/ = 1. los límites de confianza d.50.7L. Por tanto los límites de confianza del 95Vo para p son 0.:) = oz= La variable tipificada ee Fz = r.9730-0. ú./ = 0.5366' p = = L. El coeficiente de correlación entre las calificaciones finales de fÍsica y matemáticas para un grupo de27 estudiantes se calculó era0.B0eb #*#= Fzrl.(-) \r P. t--032\r26^tr=@ = 1. v=26. p : 0.05? o.05 utilizando un ensayo unilateral de la distribución normal rechazaría' mos la hipótesis solamente si z fuera mayor a 1. t.

292
Bajo la hipótesis IIq,

CURVA DE AJUSTE, REGRESION Y CORRELACION

lcAP.

8

Z,

-

Zz - Qtzr- ttzrl ozr- z,

0.5493-0.3095-0
0.2669

:

0.8986

Utilizando un ensayo bilateral de la distribución normal, rechazaríamos rlfe solamente si z ) 1.96 ó z ( 1 .96. Por tanto no podemos rechazat Éfo , y concluimos que los resultados no son considerablemente diferentes al nivel de 0.05.

PROBLEMAS DIVERSOS

8.52. Demostrar la fórmula (25),

párytna 262.

Para la recta de mínimos cuadrados tenemos, de los Problemas 8.20 y 8.2L,

Pero por definición,

2(u-ú12 _
¡¿ -

"l!

-z

2(r-¡:)(a-ú\ _ ---i-

o"v

y, por (6) en la página 260,

Por tanto Una fórmula análoga es válida para la población (véase Problema 8.54).

8.53. Demostrar que E[(y
Tenemos Entonces

-t\']= E[(Y - Y".,)2] + E[(y""r- n']para el c¿rso de (c) una recta de mínimos cuadrados, (b) una parábola de mínimos cuadrados.
Y-t = (Y-Y".J*(Y".,-i) (y -i)z = (r- Y".t)2 * (Y"rt- tl" + z(V - r""t)(rort- i)
El(v-t¡21 = E[(v-Y".t)2] *E[(Yest-I1'] + 2El(Y- vest)(ts"sr-i)l
es

y así

El resultado pedido se deduce si podemos demostrar que el último término

cero.

(o)

Para regresión lineal,

I"., = a* PX. Entonces

El(v -Y",tXY"¡r-

nl = El(Y - d- Fx)(a+ Bx -tll
b- t)n(v - d- Bxl + BE(xY - ax 0

Bxz¡

porque las ecuaciones normales

E(Y
(comparar con el hoblema 8.3).

- a-

FXI

- 0,

E(XY

-

aX

-

PX2)

-

o

(b)

Para regresión parabóIica, Ycsr

= d + pX + 7X2. Entoncea

El(v -Yest)(Y"st-

i)l = El(v - d- Bx-vx2)(a'F px +$2-?)l = (a- hnV - o- Bx - rx2, + BEIX(Y - a- Bx * yElxz(Y - "- FX - rr2)l
=Q

yxz)]

cAP. 8l

CURVA DE AruSTE, REGRESION Y CORRELACION

293

debido a las ecuaciones normales

E(Y-a-pX-'tX2)

= 0, EIX(Y-e-pX-tX2))

= o, E1Xz(Y-4-px-vXz)l =

0

Comparar las ecuaciones (19), página'261. El resultado puede ampliarse a curvas de orden superior de mínimos cuadrados.

8.54. Demostrar que o|.* = o?(1- p') para re$esión de mínimos cuadrados.
Por definición del coeficiente de correlación generalizado p, junto con el Problema 8.53, tenemos para el caso lineal o parabólico

p2
y el resultado

='##

.E[(Y-Y""t)21 r--,;= L- Et'=il = -

n?.*

se deduce inmediatamente.

Tbmbién para órdenes superiores la relación sigue la curva de los mínimos cuadrados.

8.55. Demostrar que para el caso de regresión lineal el coeficiente de correlación definido por (45) se reduce al definido por (40).
EI cuadrado del coeficiente de correlación, esdecir,elcoeficiente de determinación, dado por (45) en el caso de regresión lineal viene dado por

(f)
Pero dado que Y

= a*

BX,

(21
Entonces

E[(a + pX

- Yr2l =
=
or*,

Elp26

- X)\ =
"'*" --lo'x

BLE\(X

-

X)21

oi -;-

o'*, o l'-y = '-

(l

) se

convierte en

(3)

p2 =

44

o

p-r*

oxY

que era lo que se pedÍa demostrar. (El signo correcto püa p se incluye en

oyv).

8.56. Referirse a Ia Tabla 8.2L. (a) Hallar una parábola de regresión de mínimos cuadrados que se ajuste a los datos. (b) Calcular los valores de regresión (comúnmente llamadosualores de ten-

dencia) para los añbs dados y compararlos con los valores reales. (c) lstingar la población err 1945. 1d¡ nstimar Ia población en 1960 y compararla con el valor real, 179.3. (e) Estimar la población en 1840 y compararla con el valor real, 17.1.
Tabla 8-21 Año Población en EE. UU. (millones)

1850 1860 18?0 1880 1890 1900 1910 1920 1930 1940

1950 161.1

25.2 31.4 39.8 60.2 62.9 76.0 92.0 105.7

122.8 131.7

Fuente: Bureau of the Census

(c) Denótese por las va¡iables r, y el año y Ia población durante
parábola de mínimos cuadrados que se ajusta a los datos es

ese año respectivamente. La ecuación de la

(f)

A = a*bx*crz

donde o, b, c se hallan de las ecuaciones normales

294

CURVA DE AJUSTE, REGRESTON Y CORRELACION

[cAP.

8

2U = on*ó)c*c2rz
(2)

2s2U

2ry = a2r*b2r2*c2rs = o.2r2* üI¿3*c)c{

Conüene localizar el origen de modo que el año central, 1900, conesponda con r - O, y los años 1910, 1920' 1930' 1940, 1950 y 1890, 1880, 1820, 1860,18b0 con 1,2,8,4,5 y _L,-2,-g, "orr"rpond.r, -4, -5 respectivamente. Con esta selección )c y )¡e son cero y las ecuaciones (2) se simjüfican.

El trabajo a realizarse para el cálculo puede ordenarse como en la Tabla 8-22. Laaecuaciones normales
(2) se convierten en

(s)
De la segunda ecuación en (3), Entoncee la ecuación pedida es

11o*110c =
110ó

886.8

=

1429.8

l10o*1958c =

9209.0

b:

13.00; de la primera

y

tercera ecuaciones,

a:76.64,c:0.8974.

(1)
donde el origen,

u = 76.64+13.00r*0.397412 r = 0, es 1o. de julio de 1900 y la unidad de ¡ es diez años.
Tabla 8-22 i
¡2
25 16

Año
1850 1860 1870 1880 1890 1900 1910 1920 1930 1940 1960

a
23.2

13

u4

ra
-116.0

fiz,u

-5 -4 -3 -2

si.4
39.8 50.2 62.9 76.0 92.0

I
4

-l
0
1

I
0

-t25 -64 -27 -8 -l
0 1. 8

625 256
81 16
1

580.0 502.4 358.2 200.8 62.9
0

-r25.6
-119.4 -100.4

-62.9
0

0
1

I
4 o

92.0

92.0 422.8

2
3

105.7

16 81

21t.4
368.4 526.8 roD.o

t22.8
131.7 161.1

27 64

1105.2 2L07.2
3777.6

4
o

16 26

266 625

t26

)r=0
(ó)

2a=
886.8

2r2 =
110

)¿s=0

2a4

=

2aa

1958

1429.8

-

>r2a =
9209.0

Los valores de tendencia, obtenidos al eustitufu x : -5, -4,-3,-2,-1,0,L,2,8, tran en la Tabla 8-23 junto con los valores reales. Se observa que el ajuste e8 bueno. Tabla 8-23 Año Valor de üendencia

4, 5 en (4) se mues-

t =-6 r=-4 t=-3
1860 1860 31.0 3L.4 1870

ü=-2 r= -l x=0
1880 62.2 60.2 1890 64.0 62.9 1900 76.6 76.0

g=l
1910

a=2 n=3 r=4 r=6
1920 L04.2 1930 1940 1950

2r.6
29.2

4t.2
39.8

90.0
92.0

1r9.2 136.0 161.6

Valor real

106.7 t22.8

tlt.7

161.1

(c) l94Scorrespondeax:4.5,paraIocualy:76.64+13.00(4,6)+0.3974(4.6)z=143.2.

(d) 1960correspondear:6,paralocualA=76.64+13.00(6)+0.3974(6)2=163,g.Estonoseajustamucho
al valor real, 179.3.

cAP.8l

CURVA DE AJUSTE, REGRESION Y CORRELACION
1840 corresponde a r : --€, para lo cual mucho al valor real 17.1.
76.64

(e)

+ 13.00(-6) + 0.3974(-G)2 : 12.9. Esto no

se

ajusta

Este ejemplo ilustra el hecho de que si se encuentra una relación satisfactoria para un intervalo de valores no implica necesariamente que lo sea para una prolongación del intervalo de valores.

8"57. Los precios prornedios de acciones y obligaciones anotadas en el New York Stock Exchange durante los años 1950-1959 se dan en la Tabla 8-24. (a) Hallar el coeficiente de conelación, (b) interpretar los resultados.
Tabla E-24 Año
1950 1951 39.87

L952
41.85

1953 43.23

1964

1955 53.29

1956 54.L4

1957 49.12

1958
40.71

1969

hecio promedio

de

acciones (dólares) Precio promedio de obligaciones (dólares)

35.22

40.06

oo.lD

r02.48

100.93

97.43

97.81

98.32

100.07

97.08

9r.59

94.86

94.65

Fuente: New York Stock Exchange
(o

)

y los precios promedio de acciones y obligaciones, eI cáIculo del coeficiente de correlase utiliza solamente para especificar Ios valores correspondientes de r, y.

Denotando por

r,

ción puede organizarse como en la Tabla 8-25. Nótese que el año
Tabla 8-25 x
35.22 39.87 41.8ó 43.23 40.06 53.29 54.L4

a
L02.43 100.93 97.43 97.81 98.32 100.07 97.08 91.59 94.85

r-r
-10.04

a-a
4.91 3.41

a'=

tr'2

%'a'

100.80 29.05 11.63

-49.30 -18.38
0.31

24.L|
11.63 0.01 0.08 0.64 6.50 0.19 35.16 7.13 8.24

-5.39
-3.41

-0.09
0.29 0.80

-2.03
-5.20
8.03 ú.4ú 3.86

4.t2
27.04 64.48 78.85 14.90 20.70 97.81

-0.59 -4.16
20.48

2.56

-0.44

-3.91 -22.89

49.r2 40.7t

-4.55
9.89

-5.93 -2.67 -2.87

t2.t5
-28.38

oo.lo

94.65

)¿

452.64 45.26

--

2a=
975.16

2u'2 =
449.38

2t'y'=
-94.67

2a'2 =
93.69

a:
97.52

Entonces por la fórmula producto-momento,

-94.67
v (44e.38)(e3.6e)

=

-0.4614

(b)

Se deduce que hay cierta correlación negativa entre los precios de acciones y obligaciones (es decir, una tendencia a disminuir los precios de las acciones cuando aumentan los de las obligaciones y v_iceversa), aunque esta relación no es muy marcada.

Otro método.
La Tabla 8-26 muestra las graduaciones de los precios promedios de acciones y obligaciones para los años 1950-1959 en orden de precios ascendentes, También se indican las diferencias en graduaciones d y )d2.

296

CURVA DE AJUSTE. REGRESION Y CORRELACION
Tabla 8-26 Año
1950
1951

[cAP.

8

t952
D

1953
6

1954
3

1

955
8

1956
q

1957
a

1958 4

1959 10
.,

kecios de acciones en orden de grad.
hecios de obligaciones
en orden de grad.

I
10

I

I
-T

5

6

7

8

4

1

3

Diferencia de
graduación d

-9
81

0

0

-4
16

0

D

6

I

8

49

0

0

0

25

36

I

64

>d2

-

272

Entonces
Esto
se

rsrad

= ,-#!t

= t--ffi;\

=

-0.6485

compara favorablemente con el resultado del primer método.

8.ó8. La Tabla 8.27 muestra las distribuciones de frecuencia de Ias calificaciones finales de 100

tudiantes en matemáticas y física. Refiriéndose a esta tabla determinar (c) el número de estudiantes que obtuvieron calificaciones 7F79 en matemáticas y 80-89 en física, (b) el porcentaje de estudiantes con calificaciones de matemáticas inferiores a 70, (c) el número de estudiantes que obtuvieron una calificación de 70 o más en física y menos de 80 en matemáticas, (d) eI porcentaje de estudiantes que aprobaron aI menos una de las asignaturas suponiendo que 60 es la calificación mínima de aprobación.
Tabla 8-27 CALIFICACIONES DE MATEMATICAS

es-

(h

o
90-99

4G49

50-59

60-69

70-79
I

8(H9
4
6 8 2

90-99
+
D

TOTALES
10

lt

,o

f¡¡
an

8G{9
70-79
60-69
5G-59
1 4

I
o

4

l6
24
2L L7

z o
C)

rf]

10
o

I

I
6 4

o t\
Fl

3 3

6

2

4t)-49 TOTALES

o 15

L2 23 20
10

7

25

100

(o

)

Bajando por la columna rotulada 7O-79 (calificaciones de matemáticas) hasta la fila rotulada ficaciones de física). El resultado 4 da el número pedido de es¡udiantes.

80-89 (cali-

(b)

Número total de estudiantes con calificaciones inferio¡cs a 70 : (No. con calif. 40-49) * (No. con caüf. 50 -59) * (No. con calif. 60-69)

:7*15*25:47
Porcentaje de estudiantes con calificaciones menores a 70

:

47

ltOO:

47Vo,

cAP. 8l

CURVA DE AruSTE. REGRESION Y CORRELACION El número pedido de estudiantes es el total de las entradas en la Tabla 8-28, que representa parte . Tabla 8-27.
Número de estudiantes pedidos: 1

297
de la

(c)

*

5

+ 2 +.4 t
(t)

LO

= 22.
Tabla 8'99

tt)
f¡¡

Tabla 8-28 CALIFICACIONES DE MATEMATICAS 60-s9 90-99
8(}_89

z

CALIFICACIONEg
DE MATEMATICAS 40-49 50-59 40-49
3

z o

o

70-79
2

?*
E2 Fl Ei
<
(d)
C)Q
f¡l

I
D

4

70-79

a2 Ftk < fr¡ oo

?x oií

50-59
6
D

ó

10

Con referencia a la Tabla 8-29, que está sacada de la Tabla 8-27 ,ae obedrva gue el número de estudiantes

concalificacionesmenoresa60enmatemáticasyfísicaesS*3+6+6=LT.Entoncegelnúmerode estudiantes con calificaciones de 60 o más en física o maüemÁtica¡o en amba¡ es 1Ú0 - 17 = 83, y el por' centaje pedido es 83/100 :834a.
La Tabla 8-27 algunas veces se llama tabla de frecuencias de doble uori¿ción o distribución de frecuencias de doble uariación. Cada cuadrado de la tabla se llama casilla y corresponde a un par de clases o intervalo de cla' se. EI número indicado en la casilla se llama frecuencia de casillo. Por ejemplo, en la parte (o) el número 4 ee la frecuencia dela casilla correspondiente 4l pa.r de intervalos de clase 70-79 en ¡natemátlcas y 80-89 en ffsi'
ca.

Los totales indicados en la última fila y en la última columna se llaman totalee marginabl o frecuencioe mir' ginales. Corresponden respectivamente a las frecuencias de cl¡ee de las distribuciones de frecuencia de la¡ ca' Iificaciones de matemáticas y física por separado.

8.59. Mostrar cómo modificar la fórmula del ProblemaS.Sl paraelcasodedatosagrupadoscomoen
la Tabla 8-27.
lPara datos agrupados, podemos considerar los diferentes valore¡ de las variables r, y coincidiendo cQn lag marcas de cliase, en tanto que f x I f y son las cprrespondientes frecuencias de clase o frecuencias marginales indicadas en la última fila y columna de la tabla de frecuencias de doble va¡iación. Si s€ representa por f l¿s diferentes frecuencias de casilla correspondientes a los pares de marcas de claee (r, y), entonbes podemoe remplazar la fórmula del Problema 8.31 por

n2fru
(1)

-

(2f

"r)(2luu)

Sihacemos ü=Eo*,crury !=Ao+csL!, dondecr,cyBonlasamplitudesdeloeintervelosdeclase(supues' tos constantes) y ro, Jo son rDarcas de clase a¡bitrarias correspondientes a las variablee, la fórmula anterior ¡e convierte a
(2) n2 f u ru o

-

(2 |

"u,l

(2

| oun)

Este es el método claue uttlizado en el Capítulo 5 como un método breve ¡rara calcula¡ medias, desviacione¡ típicas y mompntos superiores.

8.60. Hallar el coeficiente de correlación lineal de las calificaciones de matemáticas y física del Problema 8.58.
Utilizamos Ia fórmula (2) del Problem¿ 8.59. El trabajo puede ordenarse como en la Tabla 8-30, que
tabla de correlación.
se

llama

298

CURVA DE AJUSTE, REGRESION Y CORRELACION
Tabl,r E-30

lcAP.8

Glificaciones de matemáticas, c

r
a

44.6

64.5

64.6

74.6

84.6

94.5

Suma de

\% ¿y\
2

ft -2
-1
0
1

los núme
f vuv

fuuS

2

3

ros esqulnados en

c¡da fila
10 20 40 44

94.5 d a !

2

4

4

84.6

1

1

4

6

D

16

16

16

3l
0

Ei

I
E

74.6

0

o

10

8

I

24

0

0

r{
¡i

64.6

-1

I
3

4

I
6

D

2

2L

-2L
-34

2l
d8

-3
20

A

64.6

-2
-3

6

2

L7

Íii
3
fn ,

r͡
D

t4

44.6

t2
23 20 10

t-l
16

-36

108

33

t,
Ítut

26

2f

n=2f y )f yuy =¿=100 = -66
2f ,u"

)fyu?

2furuo

=

263

=

L26

-t4
28

-15
16

0

23

40

30

=64
2f ,ul

f"u?
Sum¡ de los
númelos cada

0

23

80

90

= =

286

{

32

3l

0

colur¡a

-1

24

39

2fu,uo
L25

El número en la esquina de cada casilla repreeenta el producto f uruo, donde f es la frecuencia de ca¡illa, I¿ suma de esos números esquinados en cada fila se indica en la fila coñespondiente en la última columna. La suma de esos números esquinados en cada columna se indica en la columna correspondiente en la última fila. Loe totales finales de la última füa y columna son iguales y representan ifu"uu.
De la Tbbla 8-30 tenemos

r=

n2fu,uo

-

(2f

"u.)(2luunl
(64X-55)
16,020

(100)(125)

-

,/(rr,6o4\2z,zn

=

0.7686

8.61. Utiliza¡ la tabla de correlación del Problema 8.60 para calcular (a) e,, (b) s", (c) Iry y verifi. car la fórmula
(o)

8x=cx

}f"u? /2f ,ú"\2
n \n/
uuuY

10=

13.966

(ó)

sy=a!

>fuui /2f

" -\ "

i

"\m_m

=t4.e25
,60.20

(c)

".n

=

"""olz|T-(+)(+)]=

(10x10)f100r?q-(#)(#)] =

66. Ajustar una recta de mínimos cuadrados a los datos de la Tabla 8-31 utilizando a (a\ x como la variable independiente.?686. (b) Í sobre y para los datos rr+qW = 64.9 respectivamente..x=L2. 8y r-70.62.5¿8 8.cAP. 8l CURVA DE AruSTE.2.0) x-?0.e).64.60.gZfy'f - (OfOg6P = = 9.0=q9ff##q(v-6e. = ¿yt/Ti-rz = = a"t/T7rz = f¿.926 y r = 0. = L4.. ParalosdatosdelProblemaS.uo+qY: 145+q'qfrEq = u= De los resulüado¡ del Problema ?o... página 261 .66 8.64. Escribir las ecuaciones de las rectas de regtesión de (c) y sobre del Problema 8. De la Tabla 8-30 tenemos.v ts. r.20 G&r'-áiÉfutB = o'7686 que concuerda con r hallado en el Problema 8.63.0=A+##€?!)@-70.60. REGRESION Y CORRELACION 299 Por tanto las desviaciones típicas de las calificaciones de matemáticas y fÍsica son 14. Utilizar los resultados del Problema 8. r a 3 6 6 8 911 234668 8.5+E#9 = ú . a y-6e.rlos RECTA DE MINIMOS CUADRADOS Tabla 8-31 8. Tenemoe 8"".a guplementa. (b) sr. para obtener las ecuaciones de las rectas de regtesión (¿) ó a-u='!w-nt.61 a. E.65 utiliza¡rdo el resultado de la parte (c)' .966.o 8.9) -69.s6oy'1:107686)á Problerrra.0). Entonces utilizamos ( I 6 ).0 y 14. 0.934 s. (a) (bl Ey. 0.821(o-70.e Ge. 8xv 160.64.(b) elvalordexparay:7' (o) Utilizar el método a mano alzada para obtener Ia ecuación para una recta de ajuste de los datos del Problema 8.0 = (b) 6 r-ü='?o-o¡.9 = 8.. s!.hallar(o)losvalore$deycuenda x=6.61. Calcular los ertores típicos de la estima (c) er.60. para los datos del Problema 8. en tanto que su covari¡nza es 160. Representar gráficamente los datos y las rectas de mínimos cuadrados utilizando el mismq conjunto de ejes coordenados. = 13.7t9(u-69. (b ) r como Ia va¡i¿ble dependiente. (b) SolucionarelProblema 8.

Escribir las ecueciones normales para la curr¡a cúbica de mínimos cuadrados dada por dx3 . Con referencia a Ia Tabla 8-33. o^ 2.71 rrcstrar c6mo una gráfica en papel semilogarítmico puede utilizarse para obtener la ecuación pedida sin emplear el método de los mínimos cuadrados. (c) Comparar los valores de y obtenidos de esta ecuación con los valores reales. [. (b\ Estimar z cuando a to 90 10 72 .?1. I : o t bx * cx2 I Tabla 8-37 REGRESION MULTIPLE E. con Ia escala logarítmica para yr la escala ariü- méticaparar. En el Problema 8.300 CURVA DE AJUSTE.y:6. REGRESION Y CORRELACION [cAP. (o) Representar gráficamente los datoe. (b) Hallar la recta de regresión de mínimos cuadrados de y sobre r.9 La Tabla 8-36 da las distancias de parada d (pies) de un automóvil que viaja a una velocidad u (millas por horas) en el instanüe que se observa eI peligro.74. z. (d) Estimar el valor de y cuando r : J. utilizando a y como la variable independiente.u. (d) Si un estudiante obtiene una calificación de ?5 en álgebra. y. utilizando a r como la variable independiente. Tabla 8-36 Números de horas (¡) 0 I 47 2 3 4 D 6 Número de bacterias por unidad de volumen (y) 32 65 92 132 190 275 8.73.a Tabla 8-37 muestra los 3 6 o n 8 t? o t4 valores correspondientes de tres variables x.70. 12 .72.a los datos.I 3.3 14.(c)Estimardcuandou:45mi/hy80mi/h. t. (c) Hallar la recta de mínimos cuadradoe que se ajuste a los daüos. La Tabla 8-32 muestra las calificacionee finales en álgebra y física obtenidas por diez e¡tudiantes seleccionados alcatoriamente de un gran grupo de estudiantes. (b) Ajustar una parábola de mínimoscuadradosdelaformad:oIbu*cuzalosdatos. y.t--10.68. (D) Hallar la recta de mínimos cuadrados que se ajuste.(b)Ajustarunacurvademínimoscuadradosdelaforma !=abxalosdatosyexplicarporqué esta ecuación específica da buenos resultados. (d) Representar gráfioamente las dos recta¡ de regresión de (b) y (c) sobre el diagrama de dispersión de (o).6 9. fabla 8-33 Calificación en el primer examen C¡lificación en el segundo examen 6 ü D 8 8 10 a 76104 D 8106 Tabla 8-34 q 8 il CURVAS DE REGBESION DE MINIMOS CUADRADOS 8:69. Tabla 8-36 Velocidad.8?. (c) Hallar la recta de regresión de írínimos cuadrados de ¡ sobre y. (a) Representar gráficamente d. o + bx r a 0 1 2 ó A 5 t) ¿x?alos datos de Ia Tabla 8-3¡t. (o) Representa¡ loe datos en papel semi-Iogaritmo.6 21.2 5.ID 80 ?8 93 86 65 72 87 91 7L 98 95 68 84 89 tt 82 80 72 74 E. Alustar una parábola de mínimog cuadrados. ¿cuál es su puntuación eeperada en álgebra? Tabla 8-32 Algebra (c) Física (y) . (o) Hallar la ecuación de regresión lineal de mínimos cuadrados de e sobre x. u (mi/h) Distancia de parada d(p) 20 54 30 40 138 50 60 70 90 206 292 396 E. y : t 8. 54 42 30 . El número y de bacterias por unidad de volumen pres€ntes en un cultivo después de ¡ horas viene dado en la Tabla 8-36. (o) Construir un diagrama de díspersión. 8 t. ¿cuál es su puntuación esperada en física? (e) Si un estudiante obtiene una puntuación de 95 en físice.

68.E2.68.cAP.81 u 8. Utilizar los resultados del Problema 8. y obtener exptesiones para los coeficientes de regresión de mfnimos cuadradoe el resultado del hoblema 8.88. 8. 8.Sis"=1.64.60. r. (b) Obtener eI coeficiente de correlación directamente de las pendientes de las rectas de regresíón del Problema 8. ballar las ecuaciones de la recta de regresión de (o) y sobre x.8?. (b) Problema 8. (ó) Determinar la recta de regtesión de mínimos cuadradoe de y sobre r.86. . y dados en la Tabla 8-39. La Tabla 8. (b) Multiplicar todos los valores de ¡ por 2 y sumarles 6. (b) sr. Hallar el coeficiente de correlación entre los dos nuevos conjuntos de valores. Obtener las ecuaciones normales para la regresión lineal de mínimos cuadrado¡ de guna interpretación geométrica para esto? Explicar Una superficie de regreaión de z sobre ¿¿ eobre r.EO.81. E. (b) r sobre y.z . (o) Hallar el coeficiente de corre' r.68(b) v (c ).85. Tabla 8. Calcular (a) la variación total en y.= E.75 para solucionar el Problema 8. " para los datos en el Problema 8. Hallar la covarianza para los datos del Problema 8.86.90. (o) Calcular el coeficiente de correlación entre los valores correspondientes de r. Hallar (o) sy ". Calcular (o) sv.8f . (c) la variación explicada en y para los 8. El 8. Multiplicar todos los valores de y por 3 y restarles 15.Br * Ca I Dr2 * Ery * Fyz Obtener las ecuaciones normales para los eoeficientes de regresión de mínimos cuadrados. 8.¡. 8. (b) utilizando la fórmula s¡s = rs¡sÍ y el resultado del Problema 8. explicar por qué se obüiene o no el mismo resultado que en la parte (a). en E.r. Demostrer que la ecuación para regresión lineal de z sobre r. ¿Hay al' t.i=10. (o) Hallar elcoef¡cientede correlación entre E. (b) $.79.t3. D.00. y puede escribirse como z-2. Utilizar 8. ú=20.68 utilizando la fórtnula producto-momento y comparar con el resultado del Problema 8.76. Si sv. (c) Estimar la pre- sión sanguínea de una mujer de 45 años.eL2 mujeres. (b) la va¡iación no explicada datos del Problema 8.68.67.89. 8l CURVA DE AJUSTE.! . Si el coeficiente de correlación entre. halla¡ r.82. coeficiente de correlaciónentredos variables¡. REGRESION Y CORRELACION 301 8.38 lación entre muestra las edades r y la presión sanguínea y d.76. Hallar los coeficientesde correlación para los datos del (o) Problema 8.3E F¡lad (r) Presión Sanguínea (y) 55 49 38 42 68 r47 725 160 118 t49 t28 150 146 115 140 162 56 42 72 36 63 47 60 165 E.E4.7 7 a(r-¿l+b(u-úl o. y. y tiene la form¿ z = A 1. sr:2.74.68 (a) dircctamente. Tabla 8-39 x a 2 4 5 6 811 18t210875 .80 para hallar el coeficiente de correlación entre los dos conjuntos de calificaciones de los exámenes del Problema 8.60. y. yesr:0. ERROR TIPICO DE LA ESTIMA Y COEFICIENTE DE CORRELACION LTNEAL E.y para los datos del Problema 8.50. los dos conjuntos de calificaciones de los exámenes del Problema 8. y es 0.= 3y ss : 5.7t.. ¿qué porcenüaje de la varfación total pennanece no explicada por la ecuación de regresión? 8.

(D)larvariacionee explicaday no erplicada.94.s. el coeficiente de correlación gradual para loa datos del (a) Problema 8. Da¡ un ejemplo para demostrarcómo hallaría (a) el error típico de leestima. y\.96gina 52. B. en el ca¡o de do¡ variablee aleatorias X. Hallar el error típico de la estima de z ¡obre ¡.74. 8. H de acuerdo con sus preferencias.93. t.lOS.lol.96. t. (b) X eobre y. I COEFICIENTE DE CORBELACION GENEBALIZADO E'91.8. INTERPBETACION PROBABILTSTICA DE LA REGRESION Y LA CORRELACION E. Halla¡ el coeficiente de conelación gradual y decidir eobre el acuerdo de loe jueces en su8 eleccioneg.página 263. G. lo¡ resultados se mueshan en la Tabla 8140.¡ 8. Hallar el coeficiente 264.84. Doa juecec en una competencia debían clasifica¡ a 8 candidato¿ A. t. (o) Calcular el coeficiente de conelación múltiple pars los datos del hoblema 8.92.y. F. Il¡llar t.97. COBRELACION GRADUAL E. Hallar el coeficiente de conel¡ción lineal para la¡ variableg aleatoria¡ del Problema 2.págirra52. página t. de conelación para las variabie¡ en el hoblem" g.gus observaciones en (o). (c) el coeficiente de conelación generalizado.99.4O Candidato A o 4 B I o C 8 7 D 1 E 4 F' 6 G 3 H d a himer Juez Segundo Juez 3 2 I I 6 t. (b) X cobre Y para Ios datos del hoblema 2. Y viene dada por f(r.8. t. t. estudiar una posible deeventaja del método de conelación gradual.a) = [2r+3a Io o(c(L'o<Y<2 de otra form¡ Ilalla¡ la curva de regresión de (a) Y sobre X. (b) De. D. (o) Hallar el coef¡ciente de correlabión gradual para los datos del Problema 8.99.rOO.99.5g ufilizando el resultado (35). página 52. H¿ll¡rlacurvaderegreeiónde(a)YsobreX.98. t. E. t. Y con E.104. Tabl.68 v (b) Problema 8.paraelca¡odeunaauperficiederegresiónlinealparazsobrer.lo6' función de densidad conjunta (o función de probabilidad conjuñta) f(x. La función de den¡idad conjunta de las variables aleatorias X. ¿Ocurren algunae simplificaciones en la¡ curvas de regresión Ce Y sobre X ó X sobre Y para el caso de varia- . Halla¡ la recüa de regesión de mínimoe cuadrados de (a) Y sobre X.96. Obtener el coeficiente de correlación lineal para el hoblema 8. tls[a¡ la recta de régresión de mínimos cuadrados de (a) Y robre X. variación toüal es erplicada por la ruperficie de regreeión? (b) ¿Quéporcenüajedela Demostra¡elresultado (27).102. y para lo¡ daüo¡ del Problema 8. ble¡ aleatoriac independientes? Explicar. C. REGRESION Y CORRELACION [cAP. 8.74. (D) X eobre Y para el hoblema 8.106.302 CURVA DE AJUSTE. Mostra¡ cómo se puede diseñar un coeficiente de correlación múltiple.(b)XaobreYparalosdatosdelhoblema2.90.

Demostrarqueelcoeficientedecorrelaciónentre¡.d'.00 ¡. Yvie' nen dadas por 2:r . Las rectas de regresión muestrales de mínimos cuadrados para un conjunto de datos involucrando X.112. E. 8.110.l19.10?. (b) ta presión sanguínea de las mujeres de 45 años.\ es independiente de Ia elección del origen de las variables o de Ias unidades en que se expresan.05. y'es eI mismo que el entre.hallarloslímitesdeconfianzadel 9fleparafo)elcoeficientederegresiónde y sobre r.121.118.50' ¿Podemosre' chazar la hipótesis de que eI coeficiente de correlación poblacional es (o) tan pequeño como p : 0.114. 8.(b)997oparu un coeficiente de correlación que se calculócomo 0.01. Solucionar el Problema 8. REGRESION Y CORRELACION 303 TEORIA MUESTRAL DE LA REGRESTON 8.(b)99%paralamedia'detodoslosvaloresde y correspondientesa¡ = 6. ¿Podemos concluir a un nivel del (o) 0.20. (b) tan grande como p : 0. Demostrar que el ángulo entre dos rectas de regresión muestrales de mínimos cuadrados viene dado por . utilizando un nivel de significación del 0'05? 8.60 de una muestra de tamaño 28.111.el(o)95%. Hallar los límites de confianza d. (Sugerencia: Suponga quer' = noi c1r.?0. En el Problema 8.05.S4. (b) 0.00 y ñ = 7.95 respectivamente.10? ensayar la hipótesis de que el coeficiente de regresión poblacional 1.50. que hay una diferencia significativa en' tre los dos coeficientes? RESULTADOS DryERSOS 8. (b) tan alto como 2. Dos coeficientes de correlación obtenidos de muestras de tamaños 23 y 28 se calcula¡on como 0.ypuedeexpresarsecomo il2 -:.l0?hallarloslímitesdeconfianza d. Un coeficiente de correlación basado sobre una muestra de tamaño 35 se calculó como 0.tes t?.00.84.!l = 2. 8. a un nivel de significación del 0. A' = llo * c2y.5a = 3. ¿Podemos concluir a un nivel de significación del (o) 0.cAP.60.01.c2 soll constantes arbitrarias. y). EnelProblemaS. Sobre la base de una muestra de tamaño 27 se encontró que la ecuación de regresión de y sobre r era t = 25.108. Si sr. 8l CURVA DE AJUSTE.30.8.1 "l$- c2) 20. demuestre que el coeficiente de correlación entre r'. Verificar los coeficientes (5).211Ú 8.11?. Hallar los límites de confianza del (a) 957o.* : 8.el 95% para el coeficiente de correlación calculado en el hoblema 8. (b) 0. En el Problema 8. 8. 8.115." = 1. .70.tu] tan-'L rfti + si) -l E.123. Hallar el coeficiente de correlación lineal. Un coeficiente de correlación basado sobre una muestra de tamaño 27 se calculó como 0. que el correspondiente coeficiente de correlación poblacional es considerablemente mayor que cero? E. TEORIA MUESTRAL DE LA CORRELACION 8.00. (c) la media de lae presioñes sanguíneas de las mujeres de 45 años. Demostrar que el cóeficiente de correlación - g.109.113.116. 8.80 y 0.I22.(b\ 99% para y cuando ¡ : 6. .01. DemostrarqueparaelcasoderegresiónlinealelvalormÍnimodeE'{[]'-(o*¡lX)lz. es (o) tan bajo como 8.f-(1 -r2)s.114 si el tamaño de Ia muestra es 52. hallar los límites de confianza del (c) 95%. 5r .sx = 3.10? hallar los lÍmites de confianza del (o) 957o. 8.0 + 2. página 260.40.(b\99% pra el coeficiente de regresión. donde r¡¡ !/6¡ cl¡. ConreferenciaalProblema8. para la recta de mlnimos cuadrados.

2 1949 1950 1951 1952 1953 1954 1955 1956 1957 1958 101.r (pulgadas) 59-62 63-66 1 67-70 71-74 75-78 9L109 110-129 !e 2 n 8 2 ! p ql 130-149 150-169 170-189 190-209 o 15 L2 4 22 63 28 10 I 1 h tt) .1 25.304 CURVA DE AJUSTE.y para loa daios del hoblema 8.L24.130.4 I14.7 114.2 t23.0 113.(ó)Estimar los pesos de doe hombres cuyas estaturas son 64 y ?2 pulgadas respectivamente. Ilalla¡ el coeficiente de correlación entre las estaturas y pesos de 300 adultos dados en la tabla de frecuencias siguiente. Con referencia a la Tabla 8-43: (o) Representar gráficamente los datos.5 116. (b) Br.129. El período base es de L94? 1949 : 100.3 I 10. 19 5 o (t) e. Demostrar que para regresión lineal 4 = +. 8.4). REGRESION Y CORRELACION [cAP. (ó) Hallar la recta de mínimos cuadrados que se ajusta a los datos y construir su gráfica.128. Hallar los límites de confianza del 96% pára el coeficiente de correlación calculado en el hoblema 8.5 r14.126. 8ü 8É ¿Es el resultado válido para regresión no lineal? 8. 8.l2S.8 111.41 ESTATURAS . (d) Predecir el Índice de precio para la asistencia médic¿ durante 1958 y compararlo con el valor verdadero (L44.8 102.2 Fuente: Bureau of Labor Statistics 8. (c) Calcular los valores de tendencia y compararlos con los valores reales. (o)HallarlarectaderegrecióndemínimoscuadradosdeysobrerparalosdatosdelProblemaS.1 114. (e) ¿En qué año podemos esperar que el índice de costos médicos doble el del 194?1949. Hallar el coeficiente de cor¡elación entre los índices de precios al consumidor y los índices de precios aI por mayor para todos los artículos indicados en la Tabla 8-42. suponiendo que las tendencias presentes continúen? Tabla 8-43 1950 1951 1952 1953 1954 1955 1956 consumidor pqr asis' tencia médica 1957 (1947-1949=100) Fuente: Bureau of Labor Statistics .8 114.r. E.127.8 111.8 8.L25.5 por mayor 103. Tabla 8.6 L19.1 t 10. - Tabla 8-42 Año Indice de precios al consumidor Indice de precios al 99. 210-225 I .6 I 10. 8. Hallar (o) s". f¡¡ 32 20 t2 q .3 1r 7.2 r20.125.

(c) Calcular los valores de tendencia y compararlos con los valores reales. Y variables a|s3fs¡i¡s con función de densidad conjunta (o función de probabilidad) f(x.9 Welfaie 19.5 23. . Con referencia a la Tbbla 8-44. Demostrar el Teorema 8-1. 8.¿) donde . Estudiar la relación.132.0 1030 18.9 17.¿(r) es cualquier función de r para el cual estas esperanzas existen. si Ia hay.9 ¿ind 1935 1940 1945 1950 1955 24.7 21.136.134. 8. Demostrar el Teorema 8-2.6 Fuentet Department of Health. 8. (d) Explicar por qué la ecuación en (b) no es útil para propósitos de extrapolación.8l CURVA DE AJUSTE. del Problema 8.3 16.' Utilizar el Problema 8.133. Tabla 8-44 Año Natalidad por cada 1000 habitantes 1915 1920 7925 25. REGRESION Y CORRELACION 305 8. E. En el Teorema 8-1. (Sugerencia.131. página 265. Education 8. (a) Representar gráficamente los datos.cAP.132 para variaciones explicadas y no explicadas. ¿es g(r) única? Explicar. (b) Hallar la parábola de mÍnimos cuadrados que se ajuste a Ios datos.132). Demostrar que si 9(r) = E(Y \ X = c) entonces EUY - É(x)1'!) = E{LI'- o(xl¡z¡ + Ells(x) - q(x)l.l35.página265. y). Sean X.6 23.

. EJEMPLO 9. . CLASIFICACION SIMPLE O EXPERIMEI{TOS DE UN FACTOR En un experimento de un factor se obtienen medidas u observaciones para 4 grupos independientes de muestras.2.Capítulo 9 Anólisis de vqrionzq PROPOSITO DEL ANALISIS DE VARIANZA En el Capítulo 7 utilizamos la teoría de muestreo pÍua ensayar Ia significación de diferencias entre dos medias muestrales.. Los valores i¡. 22. b. . cada uno de los cuales tiene b repeticiones o réplicas..1r2'. se utiliza para indicar que el índice k se ha sumado. de las cuales se extrajeron las muestras. Utiliza la distribución F considerada anteriormente en los capítulos previos. dl h : 7. . ¿Hay una diferencia apreciable en estas medias o la dispersión observada simplemente se debe al azar? Problemas como estos pueden resolverse utilizando una técnica impoftante conocida como andlisis de uaríanza. En el Ejemplo 9'L.2. .r i:7. Ttatamiento ¿ üol fio2 rob tra Denotaremos por i¡ la media de las medidas en la fila j. Por ejemplo.. medias de tratarrtiento o medias de fila. . . Tabla 9'1 Tlatamiento 1 Ítt E2l rtz rzz xtb fr1. desarrollada por Fisher. Aquf r¡¡ denota la medida en la fila j y Ia columna k. a : 4. tenían la misma vaianzi. donde el número de medidas en cada grupo es b. donde i : t. r35 se refiere a la quinta medida para el tercer tratamiento.^ 306 (2) . se denominan medias de grupo.ao lk : a0 i=t r=t -.. En muchas situaciones existe la necesidad de ensayar la significación de diferencias entre tres o más medias muestrales. . La gran media o media total es la media de todas las medidas en todos los grupos y se denota por c. *iÉr. TYatamiento 2 itv t2. 2... Supusimos que las dos poblaciones. Tenemos _lb fr¡:62r. Los resultados de un experimento de un factor pueden representarse en una tabla con a filas y b columnas (Tabla 9-1). tg y 24 hU}l'a respectivamente.1. esto es r . o lo que es equivalente a ensayar la hipótesis nula de que las medias muestrales son iguales..a Q) El punto en tj. Hablamos de a tratamientos. Supóngase que en un experimento agrícola cuatro ttatamientos químicos diferentes del suelo producen rendimientos medios de trigo de 28.

)t t'k La segunda suma a la derecha de (5) o (6) se llama la uaríación entre trstamientos (ya que involucra los cuadrados de las desviaciones de las diferentes medias de tratamiento ñ¡. €s €l total de todos los valores t - rir ! r...u (Ir) y luego elevando al cuadrado y sumando sobre j y k podemos demostra¡ (véase Problema 9. Por tanto (7) tt. el ANALISB DE VARIANZA 307 VARIACION TOTAL. esto no tiene efecto en los resultados finales. Ias cuales toman los valores . zJ i'k es el total de todos los valores en el tratamiento j. . S eJx r'.u_r.)*(i¡.-r) ) i.1) que . .-r.t..cAP. -.utt -: 2 @.u At: donde esto es . MODELO MATEMATICO LINEAL PARA ANALISIS DE VARIANZA Podemos c<¡nsiderar que cada fila de la Tabla 9-1 representa una muestra aleatoria de tamaño ó de la población para ese tratamiento particular. . (11) (12) = tu4. VARIACTON DENTRO DE TRATAMIENTOS.i'): i.k (:c.k (5) (6) ) j.r -.). denotada por u.¿.)t (3) r¡x-I = (c¡r.r)' i.-r-:): lltulUu (8) Así las ecuaciones (5) o (6) pueden escribirse como 'v-: (e) METODOS CORTOS PARA OBTENER VARIACTONES Para minimizar guientes: el trabajo en calcular las variaciones anteriores son convenientes las formas si- r) = ...i'¡)' + b > (r¡ ..- r)2 : ) (r. . para el tratamiento j tenemos las variables aleatorias Xir.) y la denotamos por u-. como la suma de los cuadrados de las desviaciones i. ':: ) (r'. Por tanto . de la gran media cly se denota por ub.t..k (".t)b n-i_ # U-Ub (:0. 1 ) (r.p con respecto a las medias de tratamiento C¡.k A la primera suma a la derecha de (5) o (6) las llamamos uariación dentro de tratamienfos (puesto que incluye los cuadrados de las desviaciones de r.¡)t = tr)(i'... . .o")' : ) i. Xjo independientes y distribuidas idénticamente..j:1*'u (13) En la práctica es conveniente restar algún valor fijo de todos los datos en la tabla. X¡2.u -- i. es decir Variacióntotal : Al escribir Ia identidad 1) : )(r.k (. VARIACION ENTRE TRATAMIENTOS de cada medida de la gran media Definimos la uariación total. Así.

E[6 no es cierta.19) ' De (17) se deduce que E(Vt) = (a-l-)o2 + b> E(V.. 2. Sin embargo. . VALORES ESPERADOS DE LAS VARIACIONES La variación entre tratamientos V6 . Si. mutuamente independientes con medias pi y varianza común l.) : (ab-l)o2 + "1 (16) (17) b> a? (r8) (. Entonces (I4) puede escribirse como (véase Problema 9. Definamos la constante ¡r por tL 1s. si .. Esto equivale a suponer que las X* (i : L.) = a(b . . .. tienen una media común como también una varianza común.7o "b . La hipótesis nula de que todas las medias de tratamiento son iguales viene dada por (Ifo: ot= 0. puedentomarsecomo variables aleatorias independientes (relativas ai y h).308 x¡1 ANALI$S DE VARIANZA [cAP. . Cada una de las X¡n suma de su valor esperado y un término de "error": (h: L.T L¡r Los A. .? (23) . ai k : l.Efo es cierta o no. las poblaciones de tratamiento..a-l ¿'(Si) v ab-L (I6) (22) proveerá estimas insesgadas de o2. x¡2. de (I6) V (/8) vemos que sólo si. la variación dentro de tratamientos V. b) son va¡iables normales.. distribuidas normalmentp con media cero y varianza o2. entonces tenemos de = '"+. e . De otra parte. .n = F. t). _ o?r. . y la variación total V son va¡iables aleatorias que respectivamente toman los valores t)b. Íjb respectivamente. . X.2..É[s es cierta tendremos ^/ I¡u E\fr)\ = J de modo que solamente en ese caso n(ffi)= a Qr- (21) Qz. .¡.2..ta¡¡ donde P".*= p*a. . =O (15). Podemos demostrar que (véase Problema 9.2.r--Lr}.. La constante o¡ puede considera¡se como eI efecto especial del tratamiento j. b) puede expresarse como la (14\ X.El6 escierta.o1o en forma equivalente por (I1o: Fi= pi i =t. Podemos interpretar a p como la media pÍüa una clase de gran población que comprende todas las poblaciones de tratamiento.18). (7\ y (3). Por tanto solamente hay una población de tratamiento y todos los tratamientos son estad ísticamente idénticos. que por suposición son normáles. i=1..y u de acuerdo con las definiciones (8).19) de modo que (20) es siempre la mejor estima (insesgada) de I independiente de si..2.l)o2 E(V'.9). .

Es importante ¡ecalcar que el Teorerría g-1 es válido si se supone o no I/s . F': Sr2/S¿tieneladistribucióntr'con a_ Ly a(b_ 1) gradosdeliber- El Teorema 9-3 nos permite ensayar la hipótesis nula a un nivel de significación determinado empleando un ensayo unilateral de la distribución F. el cual es una consecuencia del Teorema 5-8. (10) y (11). Total. siendo el efecto más pronunciado a medida que la discrepancia entre medias aumenta. po{emos demoshar los siguientes teoremas fundamentales relativos a las distribuciones de las va¡iaciones V. Teoremag-3: E] estadístico tad. en tanto que el Teorema 9-2 sólo es válido si se supone f/0.a(b-L) j a\o _ l) grados de libertad a : a-L+ ut = )(er¡.-f.ab . o el método corto. TABLAS DE ANALISIS DE VARIANZA Lo! cálculos pedidos para el ensayo anterior se resumén en la Tabla 9-2. Pa¡a utilizar este estadístico debemos conocer su distribución. De otra forma podemos o aceptar lfe o reservarnos el juicio dependiendo de análisis posterior.9l ANALISIS DE VARIANZA 309 DISTRIBUCIONES DE LAS VARIACIONES Utilizando el Teorema 4-4. esto es./o2yV/étienen la distribución chi-cuadrado con ¿ -1 Tenrema y ab - 1 grados de libertad respectivamente. Teorema 9-2: Bajo la hipótesis nulal{0. va : b)1nt.u/o2 tiene la distribución chi-cuadrado con o(b . . es igual a la-suma de los grados de libertad para las variaciones entre tratamientos y las variaciones dentro de tratamientos. pág¡na 116.1.: u uu. con tratamientos. es decir.cAP. de (I9) y (20) cabe esperarse que S. y luego calcular u. Vt.- ¡¡z Ao s6 = o-1 u6 86 -_ s. si las medias de tratamiento no son iguales. ENSAYO ¡ PARA LA HIPOTESIS NULA DE MEDIAS IGUALES Si la hipótesis nula . vemos de (23) qrr" 33 puede ser mayor eü€ o2.3 r""igual a c2 independientemente de si las medias son iguales o no. Se deduce que un buen estadístico para ensayar la hipótesis -EI¡ viene dado por 3.Ffs no es cierta. Debe advertirse que los grados de libertad para la variación total. página 161. que se denominatabla de anólisis de uarianza. En la práctica calcula¡íamos u y uo empleando eI métódo largo.. a-I. Esto viene dado en el teorema siguiente.1) grados de liberbad. Si este estadístico es considerablemente grande podemos concluir que hay una diferencia significante entre las medias de tratamiento y así rechazamos f[e. (3) y (8).13¿. Por otra parte. 9-1: V. Tabla 9-2 Grados de Iibertad Enüre tratamientos. V6 y V.)2 .

. .310 ANALISIS DE VARIANZA lcAP.* (d'. Luego se necesita un total de (4) (5) : ZO parcelas. .. es la suma de todos los valores en el tratamiento j y > es la suma desde j : t hasta c. por ejemplo 4 parcelas en un bloque. .'j* -1i tL f. Por üanto se necesita¡án 5 bloques.. con una variedad diferente de trigo cultivado en cada parcela dent¡o de un bloque. fto respectivamente.: *)2 I | *-t CLASIFICACION DOBLE O EXPERIMENTOS DE DOS FACTORES Las ideas de análisis de varianza para clasificación simple o experimentos de un factor-'pueden generalizarse.. .2 con frecuencia nos referimos a las dos clasificacioneJ o factores en un experimento como tratamientos y bloques. EJEMPLO 9-2. Supóngase que un experimento agrícola consiste en examinar los rendimienüos por acre de 4 variedades diferentes de trigo. ."t"t '. Dentro de tratam n -c grados de libertad Total. .. Ilustramos el procedimiento para clasificación doble o experimentos de doe factores..). La tabla de análisis de varianza para este caso viene dada en la Tabla 9-3.k donde . ?r.i)' ) n¡@¡. puesto que pueden existir diferencias en el rendimiento por acre debido a (i) el tipo particular de trigo cultivado o (ii) el bloque particular utilizado (que puede tener diferente ferüilidad del suelo.1. Por analogía con el experimento agrícola del Ejemplo 9. e MODIFICACIONES PARA NUMEROS DESIGUALES DE OBSERVACIONES ? ftt. a tengan números diferentes de observaciones iguales los resultados anteriores se modifican fácilmente.tt ) denota la suma sobre k desde t hastan¡ y luegosobreidesde thasta ú. donde cada va¡iedad se cultiva en 5 parcelas diferentes. etn. factor 2.l)u : i'k s 2 j. . 'ú ='vt. ..i')2 = 5'. . fl= -2t (25) @6) 1. Tabla 9-3 Entre tratamientos. etc. número tot¿I de observaciones en todos los tratamientos. En este caso hay dos clasificaciones o factores. Es conveniente en tal caso combinar las parcelas en bloques. . Por tanto obtene- mos s .-i.)2 con c-1. pero lógicamente podríamos simplemente referirnos a ellos como factor 1. ' es la suma de todas las obsen aciones. ..+'l)rt = ) 1rr. En el caso de que los tratamientos 1.r)2 (r¡x (24) : 1 .. o¡ = ) n¡@'¡.

.)1r.. . construimos la Tabla g-4. donde j : 1..r- La variación debida al error o al aza¡ se conoce también como uarisción residual. podemos definir variaciones para experimentos de dos factores. = I2.r) + (ñ.cAP... a : i*..r.t)c = = Variación entre filas (tratamientos) Variación entre columnas (bloques) .* - :i:t.-ii . . .. a.ú) (38) -x= (t.r_lu _2 (3t) (32) (33) (3+) . (2e) y luego elevando al cuadrado y sumando sobre j y la podemos demostrar que .O Ue : A-Dr-Ac donde 2. miento y bloque. como uAl escribir la identidad L¡x .t . La media de los valores en la fila j se denota por i.Lagranmedíaomediatotalse denotaport'.. €S €l total de valores en la fila j..k.i¡. Las siguientes son fórmulas cortas pÍüa computación.1¿ = variación debida al enor o alazar = ) t. - ) 1*.t)r : _ hr. (11) V Q 2).k (¡.b. f I t¡ fr¡.Ü : .. donde k: l.. r' 1 . r2 F Ío. semejante a (3).. En símbolos ri : ip. rendimiento por acre) correspondiente a cada trataTabla 9-4 Bloques a t1. . Definimos la uariación üoúct. Para el tratamiento j y el bloque k denotamos este valor por lc¡. r. donde se supone que hay un valor experimental (por ejemplo.. el ANALISIS DE VARIANZA 311 NOTACION PARA EXPERIMENTOS DE DOS FACTORES Suponiendo que tenemos a tratamientos y b bloques.* _. .'--a .-.rt l'¡ n¡t Dr .-...^.-i'/.t i : a k=l q*. análogas a (10). # u..UC I L¡' I'U" (30) ú)! donde 1.ab s-. i'k +t) * (n¡.r. e'^ : j ár. +^t^ (27) VARTACIONES PARA EXPERIMENTOS DE DOS FACTORES Como en el caso de experimentós de un factor.* €S el total de valores de la columnah y z €s €l total de todos lo-s valores. mientras que la media de los valores en la columna k se denota por e-:.

decir. Bajo suposiciones apropiadas de las medias de X¡¡ te- nemos )'. 9-1: V. si la hipótesis I1[..azar o enor. de(37) y (38) respectivamente E(s:) E'(S:) = d+¿!-. Correspondiendo = 1)E(X..3L2 ANALISIS DE VARIANZA lcAP. k = 7. sin te- . . = ¿-1.s) (++l Los teoremas siguientes son semejantes a los Teoremas 9-1 Teorema y g-2. H32' 0. . Como antes podemos tomar los ajkcomo variables-...o cuyos valores son los r¡r pueden expresarse como X* = ¡tla. de modo que las X¡e son también variables aleatorias independientes normalmente distribuidas con varianza o2 .+Bk+Ajk Aquí (35) ¡. entonces Qz_ D. - 1) (b - 1) grados de libertad." nosonciertas.2"i = "' + #> Pí U.b decir oj : Vemos de (39) que. : o )É*: o (36) de donde . i = L.. sin tener en cuenta a H[t\6 .t es la gran media poblacional. Todas las medias de tratamientos (filas) son iguales. Si ¡1á') v' A" DZ -= v" .la mejor estima (insesgada) de o2 viene dada por es 3: : ---J:^'" .= eb-l (t z¡ y H.¿-1' 6':D. o¡ es la parte de X¡n debida a los dierentes tratamientos (algunas veces denominados efectos de tratamientos)."& H[2)son ciertas. pe es la parte de Xi¡ debida a los diferentes bloques (algunas veces denominados efectos de bloque) y a. 8133¡ = o' v (41) También..(a-lxb-.aleatorias independientes normalmente distribuidas con media cero y varianza a2.*t uo lk podemos demostrar que (37). /"t tiene la distribución chi-cuadrado con (a ner en cuenta a H[rt' or H[. = 0.2).. a los resultados (I6)-{18) E(V.. .): (a-1)"2+b)"1 E(V") : (b-l)"'! + a> (ob-1)o2 íri (38) (3e) (t o¡ E(V") = (c-1)(b-1)"' E(V) = * ll ? a?+ ú>Pi es Hay dos hipótesis nulas que desearíamos ensay¿ü: HLr. serán estimas insesgadas de o2 . . e ANALISIS DE VARIANZA PARA EXPERIMENTOS DE DOS FACTORES Para el modelo matemático de los experimentos de dos factores supongamos que las variables aleatorias X..a es decir ll. Todas las medias de bloques (columnas) son iguales..tenemos.r es la parte de X¡e debida aJ. Ht".

la columna o bloque h y ala repetición /.tt y Ht2'. Bajo la hipótesis H[.1) grados de libertad.1) (b . 'L' - u.l¡^i¡l v ^3yS: vienen dados en el teorema siguiente análogo al Teorema 9-3.*-r)! EXPER.1. ti"n" la distribución Fcon b . uc = (t>(tA-j)r b. una tabla ^ análisis de varianza puede construirse code mo se muestra en la Tabla 9-5. Para ensayar la hipótesis I1. proceso conocido como repetición. El teorema nos permite aceptar o rechazar H3" 6 H3'.lc (ú - l)(ü --1) rt1 ar* u" = )(r. el Teorema ANALISIS DE VARIANZA 313 9-5: Bajo la hipótesis H[L).IMENTOS DE DOS FACTORES CON REPETICION En la Tabla 9-4 sol¿rmente hay un '. En tal caso habrá más de un valor correspondiente a un tratamiento dado y a un bloque clado.!'.I y (c .1 y (c .'alor ccrrespondiente a un tratamiento dado y a un bloque dado. como en el caso de factor uno. Análogamente para ensayar la hipótesis I1[!) consideramos el estadístico ^3ySg. Las distribuciones ¿" .1) grados de libertad.1 grados de libertad. ./S3 ti"n" la distribución F con s . (¿ -l)(¿r-t) grados de libertad Entre bloques. Tabla 9-5 Entre tratamientos.cAP./o2 tiene la distribución chi-cuadrado con c . ¿./S.. .u I' lir. Teorema 9-6: Bajo la hipótesis ll[. L'.V"/n2 tiene la distribución chi-cuadrado con b -1grados de libertad. (a-1)(l¡-l) con grados de libertad Residual o aleatoria. Debido a la repetición debe utilizarse un modelo apropiado para remplazar el dado por (35). cambios apropiados pueden hacerse cuando los números de repeticiones no son todos iguales. > (J'j - :L)2 a-l i | 3l ' -ra--1 con cr . s c-ls . úe = l'Total. Bajo ambas hipótesis HÍ.e. Por conveniencia. V.r) el estadístico si. Bajo la hipótesis H'oz'el estadístico 3. Más información considerando los factores puede a veces obtenerse repitiendo el experimento.V/o')tiene la distribución chi-cuadrado con ab .l. El modelo viene dado por X ¡xt = ¡.!') es lógico considerar el estadísti"o ^ei¡S¿ ya quepodernos ver de (43) que Si se espera difiera significativamente de o2 si las medias de fila (tratamientos) son significativamente diferentes. niveles de significación especificados.r * Fr * 7. Pa¡a obtener esto denotemos por X¡o¡ la variable aleatoria correspondiente a la fila o tratamiento j.1) (b .1 grados de libertad. * . Supondrerfios que hay c valores para cada posición. página 312.

- fr. Tabla 9-G (52) Utilizando el número apropiado de grados de libertad para cada fuente de variación.. -n'.r. ' 1)r d- L con o -1. i. por ejemplo.314 ANALISIS DE VARIANZA lcAP. ¿b(c grados de libertad - 1) Residual o aleatorio. o si/sá Interacción. = o. lc b-1 Ao a.. Ajrr son variables aleatorias independientes normalmente distribuidas cbn media cero y varianza o2. Variación Grados de libertad Media de cuadrados F Ao ¡Ao s íts á Entre tratamienüos. = o (t 5) u' columnas Como antes.rr-r¡r. ai. "e = ac I6/s 2 b-1 - con ó-L.). xi. Tabla 9-6.Ui (o-1)(b-1) con (a . interacción o¡ y error residual o aleatorio u": 'u:.t.. ?r. la variación total u de todos los datos puede dividirse en vatriaciones debidas a las fi u". B¡ se definen como antes. Así.ue donde (40¡ (47) .t)e = )(a:. podemos establecer la tabla de análisis de varianza. las pÉn = o.1Xó .k. . ?r.t 't)t = uc) 1x'. ab(c Ao rAó 7) grados de libertad Entre bloques.tu - ñ1.k. e donde p.l En estos resultados los puntos en los subíndices tienen significados análogos a los dados anteriormente (página 306).¡ j=r o a (t'8) (t'e) 't)c: ac)(r.u¡+a"+0¡*.n = o. = llo*.ü = )(r¡xt-r)2 i. a-l A. ¿ abk - 1l Ao 8á = o61r-1j oe Total. mientras eue 7¡r denota efectos de interacción fila-columna o tratamiento-bloque (a veces denominados interacciones).: he*. u abc-7 ..r.*r)2 (50) (51) .ab(c-l) grados de libertad Ao . Correspondiente a (36) tenemos ?".1).-r)z k=l 't)¡ : " 2 1b @.

Caso II. Dos casos poóibles se presentan. C.9-3 grecoJatino Fig. para ganar tanta información como sea posible. El propósito de la aleatoriedad es la de eliminar varias fuentes de enor tal como fertilidad del suelo. Il[3) puede rechazarse. Caso I.F' de 3?/S3 de la Tabla 9.9-l .9-l Fig.4. 9. Algunos estadísticos recomiendan combinar las va¡iaciones en este caso tomando el total u¡ * u" y dividiéndolo por el üotal correspondiente de los grados de libertad.1.l) + ab(c . etc. D A C C c B A D D B C B C A D A A Bf A6 Do AB Bn D6 co DB B D D C B A B D II III IV A B D C B A C D D A c D cf BB D B B c6 A. B. Esto se denomina a veces como diseíw del experimento. que pueden analiza¡se como en la Tabla 9-5. Supóngase que tenemos un experimento agrícola como en el Ejemplo 9. indicados por .r A B c A C B A c C" Dr Au B6 Cuadrado Compleüa aleatoliedad Bloquee aleato¡ios Cuadrado latino Fis. Luego podemos ensay4r H.1) (b . En este caso podemos concluir que las interacciones son considerabtemente grandes. esto es 7¡¡ = 0 Desde un punto de vista práctico debemos primero decidir si puede rechazarse o no I[[3) a un nivel apropiado de significación utilizando la relación . a cuatro bloques escogidos completamente al aza¡.los detalles de un experimento deben planearse cuidadosamente con anterioridad.o) y-H<2. Por esta razón muchos estadísticos recomiendan que se ensayen I/é'. Il[r) no puede rechazarse. D. El procedimiento se ilustra en el Problema 9-tr3. utilizando hs íelaciones F de G?liZ v 3:63 reópectivamente como se muestra enlaTabla9-6.6. esto es l3*= 0 I{:}): No hay interacciones entre tratamientos y bloques. el Las relaciones tr'en la nulas ANALISIS DE VARIANZA 31ó las hipóteeis ütima columna de la Tabla 9-6 pueden utiliza¡se para ensayar I/[t): Todas las medias de tratamiento (fila) son iguales. Las diferencias en los factores serían impgrtantes solamente si fueran grandes comparadas con tales interacciones. y l/. página 306. Esto produce una tabla factor dos con valores singulares.F de 33/0? V GfBi en cambio de esas dadas en la Tabla 9-6. (a . Sin embargo. y utilizando este valor para remplazar el denominador 3! en el ensayo F.1). En este caso podemos concluir que las interacciones no son muy g¡ánAes. aunque físicamente cualquier forma puede utilizarse) y asignar cada tratamiento. Completa aleatoriedad. esto es oj = 0 I{2): Todas las medias de bloque (columna) son iguales. Utilizaremos este procedimiento alterno. En lo que sigue damos algunos ejemplos importantes de diseño de experimentos.2 Fig. El análisis de varianza con repetición se efectúa mucho más fácilmente al lsJolizar primero los valores de repetición que corresponden a tratamientos (filas) y bloques (columnas) particulares. DISEÑO E)GERIMENTAL Las técnicas de análisis de varianza discutidas anterionnente se emplean despuós de que se han obtenido los resultados de un experimento.j'z) utilizando las relaciones . 9-1 por cuadrados. Pa¡a üseña¡ tal experimento podríamos dividir el teneno en 4 X 4 = L6 parcelas (indicadas en la Fig.cAP. 1.

\' i. como se indica en la Fig. II. Para algunos propósitos es necesario controlar dos fuentes de error o uariabilidad al mismo tiempo.k 2 Tenemosr¡¡.k '' i\2 + )1o. C.]: ya que ij. como en el Ejemplo 9. errores en diferentes filas y columnas podrían ser causadas a cambios en la fertilidad del suelo en diferentes partes del terreno. . como la diferencia en filas y la diferencia en columnas. 9-2). = Lk + j.^-¡. B.-tj)(:¿'j-t) j* Para demosürar eI resultado pedido debemos mostrar que la última suma es cero.k así (r. -")[r\t-tj L .s resueltos CLASIFICACION SIMPLE O EXPERIMENTOS DE UN FACTOR 9. D se introducen en orden aleatorio dentro de cada bloque I. En el experimento del Ejemplo 9. con letras latinas A. Cuadrados latinos. Si es necesario controlar üres fuentes de efror o variabilidad se usa un cuadrado greco-latino.n-r.il :- > = j=t .--). D. r] Q ". e Bloques aleatorios: Cuando. lJ.1.) i ". - ". 3.316 2.^ -. C.ri)(ii .r.- )(".. principalmente la diferencia en bloques (filas en la Fig..á .Elrequisitoadicionalquedebe cumplirse es que cada letra latina debe utilizarse solamente una vez con cada letra griega. 9-2) y por esta raz6n los bloques se conocen como bloques aleatoríos. En tal caso es deseable que cada tratamiento ocurra una vez en cada fila y una vez en cada columna. Este tipo de diseño se utiliza cuando se desea controlar una fuente de error o uariabilidad.* . por ejemplo. Problerna. III.. ANALISIS DE VARIANZA [cAP.k )(r. Cuadrados greco-latinos. es necesa¡io tener un conjunto completo de tratamientos para cada bloque los tratamientos A.".Entonceselevandoalcuadradoysumandosobrej¡zlzhallamos )(".2. S. Tal cuadrado es esencialmente dos cuadrados latinos superpuestos entre sí. = 1o. 4. Demostrar que ) i. 9-3.k )2 t )(r-. B.-f)t t. Para hacer esto procedemos ñ (". Cuando se cumple esta propiedad el cuadrado se dice ortogonal. 9-4.-) -.1. D uttlizadas para un cuadrado mientras que para el otro cuadrado se utilizan letras griegas a. /V (véase Fig.r. El arreglo se llama cuadrado latino puesto que se utilizan letras latinas A.i)' : )(r.i=(rjr-rj)+(rj. C. r.^.[-i.^ .-r)2 i. B.t. como en la Fig.*.

oi-ziri+ñ2) utilizando el Problema 9.2(o) en el tercero y último renglones anteriores. Utilizar el método largo.ijk+ñ2\ = i.k abúz )"i = j.2. i'k f¡*" . o C.2(o) en el último renglón. = 't)61't).cAP.t) = )(¡.-!+abEz -* í..u ó un -.18 49 50 47 19 . riedad de trigo cultivado en un tipo particular de suelo tratado con químicos A. . La Tabla 9-7 muestra los rendimientos en hl/ha de una cierta va- A B C .k 2r@br\ aü*: )"'n = j.].¡. Hallar (c) el rendimiento medio para los diferentes tratamientos. Verificar las fórmulas cortas (10)-(12). B.. (d) la variación entre tratamientos y (e) la va¡iación dentro de tratamientos.k .zr>ti.r-r): i. -'#(abt) * r o b oo abñ2 u i--l 1qt J !s-2-1: b i:r'i Finalmente (12) se deduce del hecho de que u ab utilizando eI Problema 9. Verificarque(o) (d) r: úbÍt(b).k / r'\2 rl rS/rl-zrJ.j=lk=l 'i ) )'¿r. )r¡.) r:r tenemos K por Ia parte (c).r b bI 1.3.-¿)t )¿i = i. (c) la va¡iación total.utilízandolanotaciónenlapágina307.It - 1'b' Tabla 9-? 9. .k = )rr¡. el ANALISIS DE VARIANZA 317 g.. (b) la gran media para todos los tratamientos.4.D6 I ab¡z s-? -4 ab =. + abú2 i. Análogamente = )(¿.(c) ?'.k .2x)r¡¡ I i.=brj. : abñ.k )(rji-zx.18 49 48 50 49 51 50 . Tenemos página 307. )1rc = ))*r* r = abt 9.2(b) en el tercer renglón y el Problema 9. (b) (c) Puesto que 7j.'*\ u u.

. Con referencia al Problema 9.26.Tabla 9-8.96podemos techazar la hipóüesis nula de medias iguales al nivel 0.4)! + (3 . (b) 0.05. por ejemplo 45. .6.4. = ) @¡¡-E¡. [cAP. Tabla 9-E e (a) por Las medias de tratamiento (fila) para la Tabla 9-8 vienen dados respectivamente rr.01? Tenemos con-o Con referencia al hoblema 9. de significación del (c) 0. Entonces obtenemoe los datos de la.)2 t. -¿).¡.05.5. hallar una estima insesgada de la varianza poblacional oz de (c) la variación entre tratamientos bajo la hipótesis nula de igual medias de hatamiento. B.Puesüoque^F :6)F.4): + (5-4¡: =14 ((l ) Variaciónentretratamientos = tr.4)2 + (4- + (2 -3)2 + (4-3)2 + (:J-U + (5-4¡r + (4-4): 3)2 + (3 ..:l = = r'.4)2 + (4-4): + (3 . ¿podemos rechazar la hipótesis nula de medias iguales al nivel - 1 : F=$=h = 3 6 - L : 2ya(b . obtenidog al sumar 45 a éstos.¿): + (4 -4):¿ + (6-4)2 + (5.conut:2yu2:9. ¡r.¿.¡.95:4. de todos los datos sin afectar los valoree de las variaciones. i.u = 14-8 = 6 (cl. =. 48 y 50 hl/ha para A. C (b) (c) . eon 49.g)r + (4.f B+4+6+b+b¡ = Así la gran media para el conjunto original de datos es 45 * 4 : 49 hl/ha. = b)) (é) Variacióndentrodetratamientos Otro método. = !4(B+4+ 5+4.1): 3(4-1) : I grados delibertad.5)r + (d--5)! -l (5-5)r + (5-5)r 412 9.4.41-B.4)2 + (2 . 1 = 4. (o) ConreferenciaalApéndiceF.4¡:: * (3 . Por tanto los rendimientos medios. 3 0.4)'. 4l(4 .yemosqueF. = o.@ir-E)2 = (3-4)r + (4-4)x + (6-¿)¿ + (4.318 ANALrsrs DE vARTANZA Para simplificar la aritmética podemos restar algún número apropiado. = lae+A+3*B) = 5 3. = i(B+4-f b+4+2t. (b) la variación dentro de tratamientos.4)2 + (5 -.k = (3. Variacióntotal 4 =. (a) (b) ? 3 9.: i(4+6+5*5) = respectivamente.

=2+4+3*3:12 rt. Tabla 9-9 Gg=f.9 o(b-1)=(3)(3)=9 gradoe de =14-8=6 libertad 9. Utilizar las fórmulas cortas (101-(12) para obtener los resultados del Problema 9.a&-6 .2/3 n con 2. = 3+4+6*4 = 16 tz.= Dentro de t¡ata 0w=0-0b a -63 ^' . .?. . (o) Tenemos 2r¡?r=9+16+26+16 t'k +4+16+9+9 +16+56+26+26 También = 206 = 3+4+5+4 +2+4+3+3 +4+6+6+6 =48 1) Por tanto = a"?--# : .O1..4 ba'i ab 1 i062+t22+202) 0w: (^8\: te.9no podemos techazar la hipótesir nula de medias iguales al nivel 0.4-9.conur:2!uz:9.06-S8t = (b) Los totdes de las filas ¡on 206-rsz = 14 También rl. el ANALIS$ DE VARIANZA 319 (b) ConreferenciaalApéndiceF.6:8.cAP.4. I¿ tabla de aDáli¡is de va¡ianza para loe hoblemss 9.Pue8toqucF=6(F.vemoaqueF.02. = 4 +6+5*5 = 20 r = 16+12+20 = 48 Luego D6 1s-.6 ¡e muestran en la Tabla 9-9.n) = : 2oo 6 _ tg2 = E (c) D-Qb:14-8 .

?¡ Entonces = 2356 r.4 y a partir de este punto el análisis proce- 9'8' máquinas didiseñado para . La Tabla 9-11 muestra de unid s.ab6-1#¿. 100 0 A 8 t2 15 3 -18 -7 -t 10 0 B C t2 0 -8 22 -5 T7 6 l5 60 3600 400 400 4ó00 D -12 4 1-34-10 6 -20 8 -l E t0 20 70 2r. = t4 800 7) = (zoe)r-9q): = u¡. de como antes. por ejemplo 60. cinco operadores experimentados trabajan con las máquinas durante intervalos iguales.rooo¡ . Tabla 9-12 J Í: ). de las máqui nas. 16= = zs56-246 soo = zrrL (i55 I t. Tabla 9-10 T [cAP. Ensayar la hipótesis hay dife máquinas a un nivel de n del (a) Tabla 9-1 A B C 1 68 72 75 42 53 i2 52 63 55 60 82 65 7? 48 61 57 64 48 76 50 53 D E 64 65 70 68 Reste un número apropiado.(¡ti)] : ! Los resultados concuerdan con los obtenidos en el Problem a 9. = lrsoor --. e t T: A B C 3454 2433 4655 16 256 t2 20 r14 400 ) s.'r = 206 " = ?".ffi : - 245 := . =48 ?t.320 Es conveniente ordenar los datoe ANALISIS DE VARIANZA como en la Tabla 9-10. de todos los datos para obtener la Tebla 9-12.

. Por tanto no podemos rechazar la hipótesis nula a un nivel 0.01. por ejemplg 400.u-1) = 5(4) rA = I l "u ?'. (b) 0. directamente observando que es igual a (7--9):r-(11.8 (5X4) t: Pata 4.t0i Muestra 2 Muestra 3 11 409 401 406 408 405 .108 406 408 un número apropiado.1 .(10 8r: I í8 __ 8)r -i rG 8): -1.^.18-512: rl¡--5rr .05. las medias de grupo o muestrales y la gran media.01 si hay una diferencia en los tres tipos. y obtener la Tabla 9-15. . lógicamente tampoco la podemos rechazar al'nivel 0.-i)z -3(9 ' - 7\2 36 ! 5(7 + 4(8 -- 7)! = 36 . ANALISIS DE VARIANZA 321.9.(i -5r2 ...r (2 5):r -l. ensayar al nivel de significación del (c) 0.)rr¡(.)(r.87 . Utilizando el método largo.2lIl I ab-I=24 I W = tz. ". . MODIFICACIONES PARA NUMEROS DESIGUALES DE OBSERVACIONES 9.¡r .r. Tabla 9-13 Entre tratamientos.fti'k ¿rr. u..-+(8-7)z = 5): 72 -= J'K )(t.f)r!-i tÍf -f)): r t. Entonces tenemos .)! ¿'. Es conveniente restar Tabla 9-14 Muestra 1 .cAP.(8 _ 8l: - . Tabla 9-15 Total Muestra 1 Media 9 7trI 4 27 8 5 2 Muestra 2 Muestra 3 6 25 32 5 10868 ..102 410 . 7):+(11 -?)2+. La Tabla 9-14 muestra la duración en horas de las muestras de tres tipos diferentes de tubos de televisión fabricados por uná compañía..ru r También podémos obtener 72 -- 36 .05.l-5rr -.1456 =ZO I | =. 20 grados de libertad tenemos F . ?t¡ = 655 tratamientos.i = Gran 8 media = 84 1t En esta tabla hemos indicado los totales de fila.-¡.ss: 2.". el Formamosla Tabla 9-13.u¡.-i.

os datos pueden resumirse en la tabla de análisis de varianza. 9. . I 5.26.96 : 4.11. 12t nB=4.05 pero no al nivel 0. Tabla 9-1? Cosecha cosechas de plantas diferentes culparcelas tratadas con tres tipos diferentes de fertilizantes.99 : 8. so:. Por tanto podemos rechaza¡ la hipótesis de medias iguales (esto es.02.10. = = 36 (27)2. como se indica en la Tabla 9-18. rg.9 utilizando las fórmulas cortas incluidas en (24). ¡=84 = + iL2 + . ensayar al nivel de significación de 0.5 Enüonces para 2 y 9 grados de übertad hallamos del Apéndice F que F.4 7.2 7.?. como también los totales de columna.01 si (a) hay una diferencia significativa en rendimiento por acre debida a los fertilizantes. Rt=3. e Variación Grados de libertad Media de cuadrados F D¡=36 a-7=2 n-a=9 io.9 6. CLASIFICACION DOBLE O EXPERIMENTOS DE DOS FACTORES 9. 12.. La Tabla 9-17 muestra los rendimientos por acre de cuatro go.(32)2 s-5-4 -W = s6 'l)ú = I-Ub Utilizando estos re¡ultados el análisis de va¡ianza procede como en el Problema 9. (b) hay una diferencia significativa en rendimiento por acre debido a las cosechas.0 5.9. De la Tabla 9-15.=32.=27.:25.2 Calculamos los totales de fila y medias de fila. Tabla 9-16.8 6.322 ANALISIS DE VARIANZA f.2 ñ"¡'.(25)2. F. Soluciona¡ eI Problema 9. ninguna diferencia en los tres tipos de tubos) al nivel 0.7 45 8.4 uru so'- 18 = 36 G1=?9=4 = 4. + 62 +8r-Q|2 = 72 a6 = ?t-. Utilizando el método lartivadas en Cosecha I Fertilizante A Fertilizante B Fertilizante C u Cosecha III Cosecha IV 6.8 o. (25) V Q6l.8 9. 72 t1. Por tanto ! = n2=5.6 7.01. = 19= 1g 5. n=12..-. Tabla 9-16 [cAP. las medias de columna y la gran media.

5 6.8 Media de fila 6.6.0 33.8 .2 23.3 5.6 7.ocz Al nivel de significación de 0.5 18.yaque 6.4¡z a (6. .8)2 + (5.8)2 + (8. Ya que el valor d'e F correspondiente a las diferencias en las medias de columna ea menot que 1 podemos concluir que no hay difenencia significativa en el rendimiento debido a las cosechas.7 8.9 68 5.8¡r+ (7.6.7-6.8)2 + (6.2 .6 5.14.5 6.6 ¡'=0"2/i3=0.8 7.9 .:5.7 -6.3 .8)2 + (5.S¡z a (7.r.4-6.8)z] = 2.9 = = 81.8)2 + (5.6.4 7.8)21 = 13.05 con 2.5-6.2 2t.58 F =G?/C?: a. Fq.86 gl: 3.3-6.2 Fertilizante A Fertilizante B Fertiüzante C Totales de 4.8)2 + (5.32 U: Va¡iación total (4.r.24> 5.68 u" : Variación de medias de columna con respecto a la gran media = 3[(6. (7.6 oi = t.14.8)2 + (8.4¡z * (7.5 -6.podemos rechazar la hipótesis de que las medias de fila son iguales y concluir que al nivel 0.6.8)2 + (6.2 -6.0-6.9 -6.cAP.08 ue : Variación aleatoria = Lt .zt gl: 2.8 -6.3 Gran media 6. 64 7.6 columna u.8 9.2-6.05 hay una diferencia significaüiva en el rendimienüo debida a los fstilizantes.2 8.8 : Variación de medias de fila con respecto a la gran media = 4U6.0 .8)2 + (6.6.8 .0 7.9 columna Medias de 19. Entonces. : Esto conduce al análisis de varianza en la Thbla 9-19.S12 -'.0 Gran total 22.6.8)2 -1 (9. Tabla 9-19 6. .7 5.2 6. el ANALISIS DE VARIANZA Tabla 9-18 Cosecha 323 I Cosecha II Cosecha III losecha IV Totales de fila 24.8)2 = 23.6 grados de libertad.6.6 .4-6.8)2 + (?.

ut - bb4.G8 = *>t-"ti = |trozs.rol rt . Tabla 9-20 PRIMER TURNO Lun 6 SEGUNDO TURNO Mar Mie Jue Vie Lun Mar Mie 12 Jue Vie 10 C I o D 10 Los datos se pueden organizar de igual forma como en la Tabla 9-21.S¡z a (6.2¡z (19. D en la producción de tornillos. (b) una diferencia en los turnos.2)2 ¡ + (33.2.2)2 81.05 si hay (c) una diferencia en las máquinas. Un productor desea determinar la efectividad de cuatro tipos de máquinas A. Los días de la semana se pueden considerar conro réplicas o repeticiones del rendimiento de cada máquina para los dos turnos.88 ab = 23.6)¿ = 2274.2)2 (27-O'¡z r.24 ¡ (22.82 11 = = 23.11.82 = 6. Los resultados se indican en la Tabla 9-20. 554.5)2 + (18.58 EXPERTMENTOS DE DOS FACTORES CON REPETICION 9. Nótese que para cada máquina se han indicado dos turnos.68 . Efectuar un análisis de varianza para ensayar al nivel de significación del 0.08 = uc Lnezln.6 = (4.6 : 577. móquina y lurno.9)2 = 1673.10 Entonces s-2 j* tt'r^ 12 ab = vr 1s-r-t' 577.08 de acuerdo con el Problema 9.324 ANALISIS DE VARIANZA las fórmulas cortas para obtener los resultados del Problema 9.k )"i T a .2+23. Utlizar Tenemos de la Tabla 9-18 i. + 24. - 13.88 2. .. Para llevarlo a cabo se obtiene el número de tornillos defectuosos producidos por cada máquina durante los días de una semana en cada uno de los dos turnos. C.(23.11.96 bj'j.8+33.88 = = 18. : lcAP.n¡z (5.. B.13.zu 'üc bb4. e 9. En esta tabla se indican los dos factores principales.t2.96 S-z Sro (24.

Estos se ordenan en la Tabla 9-22.?_1?e5.0-8.¡2912.b --5 .b .6 = 51. (31)2.6 - 1?9b.6 : 66. viene dada por -.0c = 65. + 72 +L02-W = 1946- 1?95.6-51.5 = 1861. ZO - (126\2.S ..cAP.0 'tt" = --ñ..6 = 1b0.6 La variación enhe filas üene dada por (zee¡z 40 a' = (54)2 (85)2t' (6.5 .(41)2.4 variación total para la Tabla g-22. Tabla 9-22 Primer turno Segundo 30 turno TOTALES 64 85 63 66 A B c D TOTALES 24 41 32 28 t25 44 31 38 143 268 [. (32)2.1 Si reetamos de la variación subtotal u.S .3.4 Para considera¡ los dos factores principales. (30)2. que llamaremos variación subtotal u". variación debida alasinteroccion¿s entre las filas y columnas. concentremos nuestra atención al üotal de los valores de repetición correspondiente a cada combinación de factores. la suma de las variaciones entre filas y columnas (u. (119)r_eqq\2 ? 40 - _ 180s. (44)2. Esta viene dada por * u" ) obtenemos la 0i = 0"-D¡. (38)2 ""--6-5 .1795. móquino y turno.ro ro 10 La va¡iación entre columnas viene dada por (zgq)' 40 = 1846. _124)2.1 = 6.6 rov = 8. el ANALISIS DE VARIANZA Tabla 9-21 325 FACTORI FACTORII Máquina REPETICTONDS Türno Lun 6 D Mar 4 I Mie D Jue o 6 Vie 4 8 Totales 24 30 A lz lz (1 f1 4 B l1 10 8 79r288 7 7" I 4l 44 c D lz lz TOTALES jI 76669 97546 8 o 4 d 32 31 l1 6 o 65 ?10 47 59 28 38 51 64 268 La variación total para los datos de la Thbla 9-21 es o = 62* 42+62+ . que es una tabla de dos factores con valores simples.-.2 .)' + qq -ld..

o" : 150.F nl: 2.6 : 84.06 no hay diferencia iignificativa entre turnos. podemos rechaza¡ |a hipótesis flllr ¿" la pógina 315.42.4-65. Entoncee ya que F calcul¡do para lascolumna¡es 8. vemos que F para las fila¡ e¿ 6. u¡ = 6. Si decidimos analizar los resultados combinando las variaciones residual e interacción como lo recomiendan algunos estadísticos.4 Para continuar debemos determinar primero si hay alguna inüeracción significaüiva entre los facüores básicos (es decir. D" = 84'8 Total.8 : 91.81?.61. 0' = 51'0 i? = tt. Para l.65 para el denominador de F en la Tbbla 9-23 no afectan las conclusiones alcanzadas anteriormente.05 podemos conclui¡ que las-máquinas no son igualmente efectivas. I¡iabla también da el número de grados de Tabla 9-23 Filas (mÁquinas). 32 grados de liberüad Fn. Tabla 9-23. Para hallar loe grados de übertad debidos a la interacción obeervamoe que hay 8 valores en la Tabla 9-22.326 ANALISIS DE VARIANZA lcAP. Al usar este valor en cambio de 2. ya que hay 4 filas en la Tabla g-22La variación debida a l¡s fila¡ tiene 4 .8 1 grado de liberüad. que conduce a unava¡ianzacombinadade gL. no podemos techazt la hipóteeio l/[zt ¿" que las columna¡ tengan medias igualee. - libertad cottespondientes a cada tipo de variación.entantoquelavarirrcióndebidaalae 2columnastiene 2-L= Estas va¡iacionee se indican en el análisis de varianza.! : Sgradosdelibertad. la va¡iación subtotal) ¿L U variaóiOn tot¿l u. u= 150. De la Tabla 9-23 vemos que pa¡a interacción F : 0. Esto esequivalenüe a decir que al nivel 0. lo cual indica que la interacción no ee significante. B2 grados de libertad podemos rechazar la hipóüesis ll. el reeto. . Esto es equivalente a decir que al nivel 0. se halla reetando la suma de variaciones füa.16. filas y columnas de la Tabla 9-22). Aef. columna e interacción (ee decir.tr ¿" que lar fila¡ tienen ¡¡sdi¡¡ igualee.06. e Finalmente la variación reaidual.:6.Ya que hay 40 valores en la üabla original 9-2i el total de gradoe de libertad es 40 1 = 39. Po¡ tanto el total de gtadoe de libertad es 8 I : 7.: 4. Siguiendo lae reglas de la página 315.o Columnas (turnos).SfSe:2.3 y 3 + 32: 36 respectivamenüe. Por tanüo los grados de libertad debidos a l¡ va¡iación residual o aleatoria ee 39 7 : 32. eeto es. 0c = 8'1 Interacción. ce debe a interacción.5 G? = zltt Aleatoda o residual. hallamos para la va¡iación combinada y grados de libertad combinados u¡* u.90 para B. que puede considerarse como la variación aleatoria o de e¡ror u" (ai se cree que los diferentes días de la semana no proveen ninguna düerencia importanüe). Puesto que 3 de esos 8e deben a filas y 1 a columna¡.. Puesto que .6 + 84. 7 (3 + 1): 3. Eeto resulta en a" = Q-(or*o"*o¡l = 7).

94 Variación entre filas .75 . = T*ry*ry 5723.t: 4. 29. Efectuar un análisis de varianza para determinar si hay una diferencia significativa entre los fertilizantes a niveles de significación de (c) 0.06 : 329.05 y (b) 0.e0 = 7.01 no hay diferencia significativa en los turnos.25 *9'{ -(fftr = 284. concluimos que al nivel 0.4 -.01.13 si se utiliza el nivel 0..19 - 5439.l cAP. Solucionar el Problema 9.lá.Ia variación üotal y las va¡i¡ciones para filas. donde los números indican rendimientos en dkl por unidad de área. Hdlamos Va¡iacióntotal : o= (18)? + (21)2 + (25)2+'.49.05. Tabla 9-25 At8 D22 c2r Bt2 420 D25 BLI at6 c2s 810 ct9 D24 875 c22 D2l At7 TOTALES AL8 D22 c2l BL2 D26 Btl c19 D24 75 68 82 70 Tabla 9. 32 grados oe libertad y puesto que F para filas es 6.25 + ry . A este nivel aún no hay interacción apreciable.47 para 3.14.15.' + (10¡z * (lT2 -@5Y 16 5769 - 6439. B. columnas y üratamientos se obtienen común y corrienüe.69 16 variaciónenrretratamienros = . También obtenemos el total de rendimientos para cada uno de loe fertilizantes como g€ muestra en la Tabla 9-26.06 = 4.4 .01.r.At-ril.06 .26 A B 48 At5 c23 BLO 73 C 85 D 92 B15 420 D2r 74 TOTAL 70 296 c22 TOTALES 77 At7 7l 295 himero obtenemos toüales para filas y columnas como 8e indica en la Tbbla 9-26. 32 grados de libertad y puesto que F para columnas es 3.01 las máquinas no 6on igualmente efectivas.19 (2eS1z - 5439. C. el ANALISIS DE VARIANZA 327 9. Ya que F .06 : va¡iación entre (77\2 (74\2 (78\2 (71\2 columru lS=?rc= 4 . Para eliminar fuentes de enor debidas a la variabilidad en la fertilidad del suelo emplea los fertilizantes en una distribución de un cuadrado latino como s€ indica en la Tabla 9-24.51 para 1.5439.1)¡ ff +ff + ff -5468. Ya que ¡'. podemos concluir que aún al nivel 0. D en el rendimiento de trigo. Un hacendado desea ensaya¡ los efectos de cuatro fertilizantes A. de modo que podemos proceder más al. CUADRADOS LATINOS Tabla 9-24 9. 4 : 5443.

e Filas.01. Sin embargo. p. B. 284. Es de interés determinar si hay alguna diferencia en el kilometraje por galón entre las gasolinas A.¡. Diseñar un experimento utilizando cuatro conductores. de modo que cada letra apatezca solamente una vez en cada fila y solamente una vez en cada columna. debemosconcluirquehay una diferencia entre fertilizantes al nivel 0.r. CUADRADOS GRECO. cuatro autos y cuatro caminos diferentes. conductores. B. Puesto que se incluye igual número (cuatro) de gasolinas.. . LATTNOS 9.9 > 4. Tabla 9-2? lcAP.05.05Ia hipótesis de que hay medias de fila iguales.78.01. 6. podemos aceptar la hipótesis que no hay diferencia enla fertilidad del suelo en las filas (o las columnas) al nivel de significación del 0. 4. Un aneglo posible es el dado en la Tabla 9-28. 11. como se indica en la Tabla 9-28. Supóngase que los diferentes autos se representan por las filas y los diferentes conduetores por las columnas. Puesto que el valor F para columnas es menor que 1. rechazamos al nivel 0. Asignamos aleatoriamente los cuatro caminos que van a emplearse. D. C. 4.76.19 Columnas. i I}¡ 9. concluimos que no hay diferencia en la fertilidad del suelo en las columnas. Se deduce que al nivel 0. D aleatoriamente a filas y columnas. sujetos a los mismos requisitos impuestos a las letras latinas. podemos concluir que hay diferencia entre fertilizantes. Tabla 9-28 CONDUCTORES 1234 B.o :4. Suponga que en el desarrollo del expeúmento del Problema 9-16 el número de kilómetros por galón es el dado en la Tabla 9-29.8? (o) Puesto que F er.17.16. denotados por o. Ya que el valor de.76. 7.lJtiliza¡ el análisis de varianza para determinar si hay alguna diferencia significativa al nivel 0.69 Tlatamientos. 29.328 ANALISIS DE VARIANZA El análisis de va¡ianza s€ muestra en la Tabla 9-27.' I A. autos y caminos podemos emplear un cuadrado grecolotino.19 Residuales. (b) Ya que Fgo. Así cada conductor tendrá la oportunidad de conducir a lo largo de cada uno de los caminos. C.F para tratamientos es 4?. Así cada conductor tendrá una oportunidad para conducir cada auto y utilizar cada tipo de gasolina (y ningún auto será conducido dos veces con la misma gasolina).. Asignamos las diferentes gasolinas A.05 hay diferencia en la fertilidad del suelo de una fila a orra.0 : 9.

B.50 La variación total ee (1S¡z * (le¡z + "' + (16)2 + (2s\2 -e66\2 =' 'I | \-vt 16 16. Dl Caminos: (o' P. 7.Ennueetro .00 deliberüad. (61)2 4-4-4-4-16 4102.60 (A. 16+11 +11+ L4 = Dtotal: 14+16+16+16 = ctotal: 14+18+15+14 = /3 total: 16 + 16 + 2l + 15 = ytotal: 19+16+11+16 = Stotal: 15+11+16+23 = (65)2 62 81 62 61 61 68 62 66 Entonces calculamos ¡ug va¡iaciones conespondientes.60 ry*ff+ff+ry-ry 4 (16)'z = 4ros. Tabla 9-29 CONDUCTORES Tabla 9-80 TOTALES Bf 19 ae Bc 16 1g 11 16 61 D6 16 cq 1¿ 65 69 62 70 By 19 ap 16 D6 16 cd 14 A6 t6 Ds cB TOTALES 14 L6 64 82 E{ cr lL BB 2l DB t6 A6 15 Bo 18 cy ll Bs 2r ao 15 De t6 c6 Af 86 16 23 68 Do 14 L6 c6 lL Dr L6 Ar 86 L6 23 Df As L6 63 cF 266 Entonces obtenemos los totale¡ para cada letra l¡tina y para cada letra griega.00 - 6-50 - 11r. (81)2 .60 - 4096 = = 16. utilizando el método corto. el ANALISIS DE VARIANZA 329 Prirpero obtenemos totdes fila y columna como ¡e indica en la Tabla 9-30.1 para un cuadrado de n X n. (52)2 . (59)2 . Las filas. (61)2 . como eigue: Atotal: 15+16+15+16 = Btotal: 19+18+2I+ 23 = Ototal: .50 4244-4096 = 148.4-T 4 .00 de modo que la variación debida al e¡ror e¡ 148. (63)2 .Portantolosgradosdelibertadparaelerroresn2 caso n f.60 I 4096 6.50 - 7. leüras laüinas y letras griegas cada una tienern 1 grados : 4. E número total de gados de übertad es n2 .os resultados se mueshan en el análi¡i¡ de varianza. 4 - (70)2 (256\2 16 Q6A)z 16 QAA¡z = 4112.60 -4096 = 111.6o-40e6 = ?. (68)2 4 .60 = 6.cAP. (62\2 -.4 . Filas: a----l---4 (64)2 . C. -1--4(n-1)=(n-lXn-3).60 Columnas: . Tabla 9-31. ó) Ga¡olinas: (62)2 4267. columnaE.

3u*3" = op+\'¡ t=L i=l !:t' = (2p)/a. 5u.so. b 3 (¿'-1"'\ -i---t\ b / = a(b . 6..tz = b j=r |Lo rEr' " ' ) = ¿!s? j=1 d.5.330 ANATISIS DE VARIANZA Tabla 9-31 lcAP.or. El tratamiento medias de la población viene dado por p¡ Por tanto ac = 9.. Derivar (c) la ecuación (17).50 Caminos (o' É' 7. = 9.-¡b-l ¡ es la varianza muestral para el tratamiento jr como que el tamaño de la muestra es b.01.500 :?*33=t.19.18. (b) la ecuación (I6).05 pero no al nivel 0. página 308].r.s : 29. Capítulo 5. (o) Poi definición tenemos v. de Ia página 308.a:9. J=r - =. 7.50 2.". Entonces. PROBLEMAS DIVERSOS 9.. e Columnas (conductores).60 Gasolinas.l)oz - .C.*-i.= .-*.28 V F. Demostrar que > oj = 0 [(15). = F* e¡. Se deduce que t=L )¡t* )"t j:r ' donde hemos utilizado la definición p )a. ya E(v.) = bj¿E(Si) utilizando (I6) del Capftulo 5. 6). 111.} . Por tanto podemos rqchazar lahipótesisdequelasgasolinasson igualee al nivel 0.26 Tenemos F. B. (4. donde Sf é define por (15).¡z > + ) (x.s.D).

Como ¡e indica en el Problema 9..) / \ // /\/ ' = b>*?. Entonceo.1 gradoe de libotad.) + a.) (d) (7) E(Xj. ¡úgina 161.8. en la Tabla 9-23. omitiendo el fndice de la euma. P¡ra hallar la variación debida a larepeticiónutilizamoslostoüalegdecolumna cn la Thbla 9-21. En el Problema 9. Por el Teorema 5-6.P = (a-l)o2 * abp2 + zbp> ".2 9. (b) 0.p6gitn 116. 3S:1 v-=a!q 6 += llt J=r o2 donde S! e¡ la v¡rianza mueshal para muestras de tamaño b exüraídas de la población de tratamiento j.21. üenemos E(val = b>86?) var(i¡.+auxz l=r t=L ya que (f) (21 (.18.) = pj = p+ai Utilizando los resultsdos (2>(7). ..05.01? Si existe alguna variación debida a las repeticionee se incluye en lo que ae llama el ertor re¡idual o aleatorio. en (I ) tenemos E(va) = b>[+*(¡. tenemos dd Teoreme 6-4. página 309. + > al - ob¡P (c--t)62 * b ) a.13 supusimos que no existían diferencias significativas en las repeticiones.+*i):-l -"ufLab J !+rr) " '' ) -LD aoz * b ) (p+ a¡)2 - o2 - s'b.Enloncex.cAP.\12 lBlx¡12 E(xil : E(Xz) = Var (Í) + Pero ya que las poblaciones de traüamiento son normales. ¿Podemos sostener esta conclusión al nivel de signifi cación del (c) 0. puesto que las varianza¡ S! bn indep el Teorema 4-4.-ab*z j=1 a.20. = 84.-x¡z t=r aa a o = b>*i-2bx)x. E(U2) = Var (U) + lE(U)12.t) X = ( )It. con medias ¡t¡ y varianza común 02. obteniendo u" . bSJ/o2 tiene drado con b . esto es. página 158: ( tr) var (5) =r Var(X) = # E(X) = p (i¡. más el reeulüado dd hoblema 9. el ANALISIS DE VARIANZA Por 331 (b) definición vt' = a ) 1*r. Por tanto lv(x. los diferentes días de la semana. Demostt'ar el Teorema $1.bgQ7z) Entoncee para cualquier variable aleaüoria U.19(o). que V-/o2 tiene dishibución chi-cuaüado cón o(b - 1) 9.

Reproduzca la tabla de análisis de varianza a emplearse en tal caso. denotados pot 41. Tabla 9. 0' = 0c 51'0 Columnas (turnos)..4 3 Aleatoria o residual a'" | 2. Pero ya que Fe5: 2. T. sedenotaporxjkl. como se indica en la Tabla 9-33.EIvalorenA¡.2g grados de libertad. Ao) Barupos.k. .C".06 (y por tanto al nivel 0.827 = 73. Finalmente d Existirá una uarioción total dada por (l) 1) = t. podetnos concluir que no hay variación significativa al nivel de 0. La interacción entre todas las clases se denomina como antes la uariación aleotoria o residuol.Elvalorú¡¡.767 | -=0.*ucA-.22. El valor f.4..6 = 11.8¡r. es decir..4 Puesto que hay 5 repeticiones.. Las otras variaciones son las mismas a las de la Tabla 9-23..¡r. .332 ANALISIS DE VARIANZA [cAP. es la media de valores para las clases Il y C cuando Ar es constante.. teniendo en cuenta las repeticiones. Suponemos que la clasificación se hace en A grupos.8 114: ?8. denota la media de valores en la clase C cuando A¡ y B:p se maitienen fijos. Estas variaciones son entre clases del mismo tipo y entre clases de diferentes tipos (inúerccciones).. (47)2 (50¡z -. Ias conclusiones reliacionando máquinas y turnos son las mismas a las obtenida¡ en el Problema 9. el número de grados de libertad asociados con esta variación es b 1 : 4..18.0g. 9. C. Sigñificados análógos se dan a E¡ ¡ ! r .7! parz 4.4 De la tabla vemos que el F calculado para repeticiones es 1.ú¡n< . = 8'1 Repeticiones (días de la semana)."o = 11.01) debi- da a las repeticiones. I-a variación residual después de restar la variación debida a la repetición ea ue : 84. Describir cómo se pueden utilizar las técnicas de análisis de varianza para clasificación triple o experimentos con los tres factores (con factores simples). es la Tabla 9-32..C{luposdenotadosporC¡. La tabla final de análisis de varianza. o.t 2 @¡rt- ú)z que puede dividirse en siete variaciones. denotadospor ejemplo.. e 1t=-+'re¡ (57\2 g (51)2 g . g - (268)2 40 = 1807 .u¡6.86.4)2 .rpor denota la gran media. . . los días de la semana no eon significativos. l---g 6. Las siete variaciones en las que se puede dividir (1 ) vienen dadas por u = DA+ürJ+uc lTIAB *. 8r.1795.32 Filas (máquinas).

tt+ ñt.Bc -1) 3. Se efectúa un experimento para determinar el rendimiento de 5 variedades de trigo A.c)i.05.ó I Dg n rA^ Ét s^.'uc c-1. ce' ) (¿..ñ j*.ú.r.. C. E.J- er" (ñ¡¡1.+ ¿. el donde U¡ ANALISIS DE VARIANZA 333 - .r+ ñ)z !ct = b > (ñ¡t.+ 0nc = ". B. D.ñ." = uesc (o-l)(ü-lXc-1) Probletna.- ñ¡. (fr. variedad y los rendimientos (en hl/ha) son los mostrados en la Tabla 9.rt..ri.* ñ..c (entre grupos C) -'l Añ "c ."" a a-l - 7.ñ.rTabla 9-3$ Media de cuadrados r¡ Ao -q¿=-A o-l Varíación o¿ (entre grupos A) Grados de libertad F ?1. Suponiendo que las parcelas eon de fertilidad semejante y que las variedades se asignan aleatoriamente a las parcelas.ñ.¿).BC gl 0¡s (entre grupos AvB) (o-1)(b-1) (b-lXc-1) (o - 1)(b - L).01.Bzcl.s suplernerirta.I ót s.4ñ s gl t..t.kc (b - 1)(c - 1).Bc b-r. determinar si hay una diferencia significativa en rendimientos a los niveles de significación del (a) 0. (a.2r@i*t.rlos CLASIFICACION STMPLE O EXPERIMENTOS DE UN FACTOR Tabla 9-34 A B C 9.23.A^o 8ó^tsA. ? (E¡.34..-.(a-1)(b-1Xc-1) Añ.+ i)\2 E)2 aABc = . Dc ñ\2 : ab 2 @. (b) 0.(a-1Xb-lXc-1) AÓ.% (c 1)(a 1). (a - 1Xó - 1)(c - 1) gl trac (entre gru- posByC) o¿ =o=ffi= (c-1X¿-1) acA .ByC) u (total) (o-1)(ó-l)(c-1) abc-7 9?..k. (o 1)(b 1)(c 1) gl 1) ¡ A.k. Se asignan cuatro parcelas de terreno a cada 20 12 15 t7 L4 19 t2 15 14 12 18 D 23 16 18 15 L7 20 2I t4 L7 E .1Xó - l)(c - 1) gl os (entre grupos B) ó-1 c Ao og s "B .n\r.4ñ sA. (o - 1)(b - 1)(c - 1) sl u¿ (entre gr¡r- posCyA) (entre grupos (c - 1)(o .... Q¡n rB = = .ñ.c .BlSA.n.új.t . .cAP..

El fabricante desea determinar ei hay una düerencia (o) entre operarior.27.01 si hay alguna diferencia significativa en las marcas. 9.os a¡tículo¡ fabricados por una compañfa se producen por 3 operarios utilizando 3 máquinas diferente¡.29. (b) entre máquinas. A 33 B 32 c 31 D 29 38 40 37 34 36 42 35 32 40 38 33 30 31 30 34 33 36 34 80 31 Método I III 76 62 7t 68 81 7g 90 81 Método tr Método 86 68 92 73 79 60 76 MODIFICACIONES PARA NUMEROS DESIGUALES DE OBSERVACTONES 9. prÁgina 311. D.81.85 Tabla 9-86 9. loa resultados se dan en la Tabla 9-39. Demostra¡ la¡ fórmulas cortae (3I fl34). Dar la informaci6n deseada utilizando un nivel de oignifi' cación del 0.334 ANALISIS DE VARTANZA [cAP. II. página 310.01 si hay una diferencia significativa en los métodos de enseñanza.01 si hay diferencia en lo¡ neumáticos. (b) 0.06. I'z duración de log neum6ticor. página 311.26. para el caso en que los 4úmeror de oba¿rvaciones dean CLASIFICACTON DOBLE O EXPERIMENTOS DE DOS FACTOBES 9. Durante un semestre un estudiante obtuvo las calificaciones indicadas en Ia Tabl. donde cada tipo ¡e ha tratado en 6 automóviles semejantes asignando los neumÁtico¡ aleatoriamente.O1 si hay una diierencia significativa en sus calificaciones entre Ssas asignaturas. Determinar al nivel de (o) 0. [.A IVfarca Tabla 9-3E 11 15 L2 14 11 15 L2 L4 Matemáticas Ciencias I 16 10 I\Áarc¿ C L2 t4 Inglés Marca D I\Áarca E 16 18 16 L7 10 12 t4 t2 t4 Economfa 72 81 88 74 80 83 76 74 77 82 90 87 7t 77 70 80 9. y a cada grupo se le enseña por un método diferente. e 9. Ensayar a loe niveles (o) 0. Ensayar a loe niveleg de (o) 0. 9. 9. C.28. vienen dadas (en miles de millae) en l¡ Tabla 9-36. (b) 0. Tabla 9. (b) 0. Se efectúa un erperimento para determinar el número de artículos diarios producidoe por cada operario utilizando cada una de lac máquinas.06. Tabla 9-39 Operario Máquina A Máquina 23 34 28 1 Operario 2 Operatio 3 24 28 27 I I\láquina C 27 30 25 . Demo¡tra¡ el resultado (30).06.05.24. Una compañfa deeea ensayar 4 tipos de neumáticoe A. determinada de sus fibras.25. (D) O. Luego se da el mismo examen a todoe los estudiantes y oe obtienen las calificacionee indicadae en la Tabla 9-36. II1.30.05. Para lleva¡lo a cabo. tres grupos de 5 estudiantes se escogen aleatoriamente. B. Tabla 9-37 I\[atca. Un profesor desea eneayar treg métodos de en¡eñanza I. Demostrar los resultadoe (24). Ensayar al nivel de (o) 0. diferentes. La Tabla 9-37 da los números de mill¡s al galón obtenido por autornóviles semejantes utilizando 5 ma¡cas de gasolinas. (25) V Q6).a 9-38.

ts Tabla 9-43 da el número de artículos produeidos por 4 operarios diferentes trabajando en dos tipoe de máquinas.40 utilizando un nivel 0. Se efectú¿ un experimento para ensayar ei el color del pelo y las estaturas de esür¡diante¡ adultos üienen algu' na incidencia en el rendimiento escoló¡tico. Ensayar al nivel 0.cAP.38 al nivel 0. E 18 22 2L l7 18 24 g. lo 77 9.23 se lleva a cabo en el suroes' te de un pale y que las columnas de la Tabla 9-34 indican 4 tipoc diferentes de fertilizante. el segundo a un estudiante de otro planüel. Ios réeultados se dan en la Tabla 9'41. Solucionar el hoblema 9. Suponer que el experimentg del hoblema 9. (b) las diferencias en el tipo de maí2. varfan significati- aleatoriamen' 5 . Analizar el ex' pelinojo rubio Alto Mediano Pequeño 76 81 73 78 76 castaño 80 79 perimento al nivel de 0. Solucionar el hoblema 9. EXPERIMENTOS DE DOS FACTORES CON BEPETICION T¡bla 9-42 A 9. (b) la localización. Tabla 9'4O TIPOS DE MAIZ bloque te a los hl/ha. los bloques).05.33. dUrante díae diferentee. Suponer que en el Problema 9.g6.3ó r¡tilizando el nivel de significación del 0. doñde los números in' dican 10 en el tope de los graduados. roy"t al nivel de 0. Soluoiona¡ el Problema 9.01. (b ) en los planteles. B C 16 18 20 15 L7 16 2l 19 18 23 19 2l 23 20 D 9.34.24ltprirnera observación para cada tipo de neumático se hace empleando una claee espeiífica de automóvil. 9.33 utilizando el nivel de significación del 0'01.06 si hay diferrencia en (o) los tipos de neumáticos. y así sucesivamente. y así sucesiva-E mente.01.06 de que hay diferencia en (a ) d método de en¡eñanza.8?.g2. la eegunda observación empleando una segunda clase especffica. 9.38. a ^ B {amente con (o) las diferencias del terreno (esdecir. / y II.01. (b) las máquinas. el ANALISIS DE VARIANZA 335 g.40.12.01. 9. (b) las clases de automóviles. g. Ensayqr la hipótesis al nivel 0. en tanto que en un experimento semejante efectuado en el oe¡te da los resultados en la Tabla 9'42. Tabla 9-41 9. Determinar al nivel de 0.36.05 ¡i lo¡ rendirnienüos en bla 9-40.26 el primer valor para cada método de enseñanza corresponde a un estudiante de un plantel especffico. \4 9.39.05 si hay diferencias signifiéativas en (c) loe operarios. SLOQUpS C D E IIIUIIV t2 15 15 19 L4 18 11 16 16 l7 10 t2 16 L2 11 14 11 12 16. Solucionar el hoblema 9. c Semill¡s de 5 tipos de mafz ee siembran en 5 bloques' Cada ue se asignan 0. Solucionar el Problema 9-31 utilizando el nivel de significación del 0.06 ¡i hay una diferencia en (o) lor ferüilizantes. Tabla 943 Míquina Lun I Jue 20 18 Nláquina If Vie 15 12 11 L7 Opcario A Operario B Operario C Operario D l5 L2 t4 19 Mar 18 16 t7 16 Mie Vie t7 14 18 2L t2 11 13 18 l6 2g Lun lVlar Me Jue L4 16 18 L7 11 15 12 16 72 L4 16 L4 L7 15 18 20 . Suponer que en el Prpblema g.41.

05. t¡ Tabla 9-48 contiene los datos sobre el moho acumulado en hierro tratado con químicos A.Tc.01 si hay una diferencia significativa en los tratamientoc. B. B7 At4 Tabla 9-4ó c12 adicironal dando la sección donde naci6 el estudiante Eete. . Wz. C.44. T¡¡ fq¡talezas promedio obtenidas se dan en el cuadrado greco-latino de la Tabla 9-4?.47.38 euponer que introducimos un factor 876 c81 o73 Tabla 9-46 o78 E'76 c80 o79 c76 877 w4 CUADRADOS GRECO.a diferencias en (o) ertatura. Sz S¡.6 . Efectu¡r un análisis de la varianza del experimento al nivel de significación del 0. Det¿rmina¡ a un nivel de 0.Tz. Efectua¡ un análisiÉ de varianza al nivel Q.r 198 D. 9.43 utilizando un nivel 0. Tabla 9. (D) lae variaciones del terreno.01 de que no hay diferenci¿ en (o) los fertilizanSe C8 At4 D10 Á10 c12 BL4 D16 D12 B11 811 Dt5 Á10 tee.LATINOS wr ^S. c16 9. 9.as cantidades diferentes del primer compuecto se indican por A. Se obtiene el cuadrado latino. 7. e 9. q D.48. Tr AB 164 c2 Bf 181 c3 ca Ay 193 193 207 166 c4 D6 160 T. L62 BB L45 cB 2t2 A6 112 86 Do An 188 Bq 167 c7 136 PROBLEMAS DIVERSOS 9. Determinar al nivel (o) 0. El aliñento se da a los pollitos ordenados en grupos de acuerdo con 4 peeos ini- Cr8 464 Dp6 D66 S" ce7 865 BrB c D3 Av6 cr6 9. El aumento en peso por unidad de tiempo 6e da en el cuadrado greco-latino de la Tabla 9-46. B.1.46. Oes: te. Soluciona¡ el hoblema 9. É.S4 Sr. W¡ .Ct. Tabla 9-4t Alto Pequeño Mediano 110 95 Tabl¡ 9.05 ¡i hay una diferencia significaüiva en rendimiento académico de los e¡rudiantes debida. Centro. Cuatrotiposdecable?¡. eetableciendo cualquier conclueión a que pueda llegarse. T3 T4 c6 t7l D. Wt.05. St. D y las del cegundo por ü.Cz. D usando cuatro máquinas diferentes.4? c. o. donde lo¡ números indican rendimiento de maÍz por unidail de á¡ea. w2 BB6 Dog ws Ao5 9. como se muestra en la Tabla g-46.45. y de variaciones del teneno en dos direcciones perpendiculares. C. Tabla 9-44 efectúa un experimento para ensayar el efecto sobre el rendiniiento de 4 tratamientoe de fertilizanües A. Para producir un tipo superior de alimenüo pnra pollos.05. (b) colo¡ de pelo.05.44. miden las fortaleza¡ de los cable¡. Tabla 9. Wc y 4 especies d-iferentes . B o C. B.43. 4 cantidades diferentes de dos compuestoc químicos se agregan a los ingredientes bási co¡. BoG Dy l0 Ap8 c6 10 cialee. respectivamente. Ensayar la hipótesis a un nivel del 0.Cuatro operarior A.C1 .336 CUADRADOS LATINOS ANALTSIS DE VARIANZA IcAP. (c) lugar de nacimiento. 6. ?a sefabricanporcadaunadecuatrocompañfas. [. (ó) 0. eetableciendo cualquier conclusión a que pueda llegaree. Ca.49 105 103 118 A B 3544 4233 6465 Lt2 10? 90 115 c 108 lr2 93 104 96 L02 . Con referencia al Problema 9.

página 309. Tabla 9-51 Alto 9.53.59. rinden mejor' Los puntajes obtenidos se muestran en la Thbla 9-50. t¿ Tabla 9-51 muestra los puntajes para una muestra de estudiantes universitarios de diferentes partes del país con diferentes I.52 utilizando un nivel 0'01. Este Oeste Sur 88 84 86 Medio 80 78 82 Bajo 72 ¿o 9. Solucionar el Problema 9.Q. página 312.01.54 al nivel 0. Determinar eI nivel de 0.Q. Ensayar al nivel 0. página 309. 9. Un experimento mide el L Q. el ANALISIS DE VARIANZA 337 g.23 y 9. Demostrar el Teorema 9-2. Demostrar (o)la ecuación (39). Se realiza un examen para determinar si los veteranos o los no veteranos de diferentes I.05. Los resultados se indican en la Tabla 9-49. relativo a diferencia de estaturas. 9.05 si hay diferencia en (o) fertilizantes. (b) los tres lugares. Determina¡ al nivel de 0. Tabla 9-50 Alto I.5?. de estudiantes adultos de estaturas altas. Derivar los resultados 9. (b) I.61.50. medias y pequeñas.Q' 9.Q.Q.05 si hay una diferencia en los puntajes debido a diferencias en (o) el estado veterano. 70 9.40 suponer que un experimento adicional realizado en el noroeste produce los resultados de Ia Tabla 9-53.05 y establecer sus conclusiones. Analizar la tabla al nivel de 0. (b) la ecuación (38).05 si hay diferencias debido a (o) los químicos.60.54.62. 9.Q. Bajo I. 9. 70 En el Problema 9-42. (b) 0. Tabla A B C 9-52 Tabla 9'53 5463 3423 5746 AltT 14 18 Bl20 10 20 cl18 Dlt2 ¿'ll5 15 16 11 11 12 19 12 15 L7 11 14 9. página 372. Veterano No veterano 90 85 Medio ril 78 I.4g.51.01 si hay alguna diferencia significativa en los I. 9. En los cálculos de análisis de varianza se sabe que puede sumarse o restarse una constante apropiada dp cada valor sin afectar las conclusiones. 9.55. ¿Es ésto cierto si cada valor se multiplica o divide por una constante apro' piada? Justificar su resPuesta.62. (3) y ( ). Demostrar el Teorema 9-3. Con referencia a los Problemas 9. Determinar al nivel (o) 0.ó6.cAP. Suponer que los resultados en la Tabla 9-48 del Problema 9-48 son válidos para el noroeste. (b) la localización. (b)la ecuación@0). ¿puede determinar si hay una diferencia significativa en el número de artículos producidos en los diferentes días de la semana? Explicar. Norte y centro 80 ¡D 79 g. página 312. en tanto que los resultados correspondientes para el oeste se dan en la Tabla 9-52.Q. .5E. Solucionar el koblema 9. Demostra¡ (o) la ecuación (37).

816 FACTOB 2 c2r 823 416 AL8 ct4 Bt2 ct5 l á18 9. 9.06 y establecer conclusione8. Montar y solucionar un problema que iluetre el procedimiento en el Problema 9. Suponer que en el hobleme 9.68.05 y eetablecer conclusiones. 2X 2? (D) ¿un cuadrado greco-latino de 3 X 3? .01. 9.62 utilizando un niyol 0. 9. es decir. Efectuar un análisig de va¡ianza en el cuadrado greco-latino de la Tabla 9-65 a un nivel 0. De¡cribir cómo emplear las técnica¡ de análisi¡ de varianza para experimentos de tres factore¡ con repetición.13? Justificar sus conclusione¡. e 9.66. 0. En ln práctica.69.69. Tabla $65 1 FACTOR ar6 863 FACTOR 2 BB L2 C64 Df 15 P" 18 Ae8 cs t4 De t6 cr 20 Bog Ae t7 466 co 9.67.21 hallamos una diferencia significaüiva en los días de la semana.7 16 D66 Br7 Haga el montaje de un experimento que conduzca al cuadrado greco-latino de la Tbbla 9-55. Haga el montai dc un erpcrimenüo que conduzca al cuadrado latino Tabl¡ 9-64 FACTOR 1 de la Tabla 9-54.338 ANALISIS DE VARTANZA Solucion¡¡ el hoblema 9. lcAP. ¿Deberíen modific¡r¡e la¡ conclu¡iones obtenidas en el hoblema 9.65. las repeticionec. ¿es¡rer¡rf¡ encont¡ar un (o) curdrado latino de Explicar.64. Efectua¡ un análisis de va4ianza en el cu¿drado latino de la Tabla 9-64 a un nivel 0. 9. 9.63. 9.71.

Apéndices .

.

'e-'d.../ O (f) 341 . t- r.. -.. Cuando la se- m 1... r(z) = l'l'-. (-t).. . T+=t*a*r2+o3+. = -2T -1 < o ( 1 FORMULAS DE EULER 8. rn(l- n\ = -n -t-* . : x-*+í=-i.Apéndice A Temos mqtemóticos STIMAS ESPECIALES Las siguientes son algunas sumas de series que se presentan con frecuencia.i sen0 ^ u. 2 i" : t2 +zz+82 + . .rr¡ 1-:+i=--!-1..i = é zt* 4r.:)oi T. .todo* todo * 4. LA FUNCION GAMMA La función gamma. e-iq = cosd . e. 0! rie es infinita se indica el inten¡alo de convergencia.... * m2 . se define por . **t _*..r=^r.=L-rr*!*!+. cosa: ei|+..?^'ñ t.'ts^tl zt ' 3t '' senr para.+.=iq. ¿i0 = cos 0 -f isen?. *. denotada por | (n).t n)o .. : 1. 2i = l+2+ 3+ "'*m mfun+l) =:2 z. 5.6! + Para cosÍ = paratodo¡ para lrl <1 16. = S(-l¡is'r+ ur-5!-7l=' '¡r: ?^d+Tr +2 04 üo ..m(m+t\(2tn+l\ 6 i=r B.e-ie send= eie-e-to 2i 2 .

una buena aproximación para n! viene dada por n7 LA FUNCION BETA = 1finnne-n (7) La función beta.342 La fórmula de recurrencio viene dada por APENDICE A f(ra+l) = donde (2).f'r^-'1t-u)n-t¿u olg m) 0. stirling: (4) : ll2. Si n es un entero positivo.r = L#"-b2/4o = a+E 13. Una propiedad importante de la fun- r(P)r(1 -P) Parap : *.' a)0.fu.' Í.Í. entonces r(n+l) = nr. En el caso de que n sea un entero positivo grande. a)0 -/m + l\ ¡m¿-orzfu='\ 2 I zL<m+r)/2 11.a ¿)0 . se define como B(m. ¿-o" cos br d. m) -L a)O 12. e-o'" cosbr d. Í. n) 0 (8) Está relacionada a la función gamma por B(m. nr(n) (2) f (i) : 1.n) .indica que la relación de los dos lados tiende a 1 cuando n -+ @. Por esta taz6n ción gamma es que (8) l(n) se cohoce como la. función factoriat. n).yffin"¿-" (d) donde el signo . Una extensión de la función gamma para n ( 0 puede obtenerse por el empleo de . denotada por B(m.n) INTEGRALES ESPECIALES - (e) Las siguientes son algunas integrales que se presentan en probabilidad y estadística. (4) da "(l) = u" Para valores grandes de n tenem os la fórmula asintótica de (5) r(n +1) .

or)o denomina.o*rot+ü fl¡ = i{:e<b'-4dc''t1o """(#) o ) 0 donde erfc(u) se = r-erf(z) = t-U*f""-sa. p)0 o) 0 16. Ío'"-*senbc O" = ¿ft6 a)0 c)0.-."md*=*or"' lg. = hÍ""c-tdr a')o.n)0 . Ío"''""n'^-rtcos2¡-¡0d. lB. J_n c-<"¿*o'+c> dÍ =t1.o-'"-* o" -fa-f= Y 16.0=W m)0.APENDICE A 343 14.l L-e(b'-1oc't4o I "VA tT. Í.lafunción complementarb de enor. to' . fr' .

0053 .0113 .6 o.Dl éo .1.237r .1 .2295 .7 2.0007 .0449 .0940 .3589 .3391 .3555 .2850 .0422 .3902 .2780 .0006 .0002 .0004 .0075 .3910 .0010 .0029 .1182 .0084 .2227 .1040 .0303 .0009 .0002 .0104 .0775 .0508 .1 .0478 .0734 .0012 .0034 .3521 .2059 .3989 .2920 .0004 .0818 .0010 .0055 .3956 .3101 .9 .3836 .0551 1.3965 .1435 .13 .0562 .7257 .0030 -0022 .0413 .0067 .2 .016:l .0002 .0027 .3372 .0002 .0093 .1219 .0037 .l 2.3683 .2 1.156 .0101 .0310 .1 804 .3352 .0042 .3034 .0219 .2989 .0ri56 .2323 .r374 .0154 .00I7 .0002 .r1f)7 691 .140 .06{4 .0028 .3752 .0014 .5 0.0061 .3572 .0488 .2083 .1758 .0005 .0761 .0404 .2444 .2 3.0014 .0003 .0002 .3251 .0020 .3 IA .3621 .8 0.1145 .0006 0004 .0167 .0044 .0180 .8 .3467 .0540 .0002 3.0086 .3056 .I942 .3448 .0026 .1826 .0015 .0096 .3778 .0241 .0194 .3725 .0371 .0002 .3637 .0038 .1354 1.0270 .1919 .0297 .0009 .0235 .0025 .2t55 .2685 .0003 .0283 .3292 .0006 .2966 .2072 .0051 .0003 .0431 .3939 .0707 .3867 .0012 .3894 .5 1.0056 2.1989 .000? .7 0.0620 .0468 .0573 .2516 .0008 .3961 .3932 .01.¡ 3.0008 .1127 .0224 .8 I.2637 .0023 .0005 .0088 .0009 .1 .331 2 3 4 D 6 7 8 o 0.0189 .0396 .22i5 .0004 .058.0048 .1 561 604 .1849 .0264 .3986 .1965 .327L .0020 .0081 .0132 .3187 .0047 .1006 .0r 36 .1 .0007 .r023 .3668 .0050 .0046 .0099 .3712 .0519 2.0203 .3209 .0198 .0010 .3332 .0290 .0184 .0079 .0016 .0893 .002I .3980 .0004 .0003 .0006 .0033 .0116 .0632 .0031 3.0003 .0139 .0016 .2 0.0040 .1872 .3951 .0339 oe OA .0694 .2827 .034? .2t31 .0498 200 .3876 .0005 .16'17 .3988 .0003 .0863 .3982 .r295 .0213 .3538 .0019 .2803 .6 l.0001 .3945 .8 3.0 0.1334 .0 3.39?3 .3 0.3166 .5 2.1518 .07.0208 .l lJf]4 .1895 .3 DA .0065 .24!r2 .0036 .0258 .3011 .01?5 .0229 .0529 .0608 .u077 .3925 .3739 .2396 .4 0.3977 .2709 .0596 .0 1.2565 .1 0.3918 .0002 .0032 .0119 .2756 .1 .3?65 .3989 .0363 .0063 .0 .0069 .0122 .1539 .0003 .2613 .1.0804 .0459 .1736 .0681 .0004 .1582 .0001 344 .óooó .10?4 .0387 .1771 .0003 .0.0379 .o024 .3885 .0129 .3144 I .0073 .3989 .0332 .6 2.0158 .010? .0151 .24G8 .0848 .3697 .3802 .1415 38 .0355 .3790 .3970 . ¡ .254r .0039 .0171 .0110 .0008 .1 109 092 1.3429 .1315 .1057 .0003 .0007 .l 163 .9 .2589 .8 2.:1825 .0317 .0002 .0004 .381 4 .Apéndice B Ordenadas (E) de la curva normal t ipif icada enz 0 I .0833 .266I .0002 .3079 .0015 .28i1 .0005 .0022 .3857 .3410 .72i6 .3485 .2317 .0669 .2036 .0790 .0002 .1 tQ .0012 .3605 .0043 .0008 .0989 .0878 .2203 .0005 .1669 .0017 .0018 .2513 .2897 .0925 .225I .0025 .6 ¿.0091 .1 7.0005 .oI47 .3230 .3847 .9 3.0909 .0252 .0058 .0973 .0060 .0011 .3984 .0036 .12 .2732 .0277 .0018 .5 3.0013 .3503 .0957 .00r1 .1 .0i21 .1626 .9 2.2t07 .0071 .2420 .0246 .1781 .0013 .0325 .0002 .0126 .

2 ¿-D .3106 .3 0.4999 .4394 .4991 .4916 .4909 .0636 .4693 .4898 .2910 .4981 .4099 r.4992 .4995 .3 1.485? .4772 .4972 .1ts26 .4890 .4949 .4931 2.7 2.1 .3389 .)( 2.{o9t .0 1.4994 .4995 .4649 .3849 .066? .4998 .3129 .3508 .4997 .4994 .4999 .5 3.1985 .6 3.4967 .4998 .5000 .26L2 .2389 .4783 .5 0.48L2 .4998 .4996 .4997 .4192 .9 346 .4983 .3708 .3554 .4986 .476t .4236 .2324 .0319 .4994 .4962 .1026 .0696 .0793 .0000 .4699 .4934 .487L .3365 .2794 .4999 .4793 .4896 .0871 .4616 .4599 .4913 .2 0.4306 .3238 .4999 .1064 .4066 .4936 .3461 .4265 .4998 .0199 .4573 .2734 .0517 .4997 .1331 .3r 59 .4808 .4838 .1368 .3962 .4984 .1 .4t47 .4 .4803 .4535 .4941 .4974 .4332 .4564 .4960 .4875 .4975 .4319 .4995 .4984 .4222 .4608 .4985 .4999 .4929 .2224 .t443 .0398 .4495 .3340 .4767 .2580 .4990 .4999 .4788 .0675 .0120 .2486 .4997 .1 .4951 .4989 .1844 .3665 .4996 .4999 .3485 .() 3.4999 .4987 .4834 .4382 .7 3.4625 .4996 .4738 .4959 .4484 .1960 .2190 .4999 .4969 .4943 .1736 .9 1.4279 .4901 .4998 .1406 .4982 .tzt7 .4993 .4582 .1987 .4962 .2996 .4131 .4999 .4980 .48(.4817 .4990 .1293 .4992 .4988 .4993 .1664 .4918 .4990 .4963 4973 .3289 .4997 .07L4 .8 .3643 .0 0.4778 .0 3.5000 .1103 .7 1.0080 .8 1.4965 .4992 .3051 .4015 .4207 .4756 .4911 .3869 .1808 .2422 .4345 .4998 .4994 .2064 .3944 .4830 .4948 .6000 .4 0.4474 .4773 .4927 .1141 .4999 .4 .2852 .3686 .4881 .2019 .4292 A25L ..4988 .4744 .3531 .43?0 .4997 .2673 .4997 .3810 .0239 .6000 3.4982 .0040 .4993 .0754 .5 1.2967 .4545 :4633 .2t57 .4964 .6 L.4995 .4999 .4656 .4946 .4999 .4996 .4999 .3315 .0438 .3078 .4979 .4115 .4999 .3264 .4993 .4925 .4976 .4999 .4970 .2 D') 2.4998 .7 0.229r .8 3.0 2.4977 .4996 .4732 .4997 .1772 .1554 .4995 .4997 .3438 .44t8 .0948 .3577 .467L .4978 .4999 .1179 .4945 .0987 .4906 .4850 .0478 .4686 .2939 .4998 .497L .8 0.4974 .3790 .45L5 .Apéndice C Areas baio la curva normal tipificada de0az 0 0.4999 .4977 .4678 .4920 .2549 .1591 .2088 .4953 .4452 .5000 .4986 .3170 .4884 .4999 .4998 .4940 .3980 .4966 .0359 .4854 .4999 .4932 .1480 .4429 .2t23 .444L .2258 .5000 .1?00 .3186 .4999 .4664 .3023 .L265 .25t8 .4750 .3888 .4878 .4999 .2823 .3413 .1915 .4998 .1 0.1517 .4991 .4049 .3272 .4999 .4968 .5000 3.4357 .4525 .4981 .3599 .0910 .4554 .2454 .4999 .4904 .4997 .2642 .4989 .4706 .3997 .4082 .6 0.4979 .0832 .4955 .4991 .4956 .4995 .4999 .4887 .5000 .4992 .4864 .3907 .4719 .2764 .4893 .4999 .4989 .4117 .4922 .4463 .6 2.4994 .4996 .2704 .4961 .4998 .3830 .1 1 2 3 4 6 6 7 8 I .4967 .4938 .5000 .4846 .2357 .1628 .4999 .2 1.4591 .3621 .4999 .4821 .4842 .4987 .4998 .4726 .4868 .4505 .5000 .4998 .3749 .3133 .4986 .0279 .4032 .3926 .4798 .2881 .4406 1.9 2.1879 .0160 .1L62 .

130 .869 .t27 .71 3.6?9 .11 2.t42 .32 1.649 .72 1.260 t.20 2.94 1.858 .158 .7L 1.684 .691 .689 .96 I7 18 19 .80 2.76 3.727 .536 .L29 10 11 .325 .14 3.262 .531 .37 1.Apéndice D Percentilrr de (tr) l¡ di¡tribsción f de Student con z grador de libertad v úss ¿oo t.889 .128 .76 2.75 L.3?6 1.842 Fuente: R.82 2.534 .t27 .04 2.26 2.277 .861 .626 .920 .259 .256 .82 6.77 1.54 3.257 .31 1.98 2.584 .L26 .80 1.531 .47 2.260 .t6 2.32 1.62 2.537 .627 1.76 L.687 .06 2.78 2.05 2. (previamente pubücado por Oliver y Boyd.258 .86 2.727 .532 .90 2.868 .32 L.50 2.131 .30 L.L32 .531 t.688 .50 3.643 1.35 1.L27 .36 1.82 2.67 2.38 1.48 2.23 2.03 3.848 .76 2.677 2.706 .64 2. Stotistícal T¿bles for Bíological.s.31 .27L .683 .96 4.263 .876 .07 2.258 r.70 2.?18 .66 t.134 .58 2.254 .25 3.36 t2.?l 1.257 16 2.846 20 I.39 2.31 2.8?0 .690 .33 .32 2l 22 23 24 25 26 oa 28 29 30 40 60 .06 3.32 L.816 1.78 2.48 úes t.765 .szs tse 31. con permieo dé lo¡ autores y editorea. Yate.56 2.263 .36 2.862 .630 .42 1.137 .72 1.t26 . .686 .72 2.256 .70 1.r27 .534 .84 2.255 .256 .L0 2.92 2.07 2.126 .864 .L28 .31 1.688 .68 2.535 .34 1.257 . Fistrer y F.48 2.90 2.36 3.46 2.261 .02 2.92 6.81 2.941 .00 2.686 .861 .06 2.5L 2.256 . 3 .45 2.60 4.879 .692 .978 .856 .686 .76 2.70 1.624 .18 63.633 .630 .44 1.538 .128 .r28 .267 2.703 .01 2.254 .683 .711 .49 2.57 2.71 L.255 .98 1.L27 .700 .81 1.62 2..46 2.130 .66 2.L27 .64 1.36 3.92 2.90 1.29 L.542 .t3 2.33 8 9 .256 .L26 .531 .34 1.t2s .62 2.256 .061 .67 1.70 1.09 2.t27 .32 L.L27 .530 .863 6.7L 4.256 .76 2.873 .14 .76 1.L28 .09 2.36 1.63 1.77 2.08 2.857 .896 .79 2.684 .532 .r3 2.47 2.70 1.89 1.3L 2.02 1.34 1.33 1.533 t2 13 14 15 .684 .539 .866 .257 .73 1. Edinburgh).L27 .66 2.669 .256 .128 .257 .906 .856 .72 2.674 .17 3.A.289 .L27 . publicado por l.727 .629 .83 2.694 4 6 6 .31 1.68 .zo t.546 .696 .ongman Group Ltd.000 .28 t20 € .60 2.32 L.645 t.66 1.04 2.06 2.71 t.856 . AgriculturalondMedícol Recearch.681 .74L .88 2.86 1.84 4.860 .569 .sgs I .854 .266 .06 2.73 1.L27 .11 3.266 .61? .53 2.18 2.33 1.L27 .66 9.96 2.685 .856 .865 .683 .40 1.563 .?8 .00 1.42 2.83 1.r29 .697 .883 .08 1.68 L.532 .30 1.t2 2.74 1.258 .30 3.zs üeo tso 3.858 .540 .

8 44.57 t.4 43.3 27.6 32.1 16.O.3 16.6 24.O tt.0000 .989 1.3 13.3 13.40 6.8 12.Apéndice E Percontilas (¡f) de l¡ di¡tribución chi-cuadrado con u grados de libertad v x.3 12.8 9.8 48. Biomelr:iha Tobles fo¡ Stotitticíane.9 40.6 r3.04 7.6 L2.01 5.r7 2.3 73.3 61.4 16.0 16.3 89.9 12.3 23.01 7. xlo.4 16.2 18.L4 6.2t 11.6 46.4 40.26 6.2 61.8 38.0 62.3 5.3 67.20 2.3 28.70 6.23 5.6 17.2 29.102 .2 38.3 15.0039 .6 40.E4 6 .91 7.103 x?.7 23.9 23.4 32.S.3 46. t3.3 26.90 6.6 33.6 29.9 13.831 . Vol.1 19.66 8.6 28.L 2l.43 8.03 t.6 31.6 14.7 33.2 11. .6 61.6 24. Pear¡on y H.37 3.6 15.8 14.73 3.4 34.7 99.9 35.5 24.35 5.26 3.07L7 .6 66rB 56.0201 . x?no X.1 13.8 67.6 36.362 l.4 32.2 59.455 1.92 2.0 104 116 l4 16 16 to.63 ?.82 4.3 71.0 14.7 37.9 26.1 39.6 92.7 25.3 22.84 5.1 45.6 46.6 43.5 20.6 20.3 11.1 31.2 14.7 7L.7 28.1 37. Hartley.2 '19.2 11.6 22.3 14.41 ?.3 82.09 2.1 12.6 74.3 59.6 .26 6.3 17.9 68.3 18....8 30.2 31.9 40.2 16.6 38.6 9.3 32.3 22.9 11.3 42.3 t6.2 11.7 60.3 61.2 67.5 16.9 29.3 2L.7 14.3 69.1 ttz r26 13? 64.3 96.2 88.5 43.2 44.96 8 I 10 11 4.2 29.3 29.87 6.7 46.4 31.6 30.gg x?rn y2 ^-00e .8 14.3 49.? 42.45 4.7 26.7 7.3 32.2 37.8 34..7 12.3 10.291 .34 10.8 t7 18 19 20 2L 8.3 39.8 40.0 23.1 DD.6 4.30 7.0158 .67 9.1 40.3 53.4 29..0 22.58 8.89 10. con permieo de lol autore¡ y editoree.7 2t.7 18.8 45.0 36.60 5.1 13.9 19.3 2L.91 9.2 10.26 7.2 26.7 14.83 3.4 40.11 5.44 9.0 27.0? 5.06 3.6 48.9 t8.6 88.89 6.7 47.94 4.1 52.8 t7.6 32.3 16.7 73.t 31.D'ID r.49 2.9 1t.4 63.1 27.49 11.1 37.872 L.9 30.4 3.1 41.57 7.L 80.9 2t.8 32:0 33.0506 .8 14.2 12.34 8.8 70.9 11.04 10.O' X.7 29.57 6.? 37.3 19.88 10.0 L07 6.5 34.6t 6.3 49.9 39.6 32.2 46.8 63.59 10.4 12.3 I 1.6 41.6 56.90 27.15 1.9 20.8 79.66 2.9 18.81 6.6 50.0 27.07 4.34 1.33 3.86 11.2 t3.2 35.07 3.35 7.6 19.9 17.3 r6.2oo¡ xlo.24 10.5 33.1 10.3 23.6 36.6 16.3 30.0 19.6 109 1r8 130 t28 140 t24 149 Fuente: E. páginas 187 y 188.L 30.2 74.6 23 24 25 26 27 28 29 30 40 60 60 70 80 90 100 41..0 69.6 43.3 49.3 17.t7 4.9 48.36 4.6 47.4 86.60 3.56 9.4 42.0 x2ot x'"0 .81 9.6 24.2 24.5 16.58 6.6 tt.8 13.1 28.99 7.1 90.0 17.6 90.3 61.1 27..57 4.0 4L.5 20.8 28.9 63.61 2.3 24.7Ll 1.7 26.6 14.0 44.0 13.4 35.3 79. 3 4 o I .3 13.4 37.2 28.6 54.4 83.0 17.3 29.0 71.8 13.70 3.8 t9.4 100 t2.3 69.30 r6.79 t4.4 85.74 7.7 23.34 9.39 2.1 10.0 t2 13 18.0 26.7 22.7 37.8 24.8 26.63 6.64 9.684 1.18 2.1 16.24 1.4 20. x?o".484 .9 43.0 33.54 L0.64 .8 55.3 18.84 9.6 21.56 3.6 36.3 16.8 16.3 20.5 96.6 13.6 19.0100 .2 66.0002 .31 10.39 6.8 67.116 .0 11.3 35.6 12.1 t2.25 7.26 9.6 108 118 8.2L6 .6?6 .26 8.23 5.66 5.67 3.7r 4.63 8.0010 .7 16.6 46.8 26.4 23.207 .7 66.6 79.8 14.3 .3 99.7 16.8 36.7 28.8 24.8 16.3 26.77 4.tl 4.7 76.9 L6.1 8.554 . x'.472 .o 22.2L 1.2tL .06 1.6 2L.24 1.6 61.25 5.7 2.8 43.6 28.4 69.02 7.69 2.3 45.1 .2 36. 1(1966)' Tabla 8.39 10.6 25.0 r 7.6 12.7 39.9 34.78 9.7 38.3 49.3 18.2 94.1 12.23 8.35 6.4 13.6 26.E 42.8 18.2 6t.7 34.L6 2.7 18.8 20.0 48. 347 .4 L02 113 rt2 t24 136 98.2 62.3 27.3 X.8 20.1 77.6 22.38 9.0 20.9 34.l 22.63 7.73 2.32 2.

75 1.L5 2.92 1.01 1.35 2.51 2.94 1.81 3.05 2.7l 2.33 3.55 8.30 2.22 3.1L 2.97 r.23 2.94 2.19 4.42 2.35 3.34 2.42 2.37 2.41 5.92 1.38 2.54 2.03 2.09 2.87 3:70 3.60 2.50 4.56 2.09 6.61 19.73 4.30 L2 13 14 15 16 L7 18 19 20 2.99 1.85 8.84 3.07 3.4 19.04 1.76 1.5L 2.93 5.2r 2.07 2.t0 | 4.43 2.64 1.2r 2.90 2.70 I 2.35 2.15 3.00 3.81 8.43 1.11 2.95 2.4 19.7l 1.96 1.95 4.64 2.?0 8.84 1.66 2.49 2.93 2. (1972).26 2.64 2.55 2.93 1.00 I.67 t.12 2.51 3.04 1.49 2.52 j 3.27 3.08 3.29 2.61 2.45 2.2 19.82 2.85 2.38 2.62 2.L6 2.L8 2.1 7.37 2.22 3. página 178.84 4.16 6.14 3.75 2.85 1.23 4.57 2.96 1.88 4.03 ¿.39 6.77 2.66 2.43 2. con perrniro de los autoreo y eütorea.r5 2.t0 2.25 2. O.65 2.01 8.18 3.61 I.41 3.53 2.92 3.46 4.90 1.58 2.66 2.49 2.82 t.89 2.61 2.33 2.L0 2.Apéndice F Porcentila 95 (nivele¡ 0.86 3.86 2.71 2.81 2.91 1.04 6.r7 4.57 8.09 3.53 2.73 2.30 3.5 19.75 1.66 8.91 1.28 3.97 2.39 2.24 2.44 3.28 2.g¡.53 2. S.44 3.62 2.84 2.76 2.21 4.7 4 2:28 2.40 2.60 2.?0 1.42 3.r3 2.85 2.42 2.9L 2.99 2.44 3.87 t.70 2.96 4.6L 2.68 3.37 2.42 2.74 1.36 2.67 4.20 2.64 3.69 1.84 3.01 2.7r 2.69 3.98 1. Tabla 5.27 2.28 4.53 3.46 2.76 4.8L 2.5 19.97 3.95 1.76 1.48 2.07 1.46 2.4e 3.69 5.06 2.30 2.84 1.64 8.13 2.59 5.81 t.46 1.47 1.65 2.25 2.16 2. parr le di¡tribución F u1 grados de libertad en el numerador /2 gfados de libertad en el denominador ><. .06 4.40 2.22 2.60 4.4 19.0Q 2.94 8.60 2.39 2.87 r.07 3.86 1.26 3.29 2.79 2.38 3.10 2.64 2.81 1.33 2.32 1.03 1.36 3.59 2.44 2. I 2 3 1 2 s 2L6 4 b 6 7 8 9 10 L2 16 20 24 30 40 60 t20 @ 161 225 230 234 237 239 24L 242 244 246 248 249 250 26t 252 253 254 18.02 r.L3 2.03 1.96 1. Hartley.47 2.19 2.37 2. Pear¡on y H.83 2.L0 2.77 2.72 5.32 2.24 2.t6 2.46 2.L2 3.01 1.76 1.98 2.77 4.67 2. l'.4 19.25 2.60 3.59 6.03 4.68 4.34 3.42 2.35 2I 22 23 24 25 26 27 28 29 30 3.20 2.91 5.27 2.98 1.20 2.94 3.r9 2.28 2.18 2.58 3.76 2.84 1.43 4.87 1.66 2.96 t.5 9.91 1.39 t.53 2. ¡O 5.t5 2.68 2.88 1.01 2.13 3.54 2.22 2.06 2.71 2.41 2.3L 2.84 40 60 t20 t.45 2.34 2.10 4.08 2.08 4.36 2.29 3.32 4.71 3.32 2.84 1.80 2.24 3.t9 2.98 2.28 2.62 2.92 2.17 3.0r I | 4.80 2.18 3.12 3.69 2.04 1.70 2.92 1.87 3.93 1.40 2.95 2.04 3.45 2.64 2.40 2.34 2.91 3.rL 2.54 4.92 2.25 2.79 8.76 2.15 4.14 3.28 9.07 4.01 1.82 4.93 2.62 2.69 1.58 2.4E 2.06 2.89 1.20 2.30 2.49 2.15 2.6? 2.48 3.96 5.96 2.35 3.0L 1.L8 2.3 4 o 6 I 19.68 2.99 1.23 2.57 3.89 1.L2 2.41 3.22 2.62 1.59 3.56 2.84 1.31 2.rL 2.12 2.29 2.r7 2.L9 2.63 6.22 1.16 2.LL 2.92 1.4 19.47 2.6 10.r8 2.31 2.4 19.29 3.90 2.96 1.34 2.68 t.53 r.(}51.95 1.01 1.L5 2.69 4.46 2.27 2.35 7.45 2.23 2.06 t.80 t.34 2.5 19.23 2.00 2 Fuente: E.62 8.11 3.85 2.80 a.05 4.26 2. Vol.74 2.77 2.46 2.59 8.00 3.27 2.49 4.?3 3.66 2.79 3.6? 3.16 2.20 4. Eiom etriho Toblec for Stotíaticianc.28 3.75 4.66 5.5 19.35 4.39 4.94 1.73 1.l I D.74 2.37 2.98 2.79 1 a^ 1.85 6.18 2.38 2.08 2.7L 2.7L 6.83 2.30 4.42 2.34 2.2q 3.35 2.77 t.60 2.56 4.94 1.79 3.26 3.07 2.t2 4.09 2.90 1.46 2.86 5.99 1.63 2.85 2.53 4.32 2.24 2.lL 2.5L 2.01 2.38 2.79 t.57 r.02 1.2 19.35 2.18 2.3 19.53 2.57 2.01 4.45 8 I l0 11 5.69 3.88 4.5 19.78 t.63 3.96 2.05 2.83 t.87 3.96 4.4 19.54 2.53 2.02 2.99 5.83 2.70 2.55 2.84 2.63 5.89 8.01 2.90 1.58 1.74 8.75 1.57 2.06 2.74 2.07 3.20 3.78 2.66 1.25 2.48 3.89 1.49 3.07 3.38 3.90 2.88 1.84 1.10 2.70 1.00 5.77 L.47 3.78 2.32 2.r2 2.8z r.74 4.49 2.05 4.87 2.41 3.50 1.DD 1.93 1.tl 2.84 3.76 2.25 2.34 3.61 2.79 L.37 3.09 2.20 2.L2 9.85 1.79 2.31 2.46 2.74 4.54 2.96 2.65 1.26 6.27 2.94 1.21 4.59 2.62 4.92 4.01 2.59 1.40 4.39 3.0s 1.50 3.23 3.?9 r.2L 2.24 2.97 1.6L 2.90 2.

43 3.54 20 9.36 2.55 7.68 3.61 6.71 3.58' 2.1 6.1 a.35 4.23 2. Hartley.7r 4.12 3. 3 4 o oot 28.19 11.8 10.78 2.49 2.80 5.04 3.08 3.35 2.96 2.7 99.75 2.01 5.49 5.16 3.21 3.2L 3.3 13.7 10.29 2.l 11.65 9.62 3.2'.?5 8.60 3.13 2.10 4.66 2.90 2.26 4. con permirc de lo¡ autoree y editoree.46 7.78 3.84 2.02 6.63 2.9 9.37 5.35 3.58 4.72 6.84 2.2 29.02 7.66 4.67 5.39 4.68 2.81 3.70 2.4L 4.4 26.44 2.31 4.57 2.01 .66 4.3 L2.40 6.62 4.7 14.68 7.76 2.86 3.70 3.31 3.APENDTCE F 349 Percentila 99 (niveles 0.54 t7 18 19 4.00 2.16 3.79 60 2.99 b.55 3.47 t4..84 2.04 4.01 1.78 2.o J 2.01 3.67 2.11 2t.34 3.01 6.36 6.94 3.75 3.65 3.67 9.07 6.26 4.72 7.74 4.10 2.29 2.95 7.32 4.68 4.81 4.67 2.L4 4.2 18.36 3.64 7.88 5.3 8.4 99.16 3.62 5.77 4.5 26.06 4.1 13.L2 2.8 99.07 4.30 3.6 9.25 4.ó 16.15 8.2 9.93 4.t4 5.74 6.92 2.84 9.02 7.66 2.60 6.0 16.78 3.18 3.29 6.25 4.4 99.30 3.52 2.93 z.62 4.r 26.88 2.10 8.46 2.9 99.38 1.22 3.86 6. página 180.20 4.23.sz 2.l 8 I 99.4.ó9 3.69 3.39 2.82 4.93 2.26 2.74 4.82 7.09 2.21 3.02 2.18 4.85 2.42 4.5 26.r3 2.78 3.96 2.78 9.59 6.10 L2 16 20 24 30 40 60 L20 @ 4062 6000 5403 6625 5764 5859 99.36 2.10 6.03 1.40 8.56 2.66 3.3L 6.40 4.84 6.9 99.47 6.56 6.55 8.56 4.69 3.92 2.oo 7.12 3.42 2.07 4.34 4.06 6.86 2.6 13.64 4.66 2.7? 7.59 3.5 26.88 2.64 3.99 5.83 3.61 4.40 2.66 2.O.65 3.60 4.72 5.16 3.30 3.03 2.?0 1.72 5. para ls di¡tribución F v.28 4. 3.üb D.2 14.20 2.68 8.33 8.91 5.46 3.94 4.60 1.63 4.25 3.46 6.91 6.87 6.65 2.4 27.12 4.r7 3.5 9.64 6.10 3. 8. Biomeúiho Toblec for Statbücbnc.92 2.02 3..63 3. gFados de libertad en el numerador v2 grados de libertad en el denominador x1 I 98.63 6.70 6.42 6.11 6.3 28.L4 5.70 3.t7 2.60 4.82 4.72 7.47 5.56 6.30 7.80 3.17 3.89 4.0 10.86 4.0s 1. 3 4 o 6 .L2 1.4 9.40 3.37 4.46 5.46 2.19 5.22 4.10 4.94 3.46 3.09 3.73 7.36 3.95 4.56 5.0 30.94 2.78 3.86 1.62 2.20 2.94 3.45 s.60 3.37 2.66 2.76 1.0 9.00 2. Vol.44 4.00 3.76 3.06 2.28 4.67 6.26 3.42 5.59 1.54 2.30 3.53 3.63 5. .19 l0 99.82 4.36 4.36 3.48 3.18 3.7 10. 2 (1972).81 6.59 3.43 3.5 26.39 6.63 8.07 2.38 9.80 3.?9 3.00 2.2L 6.45 7.01 3.2 16.60 2.07 3.18 5.89 3.69 2.85 7.91 .4 11.67 3.99 5.29 3.90 3.89 4.0 15. Pearron y H.2 99.00 2.83 2.06 4.70 8.03 3.15 2.64 3.51 3.33 4.70 2.49 12 13 6.6 5981 6023 6066 6106 615? 6209 6235 6261 6287 99.46 3.52 4.23 5.95 1.80 2.66 99.42 3. F.08 6.93 3.b8 2.3 10.03 2.56 4.42 2.94 1.7 16.08 3.2 ?.04 3.2 13.4L 2.51 s.43 4.3 14.50 4.00 t20 Fuente: E.20 4.18 3.4 27.20 4.6? 3. Tbbla 6.39 4.22 5.40 4.52 3.Ll 2.54 3.31 3.1 7.31 4.6 14.35 4.50 4.45 3.41 3.63 4.65 8.3? 3.38 2.2 9.65 6 .64 2.13 3.S.tL 3.21 2.2r 5.29 7.85 4.33 2.23 6.26 3.oD 8 ?.86 3.86 8.3 27.26 4.09 3.93 6.17 4.87 4.86 4.16 5.02 7.67 4.07 5.37 3.74 2.L7 4.51 3.0 9.33 3.87 3.96 3.5 14.26 3.78 3.09 3.se.10 3.87 2.47 3.61 6339 6366 99.96 4.52 3.57 t2.56 3.68 99.31 3.t4 4.41 3.97 6.95 5.19 2.94 3.54 3.98 2.59 3.75 2.66 6.03 5.8 99.5 10.89 7.31 2l 22 23 24 26 26 27 28 29 30 40 fó 4.44 4.72 4.3L 2.18 8. l4 15 16 4.54 4.7 27.5 13.98 6.43 3.17 3.4r 5.60 '7.96 I 10 11 .23 3.89 3.47 2.26 6.7 13.63 3.89 4.5 34.89 3.61 o.00 3.42 3.13 3.32 3.50 2.51 3.5 26.72 2.80 6.99 6.72 2.88 7.76 4.3? 3.41 2.31 7.30 4.71 3.17 3.49 2.4 13.99 3.41 9.54 5.31 9.4 27.64 4.32 2.99 2.11 6.03 3.03 2.86 3.011.39 3.32 5.29 8.6 10.

Apéndice G
Logaritmor dpcimale¡ con cuatro c¡fra¡

N
10

0

I
0043 0463 0828 1173 1492 1790 2068 2330 2577 2810 3032 3243 3444 3636 3820

2

3

4

5

6

I

8

v

1l t2
13 14 L5 16 L7 18 19 20
27

0000 0414 0792 1139 L46L 1761 204L 2304 2653 2?88 3010 3222 3424 3617 3802

0086 0492 0864 1206 1523 1818 2095 2365 2601 2833 3054 3263 3464 3655 3838

0128 0170 0531 0569 0899 0934 1239 r27L 1553 1584 1847 1875 2722 2148 2380 2405 2625 2648 2856 28?8 3075 3284 3483 3674 3856
3096 3304 3502 3692 3874

02L2 0253 0294 0334 0374 0607 0645 0682 0719 0755 0969 1004 1038 1072 1106 1303 1335 1367 1399 1430 L6t4 L644 1673 L703 t732 1903 1931 1959 1987 2014 2175 2201 2227 2253 2279 2430 2455 2480 2604 2529 2872 2695 27L8 2742 2765 2900 2923 2945 2967 2989 3118 3139 3160 3181 3201 3324 3345 3365 3386 3404 3522 3641 3560 3579 3598 37tt 3729 3747 3766 3784 3892 3909 3927 3945 3962 4065 4082 4232 4249 4393 4409 4548 4564 4698 4713 4099 4265 4425 4579 4116 4133 428L 4298 4440 4456 4594 4609 4886 4900 5024 5038 5159 51?2 5289 5302
54L6. 6428

L 23 4 6 6 7 8I 4 812t72L25 293337 4 811151923263034 3 710L4172124283L 3 610131619232629 3 6 9L2t6L82L2427

Partee hoporcior¡ales

22 23 24 26 26 27 28 29

39?9 3997 4014 4031 40t8 4160 4166 4L83 4200 42L6 4314 4330 4346 4362 4378 4472 4487 4502 45L8 4533 4824 4639 4654 4669 4683

4728 4742 4757

30
31

417t 4786 4800 4814
49L4 5051 5185 5315 6441 5563 6682 5798 6021 6128 6232 6335 6435 6532 6628 672L 6812 6902 4928 4942 4955 5065 6079 5092 5198 52LL 5224 5328 5340 5353

82
33

84 35 36 37 38 39 40

4829 4969 5105 5237 5366 5490 5611 5729 5843 5955

4843 4857 4871 4983 4997 5011 5119 5132 5145 5250 5263 5276 53?8 5391 5403

3 3 2 2 2 2 2 2 2 2 2 2 2 2 1 1 1 1 1 1 L | | | L

6 5 6 5 4 4 4 4 4 4 3 3 3 3 3 3 3 3 3 3 2 2 2 2 2

81114L7202226 81113L6L82L24

7t0L2t5t72022 7 9L2 14161921 7 9LL 13161820 6 6 6 6 5 5 5 5 5 4 4 4 4 4 4

81113151719 81012141618 810t2L415L7 7 911131517 7 911121416

7 7 6 6 6 6 6 5 5 5

910121415 810111315 8 9111314 8 9111214 ? 9101213

7 ? 7 6 6

9101113 8101112 8 91112 8 91012 8 91011

5453 5465 5478 5575 5587 5599 5694 5705 5717 5809 5821 b832 59Lr 5922 5933 5944 6031 6138 6243 6346 6042 6149 6253 6356 6144 6454 6637 6730 6821 6911 6646 6739 6830 6920

5502 5514 562? 5539 5551 5623 5635 5647 5658 5670 5740 5752 5763 5775 5786 5855 5866 5877 5888 5899 5966 5977 5988 5999 6010 6075 6085 6096 6107 6117 6180 6191 6201 62L2 6222 6284 6294 6304 6314 6325 6385 6396 6405 64L5 6425 6484 6493 6503 6513 6522 6580 6590 6599 6609 6618 6675 6684 6693 6702 67t2 6767 6776 6785 6794 6803 6857 6866 6875 6884 6893 6946 6955 6964 6972 6981 7039 7042 7050 7126 7135 7202 7210 7218 7284 7292 7300 7364 7372 7380

4l
42 43 44 46 46 47 48 49 60

6053 6064 6160 6170 6263 6274 6365 6375 6464 6474 6656 6749 6839 6928
6571 6665 6758 6848 6937

65/'2 6551 6561

4 5 6 7 91011 4 5 6 7 81011 3 5 6 7 8 910 3 5 6 7 8 910 3 4 5 7 8 910 | 2 3 4 5 6 8 910 r23456789 t23456789 r23456789 t23466789 123456789 r23456778 r23466678 L23445678 L2 34 4567 8 t23346678 t23346678 122346677 r22346667 L22346667
t23456789

5l
62 63 64

6990 6998 7007 7076 7084 7093 7160 7168 7177 7243 7251 7269 7324, 7332 7340
0
1

7016 7024 7101 ?110 7L86 7793 7267 7275 7348 7356
3
4

7tt8

7059 7067 7143 7t52 7226 1235 7308 7316 7388 7396
8

N

2

D

6

I

350

APENDICE G

351

Logaritmos decimales con cuatro G¡fra¡
Partee hoporcion¡les

N
55 56 57 58 59 60
61

0

I
7412 7490 ?566 7642 7716 7789 7860 7931 8000 8069 8136 8202 8267 8331 8395 8457 8519 8579 8639 8698

2

ó

A

D

6

7

8

I
1474

L23456789

7404 7482 7559 7694 7709 7782 7853 7924 7993 8062 8129 8195 826L 8325 8388 8151 8613 8573 8633 8692

74lS 7427
7497 7574 7649 7723 ?796 7868 7938 8007 80?5 8142 8209 8274 8338 8401 8463 8525 8585 8645 8?04 7505 7582 7667 773L

7435 7513 7689 7664 7738

7443 7520 7597 7672 7745 7818 7889 7959 8028 8096

745t 7469 7466
7528 7604 7679 7752 7636 76L2 7686 7760

7545 765r 7619 7627 7694 7701 7767 7774 7839 ?910 7980 8048 8116
?846 7917 7987 8055 8122

r22346567 t22346667 r22346567 112344567 4 4 6 6 1123 112344 4 4 1123 3 4 1123 112854666 4 11233 666 5 6 5 6 5 6

7

62 63
64

7803 7810 7875 7882 7946 7952 8014 8021 8082 8089 8149 8156 8215 8222 8280 8287 8344 8351 8407 8414 84?0 8531 8591 8651 8710
8476 853? 8597 8657 8716

?825 7832 ?S6 7903 ?966 7973 8035 8041 8102 8109

6 6
6

65 66

ot
68 69 70
7L

8162 8169 8176 8228 8235 824L 8293 8299 8306 8357 8363 83?0 8420 8426 8432 8482 8543 8603 8663 8122 8779 8837 8893 8949 9004 8488 8494 85.19 8555 8609 8615 8669 8675 8727 8733 8785 8842 8899 8954 9009

8182 8189 8248 8254 8312 8319 83?6 8382 8439 8445 8500 8561 8621 8681 8739
8506 8567 8627 8686 8745 8802 8869 8915 8971 9025

4 5 5 11233 556 112334 4 5 6 11233 11293445 11223446 3 4 46 1122 11223446 112234466 3 4 4 5 1122 3 4 46 1122 1122 1122 1122 1122 1122 1122 1122 1122 1122 1122 3 3 3 3 33 3 3 3 3 3 3 3 3 3 3 33 3 3 45 456 44 4 4 44 4 4 4 4 44 44 4 4

6 6 6
6

6 5 5 5

72
73

14

to
16 '/ó
79

8751 8756 8762 8768 8774 8808 8814 8820 8825 8831 8865 88?1 8876 8882 8887 892t 8927 8932 8938 8943 8976 8982 8987 8993 8998 9031 9085 9138 9191 9243 9294 9345 9395 9445 9494 9542 9590 9638 9685 9731 9777 9823 9868 9912 9956
0

8791 8797 8848 8854 8904 8910 8960 8965 9015 9020

5 6 5 5

80
81

82 83 84 85 86 87 88 89 90
91

9036 9090 9143 9196 9248 9299 9350 9400 9450 9499

9042 9096 9149 9207 9253

9047 9053 9101 9106 9154 9159 9206 92t2 9258 9263
9315 9365 9415 9465 9513

9058 9603 9069 9tt2 9rr7 9122 9165 91?0 91?5 9217 9222 9227 9269 9274 9219 9320 9370 9420 9469 9518 9325 9375 9425 9474 9523 9330 9380 9430 94?9 9528

9074 9079 9128 9133 9180 9186 5232 9238 9284 9289 9335 9385 9435 9484 9533 9581 9628 96?5 9722 9768
9340 9390 9440 9489 9538 9586 9633 9680 9727 9773

6
5 5 6

6

9304 9309 9355 9360 9405 9410 Q455 9460 9504 9509

3 3 4 4 5 1122 112233445 011223344 011223344 -b1122 33 44 01L223344 011223 011223344 01L223344 011223944 011223344 011223344 011223344 011223344 011223
123456789

o9 93 94 95 96 97 98 99

9547 9552 9557 9662 9595 9600 9605 9609 9643 9647 9652 9657 9689 9694 9699 9703 9736 97.11 9745 9750 9782 982"t 9872 9917 9961
1

9566 9571 9576 9614 9619 9624 9661 9666 9671 9708 9?13 9717 9754 9759 9?63 9800 9845 $890 9934 99?8
a

344

9786 9832 987? 9921 9965
I

9791 9836 9881 9926 9969

9?95 9841 9886 9930 9974
4

9805 9850 9894 9939 9983
6

9809. 9814 9818

9854 9899 9943 998?
n

9859 9903 9948 9991
8

9863 9908 9952 9996
a

3 3

4

N

Valorc¡ de e-^

(0<r<1)
}'
0

I

, .9802 .8869 .8025 .726L .65?0 .5945 .53?9 .4868 .4404 .3985

3

4

5

6

7

8

I
.9139

0.0
0,1

0.2 0.3 0.4 0.6 0.6 0.? 0.8 0.9

1.0000 .9900 .9048 .8958 .8187 .8106 .7408 .7334 .6703 .6636

.9704 .8781 .7946 .?189 .6505 .5886 .5526 .4819 .4360 .3946

.9608 .8694 .7866 .7118 .6440

.9512 .860? .7788 .7047 .63?6

.9418 .862L .77L1 .6977 .6313

.9324 .8437 .7634 .6907 .6250 .5655 .5Lt7 .4630 .4190 .3791

.923L .835:i .?658 .6839 .6188 .5599 .5066 .4584 .4148 .3?53

.8270
.7483

.677t
.6126 .5543

.6065 .6005 .Ü488 .5434 .4966 .4916 .4493 .4449 .4066 .4025

.5827

.5273
.477L .43L7
.3906

.5'.t70 .57L2 .5zzo .5169 .4724 .4677 .4274 .4232 .3867 ,3829

.Eore
.4538

.4107
.3?16

(),:1,2,3,...,10)
L2345678910
.36788 .13534 .049?9 .01832 .006738 .00247s .000912 .000335 .000123
NOTA:
Para obtener
.000045

lo¡ valores

de

e-r

para otroe valore¡ de

I,
=

emplear lar leyes de los exponentes.
.03081.

Ejemplo:

-¿-3.48

=

(e-3oo)(¿-0.r8¡

=

(.0a929)(.6188)

Apéndice

I
Números aleatorios
74640 2349L
601 73

51772 24033
45939 30586 03585 64937
1

42331 83587

29044
06568

4662I
21960
1

62898 2L387 55870 86707 85659
551 89
41

93582 76105

04186 10863

52078
75797
81

25424 45406 82322 20790
98527 30277 60710 06829

1645

02133 79353 03355

31041 96799 65304

56974 12973
36081

37428
171 69

938

50884

19640 97453 93507 88116 14070 rL822 24434 41982 16159 35683

8?056 90581

94271

42t87
74950
15804

95863 51135 57683

5630

64759
56301

09448
21 631

62586 94623
5229A 87843

889

00745 25439
68829 48653 27279

65253
88036 06652
71

67283

85418 16835

49t59

9tt57
17480

7733L

590

t4676
47280

91097

294t4

28L95

47162

362

Respuestos o problemqs suplementqrios
CAPITULO
1

L.57. (a) A= {6,8,10,12,14) (b) A= {clrespar,S(r<Lü
1.63. (¿)

2,s,4,5} (b) {1,2,3,4,5}
{1,

(c) {5i (d) t5}

k) @ (/) {3}

@) {2,6,3}
(¡¿) {6}

1.64. (a) {2,3,a} @ {21 (cl {rln>-0, n+2,3,4\ 1.81. (a) 5/26
L.82.
(b)

(d) {4} (¿) {3} (/) {3,4}

5/36

(c)

0.e8, (d) 2/9

(e) 7/8

) ) (c )
(o

(b

Probabilidad de rey en la primera extracción y no rey en la segunda. Probabilidad de rey en la primera extracción o rey en la segunda o ambas. No rey en la primera extracción o no rey en la segunda o ambas (no rey en la primera y segunda extracciones).

(d) No rey en la primera, segunda y tercera extraccrones. (e ) Probabilidad de rey en la primera extracción y rey en la segunda o no rey en la segunda y rey en la tercera.

1.83. (a\ 1,3 (b) 3/5 (c) 11/15 (d) 215
1.E4. (o\ 4/25 (b) 4/75

(e) 4/5

(cl 16/25 @) 64/225
(c) 118/185 (d\ 52tr85

(e) IL/t6 (Í) L/5

(s) fia/226 (hl 22r/225
(s) 86/185 (h) r82/L85

(i\ (i)

6/26

52/225

1.85. (a) 291185 (b) 2/37

(e) Lr/L5 U) r/5

(i) 9/37 (i) 26/LLL

1.86.

(a)

3/10

(b)

1/10

(c)

315

1.87. (a\ t/2t97 (b) r/L7,576

r.106.
1.107.

(¿)

32,805

(ó) 11,664

r.8E. r/3 1.94 2r/56
1.95. 2ll3r

1260

1.108. (a)

120 10
6

(b) (b)

72

(c) L2 (c) 45

r.r09.
1.110.

(o)
tt.

70

.

1.96. 113 1.9?. t4/57
1.100.

=

1.111.210

8 12
(b)

1.112.

840 ?000

1.101. (a)
r-LO2.

2620

(c\

720

1.113. (a) 42,000 (b)

n:5 60
5040
(b)

lJla.

(a)

L20 150

(b) 2620 (b)

1.103.

1.115. (¿)

46

(c) 100

1.104. (o)

120

(c)

240

1.116. (¿) 1? (b) 163 1.117. (o)

1.105. (r¡) 8400 (b)

2520

20

(ó)

330

(c) t4199

353

354
1.118. (a)
16

RESPUESTAS A PROBLEMAS SUPLEMENTARIOS

* 615A * lSraEz + 20r3As * 1612A3 * (b) rt - 4rsy I 612A2 - 4nyt ¡ Ot (c) ns - íxz * LOr - 10r-r I 5r-3 - x-s (d) 18 * 8r8 I 24ra * 32r2 * 16

6rys

¡

ya

1.119.2016

L.r22. (a) 5/L8 (ü) 11/36 (c)

1/36

r.L23. (aJ 47/52 (b) L6/22r (cl L5/34 (dl 13/17 (e) 2r0/22r (/) 10/13 @) a0/5L (h) 77/442
L.L24. 5/18 1.125. (o)
81 :

44

(b)

2r

4

1.126. (o) (rsOz)(rsCz)(rsCslGsC)/szCn (b,

4152CB

r.127.

(6Ca)(aCz\/MCs

1.128. (o) 9L/216 (b) almenoslT 1.129. (o) 4. rsca/szc¡ 1.130.

Ql

QCz. ¡¡'Ct

*

a'.Csl,l12cs

4(r3Oa\hgC+)/szCss 1025

r.l3E.

(o)

120

(ó)

60

(c) 72

1.131. 2.95 x 1.133. 0.8%

1.139. (a) 3/1250 (b) 237/5000

aproximadamente - 3

1.f40.

3L26/46,656

1.13ó. vT1
L.146. (a)

l.l4t.

(a)

4

(b) 14

@) 45(r"C)/r2C5 (b) (13X2X4)(6)/szCs (d) (5)(4)(3X2)/(52X51)(50X1e)

4/52C5

r.t47.

2/243

1.148. (a) 1.149. (o) 1.150. (o)

126 462 3/32

(ó) , +,- rCn(b) (b)

r

,-tCn-t

1/16 (cl r/32

(d) 1/8
prob. empate

1,151. prob .4 gane

= {i1l21(i. prob. B gane = 5/36,

=

L26/216

1.153. (o) 12l(s:Cr:r)(:roCr:r) (bl 24/(52Cn)(gsCrs)(soCr¡) CAPITULO

2
0

2.38.

(¿)

I
3/8

o

3

2.39.

(a)

0

I
t6/28

.)

f(r)

r/8

3/8

t/8
t

f(r)

3/28

6/14

2.4o.

(a)

t

0

1

f(r)

9/64

r5/32

25164

RESPUESTAS A PROBLEMAS SI'PLEMENTARIOS

365

2.42.

(a)

r
f(r)

0 194,580

1

2 6768

3

4

270,726

69,184 270,725

r92
270,725

270,726

2.43.

(o)

r
F(n)

0

I
U2

2

3

L/8

7/8

I
4

2.46.

(o)

r
f(n)

I
L/8

2

3

(b) 3/4

(c\

7/8

(d)

3/8

(el 718

u4

3/8

U4

2.47.
2"48.

(o)

3

(ó) e-B

- e-6

(c)

e-s kll | -

e-s

F(r)

=

2.49. (al

6l2s

n-:0 ft-"-"" n<o lo (b, r6l2e (c) 1e/116 n=L [o (2rt-21/29 l=u=2 (3r2*21/29 2<r=3 ¡?3 1
(b) f(rj =
4^

2.50. F'(c) =

2.6t.

(a) r/27

(r2/9 0<¡(3 de oha forma l0

(c) 26/27

(dl rls

r<o 0<r=2 2.68. (al rl2 (b) 15/16 (c) \la (d) F(r) = lr2/4 r>2 11 2,64. (a) r/36 (ó) 1/6 (cl Ua @\ 516 (e) r/6 (f) r/6 (s') 112

fo

2.66. 2.67. 2.ó8. 2.60.

(¿)

(a)

(r/6 r = 1,2,3 /,(¡) = {^ otra c t0 s/2 (b) r/4 (c\ 2e/64

(ó)

/r(u)

= {o

(Ale A = l'2'3
orra u

(d\

6116

(¿)

r=0 |.o FJr) - ]-l(cs+r) o<r=r n¿L It t

(ó)

Io I Fz(u) = ) !'@3

tl1

*

al

o<a=l v=l

a=0

(a) (ó)

f(rla\ =/r(z) püaU= 1,2,3 (véa¡ehoblema2.5ó) f fu | r) = fzfu\ para Í : 1, 2, 3 (véace hoblema 2.55)

2.61

.

(a)

((r+u)|fu+l) f(rlu\ = 1lu ^
f<al"l

t)

=

rÍl'

0

5

Y

=

1

otra

r' O=A=I
0

(b)

l(r+ull@+l) 0 < ¿-< l, = 1o o<rsl,

=Y = otray

1

356

RESPUESTAS A PROBLEMAS SUPLEMENTABIOS

; i . ¡

2'62' (a) f(rlal = {':'+az)/(a2t-*l otratr,g=yÉL L0

0<rrl'

0=v<1

;
i |

0<rS1, oVaU l0 (e-u &>0, l"-" r>0, yZL 2.68. (al /(rly)=to n10,y>0 (D)/(yl")=to
2.61.
"fulZr/l pua y ) O; 0 de otra forma
O

0s¡<1,0SgS1 ,, , . (b) f(ulr)=l^ l(r2+u2'll@2+p

,=o,u<0

A¿O

2.68. (2r)-r/zy-rrze-cpar^y ) 0;
2.7O. llr para-t/Z 1y 1 il2;

de oha forma

0 de otra forma

2.72. (o) c(u) =

{t^ ;t:-:;,:" LU de otra'

(D) c(ut

= [r*',:-:'r:,::
I

i:i::
de otra forma

o

2.74. or-t/(L * ul2parau 2 0, u Z 0; 2.77. s(z\

0 de otra forma

=

" {; '' 1"1í,""1.",t
I

2.82. c@)

=

{í'"-''u

:::

(u 0s¿51 2.78. s(u) = 42-u L<uÉ2
[.0 2.7s. g(u) = {'o 2.86.
(a)
de otra forma

2.E3. l/4

-" ;: ;

2.s4.

s6/2*g

n 1'r 2 (ó) r(r) = {: y=s<aIL; a=1,2,3,... ¡r-3-v e-2"(2rrl) ¡ > 0 2.87. (ü a (ü) F(r) = 'ft (ü s"-' n1o [u 2.t8. (a) B/7 (b) 5/7

(d'2618L (e)lls
(el 6e-t

-

7e-o

2.89.

(a) c = (a)

1

(ó) 8e-2 c2=

,

2.9L. 2.s3.

cr=2,

I

- e-4 (ó) 9e-2-lAe-s L0

-

ze-r

(c)

4e-s-4c-?

(iI)

e-z-¿-t {ó

(el 4c-s

0<a<2 (a)Lta e)7t64 (c) t,(c')={:*+ lcc<r (d) rz tr) = lL@+tl de otra forma de otra forma

2's6' (a)

{r-^''
-rn2)

1"t"r0.".,-" (ó)
(r)
o1+

{;t'-"
zlrn

li"ro,".,-"
2.roo. (D) r6tz66 (c) e/16 (d)
2.106. (¿) 46/256 (b) r/14
0

2.e0. (b) ;(1

lrnz

(¿)

2

,

2.e8. s(?)

= {t:"-"' ::,: 210 [0

2.ee.

(b)

7/L8

2JoE. \/r/z

Ft=2.62. 3. (a\ l/2 parae>O (b) lParay>0 .\ +(et/2+e-t/2) = cosht (ó) p=0. 3. 3/2 (bl 3e/4 (a. 3.44. 3. i¿l p4=230718960 2a 3.5 3 (b) r3n/6 (a) 35112 @\ (ü \Elm. 7/0 (ó) 6/5 3. pl:L L6/3 3. nx=lE (al (a\ (ü) Var(X)=3/80. pí= 2. 3.ó6. Fz:3/80. yí= 6.7 3. 3.E1.64.61./3s12 3. 3.RESPUESTAS A PIOBLEMAS SI.6E.47.ezt\/zt2 (D) p = 4/3. 3. <1 (ó) p = l.5e. (o) (f + 2te2t . pi= 2. (a) (3r +2\/(6r*3)para0 5 ¡<i t¿l lsu+Z)/(6u*3)para 0 = a = | 3.(b) 1 (c) (ó) 1 (d) 1 (c) 0 (/) 0 (e) 73le60 ?3/e60 y'?s/e60 t¿l r/Tils6o -u64 (f) -r5/7s (a) 233/324 (b) 233/324 (c) (a) \. Fz:5. (c) 1/(1¿). 1e/10 (¡t') 6/6 a/3 @ 1 \Ng 3.78. (a) (a) 2/3 (b) 2/3 G) aB 7/a (c) @\ Als 3.'PLEMENTARIOS CAPITULO 3 3.\klzk+t(k+ll I qeiab co)/ao 3. 3.55. 3.48.E0. 3. 3.E4. 3. 3. 3. 3.50.68. pn=33 (c) (bk+r'st<+r)/(k* 1Xb-o) peiaa (sen (ó) [1+(-1)k](ó -a. (e2ia-Zie2ia-ll/"2 (a) (¿) (¿) Lr/144 (bl rr/L44 1c¡ t/iJttz (¿) (¿t) \/-LUr2 (e\ -L/L4a 0 -!rr 1 . pí=1.54. pí=0. 3. p3 =-L2lll60.60. o*=1/t5/ZO 4 (b) 2 (c) . p¿=35 (b) pr = 0.77. pi= Al=0.46. pá: t6/5. 3.67. ps: -5.65. (o) (a) 1 (b) I (c) rla (c) 3. ú= (a) h=0.79.69.66. 10.74. 3/2 n (b) -2e/6 Lla !4 3.57.83'.45. 3.62. (o) 1 (b) (o) Var(X)=5. (c) 315 3. pz=7-. 3./m/L8 (d' \rzssñ8 (e) -9L/32a (Í) -sr/235 4 tb) 4/\/35 -t/tst¿. (tr'l 3/4 (bl L/4 (c) 7/r2 (b) 7/6 (c) 7/4 (d) 2/3 (a) (a) (e\ U) 2/3 @) (¿) I (bl 2 I 3.82.72.43. (a) 1 lb) 7 (c) 6 3.

119. (bl 3614 (1 @l atg (b) 2/e L (c) * 2te2t - e2')/2t2 (el -2\/fr/r6 (d) -(1 + zibe2ia .f 6/9 7lr2 o 3.91. (al 3. (o) no eriste (ó) (c) 3 -1 (c) e-z *0 3.121 .109.127. 3.90. 3.123. (o) (a) 3. (o) (ó) ln 2 (D) I 3.1or. (a) x Var (Y lX) 0 5/S I 416 2 (ó) Y Var (X I Y) 0 I 2S/36 2 24t49 3.100.85.114.358 RESPUESTA"S A PROBLEMAS SUPLEMENTARIOS 3. (o) 0.120.L22. .[o ) 3. (o) 3.###parao < nr 5r 3.124.5 02. (a) x E(Y 0 I 2 (ó) Y 0 I 716 2 lxl 4/3 I 6/7 E(xlY) (ó) 4/3 u2 3. (¿) 3.r/r-tsnflo) (ó) \F@i @ tlfr.05r 3. ffiParao rle (b) 1 6x2*6n*L s r:< I . t"l .125. (¿) 1/y'5 3.89.e2.8/2 (ü) 1/3 (c) 0 . (a) 3.. (a) r 2 0 (ó) 8(21/2-r)/L6 (D \.118. (a\ L 3.103.10E.10a. (o) (c) 8/16 1-+y'3 (bl v2 3.116. (o) 3. (o) 1 I (ü) (ó) (y'3.105.126. (a) 3.o)/6 (a) -7/27 (c) 2(et-l-t¡¡¿z -Z(e--l-ü¡¡"2 (e) r/136 3. (b) 2415o (ü) e (al (a) (b) 6/e (b) 1/18 (c) (et * 2e2t + Sezt)16 (d) (d) (eto + 2e2to + 3e3.eziarlznl u) 12/6 3. (d) 1- (1/\.1)/4 (c) 16/81 3. (a) (b) r/4 (b) 0. (o) (c) 3 (ü) 3 3.ze-t (D) no existe (al 2(\F-Ll/3 (b) L6t7 2 0 2 7/3 r/3 2t/2 (b) e 3.94. (o) 1 3.17 (c) 0.113.

4 (¿) 0. -0. 4.t9.61. 4.E6.550 (c) -0.64.68.3% (a) (o) (a) (o) 1.0079 0.9198 (c) 0.9500 0.67.82.76.90.75 (b) -1. (c) (p) 0.7123 0.85.73. 11/16 (dl 518 (a\ r7lL62 (a\ (a) 5/16 (c) 4.15 (b) 0.89. 57/6a Q\ 2r/32 (b) (ó) 4.I RESPUESTAS A PROBLEMAS ST'PLEMENTARIOS .t"/o 0.9495 (b) (ó) 0.66. 4. 4.74.0668 (a\ 20 (b) 36 (cl 227 (cl (d) 40 @) 15% 4.08 (d) r.66.7% (b\ 54.86 (c) 2.E1.87.63.0567 (b) 0. 4. 4.s27 1.2511 (b) 0.77 (a) npq(q (o) 1. 4.1127 (dl2.5.1342 0. 4. 4.0?86 (c) 0.849 (e) tt. 359 CAPITULO 4 4.6404 (d) 0.0838 (b) 0.G¿s 4.7% (al e5. 4.76.0154 (e\ 0.1494 0.69. 4.84.92. 641243 25 (c) 500 4.E3.049?e (ó) 0. 4. 4.0% (c\ 93. 0.8?67 (b) 0.7t.2241 (d) 0. L93t5t2 (a\ @) 32/243 (bl re2l243 k\ a01243 (dl 2421243 42 (b) 3.93.E8.9962 (b) 0. (a'¡ 6L. 4. 4.5976 (c) 0. 4.78.91. (a't (a) r/64 Ua 250 (b\ 3/32 (c) l5/6a @\ 5/L6 (e\ 15/64 (l) 3/32 (g) Ll6a (b) 11324 4.6826 4.06131 .0286 (d) 0.995 0.726t (/) 0. 4.1008 (c) o.626 ó 0. 4.03?5 0.77 (c) 0.0658 4.4% (bt 23.90 75. 84 (bl 8. (o) 0. (a') pl (b'l npq(l - 6ps\ * 3n2p2q2 -1.62. 4.a7% 4.0687 0.e265 (d) 0.80.05610 (b) 0.4232 (o) 0. (al93% 4.0089 (o) (o) 0.6 (b) e (b) 72.03eb .2991 (c) (o) 0.224r (e) 0.1680 (/) 0.

0 (d) 8.62.8164 (ó) 0.1b82 (c) 0.Lo4.r?r.L29.64.0 (b\ 4.L26.0 (b) 4. - 2.40 oz.005? (b) 2 (c) ninguna (dl 24 6.0 (d\ 2. (a) 0. (o) e.LB 4.r y 26.3 (d) (d) 55.81 (bl2.9544 5.84 (d) 4.829 1.l 86.47 (c) 9.5 (b\ 4. ('f) (l?)/(l?) (iSX?SXtt) sla 0 (b) (ó) (ó) (ü) l(¿ocoxzoc2ol+(4oc'l(nctsl* (qoc)(ncnl)taoczo 4.? 3/4 16.) 4'106' (c) 4.008 = oz. @) 2.49. (a) 0 4.138.B 4.51. (a) r 4. 82S\fe (b) (ü) (b) 2(b-al4/6 e/5 113 6.68 2. Ll4 aJLa. (a) 0.111.47 (c) e. (¿) 4.008 oz oz (ó) (b) pX pX = 22.2 (c) (c) (c) 2B.6e64 (/) 0. (a\ 3/4 . (a) 201. (o) sx = 22.tr2.00g oz oz oz.04462 (c) 0..4972 (ó) 0.16 5.136.8b2 (e) 0.000948 (ó) 0.1 4.ro9..2 zr.0918 (d) 0.1033 (c) 0. (a) 2.2 4l.75 1. (a) 237 22.1? v 7!r= !4.3/8 4.160? (d) 0. (a) (ile)/Q?) .L27.0228 (c) 0.128 (d) -1.40 oz.s a8.8 68. o* = 0.13?.75 2.2 2s6. 0. (c) p. (a) 9.r2o. (a) (d) (el 2. (o) 5/3888 (b) 5/324 4.50.101.s 20.73 -0. (a) L22.4 ft\ *e-tn -1"-.t : 5.0000 . (a) 0.40 o¡ ligeramente menor que 0.2 (c) suponiendo áreas iguales en las dos colas.rr3.128. oi : 6.00J8 (d) 1.03 (¿tl 2.0620 4. (a) 4. 22.62 (b) CAPITULO 5 (c) 0.53. (o) B0.130.58 5.L32.136.BB (d) -0. (Q 4.35 L7e.0e (c) (c) (c) (c) 1.48 4.00248 (b) 0.gs (e) z.4O 0. ¡2.s? 4. (o) 0. o* = 0.0 (b) (b) 4.7 (b\ 4.000295 4. (a) ?0/429 (b) l/143 (c\ L42|L4B 4105 (. (a) 1.76 1.s5 z. @\ 4.b9 84.71 (ó) (b) (b) 1.94.L4L.ro2.166 6.360 RESPUESTAS A PROBLEMAS SUPLEIVTANTARIOS 4.55.34 2.60 3.o rí.861 (.r03. (a) e. (a) 4.

003 pulg.11 5.3265. 99.8 lb. 0. 5. 5.06 pero máe cerca a 0. 501.92. (c) 146. (a) 5.76% S. (o) ñ = 2. 5.t1 5.6% = 0.3226.01 (c) menor que 0. (¿) 0.?4 lb I 2 (d) 126 0.97. .113. (a) 24% (b\ rL% 5.3196.49 0.82. (a) menor que 0.. (o) 0.81. .1.0064 (c) 0'4504 5.01 (b) menor que 0.108.47 (ó) e = 5.01 y 0. 0.00 6.10 5.01. 5. 8.73.3204.a84 5.0136 0. (a) 82 6Jo2.RESPUESTAS A PROBLEMAS SUPLEMENTARIOS 5.322.2 6.65. (@) 0. 6.111. 6 0 -1 (ü) 40 4 6 (c) (c) 288 (d) (d) 2188 (b) 0 26.00496 pulg.60. (o) 0.72642 pulgadas 26.326-0:328.91?2 6.101.1%..0316 5.9596 (c) 0'1161 . . (o) (o) (ó) (ó) 11.60 1'. (c) 0.60 5.60 0. 12.6% (il 0't ts.0. (b) 0. (a) 2 6 6 (b) 996 (b) (c) 218 12 5.90 5.76. 6.33? 6.0. .. (c) 0. 0.8869 28.106.0019 (ó) 0. (o) 0. (ó) 38.36 (ü) (ü) 0'17 0. 11.56.6 (fl @) a6% 100 (horas) (s) 62/a00 (h) 25.20% ton.2160 (b) 0.00?? (ó) 0. (o) 0.72. 5.9 lb 5. (¿) (o) (¿) (b) (b) 0.1841 (cl (o) 118.o% 78.105.1o9.e5. 5. .E6.0 s ?9 5.0006?6 pulgadas (b) 72.LL2. (a\ 2.104. 86 5.7L. 0. (o) 10. 5. 5.0026 6.59. 80Eo.49 (c) 0'28 5. 0.01 (b) entre 0.01?9 5.66.3%' 99.9t. 78 á.68. (ó) 0.323-0.99.26 5.33?6 pulg.50?.93. (al 4018 6.6.6 (d) 10995.?33 (c) 0.74.tO.0482 .?9 0'0228 lb (b) 0. .7o. (a) ?99 (ü) 1000 (e) (c) 949.5E.t7. (c) 0.326.94.166 ó 16.62.8664 (c) 0.63. 5. 1199.0% 76 5. (o) 5. 5.100.33f0.67 0. 0.7349 pulg. 46 (@) 0.0028 (b) 0.96.86 (ó) (c) -e1 (d) 63 .L6 (ü) 0. 6.09 tons. O.

u (o) al menos 323 hr (b) al menos 560 (c) al menos ?66 (b) 1.073 i 0.34. 0.000025 pulC.2464 (b) 52.000060 pulg.493e (b) 5.31. (a) 6.43.09 t 0.62 6.?0 r 0.35 (e) 26.00002b pulg.e5 5.124. L9. (¿) ffiz: 0.2344.18. ms = 0.36. (o) (b) 105. (ó) 11. 6.36.4 4 (i) (il 706. (o) 0.116.125. 6.86 lb reepectivamente 6. 0.045 6. -1r7.5 horas.09? (c) 0.72642 + 0.?0 * o.0586.4 hr Las estimas de las desviacionee típicas de la población para los tamaños de muestra 30. (c) 0.24 tons.7.82. 0.11 (ó) 0. rn2= 5.25.0696 r¡¿o 560 (c\ r.2 106 (ü) (b) 8.0 y 100. n4= 0 -0.2 (d) 7158.298 0.1 ó.7.68 a 0.74 5.07 t 6. (b) 0.70 t 6. 101.38.97.3?. 2. tb9 5.88.38 (hl 22.r5 (c) 0.130.Se (ó) ?.362 ó. 60 y 100 tuboc son respectivamenüe.12t. Las estimas de las media¡ de la población son 1200 hora¡ en todos los casos.84914 6.39. (a) 11.24 lb2 (c) 0. (o) 0. 6.122. 0.29.123.117.428 24.0ab t 0.38 I (a) 0.L2.72642 + 0.22.241 7. 1193. ó.115. (q') (c) e2. m1- 89.045 0. 0.16 onzas 0. m1 :0.38 (a) ?.18 tons. 5.28 (b) (s) ?8e.?3 onzas onzae (ó) Z.128.129.41. (o) 0.69 I 0. 0. 6. (d) 032642 a 0.¡'TARTOS 5. 6.131. = -3.40.9?.53743.546 2. 42 5. 6. 26..09 t 0.0090 CAPITULO 6 e. m1 = 0.38 384 (b) al menos 221 (c) al menos 666 (d) al menos a 1. -0. (a) 5.112 .118. (o) ?8.000095 pulg.tu.298 t 0.?8 y 0. (bl 0. (a) 0. (b) -4. (o) al menos 96 (ó) al menos 68 (c) al menos 16? (d) al menos 225 900 (o) al menos (o) 7.0? (b) 0.6.049 segundoe 6. 0.94 Laprimeradistribución (a) la aegunda (b) la primera 5. (a) 0.127.12 hr t 0.2 (b) 0. 7 RESPUESTAS A PROBLEMAS ST'PLEMEI.62 r 0.72642 t 0.09 t 0. (a) 1200 hr 6. (o) 0.22 0.20 (f) 7. 0.030 eegundoa (D) 0. 6.000072 pulg.126.72ti42 t 0.30.36206.41. 0. 101.5 lb (b) 0.82 0.000085 pulg. 6.96 onzas t t I 0. (o) 1. (o) 9.33.

?. El re¡ulüado significativo al nivel de 0. 0.79 kl) t2.58.Bb 6. (a) (IIe: p=0. (d) Rechazar lfe ei se extraen más de 41 bolasrojas. (a) Aceptarlahipóteeissilasbolasrojarextrafdasestánent¡e22y42 rcchazarlaencasocontrario.5 a CAPITULO 7 7.06? a 1.259 a 5.6 horas 2400 ! 59 libree (b) 87.58 e 2. Sí. 7 No se puede rechaza¡ la hipóteric al nivel de 0.14 (a) 0. (a) 63.(b)0.56.52.99.62.05.05 en ambos en!¡ayos.67.70 (b) 0.5 (ü) 102.8 horas 6.64.00 (ó) 13. (a) 95.1 a 148.66.) (e) t2.4 horas hora¡ horas (b) 78. .6 ¡ a 1g0.4E. (b) Se puede rechazar la hipótesis d nivel de 0.15 6.68.51. (b) Ensayo unilateral. k = -lln - (ct. (o) a 230. -= 3' 2tritl "'+r3l 6.50.8 t 0. es 7. (Hi p> 0. (a) al menos 87.5).02 (a) 0.63.69..673 a 2.24 249 onzas lb (ó) 63.1 a 140.7O.8 (b) 0. 7.17. 139. 6. mediante un ensayo unilateral en ambos caso8. .2606 7.9 1?0.r. (c) Rechazar 116 si se extraen más de 39 bolasrojasy acept:ula en caso contrario (o no tomar decisión alguna).1 horas 6. 6.5). rechazarla en caso contrario.70 6.63.8 l: 0. (a) 0.. r = .78 (b) 0. (o) t¿.06 (c) t2.269 (o) 0. 86 lb (b) 1800 t 328 lb (c) 1800 t S82 lb 6.0 4802 (ó) al menos 8321 (c) al menos 11.ó4.458 a 4.61.654 a 1. 1.ó2.9 6.20. 2400 t 45 librs¡. 7.250 6.60.65. en ambos nivelea.5 horas (b) 88.46. I _ ()rr)/r¿ 6.6% 105. (o) No se puede rechaza¡ Ia hipótesis al nivel de 0.lre 24 y 40. Se puede rechazer la afirmación a ambos nivele¡ mediante un enaayo unilateral.138 a 10.05. (a) 1800 t 6.69. (c) 106..519 a 7.944 (b) 0. 7. y se acepta en ceso contrario (o no se toma ninguna decisión). (a) 6.45. (c) Aceptar la hipóterie ¡i las bola¡ rojac extrafdas esüán ent.49.01 en (o) ni en (b). 6.1 a 288. kt') 0.31 onzas 6.58.9a1 a 2.RESPUESTAS A PROBLEMAS SUPLEMENTARIOS 363 6.?41 a l.

01.8E. es 7. Un ensayo unilateral rnuestra que a ambos niveles el contenido -nedio en cobre es más alto que el señalado en las especificaciones.64 1 0. f (x) = T.0118 7. 3.77.96. 7 (a) si (ó) no . 49.96 onzas (D) 8.79.0. 12.86. (o) t 0. 11.63 onzas 7.6.73. 50.87.2. 7. E aparente decrecimiento significativo al nivel 0. 5.6. [.3rL2 8. y 4.01. Mediante un ensayo unilateral al nivel de eignificación de 0. 7. 7.9.e0. 60. 15. 7.7ó. 7.01.20.05. Un ensayo bilateral a ambos niveles muertra que el producto no cumple con las especificaciones. 7.E3. 4.64 + 0. E resultado es significativo a este nivel con un enar¡yo unilateral.83 onzae (c) 8.99. .1.32)r(0.1 y 0. 9.2.06.A1 \¡¿ - lar frecuencias esperadas con 108. ?. No podemos concluir que la primera varianza 8e¡ mayor que la segunda a ningún nivel. (a) 0. 7.84.l0l. 7.5.4.7 respectivamente. 53.t9.01 .94.05. concluimos que el primer grupo no es superior . Un enrayo unilatetal a ar¡bos niveles de aignificación muesha que la marca B es superior a la marca A.36.06.98.7 Un ensayo unilaüeral muegtra quc la diferencirr e eignifrcaüive eB al nivel 0.72.64 (ü) 0. (b) Un ensayo unilateral muestra que I no ee mejor que A al nivel de 0.6 respectiVamente. 66. no ¡e deduce que haya diferencia de acidez.?. 39. Concluirfamos que el resultado no común al nivel 0. 7. Mediante un ensayo bilateral al nivel de aignificación de 0.0 respectivamente.7 respectivamente.2. 13 y 2 respectivamente.71. 7. es ?.1O0.2. 7.05 pero lo es al nivel 0.78.05 pero no al nivel 0. Las frecuenciae eeperadas son 41.0. 7.0118 (c) 0 (d) 0 (e) 0. la¡ frecuenciae esperadar son 32.e5. (o) Un ensayo bilateral indica que no hay diferencia en la calidad de fabricación al nivel de 0.El' 7 Un ensayo unilateral muestra que el proceso no debe inhoduci¡se si el nivel de significación adoptado es 0.34.0.E5.1.4. f (r) = aC"(0.7.7 y 0.?.7.1 y 1.6. no 7. 7 . pero no al nivel 0.82. 4. 14. pero debe introducirse si el nivel de eignificación adoptado e¡ 0. 7. (o) 6 (D) 4 7. 23.6.4.1.9. Un ensayo cambisdo. 7. bilate¡al muestra que no hay eúdencia s ni¡guno de los do¡ nivdes de que la duración media haya 7.ae frecuenciae esperadas eon 1. Las frecuenciae esperadac 8on 1. 21.3.05.05.RESPUESTAS A PROBLEMAS ST'PLEMENTARIOS 7. ?. 43. Un ensayo unilateral muestra que el nuevo fertiliz¡¡¡¿ superior a ambos niveles de significación. Un enrayo unilateral indica que no disminuye la media a ninguno de loo do¡ niveles.76. 0. Podemos conclui¡ que la primera varianza es mayor que la regunda a ambos niveles.81 ln 7.6t)l-r. pero no lo e¡ con un ensayo bilateral. El aparente incremento en la vai'iabilidad no es significativo a ninguno de loe dos niveles. 13. al eegundo.tO.

sea mejor que la B d nivel 0. (b) El ajuste es bueno pero no "muy bueno".05 pero no al nivel 0. ? . ?.L23.132. 7 . (o) El ajuste 7. 7.L72. La hipótesis no puede rechazarse a ningfin nivel. (c) si no si no (c) no (c) no ?. . La hipótesis puede rechazarse al nivel 0.129.2205. La hipótesis no puede rechazar¡e al nivel 0.06.01' 7. (El hecho de que las puntuacionea sean mejores que el promedio puede ser debido a un mejnr acierüó en las en¡eñanzaa o normaa de puntuación menos exi' gentesoaambascosas).1L7 . ) Un ensayo unilateial al nivel 0. 7.LO2. 0.0872. (a) Un ensayo bilateral al nivel 0. (b) El ajuste es pobre al nivel 0.728. Mediante un ensayo unilateral.3179 (con conección de Yatea) 7 .0.134.05. 7.3863. . 7. La hipótesis no puede rechaza¡se a ninguno de lo¡ nivdes. La hipótesis puede rechaza¡se a ambos niveles.114. La diferencia ?.105. (o ) 10.113. esto es consistente con el Problema ?. La hipótesis no puede rechaza¡se a ninguno de los niveles. La conclusión es la misma. ?.05 indica que á tiene una mayor proporción de bolas rojas que B.05.05. El proferor nuevo no sigue las miemas nortnas que los otroe.109.05 no rechaza la hipóteris (b de proporcioneo igudes. (b) (b) 7. 7 . 60.RESPUESTAS A PROBLEMAS SI'PLEMENTARIOS 365 7. No hay razón para rechazar la hipóteeis a ningún nivel. ?. No hay razón para rechazar la hipótesis de que las monedas ¡ean hon¡adas. el re¡ultado er significativo al nivel 0. 7.116. (a) 0. 7. (a) 0. (o) 7. Puesüo que la dietribuciónbinomialdaunbuenajustedelosdaüos.103.1985 (conegida) (D) 0. No al nivel 0. (o) El ajuste es muy pobre al nivel 0.110.133.106.109.11f es es significante al nivel 0.124. 1.0738 (corregida) 7.06. Igual conclusión.t25: 0. 7. 0. 50 respectivamente ( b ) La hipóüe¡is de que lo¡ reeultados ae'an iguales a los eeperadoc no 8e pueden rechazar al nivel de significación de 0. La hipótesis puede rechaza¡se a ambog niveles.06 pero no al nivel 0'01.13?.465t 7 .10? .05.05.104.115. (a) (b) (c) no ?.139. No puede concluirse que la marca A 7. tul e no (b) 10 si (c) 10 (d) 8 7. bueno (b) no (o) El ajuste es "muy bueno".118.138.108. ?.

46¡r*l 8. (o) (ó) 2. (a) 8.69.84.9?.398 (ó) 192.s912 (ó) 0.1r4. (o) 8.66.304 (ü) 1.24.oooo t 0.gBB+o.r3. (o) 0. (a) 0.13 + 0. (o) 1. (b) a = 29.448 8.5t*3.0 4. u = 6.E0.91¿6 y y 0. Mediante un ensayo unilateral no puede rechazarse la hipótesie.96.6 E.88.70.0 a 19.6633 1.87.115.096 o * 0.661¡ (c) r = -14. (a) 0. (¿) t 3.rz 8.7l4r (b) "=t*lu 10.s72 80.9818 8.92. (a\ 0.24 (b) 8. (o) E.r1y (d) 7g 95 t. (o) (ü) t.151{" ¿O ó U -92. - 1.90.0 t 5.?801 y . -0.2928 y 0.14(L.427Y 61.9 2.107. (a\ u=-i+í" 6 u=.9927 8.IBB72 616 8.4 si no no si E.89 * L.64y 8. (o) v=0. (a) 24.Z.66r * 2.8. B.188 ¡ (c) r32 8.?600 y 0.0 8. (a) z = 3.1 E.6 1. 0.71.14(10)0.6t-t.28 (o) (ó) Mediante un er¡rayo unilateral puede rechazaree la hipóteaia. 37.111. (b) d 8. =0.366 CAPITULO 8 RESPUESTAS A PROBLEMAS SUPLEMENTARTOS 15o 8.500a (cl r = 2.138 t a 0.60 (ó) 17.85. 2.8961 (b) u = 8.000 + 0.21 0.E6.) 1.77 y -.?3S(n-B)2 6 41.67.5 (b) (ó) g?.8r*12 (b) r= 0.00 8.14¿0.108.60 (ó) 1.126s 'y 0. (c) 37.?961 y (ó) 0.113.?8 + 1.r10.60 8.80 E.0 t 8.81.112.6606 (ü) 0.00*1.89. 0. (a) 3.74.21r*O.szos 8. (cr.64.6tly E. r¡o¿ = fi -o. ft (d) Bg? (b') A=32. (o) 1. (¿) 0.968 (b.68.ss56' 8.408 + 0. 75/p 8. (a) 0.00 t _1.08?86 o¿ (ó) (c) t?0 ft.20 E.109.00 (c) ?.8861 1 t.96.00 6 r= (¿) 1. (bl u = 4.40 6 A:32.79.0 a (b) B?.2 (c\ 182.20(r-B) +0.99. E.29y 8.

9.129.126. Flay una diferencia significativa en los métodos de enseñanza al nivel 0-05 pero no al nivel 0. No hay diferencia significativa en el color del pelo o estatura.42*2.11?. 9. 9. No hay diferencia significativa en operarios o máquinas.7096 y 0.4f.0.24.¡es5añosconorigenen julio de 1935.lgxsilaunidadxesLl2añoyelorigenesel ¡ es un año y el origen es el 1o.9653 (D) 8.32.l31.42.4 (b) 116. No hay diferencia significativa en operarios o máquinas.3?.7 (e)1977 1o. una diferencia significativa en sus calificaciones a ambos niveles. Ilay 9.9*4.01. 8. CAPITULO 9 9.6402 si la unidad 8. No hay diferencia significativa en fertilizantes o suelos.33 r .43.01.35.05.23.43.01. 9.05. flay 9. (o) u = 3.L27.36 lb 3.120. 0. tlay 9.deenerode1954.4653¡z. .05. 0. 9. de julio de 1950 (d) 142.6158 E.38x E. llay 9. (a\ 20. 9. 415 8. 9. Igual al hoblema 9. Hay una diferencia significativa en el tipo de maíz pero no en los suelos al nivel 0.01 .30 pulg. 9.1083¡*0. No hay diferencia significativa en los sitios o fertilizantes al nivel 0.38.33. (b)y:18.26. 9. 9. No hay diferencia significativa en el tipo demaíz o suelosal nivel 0.4547 8. una diferencia significativa en marcas al nivel 0.05 pero no al nivel 0.RESPUESTAS A PROBLEMAS SUPLEMENTARIOS 367 8.39. 9. 0.4 libras 8. 9.27. Igual al hoblema 9.31.(b)y:722.25.01.9254 y 0.05.34.7 y 173. No hay diferencia significativa en neumáüicos a ningún nivel. 9.dondeyeslanatalidadpor1000habitantes.125.16-0. una diferencia significativa en operarios pero no en máquinas. (c) si no (ó) 8.40: No hay diferencia significativa en neumáticos o automóüles al nivel 0. No hay diferencia significativa en los métodos de enseñanza o plantelesal nivel 0.116.44. Hay una diferencia significativa en los sitios pero no en los fertilizantes aI nivel 0. una diferencia significativa en rendimiento a ambos niveles.36. 9.oy:107.66.128. llay una diferencia significativa en neumáticos y automóviles al nivel 0.38.130.

Q.4E.46. sílo son. llay diferencias 9. pero no otras dife- ' ltray diferencias significativas en tipos de cables pero no en operarios. 9.52.55.54.47 No hay una diferencia significativa en rendimiento escolástico debido a diferencias en estatura. al nivel 0. llay diferencias 9.01 las diferencias en los puntajes del examen debidas al estado veterano no son significativas. y canüidades del primer compuesüo químico.62. No hay diferencias significativas debido a sitios o fertilizantes.3. ltray diferencias signifrcatiyas en especies renciag signif icat ivas. fuual al hoblema 9.66. No hay diferencia significativa en los puntajes de I.ó. 9.Q.54.49. No hafl diferencias significativas debidas a los factores o tratamientos.64. . pero hay diferencias debidas al I. Al nivel 0.368 RESPUESTAS A PROBLEMAS SUPLEMENTARIOS 9. No hay diferencia significatirra en tratamientos a cualquier nivel.Q. pero las debidas al LQ.61.63. significativas en los puntajes de los exámenes debido al estado veterano y al I. No ha! diferencias significativas en los puntajes de los estudiantes de diferentes partes del país. 9. significativas debido a los sitios pero no a los fertilizantes. 9.45. 9. 9. No hay diferencias significativas debido a los químicos o s¡tios. FIay diferencias significativas debidas al factor 1 pero no al factor 2 o tratamienLos A. 9.05. B. color del pelo o Iugar de nacimiento. máquinas o fortaleza de cables. C. 9. 9. 9. 9.

284. 349 distribuciones gamma. 115. 1 (uéos¿ también conjuntos) clases y frecuencias de clase.310. 291 26r.320. 225 análisis combinato¡io. 97 también varianza) dewiación tÍpica. 143. 56-60 pua el caso continuo. 108. 26+ 246 püa datos agrupados. 84 ajuste dé datos por la. 344 curua parabólica. 259 típica (uéose desviación tíPica) desiación media. 3 1 5 altamente significativos. 13 2. 135 distribución bimodal. completa. ó conjuntos iguales. 2 (uéose deteminación. 46. problema. 118 valores de Ias percentilas de Ia. 33O cuadrados latinos. 164. 78 diseño de experimentos. 297 poblacioml. 134.145 ajuste de datos por. 177. conelación y reg¡esión üneal perfecta. 112 clasificación simple o experimentos de un factor. 218.244 cuwa nomal.269 cunas de regresión no lineal. 30. 2. número desigual de obseryaciones en 312-315 experimentos conjuntos. ' dife¡encia de conjuntos. 345 tipificada. 83. Bernoulli. 2a6-2a7 . 9.297 teo¡ía muest¡al de.118 propiedades de la.112 219. 1 51 contado¡ Geiger. 234. 112 relación de la a la distribución binomial. 184 categorías. 29G 292 correlación gradual. 7L. 247 332. 138. 1O8.242.311 aleatorios. I29 aproximación normal a la. 82. lO9 (véase tomb i¿n distribución no¡mal) distribución geomét¡ica. 268 r23 aproximación de la dist¡ibución de interl¡retación probabilfstica de la. 11O á¡eas bajo la. 1l uti¡izando p¡obabilidad. 115. 268. 217. 328. 9. 3 dimensiones o unidades. 26O clase. 34ó cu¡va normal tipificada.169 negativa. 1 conjuntos disjuntos 3. 116. curua de ajuste. 2 constante de Boltzmann. 263. 264. 116. 306. 1 18 distribución chi-cuadrado. 2a5'247. 321. cumplemos. 316 27 distribución binomial negativa.26l múltiple. 2ll.118 distribución hipergeométrica.97 dist¡ibución binomial.3f6 bloques aleatorios. 237 dispe¡sión. 23A. 2ó8 94. 295. 317. L24. 139. 109. 213. 332. colección. 133. 266. 118.86.78.2 conjunto universal.lndice Ajuste de datos po¡ distribuciones üeóricar. 46 casillas. 82. 246 muestral. 315. 321.213 Bridae. cuenteo. 21 diagramas de Venn. 117. 316. 319. L28. 47. coeficiente de.112. 31 curtosis. 11. dewiación. 142 relación de la con la binomiál negativa. 127. 10.243. 1O9 relación de la a la distribución normal. 1 77 combinaciones. 23. 316.2L6 área bajo la. r97. 347 como caso especial de la distribución gamma. 133 . 92- curua cuadrática. 115. 136. 118 distribución de Poisson. 342 axiomas de probabilidad. 81. 31ó álgeb¡a de sucesos. 219. 161. 118.37 Cambio de variables.324 cuadrados ortogonales. 163. 6 conección de Yates para la continuidad. 99 (uéase tombién distri' bución normal) áreas bajo la. 11. 248 curuas de aproximación.2A2. 40 control de caüdad. 92-94 teoremas sobre la. 263. 224. 296 Poisson a la. 111 r34 distribución de Pascal.125. 130. 118. 264 curyas OC.294 generalización del. 309 media y varimza de la. 4 conjunto vacÍo o nulo. 258 relación de la a la distribución norrnaI. l. 263. 267. 248 decisiones estadlsticas. 112 de Ia distribución normal. 24O. distribución gaussiana. 117 ¡elación con la chi-cuad¡ado y t. 85. 232-236. 22O.L28 relación de la a la distribución de Poisson. 198. 264. 26 4 coeficientes de confianza. 163 decilas. 3 264. 31O. principio fundameotal de. 232-236. 28L-284 ensayo de tripótesis y significación para el. 9. 316 diseño experimental.244 conelación. 306-338 fórmulas cortas en el. 88. 8ó decisión.135-137.348. 267. 266 (véose tom' bi¿n conelación y reg¡esión) curva de potencia. 108 bloques. 197. 217.263 covuianza. 333 cociente de inteligencia. 21 1 desigualdad de Chebyshev. 11. 244 264. 135 teoremas sob¡e la. 117. 183 de la distribución binomial.129 distribución exponencial. 6 conjunto nulo. coeficientes de. 112. 144 cont¡ngencia. 296 independencia y. 217. 116 cuenta. 6O. 94. 168. 119- 310. 78. 1 13. reglas de. 316 bondad del ajuste. 269 ensyo chi-cuadrado Pua la. Só. 24 complemento de un conjunto. 11. 114. 85.28l-244 fórmula p¡oducto-momento para el. 115. 316. 2L7.281-289 tabla. 344. 268 generalizando. 89 282 diagramas á¡bol. 311. 13 conjuntos bien definidos.246 Datos agrupados. 11O. 315. 47.97-99. 117. 118. 3O7. 12. 3f6-321 clasificación tríp¡e o factor tres expedmentos. 25 coeficiente de conelacion. 116 reJación de la a la dist¡ibución normal. 297 distribución de Bernoulli (uéose distribución binomial) distribución de Cauchy. lO. 263. 25-2 7 análisis de v xianza. 295. 19ó coeficientes de correlación múltiple.322 para experimentos de dos factotes. 264. 82 cuadrados greco-latinos.293.316-321 aproxirración de Stirling a nl. 139'141 teoremas sobre la. 119 distribución ¡'. 47 para el caso disc¡eto. 177. 83. 216. 46.324 el.333 para experimentos de un factor. 258.11-13 teoremas sobre. 129. 220. 26 4. 239 propiedades de la. 316 püa de tres factores. 258-3O5 gradual. 230 coeflcientes binomiales. 27. James. 254. 345 ordenadas de la. E4. 217 convoluciones. 109 de la distribución de Poison. 5 completa aleatorledad. | (uéase también conjuntos) columna de conteo.315. 112. 134 cuilas cdacterÍsticas de operación.163 centroide o centro de gravedad de los datos.237-239 aleatoriedad. L27. 61 disÉibución beta. 246. 1 conjuntos medibles. 265-267 coeficiente de correlación lineal. 1 17 moda de la. 306- continua a la derecha. 221-226. 100.

194 estimas sesgadas. 297 e¡rb¡ o residuo. 16G162.ent. 343 función de densidad. 279 efectos de bloques. 28t. 54 de sumas de variables aleatorias. 22L- experimentos de un factor. 49. 83. 81. 91. 243 ensayo de bipótesis y significación. 162 distribución multimodal. Futl. en téminos de varimzas y del coeficiente de conelación. 40. 194-2LO. 160. pua variables aleatorias contfuruas. 4ó. 342 función característica. 157 de dewiaciones típicas. 2L4. 3O8 error tfpico. 285. 16ó. t¡ansformación Z de. 222 escalera flor. 1ó7. 16-321 225 la. 260. 198. 213. 263. 84 distibución uniforme.214 püa pequeñs muestras. 231 experimentos de clasificación doble (uCose experimentos de dos facúores.318 de vuianzas. 27 O. 52-56 continuas. traslación de. 113 distribución Maxwell. R.lores medios predichos. 223. 109 propiedades de Ia. 286 fórmula producto-momento para el coeficiente de cor¡elación lineal. 260 ejes.263. 213 para va. 286-287 . 31 1 experimentos de Mendel. 199 insesgada (u¿ose estima iDsesgada) estimas de máxlma verosimilitud. 306 Fistre¡.179 distribuciones de frecuencia ¡elativa. 41 de funcit¡nes de vadables aleatorias. probabilidad de.266. 82 distribuciones de frecuencias. 311 distribución t Student) 163 acumulada. 311 notación paa. 217 ensayos de dos colas. 124-127 ajuste de datos por la. 112 de la distribución normal. 214.201 esti¡nas insesgadas. 194 e¡aor tfpico de la estima. 266.277 para el plaao de regreslón de mfnimos cuadrados. 3 Ecuaciones norraales pua la recta de mfnimos cuad¡ados. 158. 113 experirnentos aleatorios. 119 distribución muestral. 114 relación de la a la disEibución binomial.274. 113. 5 enfoque uiomático de ptobabiüdad. 261. 198. 159. 44 . 276. 164 distribuciones de fiecuencia acumulada. 1ó chi-cuadrado y. 164 acumulada. 261. 142 distribuciones condicionales. 313-315. probabilidad de.268 pua grar¡des muestras. distribución de 2t6.244. 77 espermza condiciona!. 297. 259 estimador insesgado. 194 (uéate estimas insesgadas) toñbién mediante diferencias de medias. 4 espacios muesfales discretos. 237. 43 teoremas sobre la. 81 ble. 238 bidimensional. 263. 80.229-231 2L con repeticiooes. 42. 2 interacción en el.2A6 224 espacio muestral.171173 de medias. 4 esperanzar 76. 162 de difetencias y sumas. 199. 168- de ¡elaciones de vuiauas. 216 Fermi-Di¡ac. 178. 216. 4. 63. 25. 94. 312 efectos de lnteracción. 35 estadfstico no puamétrico. 164 acumulada. 260 elementos o miemb¡os de los conjuntos. ó2 de funciones de vuiables aleatorias. 2I9.196..267 formas igualmente factibles. 164. 162 INDICE efectos de tratarniento. 324-327 variaciones pa¡a. óó estatura de padres e hijos. 41 conjunta. 77. 43-46. ó3.294 fómulm de Euler. 118. 196.226-228 mediante diferencias de proporciones. 314.249 distribución nonnalr 109-1 11. 267 3-2L5. 138. 114. 2L6.312. 212. 98. 2ó9. 61-63 distribuciones co¡iuntas. 216 para coeficientes de regresión. 4ó para valiables aleatorias dlscrets.139-141 ¡elación de la a la distribución normal. 290 . ó1. 341 fracaso. 6 ensayo chi-cuadrado para bondad del ajuste. 141 probabilidad. 206. 5. (pe¡cepción ext¡as€nsorizlr. 4 46. 194 estimas por intenralos. 179 relativa. 13ó función de densidad para la. fó8. 213 ensayos de una cola. 156.2t6 ¡elación con la teorÍa de estimación.A. 52 distribuciones de probabilidad condicional. 2L9. 290 estima.61.4. estadfstica. áreas bajo mediante relaciones de varianzas. 163. 92. 117.160.177 enfoque de la frecuencia relativa de 308.216. 293. 1O8 . 26ó también esperanza) estadfstica Bose-Einstein. distribución f de Stud. 86-E8 condicionel. 6. definicid¡ de la. 186 estadlsticos muestra¡es. 221-226 mediante proporciones.215. 36 función aleatoria (uécse vuiable aleatoria) función beta. 44. 111 teo¡ema de la unicidad para le. 4 espacios muestrales no disretos. 64 293.¡ecuencia marginal.282. 160. 194. experimentos de dos faetores. 266. l6 3 frecuencia relativa.22L.2La. 218. 184 de medianas. 116. 94. 194 estimas po¡ puntos. principio de. 115. 178 (uéo¿e 213 mediante la distribución f de Student. 5. 1O8 expansión binomial. 161. 36 E. 162. 211267 estimas no eficientes. 83. 4 espacios muestrales inflDitos contables. 81 fórmula de Spe¡man pa¡a la cor¡elación gradual. óo conti¡uas. 326 función de distribución acumulada. 6 enfoque clásico de probabilidad. 1Og de la distribución de Poisson.293.370 media y vaxi^nza de la.39. error típico de la (véose ettot tfpico de la estima) estimación. 289.S.294 pa¡a la püábola de mlnimos cuad¡a- teoremas sobre.pua el coeficiente de correlación. 92. 312 Einstein-Bose. 38. 84 distribución multinomial. 162. 1 de proporciones. 161. 48.47 disc¡etas. 47 interpretación gráfica de la. 39. 164 distribuciones de probabilidad. 1?3-176 de varios estadísticos. 164 f¡ecuencias elementales. 289. 262. 6 fórmula de inve¡sión. 287. 2t6. 138. 267. 231. 236 mediante la distribución normal. 162. 163. 39 (uéase tambíén funciones de distribución) función de distribución conjunte. 76. 156. 159. 41 distribuciones de probabilidad discret¿. 296 derivación de la. 306-31O. dualidad. 3 7 Fisher. 194 estimas. 133 distribución Weibuü. 137. 8l totales. 77 (uéose dos. 262. 81. 14. 1O8 expamión multinomial. I76. 117 relación de la a la chl-cuadrado y F. 99 de la distribución binomial.178. 14. 163. 132. mediante la disúribuclón F. 241 3 mediante medias. 45 función de densidad conjunta. estadfstica (uéose estadís- tica Bose-Einstein) e1e x.6 286. 157 función de densidad normal tipificada. 16ó-168. t7l enfoque a posteriori de Drobabilidad. 264. 212. 17?179 acumulada. 278. 29A espacios muestrales infiniio no conta- fumión complementaria de error. 198. 44.P.) distribución porcentual de frecuencias. 267 pua valores predlchos. 262. 218 frecuencia porcentual. ?7 muginal. L4l 11 8. 273.279- 164. 117. 111 distribución nomal bidimensional. 117 disribución trimodal. 44 va¡ianza pa¡a. 4O. 220. 299 er¡ores del tipo I y del tipo II. 297 f¡ecuencia observada. 2L9. 269. 118. éxito. 265 77 38.226-22a mediaate la distribución chi<uadrado. 2r9. 44 dis¡etas. 43. 1ó espacio muest¡a] finito. 295. 44. 215. 198. 110 espermza matemática. 266 para vrimzas. 163. 157. 113. 117 teoremas sobre la. 38. 4 espacids muestrales continuos. 194-210 eficiente. 119. 6 enfoque a priori de p¡obabilidad. 346 media y vaianza de la. zLl. 310.

171. débil ros) (ué¿se muestras independientes. potencia de un ensayo. 166-167. 186. 1 56 partículas radioactivas. 259 método de comprensión.84 Papel gráfico de curya normal.165. 1 polÍgono de frecuencia. 17? niedia.312 ordenadas. 55. 94 moneda cargada. 40. 79 momentos condicionales. 196. ll. t71. 211. 13ó de la distribución d€ Poisson.¡los abierto y cetrado. 183.23O Herencia.312. 312. 155 población binonial. 311 mediana. 84. 19ó nivel de significación. 266. 43 4O 268. 156. 48.313 ? probabilidad. 183. 46. lnteÁ. 259 para curvas. 2 logúitmos comunesr tabla de. 80. 83. 217 259 236. 1O9. 308. 3 ¡ey conmutativa. 1r6. 96. 2 lntcnalos de confianza. 83. 342 fórmula asintótica de Stirling pa¡a la. 1á6 con o sin remPlazamiento. 114.219. 194. para la convolución. 214 histograma. 69 para datos agrupados. 47. 11ó. 1 56 independientes. f16. 309. 217. 276. 79 alrededor del origen. 43. 44 371 molécula de gas ideal.221 experimental o descriptiva. 269. 156 196 Ley asociativa. 6 suma de los pa¡a la distribución chicuad¡ado. 269. 1ó5. lf l. 123 de la distribución chi-cuadrado. 11? de un conjunto de números. 341.179 ojivas porcentuales. (uéqs¿ rectas de mÍnitnos cuadrados) método y fórmula clave. 3O6 medias de tratamiento. 3. para la convolución. 224 niveles de significación. 264. 3Oo funciones de distribución marginal. 156. 243 pua paábolas. 2. L21 Jacobiano. 18O- población normal. 2t3. 86.98 de la dist¡ibución binomial. ensayos de. 156 tamaño de la. 12. 97 medidas de dispersión. 2O4. L22. 6 muestras. 156 población multinomial. poker. 21?.97 (véase tanrbién esperanza) pados. 157 media total. 308. 342. 47 para conjuntos. 171. 277. invuianza baio üanstotmacióD. 159. 259 ir¡tetcepto. 26O intetsección de cotiuntos. 179-183 la distribución binomial. 177. \24 ley de los grandes números en forma ley de los gtandes núme- Iey de los grandes núme¡os en forma tuette (uéase también ley de los grandes números) leyes de Morgan. 1 método de expansión. 84. 1 7-2O función de la. f96-202 L44. lO9.5ó marginal. 311. 206 semi-cerra2dO. 85. 211 (uéase tombián ensayos de hipótesis y significación) hipótesis nulas. 136 gráficos de control.272 función error. 113. 76. 159 normal. 49. 39. 164. 196 población finita. ró9 población infinita. 117. 19ó. 198. 224 tabla de. 206 modelos matemáticos. ó3 niveles de confianza. 123 la distribución de Poisson. 1ól momentosr 79. 13 en los zucesos. 26L. 38 marginal. 196 muestras aleatorias. 96. 158 I. 2. 351 loterm.237. 61-63 conjunta.297 miembros o elementos de un coqiunto. 343 central. 44. 156 parámetros de la. 97 mejor cuwa o recta de ajuste.Q. 1ó1 grados de libe¡tad. 159. 177 muestreo. 179 acumuladas. 352 números complejos. 313 polÍgono de frecuencias 179. 3. acumulado. 213 números rleato¡ios. 163. 79 condicional. 97. 11 método de mínimos cuadrados. 164. 42 para variables aleatorias discretas. 99 pe¡cepción extransesorial (udase E. 1ó6. 45 funciones de distribución. ó4. 1. S. 39 condicional.166. 111 21 E inte¡ralo semi-intercuütÍlico. 1O función paso. 98 integr¿les especiales. 36. 196. 158. 163. .266 pe¡mutaciones. 1O9. para datos agru- Gas ideal. 27 . 48 probabilidad de causas (uéos(f teorema teoremas de la.5 probabilidad condicional. 199.297 198 para rectas. 1 (véase también conjuntos) prábola. 89-91. 45. 6r 3 ley de los grandes números.249-292 n factorial. 47. 1ó8. 4O función factorial.44. 86 Marca de clase. 1óó. 13 lÍmites de confianza.) mÍniinos cuadrados. 156. para la convolución. 79 intenalos geml-abiertos o dos.179183 momelltos centüales.164. 8O. Ojivas. 268 para vuiables aleatorias continuas.D. 155. 54. 8O función monotónicamente creciente. 95 para las pruebas de Bernoulli. 26. 157 media ditmética. f 56 alrededor de la media. 1ló de la distribución F. 342 fórmula de recunencia ptala. l2 computación de la. 203. ó6. 76. 8. r23. pea conjuntos. 198 dist¡ibución de muestreo de la. 2O2. 84. 312 g¡an total. 23O inferencia estadística. 39. 126. 3.241 hipótesis estadísticas. 195 lÍmites fiduciales. 2 núme¡os ¡eales. 40.49. LS7. 292. 178 moda. 177.45. 85. gran media. I 55 integrales de Fourier. 3O7. 205. 6. 195. para el análisis de la varianza. 212. 44. 306. L78 I paradoja de Russell. 221 experimental o descdptivo. 41. 45. 110 eomplementaria. 84 (véose también media) media muestral. 21 hipótesis. á1 lÍnea real.. 164 operaciones de coniuntos. 84. 165. 5ó. 241 tabla de. 342 función gamma. 1 44 pe¡centil¿s o valores percentüa. 84. grupo control. 200 número.22O.293 medidas de centralización. 3 inteivalo de clase. 84. 217 gráficos de control de caüdad. 47 Pata conjuntos. 111 de la distribución ú o de Student. 2 pea vErian¿as. 197. 15ó. aproximación de Sti¡ling a. 37 Poisson. 342 27. 350. 96 de la dist¡ibución beta. 112 de la distribución normal. 204 para medias. 117 modelo matemático lineal pua el análisis de va¡ianza. 164.234 pare propo¡ciones. 184 teorÍa de correlación y regresión. 197. 94 función escalera. 266- 4t. 3O6 de de de de medias de grupo. 306. 96. 1^O.INDICE función de probabilidad. 81.2O3 para relaciones de vuianzas. 6 moneda b-omada. 8 3O7. 76. 27-23 población. 195 (uéose tambíén lÍmites de confianza) IÍmites reales de clase.268 funciones de probabilidad marginrl. 117 la distribución normal. 96. 13 Iey distributiva. funciones de densidad marginal. 112 la distribución F. 44 g¡andes muestras. 184. 163. 199-201 grupo. 85. 1ó8. 89'91. 163. 63 función de Drobabilldad coqiuDts. 163. 76 de una muestra. 227. 2+2. 32 parámetros poblacionales. 97 medias de fila. ó8. 155 aleatorias. 164.342 función gene¡atriz de momentos. 162 no unicidad de la. (cociente de inteligencia). 80 teoremas sob¡e la.50. teorema de la unicidad pea la. 194-206 para diferenciás y sumasr 196.S.P.

284. 198 rectas de mÍnimos cuadrados. 6 suceso seguro.2a2. 112 de la distribución f'. 165. 260. 258. 266. 4. 262.158. 45. 78 unidades tipificadas. probabilidad empírica. 67. 79. 22O tablas de con¿ingencia. 79 pados. 108 pruebas de Bernoulü. 14. 26-27 231.2O2 interpretación probabilística de. 311.114. 17-2O. 5O con distribución dg Poisson. 270 va¡iables aleatorias. 258 punto muestral. I O8 distribuidas normalmente. 41 INDICE sobres. ó-7 sumas es¡reciales. 213 región de rechace.244 representación gráfica. (véase v atianza muesüral) continuas. 26O.294 vaianza.experimentos de dos factores. 78.4 Recorrido. 3O9 ent¡e filas o tratamienúos. 217. 259. 2a9. 31 1 entre y dentro de tratamientos. 4. 2O1 t¡ansformación de Fourie¡. 242. 11O v&iables aleato¡ias dist¡ibuidas uniformemente. 25 Unidades o dimensiones. 1 I O región crltica. 3O8. 81 transfomación. 21 variación. 1Og de la distribución de Poisson. 8O ¡acte¡Ística.287-289 transformada inversa de Fourier. 284.2ó9 coeficiente. 111 vuiable estocástica (véase vuiables valores exponenciales. 1O8 vuiables aleatorias distribuidas de a- cuerdo con la dist¡ibución Poisson. 164. 50 papel gráfico.27l uperf icies. 26O. asignación de las. 269.2a4.2a4. 78 va¡ianza combinada.39 vaiables aleatorias continuas. 30. 269 vdiables-transf o¡madas. 196 tigmpo de reacción.81. 8O dist¡ibuidas binomialmente. problema de los. 26 2 teoría muestral de. 3Og pua las. 326 diag¡ama. 6 algunos teoremas importantes sobre la. región de. 9. 262. 38.273 en términos de varianza muestral v teoría de muestreo exacto. 113. 352 293. 281. invarianza bajo. 38. 1lO va¡iables aleatorias adimensionales. 26A. 63 no conelacionadas. pda la función generat¡iz tos. 79 vriables aleatorias con distribución Be- serie". tabla de. 289. 43 t¿blas de clasificaclón doble. 26I intersección de.81. va. 3O9 regresión múltiple. 29. 7. 223. 264. 151 82 seguridad. 249 de vaiables aleatorias distribuidas normalmente.82 de momen- mente. 112. 289 ecuación. 219 en anáUsis de varianzas. 259. 5 condicional. 3O7. 68 proporciones. 1 ilceso imposible.3il1 Taylor. para un conjunto de números. para datos agrucondicional.284 relaciones no lineales. 195.49. 281.lasificación simple. 160 esperanza de Ia. 123 de la distribución de Poisson. 1?9-183 vriable independiente. caso donde s . 2ó9 Sec¡etaria. f91. variación total.262 27 a. 97.78.260 pua vriables aleato¡ias distribuidas binomialmente. 311. 264-27 4. 63. 260 variaciones. S2 sin dimensiones. 85. 2t9. 115 cuadrado. 3O9. 271 referencias tipificadas. 37 subconjuntos.317.lores esperados de las.94 de la distribución binomial. 158 de la distribución no¡mal. 89. I 1 O pila distribuciones conjuntas. 64 gráfica. 212 regla de Leibniz para la de¡ivación de una integral. ó. 263. 131. 85.63 vüiables aleatorias no relacionadas. LIL. 48. 311 tratamientos. 6.115 variables aleatoiias con distribución chi- ta.85. 48 función de densidad de. 322-327 tabla de c. 261. 289. 5. 3f 3-3f 5. 15 sucesos elementales. 262. 64 probabilidades. 2a7. 2ll (véase tombién ensayos de hipótesis y significación) vaiables aleatorias con dist¡ibución Cauchy. 158.239 problema de la aguja de Buffon. 324-321 residuo. 291) universo del discurso. 79. 46 scesos mutuamente excluyentes. 242. 297 tammo de la muestra. 156 temperatura Kelvin. 183 de la distribución binomial. 164 probabilidad geométrica. 292-294 cov^rianza. 254. 15 utilizando el análisis combinatorio. entre columnas o bloques. 266.272 318 grados de libertad para.161 veiables aleatorir nomalizadas. 27 8. 6. 13O. 11 1. 79. 111 de la dist¡ibución t. 237 . 262. 22O.2a5 vaiación no explicada. 20. 85 sesgo. 112 de la dist¡ibución normal. 176 velocidad efectiva (¡ms). 50 dist¡ibuidas unifomemente. 82 veiables aleatorias normales asintótica- ley de los grandes números paa 109. 1ó8. 264. 266. 27 I relación fineal. 81 transformación Z de Fishe¡.116 función (uéose función de probabilidad) geométrica. 15-17 p¡obablemente significativos. 306. 265. 266. 130. 29. 195 valo¡es de tendencia.161:171 prueba de Bernoulli. 7.38 discretas. 219. 263. 30. 194.123. 3O6 triángulo de Pascal. 38.37. 79 distribución de las. 46. 1O8 variables aleatorias dependientes (uéose variables aleatorias independieDtes) vaiables aleatorias discretas.245 en análisis de varianza. 63. 97-99. 143. 37 serie de Fourier. 312 regresión. 195 desconoce la.110 vüiables dependientes. 2AL. 264. 216 var\anza muestral. 108. 311. 266. 3O7 para . 89. l94 sÍmbolos de inclusión. ó2-56. 263. 52-56. problema de la.159. 58. 114 1ó8. 48. 46. 3O7. 131 prueba del.372 o ¡egla de Bayes) concepto de la. 1O9. 212 ensayos de. aleatorias) 2 2 241. 1 subconjuntos p¡oFiós. 117 de la distribución muestral de medias. 23a como una función de valor real.124 las. 38 variables aleatorias de la distribución de Bernoulli. pa¡a la función ca- vaiables aleatorias independientes. 262. 79 tipificadas de. dist¡ibución muestral de. 263.285 recta. Tabla de probabilidad coniunta. ? sucesos independientes. 39. 49. 243246 tablas de frecuencia (uéose ta¡nbién distribuciones de frecuencia) variables aleatorim distribuidas binomia¡mente. Valores críticos. 45. 3 significación. 317.97 semi-intercuartr-lico.98 serie de Taylor.262 vüiación explicada.259. 8O sesgada a Ia derecha o a la izquierda. 341 ¡elación con las dist¡ibuciones t y F va¡iables aleatorias con dist¡ibución Gamma.89 combinada.249 computación de la. 279 unión de conjuntos.6O teorema del límite central. 1 14 independientes.266.115 vtianza poblacional. ó sucesos. 81. 117 muestral. 216 como segundo momento. I 18 tablas y distribuciones de frecwncias de doble v&iación. 9. 161. 212.111. 266. 259. 49 ¡éplicas. 8 cálculo de las. 26? traslación de ejes. plano. I7 -2O. grados de libertad 311 métodos cortos paa obtener las. 83. 8. 266. 164 dist¡ibuciones de la. 29O curva. 151 teorema de unicidad.2a5 vatiación residual o aleatoria.86. 131 teorema o ¡egla de Bayes. 161. explicadas y no explicadas. 242. 42. 49.318 múltiple. 269.88. 266. 31O. 226 .

.

.

l .

.

.

i cilculo Programación BASIC Ouir¡ica f ísica (en prensa) Ouímica qener¿l Resistencii-.l.ceri.. Genética t/lecánica de los flurdos e hidráuiica Mecánica del medio continuo [!lecánica técnica Meclnica teórica Métodos cuantitativos pdi:. i-rásicas de las ciencias de la .:a de tos fluidos Dinárn'ca de Lagrange Diseñ.: cie concretc a¡'rnado Diseño cr. máquinas Economía internacional (en prensa) Ecuac'rine.ico Análisis'. adrni nistración de empresas (en prensa) Macroeconom ía Micrc¡econom ía óptica Probabil.'M PUBLICADOS EN ESPANOL Acústica Algebra eiementai Algebra elemental rnoderna Algebra lineal Algebra superior Análisis estructural Análisis estructural avanzado Análisis de Fourier Análrsii numc.dad Probabilidad y estadística co.ar ía Ecuaciones diferenciales Ecuaciones diferenciales rnoder¡las Espacio de estadn .ecrilrial Cáicrrlo diferencial e integral Cá!culo superior Ciencias cie ias computadoras Ciencias f ísicas (ieometría piana Geometría proyectiva Lírreas de trasmisión Macroeccnom ía l\'!anual de fórmulas matemáticas Matemáticas aplicadas a ciencia y tecnolog ía Matemáticas f i nancieras I M:temáticas f initas iüatemáticas su periores para y científicos Materiales de construccion Metrices rrr.I$ROS DE LA SERIE SCHAI..i.¡ sist¡ma lineai Estad ística F ísica gcnera I Fundamenrol de matemáticas superio.ren ierDs Circuitos eléctricos üi rcu itos e lectrón icos Contabi! uad I Co¡tabilidad ll Cr:ntabiliciad interrnedia | (en prensa) ContaOilidac' intermedia ii íen prensa) Contabilidaü de costos (en preirsa) Dinám .. Ce mater iales Fletroaiimentación y sistemas de contrei es Geometría analítica Geometr ía ciescri ptiva Ceonletr ía Cíferencia I Teoría de conjuntos y temas afines Teoría Ce grupos Termodinámica Tcpolog ía Trasformadas de Laplace Trigonometr ía \/ariables conrplejas Varialiss ¡eales Vibraciones mecánicas 0-07-03092"9 .

Sign up to vote on this title
UsefulNot useful