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.

962 T Apéndicel Número¡ale¡torio¡ .962 RESPT'ESTASAPROBLEMASSI... liberted . gndo¡ de 346 Apéndice Percendla¡ (f) del¡di¡tribuciónchiruedndocon/¡radordeübcrtrd .. di¡tribució¡ 11..... 863 INDIGT. .. . ApóndiceA Temr¡m¡üemático¡ Apóndice A . ... . 944 .. 369 .341 e z . . 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.....Pás. 348 Apéndice Logaritmor dccim¡lc¡ con cultro cifta¡ 860 Apéndice Vdores de ¿-r ..'PI. ... f .. liberted .EMENTARIOS.. co¡ ry gador de 947 Apénd¡ce Percentila¡ 96 y 99 pera t¡...

Parte I PROBABILIDAD .

.

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. 3. denotamos un conjunto por una letra mayúscula A. pero no un subconjunto propio. 3. Se sigue que para todos los conjuntos exactamente los mismos elementos. el cual es un subconjunto (propio) del conjunto de todos los resultados posibles {L. i.5. EJEMPLO 1. e. EJEMPLO 1._l 'Cupítulo Coniuntos y probqbilidqd EL CONCEPTO DE CONJUNTO 7 El concepto d. Obsérvese que la sola redistribución de los elementos no cambia el conjunto. i. llamados míembros o elernentos del conjunto. léase"elconjuntodeloselementos¡talesque¡es una vocal" donde la línea vertical I se lee "tal que" o "dado que". Al lanza¡ un dado los resultados posibles cuando el resultado es "par" son elementos del conjunto {2. o.e conjunto es un pilar fundamental de la probabilidad y la estadística y de la matemática en general.6. describiendo alguna propiedad conservada por todos los miembros y por los no miembros. C. EJEMPLO 1. escribimos de B. Sinónimos de conjunto son c/cse. b e C. 5.6}. Un conjunto puede considerarse como una colección de objetos. mientras no se especifique lo contrario. A tenemos A C A. En este caso AyB tienen A+ Si A no es igual a B. Sic noperteneceaC escribimos a é C. 2. I a. B. EJEMPLO 1. A y B no tienen exactamente los mismos elementos. de {o. debemos estar capacitados para determinar si un objeto específico pertenece o no al conjunto. 6). ¡ |¡ es un triángulo en un plano ) es el conjunto de los triángulos en un plano.2. El primero se denomina el método de extensión y el segundo el método de comprensión. El conjunto { Obsérvese que el método de extensión no puede utilizarse aquí. e.2. si esto no es posible.4. i. _ Si un elemento a pertenece a un conjunto C escribimos a€ C. o. u. o. { 4 o. Si o y b pertenecen aC escribimos a. a. Si Ac B y B CAllamamosa A y B iguales y escribimos A : B.6\. 4.5. e } es un subconjunto. Un conjunto puede definirse haciendo una lista de sus elementos o.1.Para que un conjunto seabiendefínido. y un elemento por una leha minúsculao. e. puesto que los dos conjuntos son iguales. es decir si B.4. uloporelmétododecomprensióncomo{rlreeunavocal}. u}. grupo y colección.3. SUBCONJUNTOS Si cada elemento de un conjunto A también pertenece a un conjunto B llamamos a A un subconjuntodeB. como siempre lo supondremos. u}. u ) es un subconjunto propio de {o. 4.b.escritoAcB6B:Ayleído"AestácontenidoenB"o"BcontieneaA" respectivamente. El conjunto de las vocales en el alfabeto puede definirse por el método de extensión como { a. EJEMPLO 1. En general. . i. SiA C B pero A + B llamamos aA un subconjunto propio EJEMPLO 1.

1 El teorema siguiente es verdadero para cualesq Teorema I-I. 1-2). 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. el conjunto de todoe los resultados posibles es el universo {L. o simp espacio uniuersal y se denota por u.JNTO VACI( Para muchos propósitos restringimos nuestra d fico denominado el uniuerso del discurso. entonces AC C. 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.9. 5.T. es un EJEMPLO 1. l-3 Fig. CONJUNTO UNIVERSAL Y CONJI. l -2 Fig.4. Si lanzamos un dado.3. 1-4 2. se llamala unión deA yB y se escribe Au B (región sombreada en la Fig. 1-1) se representan por conjuntos de puntos dentro de los círculos. . En tal caso los subconjuntos de zt (como A y B indicados y sombreados en la Fig. o tanto como aB.a CONJUNTOS Y PROBABILTDAD lcAP.2. 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 . 6}1. 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. Si AC B y B CC. Unión.8. Intersección. Los elemenr Es útil considerar un conjunto que no tiene r uacío o el conjunto nulo y se denota por p. El conjunto de todos los elementos (o puntos) que pertenecen a A o a B. sirven para da¡nos una intuición geométrica respecto a las posibles relaciones entre conjuntos. EJEMPLO 1.7. Fig. El conjunto de loe rcsultados que consisten de las caras 7 u 11 sobre un solo dado es el conjunto nulo. EJEMPLO 1. OPERACIONES ENTRE CONJUNT\OS 1. 1-3).

'NTIOS AUB = BUA Au(BuC) : (.guenotienenelementoscomunes'sella¡¡ran coniuntos disiuntos.4u(anC) = (AuB)n(AuC) A-B = AñB' Si AcB. entonces A')B' 6 B'c. escrita por A . A y B son disjuntos. u el 1/. cyf.B (región sombreada en la Fig. 1-4). AnU (AuB)' = A'ñB' (AnB)' = A'UB' A = (AnB)u(AnB') Los teoremas L-Lzo.. 3.74). interrecciones por uniones.cAP.69 AUQ-A.An(BnC) = (¿nB) nC -. t-Lzb A YB y 1-13 pueden y 1. el B y lo escri se llama saXl-B Fig. se B Si A : UB). En la Fig. l-5 Fig.esdecir. 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.AnQ=9 AU'al -. L'L.AñB1C An(BuC) = (AnB)u(AnC') .{ = A Primera ley De Morgan Segunda ley De Morgan Para cualquier conjunto generalizarse (véanse Problemas 1. 4. 1'6). Diferencia.1l CONJUNTOS Y PROBABILIDAD DosconjuntosáyBtalesqueAnB:p.11. se escribe Fig. 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.4u^B)uC I.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 . símbolos de inclwión .

11. 3. g. Un suceso que consiste de un solo punto de cJ frecuentemente se llama un sueeso . 1)).14. donde suponemos que ninguna lámpara eléctrica dura más de 4000 horas. el resultado del experimento es que algunos pueden estar defectuosos. 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. Unespacio muestral que es finito o infinito contable frecuentemente se denomina espacio muestral discreto. etc. 2. es decir SC. Silanzamosunamonedadosveces. Si un experimento consiste en medir "la vida" de las lámparas eléctricas producidas por una compañía. 1. por ejemplo. 1 EXPERIMENTOS ALEATORIOS Todos estamos familiarizados con Ia importancia de los experimentos en la ciencia y en la ingeniería.se denomina espacio muestral finito. por ejempio.SS) caras.1 0. impar) Sin embargo. simbolizado por S ( ó 0 ). Si lanzamos una moneda eI resultado del experimento es un "sello". Si tenemos una máquina que produce tornillos. Los siguientes son aLgunos ejemplos. Si tiene tantos punl'ig. EJEMPLO 1. hay experimentos en los cuales los resultados no son esencialmente los mismos a pesar de que las condiciones sean aproximadamente idénticas.13.CONJUNTOS Y PROBABILIDAD [cAP.SC. si un resultado es divisible por 3.12.elresultadopuedeindicarsepor{CC. Un suceso es un subconjunto A del espacio muestral. o una "cara". EJEMPLO 1. 4. Si tiene tantos puntos como hay en algún intervalo en elejer.5. Sin embargo. si lanzamos una moneda dos veces y utilizamos 0 para represenmr sellos y l para representar caras el espacio muestral (véase Ejemplo 1. por ejemplo.15. 1-7 donde. se denomina espacio muestral infinito contable.1 ) representaselloen el primer Ianzamiento y cara en el segundo lanzamien[tr.16. Un principio fundamental es que si efectuamos tales experimentos repetidamenle bajo condiciones aproximadamente idénticas obtenemos resultados que son esencialmente los mismos.. 'EJEMPLO 5.2.16. 0 ú :: 4000. es lógico que el último no sería adecuado pan determinar. . l-? tos como números naturales 1. no defectuoso}.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. (0. cara la primera y sello la segunda.12) puede dibujarse por puntos en la Fig.en tanto que uno que es infinito no contable'se llama espacio muestral continuo o no discretoSUCESOS posibles. . EJ EMPLO 1 . Si elemental o simple.. Si lanzamos un dado. como en el Ejemplo 1. si lanzamos un dado el resultado del experimento es uno de los números en el conjunto {L. Así cuando se produce un tornillo será un miembro del conjunto {defectuoso. EJEMPLO 1.2. Obsérvesé que eJ córresponde al conjunto universal. Frecuentemente es útil dibuja-r un espacio muestral gráficamente. 4.tal como 0 f r: S 1. un espacio o conjunto muestral de todos los resultados posibles se da por {1. entonces el resultado del experimento es el tiempo f en horas que se encuentra en algún intervalo. En tal caso es deseable utilizar números en cambio de letras siempre y cuando sea posible.dsdecirdos EJEMPLO 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. EJEMPLO1. 6 | en tanto que otro es lpar.esdecirunodeloselementosdelconjuntóíqs)(ó{0.or . Si un espacio muestrdl tiene un número finito de puntos. sedenominaespacio muestral infinito no contable.CS.6). simbolizadaporc(ó1). . Tales experimentos se denominan experimentos aleatorios.

EJEMPLO 1. Si después de n repeticiones de un experimento. SC. y de estas dos maneras una cara puede aparecer en una sola manera. frecuentemente decimos que los sucesos son mutuamente. que se llama el suceso imposible puesto que un elemento de Q no puede ocurrir. diríamos que hay y 26Vo de oportunidad de que ocurra y un 767" de opoitunidad de que no ocurra. SilosconjuntosconespondientesalossucesosAyBsondisjuntos. 2. EJEMPLO 1. A.17. Enfoque'clásico o a priori Si un suceso puede ocurrir en h maneras diferentes de un número total de n maneras posibles.Puesto que hay dos maneras igualmehte factibles del resultado de la moneda. 4.B es el suceso "A pero no .19. donde n es muy gmnde.cAP. si lanzamos una moneda dos veces. Como medida de la oportunidád o plobabilid. como se indica en la Fig. Al llegar a este resultado suponemos que la moneda es honrado. 1. entonces la probabilidad del suceso es h/n. que es el suceso cíerto o seguro ya que un elemento de eJ debe ocurrii. 2. excluyentes. 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. SS) : eJ A-B- Añ B: {CS} {^SC. AU B es el suceso "Aó B o ambos". w tloríá de conjuntos e inversamente.[ proposicio Fig' 1-8 Empleando las operaciones de conjuntos en sucesos en Así si A y B son sucesos. todos igualmente factibles.lm9s que su probabilidad es cero.como frecuencia relativa o a posteriori. Como sucesos particulares tenemos el suceso en sí mismo.esdecirAñB:Q.B". y el conjunto vacío Q. un suceso ocurre h veces. Esto quiere decir que no pueden ocunir ambos. CC} EL CONCEPTO DE PROBABILIDAD En.18. . CC}. 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". Enfoque. 1l CONJUNTOS Y PROBABILIDAD EJEMPLO 1. entonces podemos obtener otros sucesos en cJ. Equivale adecirque laprobabilidad contrasu ocurrenciaesdel 75% al25vo o de B ai. Flxisten dos procedimientos importantes por medio de los cuales podemos obtener estimativos para la probabilidad de un suceso. razonarno{¡ que la probabilidad requerida es 112. simplemente "cara" y .cualquier experimento aleatorio siempre hay incertidumb¡e sobre si un suceso específico ocurrirá o no. el suceso que sólo resulte una cara es el subconjunto del espacio muestral que consiste de los puntos (0. Por ejemplo. Entonces A : {CS.'sello" (suponiendo que la moneda no se pierda ni caiga verticalmente).ad con la que podemos esperar que un suceso ocurra es conveniente asignar un número enhe 0 y 1. A n B es el suceso'qtanto A como B" 3. entonces ta próbauilidad del suceó es h/n. SS } así tenemos A U B: {Cg A': {SSl SC. A' es el suceso "no A". perosi estamos regutJs de que'el suceso no ocurriú d_e9. 1) y (1. si la probabilidád es de 1f4. Esto también se llama laprobabilidad empírica del suceso. 1-8. Si estamos seguros de que el iuceso ocurrirá decjmos que su probabilídad es 100% ó 1. es decir que no está cargado. CC. 1. 0). B : { CS. En ólgebra de sucesos que coffesponde al álgebra de conjuntos indicada en la e. Supóngase que deseamos la probabilidad de que resulte una cara en un solo lanzamiento de una moneda.

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

. á3 son tres sucesos cualesquiera.4... EJEMPLO 1.5.79.entonces P(A) = P(AnAi + P(AñAz) *'. entonces P(A¿: '!y si A es k=1. entonces 1 6 . Véase Problema 1. En particular.A.21. Hallar la probabilidad de que resulte 2 ó 5. esdecir si suponemos que el dado es honrado. 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...... Podríamos lógicamente emplear otros procedimientos para asignar probabilidades.P(A... 1l CONJUNTOS Y PROBABILTDAD P(Ar) Teorema +P(A2)+. si A (10) t...6}.An (1+) P(Ai + P(Az) + .. como el de la frecuencia relativa de la página 6.+P(4") = 1 (e) 1-19: Si A y B son dos sucesos cualesquier4 entonces P(AuB) = P(A) + P(B) .P(AsnA) (rr) + P(Lt\AzñAs) También pueden hacerse generalizaciones a n sucesos. entonces P(A:U AzU ¿") : P(. Ar. 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. + 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).P(üñAz\ - P(A|¡A.3. Si asignamosprobabilidades iguales a lospuntos muestrales.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. Az.) + P(Ar) + P(As\ .. si suponemos probabilidades iguales para todos los sucesos simples. El espacio muestral es e-I: {1.4. Az..2..B\ Generalizando. + P(ánA") (rr) ASIGNACION DE PROBABILIDADES entonces por el Teorema 1-18 Si un espacio muestral el' consiste únicamente de los sucesos elementales Ar.2.]) .. Se lanza solo un dado.cAP.

se convierte en el nuevo espacio muestral remplazando el original e-I. (b) se da que el lanzamiento resultó en un número impar. + p(A")P(AlA") (20) . 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. P(BIA\:"+#=#=? Por tanto.á PROBABILIDAD CONDICIONAL = t 1 Sean A yB dos sucesos (Fig.2 6 g observamos por el teorema P(Bl = P(r) + P(2) + P(3') = -+-+-= 6662 1l1l suponiendo probabilidades iguales para los puntoc muestrale¡.. 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. AnB Fig. A2. = P(A)P(A|A. Fácilmente se demuestra que la probabilidad condicional satisface los axiomas en la página 6. TambiénP(AñBr:216:1/3. El resultado se generaliza fácilmente a n sucesos. el saber que el resultado del lanzarniento es un número iinpar aumenta la probabilidad de Ll2 a 213.41 ha ocurido tantas veces la probabilidad de que A3 ocura dado que At y Az han ocurido. Denotamos por P(BiA) la probabilidad de B dado que A ha ocurrido. Teorema 7-23: Si un suceso A debe resultar en uno de los sucesos mutua[iente Ar. 1-9) tales que P(A)> 0. . ilamamos a P(B I A\laprobabilidad condicio¡wl de B dada A. A3 tenemos P(AtñAzt\ás) = P(A) P(A2l At) P(Asl Atn Az\ (1e) En palabras. entonces P(A'. . Por tanto P(2u5) = P(2)+P(51 = *. Puesto que se sabe que A ha ocurrido. TEOREMAS SOBRE PROBABILIDAD CONDICIONAL Teotema 1-22: Para tres sucesos cualesquieraAl. . Hallar la probabilidad de que en un sólo l¿nzamiento de un dado requlte un número menorque 4. (o) Si B denota el suceso {menor que 4).Ya queB es la unión de los sucesos 1-18 que 7.) excluyentes á1. (o) no se da ninguna otra información. .22. (b)SiAeselsuceso{númeroimpar}observamosqueP(á):316= Entonces 1/2. 1 indica por 2 U 5.) + p(A)P(Al Azl + . . A. 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 . es decir la probabilidad de que B ocrura dado que A ha ocu¡rido.CONJUNTOS Y PROBABILIDAD El ¡uceso que resulte 2 ó 5 ee [cAP. r-9 EJEMPLO 1.

La generclización a más de tres sucesos se hace fácilmen- TEOREMA O REGLA DE BAYES Supóngase que .. . As son independientes entonces deben ser independientes por parejas. llamado diagrama órbol debido a su apariencia (Fig. surgen problemas cuando la cuenta directa se convierte en una imposibiüdad práctica En tales casos se ernplea el anólisís combinntorio. PRINCIPIO FUNDAMENTAL DE CUENTA. An son sucesos mutuamente excluyentes cuya unión es elespacio muestral ef. entonces todas las fr cosas pueden realizarse en el orden especüicado en nr rr2 . es decir la probabilidad de que B ocuna no está afectada por la ocurrencia o no ocurrencia de á.A1. 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 .2. Sin embargo. que podría llamarse una forma sofisticad. . .a de contar.. Si P(AnBl = P(A)P(B) de (I8). . como se deduce Algunas propiedades de la independencia están dadas en los Problemas 1.23.en n2 maneras diferentes. Por esta razón con frecuencia se hace referencia al teorema fle Bayes como el teorema sobre laprobabilidad de causs. . Ar. V finalmente una k-ésima cosa puede realiza¡se Qr fl. Si un hombre tiene 2 cami¡as y 4 corbaüac enüoncee tiene y luego una corbata. Az. 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.cAP. entonces decimos que á y B son sucesos independicnües. .. . 2' 4 : 8 maneras de eacoger una cami¡a Un diagrama.92. se emplea frecuente' mente en conexión con el principio anterior.91 y 1. es decir uno de los sucesos debe ocurrir. .. . Inversanente. 1-10).¡ maneras diferentes.. = P(A)P(Az)P(A) (qsl Ni (22) ni (23) son sufrcientes por sí solo. ??¡ rn?D€rds diferentes. ¡ealiza¡se EJEMPLO 1.k=t. ANALISIS COMBINATORIO la enumeración o cuenta directa de los puntos del muestreo necesa¡ios para obtener las probabili dades no es difícil.3 (221 'y también debemos tener P(ArñAzñAr) te. Esto es equivalente a entonces A y B son independientes. P(A¡nAx) = P(á)P(A*) j+lc donde j. An que pueden causar la ocunencia de á. 1l SUCESOS INDEPENDIENTES CONJUNTOS Y PROBABILIDAD Si P(B lA) = P(B). Ar. si se cumple (2I) (21) Ar. .

to.P. son del hnr + nz + . EI número de ordenaciones o permutaciones diferentes que consisten de 3 letras cada una y que pueden forma¡se de las ? letras A. .. . . . = .l)(n . en muchos problemas estamos interesados solamenos sin inteiesar su orden. l-10 (25) . .. o permutaciones diferentes como generalmente se les Uarnc está dado { 5 6 8 por Fig. . . EJEMPLO 1. n2 son de un segundo tipo. Llamamos a . lógi tos es Sup n conjunto que consiste de n objetos de los cuales nr son de un nguir entre sí). .10 CONJUNTOS Y PROBABILIDAD [cAP. elnúmero de permutaciones de n objetos lomados de r en r. + .s de escoger el primer objeto. I 2 1 Fig.l.r + l\ donde se observa que el producto tiene r factores. D. 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. G es ¡P:t = fi. consiste de LM.2).7 manerias r * escoger ét segunaoiU¡e_ to-. ?a.1 : nt (26) que se denomina n factorial.6. (n .24. . . El número de permutaciones diferentes de las 11 leüras de la palabra u M/SS/SSIPP. Así abc es di o lo Sin embargo. . rr. Así el núm&o de permutaciones diferentes (28) Véase Problema 1. n. clr no se Aquí. Dichas selecciones se llaman combinah misma combinación. B. Si las camisas se representan por S¡.26. . .. 43 y 2p EJEMPLO 1. (25) se conüerte en = n(n-l)(n-z). Tz. E. 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. F. y luego de hacer esto n de .5 = 210 . = n(n. -se deduce por el principio fundarnlntal de cuenta que el número de ordenácionás. 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. Para el caso particular cuando r: . y finalmente n 1 formas dó escoger-el r-ésimo objeto.P.34.. Tt.. 52 y las corbatas por ?1.P. l-10. 41. C.

s resrreltoa CONJTINTOS 1.podemosesaibir A: {5.'6 = . y)t = r:{ * (Í)". El símbolo .cAP. Problenra. Por esta raz6n decimos que el I unaexpansión asíntótica del lado izquierdo. EJEMPLO 1. U (n Tenemos (véase Problema 1. ._.27.s! COEFICIENTES BINOMIALES 56 Los númerós de (29) se les llama frecuentemente los coeficientes binomiales puesto que provienen de laexpansión binomiat (r 1- u)^ : * . (l)* = APROXIMACION DE STIRLING A r¿ ! xa+ 4x3y!oxzyz *4xy3 +ya Cuando n es muy grande la evaluación de aproximada n! no es práctica. (|)*-lt * (i)*"-.\s/ . EI n(¡mero de manera¡ en lae cuales cartas diferentes es nU. . es la base de los logaritmos naturales.s propiedades interesantes.r'2 :25".48.r.en (33) signifrca que la relación del al lado derecho se aproximá a 1 a medida eü€ /l + o. + ..4 por (c) el método de comprensión y (b) el método de extensión.(t¡*" .yEñn"e-n donde e : 2. se. En tales casos se utiliza la fórmula (38) nl . . (a) A:kl* elementos. .(t)**.-5). Indique cómo describir a.36) ln\ \"/:nt¿r=rl@=T.)" (n) Tienen mucha. 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.:nC.1. que también puede escribirse como (2e\ ("\ \r/ Fácilmente se demuestra que n(n-L\". Para un estudio más detallado de la fórmula de Stirüng véase el A¡Éndice A.e¡decirA .describé dando sus (D) Puesto que t2 :25parar:5y x:-S.28. escogerse o ¡elecciona¡¡e de un (91') 3 ca¡t¿s pueden total de 8 sc¡ = lt) = 8'J. :25)que se lee"el conjunto de todosloselementosde¡ talesque. @-l (:.(n-r-rr\ r! ó nP. . Sea A el conjunto de todos los números reales cuyos cuadrados son iguales a 25.71828. r! (30) /n\ ( J=( /n '. Véase Problema 1.r/\) \r/ \n EJEMPLO 1.

(b) AUB.3.o. Entonces ya que AC B.0._\E}. Aeícadaelemenüodeá esunelemento de C y por tanto A C C.üenemosB:{g.lQ}.5.+.o} u {0.-fr. (s) (AnC) e (Bne. r.-4}n{+. (o) (b) (o {rln+ü} -.+.o. Puesto que no hay un númeror tal que x2 :416x:2. puesto que {9} es un conjunto no voclo que conriste del conjunto vacío. 1.2.pueotoqueloe elementos 3 y 5 son enterosimpares.{0. 2 es wn número re¿l mientras que {2} esw conjunto que consiste del número real 2. (/) (Bn C). -4} y los subconjuntos de u están dados por A : {-\n.-{r). tenemosque¡ € C. Asf.-2ly * )9.8 = {6.5)=0 sólosi x:B6x:6.-rt. seaA={rl*esunenteroimpar). El error radica en escribi¡ {@} por @.5..r} = {0. aA. Por el Teorema 1-8. -rt.6.. r>g} y B: {fr | r<l}.t.4 u n = {-fr.-4} = Entonces (BnC\' = {0. es decir cada elemento de A eetá en 8. +. Entonces {x I x * x} : e.-4}. 1 L.'NT\OS 1.6.15:0).B: eonjunto de elementos en A que no están en B : [0.r. ¿Es cierto que {2} : 2? No.0|.-4} = t-\ñ} (D) .6. (b) "A es el conjunto de ¡ tal que 12 : 4 y ¡ ) 9'.4. Otro método.sededucequeACB6B)Aylrrpropocición Obaérvese que esto se lee es verdadera- 1. DIAGRAMAS DE VENN Y TEOREMAS SOBRE CONJT.-¿}.-4} (c) (AuB) n C = {-{2. pertenecen á. . Determinar cuáles de las proposiciones siguientes son verdaderas y cor¡egir las que son falsas.-tf2.5. ee deci¡ ¡ € A.o. si el universo 'u = {}. Cualquier objeto particular se supone ee igual a sf mismo. (c) (AUB)nC. Si A = {r l r2=4. üenemoe A-B = AñB'= (f) BñC = {6.enconhar(a) AnB.r. Yaque x2 -8x * 15:0 ó (r -3)(¡. OPERACIONES ENTRE CONJUNTOS.4} utilizando el re¡ultado de (b).-. Puestoque el conjuntovacloesunsubconjuntodecualquierconjunto. 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.+. (a) AnB = {-12. página 3. Demostra¡ que si Ac B y B cC. C' : conjunto de los elementos en 'll que no están en C : {0. (d) B' : conjunto de los elementos en t/ quenoestánen g = {0. (d) B'u C'.5.-4}n{0.. el conjunto vacfo. r. no hay objeto que no sea igual a sí mismo. n].r.0}n {5._\E} .5.5. ) La proposición es falsa.o} u {5. (e) A . es deeir B ee un subconjunto de A. entonces AcC.r).2.Demostrarque BcA. (e) A-8.-{2.-r/2."áÁ y porüantoBC 1.". {*.+. Puesto quetambiénBCC.-qyC = {+. ". tenemos x€ B.-4} = {-18. B: {x I x2 -8r+.6}.L2 CONJUNTOS Y PROBABILIDAD lcAP. AsícadaelementodeB perten. entonces B) A.u C.. 5. 0. = {0.-fr}.0.--4} n {+. -4} = {+.r} {*. Sea r cualquier elemenüo de á.0. se sigue queA: @. Entonces B.

8') A = (AnB)u(AnB') El resultado puede generalizane (véase Problema 1. En el diagrama de Venn de la Fig.0} n {*. . = (AnB) u (AñB'). En Ia Fig. 1-11. B n C = {}.-ll .reB 6 r€A.2. (o) Tenemoe págrna 3: (A u Bl : A' n B'. Sea C:8' en el Problem¿ 1.reC) @ | reA"'B 6 xeAnC\ {. 13 el de la parte (d) ilustra la segunda ley De Morgan. (c) Demostrar la primera ley De Morgan. (b) Ilus- har el resultado de la parüe (c) empleando un diagtama de Venn.-¿} [Vóase pa¡te (f)]. (AuB)' = {r I r4Ar-tB} = {" I rCA. Fig. l-12 Obsérveee que un diagrama de Venn no suministra una prueba como la dada en la parte (o).-4} Entonces t. {r {" (AnB) u (A nC) 1. página3:Tenemoo An(Bu C) = (AnB)U(AnC).nn. 1. l-ll Fig.reBuC} I re A. Región sombreada = (AUB)' Región doblemente ¡ÜEÉru¡r qvvrs¡¡¡E¡¡w rayada ]_"7. (A¡C\ u(BnC) : @u {*. Sin embargo.neB\ = {r I neA'. Demostra¡ laprimeraley distributiva.69). 1-11 la región sombreada representa (A U B)'. 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.xeB 6 reC} I s€A. Demostra¡ que para cualquier conjunto A y B tenemos A Método 1.9.8. 1-12.8. 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. Teorema !-L?tt. elconjuntovacío. (AnB) u(AnB') A : {r I reA) = {.al : (ArtB) u (A^B') : (AñB') u (A¡.cAP.-¿l = {+.74). Ao(BuCl = = = = = l r€A.7.@. sirve para euminishar relaciones posibles entre conjuntos que luego pueden probaree por métodos similaree al dado en (o ).r€B') (b) = A' ^B' El resultado puede extenderse a cualquier número finito de conjuntos (véase Problema 1. l reA¡B 6 neAnB'} M6todo 2. página 3. Teorema 1-6. Entonces A n (BuB') A r. (sl AnC = {-\/-2. 1l CONJUNTOS Y PROBABILIDAD Obsérvese que este re¡ultado conjuntamente con Tborema 1-12b.

I diagrama eden de indicarse A U B. (e) A-8. 2. por ejemplo. @) AUB'. También puede considera¡se observando que A. (q AnB.. diez.2).10.UB. es deci¡ rey (ó) 4 n I : {rey y trébol} : {rey de trébol) de trébol)) (c) Puesto que B Luego A U Bt = {trébol}. . . de Teorema 1 era simila¡ todos lo¡ obeervarse de la Fig.1-14. 1.L4 . Denotando corazones. 1. picas.B -{reyperono trébol} Es lo mismo que A ñ B' . de acu gamas Fig. . (f) A. ESPACIOS MUESTRALES Y SUCESOS 1. También puede considera¡se observando que (A ñ B) U (A n B') : A.12. 2. Refiriéndose al experimento del Problema 1. . puede indicarse como {1. (o) Si no tenemos en cuenta los pdos el eepacio muestral consiste de as.nB. (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 ). . .). Describir los sucesos (a) AUB. dos. picar. . diamantes y tréboles. jota. (d) A. rey de corazones.. diamante.-8. 1 EXPERIMENTOS ALEATORIOS.4 el suceso {se extrae un rey} o sencillamente {rey} y B el suceso (se extrae un trébol} o sencillamente {trébol}. diamantes y héboles respectivamente por l. B': {no trébol} : {corazón.).CONJUNTOS Y PROBABILIDAD [cAP. rey.11 com ^ B' . (n A'-3' :{no rey y no "no trébol") : {no rey y trébot}: (cualquier trébol excepto el rey).B.4 u B. B.. pica}. si . Describir el espacio mueshal (o) no se tiene en consideración el palo (b) si se tiene en cuenta el palo. .(g) (AnqU (AnB. . 3.A. 13}. = A. .{rey y no trébol}. : (rey o corazón o diamante o pica). (o) A U B = {o rey o trébol (o ambos. Luego el espacio muestral consiste de 52 puntoo indicados en la Fig. Se extrae una carta aleatoriamente de una baraja de 52 cartas. podemos indica¡ una jota de picas por (11. y (b) Si tenemos en cuenta los paloc el espacio muestral cronsiste del as de corazón.10 sea. (b\ A' se 1. (E) @ nB) U (A ñ B'):{(rey y trébol) o (rey y no trébol)): irey}. 1-13 para describi¡ los s sucesos (a).4. Emplear la Fig. (e) A.n(8. diamanües y tréboles. 1-13.. . picae. reina.11. .

1-15 (1) AUB: AUIB -(. (o) Tenemos AV A' :s[. página 6. Aunque hemos utilizado el diagrama de Venn el i rlu^') ".P(Ar) Puesto que P(. (o) Tenemoe Az : At U (Az . página 6. (c) Teorema 1-16.Ar.B) son mutuamente excluyentee.Ar ) - 0 por el Axioma 1.14.cAP.At son mutuamente excluyentee.^^'rl i' r"u r--' resultado (l ) puede establecerse directarne¡rte (véase Problema 1. asr que Entonces por el P(42\ = P(ár) * P(A2. Para demostrar que observamos que A C et. tenemos usando el Axioma 3 y el Teorema 1-14: P (A u B) | i'.13. 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. axioma 3. Entonceepuesto gue.42 ) = P(Al ).77). Demostra¡ el (c) Teorema 1-14. l-15 (An CALCULO DE PROBABILIDADES 1.15.42 . P(Az.A¡ ) en donde . Encontrar la probabiüdad de . Así por el Teorema 1-14 [partc (o)] y el Axiom¿ 2 P(A) < 1 primero P(A)=P(¿)=1 (c) Tenemos eJ : eJuQ. también ee rigre queP(.41 y Az . Fig. página 6. (b) Teorema 1-15.4n8)l Entonces puesto que los conjuntos A y B . 1l TEOREMAS SOBRE PROBABILIDAI) 1.At) = P(Azl . (b) Con anterioridad sabemos que P(A) > 0 por el Arioma 1.Puesto que P(eJ) sfnp = Q se sigue del Axioma P({)) 3 que s = P(d)+P(Q) 6 = 1. Una carta se extrae aleatoriamente de una barqia de 52 cartas. Demostrar (a) el Teorema 1-17 y (b) el Teorema 1-19.(A ñ .

pica. P. (e) roja o blanca. trébol. (c) un tres de tréboles o un seis de diamantes. (c) azul.10(tr). (f) un diez o una pica" (g) ni un cuatro ni un trÉbol. rcy. diarnante. 13 pot aa. (d) no roja. 1 que sea (g) un as. 1. (e) P(C') - 1 .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. P(4'^T')= 4(4 U ")'l: L- P(4 U ?¡ : 1. (d) un corazón.16 : 36 puntos muestrales en él y cada punto muestral tiene una asignación de probabilidad Il52..n.52. Así.* h* . # -.L ñD ó 1 n ") =P((1 n c) +P(1 nP) +P (1 nD) +P(1 n r) 11111 = 52.2. por ejemplo.10(o) en donde cad¿ punto mueehal. 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. respectivamente.. Pero por el Teorem a 1-t2 (a). D.4' ñ T' = (4 U ?)'.* (d) P(c):P(ln c 62ñc6. a cada punto mue¡hal. Por simplicidad utiücelnos C.# = 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.la probabilidad requerida es 36/52 = 9/13... Asf g n C significa tree de corazoneo. (e) cualquier palo excepto corazones. . (b) blanca. t (b) P(11 ñC¡= :- (c) I * -I^ 26 ) +P(6 ñD¡: 62 52 = I " . ? para indicar coraz6n.sz = Lg Tbmbién había sidq posible conseguir este resultado del espacio mueshal del Problema 1. asignando probabilidades iguales de tl52 : L162. Por tanto puede denotarse por P(4' ñ ?'). en tanto que S U C significa tres o corazón.y 1. P(6 n (o) ") P(1): PG^e ó 1nP ó.[P(4) +P(")-P (4 n T)] _. doo. (b) una jota de corazones. página 6. Una bola se extrae aleatoriamente de una caja que contiene 6 bolas rojas. en particular "as" tiene una probabilidad de 1/13.. Puesto que este complemento tiene 52 .13 ..16. Determinar la probabilidad de que sea (c) roja. 1-16. l-r 1..lsnc) = #.16 CONJUNTOS Y PROBABILIDAD [cAP. 4 bolas blancas y 5 bolas azules. 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. . eeto es 1/4.P(C) = ! P(L0 Ln = ?uti[zando laparte (d)y elTeorema 1-1?.1l _ 9 .. Empleemoe el espacio muegtral del Problema 1. .

--6+4+5=1b=s 662 Nuestro espacio muestral corisiste de 6 * 4I 6:15 puntos muestrales. (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. Un dado honesto se Ianza dos veces.t""i: . que P(nuB):P(R) +P(B):?*# = ? PROBABILIDAD CONDICIONAL Y SUCESOS INDEPENDIENTES 1.2. Cada una de las 6 maneras en las cuales un dado cae en el primer lanzamiento puede asociarse con cada una 6. Denótese por R. B y A los sucesos de extraer una bola roja. Luego estamos buscando P(Ar ñ A2). blanca y azul. Entonees L1 (o) P(n)= Mótodo 2. Método 1.P(At)P(A. P(roja o blanca) : P(R u r) : -"""'.6:36 maneras.También i"-or usado P(. . ' SeanAl elsuceso "4rS ó 6 enelprimerlanzamiento" y Az elsuceso "7r2.'"::.1?.cAP.4 1) :316 (ya que 4. respectivamenüe. Entonces P(ArnAzl . de las 6 maneras en que cae en el segundo lanzamiento. Método 2. debido a que hay 6 puntos muestrales que corresponden a "bola rojatt. . 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. Entonces si asignamos probabili' dades iguales Ll15 a cada punto muestral observamos que P(.5 o blanca También puede resolverse l¡tilizando el espacio muestral como en la parte (c).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). un total de factibles..364en elsegundo lanzamiento". Método 2.J. página 6.3ó 4 son 4resultadosdelasGprobabilida' des igualmente factibles). 6 6 6 en el primer lanzamiento V 1. . . 2. Hallar la probabilidad de obtener 4. Puesto que los sucesos R y B son mutuamente excluyentes se deduce de (4). norparte(c). 4: 12 maneras en que tanto A1 como .::"fl'"". 19 1 .á = | Método 3.R ) : 6/15 : 215.3 6 4 en el segundo lanzamiento.15 . r(RUB)=P(A'): 1-P(A): I . P(AroAr) = P(At)P(A2lAr\ -.H 10 2 6+4 6+4+5 .) '!' .42 ocurren. 5 ó 6 son 3 resultados de las 6 probabilidadés igualmente factibles) y P(Az): ltO (ya que 7. 1l CONJUNTOS Y PROBABILIDAD Método 1.

3) (8. aa {) (6. p(A. Encontrar la probabilidad de no obtener un total de 7 u 11 en ningunó de los dos lanzamientos de un par de dados honrados.6) (2. 6) ({.) = (b) Como en la parte (o). Así ambas cartas pueden extraerse en (52 ) ( 51 ) maneras. {) (5. Hallar la probabilidad de que ases si la ca¡ta (c) se remplaza. 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. \. l-17 Utiüzando subíndices t. r) (2. 1-17. 1-17. Entonces P(ArnA. Por ejemplo (5.2) a a aa (5.6) a (3. todas igualmente factibles. Así que ambas cartas pueden extraerse en (52)(52) maneras. Entonces P(A.18.azamiento la segunda ca¡ta también puede extraerse en una de las 52 maneras posibles. oaa (3. l) (1. Entonces estamos (o) Puesto que para la primera extracción hay 4 ases en las 52 cartas.18 coNJUNTos y pRoBABILTDAD lcAP. l) (3.1) a Se deduce que la probabiüdad de no dada por ? u 11 está 345 Primer dado P1A'¡ '= | .nA") =+:(.2gara indica¡ y 2o.)(á) = P(ArP\A2l (2. /. puesto que también hay 4 ases en las ó2 ca¡tas para la segunda extracción. de una baraja de 52 cartas. a (2. 1 Esto indica directamente que A 1 y A2 son independientes puesto que . Método 1. l'ig. A.' ( #)l#) == # r\ P(A1l:4152. 6) El espacio muestral para cada lanzamiento de los (r. I a a aa (r.l Método 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. si la carta se remplaza para la segunda extracción. También.3) (4.2 a (6. 6) a 1.42 suoeso "as en la segunda P(Arñ A2): P(A1) P(A2l A t)."t (ol La primera carta puede extraerse en una de las 52 maner:u¡ posibles y ya que hay rempl. . Sea A1 buscando suceso ttas en la primera extracciónt' y . así que P(A2l Ar Sin embargo si ocurre un as en la primera extracción quedarán 3 en ) : 3/51.19. r'(A. Puesto que se incluyen 8 puntos tenemos que P(A ): 8/36 : 219.2l a a (6.3) (3. extracción". = las 51 cartas restantes.2) signitica que el resultado del primer dado es b y el del segundo 2. (2."A) = P(A) P(A.tp(A2 A¡\ = (52")(*) = . Se extraen dos cartas. entonces P(A2 | A r) : 4152. todas igualmente factibles. dados se muestra en la Fig. 1. Puesto que los dados son honestos y hay 36 puntos muestrales asignamos la probabilidad 1/36 para cada uno.3) Si A es el suceso "7 u 11" entonces A se indica por Ia porción sombreada en la Fig.P(Al -- L 27 -::99 1o. .2. P(A¡): 4152.6) I (¿. (b) no ambar¡ sean se remplaza.

P(ALñ42) = P(A) + P(A!) . P(A'tuA) = P(A) + P(A) . Hallar la-probabilidad de obtener al menos un 4 en dos lanzamientos de un dado honrado.P(A'rnA'"\ = | .6 : 36. P(al menos un 4) Entonces P(al menos un 4) P (ningún 4) = 1 : 1 .J requerimos A2: : suceso "4 en el prirner lanzamiento o 4 en el segundo lanzamiento o ambos" suceso t'al menos un 4" A2). Así la probabilidad pedida es (4X3) (52)(51) I 2 1. 4 Az 1. Los sucesos A t I Az no son mutuamente excluyentes. lanzamiento) = | . Requerimos P(Rl ñ 82 n A!\. Se extraen tres bolas sucesivamente de la caja del Problema 1. número de maneras en las que A 1 ocurra pero no Az nf¡mero de maneras en las que .Rr n 82 ñ At):p(.P(A')P(A'2| = '! -(8X*) = *" Método 3.Rr ) p(82 lnr )p(A3 In. blanca y azul si las bolas (a) se remplazan.suceso "roja en la primera extracción".16.P(ningún 4) : 1 -P(no 4 en 1er. Así Art. entonces los sucesos son independientes y p(. Sea A I: suceso "4 en el primer lanzamiento" y : suceso "4 en el segundo lanzamiento".20. 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). lanzamiento y no 4 en el 2o.21. I}2 : süc€so "blanca en la segunda extracción". pero Bon independientes. por (1Ol V QI ) = 6'u-\ui\u/ * = * Método 2.42 ocurran : 1 .P(At) P(Az\ 1 r /t\/t\ rr Por üanto. 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(ArU Método 1.A2 ocurra pero : no At : 5 5 número de maneras en las que tanto A 1 como . 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+ \=. Si Rl . Nfrmero total de maneras igualmente factibles en las que ambos dados pueden caer También. : 6. llallar la probabilidad de que se extraigan en el orden roja. (b) no se remplazan. : guCe¡o (o) Si cada bola se remplaza. A3 "azul en la tercera extracción".cAP.

I|2 : süc€so "bola blanca del segundo talego". plear los resultados del Problema 1. otro contiene 3 bolas blancas y 5 bolas negras.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.) . página t.píryina9). Un talego contiene 4 bolas blancas y 2 bolas negras. 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. si se obtiene sello se saca una bola de la caja /I. Si se extrae una bola de cada talego. SeaB¡ : suceso "bola blanca del primer talego".I. 1 : Ar ó A2 ocurraes- 5 +5+ 1 L.41 U Az): 11/36. 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.4 debe resultar en uno de los dos sucesos mutuamente excluyentes At. Puesto queA resulta en uno de lossucesos mutuamenüe excluyentes 1-22 (Problema 1. Asípor P(A) = P(AIA)+P(A^AI') = P(A) P(A i A) + P(42\ P(A I A2) 8. fcAP. (d) P(BtnBil:P(Br )P(B2lBt):P(Br )P(B) = lt!")/-=) + 5/ = I 4 \4 + 2/ \3 P(B'tñnb:pelp@.23) Ay A2. Por tanto P(. Si el suceso ..20 CONJUNTOS Y PROBABILIDAD Luego el número de manera¡ en l¡as cuales por lo menos uno de los sucesos 11.22..)("+-ri-r:ri ---r:\ \2/\2+8/ \-/\-. j Dor tanto ".. . Hallar Ia probabilidad de sacar una bola roja.23 con A: R.. Az entonces A = (AnAr)u(A¡42) PeroA ñAt y Añ Az son mutuamente excluyentes puesto que A1 y A2 lo son. At : I. (c) una sea blanca y una negra.24.2/ 5 z TEOREMA DE BAYES L25. (b) ambas sean negras.26.. Demostrar el Teorema 1-23.24 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). An tenemos por el Teorema P(A) = P(AI)P(A Ar) + ' " + P(A. Demostramos el teorema para el c¡¡so n : 2. pero revela que se sacó una bola . Puesto que una bola roja puede resultar al escoger cualquiera de las cajas podemos em.\P(A:A. Si se obtiene cara se saca una bola de la caja. Axioma 3 empleando (I8). Se lanza una moneda honrada. Supóngase en el Problema 7. Demostrar el teorema de Bayes (Teorema L-24. hallar la probabilidad de que (¿) ambas sean blancas. Así la probabilidad de sacar una bola roja P(Rt - P(nP@ Il+P\II\P(RIII¡ = /t\/ I \ /r\/ z (. Extensiones para valores mayores de n se obtienen fácilmente. La contiene 3 bolas rojas y 2 azules en tanto que la caja II contiene 2 bolas rojas y 8 azules.23. página 8.

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

120 Elnhmerodeordenacionesdenobjetosdiferentesenunafilaes=n(n-l)(n-2\. (o) La primera puede ser cualquiera entre g (el 0 no).1 = 6 1.336 (b) Pq = 6. l. (d) rPr.4. (b) si los números no pueden rcpetirse.T = - 5040 El número de ordenaciones de n objetos diferentes tomados de r en r ea n = n(n 1) . nPr. 1. y 4 mujeres en una fila de modo que las mujeres ocupen los sitios pares. ¿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. á maneras de llenar la cuarta posición. = 5. 7 : 4586 sonlos númerosque puedenforma¡se. Otro métod<¡.r * l) Esto se conoce como el número de permutaciones de n objetos diferentes tomados de r en r y se denota por P. . (b) uPo.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 . hay 9 formas para ocupar el segundo puesto.30.3.. Cuando esto se haya hechó hay 4 maneras de llenar la segunda posición. 4. y finalmente sólo 1 manera de llena¡ la última poeición. 2.. Se quieren sentar 5 hombres puede asociarse con cada ordenación de las mujeres.22 CONJUNTOS Y PROBABILIDAD [cA?. Así pues. S para ocupar el tercero y 7 para ocuparel cuarto.2.9si(c)los números pueden repetirse. Luego hay 3 maneras de llena¡ la tercera posición. El primer número puede ser cualquiera entre 9 y los tres restantes pueden elegirse de gPa formas. ¿De cuántas formas pueden sentarse? Los hombrcs pueden sentarse de 5P5 formas y las mujeres de 4Pa formas.8..29. 1.Pr. 9 .7: 4536son los númerosque pueden formarse. (¿) aP¡ = 8.5. por tlnto: El número de ordenacionesde lag 5 bolasen una filaes En general. es decir hay cinco maneras de llenar la primera posición.rP. Entonces 9' sPs : I .7. L = b! =. La segunda puede ser cualquiera entre 9 (no puede ser la que ocupó el primer puesto).. I . puestos). g. persona!¡ tomadasde 4en 4es = tC. puestos).1... ¿Cuántosnúmerosdecuatrocifraspuedenformarseconlosl0dÍgitos0. (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). Obsérvese que cuando | = tr.3 = 860 (c) . = r¡ ! como en el Problem a 1.32. Halla¡elvalorde (a) .31. (n . Cada ordenación de los hombres Elnúmerodeordenacionespedidoes = "Pr.28. .oPo = 514! = (lZO)\24) 2gg0 1.1 =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. 1 Debemos ordena¡ 5 bolas en 5 posiciones así -.6 . La primera posición puede ocuparse por cualquiera de las cinco bolas. Por tanto: El número de ordenacionesde 10 En general. 3.8. cuando esto está hecho. 8. tercera y cuarüa pueden ser cualquiera de las 10. = e 15 (d) ¡P¡ = 3. Entonces I ' 10 ' 10 ' l0 : 9000 son los números que pueden formarse. .. La segunda.2. (c) tsPt..

¿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. . . que es el total de car¡os que se dan en la ordenación de 7 personas en un círculo. 6l 2l3! - 207 360 (b) Considerar los cuatro libros de matemáticas como un solo libro.35. es decir.. n¡ En general el número de ordenaciones diferentes de n objetos de los eue ?r¡ Soriguales* donde. Entonces. . son iguales. mediante (o). . I 1. (b) si dos personas determinadas no deben estar una al lado de la otra? Considérese una de ellas sentada en cualquier parte. Se ordenan en una fila 5 bolas rojas.. n#l* 1.33.36.9 ! formas. ePz:9 . Pero las dos personas consideradas como una sola pueden ordenarse entre sí de 2! formas. Así pues. Entonces se tienen 9 libros que pueden ordenarse de 9P9 .cAP. COMBINACIONES 1. multiplicando N por 5! 2l 3!) se obtiene el número de ordenaciones de 10 bolas si todas ellas fuesen distintas. colocan en un eslante. . 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. Entonces las 6 restantes pueden sentarse de ?20 formas. Multiplicando N por el número de ordenaciones (o ) de las 5 bolas rojas entre sí. g. la segunda entre 8 y la tercera entre ?. 1 n"+ . 23 (c) ' 8'7 : 5O4 Otro método. ¿De cuántas formas distintas es posibliordena¡los si (c) loslibrosde cada asignatura deben estar todos juntos. se tiene el número total de formas en que 6 personas pueden sentarse alrededor de una mesa. (b) de las 2 bolas blancas entre sí y (c) de las 3 bolas azules entte sí (es decir. Entoncesel número de ordenacionespedido será = 9l a! - 8 709 120 1. n2 son iguales. loslibrosdequímicade2P2:2! formasylostresgruposde3P3:3! formas. 1l CONJUNTOS Y PROBABILIDAD La primera cifra puede elegirse entre g.PorelProblemal. de modo que dos de ellas no estén sentadas juntas es 720 . En todos estos casos los libros de matemáticas están juntos. que lo pueden hacer de 5! formas.34. si (o) pueden sentarse de cualquier forma.34estoes ¡ft - 10'f''8' . Pero los libros de matemáticas pueden ordenarse entre ellos de aPa:4! formas. (b) solamente ios libros de matemátitas deben estar juntos? (o) Los libros de matemáticas pueden ordenarse entre ellos de aPa: 4! formas. ¿De cuántas formas pueden sentarse 7 personas alrededor de una (c) (b) mesa. 6! = Considérense las dos personas que no han de ir juntas como una sola. rt. Entonces hay 6 personas para sentarse en círculo. seis diferentes de física y dos diferentes de química se. 10 ! EntonceslSl 2: 3l)N = t0! y N - 101/(5! 2t Bl). los libros de física de 5p5 :6! formas. Entonces el número de ordenaciones pedido será = 4't. Entonces 9 son los números que pueden formarse. Entonces ' 7 : 504 será el nfrmero pedido. + tt¡ = n. Cuatro libros distintos de matemáticas. ll0.24O: 480 formas. El primer dígito puede elegirse de 9 maneras y los dos siguientes de gP2 formas. el número de ordenaciones de 6 person¿N sentadas alrededor de una mesa con 2 determinadas de ellas sentadas juntases de 5! 2! :24O.

. _ e! _ \s/-sws-BJ]T- e.6.39.CL-l tC2+5Ca+ sC4+ scs : 5 *10+ 10* 6* 1 : 31 .. si (c) puede pertenecer a él cualquier matemático y físico.38. 3 físicos de un total de 7 pueden elegirse de zCs formas. En general el número de grupos distintos de r objetos que 8e pueden formar con.2delasSverduras. 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).b = 126 1. Hallar el valor de (a) zCq (b) aCs. De un total de 5 matemáticos y 7 físicos. Número total de selecciones posibles = tCz'tCs = 3'35 = 105 L. ¿De cuántas formas puede formarse.ur . Número toüal de selecciones posibles = sCz.24 CONJUNTOS Y PROBABILIDAD lcAP.4 = l4. beno y achicoria? Cada verdura puede tratarse de 2 formas. oCz = 10 .Entonceselnúmerorequerido de ensaladas es -.5.. 2 físicos restantes de un total de 6 puedtn elegirse de eCz formas.6. 2 matemáticos de un total de 5 pueden elegirse de sCz formas.. es:25 - 1 : 31 Puedeseleccionarseldelassverduras. = #h = I si se define Nótese que formalmente aCa 0! = l.Olf/Vvienedadopor ^ n"r nl /"\ \r / . ¿De cuántas formas puede elegirse una comisión de 5 personas de entre 9 personas? /g) = ^c.SdelasSverduras. escarola.. n. (b) un físico determinado debe pertenecer al comité. endibia.4!B! = 7. como si se escoge o como si se rechaza.rl nP' 1.rl(n-rll n(n-11"'(n-r+1) r! . Entonces tC+:I. (c\ eC+ 7. 4.1 = o'' --ll (b) oCs = 6 ! = 6. el número de formas de considerar lias cinco verduras es 25 formas. 15 = 150 (c) 2 matemáticoe de un total de 3 pueden elegirse de sCz formas. b! ?. 1.2 = 6.6. ae llamanúmerodecorñbinacionesdelosnobjetostomadosderenrysedenotapor.5.8. Nfimero total de selecciones posibles = sCz' zCs = l0'35 = 350 (b). (c) dos matemáticos determinados no pueden estar en el comité? (a) 2 matemáticos de un total de 5 pueden elegirse de sCz formas. 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. se forma un corúité de 2 matemáticos y 3 físicos. Por tanto El número de ensaladas Otro método. 5. lo que es evidentemente 1. ¿Cuánt¿s ensaladas pueden preparañ¡e con lechuga.37. 6 uCt=oC1 =6' 5ú ff (c) +Ca es el número de grupos de 4 objetos que se pueden formar con 4 objetoa.objetos dados. no teniendo en cuenta el orden de los objetos dentro del grupo. Pero las 2s forma¡ incluyen el ca¡o de no seleccionar ninguna verdura. 3 físicos de un total de 7 dan 7C3 formas.C.4O.5 71 ^ (ol .

1b:10 * 6.r e =4e6 ..1r .1l CONJUNTOS Y PROBABILIDAD 26 nCn Engeneral.*-.*. obtenemoa Ia distribución conocida como el trióngulo de Poscal: n=l n=2 n=3 n:4 n=5 n=6 et¿.r)l (¿-l)! (¿-1)! ."¡ /¿-r\ /"-r\ \ " )-\"-t) El resultado tiene la siguiente aplicación interesante. 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.43. Halla¡ el término constan6 en h exDansión de 1r. ee 1.y por tanto eetá dado por /12\ _ \n/= 12.41.' \"/ ü/ \ El término conetante corresponde a aquel para el cual 3& .B. Con 7 consonanps y 5-vogaJes diferentes. . ¡raracualquier enteropositivo n.r)'! r! (n . La¡ 4 coneonantes pueáen elegirse (!e lC+ formas.tFV=fr .= xau /rz)'. 2.. Si escribimos lo¡ coeficientes de la expaneión binomial de (c * U)" púa n :0.1). r0. 'xl (**!\" = r-:o (1?). n0r+ ncz+.t) + f" . 10 ' 6040 : 1 ?64 000 COEFICIENTES BINOMIALES 1.11.eüc. De acuerdo al teorema del binomio *'\. ! = 2r-1.!2 = 0. $ \k /' 3 \& /'.1¡¡ 1" . que consten 4 consonantes y 3 vocales? No es necesario que las patabras tengan significado.Cs+ -. lss 3 vocsles de s0g formac consonantes. ee decir k = 4. . ¿cuántas palabras pueden formarse.11)"-. \ r / \r-1l' (n-r*r)(n-1)! r! (n .cAP. 1.r)l (n-r)(n-L)l * r(¿-1)! r! (n .. Aeí10:4I6. Entonces: El nhmero de palabrae y las ? letra¡resultantee (4 q 7C1 ' óCa ' ?! : 35 .. Demostrar q"" Tenemos que 11) \r/ = l" . de 1.z.42. 3 vocales) pueden ordena¡¡e entre sf de zPz : ?! forma¡. 4.+!\". .

blanco. determinar la probabüdad de que (c) las 3 bolas sean rojas. (e) 3 de un palo y 2 de otro. t'bol.a roja en la aegunda extracción". (f) las bolas sean extraídas en el orden rojo. 14 Za. (c) 2 sean rojas y 1 blanca. .. De e¡ta mar¡era tenemo¡ Sean i¡. Si se extraen 3 bolas aleatoriamente sin renplazamiento. Se extraen 6 cartas de r¡na barqia de 62 cartas. Halla¡ la probabilidad de extraet (a) 4 ases. (c) 3 dieces y 2 jotas.26 CONruNTOS Y PROBABILTDAD [cAP. P(8rnP2nBJ = P(Fr) P(^R2 | A1) P(¿s l. (d) al menos 1 eea blanca. 1 PROBABILIDAD T. Bz. Rc lol auceecr "bola roja en la primera erhaccióntt. azul./e\/ z\/o\ \20l\i0l\18/ Método 2.45. blanco. P(almenol blance) (¿) P(tdecadacolor. 3 blancas y 9 azules.[l2 ñ R3 reprerenta el guceso "la¡ 3 "bola bola¡ exhafda¡ con rojEr". (o) Método 1.TTEIZA}TDO ANALISIS COMBINATORIO 1.ocro de ¡rupoe de 3 bola¡ entre 20 =-=-zocs (d) P(ningu¡ablanca) = (¡CzX¡Cr) 7 96 #= ff. (b) las 3 bolas sean blancas. =t-# =# = !9lff9 = *g (f) P(ertraer l¡¡ bola¡ en o¡den rojo. roja en L¡ te¡cer¡ ettracciónt'. rerpectivarnente.B Probabiüdadp€did¡: (D) Empleando el re¡undo método i¡dicado en la parte (o).Rt n .er orden.= 1140 = zous j_ 296 P(3 bolú blurcas) ' Tambión puede utilizarre el priraer m6todo indic¡do en la parta (o).44.* "O de cada color) = Ot¡o método. Una cqia contiene 8 bolas rojas. 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 . ezut) . (li) 4 ases y un rey. (e) se extraiga una de cada color. 10. =g=i| zocs t9. reinq rey en cualqui. Eotoo"". (f) al menos 1 as. A¡f .B1nR2) . (d) un 9. (cl P(2 bolar rojar y 1 blanca) = (gupoc de 2 entre 8 bol¡¡ rojar)(grupoo de 1 entre 3 bola¡ blancas) afir. jota. @) pedc) = (b') W# = # = u¡fuo P(4eroylrey) = ry .

/L\'/qY . (/) P(ningrn *) = # = m. u (c) (d) P(3 diece¡ y 2 jot¡¡) CONruNTOS Y PROBABILIDAD QCslQCzl 1 szcs 108 290 (4cr P(nueve.ó En generd. Halla¡ la probabiüdad determinados de matemáticas estén juntos.\o/ \o/ para todc lo¡ oEo¡ resultado¡ en los cuale¡ ocuren hec 6 y dos no 6. Pero hay rCa son mutua¡nente ercluyentes. Pero a su vez io¡ 3 libro¡ de matemótica¡ pueden cden¡r¡e enhe ¡f de 3P3 = 3 ! form¡¡.á. etc.4E. Hallar el valor de 50! Para n muy grande.á á *.cAP. Por ejemplo. jota. eractamenüe 66.lf{| = 'ffi. Por tanto aot-t/ffi5oso¿-so:N Para evalua¡ N uüilizamoe logaritmoe de ba¡e 10. reina. n7 . 2 de otro) = q#@ = ffi = t -.p"en-' = (n\o'o'-' sip: P(A) y q:1--p:P(A'\. un dado honrado. LuegoP(al menoa un ar) 1. de que S libros .66. 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. L¿ probabilidad pedida está dada por 8!3! 10! - 1 15 APROXIMACION DE STIRLING A z! 1. Asf logN = los(/lofi¡o5o¿-50) 1f = i los100 I |losr * 60 log60 - 50 log¿ . Los libros pueden ordenar¡e éntre ef de roPro = 10! formar. puesto que hay 4 form¡¡ de eecoger el primer palo y 3 foim¡s de ercoger el regundo. Detenninar la probabilidad de tres seises en 5 lanzamientos de Represéntense los lanzamiento¡ del dado por cinco eepacioe no 6 (6').{fi. Arf tenemo¡ un üotd de 8 libroe que pueden orden¡¡se enhe ¡f dc 6Ps = 8 ! formas. Por tanto la probabilidad pedida e¡ p(666.4?.n"¿-¡.46.6ó. Análogamente '" . rey) x4crx4crxrcr) (rcr) szCs 64 162 496 (e) P(3 de un palo.p(6)p(6') .\6/ \o/ BITT\6i \6i 8888 nc.* = (il'eu)' : 10 de ertor nrceeor y pueeto que suponemoe que lor ¡uoesos ron independientee. Un estante tiene 6 übros de matemáticas y 4 de física. = ./r\3/s\2 = =*é)t1l)'= = I 't 'v.por elmiamorazonamientoanüeriorlaprobabiüdaddeobtener r vece¡A en n enaayos independientes ea \n/ 1.. Supongamos que lo¡ 3 libro¡ determin¡do¡ de m¡temática¡ ee remplazan por 1.66. diez. Cada eopacio tendr6 lo¡ ¡uce¡oc 6 o 6.

':.28 11 CONJUNTOS Y PROBABILIDAD lcAP. B gana 4 y 2 tnrmrnan en tablas.) ..i :..) suponiendo que los resultados de cada partida son independientes de los resultados de la¡ ohas. Acuerdan jugar un torneo consistente en 3 partidas.4972) + 50(1.6990) - 50(0.P(B no gane ninguna partida) t . Az. (b) dos partidas terminen en tablas. luego A o B gane. PROBLEMAS DIVERSOS 1.'J?fi '. partida respectivamenüe. A pierde en el ler. luego B. A y B juegan 12 partidas de ajedrez de las cuales A gana 6. \a) = n /r\2/<\ (c) P(A y B ganen alternaüvamente) : P(A gane.. I|3 los sucesos "B gana" la 1a. partida respectivamente... Hallar la piobabiüdad de que (o) A gane las tres partidas. (c) A y B ganen altemativamenie.P(B') P(B.P(B'roBj¡B'r) L . Denótese por A B t.4343) = 64. Quien obtenga primero un total de 7 q^? el juego. 1 = ¿los100 | ¡lor3142 + 11 = i(zl * de donde 50 1og50 - 50 log2?18 .:. t. 2a. Probabiüdad : 1 /6. luego pierde B. y 3a.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.^. es 1/6 como se determinó en el Problema 1. A 3 los sucesos " A gana" la 1. Probabiüdad = {¿)(f )($).04 x 100r. y 3a.46) 5 /s\ " \í)o'n'-' = t(.18 y Fig.Xt(. lanzamiento. supuestamente honradoe. luego gana A. 1-17. (ó) quien lanza segundo los dados gane. lanzamiento. un nfimero que tiene 6b dígitos. luego A. 1á¡ n gane al menos una partida.50 A y B juegan lanzando alternativamente un par de dados.íll 36 (d) P(B gane al menos una partida) : 1 . Bz..:'.) P@.Asílaprobabilidad.49.4836 N= 3. (o ) La probabilidad de obtener 7 en un sólo lanzamiento de una pareja de dados. -/¿\/a\1¿\ = le ^ \3/\3/\3/ 27 1.'. 2a.10. luego 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. (Esta suposición no sería justificable si un jugador fuera influenciad.z.de2tablasenBpartidases(réase Problema 1."u j /t\/r\/t\ * /r\/r \/r\ = \r/\5/\r/ \¡i \zi \¡i 5 . lallar la probabilidad de que (o) quien lanza primero los dados gane. .

De 12 000 tornillos.cAP.53. Una caja contiene 5 bolas rojas y 4 blancas.02 . Hallar la probabilidad de que en 20 años (a) ambos vivan.2)(0. P(W) : 0. I|2 son los suceoos "blanca en la primera extracción". gane es /t\ /s\/s\/r\ . 1. l|/ los sucesos que el esposo 0. "blanca en la segunda extracción". 1l CONJUNTOS Y PROBABILIDAD 29 (3) A pierde en el ler. lanzamiento. Puesto que se sabe que la segunda bola es blanca solamente hay 3 formas de las restantes 8 para que la primera sea blanca. Una rnáquina produce un total deL2 000 tomillos diarios de los cuales en promedio elSVo son defectuosos. Sean ÁI. Entonces y lI/ son sucesos independientes.51. (b) ninguno viva. pierde A. Las probabilidades de que un esposo y una esposa estén vivos dentro de 20 años están dadas por 0.52.tJ es cero ya Así iríamos 6 a 5 a que el primero que liance gana.9 respectivamente.F/ y la esposa. Hallar la probabilidad de que de 600 tornillos seleccionados aleatoriamente 12 sean defectuosos. Se extraen dos bolas sucesivamente de la caja sin remplazamiento y se observa. Así la probabilidad de que g. gana A. Suponemos que . pierde B.1) = 0.8)(0. respectivamente.*/q\'*/q)'* \o/\e/t_' \o/'.9. Bl. pierde B. el 3'/o 6 360 son defectuosos y 11 640 no lo son. estén vivos en 20 años. lo cual puede ser o no razonable.151 y 1./l)/q)lq\It\ \6/\6. : 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) . 1. respectivamente. Nótese que la probabiüdad de un empate que 11 ' 6-5 11 1 Esto no serfa verdadero si el juego fuera limitado.152. estamos buscando P(Br lB2).8. Véanse Problemas 1.9) = 032 (ó) P(ningunoviva) = P(H'nW') = P(H'\P(W') = (0. Prqbabilidad = (áX8X8X8X+). que la segunda es blanca./s\/¡\/o\/s\/r\ * \6/-\6i \6/\u/ \6i \6/\Bi \u/\6i 1l-. de tal manera que la probabilidad es 3/8.\6/ =5136=5 1 . Este resultado se obtiene así Si P(BJB)='+#=elwq=* Método 2. (c) al menos uno viva. P(H): (o) P(ambosüvan) = P(H1W) = P(H)P(W) : (0.(5/6)2 11 .8 y 0. ¿Cuál es la probabilidad de que la primera también sea blanca? Método 1.' \6/\6/\6/\6/ * = /q\/r\T. Así Probabiüdad pedida = -H*-P 1.

..vAn¡ 1\ t. 'á P(4 ñ A¡ ñ que tienen ) = "r"términos el valor dado por (4).i \.. 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. n-ésima carta ¡e encuentra en el gobre correcto.(+ll-+ll=+) \.r) ...42.) "1 ó 1.. aefqueparar:-l e-. ='-('-+r.\ /"\/t\/ I = (l)(t)-l:)/l)l \.etc. cegunda..1/ =. Tbmbién (E) p(A. A partir de la generalización de los resultados (10\ y (1 l).. U A.\t/\.i/ . riamente.02 = 0.lAtnAr) y así aucesivamente. Entonce¡ el ¡uceso al menos una carta en el sobre conecto es.=t \/ . -r/\n-2/ (+) = + \./\ ..30 CONJUNTOS Y PROBABILIDAD [cAP.54. E P(A¡ ñ Ar) es la suma de probabilidadesdeA¡ñA¡conjyhdeedelhastanyh)j.98 1.4¡ U AzU'.xt"1B"""ntJfi::::i*il'ff...). . Hallar la probabilidad de que al menos una de las cartas llegue a la destinación aproDenótensepor A¡.. .-./\. Una secretaria ineficiente coloca ncartasdiferentes en n sobres con destinos diferentes aleatopiada. El resultado ee a¡ombroso ya que la probabilidad permanececasi constante para n ) 10.79) tenemo¡ (1) donde E P(A¡) + )P(AinAinAk) P(áruAru.nA2n.\ri )\" " ' " + (-r)^-'l'\l+) = r-fr+i-"'+1-t¡"-'I cz \z/!t!/ Del cálculo sabemoe que (véare Apéndice A) = lf ¡*#. 1 (c) P(al menoc und üYa): 1 -P(ninguno viva): 1 .sobre "nto"o' *to '' de los rectantes n- 1 sobres estará (4) p(AtnAzr1A¡) = p(Á.i1-:.". 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. Por üanto.#. . Por tanto la probabilidad pedida es p(ApAzu-.1) .1/ nl (5) Entonces en la suma > Análogamente en E p(A.U An y deeeamos hallar P(A¡ U A2V.) p\AztAttp(A."uAn) = )r(¿*) -)e6'tnl'r) "' * (-t¡"-t P(At^A2¡ " n.C2 términos que tienen el valor dado por (3).* r-e-l I : 0..) Ap) hay ( (+)l=+) \lr/\tt .f'.Tenemosporejemplolosiguiente: (z) P(A)=+ yanálogamente PlAr¡=L ya que de lo¡ n sobres rolamente 1 tendrá la dirección apropiada.A..6321. lo¡ sucelo¡ primera..u) las es la ¡uma de las probabilidades de A¡ desde t hasta n. página 7.ri. . (véase Problema 1..0..nA) = ''-n' P(A¡ñ A¡ ) hay (.ñA2t : p(At\p(A2lAt\ = (*)("=) aProPi"ao ü. finalmenrte .

.67. (b) método de comprensión.z\. Suponemos que solamente hay 365 días en el año y que todos loe días de cumpleaños son igualmente probables.n(r-l) i30 para n pequeño comparado con 365. D = {t I 12<16)..' (Apéndice A' fórmulas 1 y 2) (Ir\ I+2+ "'*(n-1) = @.865 ) de 1.55.s supletnentarios CONJUNTOS 1. 3.693 6 ln 2 = 6 (n . Por tanto tenemos es (365 - P(n cumpleaños diferentes) = #* # ffi = \'- ' 365 :-l! + 1 1\/'. Así la probabilidad de que la segunda persona tenga un cumpleaños diferente de la primera es 364/365.56.165/\'.55 para que la probabiüdad cumpleaños distintos sea menor que U2.58.l.-4\ . asf que una buena aproximación en este Pa¡a (7) p : L12. Por tanto tenemos n.865)"'\'.-k). Denotando la probabiüdad dada por p y tomando logaritmos naturales hallamos (r) @\ (3) lnp tnp =t"(r-#) -r'"(.DeterminarsiACB o no. Entonces. "'+rn(t-#) ln(1 Pero sabemos de cálculo (Apéndice A. el segundo término y los términos superiores a la ae 1S¡ son dlespreciables comparados con el primer término. . Determinar cuántas personas se necesitan en el Problema 1. 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. debe ocurrir en uno de los otros 364 dlas. Sea A eI conjunto de los números natwales entre 5 y 15 que son pares. tnp = .)." . SeaA = {r r2-3r*2=0}. si Ia segünda persona tiene un cumpleaños diferente. Describir A de acuerdo al (o) método de extensión. Análoga' mente la probabilidad de que l¿ üerce¡a persona üenga un cumpleaños diferente de las dos primetas es 863/365. por ejemplo n ( 30.1\:{.(. suposiciones que no se cumplen genetalmente en la realidad..cAP. 12+22 i-..ln p r¿(rr : - -- 1) ?30 .693.-*(n-1)2 - n(n . 1l CONJUNTOS Y PROBABILIDAD 31 1. Finalmente. Problema.r)(Zn -r) 6 obtenemos para (3) (5) *::":: 16) rnp = -!!+ñ! . 1. la probabilidad de que la n-ésima persona tenga un cumpl'e¡ñoe diferent¿ de las otras n * 1)/365... fótmula 7) que -r) -= --c - T- 3 así que (I ) puede escribirse como = ft+z+ : 2. Halla¡ Ia probabilidad de que n personas (n < 365) seleccionadas aleatoriamente tengan n días de cumpleaños diferentes.2 -r¿-506 = 0 = 0."' .. Enipleando los hechos de que para n .0.23)(n'l 22) = g asf que n : 23. La primera de las n personar¡ tiene lógicamente algún cumpleaños con probabilidad 365/365 : 1.^" --!.

.2}. (d') A-8. en un grupo de 600 hombre¡. página 3. Demo¡harque .4.73. (c) lanzar un¡ moneda hasta que aparezc¿ un sello. B={2. Ilustrar el principio de dudidad haciendo referencie a losteoremas de la pfuina 3. De¡cribir un espacio muestral para cada uno una moneda. 1. . 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. (fl (A-B) u (B-A). de loe siguientes experimentos aleatorios: (o) 3 lanzamientos de 1. Un erperimento consiste en el lanzamiento de una moneda y un dado. (ü) B'.?). 1. (ó) Sir yy son do¡ númeroereales sr¡alesquierq entonces x1y. B.61. (d) AnB'.A r.68. (c) Teorema 1-4. (b) (AuB)uC.(AuC). C = {4.B'? Ju¡tificar l¡ ¡olución. entonce¿A = B.nC.64.72.(B.4 u (BnC\ (c) A' n (BuC)' (rt) A . (o) Demostrar que (b) Demoetrar que ri p-f Ge[. 1. B. I-a paradoja descrita se conoce Rusell. (e\ B-A. =y.66.76. ¿EE (A - B)' : A' .?f .o de llamadas recibida¡ en une ce¡ttrat telefónica. (c) A)8.5. 0 @uB) . (e) A-8. Demostra¡el (a) Teorema l-2. - . 1. L. (c) A'uB. (Véase Problema 1. Tborema 1-120. 1. (ü) Teorema l-8. signifrcadodecadaunadelasoperacionessiguienüee: (f) B A. (bl AnB. x>y O i Demostra¡ que cualquier aubconjunto del conjunto vacfo debe ser el conjunto vacfo. A)8. página (o) Eemortrar la segunda ley De Morgan.69. y (D) ilustra¡la utilizando un diagrama de Venn.Encontrar (a) Av(BuCl.2.6 A: falredad de las propoeiciones siguientce.ñ(B. (fllanzat una moneda y un dado. 1. (d\ (AnBlu(AnC). (c) Añ(BuC).7 o negar: Si A u (Ar\B) eilusha¡loporundiagramadeVenn.60.(BnC) (e) A' - (BuC)' 1. formule en palabras el (a't A'. (c) A'nB'. Emplear un diagrama de Venn para dibujar ceda uno de loo conjuntoo eiguientec: (¿) A n (Bucl (ü) .5\ yrupóngarequeloerubconjuntoede'll son A:{1.31.3.).69' 1. página B.6?.32 CONJUNTOS Y PROBABILIDAD Demoeürar que para cualquier conjunto [cAP. Seaununiver¡o 'Ll:{L. (d) el númer. 1.9.} ! B = {rlreounnfimeroprimo.1. 1 1. 1. DIAGBAMAS DE VENN y TEOREMAS SOBBE CONJUNTOS 1. ei ¿[e como I Sea ci éeeI' o cl¿se de todos loe conjunüoc que no 8on elementos de eUos mi¡mo¡. Afirmar -B = @.68.5}. A tenemo¡ A C A.62. Generaliza¡ el recultado del Problema 1. entoncq cJeeJ. Demo¡trarque (á -A)UA =á ¡ólo srBC A e ilugtrarlo utilizando un diagramade Venn. (s) (AnC)' u B. oPEBACIONES E¡ITBE CON.66. ESPACIOS MUESTBALES Y SUCESOS L.t B = IA-(AnB)] u ÍB-UnB)l 1. E¡tudiar la verdad o entonces A CB.76.ruNTOS. 1. (e) A. 1. Generdiza¡ las primen y eegunda leyec De Morgan a cualquier número de conjuntos. 15¡(6. (e) el número de partícular nucleare¡ que enhan a un contador Geiger.?0.uC'). EXPEBTMENTOS ALEATOBIOS. (ñ) A . (o) Si A y B eon dos conjunüos cuáleequiena.0(¡=4) Encontra¡ (a) AvB. Sea'tl el conjunto de todos loi enteros no negativos y conaidérenee loe nrbconjuntoc A = {xl¡e¡unente¡ope¡. (Ó) el nhmero de fum¡dore.p6gina 3.

SiA. (c) una sea roja y la otra azul. . as.92.P(A¡B). 1. (b\ p(AluA2\.85. pfuina Demostrar que P(A'uB') = 1 .91. Hallar la probabilidad de que si dos bolas se extraen aleatoriamenremplazamiento) (o) ambas sean azules. satisface los axiomas de probabilidad en la página 6 y por tanto todos los teoremas sobre probabilidad. Demostrar que si P(A ) >P(B ) entonces P(A I B) Si > P(.8t. Se extraen dos bolas sucesivamente de la caja del Problema 1. 12 defectuosos.87.1. (b) ni roja ni azul.54.86. @) p(A'rr.cAP.89. Sea A1 el suceso "reyen la primera extracción". 1. y así demostrar eI resultado (l ) del Problema 7. . Hallar la probabilidad de que sea (c) naranja o roja.14(b) demostrando (sin emplear el diagrama de Venn) que AUB = AOIB-(AOB)I donde A y B . 7. (d) blanca. (¿) p(A1^A'2ñA\).90. Demostrar el resultado (1 1). Hallar la probabilidad de extraer 3 ases aleatoriamente de una ba¡aja de 62 remplazan. ll CONJUNTOS Y PROBABILIDAD 33 TEOREMAS SOBRE PROBABTLIDAD 1.80.t4. B'. Determinar la probabilidad p. (b) ambas sean rojas. Se exürae una bola aleatoriamente de un caja que contiene 10 bolas rojas.t1. o azul. blanca 1. 1. (c) no azul.8 I .84 si no hay remplazamiento después de cada extracción.42 el suceso "rey en la segunda extracción".demostrarque pendientes. 1. L. remplazando la bola extraída después de cada extracción. 30 blancas. y A3 el suceso "rey en la tercera extracción". (e) pl(A1nAr) u (A"nAr)].83. (c) ninguna sea naranja. para cada uno de Ios sucesos siguientes: (c) La aparición de un rey. (c) AyBUC. (b)AyBñC. pfuina ?. Un experimento consiste en la sucesiva extracción de tres cartas de una baraja. (b) la primera sea roja ylasegunda sea blanca. p6gina Generalizar los resultados (I0 ) 30. (e) Al menos aparezca una cara en tres lanzamientos de una moneda honrada.página 8. y (I I ). (¿) roja.83.?9.77. (¡) solamente una sea roja. 1.82. Csonsucesosindependientes. Completar la demostración en el Problema 1. o un estimador de ella. 20 azules y l5 naranjas. 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). 1.7t.tA'r). son inde- . Halla¡ la probabilidad de que (a) ambas sean blancas. (i) la primera sea blanca pero la segunda no.(A ñ B) son mutuamente excluyentes. PBOBABILIDAD CONDICIONAL Y SUCESOS INDEPENDIENTES f . 1. B. jota de tréboles o reina de diamantes al extraer una sola carta de una baraja común de 52 ca¡tas. (e) la segunda no sea azul. Explicar el significado de cada una de las siguientes: (a\ P(AroA!r). üe (sin Una caja contidne 2 bolas rojas y 3 azules. 1. (b) La suma 8 agatezca en un solo lanzamiento de un par de dados honrados. (h) máximo una sea roja. (b ) A' es independiente de A es independiente de B demostrar que (o ) A es independiente de B . CALCULO DE PROBABILTDADES 1. (D ) si las cartas (o) se no se remplazan. cartzs 1.. (c)A y B-C. (d) sean rojas o blancas o de ambos colores (roja y blanca). 1.4 ). (g) al menos una sea azul. Resolver el Problema 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.

Az.+tPt = nPtl. (b) las primeras dos cifras de cada número son pa¡es? lor números deben ser 1. (¿) roC¡. 3 blancas y 4 negras. Demostrar que A¡ . 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. Una bola extrafda aleatoriamenüe de una de las. y una bola ertraída aleatoriamente e¡ blanca. Se lanza una moneda tres veces. (c) 2 libros deüerminados deben ocupar lo¡ exüremos? (o ) 1.lO2.106.cajas reeulta azul.99. ¿De cuántas forma¡ pueden ordena¡se 7 libros en un eEtanüe ei (a) er posible cualquier ordenación. I monedae diferentes en 2 posiciones diferentes? PERMUTACIONES 1. La urna I tiene 2 bola¡ blanca¡ y 3 negras.1OO. . Hallar la probabiüdad de haber escogido la urna I. 2.¿Guál es la probabilidad de haberla exbaído de la primera caja? Ttes joyeros idénticos tienen dos compartimiento¡. . Se TEOREMA O REGLA DE BAYES 1. L.106. ¿Para qué valor de n es .34 CONJUNTOS Y PROBABILIDAD Sea lcAP. Atl At. suceso "número impar en el primer dado". ¿cuál es la pobabilidad de que el otro compartimiento tenga un reloj de oro? 1.104.10t. Se selecciona una urna aleatoriamente la urna II. AziA2. En cada compartimiento del Begundo joyero hay un reloj de plata. .1O3. ¿De cuántas formas pueden 3 hombres y I mujerec sentarse alrededor de una meea ei (o) no se impone ninguna resüricción. Luego ee extrae una bola de la segunda caja.4 doeee y 2 tres€s? 1. La escoge una bola aleatoriamente de la primera caja y se coloca en la s€gunda c¿ja sin ob¡ervar su color. (c) cada mujer debe eetarentre dos hombres? COMBINACIONES 1. caja / contiene 3 bolasrojasy Sblancas. CUENTA Y DTAGNAMAI¡ ARBOL 1. A2 = BuG€so "núme¡o impar en el segundo dado". Hallar el valor de (a) rC3.43 no son independientec. abrimos uno de los compartimientoa y hallamos un reloj de plaüa. 1 1. 1.98. 4 blancae y I nggra. 1. En cada compartimiento del primer joyero hay un reloj de oro.ent¿nüoquelacajalfcontiene4bola¡rojasy2blancas. 9 ¡i impares. ¿De cuántas maneraa pueden coloca¡se l.101. A3 lon independientes pero que 1.96. Resolver el problema anterior si la8 cifreÁ de los números pueden estar repetidas. . Utiliza¡ un diagrama árbol para determin¡r la¡ diferentes poribilidades que pueden suceder. Se extraen tres cartas aleaüoriamente (sin remplazarniento) de una baraja de 62 ca¡tas. (b) doe mujerer determinadas no deben centar¡e juntar. ¿Cuántos números diferentes de 3 cifra¡ pueden formar¡e con 3 cuaEog. En el tercer joyero eñ un compartimiento hay un reloj de oro. ¿De cuántas formas pueden 5 personas sentarse en un sofá si tiene sol¿mente tres asientos? 1. (¿) roP¡. 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. (ó) zPs.94.9?. (D) 3 libros determinados deben estar juntos. ¿Cuánto¡ números de cinco cifras pueden formarse con los dÍgitos L. Hallarelvalor de(a) oP2.1O?. 3. 1. ANALTSIS COMBINATORIO. 1.93. Hallar la probabilidad de que sea blanca. (b) ¡C¡. A ¡: auceao At.109. á3 : "total impa¡ en ambos dados". y lrr urna ffl. .96. .

.. ¿De cuántas formas pueden seleccionarse 4 niños y 5 niñas si (o) no determinados? 2 hombres.113. (d) las cartas no sean del mismo palo. (c) (t-r t)s. (c) eC¡. (b) en contra de A de perder los prir4eros dos juegos? 1. 2 héboles. 3 corazones y 1 pica.. Halla¡ la probabilidad de que uno de loe jugadores obtenga (o) ? diamantea. impar o par' impar' par.125.4 mujeres. (c) un economista determinado no debe estar en el comité? 1.114. \4 / 1. ¿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. Halla¡ el número de (o) combinacionee y (D) permuüaciones de cuatro letras cada una quepuedenformarse con las letras de la palabra Tennessee.111.122. Con 5 estadistas y 6 economistas quiere formarse un comité de 3 estadistas y 2 economistas.e cuántas formas puede un grupo de 10 personas dividirse en (o) dos grupos de 7 grupos de 5. PROBABILIDAD UTILIZANDO ANALISIS COMBINATORIO 1.( ") . lJna caja contiene 9 tiquetes numerados del 1 al 9. Expandir (o) (o+y)6. Hallar el coeficiente de ¡ en lt * ¿)t. \ r/ 1.119. Calcular. ¿f). (g) la seg. (b) deben seleccionarse un hombre y una mujer 1.t24. +/"\ \2 / /"\ ..110. t"l kCz\QC¿)/DC.(b)almenoe dos lanzamientos de un par de dados honradoe. (h) las cartar son frguras o picas o ambas.120. (b) tres 1. par.8 mujeres. unavez'(c)dosveces'en 1. 1. ¿Cuántos comités diferentes pueden formarse si (o) no se impone ninguna restricción. (b) j=t (-1). Si s€ extraen 3 tiquetes de la caja uno a uno' hallar la probabilidad de que alternativamente s€an impar.f 23. (b) la primera ca¡ta sea un aÁ pero la eegunda no. (c) al menos una carta sea un diamante.+ r-''i" 2/ \l )=o \o/ \r/ /"\ * /"\ I 1. s€ impone ninguna restricción. Hallar la probabilidaddeque (o)laprimera carta no Bea un diez de tréboles o un aa.) = 0./"\ .C. (d) (rz*21t.. COEFICIENTES BINOMTALES 1. Hallarlaprobabilidaddeobtenerunasumade?puntos(o)unavez."". En un juego de naipee ee reparte a cada uno de loe 4 jugadores 13 cartas de una baraja de 52 cartae.-tj(. (b) /11 \ (r-a)4. 1l 1. (b) dos estadistas determinados deben estar en el comité. 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. (b) un palo completo..cAP. reina' rey). 1.115. Demostrar que (c) (b) \r¿l \o/ \r / + 1") * '. (ó) ( ).121. 3 y 2 personas? y 3 personas. 3 niños y 3 niñas con 6 hombres.. La¡ apuestas en favor de A de ganar un juego de ajedrez contraB son 3:2. j=1 = n. (f) la seErnda carta no sea una figura.116.126. ¿Para qué CONruNTOS Y PROBABILIDAD valor de n s€ cumple que 35 3' n+rC¡ : 7' nCzl. Demostrar que (o) É . 1. Se extraen dos cartas sucesivamente de una baraja de 52 eartas. (e) no más que una carta sea figura (jota.2n-1.118. 1.rnda carta no sea una figura dadoque la primera eí lo es.117.

141. 1. Cuatro enteros se eligen aleatoriamente entre 0 y 9 inclusive.. Halla¡ la probabilidad de que (o) las cartas eean de un palo.51. 1.133.136. .'. Si diepara al blanco hastaqueledal¡primera vez.I's probabilidad de que un tirador dé en el blanco eede 213. Una urna contiene 6 bolas rojas y 8 azules. ¿Podríamos asignar probabilidadee de 1/11 a cada uno de esos puntos? Explicar.queconsistedediez. rey y as del mismo palo.135. ¿Cuántas palabras pueden formaree con 5 letras si (o) lae letras son diferentes. Hallar porcentaje de enor en la fórmula de Stirling para n : 10. (b)al menos dos sean ages. (c) todas las letras son diferentes pero dos letras determinadae no puden estar juntas? tes. 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.. 12. ¿Puede considera¡ee la moneda cómo honrada? Expücar. 1. . 1. ¿Cuál es el menor número de lanzamientos necesarios en el hoblema 1.uAn) < P(4. l.95? 1. 1 1. ¡rara valores de n grandes. 1. Halla¡ la probabilídad de que (o) sean diferen1. .. (b) 0.140 para que la probabiüdad de obtener 11 por primera vez sea mayor que (a) 0.139. Demosürarque siACB' entonces AnB:Q. 1.jota. (b) tn full que consiste en 3 cartas de un valor y 2 de otro (por ejemplo 3 diecer y 2 jotas.). Demostrar que aproximadamente 2nCn - 22"1\/ñ.13?. Un espacio muestral consiste de 3 puntos muestrales con probabilidadeg a¡ociadas dadas gor 2p. .143. (b) ¿Cuántos lanzamientos se necesitan para quela probabilidad en (o) eea mayor que 0. (b) máximo dqs sean igualee.129. Hallar la probabilidad de que ocurta 11 por primera vez en el sexto lanzamiento.144. Az.146.12E. PROBLEMAS DIVERSOS 1.reina. Enunjuegodepókerhallarlaprobabiüdaddeobtener(o)unaescaleraflor. Se extraen 3 ca¡üas de una baraja de 52. 1. .140. 1. Obüener una aproximación al resultado del Problema 1. . p2 y 4p Halla¡ el valor de p. (d) 4 ases. (o) Hallar la probabilidad de obtener la suma 7 en al menos uno de tres lanzamientos de un par de dador honrados. A-(A nf¡: AñB'.134. Un par de dados se lanzan repetidamente. etc. Hallar la probabilidad de que un jugador tenga de 13 cartas g de un mismo palo.36 CONruNTOS Y PROBABILIDAD lcAP. 1.127. An P(ArvA"u.145. Se extraen cinco bolas aleatoriamente sin remplazamiento. Al lanzar un par de dados la suma puede ser 2.131. (c) ca¡tas diferentes. Halla¡ la probabilidad de que 3 sean rojas y 2 azules.3. - L.l47. ¿De cuántas formas pueden selecciona¡se 30 individuos de un total de 100? 1. 1.142.138. . 1. Demostrarque 1.) + P(A)+ . (D) 2 letras son idénticas. APROXIMACION DE STIRLING A n! 1.96? 1. .130. hallar la probabilidad de que necesiüe 6 disparos.5. Demostrar que para cualesquiera sucesos Ar. +P(Á") 1. Supóngaae que al lanzar una moneda 500 veces hay una secuenci¡ de2(lsnzanientosqueresulüan"carast'.132.

Este tipo de problema se presenta en física en conexión con l¡a es tad ísüca Fermi-Diroc.rtimientos separados.151.151. "dar ¿ letras en los 1. u¿ fi.(i)' una interpretación combinatoria. Demostrar l") .1ó3. demostrar que p"(a) = 1 fipn-o (0) y luego emplear el resultado del Problema 1.cAP.155. 1. . Demostrar que la probabiüdad para que la secretaria del Problema 1. Desea descartar el 8 y remplazarla por otra carüa que espera sea un 5 (err ese caso obtendrá una "escalera").:). 1. (b) dos cincos. (c) los cuatro jugadores tengan un palo completo.149.156.¿De cuántas maneras pueden colocarse 4 bolas idénticas en los compartimientos? (b) Resolver el problema si hay n compartimientos y r bolas.148. 1.)va"._ \r/ (1 + r¡t (1 + o¡"-t y hallar el coeficiente de ¡j en el producto).50 si el juego se ümita a B lanzamientos. (c) trer cincoe.11)'-* 1i)'-l \"/ \o/ \t/ . Generaliza¡ el resultado del Problema 1.t't . (a) Un estante contiene 6 compartimientos separados. CONJUNTOS Y PROBABILIDAD 37 (c) Un estanque contiene 6 compa. Demostrar que /"\ = ! 1t'¡¡" . 1l 1. una interpretáción combinatoria.154.' Denoüando la probabilidad deseada comopñ (a). 3.541.\¡/(. Este üipo de problema se presenta en física en conexión eonlaestadística Bose-Einstein. ¿Cuál es la probabilidad de que obtenga el 5 suponiendo que los oüro¡ tres jugadores en conjunto tienen (a) un cinco. (ü) tres jugadores. Hallar la probabilidad de que en un juego de bridge (o) dos jugadores.8. 1. 1. . Resolver el Problema 1.54 obtenga exacüamente I ¿-c / r\k sobres correctos ".ISrí"r"ncia. (d) ningfrn 5? ¿Puede resolverse el problema sin saber el número de cincos que tienen los otros jugadores? Expücar.152. que (Sugerencia: Consi¿s¡ar 1. 4. ¿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. 1. Un jugador de póker tiene las cartas 2.150.6. .

Con cada punüo muestral podemoe arcciar un nfrme¡o para X como se muesha en la Tabla 2-1.Capítulo 2 Voriobles qleqtorios y distribuciones de probobilidod VARIABLES ALEATORIAS un espacio muestral asignamos un número. f(a) > o 2. por ejemplo el cuadredo del n(rmero de carac. (I) de (2) Es conveniente introduct la funcíón de probabilidad. 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. Así definimos una en el espacio muestral. Así en el caso de CC'(es decir 2 carae) X :2 e¡ tanto que para SC (1 cara) X = 1.. 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. geométrico u otro... etc.2. el nl¡mero de caras men(x el número de eelloa. también conocida como la distríbución probabiliM. Supóngase también que los dados por rr . Comúnmente se denota por una leha mayúscula como X 6 Y. En general f(¡) es una función de probabilidad 1. En general una variable aleatoria tiene algún signifrcado físico. x2. Í! valores se asumen con probabilidades dadas por P(X=ryl=f(rx\ P(X = k=L. Supóngase que a cada punto de EJEMPLO 21.. Esta función se llama wriable aleatoria (o uariable estocastiea) o función más precisamente función aleatoria (función estocástica). Repreoénteee por X el número de ca¡as que pueden resultar. Se concluye que X eo una variable aleatorir. f(¡) : 0. definida por r) = l(a) si Para¡ : nr (2) se reduce a (l) en tanto que para otros valores de r.>Í(sl = t 38 . Supóngase que se lanza una moned¿ dos veces de tal forma que el espacio muestral es ¡f : {Cq Cg Sq SS). 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.

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

A medida que procedemos de izquieida a derecha (es decir subiendo la escalera) la función de distribución permanece igual o aumenta. 2 son LlA. nos conducen f(r) tal que o a poshrlar la existencia de una función 1. 714 corresponden exactanrente a las ordenadas en la Fig.40 EJEMPLO VARIABLES ALEATORIAS Y DISTRIBUCIONES DE PROBABILIDAD lcAP. que son verdaderos en general. . Estas ideas y la analogía de las Propiedades 1 y 2. la función de distribución para la va¡iable aleatoria X del Ejemplo 2.2. 2. 2-1. Debido a esto se dice que es vnafunción monotónicamente creciente. pagjna 38. Entonces definimos la probabilidad de que X se encuentre entre ¿ y b como P(a<X<b) : Í"' f (n) d.@ e -. 1. 2-3 frecuentemente se le llama función escalera o función paso. EJEMPLO 2. f(r\ > 2. 1.n (6) . 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. 712. Debido a la apariencia de la gráfica de la Fig. 3. F(r) se mues- Los aspectos siguientes acerca de la función de distribución anterior. Sin embargo hay una probabilidad mayor que cero de que X esté entre 145 y 150 centímetros. así el valor en 1 es 314 y no Ll4. Esto se expresa matemáticamente estableciendo que la función de distribución es continua por la derecha en 0. DISTRIBUCION DE PROBABILIDAD Si X es una variable aleatoria continu4 la probabilidad de que X tome un valor determinado generalmente es cero. 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 . (o) Halar representación gráfica. Por tanto no podemos definir una función de probabilidad en la misma forma que para una va¡iable aleatoria discreta (págrna 38).3. tomando valores desde 0 hasta 1. Las magnitudes de los saltos en 0" 1. Este hecho permite obtener la función de probabilidad a paftir de la función de distribución.2 su 2. 2. El valor de la función én un entero se obtiene del paso superior. Si se selecciona aleatoriamente un individuo de un grupo numeroso de hornbres adultos. 2-3.4. deben notan¡e. (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. la probabilidad de que su estatura X sea precisamente 147 centímetros sería cero.

EJEMPLO 2. Si 0 f: x 13 entonces F(rl Si¡>Sentonces = ou fo' .'U". . la probabilidad de que X sea igual a cualquier valor determinado es cero. = # + F(r) = fo" .UU ¡( 0 entonces F(.t) = 0. Entonces de .CAP.'" de otra forma " función de densidad y (b) calcular P(l < X < 2). (b) P(1< p(r<x<z) -. Una función f(r) que satisface los requisitos anteriores se llama función de probabilidad o distribución de probabilidad para una variable aleatoria continua.?1. pero con mayor frecuencia se denomina función de densidad de probabilidad o simplementn función de densídad. También debe observarse que F(r) en este caso es continua. el (o) Tenemos F(r) = Si P(X = r\ = o" Í__. 2] VARIABLES ALEATORIAS Y DISTRIBUCIONES DE PROBABILIDAD 4L Podemos demostrar que esta definición satisface los axiomas de probabilidad dados en la página 6. En tal caso podemos remplazar cualquiera o ambos de los signos ( en (6) por Así.l-*Ít'lol' = )ow2dr .f. (a) Ya que f(r) satisface la propiedad 1 si c ? 0. debe satisfacer la propiedad 2 para ser una función densidad.5. definimos la función de distribución F(x\ para una uariable leatoria continua por F(. (o) HaIIar la constante c para que Ia función f(r¡ = {"^* L0 sea una o. = Í. 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'). 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. 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). lo que supondremos al menos se establezca otfa cosa.au f""oou = 1 Por tanto la función de distribución pedida es r(o [o F(r) .n* =.r) = P(X=r) f(r). ou + f"'f@)au = fo'!u. en el Ejemplo 2.6. (b) Emplear P(l < r = 2\.1é/27 0<'<3 fr Obsérvese que s>s F(r) aumenta monotónicamente desde 0 hasta 1 como lo requiere una función dedistribución.a1X<r) s = J_-" ¡p¡au f' ( si se desea.5. = 13 t'n ¡3 . n. = *-h=:h 7 En el caso de que f(r) sea continua. #f. : P(.ru.5. V) En los puntos de continuidad de EJEMPLO 2.'!..-g ec y puesto que esto debe ser igual a 1 tenemos c: tl9.tu.

El área total limitada por la cuwa y el eje ¡ debe ser 1 debido a la propiedad 2 en la págna 40.'.'.a# .i.2 (ó) Tenemoa P(r<x<2) P(X=21 - P(X=1) f(2) - F(1) n-n como en el Ejemplo 2. 2s137 n La probabilidad de que X se encuentr€ entre r yxt Ax está dada por (8) p(r= xtn+ta) así que si = . Puesto que f(r) Z 0. INTERPRETACIONES GRAFICAS es la función de densidad para una variable aleatoria X entonces podemos reptesentar y gráficamente por una curva como en la Fig. se representa por el área sombreada de laFig.2-4.42 VARIABLES ALEATORIAS Y DISTRIBUCIONES DE PROBABTLIDAD [cAP.6. Geométricamente la probabilidad de que X esté enhe a y b. 2-4. es deci¡ P(a 1 X < b). : f(x) Si f(r) Fig.F@t(n).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. az y F se suponen derivables con respecto a. 2-l .. (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"".' T*0" + F(az(a).ü# (121 at.'r(u.r. la cunra no puede caer por debajo del eje r.

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

'=. llamada lasuperfieie de probabíIidad. El Lafunción de dístribución conjunta de X. es decir Generalizando. si .y = 1 Gráficamente z : f(x. 2-6.@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.¡ = mn i:r 1 k=l 2 f. 2-6 y matemáticamente por P(a<X<b.f":" f (r. Caso continuo. 2-6 A representa cualquier suceso existirá una región (. como indica en la Fig.y) es la suma de todas las entradas para las eue r. F(x. El caso donde ambas variables son conünuas se obtiene fácilmente por analogía con el caso discreto al remplazar las sumas por integrales. a r y An 5 A. La probabilidad de que X esté entre o y b en tanto que Y .u) > o z. También debe notarse que m i-.44 VARIABLES ALEATORIAS Y DISTRIBUCIONES DE PROBABILIDAD [cAP.o del plano ry que corresponde a é1.y) dr dy (20) Fig.. Y) se define por 1.2 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.esté entre c y d es. Y (o. como más comúnmente se llama. y) representa una superficie. 2. El volumen total limitado por esta superficie y el plano ry es igual a 1 de acuerdo con la propiedad 2 anterior.f. Y respectivamente. 1.y\itrd. J_* J_f" f" se f@. Así la función de probabilidad coniunta patalas variables aleatoriasX.lafunción de densidadconiunta de X.o.| ) /'(c. Y se define por (1e) En la Tabla %3.e<Y<d) : . En tal caso podemos hallar la probabilidad de A efectuando la integración sobre fi. f(r.tá dada gráficamente por el volumen sombfeado de la Fig.

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

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

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

la función de densidad condicional de Y dada X ¡1xlu) y f(alr)porfr(rla) I fr@lr)respectiva¡rente. entonces (42) P(Y=ulX=r) : f\*'') f donde f(x. puede ser menos probable pegar a áreas externas.2-7 . (B: Y: J). APLICACIONES A LA PROBABILIDAD GEOMETRICA Varios problemas en probabilidad surgen de las consideraciones geométricas o tienen interpretaciones geométricas.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. es pre porcional a K¡. (r) es la función de densidad marginal de X. Por fe1ü = dadoquerlX(r*dres Ll++ r(r¡ I &s¡ donde f(x. Entonces es razonable suponer que la probabilidad de pegar a la región de área K. Y son variables aleatorias continuas. 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. Análogamente la función de r(rlut = Algunasvecesdenota¡emosa @+¡ Estas ideas se amplían ejemplo. yl = P(X : Í. Fis. fácilmente al caso en que 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 . El tipo de suposición empleado define la función de dishibución de probabilidad.AP. etc. y) es la función de densidad conjunta de X. Lógicamente pueden plantearse ohas suposiciones. 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. Por ejemplo. Por ejemplo. Y.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).48 VARIABLES ALEATORIAS Y DISTRIBUCIONES DE PROBABILIDAD IC. /. Y : y) es la fi:nción de probabilidad conjunta probabilidad discreta para X.

así que cada punto muestral tiene probabilidad 1/36.3). (4.2) tenemos X : 5. Así para (3. de acuerdo con si deseamos considerar a X como va¡iable discreta o continua. Supóngase que se lanza un par de dados honrados y que la variable aleatoria X denote la suma de-los puntós. variable aleatoria X es la suma de las coordenadas para cada punto.s restreltos VARIABLES ALEATORIAS Y DISTRIBUCIONES DE PROBABILIDAD DISCRETAS 2. obtenemos la Tabla 2-4.1) así que la probabilidad asociada es 4/36. (2. Tabla 2-4 'x 1'17'página18. 2'9.1. (b) Consbuir una gráfica para esta distribución de probabilidad.2l VARIABLES ALEATORIAS Y DISTRIBUCIONES DE PROBABILIDAD 49 Problerna. garaX:5 corresponden los cuaho puntos muestrales (1. 2-8 la suma de las ordenodas es 1 en tanto que en la Fig. .2). Nótese que en la Fig. 2-8 o en la Fig. 2-9 la suma de todas las óreos rectangulares es 1.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/. Utilizando el hecho de que los 36 puntos muestrales son igualmente probables. (3. (a) Obtener la distribución de probabilidad paraX.Po¡ ejemplo.Jo 4/36 2/36 (ó) Podemos emplear un espectro o un histograma como los dados en la Fig.cAP. (c) LospuntosmuestralesparaloslianzamientosdeunpardedadosestándadosenlaFig.4).

2-11. Fig.. Obsérvese que el cero del eje r se ha desplazado.¿6 2r/36 18/3rt 15/36 12/36 9i 36 6/36 3136 . 2-ll (b) Véase Fig. dependiendo sobre si deseamos considerar a puede representarse como en la Fig. donde cada intento tenfa dos resultados posibles. c. 2-10 (o) Tenemos que F'(r) = P(X = tl u=x 2 Ífu¡. siA e¡eleuceeo"niñott.)' Tabla 2-6 fr 0 donde la variable ale¿toria X representa el número de niños en la familia. Enüonces de los resultados del Problema 2. (a) Hallar la función de distribución F(r) para la variable aleatoria X del Problema 2.t-. Por tanto.".46 trató el caeo de n intentos mutua¡t¡ente independientes. (Obeérvese que X se define sobre el eepacio muestral de tres inüentos). f(r) = .on probabilidadesp y g: 1-prespectivamente.2-L2.. Se encontró quelrr probabilidad de obtener eractamente r veoea A en los n intentos es icrp'q.JNCIONES DE DISTRIBUCION DISCRETA r/t 2. 2-10 o en la la FI.(. tenemos P(eractamente r niños) = P(X = r) = .L y (b\ repr€sentar gráficamente esta función de distribución.(i) \-'l /r \3 f(r) r/8 3/8 L/8 (b) La Eráfrca va¡iable X como discreta o continua. F(r) 1 33/36 30/36 27 i36 I 24/'. suponiendo iguales probabilidades para niños y niñas.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. 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. ip=q:L12. 0123 Número de ¡¡iñoc X = ¡ Fis. I 3/8 .50 VARIABLES ALEATORIAS Y DISTRIBUCIONES DE PROBABILIDAD [cAP.)"(t'-' = .1 hallamos F(rl = 0 -e 1r<. (b) Représentar gráficamente la distriUución en (o).) 3 se indica en la Tabla 2-5.(. La función de probabilidad para X.c.2 2.". A y A'.3. (a ) EI Problema 1.2. D:3. (c) Hallar la disgibución de probabilidad de niños y niñas en familias con 3 hijos.

.6.'= J-.-.2 obtenemo¡ F(rl (ó) L8 gráfica = de la función de distribución de (o) se muestra en la Fig. I -u. )? estÉ entre 1/3 y 1.entonces ó -l < x = -f./ -\-'l (* :u. rL t__J = 11h. F(¡) I 7t8 6/r 6tE 4/E 3/8 2t8 I UE t Fig.2l VARIABLES ALEATORIAS Y DISIBIBUCIONES DE PROBABILIDAD 51 2.. z2 = 1 (ü) si* = x2 =t..6.e¡décir t-. Hallar la función de distribución conespondient¿ a la función de densidad del Problema 2. donde -o(ú.2-13 VARIABLES ALEATORIAS Y DISTRIBUCIONES DE PROBABILIDAD CONTINUAS 2. t*tantolaprobabilidadpedidaes t(-'lstt oJ-t dn *lft dr IL'rJ¡5.12 + | = "t"r-rrl r-o = "L. t:_flu)ttr = 1.6. 2-13.2V @) (o) Uüilizando la Tabla 2-5 del Problema 2. X del Problema 2. 1 C" F(r) = )_-t{")a" = i)__ n du _ = !l-t. la constante c." r¿*l = ?['*-'(1) .\r-.4. f .rr_rrl.r12*L =zC' oJ6.cAP.ran-l(--)J = l[r*-' " "if = i. Un (¿) (a) Debemostener aXtienelafuncióndedensidad o".(-.<6.itan-rc .r . (c) Hallar la función de distribución F(*) para la va¡iable aleatoria representar gráfrcamente esta función de dishibución.. _. (b) Hallar la probabilidad de que f(r)=c/(n2+l). acf que c=Ur./J f = " =.t¿n-r (+)] I = z(z-z\ = 6 6/ "\4 2.

. Por defrnición P(X =-21 = )" ze-z"du = -u-r"1. y pueden tomar todos los valores enteros tales que 0 < n 3 2. (b) Hallar P(X =2. donde r. Tabla 2-6 Y X 0 0 0 I c 2 3 Totales ü I 2c 4c 6c 3c 5c 6c I . P(X>z) = f -(1 -e-r) = (c) e-4 p(-B<x<4) = ln¡rulou = f_roa"+ ton2r-r.7. 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. Por tanto.2 2. Y estÁ dada por f(r. tenemos que c : L142.e-4.du = -e-2"1 = L-e-8 lo l{ Otro método. (o) Hallar el valor de la constante c. 0 = U < 3. = = F(2) = | . fir-\ = dt l-F1. La función de probabilidad conjunta de dos variables aleatorias discretas X. las probabilidades asociadas con esos puntog dadas por c(2x * y). se indican en la Tabla 2-6. y (c) la probabilidad de que-3<X<4. (a) tos puntos muestrales (r. Y = l). P(-3<X<4) = P(X=4) -P(X<-3) = r'(4) .8.¡l = f2"-u l0 r)0 r10 le-1 (ó) P(X>z) Otro método.U\ : 0 de otra forma. )-11.F(-g) = (1 -e-e)-(0) = l-e-B DISTRIBUCIONES CONJUNTAS Y VARIABLES INDEPENDIENTES 2.62 VARIABLES ALEATORIAS Y DISTRIBUCIONES DE PROBABILIDAD [cAP. Puesto que el gran total.) 2c 4c 6c 3c DC l4c 22c 42c 7c L5c Tota les+ 9c l2c .A) = c(2r *y). (b) la probabilidad de que X > 2. (o) . (c) Hallar P(X>l. y) para los cuales las probabilidades son diferentes a crero se indican en la Fig.Y s2\.42c. debe ser igual a 1.y f(r.

1<g<5 de otra forma 1o (c) Hallar P(X>3. 2. 2. como se determina de los Problemas 2.cAP. Si las variables aleatorias. Y <2).8 son dependientes. es decir | | f@.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. P(X = t. Hallar las funciones de probabilidad marginal (c) de XV (b)de Yparalasvariablesaleatorias del Problema 2. Demostrar que las variables aleatorias X.{.Y : A) = P(X = r\ P(Y = Y¡ Pero. (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 2-6.9. y. (o) Hallar el valor de la constante c. (b) Hallar P(1< X <2.9. De estos vemos que P(Y=Y¡ = verificación:1*3 +!+1 ''7 74'7 t4 fz( =t 2.11. no P(X--2.8.8 (b) y 2.Y=l)=5"=a 42 (c) De la Tabla 2-6 determinamos que P(X>t. La función de densidad conjunta de dos variables aleatorias continuas X. puede expresarse como una fi¡nción de ¡ veces una función de y. Y es f (n. 2<Y <3).Y=\ = asr que h P(x=4 = # P(Y=l) = I (2x rr y)142.2l VARIABLES ALEATORIAS Y DISTRIBUCIONES DE PROBABILIDAD De la Tabla 2-6 determinamos que 53 (b) P(X=2.Y=L) + P(X=21 P(Y=L) E resultado también se deduce del hecho de que la función de probabilidad conjunüa.. 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. P(X=2. (o) Debemos tener la probabilidad total igual a 1. Y son independientes debemos tener. para todo r. Y del Problema 2. 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.u) = lcnU 0(r<4.r du = I .10.u) d.

y).2 Empleando la defrnición de /(.Tn' = idt\t/|.podrfamocremplazarenlaerpreaiónanüerior(por<."=.* s /rz11z .olduclo dudo = P¡re o > ft (s J.:o J"=rcnvilxils ft rrs = " J.F . Por t¡nto Fr(rl = 1.Y=z) = í:="í"'=. [ Í=.11.'=. la integral tiene el valor f4 ¡5 J. 7 ñ J"="To' = ln 2.o' = "Í.'uau)a' = *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.r=o(ry-.'=r$l'"-.)* = "Í:=rr2adr = "tu*)l'_.o)ctud. =y( 5 ec Fzful = P(Y <-vl = Í¿t=_@ f1 ¿ú=l f" f@.=oL. .54 vARIABLEs ALEAToRIAs y DrsrRIBUcIoNEs DErRoBABTLTDAD -l IcAp. xaau )clx = "!.r.¡¡'J.Yl'"=. para 5 < 0. fi uo = # 1. Oo = #Í:=. 1""=140. (ó) Utiliz¿ndo el valor de c hdl¡do en (a) tenemoe P(l <x <2. 4.12.=.- ñ E P(x>s.1Í":=.frarau = * Í'^='lÍ"'="u aafa' = + f"="#l'"='* L f4 Br. fv J-"=oJ"'='ffiauao = + . Hallar las funciones de distribución marginal (c) de X V(bl de I' del Problema 2.(a) = 0.=o J"=. Ft(¡) = 1.2<Y ' (c) <3) = Í.r"=. = e6c Entonces 96c = 1 y c : 1/96. = = 1 C' 5r. 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.

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

' ut 12 : ¿ ttt V@) en la integral al lado derecho.fl. Igual que en el Problema 2.1)llJ duda ("' ("'n.15. ) O. (2) puede Fig. para el caso donde J 0.¡.r\uti.rl duda = f"' (''' Ju. págir. Demostrar el Teorema 2-t. u) ellacobiano.56 VARIABLES ALEATORIAS Y DISTRIBUCIONES DE PROBABILIDAD [cAP. (r) (t tlt(u) es una P(ut LI 1tt"): P(rtlX1rr\ f¡7 (2) Remplazando x escribirse como /'ü: | t\u) titr 'ul |. Análogamente podemos demostrar ('36) para el caso donde .2fu.u. Jtl r s(u.16 ó P(ut<Uiu. u).z 46.f . como puede deducirse de la figura.u).Ll Plx = gfu)) = f lv@)l En una manera análoga puede demostrarse el Teorema 2-2. es decir g(u) _.._-. "rl "" /{.o'tlJ J< que es (3ti).2 1 L (" = J. esto es. podemos demostrar que u y u también crecen. pá$na 46. Ju. y crecen.t'@) Este es un caso especial de (34).66. Por tanto = fI¡rfu. página 46.páqina 46. pá$na 46... Demostxar el Teorema 2-4. L es una función decreciente de ¡..16.= fu ). y : Ju. u) en la integral de la derecha tenemos por un teorema de cálculo flrrtu. u aumenta a medida que r aumenta (Fig. El teorema también se puede demostrar si rl'(u) 0 ó r/'(u) ( 0.\: ?u.y) fe2 dr dy Remplazando avanzado que r : Út@. Dr P(r1<X1rz.. 2. Primero suponemos que a medida que r.At<Y<Az) = | fre | l(r.4v.u11V1o. 2 lu=rd' CAMBIO DE VARIABLES [r(3-r)z r 'rldr 48 2.. ' olü au = ¡'tl f ¡¡gqullv'tu:du Esto es válido pr. Demostrar el Teorema 2-3. . también podemos demostrar que (31) se cumple (véase Problema 2.a). Para el caso donde rlr'(u) -< 0. esto es. 2-1'7). La función de probabilidad para U está dada por s(u) = P(Lt ") = Plo(x) .=o g6. = 2.v)dud.17.(' 'u2 l3-' '. Entonces.a) a@'a) donde es d\u. pá4ina 46.1 . Primero considere el caso donde u : ó@) 6 x : tenemos función creciente. Úz(u..u . 92fu. | trrr J| s(u. 2-17 f . Véase Problema 2.a todo u1 y u2 solamente si los integ'andos son idénticos. donde ry''(u¡ ) 0 (es decir la penCiente es positiva).67).

En este caso no podemos emplear el Teorema 2-4 directamente ¡rero podemor proceder de la manera eiguienüe. Los valores de r para los cuales.)óx:L2-3u.¡función u = 2.cAP.2 = _.. de otra forma . u= r+11 6 r =n/F1.3 ( 6 corresponden a los valores para los cualeo 0 S 36 como se muestra en la Fig.3. página 46.E2.U<u) = P(-B<X<\fr) = J-s f@lA. Como se obeerva en esta ffuura el intervalo .3 ¡e deduc. La función de ptobabiüdad de una variable aleatoria X (2-' ü=1.2l VARIABLES ALEATORIAS Y DISTRIBUCIONES DE PROBABILIDAD es 67 2.I9..A¡íparacadavalorderhayunoydamenteu¡valordeuy función de densidad para U ee s(ut Verificación: = ilt'.16 que la Tbnemosu:tl3(L2-f. f(r) = to de otra forma Halla¡ la probabilidad para la va¡iable aleatoria a = X4 + Puesto que l.. página 46..17."1:-.2O.Enüonce¡1.'ll = 1 2. 2-18.2-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. du ¡5 <tz:_su.19.82. | .16. Tenemos tL = tr2 ó r = *\ñ. UyXqtídadapor y8€hatomadol¡raízrealpositiva..+ l larelación entre loe valoreedeuyrdela¡variablesale¿torias donde u:2. HaJlar la densidad de probabüdad de la variable aleatoria U = )? donde X es l¡ va¡iable aleatoria del Problema2... U: * .Loe valore¡ de u que correrponden a¡= . 2.e por el Teorema 2-3. o el hoblema 2.2.sutz¡21 ]. La función de es disüribución para U G(ul = P('tlu') Entonces si 0 Fis. = P(..18. 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). de probabilidad pedida para U ea ( z-ni i s("! = 1o utilizando el Teorema 2-1. o por el Probler¡¿ 2.tt¡¡f".3 y* = 6 rcn u = 6 y u -2re¡I¡ectivamente..!7.3 ( ¡ < 3 corresponde a 0 s z s 9 er tanto que 3 (¡( 6 corresponde a 9 ( u ( 36. 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 ¡. . recfprocamentg. Puesto que ú'(u) : dx/du : .

-ro 0 6<¿<10 f4 afu.2 < u . 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.<¿<36 de otra forma 21rsrz Verificación: zlb.r'nu ffr:i:0" 'Sea u = t I 2y. función de den¡idad g(u) ee l¡ derivada de G(u) tonemos.58 VARTABLES ALEAT1ORIAS Y DISTR. lo1u114 de otra forma . u : r. = {.a) (véase Problema 2.u 110 que ¡e muesEa eombreada en la Fig. 1 tZ _1. El Jacobiano está dado por Fr 0r J_lr"0o oa lüu la" att lo =l I 1 11 -. función de densidad de U = X + ZY.21. Si las variables aleatorias X. 2 ea - Fig. 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. Y tienen función de densidad conjunta r(x.=. Entonces la ¡olución ¡imultiinea re¡ulta r : u.1. etcogiendo arbitrariamente l¡r eegunda relación.ol =#¿" . le * fil2136 z4B l.u). uear¡do la regla de c@l Utiüzando la definición dada de = f(r) eeto se convierte en 0<z<9 9.IBUCIONES DE PROBABILIDAD Pueeüo que la [cAP.2 l*ibníz (12). 1 < y ( 5 correeponde a la regiiin 0( u ( 4. 2-19. Por üa¡¡to la región 0 I r 1 4. = 2.11) hallar la Método 1. ! : ll2(u .

o 2.2l como VARHBLES ALEAI"ORIA"S Y DISTBIBUCIONES DE PROBABILIDAD 69 'lar p determina refiriéndo¡e a lae regioner ¡ombreadas I. [.2)2 (u reeultado dd método L para 6 ( u ( 10. Nlétod.ytdrdy " = ÍÍ fta. De un¿ manera análoga podemoe obtener el Al deriva¡la con respecto a ¿ 8e encuentra (u .2-2O Fig. IL m de b Flg.21. u = x2 y . El Jacobia¡¡o estó dado por .cAP.au i*Z=.22. I/aimagende0(x14. Al dividir egüa¡ ecúaciones obtenemoe y/r = u/u aef que y = ut/v. 2.y=y2/3p-rl3. Fíg. eüc. Si las variables aleatorias & Y tienen la función de densidad conjunta 4' L <s <5 f(r.L(y(Senelpla' (véase Problema 2. Considére¡e u : xy2 .i 1<c<5 Pa¡¿ 21u ( 6 obserraÍros al r€ferirnoo a la Fig.11) hallar la función de densidad conjunta de U no uu está dada por o<azlgu-r/t<4 gue son equivalentee a . V = )PY.' I":"."'' gunoo = Í"::'lW-#fo' + 4)t2304. 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.u2 t< 7) uztga-rls < L26'u 6 1 64u 1u2 < Eata región ee muesba eombreada en la Fig. 2'20 gue la últim¡ integral ee igud a Í"--. 2-19.a función de di¡tribución de la variable eleatoria X + 2Y erüá dada por P(x *zY É ut = Íl rr2y 3 t@. Mo ¡oe conducealasolucióneimultánea s=p2/34-r/t.a) : {*''nu de otra forma :':' 0 L = XYz.2-2L 2.

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

2. En este caso la función de den¡id¡d eonjunüa et f(x. pígna 47\" Tenemos Ít* fz = | /r(") fz@-o) Jo=-a Haciendo fa da u)= a.f2(u-t:ld. de densidad de U: X * Y e¡ y): f t@) fz(yl. Y son variables aleatorias independientes que tienenfunciof. obtenemos (-' Ítrfz = .o{üau = tfo'k-r"-"-rv\d.d.9 t¿nemo¡ ftutrt = arf que con ¡ : 2 ffi:*+#t f(ylz\=g#f=+ P(Y=rlX=2\=/(1l3r=*z (ó) .u:-dw.cAP. así que por el Problema 2. Por tanto Cful = | JO f! (2e-2ül(ge-sru-u))do (" = 6"-su.26.rru-u)f2@t)(-d.8 y 2.f . (o) Empleando los ¡esultado¡ en los Problema¡ 2.25.-*) = 1 2.f 2* f1 (Propiedad 1.e-tr¡ f -'.w) = (" DISTRIBUCIONES CONDICIONALES fz@\lt@-u)dut = fz'ft "/u=-n 2.ar@u .241a función de den¡idad pedida es la convolución de f t y fz y eetá dada por c@) = ft*fz = f' fr(o.27. Y son variables aleatorias independientes que tienen funciones de densidad ft@l =112"-t' ..fw=n .to ¡iu>0yg(u):O¡iu(0.23 si X.{olf2(u-olito = f t* fz que es la conuolucidn de h y fz. R'ex. (b) P(Y : 1lX : 2'¡ pan la distribución del Problema 2.l) = 6(e-zt .2l VARIABLES ALEATORIAS Y DISTRIBUCIONES DE PROBABTLIDAD 61 2.olver el hoblema nes de densidad f t@). HaJlar (al f(y l2). Si X. 2.23 la función s(ul = t'.24.8. Demostra¡ gue fi t.a J_ú En el integrando f1 se anula cuando u ( 0 y f2 8e anula cuando u ( u. (y) respectivamente.<0 L0 ü>o * fg"-to a=o " frfu\ '-\e' =1l0 a<0 Y.- u de tal maneraque u = u-u.f¿ .u = (. Ve¡ific¡ción: ao ifui = 6o. halla¡ la función de densidad de su sumao U = X Por el Problema 2.

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

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

* +)ltro" Pare que e¡to ¡e¡ igual a 1.t La función de di¡tribución marginal para Y es .l. Supóngase. Y son independientes.tsl duit't: Í. r.í. ?f Fis. x >: O. f tienen la función de densidad conjunta f(a."_r"(to.ffoua.'= _. 2-26). = 2l0c : Ll2lO.:=. f"'= --rru. a" au P(xz + Y2 = t er la región def¡nida gnt r2*y2 5 l. (4t) la función de dishibución conjunta. (h) si X.Í"'=--odud'' = = Í"'=. Í'='Í"'=oLt!du¿.ü Hallar (o) la constante c" (b) las funciones de distribución marginal para X y Y. o sea un cuadrante de una circunferencia de radio 1 (Fig. U = 0. (d)P(3 < X< 4.(elP(X > 3).'=-.33.u do Fz@l = P(Y =.2 (2t (t) donde r(x.l(u.que las variables aleatorias X. (RP(X + Y > 4). f.'=. Entoncee puerto que (3) repreecnte el á¡e¡ de R observamos que b probabilidad pedida es n14.'=-. *+)0.2-25 PBOBLEMAS DÍVERSOS 2. = )) fr.| 126 ts) d.Y> Z). (D) La función de di¡tribución marginal para X er fr(a) = P(x = al = Í.'=--Í"": -ot.f.t tztut = {. debemor 0ener c Í..'y¡ = [. l.64 VARIABLES ALEATORIAS Y DISTRIBUCIONES DE PROBABILIDAI) [cAP.t"É s "r* O"O" rI Se deduce que la probabilidad peüda *.Í""= _ . = o u2 a<o I l6v 105 6=y(b t"'=ozffauao I y26 .ud'o I"=" !'"=o\ffauao Í""=. "(u.'=. f"'=o o(2-r I sl itr dv = !. (c) las tunciones de densidad marginal para XV f.. (o) t a probabilidad total está dada por f.yt = tr".

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

r): P(ts< yI e¡ decir la¡ funcione¡ de Jo f " au$ - u) ttu = (u Prt(t Jo BAI t)2) d. Hallar la función de densidad de U : Método f Sea .a\ - o Fig. Por tanto. etc.yt = d+# F(r. obtenemos oha erpreción.yeatarolucióntienelaepropiedadeodeseadas. Por incpeccióa.Y=y:l¡(*)üienenuna correrpondencia uno a uno en una forma continu¡. lo que er equivalente F(r.y) = I 2z2y*xy2-8!-ZV2 420 F(x. o<Y<1 de otra forma Suponemoequelafunciónde¡conoeidahestalqueloeinüervalocXSr.66 VARIABLES ALEATORIAS Y DISTB.yl = F(r.al + ft@lfzfu) o. B.vl -| F(r.IBUCIONES DE PROBABILIDAD [cAP.al + Fr(r) F2fu).Y es f(. V: X. 2. i) ¡e encuentra dentro del rectángulo. Xf si la función de densidad conjunta de X. Lor result¡dos completoe se muestran en la Frg.Entonce. y).36. do por U: XY. para 0 ( r.y 1 l. u: x 6r:u. 2.2 Cuando (¡.¡) = I F(r'Y\ = I F(r.r. Br2 .2rs = - 2U8 a = h(r) = ¡fi e8 u¡¡a rolución.2-28. 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 |.ntonc€. P(X = di¡tribución deben ¡er igualee. !: u/u.1) ó &: a2 6 PortntoY:*tE.3') = g F(z.8 elJacobiano eetáda- .84. ala¡cuales correcponde u:Í1. 2-2t (h) Las va¡iable¡ aleatorias aon dependientee ya que f(r.

r\. V es | .SeobservaqueXpuedetcmarcualquiervalorentreOyll2. a Fig.la" | J _ l^ tdfr árt l# #l I o 1 | | lo-t -u.f_: t f"-. + !o'i.y¡aylar * [o'll:-' r(r.36.2l VARIABLES ALEATORIAS Y DISTR..Denotamos porry0cualquiervalordeterminadodeXy@.1)* = Í:"ár('.r du ft t / G(u) = lf ¡gSu Pa¡a u =..IBUCIONES DE PROBABILIDAD arl ú .Se deduceque .2-29. También @ puede tomar cualquier valor entre 0 y ¡l2. obtenerños g(u) : f: (+) .. 2-30 2....ú J _* = J_-.eibniz.(.r\.anto la función de densidad conjunta de U."\ ) aa a partir de La cual se obtiene la función de densidad marginal de U.y\<t1¡)ar Derivando con respecto a u utilizando la regla de l. 2-29.t-zl | _u-r Por. Una aguja de longitud a1l cae aleatoriamente al piso. t".:)a.cAP. (Este problema es conocido como el problema de la aguia de Buffon). 2-29 Fig.u) s(u = 6r\".u./ . Observamos que G(u) = . asíque 0 s ¡ < t/2. cuando la región de integración está ümitada El mismo resultado se obtiene para u ( trazos en laFig.0 la región de integración ge muestra sombreada en la Fig. Un piso tiene líneas paralelas a distancias iguales I entre sí.(. s(u) Método 2. 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.'.ü d. La función de distribución de U es = o@. )0..X)* por la hipérbola a Q.. Hallar la probabilidad de que la aguja intersecte una línea.

de las dos personas. M. .68 VARIABLES ALEATORIAS Y DISTRIBUCIONES DE PROBABILÍDAD lcAP..37.ul = : 1/4 f t@) fzfu) = 1o (l 0S¡SL.{})(}) = ¡!. M. la función de densidad conjunta es (r) f(r. ¿Cuál es la probabilidad de que se encuentren? Sean X. con el conveniode que no se esperar¿ln más de 15 minutos. la probabiüdad pedida (e) e(rx - vr É 1) .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. las funciones de densidad de notamos que X y @ están ¿"¿r" po. fz|/) : 2ln. 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. esdecir. P(c<c=c+dc) =?d. Por tanüo la probabilidad pedida ee 7176.0<a<L de otra forma es Pueeto que 15 minutos de hora. puesto que X. y las 3:00 P. fr(¡): 2ll. medido en fracciones de hora después de las 2:00 P.=¡ e drd o = 2A t" se Cuando la expresión anterior se iguala a la frecuencia de caídas observadas en experimentos reales. que es igual a t . 2-31 Entonces. La probabilidad de 1 ¡r/2 f(a/2)se { | | li )s=¡ ). 2-30 ee obeerva que la aguja realmente toca la lfnea cuando este ¡uceso está dada por X = (ol2) s€n @. Va que el cuadrado tiene área 1. Y están dadas respectivamenüe por ft@l= lzful = (r 0:<¡=l de otra forma lo lo lr 0=a<L de otra forma Fig. obtienen valores precisos de Í Esto indica que el modelo de probabilidad descrito es apropiado. Pue¡to que X y @ son independientes la función de dencidad conjunta ee l(r'c)=?'Z=! ltlt De la Fig. Comoverificación 9 :de = | JoÍ Jo ¡rl2 I ia'=r L ?ll2 . Suponiendo que a intervalos de tiempo iguales corresponden probabilidades de llegada igrales las funciones de densidad de X. 2. Y son independientes. M. El lado derecho de (21 es el área de egta región.2 P(r<X<rIdr) =la. 2-31.

19. Resolver el Problema 2. (c) Problema 2.41. (a) construi¡ una tabla que muestre la distribuci6n de probabilidad de X V (b) representar gráfrcamente la di¡tribución.42. (o) hallar la di¡tribución de probabilidad para X V (b) repreeentar gráficamente la distribución. (o) Conetrui¡ una tabla que indique l¿ función de dietribución de X y (b) representar gr6ficarnente e¡ta función de distribución. Obtener la función de distribución y su gráfica para el (c) Problema 2. Rnpre*ntar gráfrcamenüe las funciones de densidad y digtribución. 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. Comparar los re¡ultados con los Ejemplos 2.18. (a) Construir una üabla que muestre la distribución de probabilidad de X V (ü) FUNCIONES DE DISTBIBUCION DISCBETA 2.4L.46. La Tabla 2-8 muestra la función de distribución de la variable aleatoria X.38. Una urna tiene 5 bolas blancas y 3 neg¡a¡.89.on remplazamiento.IBUCIONES DE PROBABILIDAI) 69 Problenra.2l VARIABLES ALEATORTAS Y DTSTR. Si se extraen doe bolas aleatoriamente sin remplazamienüo y X denoüa el número de bola¡ blancas.40. repreeenüar gráficamente la di¡tribución.48.2. 2. Hallar la di¡hibución de probabilidad de Z. Una variable aleatoria X tiene función de den¡idad l(x) Ilallar (o ) = 1o = (ce-g" c)0 rso (d) P(X < 1). 2. Una variable aleatoria X tiene función de deneidad f(n) = | "r' 1 "r L0 L< aé2 21r13 de otra forma . Sea X la yariable ale¿üoria que representa el número de ases extrafdos aleatoriamente en 4 ca¡tas de una baraja de 62 cart¡¡. Obtener l¡ función de dishibución y su gráfica para el (o) Problema 2. (ó) P(1 < X < 2). 2.44. s). probabilidad.47. 2. 2. (D) Problema 2.39. (dl P(X < 3). 2. (¿) P(X > r. la con¡tante c. Una moneda ¡e lanza tres vece& Si X es l¡ variable aleatoria que indica el número de caras que rerultan.38. (D) P(l < X g).1 y 2. (b) Problema 2. La función de probabilidad de una variable aleatoria X ee muestra en la Tabla 2-7.4O. 2.46. (r) P(. Hallar la función 2.47. de digtribución para la variable aleatoria del Problema 2.cAP.42. = Determina¡ (o) la función de VABIABLES ALEATORIAS Y DISTRIBUCIONES DE PROBABILIDAD CONTINUAS 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.39 si s€ extraen las bolas c.rlo s VARIABLES ALEATOBIAS Y DISTRIBUCIONES DE PROBABILIDAD DISCBETAS 2.E¡ suplernenta.41. (c) P(X >21. describiendo la relación entre ella¡.

56.52.2.60.56 para el caso donde las variables son continuas.57.(b)P(X<+. cerode otra forma.64. pendientes.ót. Sean 2. 2. y su función de probabilidad conjunta puede expresarse por el producto de rfna función en ¡ y una función en v.49. 2. Halla¡ las funciones de distribución 2. La función de probabiüdad conjunta de dos va¡iablee aleatorias discretae )d Y eet6 dada por f(x. (c) P(X > 1). (b) P\X'> PROBABILIDAD [CAP. Halla¡ la función de distribución para la variable aleatoria X del Problema 2. Halla¡ la función de probabilidad condicional (o) de Problema 2.(d)P(Y<{).(c)P(|<X<*). (d) la función de dietribución.67. Hallar (o)laconstante c. Hallar las funcionee de probabiüdad marginal de (c) X V (b) (c ) y para las va¡iables aleatorias del Problema 2. (e)siX Ysoninde 2. (b) de Y para la función de dencidad del Problema 2. DISTR¡BUCIONES CONDTCIONALES Y FUNCIONES DE DENSIDAD 2. Demostrar que las variablec aleatoúas di¡ctetas X.56.ó8. 0= ¡=1 deotraforma 2.2. (g) P(Y = 3). (fl P(X = r). 2. E)emo¡trar el resultado del Problema 2.3. 2. marginal (a) de X. De'rerminar ¡i X Y son independientes. (d\ P(X > 21. (d) P(l<X<2). La función de distribución de una va¡iable aleatoria X está dada por 2. SiP(X:3):0hallar(o)laconstantec. (cl P(llz < X < 3/2).Y = 3). 2 2). Y variables aleatorias continuae que tienen función de densidad conjunta (c(r2*a2) 0Ér< 1. Sea X una variable aleatoria que tiene una función de densidad (r.Y>+). (c) P(I<X< 2. X dada Y. X.!: L. (b) P(1-12< X <312). ¿Puede ser la función (c(I-12) F(r\ = 1o una función de dishibución? Explicar. (D) de Y dada X para la distribución del .54. f(r) = 1o 0=rÉ2 deotraforma Hallar (a) el valor de la constante c. Y son independientes solo si poro todos los uolo¡es de x.63.69. DISTRIBUCIONES CONJUNTAS Y VARIABLES INDEPENDIENTES 2. 0< gr< 1 f(r'u) = 1o deotraforma Determina¡(o)laconstantec.70 VARTABLES ALEATORIAS Y DISTRIBUCIONES DE Hallar (a) la constante c.ñ. y): cxy parar: L. (b) P(X=2. (e\ P\Y < 2). Y = 2).54.3. (b)lafuncióndedensidad. (c) P(X>l).

69. 2. n)0 = to r=o Y: X2. -a <a < . Completar la labor necesa¡ia para hallar gt(u) en el método 2 del Problema2.62.66.2I y verificar su reapuesta. para la digtribución del Problema 2.at = 1.66. 2.*. (b) Y dada X.p6gna 46.rl:j"<s<L Hallar la funcióa de den¡id¡d ondicional de (a) X dada Y. 2.63.7O. Siladen¡idaddeXes f(r)=U"(r2 *1). u >0 n1O 2.64. SiXüienefuncióndedenaidad f(r):(2v)-r/2"-érz. 2.(¿) S 0. (ü) Y dada X.2l VARIABLES ALEATORIAS Y DTSTRIBUCIONES DE PROBABTLIDAD 77 2.ú = { 0 J^ ^¿_.72. y>0 f@. (b ) Iluatrar el re¡ultado en la parte (a) erco$endo f(rl = i: l0 y verificar la solución. Hall¡¡ la densidad condicional de (c) X dada Y. < 5 < @.2. (o ) Si la función de den¡idad de X es f(r ) hallar la función de densidad de X3 . 2. hall¡rladensidadde Y = tan-rX. Veúfic¿r que la integral de gr(?r) en el método 1 del Problema 2.paraloscaso¡ (al g. hal|arlafuncióndedén¡idad deY=*. (*e-2. 2. Sea dada X. Sea la den¡idad de X Í@l = Halla¡ l¡ densidad de (¿) 3X (l/2 to -l<r(l deotraforma .6!.página46. 2.cAP.67.(ulZ 0. (D) Y CAITIBIO DE VARIABLES 2. Hallar la función de densidad condicional de (c) Xdada Y.2L e¿ igual a 1. (c) r¿. de otra forma [^ la función de ilen¡idad conjunüa de X. DemostrarelTeorema 2-3.. Demo¡tra¡ el Teorema 2-2.. (ü) *. Y.6t.@) < 0. l.71.57 . . (bl Xs + 1. si f(r. Si X tiene función de densidad f(r) Hallar la función de den¡idad de l"-. 2. 2. (e-(r+u) x>0. -.

8O.t2.7t.21 primero efectuando la Ea¡rdormacií¡ 2Y 2.22.8E. 2. f.t1.72 VABIABLES ALEATORIAS Y DISTRIBUCIONES DE PROBABTLIDAD Verifica¡ por medio de integración directa [cAP. 2.R y @¡ott tt. 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. Doc puntor ¡e seleccion¡n aleatoriamente ¡obre un segmento de lfnea cuya longitud a o ) 0.76. .77.).74. hallar la fi¡nción de den¡idad conjunta de U y V. Sean X. Emplear el Problema 2. para hallar la función de den¡idad de U = X + Z.79. l¡ función de den¡idad conjunta h¡lloda en el hoblema 2. Sea l(n'u) = ){ (1. 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. Si X. Sean función de densidad de X. yz0 deotraforma {o = X/Y.r""""va¡iablesaleatoria¡taleequeX:R co¡O. Hallar la función de dengidad de Z = XY.76. (bl V = XzY. CONVOLUCIONES 2.2 2.75. Re¡olver el Problema 2.22 pare.a) = (2r\-rs-(r2+Yt). -e 16 1o. Y variables aleatorias que tienen función de den¡idad conjunüa Í@. y tienen función de den¡idad onjunta f(r'u) = y tJ (e-(t+vt r>0.emosha¡que (a) lt*(fz*fs)=ft*fz*ft*fs' (b)/rt'(lz+fs) =(/rof)*fs' = Z y lttryo utiliz¿ndo convolucione¡ 2. Si. APLICACIONES A LA PROBABILTDAD GEOMETRICA 2. < U < @. y:8 ¡enO demoeEarqne la -@ I e¡ ob\=i ¡r"-tz/2 r=0 r'(0 l0 2. V = X I Y. 2. 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. 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. osv51 to deotraform¡ la función de densidad conjunta de Y. 2. Sean X.halla¡ la función de den¡id¡d de (a) U : XYz. ofrf 1.

Supóngase que f(r) : cl3t. t)o es la (0 rS0 (b ) Determinar P(1 función de distribución para una variable aleatoria X.E8. (d) P(l <x<21. 2. (d) Hallar P(2 = X ( 5). e¡ la función deprobabilidadparaunav¡¡iablcdeaüoriaX (o) Determinar c. (o) Deüerminar a (b) Hallar la función de di¡tribución. 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. (e) HallarP(2 s X< 3).. (d) y (e)? Jurtifrc¡¡ . Dos variables aleatorias independientee. Supóngaee que 2. Dos segmentoe de línea.1. . y la¡ 3:80 P. M. 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.86. (c) Repreeentar gráficamente la función de probabilidad y la función de distribución. M. ¿Cuál es la probabiüdad de que tome el meüro? Se sabe 2. Halla¡ (o)P(0 < X< 3). Un¡ pcr-na decide 6 minuto¡. encontrar c.9O.91.u r€. Una va¡iable aleatoria X tiene función de densidad l$tr-¡z) o<¡51 f(xl = t.t¡.S Y DISTBIBUCIONES DE PROBABILIDAI) 73 2. 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 . P(l<x<2.. (a) Demostrar que para una constante c apropiada. ' PROBLEMAS DIVERSOS 2.cAP. X.Y=ll. (e) H¡tlarP(X > 3). deotraforma Hallar la función de densidad de la va¡iable aleatoria Y: X2 y verificar ¡u ¡olución. (b) Hallar la función de distribución. 2. .t9. P(r=1). < X < 2).¡¡ue.0 {o deotraforma X. 2. En el Problema 2. AB yCD tienen longitude¡ de 8 y 6unidadesrelpect¡vamente. La función de probabilidad de una variable aleatoria X está dada por f(r) dondep es una constante. es la función de densidad para una variable aleatoria 2. tomará el metro.(d)HallarP(X> 1).ln 2)lZ. 2. (c) Representar gráficamente la función de den¡idad y la función dedistribución. 2. F(rl = 1"0_"_.2l VARIABLES ALEATORIA. (b)P(X> 1). r :1..9L ¿cuil ea la relación en'tre la¡ rcluciones (c).t6.DoopuntosPyQ se escogen aleatoriamente sobre AB y CD reepectivamente. 8i no lo toma.GlP(x+r>1).t7. f(r) = ( cre-22 r >.92.E4..

Y son independientes. Y variables aleatoria¡ independientes cada una con función de densidad . f tienen función de den¡idad conjunta f (r' u) = t o llla 0(¡(U. (D) Hallarp(1 <x<1. ¿Cull er el análogo del teorema de la convolución para variables aleatorias di¡creta¡? Ilustrarlo usando el hoblema 2. * Y es ) 0.98. o<Y <2 | c(2r+Y) o(¿(r' o de otra forma I (marginat)deX.103. /(z) = 2. (d) Harlar P(Ll2 2. Sean -(_ Y vari¡ble¡ aleatori¿¡ independiente¡ di¡tribuidae idénticamente y con función de densidad (2v)-r/2¿-úr2.2. En el Problema 2. Un¡ estaca de longitud .1.2.L.y> 1/B).. La función de probabiüdad conjunta para las va¡iable¡ X.101.93 ee cumple que P(X > +.Y<312).( tt ( -. (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.(c)lafuncióndedensidad 2. Hall¡r ta función de densidad de Z .. (c) Dererminar si X y Yron independienter.2 2.s7.96. + y. t2<X< l). (c) HallarP(Y = r).X2 + Y2. (b) Hallar p(X>tlz)..1ü1. y < g) = p(X > p(y < +.94. 0 os¡=2'o<Y=' de otra forma 2 (o) Determinar ei X. 2. 2. Generalizar (o) et hoblemz 2.93. ¿por qué? +l En el Problema 2. Sean X. (c) Iüllar p(x<rlz. Y está. y > 1). (b) ttallarP(l S X< 3. -..102.(d)lafunción Hallar(o)laconstantec. nal de X y f.ur = {"-'o |..79 a tres o má¡ va¡iables. 2. Y son independientes. dada en la Tabla 2-9.. (b) X Si -X. Supóngase que la función de probabilidad conjunta de las va¡iables aleatoria¡ X.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. 2. u=0.).74 VARIABLES ALEATORIA"S Y DISTRIBUCIONES DE PROBABILIDAD sean lcAP.99. x. (d) Hallar 2.L se rompe en dos parües. Y está dada por I r/9 r/6 r(r. .(u) = ¡1e:r donde l.a) = de deruidad (marginal) de Y.y>1). X Y va¡iable¡ aleatoria¡ que tienen función de den¡idad conjunta f(r.96.(b)P(X>Ll2. Demo¡trar que la función de den¡idad de X s(u) I @# u=0. Estudia¡ ¡i considerra que eltar oupoeiciones Bon realistas y cómo podrÍa mejorarlas si no lo son.0<U<t de otra forma P(X + (a) Determinar ai Y> rl2r. 2.91 halla¡ la funciónde den¡id¿d de (o) X2.78 y (b) el Problema 2.

0< y1l. Ilallar (o) P(X > Y< +r. 0121L o de oha form¡ 1.106.107 halla¡ la probabiüdad de gue una ¡rarüfcula pegue 8l objetivo entre A = O y0 : Í14. es decir ¡ur factores funci6n de densidad marginal. Si es l¿ f (r'a' z) = ( 1 rv2zs 01r11. Z> $).2l VARIABLES ALEATORIAS Y DIÉ¡IT.1O4 para que la probabilidad de intersección ¡ea mádma? Erpücar ru rcluci6n. función de den¡ided conjuata de tres variable¡ aleatoriea X. Pa¡a una aguja de longitud dada ¿cull debe ¡er el t¡do del cuadrado en el Problena 2. En el Problema 2.ede O a cualquier punto P del objetivo) forma con el eje. 2-32. Supóngase que la¡ variable¡ aleatoria¡ X Y. er igral a o(4t o\ltf .IBUCIONES DE PROBABILIDAI) 76 2. Un haz cilínüico de partícula. - 2.'"L'.J'v 1r' o1z.s de radio q e dirige haci¡ un obietivo hemi¡férico ABC co¡ centro en O como ¡e indica en la Fig. 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.10t.1O4. P(Z<X+Y). Un piso ertá con¡huido de cuadrado¡ de l¡do L Una aguia de lon¡itud o1l a lanza al piro.ri"r" dos de esta¡ va¡iables aleatoria¡ eon independientee. Demorbar que la probabilidad de que l¡ atuja intersecte al meno¡ un liado.. 2.109. c Fis. 2.2-32 2.1O7. Y. Z.cAP.¿.1O5. (¿) 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. . la! b€s no son independientes. Z tienen función de den¡id¡d conjunüa r(r.z) Demo¡ka¡ que au¡que = ito-""trtcosracos¡rz :. r *"loq.a.

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

= Ío'tro. entonces E[s(x)] : g(n)f(r) + s(rz)Í(r"\ +'.¡0.2.2.Entonces Y FTJNCIONES DE VARIABLES ALEATORIAS Sea X una variable : g(X\ también (¡ | s(¡)==y) es una variable aleatoria y se deduce :* 1.l(ir) a' = * : cE(X) ALGUNOS TEOREMAS SOBRE ESPERANZA Teorema 3-I: 3-2: 3-3: Si c es cualquier constante.) = ) i 2.'. Si X es la va¡iable aleatoria del Ejemplo 3. 0<r12 de otra forma E(xt = Í:_.ables X. Así por " -Ur.r(r)dr = Í.) /(".=+ aleatoria. E6n : E(X) E(Y) (10) Generalizaciones de estos teoremas se hacen fácilmente. + g(x")f(n"\ (5) = É' s(r. Y son dos variables aleatorias continuas con función de densidad conjunta f(r. .(i..3.con función de densidad f(r).y) r)r d. entonces - E(X+ y) = E(x) + E(y) entonces (e) Teorema Si X. Els(X. entonces (6) Elsul = f. Si s(r) /(¡) X es una variable aleatoria...rrr-z.= *|.. La función de densidad de una variable aleatoria X está dada por f@l = El varor esperado de X es f*u 1.f"_rt" -2x'¡f@)dx . entonces E(cX) Teorema Si (s) X. E'ex2_ zx) .Jf*f g@.a) f(r.cAP.fo" .y \7) 3. Se deduce que el jugador puede esperar una ganancia de $5. Por tanto en un juego honrado es de eeperarse pagar $5 EJEMPLO 3.Y)l EJEMPLO " = ¿-.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. Y son variables aleatorias. y\. .oO¡f@)dr Generalizaciones a funciones de dos ejemplo si entonces la esperanza de g(X. Y son variables aleatorias independientes. Y) se obtiene por aleatorias se hacen fácilmente. Si P(Y=v¡: X es una variable aleatoria discreta con función de probabilidad /(¡).

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.)2 f(n) ita (151 I-a.¡..A DESVIACION TIPICA Anteriormente e_n la página ?6.78 ESPERANZA MATEMATICA lcAP. A la raíz cuadrada posiüva se le llama ladesviación típica y por úx = t/@ X = . es decir cm. ALGI. ¡. entonces la varianza "? = EÍi/. Es por esta rcz6n que con frecuencia se utiliza la desviación típica. De acuerdo con el Ejemplo 3.l0(Xll (161 .2 l.4. Si es una va¡iable aleatoria discreta con función de probabilidad entonces la varianza es a'l = E[(X.("-á) rota" = J. plrf(a) ee\ Donde no exista lugar a confusión.'¡* = ... anotamos que la esperanza de una va¡iable aleatoria X frecuenüemente se le llama la. Entoncec l¡ varianza re encuenha por 02 = r/ t\21 tl("-n/l es / ¡\2 (z/ 2 ¿\r/f \ . .+ (a"-plzlln que eslavarianzade turconjunto dez númerosf¡ ¡ . Si los valores tienden a concentra¡se alrededor de la medi4 la varianza es pegueña.tr71x-¡l f(*). EÍ(X -p)'l = E(Pl - p2 = E(X') . = J-. ("-i) l..NOS TEUREMAS SOBRE VARIANZA Teorema 3-4: é: donde p = E(X\.¡ media 6 p = E(X) = 4/3. entonces la varianza de X tiene unidades cm2 en tanto que la desviación típica tiene las mismas unidades que X. Fis.. la varianza es grande. la desviación típica se denota por o en cnmbio de o*. en tanto que si los valores tienden a distribuirse lejos de la media. para el caso de dos distribuciones continuas con la misma . Hallar la varianza y la desviación tfpica de l¡ va¡iable aleatoria del Ejemplo 3.t)rl = Í__ O - ¡.p)rf(xtl = X (rEn el caso especial de (13) (I3) dondelas probabilidades son toda¡ iguales..2. La situación se representa gráfrcamente en la Fig.3 TI|' VARIANZAY I.p)r) = 2 @. V la varianza por o2.- y la desviación tfpica "=\F=+ Obsérvese que si X tiene ciertas dimensiones o unüadeq por ejemplo entímetros (cm). tenemos ¿ = l(u-p)r+(rr-p)..media y se le denota por t. 3-r EJEMPLO ' 3. +. varianza (o la desviación típica) es una medida de la díspersión o wriaeión de los valotes de la variable aleatoúa alrededor de ¡r. &1. x^Si (1t) es X es una va¡iable ale¿toria continua con función de densidad f(r).

. : E[(X .'. también conocido como el momento central r.yenestecasohayfórmulasanálogasa(23)y(24)enlascualesp:0. La relación entre estos momentos se expresa por @5) t".f@) = )(rf@ p)'l\r) (variablesdiscretas) (variables \23) (24\ t'..l (r) du -..a)" 1es mínima cuando a : p : E(X). y) = Var (X .esdecirelsegundomomento central o segundo momento alrededor de la media es la varianza. .. es decir -"Ol cero y vayianzal.)-l-¡t"i* "' * (-r)'¡. En palabras..r. MOMENTOS El momento r de üna uariable aleatoria X alrededor de la media p.lJr:0y¡re : 02.p). o se toma como unidad al medir X . .3l Teorema 3-5: Si c es una constante ESPERANZA MATEMATICA 79 c2Yar(X) Teorema 3-6: La canüdad E Í6 . Entonces podemos @ol x* .¿o:1.l. Teorema Var(cX) -- (17\ 3-7: Si X. se define como p. 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. VARIABLES ALEATORIAS NORMALIZADAS Sea X una variable aleatoria con media ¡r definir una uariable aleatoria normalizadd como y desviación típica o (o ) 0).fi' f continuas) X alrededor del origen se define como pi'= E(X') dc:cler:0..Y) = Var (X + (Y) ó Var (X) + Var (Y) 6 Var (X) + Var o2. Tenemos p.' @61 . = i(r.2.x---yUna propiedad importante de X* es que ti"rr" nombre de normalizcdc. l. Los valo¡es de una va¡iable normalizada se denominan algunas veces referencias tipificafus y X tipificadcs (es decir. esto es.. la varianza de la suma de variables independientes es igual a la suma de sus va¡ianzas. + "' + (-\'(. Las variables normalizadas son útiles para comp¿üar diferentes distribuciones.*y o?-v : = ol o2* * o2. o2* + (18) (19\ Generalizaciones del Teorema 3-7 a más de dos variables independientes se hacen fácilmente.p)'l @2) donde r:1. Sededuceguel.j=l ti. = 7)l momento'r de .2. = pi- (l)r.cAP. Y son variables aleatorias independientes.6¡. se dice está expresada en unidades sín dimensiones.

'NCION GENERATRIZ DE MOMENTOS (27) - 'i|¡'a I-a.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.. 2p" 6¡Ir¡12 tt.-" (32) es decir. FUNCIONES CARACTERISTICAS Si remplazamos ú : i<.4pip I FI.16(D)l = fi*"Oll. IUI y (t\ idénticamente. (r) .t"2 lrt = t"L-Bp'rtr * l"t : t't. La denotamos por .#l+ "' * r:#+''' ¡"i (r 1) Puesto que los coeficientes en esta expansión nos permiten hallar los momentos. entonces la función generatriz de momentos de (X + a)/b es + Mr*ro.función generatríz de momentos se define como Mx$) ee decir = E(e'*) er"f (28) (variables discretas) (2el (30) M*(t) = M"(t) ¡ . utilizando pl = p ygb:1. Y tienen la misma distribución de probabilidad solo si M. En palabras. AIfUNOS TEOREMAS Teorema SOBRE LA FUNCION GENER ATR. la justificación del nombre función generatriz de momentos es lógica.r. la función generatnz de la suma de va¡iables aleatorias independientes es igual al producto de sus funciones generatrices de momentos.=t eo'f(r¡) = 2 ) _. = l"L. f M " son variables aleatorias con funciones generahices de rnomentos M y "(t) (t) respectivamente. Entonces X. entonces M**"(t) = Mx(t)MtQ) (3 /r) Generalizaciones del Teorema 3-9 a más de dos variables aleatorias independientes se hacen fácilmente.3 Como casos especiales tenemos. Donde no exista lugar a confusión escribimos M(ü) por M"(tl.80 ESPERANZA MATEMATICA lcAP. De la expansión podemos demostrar que [Problema 3..r(t\ Teorema = """'**(l) (33\ 3-9: Si X. Teorcma 3-I0 (Teorerna de la unicidad): Supóngase queX. erf(r\ dr (r) (variables continuas) Podemos demogtra¡ que la expansión en serie de Taylor es [Problema 3. (t) respectivamente.15 (c)] M*(t') : I + tLt * r. ¡ri es la r-ésima derivada de M * (ú) evaluada en ü : 0. donde i es la unidad imaginaria en la función generatriz de momentos obtenemos una función importante llamada lafunción característíca. Yson variables aleatorias con funciones generatrices de momentos M * (t) y M .

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

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

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

. el resultado del Teorema 3-19 se llama ley de los gundes números en forma débil.34). En tal valor r. La moda es el valor que con mayor frecuencia ocurtre. realmente es falso.3-2 . Teorema es una consecuencia interesante de 3. la desigualdad de Chebyshev.25. . 1.75. Mediana La mediana es el valor de r para el cual P(X = x): P(X. llamado la ley de los grandes números.. cada una con media g y varianza o2 finitas. Sean X.. lim + X" (n=L. Con li31 frecuencia este resultado se denomtna ley de los grandes números en forma fuerte. y.2. 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. . Estas son lamoda y lamediana.pero cuando n '+ @. .6. . equivalente. : Xt* Xz+ .25 6 P(lx-pl<2"\ > 0. En tales casos decimos que la distribución es bímodal.. Los valores que corresponden a tales áreas se llaman uolorcs percentila o simplemente percentíhs. tres o más valores que tienen relativamente grandes probabilidades de octrrrencia. . Si h : 2 en la desigualdad de Chebyshev (59 ) vemoo que P(X-pl>2s) í= 0.3 3. . el ánea a la izquierda de r. en contraste. 3-2 es c. es que p con probabilidad uno.. Cuando se hace referencia a la "ley de los grandes números" sin ninguna especifrcación.10 6lO% y se Fig. variables aleatorias mutuamente independientes (discretas o continuas). f(r) es máúma. En el caso de una üstribución discreta puede no existir una mediana única (véase Problema 3. 2..q en la Fig. Xn.75 Literalmente. también se emplean otras dos medidas de centralizaciiln. =o "( *-" =.) Sn/n (60') Puesto que Sn/n es la media a¡itmética de X1 . este teorema establece que la probabilidad de que la media aritmética S. que esperamos sea verdadero. Por ejemplo. tiende a cero : g. Xz. Así por ejemplo el área a la izquierda de la ordenada eD f.. se implica la ley débil. la probabilidad de que X se encuentre dentro de 2 dewiaciones típicas de su media es rnayor que o igual a 0. Aunque la ntedia es la más empleada. trimodal o multimodcl respectivamente.\. tiene la mayor probabilidad de ocurrir. Algunas veces tenemos dos.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. Moda./n difiera de su valor esperado ¡¡ por más de e. 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.84 EJEMPLO ESPERANZA MATEMATICA lcAP. la probabilidad de que X diflera de su media en más de 2 desüaciones típica8 €8 menor que o iEral a 0. Un resultado más fuerte. r): 1l2. .ro sería 0. o en otras palabras.19 (LeV de los gnndes números): Entoncessi S. 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.

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

41.o\El = t7 \o.977t D(x): (150) (0.'(*) . Y los puntos que aparecen sobre los dos dados. 3.0005 0 P(X : r\ 0.02 750 0. Comúnmente se compara con la curya nonnal (véase Capítulo 4). Hallar la esperanza de la suma de puntos al lanza¡ un par de dados honrados.(+). [. Hallar la esperanza de una variable dada por aleatoria discreta X cuya función de probabilidad está Itrl Tenemos : (i)' (t=r. hágase á.002 3000 0.(i)" = +.1.02) + 750 (0...2.3 que es una cantidad adimensional. Véase también Problema 3.ero que se ganará un boleto. |s = i . 20 premios de $750 y 5 premios de $3000 Suponer que se colocan a la venta 10 000 boletos. Es posible definir coeficientes de sesgo y curtosis utilizando otras medidas de centralización y dispersión.. que tiene un coeficiente de curtosis igual a 3.s. En una lotería hay 200 premios de $150. . El precio justo a pagar por un boleto es 6 peeoo. s = .'(+)..) E(xt = Para halla¡ esta suma./ 'l*)* 7 E(X+Y) = E(X\*E(Y) = 3. pero los definidos anteriormente se emplean con mucha frecuencia.'(#).z. Por ejemplo la probabilidad de obtener uno de los 20 boletos que dan un premio de $ 750 es 20/10 000:0. Sin embargo una lotería gana dinero... Tenemog E(x) Entonces.(*) . - E(Y) ^/t\ = tll) * \o/ "' . por el Teorema 3-2..002...3.(i).'(*).00 ó 6 pesos. La esperanz¿ de X en pesos es r (pesos) 150 0. el precio del boleto sería más alto.. Entoncee Restando.86 ESPERANZA MATEMATICA lcAP. Problerna.os diferentes valores de X conjuntamente con sue probabilidades se muestran en la Tabla 3-2. ¿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:.0005) + (0) (0.s resueltos ESPERANZA DE VARIABLES ALEATORIAS 3. = 1 PorüantoS:2.9?75) : 6.002) + 3000 (0. js = !+ | + á + # +. Sean X.

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

(. E(x2) = E(vz¡ ='. Demoshar el Teorema 3-3.p\zt = '[(* -])'] = l:_ (" _'L)' t*. Hallar (¿) la varianz y (b\ la desviación típica para la variable aleatoria del Problema 3. Halla¡ (a) la varianza y (b) la desviación típica de la suma obtenida al lanzar un par de dados honrados. Pa¡a va¡i¡blee dependientec generalmente no ee cumple. Y ron independientee. ea decir.1/2. Obsérvese que la validez de eate teorema gira alrededor de si f(. por el Teorema 3-4. y. Por el Teorema 3-4. tenemos E(X): E(Y)= 7 12. independienteo. página 77. Además. de ¡i X. VARIAT'IZA Y DESVIACION TIPICA 3. tenemoe f(x.88 ESPERANZA MATEMATICA [cA".7." (')no(')l E(X) E(Y) Si cualquier va¡iable e¡ continua la demoetración ee desarrolla de igual manera. o."*' ""'*"' =i'|í'. p6g¡na 78.y f t@) fz(a) )1. / . Por tanto Y.\2 ^a = f-('-L)''"-"0' = i = El(x-r)21 E(xz¡-ll(x))2 = t.3 3.4 l¿ media de X ee ¡t= E(Xl -.u) = ) ) . (o) Del Problema 3.2. y) la función de probabilidad coniunta de X.4. Sea ¡t(¡.)'= i o = tFf-var(x) = \E = t r" : Ot¡o ¡nétodo. y): f tG) /2 (y).9. = Var(Y) = +-(.(+)-Fr. Entonce¡ l¡ varianza e¡ Var (X) = Etá .*(á) # :%1 Entonces. y) puede expresarae como una función de r multiplicada por una función I.r.(l) var(X) Var (X * ' . puetüo que X. Y rcn E(XY) = 22 Í!J! --t ra f@. por el Teorema 3.8.'/'Q)2afztu) . = Wa"(X+Y) = 1/g v6 3..:r:¡:* .)'= * Var y.10. con¡iderada di¡creta. Demostra¡ el Teorema L4.7 Y) = Var (X) (Y) = F (b) ox+). var(X) (D) 3. püa todo ¡. (o) Como en el Problema 3. Tenerno¡ E'(x ^"' * u' -'u. Si la¡ va¡iablec X. Y ¡on independientes. con las eumas apropiadae remplazadas por integracioneg.

E(x. \t / \r/ + .px) + (Y . = t(4=\ / =. mínimo de El(X-o)'l ocutre cuan- 3.pv)}21 EllX . = . Demostrar el Teorema 3-6.)t(")u'-l + (-t)rpr \. Var (X + Y) = E[{(X + Y) - (px + pv))2] = = = = utilizando el hecho de que .pl|..11.-iut + "' + (-l)'-t¡ur * (-l)-rnt donde al combin¡r loe do¡ úlüimo¡ término¡ re¡ulta (-l)r-1(?'- 1)p'.r.' ../ /\ /"\ = .r.o)n = O. página 79. + (-r\'-'( n . Demeshar el resultado (26).u\(Y . .. pág¡na 79.'tut '\'/ + "' + (-L)'-'( t . La demo¡tración de (I9). Si X* : (X ..ttv eon independiente¡.t .-. + r-r¡t('.r?2..py) + (Y . !¡rw-u¡ = L¡nwl-r) = a' o \ (x*) 0 (b) var = u" (?) = \o¡1x - u¡"1 oz =I utilizando el Teorema 3-5.(i )/.:. Y . f)e esto vemos que el valor do (t¡ ._i.13.t:.12.\x.a)2 pueeüo que E(X ..px)2 * 2(X .EÍ6 .!^r_':i. * .í':.(i\*.. y el hecho de que E[(X tt)z1= 3.pv)l * El(Y EI{(X Var (X) + Var (Y) px)(Y pvl2) El(X - - pv)l = E(X .. Y y por tanto X gue al remplaz.ar Y gnr -Y . p{ina 79.)¡.n)21 E[(X .págna79.3] ESPERANZAMATEMAIICA 89 3.2] + zEl(X . Pr = El(x-pl'l = nfL x.pi E(Y - py) - o ya que X. e¡ decir cuando a : ll. Er(x-'''. se ri' y emplear cl Teorema 3-6." -.u. (a) puesüo que E(X) = E(x*t ¡r.ltx.)"n'-' + (-t)'p'l J \r-r/. .tt)lo es una variable aleatoria normalizadq demostrar que (u) E(X*¡ = 0' (b) Var (X*¡: 1. . Demostrar el Teorema 3-7.tt): E(X). página ?9..px)(Y .P)21 + (P .ft\tr*"-.t'+ "' + {-r\r\l)r.TNCIONES GENERATRICES DE MOMENTOS 3... ..14.lt:0.cAP.-'u \I/ + . MOMENTOS Y FI.i. * t-t'(T)t1"'-.

La variable aleatoria X pugd. For t¡¡to Mx*vQ) = Elet(x+Yr) = E(etxetv¡ : E(etx) E(¿tv¡ = MxG) My(t) 8. Y ron independiehtee.) * ..17. = 2 fo'e<t-z>'d.t (D)Tenemor hsonce¡ et = e_t t+r+#.. (b) el resultado (g2). página g0. Demostra¡ el Teorema B-9.r|r*frr.*#.) cn(ú - o)" cn = i. Eltt (o) la función genératriz de momentos y (b) lós primeros-cuatro momentos alrededor del origen. (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 .. M(t) = Eletx¡ = f" J eEf(t)dr fo" ""1.'. ¡á=0.-"'ro. 'r"') \ . g s..* pL=1.I con probabiüdad 1/2 cada uno...1 = . página g0. (o) utlliz¡ndo lrr erpaneión en serie de potencia de eu (8. (o) Eqetx¡ = .rfr.e t-oma¡ los valores 1 y .. 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. 8-18.Lf". p'+=L.*#*..90 EspERANzA MATEMATToA [cAp.*"-. Pcto Al comperu Mx(\ tenemog t!:0. Apéndice A) tenemoe Mxe) = E(etx¡ = n(t+tX-t2x2. = L*pt*uLr4.2'.. Demoshar (o) el resultado (Br ).+"-. = . -T! \ 12 rg t + tU(x) + ae(xr) +¡a1xa¡ a . Todo¡ los momentos impares 6on cero y los pares Eon uno.16._" 3..(..ú3x3.16. cualguier función de X y cualquier función de y son independientes.. = L+tlt*uL#*ri#*.. ffirol. !utt" quc X.-'.(á) = |G. (r) (zl (I)V e\ = 1_¿+ r+_#*fr_ .*rá#*u..r ze<t-Dt : -T=Tlol@ = z li't<2 z-t..

. : c¿. /t = \. 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 ../!\'_ ./ \ -/ = cosa coso empleando las fórmulas de Euler ¿io con 0 * isena s-io = cos.\51 .".-+e i. = 27-s\s5. = l(3.*L*!-L*!*. La función característica está dada por Eteiux. = ./!\.".(+) * . al comparar términos. para unava¡iable aleatoriaX con función de densidad r(r) (c) = i.) = \ -..".'. pi (b 12) dr = -51 ) Utiüzando el resultado (27\." = B t. (b) alrededor dc la media. 2 4 8 p'n 16 Pero M(t) = * tt + uí#* rtfr+ tt^fi+ "' = P¡.Lp.1!) * r/9)' 85 ". tti = *. = . t = )2.. 3] (b) S¡ lúl ESPERANZA MATEMATICA 91 ( 2 üenemo¡ z_t z L_tlZ 1 I = '.'.216 pi = E(Xr) = . Jo "ot.17.21.8?b B6eg 8?50 ztcy q\.216 -r. '. 3. p6gin 80. = 2 ^f FI.*. Hallar los primeros cuaho'momentos (c) alrededor del origen.'''-r2)/8r :"=i..(l) -. El resultado también puede obtenerse del Problema 3.i¡en.r..17(o) al remplazar t : i<¿ 3.'NCIONES CARACTERISTICAS 3. "\5/ tt4 y.19.r)\B/ -t\Ei _ ^.r. .\. Por tanto.cAP. = E(X) =#Í""*z¡s-¡z)itr =f pL tt = Elxz¡ = # 1"" *rn - s2) d./+b(. tenemos ttl t2 = r-(*)'= # = 02 Fr .20. Halla¡ la función característica de la variable aleatoria X del Problema 3.

pxE(Y) . Puesto que f(r) es una función de densidad tenemog Í).t an + !o' "-"r.¡xXY . l:.f?o/.r = "lÍ:. arf 2c O + ..lxtty = E(XY) _ E(X) E(Y) Cov (X.23.LJ_-e(a+t@)ro" q. Y es oxy = Y) = El(X .pyE(X) * E(pxpvl = E(XYI . Demostüar el Teorema B-14.o<t> ¿sf .23 = Cov(X.. página 82.3 D(etx¡ = f-. página 82. 3."-*l* = -Alo = I - Entonces c: ol2. = *t_""^"0.l*-ei."r.E(X)E(ts) = 0 . la función ca¡acterística está dada por E(eiax¡ = ._(a_io) ü a L 2(o* io) 2(a. 3. Por tanto.Fxpy .ryttx * pxpv = ElXy). . Por definición la covarianza de X.* npv] = E(XY) .r'. Demostra¡ el Teorema B-15.o = 8en Cú. o" = asf que I ..pvX. por tanto por oxy el problema 8..p*y .6-'l "iar¿-.20) ceñ d = ao.f(r)dr tlÍ-"eíore-o<-x. Hallar la función característica de la variable aleatoria X con función de densidaa f@) = ee-atEt.pv)] = E[Xy .io') = _a2 a2 * o2 COVARIANZA Y COEFICIENIE DE CORREIACION 3.c-atxt d. = 2a io l-o = | al@t la ela@ .rrrrru. -oo < Í 1 @.22. úu empleando las fórmulas de Euler (véase problema 3. e<o+iarz * Jo ¿-<a-.92 ESPERANZA MATEMATICA La función ca¡acterfstica está dada por lcAP. + fo* n.útit¡) l€ lo lo .donde c ) 0 y c es una constante apropiada.e-ho 2ia. a. Si X. y eon independientes entonces E(Xy) : E(Xl E( y) . = "{lo 4f-o u-n<-. Yl = E(XYI -. e-(a-i@)¡ 2 a*io l-" ' .24.

. + (0)(1Xc) + (0X2X2c) + (0)(3)(3c) + (1X0)(2c) + (1X1)(3c) + (1)(2Xac) + (1XBX6c) + (2)(0)(ac) + (2X1)(6c) + (2X2X6c) + (2XB)(?c) 427 ld.o.alf '* = *. (/) Var(x).26.ur". (¿) (b) = ))o/("..y) = ?rh f(.a\ .(1)(1ac) +(2)(22c\ = 58o = E = n 78c E(Yt = 22af. lr. Resolver el Problema 3. 2. dy = %T t 16 ri = ñ)"=. sl Hdla¡ Cov (X. (s) Var(Y). (e\ E(Y')./zso r/55 -20: = 3. .. página 50. * (1)z(1ac) E(Y2') lllr"t *l =t ..(1)(9¿)+ (2)(L2cl+(3X15c) = = = 22nufia. (c) E(XY).at) = 4.2103 apror.. .O. si las va¡iables X.ul = )y.J"-o{o)1"Iuld'rita = I70 6s = tf67580 .r".-.lyL47. (0 p.= = t/zwan ' 15514.[) ¡@. [] tA. Y se definen como en el Problema 2.a\l = .. EsPERANZAMATEMATIcA y).cAP.y) = E(xy)-E(x\E(yt ?-(it)'=:* = +-/+)l+) = --+ r47 7 \21l\7/ -0.) (e) E(xz¡:22r2f(r.al = )"rl-)ftr.lrrr"o*.n". txv o = oxnv -..26.=. = E= + (c) D(xY..or. (d) E(X'). Ju=o {rú{rr r sl dr dv = .o.3.ú = .ol. Utilizando c : LI 2LO tenemo¡: (¿) (c) E(xt = E(Y\ E(xY) h + s) dr t...8. E(Y). f"t=u our. (b) t 93 (¿) 3..*.at) = rr.'.o1."=.r. página 52.25 si las va¡iables aleatorias X.. =# =+ = 22u2f(u.. Y se definen como en el Problema E(x) (a) E(X'¡.:-* J.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..

(iu) = ii 3.rrrr. .\r-. * a) dr tru = # otr . VARIANZA Y MOMENTOS CONDICIONALES 3. Como en el hoblema 2.94 ESPERANZA MATEMATICA fu'=o [cAP. DESIGUALDAD DE CHEBYSHEV 3. pág¡na62. p= oxoy -200l3969 /50s615e6-0 {r6únsn -200 t/zsnr/te zzs = ESPERA}IZA.(ui) . Hallar la esperanza condicional de Y dada X : 2 en el problema 2. [.27.^:. La demosbación para variables discretas es semejante si ee remplazan las integralee por sumas.x=2) = -.(rlytdr = í"'"(#*S* El=a\ 3.rrr. Esto oru o"oo oo. Si f(r) es la función de densidad de X entonces .29.zlB del Problema 8.=o.. f u'. Presentaremoe la demostración para variables aleatorias ecntirruas."=. * v) dx da = cov(x..30. .g. Demostrar la desigualdad de Chebyshev. la función de probabilidad eondicional de Y dada X : 2 es ftutz) = Entonces la esperanza condicional de Y dada + 2. .za condicional de Y dada 2(L-ys¡ 2(l+y*y2) --¡O+7I- x para eI problema 2.pág1na62. . página 61.)\t)* J_- donde hemos utilizado el hecho de que ltz: E(Y lX: r) :2.(#).03129 aprox. pág¡na 62.28. 3 (d) (el u') b) (h') (t oxy =# E(Yz¡ = h f. = var (y) = E(vz¡ _ l'(y))2 = t# _ (#)' = t.y) = E(xy)-E(x\E(y) = ?-(?f)(*t) oxy = -# -0. Hallarlaesperanzacondicionalde(c)YdadaXv(b)XdadaYenelProblema2. Hallar lavariar¡.# E(xz¡ =h Í. X: 2 es E(Y =2) "x = ? r(+) X: donde la suma se toma sobre todo y que corresponde a E(y.2g.27. (o) (ó) E(ylX=r) = Í-_afrtuldau = ír'r(rr")* = + E(xly=y¡ = f_-".2g.var(X) = E(xz¡-ll(xtl2 = #.(#)' = *tq*$ o2.(#).28(o).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.

.x.*X..25 Comparando con (o) observamos que el límite dado por la desigualdad de Chebyshev e¡ ba¡ta¡te crudo.ul=') 02 esto se conviertq. Entónce¡ P1x ¡.) así que t'" (+) = 4 var (s") = * X: Sr/n üenemos _/ls" | \ donde hemos empleado el Teorema 3-5 y una extensión del Teorema 3-?. /ts r|.(l*-*l \t o2 =t)/ = 1-(1-e'r) = p2 e-s = 0.+E(x")l = L(nt) = = Var(Xr)*. LEY DE LOS GRANDES NUMEROS 3. (b) Utilizar la desigualdad de Chebyshev para obtener un límite superior de P(lX .t <1) = "(l*-*l .18. Tenemos E(Xrl = E(X2l = .* . como se pide. La desigualdad de Chebyshev P|X-pl > f) resulta P(lX¡r] = 1) < oz = 0. '|. Así por la desigualdad de Chebyshev con Tomando el límite cuando n ) -.'*"') . = E(X) = p Var(Xr) = Var(X2\ = "' = Var(Xn\ = o2 Entonces t(*) = "(*'*'.) = ¡toz tt Var(S") = Var(Xr*'.) = o . Demostrar la ley de los grandes números establecida en el Teorema 3-19.3l ESPERANZA MATEMATICA 95 02 = EI(x - p)21 (' = J-* @ - p)2 l(r) dr Puesto que el integrando es no negativo. el valor de la integral solamente puede disminuir cuando el int¿rvalo de integración se reduce.31. Para la variable aleatoria del Problema 3.|ww.04e?e = plr- = 7/4. En la práctica la desigualdad de Chebyshev se emplea para dar estimativos cuando es inconvenientc o imposible obtener valores exactos.(-:.18.¡.¡rl > 1). página 84. Por tanto 02 t¡z-ttlZe rlr-yl=. ".18.32. Por tanto P(lX-rl > 6) 3.rl > 1) y compararlo con el resultado en (a). | \ _ ul=_ .'.).cAP. DeI Problema 3.|) ol ¿l \l \ o = J¡ | f :l/2 Ze-udr = 1 - e-3 Portanto (b) Del Problema 3.*Var(X. ¡¡ (o) = 1/2.t+. .. ¿lr-al=e Pero Ia frltima integral es igual a P(lX - pl ? .. (c) hallar P(lX ..t)/ = .

(b) Hatlar la mediana. es Í: L. . P(x<a) Igualando eeta = *. para el cual la . En este caso probabilidad esLl2. la mediana y la media se muestran en la Fig. que ea La moda pedida. y (c) compararlas con la media.62 apror. (o ) La moda se obtiene hallando donde la densidad f (x) ea máima.. Ahorapara0(a ( 3. una va¡iable aleatoria discreta tiene una función de probabilidad f(r) : !12' donde 2. (c) ' E(x) = + ('¡z(g-xz\da = !(t*-+)l'= 8l\ 5/lo 8lJo que prácticamente ee igual a la mediana.84. . que debe enconharse entre 0 y B. . La moda.36='ñ¿r ze) az de donde o = sli{z- q Por tanto la mediana pedida. (b) La medianaee 1.[.96 ESPERANZA MATEMATICA lcAP.60 = 1. aquel valor deo parael cudlp(X é a): ll2.9 - -'l 86 - 8l l2r2 = u Entonces . El máximo relativo de la derivada es cero."on-r2tdr = #(Y-t) 2aa_36a2 all2 hallamoe que *91 = 0 de donde _ia2 = 36a\436P-4(2X81-) . r: 1. 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. (c) Comparar la moda" la mediana y la media.¿rL 81 -_l = 'r2) df ar. l(r't 3. Halla¡ (a) la moda y (b) la mediana. r.3 OTRAS MEDIDAS DE CENTRALIZACION 3.33. Ob¡érvese que este valor da el máximo ya que la -24x 187 . eetá dada por = n-Zr/. e8to e3 f(r ) ocurre dondc . 3-6. = fr: aegunda derivada. (a)/ La moda es el valor de 4 asociado con la probabilidad más grande.?3 aprox. ea negativa para x = 1fá. .

l : 2. Empleando el método del Problema 3.a septuagésima quinta percentila es el valor de ¿ tal que (18o2 - a4 ¡¡8t: o @a. Del Problema 3.35.. = - p|) = l_".33.19.10.b1 aprox. Por coneecuencia escogemos el punto medio del intervalo.33 hallamos que s : 0.'"¡)a' = SESGO 0. Hallar el coeficiente y (b) curtosis para la distribución del Problema 3.655 apror.35 los valores de la vigésima quinta y septuagésima quinta percentilae son 1.3l ESPERANZA MATEMATICA 97 (b) Si¡escualquiervalorentrely2..P(X=r):l12yP(X. Por tanto Recorrido semi-intercuartflico = ?121 . (b) Por el Problema 3. (b) el recorrido semi-intercuartílico y (c) la desviación media para la distribución del Problema 3. Y CURTOSIS de (a) sesgo 3. tomamos el uolor mínimo de ¡ : 0.33 la media Desviación media ee lt : 1.r - pl f (n) dr = l"' l' .n "¡fa' = Í^" (.0 : 3. Entonces el recorrido es 3 .60 : 8/ó. es decü 312.3. : 1. PERCENTILAS 3. (c) Como se encontró en el Problema 3.".19 tenemos 02 ll 25 It3 oo - 32 8?5 -0.33(b) tenemos (o) LadécimapercentilaeselvalordeoparaelcualP(X5o):0. : 2. OTRAS MEDIDAS DE DISPERSION 3.Portantacualquie¡númeroentrel y 2 podrfa representar la mediana. Del hoblema 3. :.25.36.r :: .33.)[#'n .? 5. Por tanto el orden de las tres medidac es contrario al del hoblema 3.")] d' + Í.68 aprox.L21 aprox.l0.33. I.")[#. (c) Del hoblema 3.esdecirlasoluciónde(18a2 : 0.1253 3693 8750 (a) Coeficiente de sego -: o. o sea ¿ 0.. (b) vigésima quint4 (c) septuagésima quinta percentilas para la distribución del Problema 3.o . tomamoseluolor móximo de ¡: 3.-1998 0.t):ll2. (b) La vigésima quinta percentila es el valor de a tal que (L8o2 P\X<a)=#(Y-fl = "# aa -a4¡¡8t \l8L : O. a (c) f. M. Determinar los valores de la (c) décima. .098 aprox.121 reepectivamente.*l[#. (o) Puesto que todos lós valores ¡ ) 3 tienen probabilidad cero.37. Determina¡ (a) el recorrido. Entonces E(lX = D. En forma análoga puesto que todos los valores ¡ ( 0 tienen probabilidad cero.cAP.098 y 2. (" .

que tiene una curtosis de 3.' '^'y'.... y la varianzaes 02 : M"(O)-ÍM'1O¡12.l ¡rt" . " t*''L i:.Z. .39 para obt€ner 14 distribución de probabilidad de una variable aleatoria X cuya función característica es O(<¿ ) : cos . ú"r**:r. ti = M'(ol Entonces de (27) tL = M"(o) p = Iú'(0) 3. = I#+i:"-o 2¡ tt'' sr(. yp¡ los coe¡icietttes tte iour¡"r.. es algo menos apunüeada que la 3€.. 4¡ J.. ...39..(". coS c do -e ':. n2. . "" Entonces j f'= " -iia 4. .. - I zt.u-¡ . = o" = M"(0) - lM'10¡12 1. Utilizar el Problema 3.1.3 (b) Coeficientedecurtosis = et :..x¡ ¿ior¡ = - i -) r^. J.38. Qk¡)..página 80.Para una variable ¿leatoria continua. De (32). .> ]¡xeik. .1.l l''. ¿ k icr_.r-.(ar tra -= k =S o*Ja " ¿i{r'.. tenemos remplazando r : L y r : 2..40.. remplazaudo j por h. como se indica en la Fig. = .1. la serie de Fourier se rernplaza por la integral de Fourier (véase página 81). También la distribución distribución normal..39 I pt._ . Sea p.¡ rru./" .rf t1o k+j k---j Por tanto rt ¡ P¡ .. . PROBLEMAS DIVERSOS 3. . pk 1 12= T.. respecto I @ desde 0 hasta 22.98 ESPERANZA MATEMATICA lcAP.n. Si M(tl es la función generatriz de momentos para una variable aleatoria X demostra¡ que la media €S g : M'(O.¿. .j ... (b) Mulüiplicar ambos lados de la expresión (r) .. X una variable aleatoria que toma los valores t n..Iu-| é(o) E1er.{o) r/o Con frecuencia llamamos Q$. (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 -.t_ | eú .i)o ¡f. Del Problema 3.tlZ Se deduce que hay un sesgo moderado a la izquierda..." . o1_o o. puesto que f_"n. = 2¡p f -o --n . .. f tl' . f-ri"...r i r)d (¿@ I ¿ir r 1. 3.

1"/l) = -{. 2 2'\2/ = .20.)21 = E(X2) = pí = ps = qllX -p){] = E(X4) = p'n -o2 'lt4-.\2/ {..1"/1) = r \/. Por ta¡¡to la va¡iable aleatoria ectá dada por X=) Comó una verificación vúas€ hoblema 3.= -z-rll) .x2/2 ¿." *..k:-1hall¡mogp-r=*. -f rz ¿. (r |.'\2/ Entonces = EI(X./g\ = {.2. Análogamente obtenemos ti = E(xr¡ = h fl= o. (o) f(t)= l¿-"'" l/Zn- -co<n<e l!\ : llt = O y lt\:0..41. Iülla¡ el coeficiente de (c) sesgo y (b) curtosis con densidad de la distribución defrnida por la curua normal. con probabiüdad Ll2 con probabilidad Ll2 -r 3. 3-? (b) Tenemos p.p. 3 Por tanto el coeficiente de curto¡i¡ e¡ -i-ó .si. # to' '"t2"-'d'o B L 4. = Z Jo {i .3l ESPERANZA MATEMATICA 99 Si&:lhallamosr'=$. Por tanto el coefi- La di¡tribución tiene I¿ apariencia de la Fig. = E(xz¡ = -+ ¿l" l/2r -. 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. . "_. {2¡ or.cAP. = h Í. (.2"-22/2¿¡ ¿u = + 'to f'sz¿-x'/z¿. cientc de sesgo es cero./.8. \ Fig.Pa¡alo¡oEdvalore¡dektenemo¡p*=0. 3-7.

1/3 por . ll2 . La función de densidad de una variable aleatoria X es /(r) = (e-r r>0 de oüra forrns 10 Hallar (o) Eo(l.zcEl(X.{) * -. Hallar (a) E(XI. Demosbar que -1 < s1 (véase página 82).-". g.3 3. * c2El(Xr ¡x)21 .Y = ] 3 prob. . / . -2"":'\ -" -* \"r* ) -/ = oí+oil"-.s suplernent&rio s ESPERANZA DE VARHBLES ALEATORIAS 3. Una variable aleatoria X tiene la función de den¡idad (e-' r>0 /(r) = {l0 ^ ¡(0 Hallar E(e2x/31.46.100 ESPERANZA MATEMATICA p [cAP. Para cualquier constante real c tenemo¡ . I Problerna. (c) E(XY). Sea prob. + n?.48. 3. 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). I 1 3. (bl E(}X-21.49.( ".x)(Y- pv)l = + c2al - 2co*.Y El(Y _¡v)21 c(X - Px))21 = 0 / ol. (b) E(zX + 6). 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). (b) E(Xz *)a2).44. (cl E(X21. (c) E'l(X-1)21.otr ___q__ .."Í\"-. (c\ E(Xt).47.¡. 3. Una variable aleatoria X se define | -2 prob.zl \ 'xv\2 "i" "x/ --t-"i = ""*"1-o'*"=-0 ó *=1 '7ní queesequivalenteap2 < "'*"?. ¿Cuál es el número esperado de puntos que resultan en 3 lanzamienüos sucesivos de un dado honrado? ¿Parece razonable su solución? Explicar. 9. = o?.42. (b) E(Xr).45. Sean X.!\'Entonees el lado izquierdo puede escribirse El¡.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.

(d) E(X2t').55. 3. 0f s<I. VARIAT{ZA Y DESVIACION TIPICA 3. Y variable¡ aleatorias independientes tales que ^ vt || prob. en el Problema 3. Sean X.cAP. Si /(t.52? Explicar.'. 1/4 Hallar (o) E(3X+2Y).53. Y va¡iables aleatorias con deneidad conjunta f(r'al = iat' Io o-<:us1' o<tl<1 de otra forma Hallar (o) E(X). en eI Problema 3. Sean X. .62.57.58. (d) E(XY).50? Explicar.0lyf 3.E(X) E(Y).50. + Xn). 1/B prob. (b) E(Xy) -. 1/3 \o prob. * Xil. = I Z [ -_r Hallar (o) E(Xt+ prob. (b) "x. (c) E(X-rY). 3.49. . s) = ] : de otra forma |0 Y). (b) "x. (b) E(Y). Hallar (o) la varianza y (b) la desviación típica del número de puntos que resultan en un EoIo lanzamiento de un d¡do honrado. 3/4 prob.XY\ 2 = E(X) E(Y\. Sean X1 .. ¿Se cumple que (o) E(X + Y) = E(X\ + Sean X.69. (cl E(XY). (b) E(. Sea X una va¡iable aleatoria con función de den¡idad (1/4 -2f x=2 l(rl = jo deotraforma Hallar (o) Var (X). (x) = io x>-0 de otra forma Hallar (o) Var (X). . (b) E(2X2-Y2). 3.0=tt<2 lr(t*u) l\x'a) = f deoüraforma 1o (b) E(Y). (f. (ó) E6?+ X'r+ .48? Explicar. que (o) D(X + Y) = E(X) + E(Y). (ft E(xY).2/3 v) | 2 i -a prob. 1/6 Xzl . Xn n variables aleaüoria8 que están distribuidas idénticamente tal que | 1 Xt. Y va¡iables aleatorias con función de densidad conjunta Hallar (o)^E'(X). (d)E(XY). . 3. tc)E(X+Y\. en el Problema 3. ¿Se cumple que (c) E(X + Y) = EIX) + E(yl. E(Y\. 3.66. 3. 3.(zr+y) 0<r='I. 3.7/2 prob. .. (b\ E(XY) : E(X) E'(Y). X2.54.3l ESPERANZA MATEMATICA ¿Se cumple 101 3.51. Sea X una variable aleatoria con función de densidad f (e-.

Hallar (o ) Var (X ).62.44. 3. (b) Var (X).. Hallar los primeros cuatro momentos alrededor de la media en el Problema 3. Hallar el hésimo momento alrededor (a) del origer^. ESPERANZA MATEMATICA Hallar la va¡ianza y la desviación típica para la variable aleatoria X del Una va¡iable aleatoria X tiene (a ) [cAP.r02 3.68. 3.73. 3. demostrar que el 3o.61. (b ) ox. Si M(ú) es la función generatriz F:t de momentos de la variable aleatoria X. 3. (á ) Problema 3.01 - 3M"(0) ¡l'(0) + 2lM'(0\13 Ifrivr(Q) 4M.6 hallar (a) E(X). (b) de la media.(0)]2 - 3[M'(0)]4 FUNCIONES CARACTERISTICAS 3. Halla¡ Ia función ca¡acterística de la variable aleatoria (a X = 7 ó I prob. (a ) 3.70.43. Hallar la función carar:terística de la variable alcatoria X con función de densidad f¡): (x/2 io 05rtZ deotraforma . 3..43. g Problema 3.72. (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. 3. 2\21 Si una va¡iable aleatoria X es tal que E[(X Demostrar el Teorema 3-1. Ei6 - . E(X): 2. y 4o. (b) Problema 3.'(0) ¡f.69.44. E(X2 ) : 8. momentos al¡ededor de la media están dados por = p1 - ItI"'(. En el Problema 3. página 81.67. 3. 3. 1/2 -tn primeros cuatro momentos alrededor del origen. MOMENTOS Y FUNCIONES GENERATRICES DE MOMENTOS 3.(0) + 6M"(o)lM. Demostra¡ el Teorema 3-11. página 77. 3.67 halla¡ los primeros cuatro momentos alrededor de la media.71. Hallar (o) la función generatriz de momentos de la variable aléatoria x = y (b ) los ( U2 1 prob.60. (c) o¡. - 1)2] = L0.63.7 lxl I a deotraforma 4.66. p Prob' g=L-P Hallar la función característica de la variable aleatoria X que tiene función de densidad í'llZa f(r) = 1o 3.64.65. (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. Si X tiene función de densidad ¡t") : -i (l/(b-a\ O a'=r=b de otra forma. 3. 1/2 prob.

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)

En esta representación gráfica hemos indicado las áreas dentro de L. Tenemos z de la variable tipificada el wlor tipificado.u y F(z) : á['. : .73% Fig. 4 En este caso decirnos que la variable aleatoria X está normalmente distribuida con media g y l. Esto quiere decir P(-1<Z=L) = 0. P(-3< Z<3) = 0. 4-1 se muestra una representación gráfica de la función de densidad (7).". La función F(z) eú(z) = z-frÍr' e-u'd. En este caso la función panZ puede obtenerseapartir de (4) alremplazar! = 0V o: 1.96..99?3 (10) ¡$$. que es uno. ert (z).-2y I2. 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. 99.46%.68. du = + # fo' . 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.z: + . La función de distribución correspondiente está dáda por F(z) = P(Z < z) = I t/2" Í'-"-. resultando de f(z) : le-"'" V2" .9545.. algunas veces conocida como la curva normal tipificda..z..451/" y 99. (r) Este resultado se conoce frecuentemente como la iunción o la distribución de densidad normal tipif!eada.27%.-. Si hacemos que Z sea la variable normalizada correspondiente a X.73% del área total. *t(ft)] (e) En la Fig.2 y 3 desviacionestÍpicasde lamedia(esdecir entue z: -1y * L. P(-Z=Z<2) = 0. 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. du (s) se Algunas veces llamamos al valor encuentra relacionada con la función enor.6827.110 va¡ianza DIsrRIBucIoNEs DE IRoBABTLTDAD coN NoMBBE pRoplo [cAp.Nl/s-> 96.

ALGUNAS PROPIEDADES DE LA DISTRIBUCION DE FOISSON Algunas de las propiedades importantes de la distribución de Poisson qe presgnf¿rr en la tabla siguiente. ... 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. y en el límite es total. 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. 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. que da los valores de e-r para diferentes valores de ).. . decimos x -'p .¿r) : L J" f"-u2tz ¿r. (Véase Problema 4. tal que la función (1g) de probabilidad de f(r) = P(X--x): {] r=0.rup)ll/nfiqes t¡m P(a= (12) normol asintóticamente.D. DISTRIBUCION DE POISSON Sea X una variable aleatoria discreta que puede toma¡ X esté dada por los valores 0. . En la práctica la aproximación es muy buena si ambos np y nq son superiores a 5. . El hecho de que la distribución binomial tiende a la distribución normal puede describirse aI escribir Literalmente. se llama la distribucíón dePodsson (en memoria de S.t7). La aproximación es tanto mejor conforme aumenta n.2. donde tr es una constante positiva dada.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. Los valores de f(r) en (13) pueden obtenerse empleando el Apéndice H. Poisson. L. 1. 2. n+€ \ vnpq / 1/2n que la variable aleatoria tipificada (X ..cAP. o utilizando logaritmos. Esta airi¡Uu"iór.

(1 4) estoes.r)/V[ es la variable a]eatoria tipificada correspondiente. Xr. entonces En la distribuci sucesoestácercad la práctica conside grande :1- es raro l'* "(" x-r 1A :j ¡r ) : . .J. 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.l-= ('". +X. Efectivamente esto sucede.'. '.ó (X. se deduce que hay también una relación enhe las distribuciones de Poisson y normal. El extraordinario teorema siguiente revela que realmente una gran clase de distribuciones tienen esta propiedad.. . (15) . (r¿ . . ya que al remplazartr:np. Entonces si S.t..).. 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.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. ...ladishibución de Poisson tiende aladistribución normal a medida que n or mal asi n tót i came n te..TL2 DISTRIBUCIONES DE PROBABILIDAD CON NOMBRE PROPIO Tabla 4-3 Media Varianza lcAP. . .7/t/i ". T'¿orema . Esto se ve comparando las Tablas 4-7 y 4-3. V2=.. Xrl-Xr -1.qN1-yp=OenlaTabla4-1 obtenemoslosresultadosdelaTabla4-3. En tales casos l¿ distribución de Poisson (I3) con tr : np.u d.r)/V.. TEOREMA DE¿ LIMITE CENTRAL l . = n-ú \m P( \ a s" = -l'¿ o/?? = o) / = .2. Podemos demostrar que si X es la va¡iable aleatoria de Poisson de (I3) y (X . . 4-2 (Teorema del límite central): Sean X..t* Í"'" '2t't ¿. 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 5.1.4 a2=tr Desviacióntípica Coeficiente de sesgo I "=rA n¡ -.

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

párySna 109. = i@-a).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.p respectivamente. si la función de densidad de X es (2el . La función de distribución está dada por F(rl = P(X = x) = j (t.114 DISTRIBUCIONES DE PBOBABILIDAD CON NOMBRE PROPIO [cAP. r=Nq (21) (I9) V e0\ se conviertan respectivamente en P(X = x'¡ = (22) p--nP Obsérvese que cnando (23) escribirse como N -+ . en tanto que las proporciones de bolas blancas y rojas 6onp y q = L.=#=*.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 ". Los resultados son los que N gmnde el muestreo sin remplazamiento realmente es idéntico al nuestreo con remplazamiento. entonces . 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.n'-" o2 = 'ILPQ p=nP esperábamos. (281 X tiene la dbtribución de Cauchy. ya que para (25) de acuerdo con las primeras dos entradas de la Tabla 4-L.(ó N es grande comparada con n). (221 se reduce a (I8). que puede (24) p(x=t:) y (23) se reduce a = (I)o.

P ) t hay una única moda en el valor 4'lmoda - .Bi"')-" (33) X tiene la distribución beta si la función de densidad es [*.+a Para a (lo rrB c-= (.cAP. Considérese la variable aleatoria x": X'i+xt+.t e-tttt r)0 rS0 A).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--.CUADRADO Sean X. (3 8) . .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.-+x?. Sin embargo no existen la varíartza y otros momentos superiores. X. Sin embargo la función característica existe y está.B>0) (3t\ donde B(a. .) = (l.-:^:Jo-r(l -r\tt-t r(CI) l'(p) f(r) = I 0 ( ¡ <1 (35) o de otra forma donde o. p son positivos. .t*B):(a+B+1) (s6) > L. + Br -' \jl-):-..Bl o I las funciones beta -j)u-' 0(r(1 ^ de otra forma (o. En vista de la relación (9).p. Apéndice A. . 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).. t.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(.t-1 t-lB2 (37) DISTRIBUCION CHI. La media y o2 : nF2 Qt. variables aleatorias independientes distribuidas normalmente con media cero y vartartza 1. X"."11 f(r) : 1 tA. Análogamente no existe la función generatriz de momentos. La media y la vananza son ts=.

- 1 está casi distribuida normalmente Las consideraciones anteriores se sintetizan en el teorema siguiente. variables aleatorias independientes normalmente distribuidas con meáia 0 y varianza 1. DISTRIBUCION ¿ DE STI. la distribución ú (más adelante). tiene distribución chi-cuadrado con r grados de libertad. Entonces podemos demosha¡ que para n > P(x' < r) = 2¿úr:) Ío 0r.¡. .'(. - 12.r grados de libertad respectivame'hte.".. e-ulz du (3e) YP(x'-r)=0Parar(0.. La distribución definida por (39) es la ddsfribución chi-cuadrado y v es elnúmero de grados de libertad.. y V. (págrna 117)...)t\-/ lt L1..Uo variables aleatorias independientes do . r'2. Si V.¡''r'' (tr podemos ciemost¡ar que{2y2 Para grande (.. . Por tanto tL = 1. o2 : 2r. é(') = (1 -2i... Esta es una notación ambigua y el lector debe emplearla con cuidado.. (Véase Apéndice E).-.j tiene distribuciónchicuadrado con z grados de libertad.... Teorema4-3: Sean Xr. especialmente cuando cambie de variables en las funciones de densidad. .vr gIados de libertad. ó r. Xr..IDENT Si una variable aleatoria tiene la función de densidad lft\ : _/r + r\ r\--ct¡. Ur. Entonc€S ¡2 = Xt'+Xi+'. '. ) v.116 DISTRIBUCIONES DE PROBABILIDAD CON NOMBRE PROPIO se [cA?. En conexión con la distribución chi-cuadrado.. M(t) = (l-zt¡-..12. Entonces susuma fV: Ur | '. grados de libertad mientras que V : Vt * V. 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 . -l. . ¡.. es común en el estudio estadístico emplear elmismo símbolo para la variable aleatoria y el valor de esa variable aleatoria. donde r. o simplemente xto si v se sobreentiende y no ' pot ftp...... tiene distribución chi-cuadrado con r. los valores de las percentilas de la distribución chicuadrado para grados de libertad se denotan por x. variables aleatorias independientes. B: 2.4 A. X. la distribución F y otras. y Teorema 4-5: Seü V...i( 1' /j' -) / 'l' -¡(f<o (42¡ .v" -l bertad... t Un tiene distribución chi-cuadrado corl r'. Entonces V2 tiene distribución chi-cuadrado con v -. gradosde li+ U2 + . . donde y2 llama chi-cuadrado..-.tt.. f X. . Así. con distribución chi-cuadra- Otros dos teoremas que son útiles en el estudio posterior son: Teorema 4-4: Sean U. = 30) con media 0 y varianza 1.

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

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

zar una moneda honrada tres veces resulten (c) 3 caras. Puesto que en ceda lenzamiento pueden ocu¡rir 2 posibilidedec (cara o rello).(r i) .+)] r >0 Í <0 5.2óScarar) : 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 .1. csg css. Hallar la probabilidad de que al lall. 4. Distribución exponencial fkl = { lae-"' c)0 n=0 L0 M(t)= q."(t. Estoe lon ccc. para rignificar cara en el primcr lanzamiento. en el erpacio mue¡tral.'r(r / + |) - a-2.-t fi > O t'=. 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. Por tanto (o) P(3 cetar) = P{CCC¡ = } (b.a resueltos DISTRIBUCION BINOMIAL 4. c. Método 1. f(r) lt= )o-l Problerna. 1"1 ¿=j ( f(s) = rL o6*t-r {o 02 "-axt r<o * = o-'. hay untotalde (2X2)(2)= g re¡ultados poeibles. Si C denota "cara" y S denota 'rlellot' y derignamos CSC.cAP. DishibuciónWeibull.llo en el regundo y cara en el tercero. ccs. Distribución Maxweü. (c) al menos 1 cara. (d) no más de un sello. por ejemplo.b[. ssq scq scq sss Para una moneda honrada a e¡to¡ re¡ultado¡ re ler asignan probabilidadee iguales de 1/8. (b) 2 sellos y una cara. es decir puntoc muesEalee.4l DISTRIBUCIONES DE PROBABILIDAD CON NOMBRE PROPIO 119 3.

á . (o) p(scaras) = (l)(. 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). ó 3 caras) : * P(2 caras) * P(3 caras) = /'\/l\'/t\'.r)\t)\r) . Halla¡ la probabilidad de que en cinco lanzamientos de un dado honrad o aparezca 3 veces.)'= P(1 cara) 3 (c) P(aI menos 1 cara): P(1.2. Sea la va¡iable aleatoria honrado. 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/ . -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.2. NOMBREPROPIO [CAP. cara) = I'(X ¡-- 1) = P(X = 1) + P(X =2\ * P(X: 3) . Aeí por ejemplo si seleccionamo. 4.\t/\t/ \z/ \z )\zl \zi \3 l\2) \2 / De otra forma. (b) máximo una vez.sea la va¡iabié aleatoria que denote el número de caras en los 3 lanzamientos.)'(.)'(i)'= á (b) p(zserrosunacsra) :: (.I2O DISTRIBUCIoNES DE PRoBABILIDAD CON De otra forma.. qr" X. Usaremos ambos de los enfoques intercambiablemente.' /'\lrY/l\'. (c) puede escribirse P(al menos una /s\/r\'/r\o /s\/rY/r\ = \s/\rl \ü -\.X. /l\/tYll\'= . (c) al menos dos veces. i 8 P(al menoe 1 cara) : 1 : .

(o ) ee coüvierte en P(X>l) : P(X:l)*P(X=2)*P(X=3)*P(X=4) = 18 4.4.16 P(2 niños) : P(l niño) * P(2 niños) 16 16 * P(3 niíror) * P(4 nlñoa) 1 3 1 1 4 8'. -' /t\/ 1l\'/+)' = t. De 2000 familias r-:on 4 niños. \r \zi\z/ .i \t/ \t/ = 2 8 p(4 niños) = (l\ /1)'11)'= f x-/\z) \z/ . 3725 3125 = n76r n76. Entonces.L' = /1\/1\'/l)'= l. por ejemplo..ooo (lf) = 2000 18?5 Número esperado de familia¡ con 2 niño¡ 20OO ' P(2 niños) ó 2 niñas) = (3) = \ó.3. (c) 1 ó 2 niñas.4 16 Otro método. P(almenorlniño):1-P(nir¡gfrnniño) = l(b) P(al menos 1 niño y al menos una niña) ll)t \2/ = .es sea niño y al menos 1 Ll2.3 vemoe que (o) (b) N(rmero esperado de familia¡ con al menos 1 niño = .i tUO (c) P(l : P(l niña) * P(2 niña¡) niñoe) :P(l niño)*P(2 : I +3 : * . de que en una familia de 4 hijos (c) al menos 1 sea niño. ¿cuántas calcula deben tener (c) al menos 1 niño. P(al menos 1 niño) /t)l+)'ll\' = \. (d) ninguna niña? Refiriéndonos al Problema 4. -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.\o/\6i \6/ \r/\oi \o/ 3125 . (b) 2 niños.\s/\z) \z/ . Suponer que la probabilidad del nacimiento de un varón es t-.3888 4.3888 ' 3888 ' 7776 ' 7776 . (b) al menos 1 sea niña.. HaIaf la probabilidad (o) p(lniño) p(3niños) Entonc.= 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\'./s\/t\'/qY \2/\6i \6/ \'i \ei \o/ * \o/\e/ \6/ * \s/\a/ \a/ 626 r25 25 1 763 .cAp.. 4l DTSTRIBUCIONES DE PROBABTLIDAD CON NOMBRE una PROPIO '.zL (b) P(3 ocurra máximo vez) = P(X 1) = P(X = 0) * P(X = 1) = = 1l\/rY1¡\'*' ¡s) /r\'/rY .

(b) 0.6...4 Número esperado de familias con 1 ó 2 niñas = tZOOOill) ' '\ 6 / \/ = 125 1250 (d) Nfrmero esperado de famiüas sin niñas = (2000)( i ) = 4.r.rt't0.. f (r) P(x = r) = (!\o. de un tornillo no defectuoso va¡iable aleatoria X el nl¡mero de tornillos defectuosos. HaIIar Ia probabilidad de obtener un total de 7 al menos una vez en tres lanzamientos dé un par de dados honrados. = 1:)l+Y/q\' \"/ \"/ \6/ - r25 216 y 4.46e6 ffi ? .p:0. página49).L22 DISTRIBUCIONES DE PROBABILIDAD CON NOMBRE PROPIO lcAP. 4./ ) _)p.pet¡" Xi ' |0 {[1 si fracaso en la prr.1.. \r/ Entonces la función generatriz de momentos está dada por M(t) = E(etx¡ = )etxf(r'¡ n /n\ = ¡=0 ..nba j-ésima si éxito en la prueba j-ésima U=1'2.46e.q" .' (0. (ü) p(X = 0) = (c) P(x <e) = (fi)to.8)r = ¡. P(al menos un ? en tres lanzamientos) = | . Entonces es g : I ... Sea la (o) P(X: t) = (rn ). Si el 20 % de los tornillos producidos por una máquina son defectuosos. Médodo 1. (c) menos de 2.0.detalmodoquelaprobabilidaddenoTenunsololanzamientoesq:1-p:516.n" .2.. sean defectuosos.7.8.0. determinar la probabiüdad de que de 4 tornillos escogidos aleatoriamente (a) 1. Para una secuencia de n pruebas de Bernoulli definimos n /n\ '?n ('/tr"')'0"-' (a -l. La probabilidad de un tornillo defectuoso e8 p :0.l# = fr X que está distribuida Hallar la funCión generatiz de momentos de una variable aleatoria binomialmente.6.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.'(\*. Si X está'distribuida binomialmente.:: =:"0. = = Método 2.8)a = s.n) .

i)'== . de Los resultados anteriores también pueden obtenerse (pero con má¡ difrculüad) derivando la función genaetriz momentc (véaee Problema 3.1 = .IMEROS PARA LAS PRI.9. 2. . halla¡ (a) la media y (ó) la desviación tipiticada para el número de tornillos defectuosos de un total de 400 tornillos. entonces F = P(lX.y (I)rc convierte En particular si X tiene distribución binomial o de Bernoulli.1. Demostra¡ que la media y la varianza de una variable aleatoria distribuida binomialnente son p: np Y o2 : npg respectivamente. LEY DE LOS GRANDES NT. Si la probabilidad de un tornillo defectuoso es 0.esdeciresperamolque40tornillosesténdefectuo¡os.i . página 80. Por la desigualdad de Chebyshev. li* Pll{-.L52\.)l*. n.8.t y varianza 02 Íini- (r) en tol P(X-11 -ko\ flp.1. Procediendo como en el Método 2 del Problema 4. página 83. y1 E(X) = 0q*Ip = var (x." *Var(X) = npq donde hemos utilizado el Teorema 3-7 para o2 .. tt = flp.cAP.) + (r - p)2p = i)".) / \ 14 'l y tornando el límite cuando n -+ @ = 2+ ¡4r. Demostrar el Teorema 4-7..'* Xn. tenemos.lro. entonces ¡.1 ):40. . si X es cualquier va¡iable aleatoria con media tas.)(0.) Í+ó \l ?¿ -l = / = 0 El resultado también se deduce directaménte en el Teorema 3-19. págirra 84.. o =.. M"(t) - 'f pst¡n 4. . o - {-npq.la ley de los grandes números (en forma débil) pa¡a las pruebas de Bernoulli.38) o direetamente de la función de probabilidád (véace Problcma 4.. = X.n) (Q Entoncee por el Teorema 3-9. :-. v (3 ) se convierte en P(lz -. con S.q Entonces o2 p:E(X)=E(X'\+E(X2)+"'+E(X")-np = Var(X) = Var(Xr) *Var(Xz) +. como se requiere..npl > k1/i-npq) < i ó (3) Si hacemos c = k \l T.10.9) : 36..t/V6d.e*pet M(t) = M tQ) LI2Q\' ' ' (i=1. (o) Medialt:np:(400)(0. Pa¡a la función geraeratr:iz Mj(t) = stoqlettp . 4.4l DISTRIBUCIONES DE PROBABILIDAD CON NOMBRE PROPIO L23 de momento¡ Entonces las X¡ son independientes y tenemos X: Xr * Xz *.2.'EBAS DE BERNOULLI 4.7 tenemos para/: L. (b) l'Iananza o2 : npq: (400) (0. Por tanto la desviación tipifrcada o = y'56 = 6.

68 y 0.3849. baje por la columna z basta alcanzar el valor 0.6636 e-ú'/! clu = 0.1828 O yz ) lo mi¡mo que P(0.46 f ZÉ2.94) O y z = 0.4864 : 0. proceda a la derecha hasta la columna 8.27.2.C.46 " 1 e-u.2L) : (área entre z : O y z : 0.u + t/2" 'lo + ('"' "-u2tz 1¿4 2l 10.=12 Fig. .i77Z + 0.11.ildlt + _= |^2 ¿¡ = O. 4-3 (b) Area pedida : área entte z : O y z: *0.68 sz=o) = -! l'o {2¡ J = | r' -o. Por tanto P(-0.!772 + 0.gg4g z=O .(b) entre z:-O.(área enhe z :-0.L (o) Utiüzando la tabla en el Apéndice. \.46 y z: 2.Luego proceda a la derecha h¡sta la columna marcada 0.4 4.68 (por simetría). (c) entre z : -0. = "-u!/t 0.2910 = 0.rz¿u (c) ñ J" Area pedida . 0.t _o.L24 DISTRIBUCIONES DE PROBABILIDAD CON NOMBRE PROPIO lcAP.¿ ¿-uzr!¿u = -! Jfo \E = ___1__ -o. DISTRIBUCION NORMAL 4. 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.46) * (área enbe z:0 y z : 2.81 = Z = L. es el área pedida y representa la probabiüdad de que Z estÉ ent¡e O y 7. [.2I) : O. (d) entre z: 0.2.2517.6.46 y 2.94. El recultado. Por tanto .941.6636.as 0. Por üanto'.12. Entoncee.68 y z : 0.2) = | {u ¡rz Jo ¿r. Halla¡ el área bqio la curva normal tipiñcada (a\ enfte z: Q y z: 1.. baje por la columna ma¡cada con z hasta alcanzar el valor /.25f ? El área.4964 | t/Zt Js \/2r Jo "-uz/z 1 (d) Area pedida : (área entre z : : E¡to es - (área entrez : 0.28. P(-0.68 "- u.211 = + (''" {2r . ee el área pedida y representa la probabilid¡d de que Z eté entre -0.a'ley de los grandes números establece en este caso que la probabilidad de la proporción de los 3 en n lanzamientosdiferiendodel/6pormásquecualquiervalor€)0tiendeaceroamedidaquen-+€.0.81y z = L. (e) a la derecha de z: - L. represenüa la probabilidad de que Z eaté entre -0.81 0.21. Por tanto P\0=z=r.4738 - : 1.46 y z : O) * (área ent¡e z : O y z : 2.+e "-u2t2f. El resultado. 0.

z : -1.5: 0.5 kg. hdlar el número de estudiantes que pesan (a) entre 48 y 71 kg.4332.4115 de lo 2: z es negativa pero a Ia izquierda de -1. o.de 91 kg. Suponiendo que los pesos están dishibuidos normdmente.694 utilizando interpolación lineal.4332. Por simetría.0.5: -2.5)/10 68.4332- Entonces el área entre 0 y z es cual e: -1. (o) Los pesos registrados entre 48 y 7l kg pueden realmente tener cualquier valor entre 47.4l DISTRIBUCIONES DE PROBABILIDAD CON NOMBRE PROP¡O Area pedida L26 (e) - (área entre z: -t.:1Tí"11u (área entre 0 y O. 4. de lo cual z:1.5 y 0' (c) Si z fuera positiva el área sería mayor que el área entre que es 0.3997 + 0.5. (b) Puesto que el área es e-tt/2 du = 0'3770 mayor que 0. El problema es equivalente a resolver para z la ecuación rfz G ). con menos precisión."O. (b) más.4332 :0. Entoncec la z pedida es 1.cAP. por tanto z debe ser negativa.0277 (árca entre -1.L6. El peso medio de 500 estudiantes varones de una universidad es de 68.3??0.1 y bajo la columna 6.7O ?1.8621. : (47 .5: 0.14.O2l7 : Entonces el á¡ea entre z). Area entre -1.5:0. (a) En la tabla en el Apéndice C.69. Por tanta z: + 1.5 )/10 .0217.5 kg en unidades tipificadas : (71. hallar el valor o los valores de z tales que (a) el área entre 0 y-z sea 0. z : -t.09.5.30 47. el valor 0'3?70 se encuentra a la derecha de la fila ma¡cada 1. 4.(área entre 0 y z) (área entre 0 y z) 0.5 y 71. Si "área" se refiere al área bajo la curva nonnal tipifrcada.5 y z sea 0. -1.5 kg en unidades tipificadas 68.5 kg y la desviación tipiiicada es de 10 kg. o. (b) el área a la izquierda de e sea 0. Area entre 0 y z es 0. Caso 1: z es negativa pero a la derecha de -1. Caso 0.8621 .28).3621. Area entre z v -t'5: 9ü.O2l7 + 0.O2L7 : 0.35.8997 Esto es lo mismo que P(Z > -1.5 y z : 0. z debe ser positiva. suponiendo que se regis' han al valor de kg más próximo. (c) el área enhe - 1.5 y 0 ) . 0 y z esO.28'y z = O) T 1área a la derecha de z : 0) = 0.4332- : 0.4549 y z: l'ig.16 es otro valor de z.13.16.4-ll -1.5.

L26 DISTRIBUCIONES DE PROBABILIDAD CON NOMBRE PROPIO lcAP. El propósito prira el cual se han diseñado las lavadoras permite una tolerancia máxima en el diámetro de I.600 P(W -.4893 = 0. Determinar el porcentaje de lavado¡as defectuosas producidas por la máquina.11.266 a 1. 4.0107 es 2. Sin embargo para doe cifrar significativag los resultados son iguales.O]-25: -1.300) 0. r.(área entre z : O y z : 2. etrt+oot-tu2/2. : Z.275)l O.2 : -7.5)=0.26 s 1.600) kg.10 y z Ol * (área eítte z = O y z : 0.2) yz Proporción de lavadoras no defectuosas . 4-r3 Si W denota el peso de un estudiante escogido aleatoriamente. (área a la derecha a.3849) = 0.7698 ó O yz : 77% -1.9tOt 4.68.1179 = kS ee 0.30 = 600(0. 1-14 Obsérvese que si consideranros el intervalo L.2 L.30) : (área entte z: -2.29 en unidades tipificadas : : (1. La media del diámetro interior de una muesha de 200 lavadoras producidas por una máquina es 1. el resultado anterior se modifica ligeramente.(área bajo la curva normal entre z : L.26 en unidades tipificadas 1.6)/10 : 2.29 cm como representando realmente los diámeüros de¡de L.tt)lo: uenlaintegralde M(tl = -= | \/2r J-14q modo quer:¡¡+ dx: o d4 tenemor dt. podemos resumir los resultados anteriores en términos de la probabilidad al escribir P(47.275 cm y la desviación típica es 0.0126: L.16.6000 Entonces el nfimero de estudiantes que pesa entre 48 y 7f 500(0.1.4 Proporción pedida de estudiantes : : = (área entre z = -2.5 - 0. = 300.0125 cm.2 -77% = 23%. Hallar la función generatrrz Tenemos de momentos para la distribución normal general. suponiendo que los diámetros están dishibuidos normalmente.91¡ = 6.30) 0.30 Entonces el número de estudiantes que pesa más de 91 kg Fig.2 Por tanto el porcentaje de lavadoras defectuosaÁ es 10002 Fig.10 y z:0.26 a 1.26 (1.29 .2 . (D) toe e¡tudiantes que pesan más de 91 kg deben pesar al menos 91. M(tl = E(etx¡ = L= Remplazando (x ot/2r J -- (' ette-(t-tD2/2c2 dtr g.010?): $.l.295 cm.5 . de otra forma las lavadoras se consideran defectuosas.I. d1) = "ut'<o2t2/2t (J-ú "-tr-ort" l/2" .SO) (área a la derecha de z : 0 ) .4821 + 0.(dos veces el área enhe z : = 2(0.5 Proporción pedida de estudiantes 91'5 kg en unidadee tipificadas: (91.5<W<71. 1.29 cm.2) . .275')lO. .

3289 : 0.7734 que se compara muy bien con el valor verdadero superiores de n. )\.* "á Ar P(X=A) /ro\/fY/r\'_ = \4 /\z/ \z/ P(X=6) = 106 stz /to\/r\o/r\n _ = (. mostrada a trazos.17. Cor¡siderando los datos como conünuoe.es la probabilidad pedida es P(B=x<6) = #. La probabilidad pedida es la suma de las áreas de los rectángulos sombreados en la Fig.ó8 : -1.7784 Probabilidad 2341678 Nfrmero de caras Fig.5 a 6.95) : O.) ffi. Hallar la probabilidad de obtener entre 3 y 6 caras inclusive m 10 lanzamientos de una moneda honrada utilizando (c) la distribución binomial.68 y z = O) * (área entre z : 0 y z : 0. ro¡ Entonc. obtenido en la parte (o).)\.5 en unidades tipificadas : (2.E \ /\2/ \2/ =5) = l.¿*\ / = ewt+(ozt2/2) APROXIMACION NORMAL A LA DISTRIBUCION BINOMIAL 4.6.5)/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. 4-r5 23{587E Nfrmero de caras Fig. 4-16 trata los datos como gi fueran continuog.)'_ . La precisión es aün mejor para valores .5 . Entonces dadas por/r= np=10(4\= 5yo = {nw = y'(10)(+)(+) 2. 4-16 y puede aproximarse por el área bajo la correspondiente curva ncrmal. Tqqbié"r!g_.#*¿%*# 03 = # = 0. (b) la aproximación normal a la distribución binomial.58. se'deduce que 3 a 6 caras pueden considerarse como 2.58 y z : 0.5 caras.95) (área entre z :-1.. Entonces p(x=B\ = P(x ('f)(.58 6.7718 (área entre d. (o ) Sea X la variable aleatoria que da el número de carag en 10 lanzamientos.58: 0.cAP. en la Fig.p94!l y la varianza para la distribución binomial están = 1.X.95 Probabilidad pedida : : z: -1..4l DISTRIBUCIONES DE PROBABILIDAD CON NOMBRE PROPIO L27 Entonces sustituyendo u - ot: u hallamoc que ettt+(c2t2/2)( M(t) : + f\t/2" J-* "--.5)/1.e O.-o) l+Y 5 ll)' : .5 en unidades tipificadas : (6.4429 + 0.

5 y 260.02) : : -(área enhe z O Y z : 0..5 en unidades tipificadas hobabiüdad pedida .' La probabilidad de que resulte un 4 es p: l16 y de que no reeulte esg : 5/6.31-i Probabilidad pedida : (área bajo la curva normal enhe z : -5.. podríamos considerar que la moneda no 4.5 . Hallar la probabilidad de que el número de caras no difiera de 250 por (a) más de 10. o si consideramos : (219.(área entre z : O Y z :-1.35) : (á¡ea entre z : O y z : -5..18: . .0..O2 14.5 -. Esta se encuentra exactamente ¡rzo\/f\"i 5\'o' .02y z: Probabilidad pedida -O.L28 DISTRIBUCIONES DE PROBABILIDAD CON NOMBRE PROPIO [cAP..(i) = 250 s '= \/ill = ..5 y 280. suponiendo que el dado es honrado.b.0885 Se deduce que si fuéramos a tomar muestras repetidas de 120 lanzamientos de un dado. 239.18 : -2.OB tipificadas : -0.e z: O y z:2. es decir etabacargoda 280.6 .5 en unidadee tipificadas :-5.19.)(+) = I 1. pbr (o) Deseamos la probabilidad del número de 4 entre 0 y 18.94 ib) Necelitamoe la probabilidad de que el n(¡mero de caras la encuentre entre22O y datos como continuos. . un 4 debe apariecer 14 vece¡ o menos en aproximadamente la décima parte de estas muestras.94 260. (b) por más de 30. entre 239.7 3 Probabilidad pedida : (dos veces el á¡ea bajo : 2(0'4968): 0'9936 la eurva normal enb.02) .94):2(0. : 4.4 4.08 .73\ por más de 30.4115 : 0.5 cuatros.3557 -0.5 - 250 )/11.- -1. entre 219.0.6 - 2O)l4. .37) -0."p: .5 en unidades tipificadas : 2.6/ r7 \ /\6/ \6/ \ /\6/ Con¡idenndo los datos como continuos que 0 a También .5 en unidades tipificadas: (14. Entonces -0.02 18.(lX*) : -5.5 en unidades tipificadas : 1-0.7 3 280.311 : (área ent¡e z: O y z: -5.18 (o) Necesitamo¡ la probabilidad de que el número de caras se encuentre enbe 240 y 260. t.3264): 0. l8 cuatros pueden tratarse como tt = ttp = Entonces 120( )l = ZO \o/ /t\ y q = 1/-n7tq .mr.. = .94 y z: 0.20)14. Hallar la probabilidad de que resulte 4 (c) 18 veces o menos y (b) 14 veces o menos.(.. Una moneda honrada se lanza 500 veces. 219.5 se 0. o si conslderamos los datos como continuos.250y11.3? (D) Procedemos como en ha parte (o).35) : 0.5..02 y 2 : -1.OB pero debido a que el habajo involucrado en la computación es excesivo.94) : (dos veces el área enhe z: O y z :0. Un dado se lanza1-2O veces. ¡ rzo\1¡\''l5_\'o' r8 \.6528 = (239.18. o \ i \6/ \6/ -{.. remplazando 18 por 14.5 en unidades : (área bajo la curva normal entre z: -5.5 en unidades tipificadas 28O. (rzo\/r\/!\'. 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.'..0.5 a 18.1443: 0.5 en unidades tipificadas : : (área bajo la curva normal entre z: -0. empleamos la aproximaclón normal.

que ee la distribución de Poisson.20 realmente es uná función de probabili' dad. Otro método. Hilgase ¡.I \n/ / r \ ¡-¡ ) n1@. n/\ n/ \ en tanto que ('-+) +. 1'-t)/'-?). Entonces donde E(X) /-\ (I ) se convi'erte en rl Entonces cuando ¡. página 80.er = 1 y se completa la verificación. 1. Verificar que la función límite (2) del Problema 4. 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. (¿-r)(1) /. Segundo..cAP. tenemos >{] !a1*="¡ = t=O -.i)-' + m/ \ \ cálculo = €-tr empleando el resultado conocido del . . Primero. ) 0. ' . . El reeultado pedido entoncec ¡e deduce utilizando el Teorema 3-10. entonces (f) P(X=r\ = l'"lqrq¡-r \r/ : np.'ir . 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.4l DISTRIBUCIONES DE PROBABILIDAD CON NOMBRE PROPIO L29 DISTRIBUCION DE POISSON 4.20. 4. obseryamos queP(X: ¡) ) r=0 O para r = 0. dado que )./ \ --> = (r-\)'1t . Si X está dishibuida binomialmente.+:: ¡=(l ' ' e-).rl ('* i) = Se deduce que cuando n (2') / \¡ eu - pero I permanece frjo (es decir p -+ 9¡ P(X=r) + ¡:q. = "-^. .21. Establecer la validez de la aproximación de Poisson a la distribución binomial. : rtp de modo que p : I/n.-r)" r?..

/)(p". Halla¡ la probabilidad de que en una muestra de 10 henamientas seleccionadas aleatoriamente.23.r -Lót 1! ) = l-6e-z = 0. )r.24.130 DISTRIBUCIONES DE PROBABILIDAD CON NOMBRE PROPIO lcAP.. es decir P(X:x\ -./íil 2 o et't-(. Denótese por X el número de herramientas defectuosas de las 10 escogidas.r¡r1s. TEOREMA DEL LIMITE CENTRAL 4.001. (o) La probabilidad de una herramienta defectuosa es p :0. (b) la aproximación de Poisson a la distribución binomial.0"-' .- 6 P(X=2) = %: = 0.323 Una evaluación exacta de las probabilidades empleando la distribución binomial requeiiría mucho más trabajo.1 y \ = np 5 5. vC.001) :2 _ 0. exactamente 2 estén defectuosas. Si la probabilidad de que un individuo sufra una reacción por una inyección de un determinado suero.np)/l/nW y la función generatriz de momentos Eletx'¡ E(et<x-nú/t'/-nil¡ tnnr rliii g 1"txrl noÁ ¡ "" = e-tnpt. pero ya que las reacciones se suponen sucesos raros. Entonces de acue¡do con la distribución de Poisson I¡¿- P(x--x) .2te-z --z! . La variable tipificada para X es X* = (X . es 0. determinar la probabilidad de que de un total de 2000 individuos (c) exactamente 3.1# ^:?¡p:(2000)(0. X tiene una distribución de Bernoulli. e t. lioo ¡ln p¿tar liii¡ {ili ¡n ..183e ó 0.t ¡n = le(qe + pet.4 4. Entonces de acuerdo con la distribución binomial p(x:zl (b) Tenemos )\: np (tJ )10.180 (b) P(X>2) = 1-[P(X=0) *P(X:1) +P(X=2)] _ I fzo¿-z.tr r/iñ 1o + per/ lliii tvr ll-nw 1n ¡pt e ' tnp. sultan defectuosas. t ¡t qn.18 En general la aproximación es buena si p É 0. empleando (o) la distribución binomial.e¡' = \z/ 0.1.' . Denótese por X el número de individuos que sufren una reacción. (b) más de 2 individuos tengan reacción. Zze-21 -.1) - 1. tfi-oa = > ¡=0 |\_.22.(d) I¡¿-)\ donde p(x-Bt . Diez por ciento de las herramientas producidas en un proceso de fabricación determinado re.re = (10)(0.1e37 ó o. 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. 4.. podemoa suponer que X tiene una distribución de Poisson. _/1t\ para X* es ".

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

Entonces la probabilidad de escoger 3 bolas rojas /5tl2\3 . 2 blancas y 1 azul en ese orden es /s\'/¿\'/rY \tll \. i-paIpo)G donde p. En forma análoga la probabilidad de escoger 2 bolas blancas e (4ll2l2 y la de escoger 1 bola azul (3/12)t .rt. 2 blancas y 1 azul. pero no se remplaza la bola. Po=' 3/12' Porexpansión se obtiene elresultado anterior. DISTRIBUCION HIPERGEOMETRICA 4. Método 1 (por fórmula). . Entonces la probabilidad pedida es lr Método 3.h(¡r)'(#)'(. Una bola se selecciona aleatoriamente de la caj4 se observa su color y luego se remplaza.+)' = ffi es es Método 2.ri \z ) /ro\ \5.27. El número de formas diferentes de selecciona¡ 3 bolas blancas de 6 blancas * \r/. Se realiza un experimento en el cual se selecciona una bola aleatoriamente y se observa su color. 2 brancas. pb = 4/72.El número de formas diferentes de seleccionar las 2 bolas restantee de las diferenües que contienen 3 bolas blancas /a\ 4 rojas * (. /o\ /r'i \. rc 2l . 6t In\"lt\-/:lY z!r!\itl/ \itl \rrl $/ La probabilidad pedida es el término 44p" en la expansión multinomial de (p.132 DISTRIBUCIONES DE PROBABILIDAD CON NQMBRE PROPIO lcAP.26.i Entonces r azur) = . Método 1. Halla¡ la probabilidad de que de 6 bolas seleccionadas de esta forma 3 sean rojas. y el número de estas formas diferentes 6l 3!2!1! como se expuso en el Capftulo 1. Hallar la probabilidad de que después de 5 pruebas del experimento se hayan escogido 3 bolas blancas.\ [ . 12.4 DISTRIBUCION MULTINOMIAL 4. Por tanto Ia probabilidad de escoger 3 bolas rojas. La probabilidad de escoger cualquier bola roja es 5172.t i .'. ) Por tanto el número de mueshas y 2 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. P(roja en cualquier extracción) = # P(blanca en cualquier extracción) = h P(azul en cualquier extracción) p(B rojas. 4 blancas y 3 azules. Una cqia contiene 5 bolas rojas. lJna caja contiene 6 bolas blancas y 4 rojas.t \A/ Pero la misma selección puede realizarse en otros órdenes diferentes.

= E(x) = E(xz\ l"'* = #:af" b2-a2 Z(b-a\ a*b 2 (b) Tenemos = I.rr¡ r¡¿n' ("' 2o (" cosor r=. .cAP. 7+ azctr sin +-ai )-. Puede demostrarse que la úlüima intcgral existe y es igual a e-aa (véase hoblema 4. Sea @ una va¡iable aleatoria distribuida uniformemente en el intervalo -l=t trarque X: atan @. (a) La función gerreratriz de momentos de X es -¿. = ffi= Yt+Y = Entonces la va¡ianza está dada por s2 = E[(X-u¡21 = E(Xzl-uz ry4y_ (+). Tenemos b 133 =6.2+d2dr ' _ donde hemos utilizado el hecho de que los integrandos en el segundo renglón son funciones par e impar respectivamente.30.dz T . = firo_ot. Jo r. Oemos- /(a) = ! -L2- . n=6.modo que = r*tu*lfí*. = n# Í.' La función de densidad de @ es < j. : Ll2(a + b). J-..r! * la cual no existe si ú es real. Demostrar que la media y la varianza de la dishibución uniforme (página 114) están dadas respectivamente por (¿) ¡.l \ /10\ \5/ 4.#ruo. Esto puede verse al notar por ejemplo que si r ¿ 0.. (a) t.r-n '.." = o 2 . E(erx¡ = g (" -J". (b) o2 : Ll72(b -a)2.29.4l DISTRIBUCIONES DE PROBABILIDAD CON NOMBRE PROPIO Método 2 (empleando la fórmula).'NIFORME 6 = \/4 }i|j.páginallS. -> t!! I y la integral a la derecha diverge. X con DISTRIBUCION DE CAUCHY 4. Entonces por(I9). 4. Í". o > 0.159).28. tiene unadistribución Cauchy en.cos or = . a f .laprobabilidadpedidaes . r = 3. 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.@ 1x1*. ¿ > 0 e.' 7't|^ou" (b) La función característica de X es E(eiox) = g (¿.. de. i J-6 x'' + a: ""'l' .'f-+ = #tl. PIX=S) DISTRIBUCION T. r= 4.

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

es con (¿ dA v.a una distribución normal para X.84.B2.v2 gadosde übertad.t2r(v/2)Jo " r-2t \r-2t/ : ll . Al generalizar los resultados anteriores obtenemos una demostración del Teorema 4-4.-rr/2e-.t Pero esta es una distribución chi-cuadrado con 1 grado de libertad. Esta debe ser la distribución de Z.'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. Efectuando el cambio de variable x : *t/T en la última integral. colocarz: 1 en (39).'rz¿s (-fr"-. pero procedemos de :0. Demostrar que X2 tiene distribución chi-cuadrado con 1 grado de libertad. y utilizar el hecho de que r(á) = V7. . pá4ina 1-1. DISTRIBUCION CHI. obtenemos P(Y < ú = -! fs rrrze-uz t/2r Jo d.34. 4.34 que una distribución cuya funéión generatriz de momentos es (1 2t)-<vt+v2)/2 es la dishibución chi-cuad¡ado con v11.36. Y: x2 dad.)Eqéx"¡ : 1l-2t¡-'r/2 1l-2t)-vz/2 utiüzando el koblema 4.1 en la última integral hallamos M(tl = 2. grados de liberta u2 Z:Xt *X. utilizando el Problema 4. grados de libertad.cAP.36. cia entre Paray Deseamos hallar la distribución de la manera siguiente.2t)-. Sean ¡t y X. 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. a * v. Pa¡a ( 0es lóglco que P(Y SU) y> 0 tenemoe P(Y<u): P(Xz<a) = P(-\/u=X<+\/a) +fr"-.s(v-2)/2e-<L-2t>r/2 dr =J-r(v/2) )o 2. do ) función generatriz de momentoo de Z = X.6. como se ve al página 116.ztl-v/2 fa u<v/z)-re-udu = (L-zt¡-'rz r'(v/z) )o 4. ! X. Sea X una variable aleatoria distribuida normalmente con media 0 y varianza 1. Puesto que Ia correspondenX y Y no es uno a uno no podemoe aplicar el Teorema 2-3 como está. por el Teorema B-18.la varianza es 02 = E(xz¡-l'(x)l= _(rro)'= cr6#T_Fn : (1. ea M(t) : Enet(xr+xü1 : E(etx.CUADRADO 4.r2.4l DISTRIBUCIONES DE PROBABILIDAD CON NOMBRE PROPIO 135 Entonces. página g1.r2 Al remplazar (l - 2t)n/2 = 7./2dü (-. t : (1 - N¿¡-Qr+v2t/z (b) Se observa del Problema 4.

35(b). hallamos en la columna ¡.x?o¿s.la cual del Apéndice E es 12.. 4-18. entonces X? V X3 tienen distribución chi-cuadrado con 1 grado de libertad cada una. búsquese el valor 5. y x? (c) Si el área sombreada a la izquierda es 0. (Véase las consideraciones sobre notación en la página 116). u"mo. el área sombreada a la izquierda de x3 es 1 ¡j iepresenta la percentila 9?.05.99 y ¡22 representa la 4.5 correspondiente a z: 50.34correspondienteav:9. El resultado 11. a! es 0. y Si el área sombreada a la derecha es 0.¡ se deduce en la misma manera. 4-18 (o) Si el área sombreada a la derecha es 0. Demostrarel Teorema 4-3. Sin embargo.831. lcAP.026.831 y 12. Entonces del Problema 4.01.38. (b) 32.O5): 0.¡r. Hallar los valores de xf. al menos se especifique lo contra¡io.O. xz:.2gs. xi representa la décima percentila.Ia cual es igual a 1. xl es (1 .esr.05.04 en tanto que el área a la izquierda es 0. qi" Z = X?*X2" tiene distribución chi-cuadrado con 1 * 1:2gradosdelibertadsiXr y X2 son independientes. X. entonces el á¡ea a la izquierda de representa la nonagésima quinta percentila.136 DISTRIBUCIONES DE PROBABILIDAD CON NOMBRE PROPIO 2.4 4. ¡! que corresponde a (a) 9..píryina 116.05. los valores: (a)25. escoger las dos áreas iguales.025.05. Por tanto los valores son 0. x.150.36 vemos que si X¡ y X2 es.0 correspondientear: av:21. Fig.1. en la columna /. Por ejemplo.5. el área sombreada a la derecha puede ser 0. (d) Si el área sombreada a la derecha es 0. La representación gráfica de la dishibución chi-cuadrado con 5 grados de libertad se muestra en la Fig. se acostumbra. 4..8.7.tán distribuidas normalmente con media 0 y variánza 1.? conespondiente a la derecha de la distribución ¡2 es 0. Entonces procédase hacia la derecha hasta la columna x%r.95 y xz2 Refiriéndose a la tabla en el Apéndice E.61. el área a la izquierda de x? es O.3correspondiente^v :40. . (c) 67. (c) S9.37. (b) 28 y (c) 40 grados de UtÍIizando la tabla en el Apéndice E.0. el átea a la izquierda de percentila 99.05.10. para v : Por el Problema 4.O25 representa la percentila 2. Véase Problema 4.8. x. Hallar los valores de ¡2 para los cuales el área de la cola 15.¡ (puesto que la mediana es la percentila 50 ) los valores: (o) S. Hallar el valor de la mediana de libertad. en este caso cada área:0. (b) 2I.(b) 2T.01. hay muchos valores para los cuales el área totál sombreada : 0.9?5 Análogamente.025: 0. . (b) Puesto que la distribución no es simétrica.1 es el valor pedido de 12. si el á¡ea sombreada a la izquierda es 0. si el número de gndos de liberbad v es igual a (c) 15.la cual es igual a 0.3correspondiente av:28. 4.5.39.40. (b) el área total sombreada: 0.025. la cual es igual a 15.. x! por los cuales (a) el área sombreada a la derecha: 0. Es de interés notar que los valores de la mediana están muy próximos al número de los grados de libertad' En efecüo. parav> 10 los valores de la mediana son iguales av . X.10..2-. (c) el área sombreada a la izquierda: 0.¡2. como puede observarse de la tabla. Entonces.01. (d) el área sombreada a la derecha: 0.0. El resultado general para todos los enteros positivos l. (c) 50' Utilizando la tabla en el Apéndice E hallamosenlacolumna ¡2er.

/ . DE STUDENT 4.-j(* ."a']au de acuerdo con lo pedido.o 6 .es+ftool-t)2= +(1. podemor utiliza¡ el hecho de que ({Tx2 .tzt'(vl2\ ). #..4l DISTRIBUCIONES DE PROBABILIDAD CON NOMBRE PROPTO 13? 4.va J"' {2r2.Elrode donde t6=t = .\2/ r\ (l + u2¡'¡<'+t>rz . himero fijamor r z b = integramos con reepecto a y de¡de .6 = f.y ¿2 # donde la integral ¡e toma ¡obre la región ( del pleno lz parn l¡ cr¡¡l g ut/ñ..rr-r"-. '\ z / (.(z.42.lt * T ) eeto puede eocribir¡e d. -/."^' + zo+"/2 Í"'=-* d..u\ . er la percentil¡ 10Op de l¡ di¡trlbución nornd tipilicada.= .#. (b) Si r=100. oon un alüo grado de aprorimación. Debido a que Y y independientee ¡u función de den¡id¡d coqjunta er 6l producto de (I ) y (2).locuale¡tÁde¡cuerdooonelvalor6?.rzrl.er dccir z<v/z)_te_ :|-r+zr/2 para -o 1g 1lo. Hallar xlerpm (a) v : 60 y (b) y .zl ztÍt + <t2 | v>r a")au ( " Susüituyendo F(r) = G. página 117.Lu€{p integrannr_conrespecto az de¡de 0ha¡t¡o. .t¡ e¡tl c¡¡i dbEibuido norm¡lmenüc con medie certr y varianza uno.2...r/2. tn¡r( z\ Ju= -' . *^ I' = - *l Í": como z('' .(' F(r) = _ tf Jr=-. Demostrar el Teorema 4-6.@ hast¿ rl/z/r. z ) La función de di¡tribución de I = Ylt/ffi e¡ F(u) = P(T=r) = P(Y=er/Zfi) = y@2./4 f ( 7<rrz>-r e-<yz+ztrz ¿.100 gados de libertad. zo/2)-re-z/21ffi e-uzzr2.64+/199P = 124.u [f=. / mayor que 30. 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. Entonca ti z.rf ¡"ffi "-r.64+rfss¡z =69.ss+rtrOool-t¡z = |(1.0(v¡lorre¡l =L24.z \f 2nz.41..tzl(vl7\ Jz=o = . podemoe ercribir. xlgs = \@.FA = zp I t/Ft x| = *(zo+tffj¡z (o) Si v=50. dud.. Para . Por tanto tenemos Remplazando F(xl = .3)..=o"r. DISTRIBUCION ü x3s¡ dado en el Apéndice E.tz¿ul¿" LJ":_-e A = urfi en la integral entre parénteais rectangulares hall¡mo¡ .cAP.t' / 2 e.

0. r / Ll+ lvt/v)).70 correspondiente a v = 27i (c) 1. entonc€s por simetría el área sombreada a la derecha es 0. ) 0.38. Por tanto el área de t para el cual el área sombreada a la izquierda es 0. ) 0 y 0 de otra forma. De la tabla hallamos t.26 como el valor pedido de ú.. (e) el área a la izquierda de ü.05. Efectúe Ia transformación u 1/ v1 .r) a\. J z t .ú.95 y úr Refrriéndonos a la tabla en el Apéndice D. ú. En el Apéndice B e¡te valoi corresponde a la enhada en la última fila ma¡cada ó).82.[. búsqueee en Ia columna y el valor 9. La representación gráfica de la distribución (c) el área sombreada a la derecha en la Fig.01/2 : 0. -1)(v'\/2) "-. (b) el área total sombreada: 0. La función de densidad conjunta de f '' V¡ y V2 etá.quedelatablaes igual a 1. a.(b) 1. (c) 200.rl).5. ODt=r. 4-19. DISTRIBUCION 4. Halla¡ el valor de ú1 para el cual de Student con 9 grados de libertad se muesha : 0.'.'') (?ñ rr^ o(vz/2) -| "-'. (El último e¡ el valor que se obtendría utiüzando la cu¡va normal. entonced el área sombreada a la derecha es 0. tenemoe | 1U) t.O. vlW v2 .u) = .1 ez(vt+ v2)/2 lQl/21 f (u2/2) <t | + ú2)' ri o.05.::l = l"*:" 'u':'" Denotando la densidad como función de u y w por g(u.025 por simetría.nD\]uJur0.entoncesúl correspondealapercentilagO. . (d) Si el Área sombreada a la izquierda es 0.t u(v2/ 2) .la/2. dada por 1 (.005. t.05. 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. hallamos en la columna te.es. (c) el área total sin sombrea¡: 0. 4-19 tt (a) Si el á¡ea sombreada a la derecha es 0.43.99.:: ::'.25. 4. t.:.44.138 DTSTRIBUCIONES DE PROBABILIDAD CON NOMBRE PROPIO ú [cAP. entonces el área total sombreada es (1 . Entonceg búequese la c._tr Fig.gg) = 0.01 y el área sombreada a la derech¡ es 0. Del Apéndice D hallamoe 2. (c) Si el irea total sin eombrear ee 0.er5.01 es (e) -2.e.01. (b\ 27.01. De la t¿bla t ss = 2.:"i = l::"'. ¿. sea 0.01.025): 0. entonces el área a la izquierda de ú¡ es (1 repreeenta la percentila 95.05.83 es el valor pedido de t (b) Si el área total ¡ombreada es 0.lL=-=_rü=02 L"a/ ar t'2ú | vl1t2' . (d) el área sombreada a la izquierda : 0.90. losvalores: (o)L.645 correepondiente a y: 200. t.olumna ¿.4 4. Sielá¡eaalaizquierdadeú¡ es0.90.99. ú es 0. .e0. Por tanto el á¡ea a la izquierda de ú1 es (1 .45.l4\ -1- f 'pw\"rz'-' ID'-''-"e '"''o'-.DZ=ü l1U7D Entonces el Jacobiano es i'.82.05 Refiriéndonos al Apéndice D. El resultado 1.css = 3.O5): 0..9?5 y úr reprecenta la percentila 9?.0. Deimostrar el Teorema 4-?.2 g(u.75 correcpondienteay:16.) = 6"i.

etc. hallamoa \-i. (b) Del Apéndice F. 15. i \rn) - 2\ / v' \ si v. ¡2 y ú 4.80. ro.o5 en el Apéndice F con e¡a¡ en l¡ distribución ú bajo ú. /.cAP. ro.18)2. (o) DeI Apéndice F. r¿ desde La función de densidad (marginal) de U puede encontraree integrando con recpecto a decir 0 ha¡ta €. 7. ir ua 0. .1 -. r.'r2\ ) = 0 ó trt ry = /.*r.l= *.s.r' / 2(. rs = 3.7L = (2...e75. rr.ut = t'(P) ap Jo da) ) 0 y 0 ei rt É 0. =- 9. Verificar que (o) /.\rt. (a) Comparar ia¡ entradas en la columna de la tabla F.r.TZ) \ (-" se Utilizando el criterio de la segunda derivada podemos demoetra¡ que realmente trata de un máximo.4l si u DISTRIBUCIONES DE PROBABILIDAD CON NOMBRE PROPIO 139 > 0.'. u.ss : t?n (b) fl. ( " *.L5.n. donde. 4.30. (c) = 10. 4.ot.0 = 4. : (4.t)- tyt ('4fa) (. Apéndice A. 10.so. Utilizando la tabla para la dist¡ibución F en el Apéndice F.. 11 .i/2)--t (v2:L vru)-(r..rr. que es el reeultado pedido.. /.oc.0g (d) Por el Teorema 4-8. rr.'rrr.o..48.71)2.+t.. \ : ¡.ob. página 118.ul F'.\i = /v' I vr\ ) si u ) 0 y 0 ¡i z¿ 5 0. Demostrar que la distribución F es unimodal en el valol ¡v' ' La moda localiza e! valor máximo de la función de deneidad.ee. . (d) F.r.78)2.\z .rr.o.- r1u)-¡(. RELACIONES ENTRE LAS DISTRIBUCIONES F.2\/2)-t e-tt+<v{/v2)t(o/2> z(tt ' u2)/2 t0t/21 l.47..326.au d.. (b) F .46. = 0. = # = 0. A diferencia de una conetante. ) 2' de (.ss : ". la función densidad de la di¡tribución F es r[(t..(vz/2) Jo -tL-!:j!::-:(I5).96..-'1t'"tvp)-uvr\j-:. hallamog . er hkt) = ei u (.l¡.io = F_¡ .t e.9.F' gs. donde vt -..s. \..o.t .2* r..+v2't/2r-r = 0 Dividiendo Wt ut|ti2)-2(t2l t¡t)-[("\+t. F.1 = (3. hallamos F.257.\ z /. Pero de Tenemoe (r h(u) / v2\vr/2 4Q 1/'' .¿t.. (c) Por el Teorema 4-8. página 118. primera f..5.rt) - (¡'r +t2)/2 - . Vemos que 18.. > 0 y 0 de otra forma.t r rz)tz Si tiene un máximo relativo se presentará cuando la derivada sea cero.50¡2. es decir (r. .2* . hallar (¿) F.8 = 3.1-2\/ /\.\/2i-r.5 L6l = (72.

Vemos que 4050 : (63.5 = (9. P(. + r\ r( ol -r- .sí generalizar los resultados del Problema 4.u/2¿-r/2(y + ul-(r1tr/2 ^/.*rr. vemos que el lado izquierdo de la última ecuación es igual a z.49.r(l +3!) t r-ru+l)/9 ) O. 4. Demostrar el Teorema 4-9..es el nhmero tal = 7- * t\ "/" . 98..'.4*)___\-.'..P(f 0) = = P(T=+\E|-+ donde hemo¡ usado la simetría de la distribución ú.92)2. Por tanto ^\ F.)" \/ Com¡rarando con (42). t { l'-'u-r. página 118.+tfttur¡ = P(T s +VFt-p) . Re¡olviendo. tenemos P(T=+tlrno¡ = t -Pi ./" + 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. 34.t.o) r\ \ '/ ll '=2 | '\ . 21.-.r¡ n'(. Entonces y a.-¡l r.eer. Por tanto t-P 2 = Pp<T:.ee en el Apéndice F conegarenladistribución ú bajo ú. que puede establecerse simplemente como F r-p = t? ott¡ l(4í).l / +z\-r¡ \ '/ ¡=.2 -..60)2.84)2.'.48.)" .Ft-o) f(u): 0 para ¿ < 0.(. P.página 11?]. '\2/'\2/ "11\ "/r\ t -/. y que P(U 5 .4 (b) Comparar la¡ enhadas en la primera columna de la tabla F.140 DISTRIBUCIONES DE PROBABILIDAD CON NOMBRE PROPIO [cAP.rtF. Sea 11 .l. etc.1 = (5.(4. Entonces por la definición de un valor de percentila. \ : {". I ^F.r( ./ para u /_u_r. . pfuina 116.66)2.0 <'T = *t/Ft_o) ú donde ? es una variable aleatoria con distribución de Student con u grados de libertad.9 " / +1\ -t'* "" t / vv/21l-12v-(. v2 = v en la funeión de densidad para la distribución F f (ul = .

r y una función solamente en y. y) dada por (49) debe para todos los valoxes de x.. por definición. lo cual provee la verificación requerida. Y variables aleatórias cuya función de densidad conjunta es la distribución normal bidimensional. Esto es posible sólo si p : 6. + * en la distribución F en DISTRIBUCION NORMAL BIDIMENSIONAL 4. tt tt¡/z.. que era lo que se querfa demostrar. lotll.. s. Ll . DISTRIBUCIONES DIVERSAS 4.s2 T r..:\/2= en .. 4. (c) Comparar las entradas en Ia última fila de la tabla F o= en el Apéndice F (correspondientes las entradas bajo ¡. -.ú los valores de = t-+o-..4!¡ 4 2. y se deduce que X.+. s. Véase Problema 4.25 77i6 . La probabiüdad de no obtener un 3 en el primer lanzamiento es 5/6.. Por tanto ú es estrictamente +\/F.8t (b) -.(p/z\\ = l-?. )Lo.GB a ¡'. 't7 2. y este nfimero se determina finicamente. er el Apéndice F (correspondientes las enhadas bajo x:nn en el Apéndice E.'. Demostrar que X.52. en el Apéndice E.¡ !. La prueba general del Teorema 4-10 se deduce tomando el límite cuando U2 la prfuina 117. Méüodo 1.99. etc.. Hallar la probabilidad que en lanzamientos sucesivos de un dado honrado resulte un 3 por primera vez en el quinto lanzamiento.1. página 118.il = (4 . Verificar el Teorema 4-10.02 = #.. _ 9. se convierte en l@. ya que la función de densidad de Ia distribución positiva. etc. Si el coeficiente de correlación p = 0.94 3.F e. lo cual provee la verificación requerida.60 -...r'il ) y y puesto que este es un producto de una función solamente r. r por una función solamente en y para todos ser el Inversamente.r"?ll--+"-. = @) con = "'13. si X.¡ es el número üal que P(T=tt. producto de una función solaménte en. Sean X.00 =. Análogamente la probabilidad de no obtener un 3 en el segundo lanzamiento ee 5/6.L .. Comparar las entradas en la última fila de la tabla . Y son independientes solo si su coeficiente de correlación es cero. f(x. página 118.51. = tt-(p/zt ó Fr-p : tl2t'-tptz'.. 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. K (r(r .. para (a\ p : a1 0.50. 3.CAP. 4.95 y (b) p : 0. 3. Entonces vemos que a r': ó) con etc. Entonces vemos que 6. entonces la función de densidad normal bidimensional (49).78 = #.145.Por tanto la probabiüdad de obtener un 3 en el quinto lanzamiento es 1/6.4] DISTRIBUCIONES DE PROBABILIDAD CON NOMBRE PROPIO L4t Pero.7 2.21 . Y son independientes. la probabilidad pedida es Y/r\ \6i \6/ / s c.

26 (c) P(al menos uno re gradúe) = 1 -P(ninguno se gradúe) :0-92224. 4 Utilizando la di¡tribución geoméhica. 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.977?6. DISTRIBUcIoNEs DE rRoBABTLTDAD coN NoMBRE Método 2 (utilizando fótmula). se gradúe.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.q:616.¡ :6 Gzl vemo¡ que la probabilidad /t\/o\' _ \6/ \6 / página 119. (o) t' = E(X) = JO f abrb e-o"o d.64. Verifrcar las expresiones dadas para la (a) media. ¿Cuál es la probabilidad de obtener un total de 9 (o) dos lanzamientos de r¡n pa¡ de dados? en veces. alf hay 6 . (b) uno. : atb pa. i7't6 4. etc. 4. E¡ta¡ ¡on 1 cn el grimer dado y 1 en el regundo dado.be-! = o-2/br\t + a) Entonce¡ / o\ ¿u 02 = El(X-u¡21 = E(Xz)-uz = PROBLEMAS DIVERSOS o-".4.4)1(0.tbr donde hemo¡ ütilizado Lr ¡ustitución u f@ ab ('/"\ du /' (r. La probabilidad de que un estudia¡rte que ingrese a la universidad se gradúees 0. - f.2692.08 (D) P(re gradúe uno) = 5Cr(0.oJs u. eon p: Ll6.6)4 = 0. (D) al menos dos veces en 6 ¿ead¡¿o¡ por (1. .63. 1 en el primer dado y 2 en el regundo dado. ó aproximando O.p(\ t + +)-l ó/J 4.r I ú ).55..""tb)-t a-ub I ur/be-! du Jo a_.L42 . 2¡. ó aproximando 0. 11. página 118. (b) la variarrza. de la distribución Weibull.of ¡(1 + 3) b/ L\ ./ du (' = o-r. (c) al menos uno. Determinar la probabilidad de que de 5 estudiantes (a) ninguno. ó aprorimando 0. 6 = 36 forma¡ en las cuales ambo¡ dadoe pueden caer. \i)"-". etc. pedida er pRopro [cAp. i) integral.6)r : 9.92. (a) P(ninguno ee gradúe) = 5Cs(0.

58. Las calificaciones de un parcial corto en biología fueron 0. ^ /r\u = 'c'(o/ \é/ * '"'(. 4). ^ /r\ta.0676 : O. 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.9): 36. (5.6 a 6."'\g/ ' ^/rY/s\u. 3).17 (5. Véase Fig. . 6). (c) la calificación mínima delL0% más dto de la clase. P(al menoe 9 doa veco) : 1 - P(9 cero vecer) - P(9 una vez) : . ^ /r\'/e\'. .3418 - y e = 0) (áre¡ entre z :{. 4. (o) P(9 do¡ veces en seis lanzamientos¡ = 6"'\t/ /q\t-' . (a) (b) Coeficientedeeeego= Puesto que es positivo.2788: .ó6. Por tanto la de¡üación tfpica = /56 = 6. .6u. 4-20.a di¡tribución ee s+l---^6:q : 3+ff1-6(0'1X0'9) = nuq 3'01 ligeramente má¡ apuntada que la distribución normal./ * '"'(.. Si la probabilidad de un tornillo defectuoso es 0.133 coeficienüedecu¡tosis: l.2. hallar (c) la media y (b) la desviación típica para la distribución de tornillos defectuosos de un total de 400.5 en unidadee tipificadar hoporción pedida: á¡ea entre : : . la distribución está sesgada a la derecha.6 (área entte 0. La calificación media fue 6.5 en unidader tipificadar : 5. == vnpq H = 0. (6. (b) la calificación máxima del L0% más bajc de la clase.7)1L.cAP. determinar (c) el porcentaje de estudiantes con 6 puntos.6. ^/r\'/a\'.\0/ \e/ \s/ ^/l\'/q\' ffitZü 7268s 4.er)*P(9cincovecer)*P .5Bt 441 = 531 441 441 Otro método.56.0 (6. dependiendo del número de respuestas conectamente solucionadas de un total de 10.? y la desviación típica fue 1.5 . eb necesario con¡idcrar los datoe como si fueran continuoe. Por tanto una calificación de 6 puntos ¡e cor¡sidera como 5. L. (a) Media : np :400(0. 10 puntos.2:{)..5 puntoe. Para aplicar : 6.17 z: -1 y z:-4. (D) Varianza : npe: (40OXO.2 = -'1.7)1L./ \. 5).1): 40.-.17 z: -1 y 277o z: O) 0. Halla¡ los coeficientes de (a) sesgo y (b) curtosis de la distribución en el Problema 4. un total de 9 ocurte en 4 cqlos¡ (3.2./ \ó/ * '"'foi ó * '''Gi 72689 1 10240 960 48 61 = 681 440 65f ¿¿T .4I DISTRIBUCIONES DE PROBABILIDAD CON NOMBRE PROPIO 143 De estas 86 forma¡ todar igualmente factibles ¡i los dados ¡on honrado¡. (4.1XO. es decir podemoselpemr que 40 tornillo¡ esüén defectuosos.1./r\'/e\a. Suponiendo que las calificaciones están distribuidas normalmente.5?. 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. (a) la di¡tribución normal a datos discetoe.5gr 441 * ss1 441 .6.

que lógicamente e¡ 1.4-22 o ran si AÍ es pequeño. la probabiüdad de no cuenta en el tiempo t Entonces Po (ú + At) es la probabilidad de no cuenta en el üiempo ú + Aú. Máe precisamente.4-20 Fig.L14 DISTRIBUCIONES DE PROBABILIDAD CON NOMBRE PROPIO [cAP.28 (aproximadamente). Halla¡ la probabilidad de que en un tiempo f no se cuenten partículas. por simetría : L. por tanto área. 4. Refi¡iéndose al Problem^ 4.x2:8.40 : -L.7)17.26 6 aproximando y al entero má¡ cercano. a Area entre zt y O: 0.60. De la Fig.28y Ír:6. 4-21 (b) Sea r ¡ la calificación máxima pedida ] z¡ !u equivalente en unidadec tipificadas.2 u 8 aproximando al entero má¡ cercano. 4-2L el la izquierda de z¡ eo LOT.28. Entonces (x2 - 6.69 halla¡ la probabilidad de exactamente una cuenta en el tiempo t.69. exiatirán término¡ adicionalecqueincluyen a (Aú)'y órdene¡ ruperiores. Por tanto. (c) Sea . Por tanüo c = I y l¡ probabilidad pedida ee (11 Po(¿) = ¿-^t 4. Un contador Geiger se emplea para contar la llegada de partículas radioactivas.7)lt.2 ! 22 Eu equivalente en unidades tipificadas. tenemoS (r) De (I ) obüenemos (2) Po(ú+a¿) = lú Ps(Ú)[1 -IAú] = -IPo (¿) At+0 lim Po(¿-f a¿) - PoQ\ e¡ decir (.on O como el origen.17 I'ig. La Fig.10. zt Enüonces zt = (xt . 4-22 repteeenta el eje de tiempo c. At. 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 . 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.Z:-t. 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. Por tanto la probabilidad de no contar en el tiempo At ec 1 .r2 la calificación mínima pedida zz =L.28. Si se suponen lar llegadae de lae partícula¡ sucegos independientes. rin considerar los términoe que incluyen (Aú)2 y término¡ cuperiores. 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.6.P6(0): c e¡ la probabiüdad de no cuenta¡ en elüiempoGrro.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. Si (b).4 .I -0. = 0.I At. pero no se consideSea P6 (ú) r-----]--l Fig.

I"(t) = XF'o(¿) - IP1 (¿) ge Tomando el lfmite cuando Af -+ 0 y utilizando la expresión para Pe(ú) obtenida en el Problema 4. P1(0) eo la probabilidad de 1 cuenta en el tiempo 0.rlos DISTRIBUCTON BINOMIAL (BERNOULLI) 4.¡e-rtt esto puede escribirse como d. Hallar la probabilidad de obtener un total de 11 (c) una vez. (b ) menos de 4. 4. X denot¡ el número (d) de caras en un solo !¡nzamiento de 4 monedas.(b)5niñar.66. Iülla¡ la probabilidad de (o\ 2 o már honradas. (n 5. Por tanto (7') = ¡¿¿ . Suponer 4.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).t * \P.67. ¿@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- . (d) 3' @l a. .61. Por tanto.i que es [a distribución de Poisson.62. 4. 4 caras en un solo lanzamiento de 6 monedas hallar (o) P(X = 4.4l DISTRIBUCIONES DE PROBABILIDAD CON NOMBRE PROPIO 145 La probabilidad de (i) es P1(ú)(1 . ¿cuántaseeperaríantener(o)3niños. Hallar fal¡o. (b\ P(X <21' (c) P(1<x=3).64. (b) dog vece3' en dos lanzamientos de un par de dados honrados.s supletnenta. Si P(X=2). (c) 2. DeSOOfamilia¡con Shijos. (r) Esto puede escribirse Pl (ú + a¿) = Pr (ú)(1 - r aú) + P0 (¿)r a¿ Pr (¿ + (2) l¿) Lt . tr¿-At (3) dt = ^Pl o d. sin coruiderar los té¡minos que incluyen (Aú)2 y ruperiores. (c)o2ó3niños? probabilidades iguales para niños y niñas. caras. (b ) 1. con un par de dados? ¿Cuál es la probabilidad de obtener un 9 exactamente una vez en 3 lanzamientos 4.69.P. u) Multiplicando por (5) e^¿ d. Utilizando e¡to en (6) hallamos Pt (Ú) c2 0.66. 3). Halla¡ la probabilidad de que al lznz. Problerna. @l 6 caras.cAP. La probabilidad de (ii) es Po(ú)I at.I a¿). que es cero.ar una moneda honrada 6 veces aparezcan (o) 0.59 esto convierte en dP.

23 y z sea O.6140 pul y desviación tipificada 0. llallar el área bajo la curva normal z: 0. (b) P(-1.610 y 0.6 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.(b)z=I. Un agente de una compañía de reguros vende pólizas a 5 personas. 4. ¿Cuál es la cslificación mínima que debe obiener un estudiante para recibir una A ? Si un conjunto de mediciories está distribuido normalmente. La calificación media de un examen final fue 72 y la derviación típica g.4 4. (b ) al menos 3.58.15 y z *aO.80< z< !. (d) iguales a 0. entre (o) 4.b superior de los estudiantes recibirán una calificación A (excelente).81' 4. Interpretar los resultados.61? pul. En un examen la media fue 78 y la desüación típica 10.79. (b) Determinar los puntajes de dos estudiantes cuyas calificaciones tipificadas fueron y 1. Si (c) P(lzl > r).78: Hallar los valores sea 0. su coeficiente de curtosie es 2. 4. (c) Si las estaturas de 300 estudiantes están distribuidas normalmente c\on media 1.82. (b) desviación típica.23yz:1.4O. (c) menores que 0. dondeZestádistribuidanor¡nalmenteconmedia0yvarianzal. 4.2266.?0 m? cm. (/)ala izquierda de z:-2.2O y z --2.? y n : 60.7O. 4. 4.e z: -1. El l}'.79' 4.0025 pul.52 y a la derecha de z: 1. (c ) mayor que g 1.2 o.68. entre 1. (b) menos que o iguales a 1.64).85V 4. 4.77.96 =_ Z < t.59 y 1. (b) por fuera del recorrido ¡t ! 1.O?30. lt!aosea . (d) coeficiente de curto¡is para una dishibución binomial en la cualp : 0.85 m. 0. Evaluar (o) ) (c - p\3 f (r) v (b) > (r . determinar el porcentaje de los cojinetes de municiones con diámetros (a) entre 0. todas de edad idéntica y con buena salud.El m inclusive.618 pul inclusive. ¿cuántos estudiantes tienen estaturas (o) ¡nayores que 1.5722. ¿qué porcentaje de las medicione¡ están (o) dentro del recorrido I.85- 4.56. Hallar el área bajo la curva normal (o) a la izquierda de z : -1. 4.gShallarlacon¡tanteatalqueelporcentajedelo¡casos(o)dentrodelrecorrido 7 í'.9. haltar (a) P(Z = -1.80' 4. (a)Determinarlas calificacionestipificadasdedog estudiantes cuyos puntajes fueron 93 y 62 respectivamente. (d) el áreaentre 1. Z está distribuida normalmente con media 0 y varianza 1. (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.r)af(rl para la distribución binomial. 4.5 o? 4'83.50.84.74.900. (c) el área entre de z tales que (a) el área a la derecha de z sea 0.82.75. ¿qué porcentaje de esas mediciones diferirá de la media por (o ) más de media desviación típica. De acuerdo con las tablas de los actuarioe la probabilidad de que una persona de esta edad específica esté viva en 30 años es 213.83. (b) a la izquierda de z:0. -0. hallar P(X > S).71. Demostrar las fórmulas en la página 109 para los coeficienües de seego y curtosis. (c)z:-2. (b) menos que p .86. Hallar la probabilidad de que en 30 años (o) Ias 5. (c) a la derecha d.72. 4.4 respectivamente. EnelProblema4.2 respectivamente.t'c.55 m. (e)correcpondientea-0.t ! 2 o. (c) coeficiente de sesgo. (ó) el área a la izquierda de z sea -0.69. DISTRIBUCION NORMAL 4. (d) igual a 1. Calcular la (o) media.608 pul. Demostrar que si una dishibución binomial con n : 100 es siméhica.!6.oo ¿ea 22c/a. (e) el áiea en¡e-z y z 4.8{. Hallarz¡ si P(Z-21)= 0.45. (dl al menos I persona esté viva.96). (D) mayor que 0. (d) correspondientea z>:2.L46 DISTRIBUCIONES DE PROBABILIDAD CON NOMBRE PROPIO lcAP.?O m y desviación típica 10 Si los diámetros de los cojinetes de municiones están normalmente distribuidos con media 0. (c) solament e 2.615 pul.0314.6 y 1.76. z:-I.?8. Si X está distribuida normalmente con media 5 y desviación tipificada 2.

Un talego contiene una bola roja y siete blancas. (c) menos de 85 o más de 116 caras. Demostrar que si respectivostrr X1 ¡l X2 son variables independientes con distribuciones de Poisson con parámetros ytrz. hallar la probabilidad de que (of rnís de 5. 4.(e)entre4y8. 3 .(c)6. Xz. del límite central no sea válido en el caso que X¡ . Education and Welfare. f(r) =.90. (b) cada ca¡a una vez. el promedio de ahogados en accidentes por año es 3. Demostra¡ el teorema del límite central para las variables independientes xk = 4. Se lanza un dado honrado 6 r¡ece¡. Explicar por qué se podría esperar que el teorema üengan la distribución de Cauchy. Department of Health. 1/2 prob. 36 LO"/o de los cuales son defectuosos. (b) 7. Hallar la probabilidad de que en un muestreoaleatorio de 400 tor4illos producidos por estamáquina (a)máximo 30.10O. DISTRIBUCION DE POISSON 4.95. hallar la probabilidad de que en una muestra de 100 lámparas eléctricas (a) 0.9!.88. Si 3% de las lámparas eléctricas producidas por una compañía son defectuosas. Halla¡ la probabilidad de que el resultado sea: (o ) 1 "uno". Demostrar el resultado (l 7). (b) entre 1 y 3. arí generalizando el Problema 4. (d) 3.#Tf DISTRIBUCION MULTINOMIAL 4. 4. <x< @ 4. . Halla¡ la probabilidad de que 4. (bl 24 o más de 40 preguntas en un examen tipo verdadero-falso.98.entoncesXr+X2 tieneunadistribucióndePoissonconparámetro). "heses". 4l DISTRIBUCIONES DTSTRTBUCTONES DE PROBABTLTDAD CON NOMBRE PROPTO PROBABILIDAD PROPIO I47 L47 APROXIMACION NORMAL A LA DISTRIBUCION BINOMIAL 1. S. 2 "doses" y .0 de cada 100 000 personas. En el Problema 4. página 113. TEOREMA DEL LIMITE CENTRAL 4.(d)8. ( t 3 ). de loe tornillos sean defectuosos. (c) menos de.cAP.(Sugeren- cia: Utiliz. o 2lámparas eléctricas sean defectuosas. f. Hallar la probabilidad de obtener más de 25 "sietes" en 100 lanzamientos de un par de dados honradoe.(n5lámparar sean defectuosas.96.99.97. ( L 1 prob. hallar la probabilidad de que en 8 de tales extracciones se seleccione una bola roja 3 veces. .91. (c)entre y 46. (b)entre 30y 60. r¡ : L - p. (e) 4. . Generalizar el resultado a n variables. . Utilizando (o) la distribución binomial y (b) la aproximación de Poisson a la distribución binomial.101. . son independientes y están distribuidas idénticamente con la distribución de Poisson. página I 1 1 . 4. Hallar la probabilidad de que en 200 lanzamientos de una moneda resulten (a) entre 80 y 120 caras inclusive.(b)2. (d) exactamente 100 cara¡. Xz. p pr. (d) 55 o más.97. 4.93.94.(f)menosdeS ahogados por año.1 t\.t9. (c)2.2. Hallar la probabilidad de que un estudiante pueda acertar eorrectamente lasrespuestas a(a)12 o más de 20. Entonces se coloca la bola en el talego. enunaciudadcuyapoblaciónesde200000ocurran(a)0. 1/2 -r -t Demostrar el teorema del límite central para las variables independientes 'Yk donde g = | | 1 prob. Una máquina produce tornillos.87. 4. Se extrae una bola y se obsen'a su color. -'. Según Ia National Office of Vital Statistics of the U. . 4. (b) menos que 90 caras. Demostrar el teorema del lfmite central para el caso en q rre X ¡.92. 4. 4.b.ar la función generatriz de momentos).

Suponga que X tiene una distribución de Cauchydeacuerdocon(29). Yerificar la (a) función generatriz de momentos dadas por (33 ). Si Xt y Xz son independientes y distribuidas de Cauchy. Una variablealeatoriaX tiene una distribución gamma conQ:3. Hallar la probabilidad de que de 10 bolasextraída¡: (o) 4 rean rojas. (t) P(l = X=2).112.109.119. Hallar (a) el tercero y (D) el cuarto momento alrededor de la media de una dishibución uniforme.102. Una caja contiene una gran cantidad de bolas rojas. Hallar la probabilidad de no obte4er un 1.111. entoncel su mdia 4. Demostrar que el recorrido semi-intercua¡tílico para la di¡tribución de Cauchyeeo. 4. (b) ninguna sea figura. cuando N ' e.116.114.págrna114. Hallar la función generatriz de momentos para la di¡tribución uniforme. y (b) la función caracterfstica de la di¡tribución gamma . S blrncar. Si X.con < 2). ¿Porqué en este caso el 4. Demostrar directamente que (22).4 4. 4.116.120.115.11?. hallar la probabilidad de que (o) 10. 4.113. 4.Hallar(al P(X <1). ó (24\ se para resolver el Problema 4. página 108. Si se seleccionan 20 aspirantes aleatoriamente. 2 ó 3 en cuatro lanzamientoe de un dado honrado. Generaliza¡ el resultado del Problema i. Z. 4. 4. 4.9: 4. es una función de densidad. Determinar los valore¡ modales de la distribución gamma. página 116. (b) P(lX-11 = +). De 60 aspirantes a una universidad 40 son del oriente. Una caja contiene 5 bolas rojas 5l l0 blancas. 4. azules y amarillas en la proporciün 4t 3z 2: L. tl¡llar(o) P(X= 1).105. 4. 4.108. 2 zzulee y l amarilla. (b) P(Xz > r2). sean del oriente. DISTRIBUCION UNIFORME reduce a (I ).Hallat(a) P(X i. SiXestádistribuidauniformemente en-2< x=2.122.11E. página 115. blancas.107.z 114.fl DISTRIBUCION DE CAUCHY 4.(b)8 sean rojas y 2 amarillas.106 y e¡tudia¡ la precisión 4. hallar P(lX .110. o:2. 4. hallar la probabili4.148 DISTRIBUCIONES DE PROBABILIDAD CON NOMBRE PROPIO [cA¡.121.103. Si se seleccionan 13 cartas aleatoriamente (sin remplazamiento) de una baraja de 62 cartas. (c) al menos una sea roja. normalmente con media 0 y varianza l Demostra¡r que Y: Xt lXz tiene una distribución DISTRIBUCTON GAMMA 4.págin. Si se seleccionan 8 bola¡aleatoriamente (sinremplazamienüo) determinar la probabilidad de que (a) 4 sean rojar. Emplear la aproximación binomial (18) obtenida. Determinar el coeficiente de (a) > ll 6/. Y son independientes y ambas eetán distribuidas uniformemente en el intervalo de 0 a 1. sesgo y (b) curtosis de una di¡tribución uniforme. (b) no más de 2. dad de que (a) 6 sean figuras. Demostrar que si X1 y X2 son independientes y tienen la misma distribución {e Cauchy. (b) todas sean blancas.104. recorrido gemi-intercuartílico es un eustituto de la desviación tfpica? aritmética también tiene esta distribución.106. Verificar que (31 ). DISTRIBUCION HIPEBGEOMETRICA 4.

%t con y :7.valores de grados de libertad I ú para los cuales el á¡ea de la cola derecha de es igual z (a) 4. : 6. hallarlaconstantec talque (a\ 0.136. (d) el área a la derecha de ú1 sea 0.4l DISTRIBUCION BETA DISTRIBUCIONES DE PROBABILIDAD CON NOMBRE PROPIO t49 4. 250.ti ti¡l gue (o) el área a derecha de ¡l sea 0. v: -f1 sea 0. (ó) y (b) x. 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.9:2. área combinada a la derecha de ú1 y a la izquierda de -f1 4. lJnavariablealeatoriaXtieneunadistribuciónbet¿cono:3.025.. si el r. 4.1 de la función de densidad (45'¡.141.2\' 4. 4. Hallar el valor de: (a) F. hallar x2. 4.136.os.95. Demostrar que (a) E(xz) = DISTRIBUCION ú DE STUDENT 4.¡. (o) llaltar x! y x? tales que el área bajo la distribución x2 correspondiente a v -.g. (D) P(-a= U 3 c) :0. (e ) 150. hallar el valor ie . Para una distribución chi-cuadrado con 12 grados de libertad.13E.01.10'(d)el sea 0.131. (c) 28.123. (d) P(U 2 c) = Q. + p . y x! tales que (a) P(U > x?rl = 0'025. (c) F.140. Resolver el Problemz 4. (c) P(U = cl = 0'20. grados de libertad DISTRIBUCION x . Verificar que la integral desde u lsugerencía: Hágase a : 0 hasta e v2u). Verificrü que (34). v ) 2.2gs para r = 150.126.01 y ¡. pígirn 117.:10. (d) 40. Halla¡ (o) 4.129. Si la variable U tiene distribución chi-puadrado P(u < x?) : 0.¡' 4.727 si el área de la cola derecha es 0. Hallar (a) es la x.zoi (.142.oo. Q) F. = t2ul(v1* .50. (d ) 60.(c)eláreaaladerechadeú1 eea0. (b) Demostrar que si la suposición de áreae iguales en la parte (o ) no se cumple.130.cAP.ol/l'.95. 4.páSrrra 115.90. (b) 12. (b) F.05.124.13?. Demostrar que la distribución beta tiene una moda l¡nica en DISTRIBUCION CHI-CUADBADO r: (a - l)/(a P(lX-+l = +).ss.12?. (b) el área a la izquierda de xi sea 0. Hallar 4. Demostrar que para grandes valores de 4. es una función de densidad.' dada Por r * .20 91tt: 1i Y_4_.2.139.rúmero e. Demostrar que la va¡ianza de la distribución t de Student con t. er igual a 1.90yy:25t (b)eláreaalaizquierdade-ü1 sea0.i) 4.98. (c) el á¡ea a la derecha de xl sea 0. los valo-res de x? y x! no son únicos' 4. 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. la distribución ú es 0. (c ) 25.or'so'lr-.05. v.rz.gc. si el número de 4.02'5yv=20'(c)eláxea 16.rzo.133.99.01.01.. / una buena aprorimación para percentila (100p) de la distribución normal tipificada.or.128./(. (e) el área entre -f1 f f1 sea 0.z¿i (d) F.donde zo hra una distribución f de Student con 15 grados de libertad. - 2).132. (b) 19. hallar el valor de ú¡tal que (a) el área a Ia derechadeú1 seaO.(b)eláreaalaizquierdadetlsea0. Hallar los .eo.125.134. f f.rales a la derecha de xB y a la izquierda de x!. Demostrar que para 1 grado de libertad la distribución ú es una distribución de Cauchy. ¡2o egtá x?ozs y (b) xizs para'r = 4. (c) P(x?< U < x2z) = 0.ss. 4.01.? 9:?^5: suponiendo ireae'ig.55 ! 4.rs. \b\ Yar (7zl -.9¡' P(U>c)= 4. ee la 0. Si una variable Utiene una distribución de Student con ¡.05.

153.. Verificar que estas constantes son l¿¡s dadas en (19). Demostrar el Teorema 4-8. libertad respectivamente. demostrardirectamentelosresulta- 4. .155. c.161.X. Generalizar el Problema 4.0. PROBLEMAS DIVERSOS 4. Halia¡ el valor aproximado de (t3o). Demostrar que cuando v "> @ la distribución f de Student tiende a la distribución normal tipificada. 4. .e8)2ez \3 /' y dar una interpretación de probabiüdad.7ffi1.147. Xz. Hallar la función generatriz de momentos de la di¡tribución hipergeométrica.X.n. Y mnjuntamente tienen la distribución bidimensional (19). 4. Suponer que X..4 4. son independientes pero no necesaria.14E. constantes y b2 < ¿c. Si X. 4.0r.pfuinal77. (Sugerencia: Ilaga la transformación u : 1/u).I Y T' 4. página I44. 4. + Xn.15E. ¿Puede deducirse la ley de los grandes números en forma débil del teorema del límite central? JuEtificar su solución. Demostrar el resultado (46). k=1.37 demost¡ando que si buidas normalmente con media 0 grados de 4.16O. página LL8.156.. 4.1 o2 .r..r.. Sean las variables independientes n X¡. (a > o' o . rj +n'r l¡ = ¡'oof 4.8. Completar la demostración de la ecuación (8) del Problema 4.e8¡zsa \z /' * (tlu)to. (véase página cada unacondistribucióngeométrica. página 114.6O.144.Porevaluacióndelasseries dos del Problema (") 4.157. Si X está distribuida normalmente con media g y variznza grado de libertad? Véase Problema 4.. .143. mente tienen una distribución idéntica. Demostrar el Teorema 4-5. 4. Demostrar que 2u (.145.^h.. 4. de 4.. página 116. página 118. RELACIONES ENTRE LAS DISTRIBUCIONES CHI-CUADRADO. Demostrar los resultados (20) y (23). Demostrarque k=l ) X* tiene distribución de Pascal 118). prfuina 118. demostrar que e8t6n distribuidas marginal- "? y oi respectivamente.A) = ke-(!¡z+2bra+"v'l donde a.. DISTBIBUCION NORMAL BIDIMENSIONAL 4. Demostrar el Teorema 4-10. . b.o2)a(0. ento'nces ) Xf ti"tt" 51.154. É^ ¡=o ..146. (ó) io ". y varianza 1..150. . Si Xr... Y tienen la función de densidad conjunta f(r.0. mente con varianzas h aon 4.36.162.159. Demosha¡ el teorema del límite central para el caso donde Xt..prgradoe X¡ + ..149. 4..' o) 4.c<ts -. k=l son variablee aleatoria¡ independiente¡ disürluna distribución chi-cuadrado con y libertad... hallar la función de distribución de lonva¡iablesaleatoúasindependientescon di¡tribuciónchi-cuadradoypr.150 DISTRIBUCIONES DE PROBABILIDAD CON NOMBRE PROPIO lcAP. ¿tiene X2 una distribución chi-cuadrado con 1 X1. ... 4.

cAP. (b) v = 2. 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.4l DISTRIBUCIONES DE PROBABILIDAD CON NOMBRE PROPIO 4. .163. (c) v1* 4. (c) la velocidad más probable. y varianza de la distribución gas para loc casos (o) (b\ v2= 4.esdecirlarafzcuadradade la velocidad media al cuadrado). (b ) la velocidad media. Determinar (a ) la conetante c. página 119.F' f. Comparar sus resultados con l¡ entrada 5. (d) la velocidad efectiva(rme. Estudiar qué le sucede a la media ¡i (o) r = .162.164. Estudiar qué le sucede a la varianza de l¿ distribución t 4.

.

Farte tl ESTADIST¡CA .

.

EJ EMPLO 5. Así en el Ejemplo 5. En el Ejemplo 5. el número se llama el tamaño de Ia población. la población puede ser finita o infinita. EJEMPLO 5. En el primer caso un objeto determinado puede seleccionarse una y otra vez. EJEMPLO 5.4 podemos hablar de Ia población de todos los 200 colores en la urna (algunos de los cuales pueden ser iguales). llamado la población. En este caso los tornillos producidos durante la ¡emana conforman la población. mienhgs que en el segundo caso solamente puede seleccionarse una vez. comítnmente denotado por N. 155 . generalmente finito.lo cual puede resultar difícil o imposible. Esto se hace con el propósito de inferir cieitos hechos respecto de la población de los resultados hallados en la muestra. INFERENCIA ESTADISTICA Con frecuencia en la pÉctica estamos interesados en extraer conclusiones válidas respecto a un grupo grande de individuos u objetos. En forma semejante el número en la muestra se llama el tamóño de la muestr. En cambio de examinar un grupo entero.4. Desearfamos ertraer conclusiones respecto a la honradez de una moneda deüerminada al lanzarla repetidamente. 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. como en "la población de determinada ciudad es de 180 000".Capítulo 5 Teorío de muestreo POBLACION Y MUESTRAS. La población consiste en iodos lc lanzamientos poeibles de l¿ moneda. Se podría obtener una muestra al examinar. loa primeros 60 lanzamientos de la moneda y notar los porcentqiea de caras y sellos.c. 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.n: 60.Y SIN REMPLAZAMIENT\O Si extraemos un objeto de una urna. puede llegarse a la idea de examinar solamente una parte pequeña de esta población. 1 . El-proceso de obtener muestras se llama muestreo. El muesbeo donde cada miembro de una población puede seleccionarre más de una vez se llama muestreo con rempla. tenemos la alternativa de colocarlo o no en la uma antes de una segunda extracción.1 podemos hablar de la población de 12 000 estaturas (o pesos) en tanto que en el Ejemplo 5.Nesinfinito.2.1. Deben nota¡se varias cosas. denotada pot n. por ejemplo. Desearíamos extraer conclusiones reapecto a los colores de 200 bolas (la población) en una urna seleccionando una muestra de 20 bolas de la urna.s observaciones o medida. Segundo. n = 100 mientras que enelEjemplo S. Tercero. la palabra poblacíón se utiliza para denota¡ la. donde cada bola seleccionada se regresa luego de observar su color. MUESTREO CON. en tanto que los 120 tornillos escogidos constituyen la muesha.s y no los individuos u objetos. N : L2 000.S.3. un proceso conocido como inferencia estodística. zamiento. la palabra población no tiene necesariamente el mismo significado como en el lenguaje común. mientras que si cada miembro no puede seleccionarse más de una vezwllamamuestreo sin remplazamiento. EJEMPLO 5. Primero. que se llarna la muestra.

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

Yrf X--"''ffn ll (2) en analogía con (3).'f(u") (t) nal se llama estadístícos muestrales o brevemente estadísticos.. Comúnmente el método para obtener un estadístico de la muestra es semejante al de obtener el parámetro de una población finita. X. .o. Xn serían variables aleatorias independientes distribuidas idénticamente con distribución de probabilidad /(¡). Podemos continuar este proceso hasta Xroo puesto que el tamaño de la muestra es 100. 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.. Xr. xn de las variables aleatorias Xr. Para una distribución muestral podemos lógicamente computar la media. para valores de parámetros poblacionales y letras romanas m. Xz. el muestreo sin remplazamiento daría realmente los mismos resultados que el muestreo con rernplazamiento. En este caso. variarrza. Entonces su distribución conjunta sería P(Xt:tt. . En el caso de muestreo con remplazamiento Xt. Por simplicidad supongamos que el muestreo es con remplazamiento de modo que el mismo individuo poüía conceptualmente escogerse más de una vez. correspondiente a cada parámetro poblacional habrá un estadístico a calcularse de la muestra. etc. el sentido determinado se deduce lógicamente del contexto. De otra forma podemos considerar todas las muestras posibles de tamaño n que pueden extraerse de la población. x2 específica de tamaño n entonces la medi4pam r. ya que una muestra consiste de un conjunto finito de valores. . Xn las variables aleatorias para una muestra de tamaño n como se describe anteriormente. desviación típica. ya que el tamaño de la muesba es mucho más pequeño que el tamaño de la población. Xr. un estadístico mueEtral que se computa de X1 variables aleatorias )' es por tanto una variable aleatoria..I'a palabra estadístico se emplea frecuentemente para la variable aleatoria o para sus valores. . etc. Si lct. que es su distribución muestral..Xn-frn\ = f(r)f(rz). un estadí'tico muestral para una muestra de tamaño n puede definirse como función de las variables aleatoris Xr . Algunas veces se llama a la desviación típica. . Xn). y 12 puede tomarse como el valor de una variable aleatoria Xr. ...cAP. 2c2. esa muestra se denota denotan los valores obtenidos en una muestra por . . que puede tener cualquiera de los valores En el caso general una muestra de tamaño n se describiría por los valores )ct .. De esta manera obtenemos la distribución del estadístico.. . La función9(Xr X. X. DISTRIBUCION MUESTRAL Xn es función de estas Como hemos visto. . tales como ¡J. . enor típico. .x^). Xr. Matemáticamente. MEDIA MUESTRAL Denótense por X. .) es otravariable aleatoria. Cualquier cantidad obtenida de una muestra con el propósito de estimar un parámetro poblacio En general.. y para cada muestra computar el estadístico. cuyos valores pueden representarse porg(r1 . .. momentos. Entonce s la media de Ia muestra o media muestral es una variable aleatoria definida por . . . 5l TEORIA DE MUESTREO L67 JC2 de las estaturas posibles. para valores del correspondiente estadísticó muestral.. página 76.. marrera escogemos el segundo individuo para la muestra. . . La distribución de un estadístico muestral se llama la distribucion muestral del estadístico. Sin embargo.Xz:n¡ . s. Donde sea posible trataremos de utilizar letras griegas. es decir g(Xt. Tales problemas se consideran en capítulos posteriores.

2 entonces la media muestral . oft = . Nótese que (6) se reduce a (5) cuando N . dada por Z: es x-r "/\n es (7) normal reintóticamente. = t' es la media de la (l) población. Si una muestra de tamaño 5 resulta en los valores muestrales 7. página 112.á dada por E[(X-ti'l: "l = ¿ n donde o2 es la va¡ianza de la población. 5 (3) EJEMPLO 5. Entonces es natuml buscar la distribución de probabilidad del estadístico muestral X. 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 la varianza de la distribución muestral de medias. Entonces la variable tipificada asociada con X.ux. (s) El Teorema 5-5 es una consecuencia del teorema del límite central.r es F*.¡ n lcAP. Teorema (6) 5-4: p y vaianza o2 entonces la media muestral p y vananza é/n. 1. y si el tamaño de la muestra es n S N. Se supone aquí que la población es infinita o que el muestreo es con rernplazamiento. Teorema (5) 5-3: Si la población es de tamaño N. De otra forma Io anterior es conecto si remplazamos o/l/-n en (7\ por o* como se da en (6). está dada por E(X) = donde ¡. denotada por oi. Los teoremas siguientes son importantes en este sentido. si el muestreo es sin remplazamiento. estn lim P(Z -z z) = -= f = J 1 vzr -* "-uztz ¿r.5. denotada por . 9.-.. est.6.(¡¿ -n\ -f / en tanto eue ¡r* aún se da por (4). que se llama la distribución muestral para h media de la muestm o la distribución muestrcl de medias. entonces (5) se remplaza por o2/N . = 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. la media de la población.158 TEORIA DE MUESTREO Jrf ll |"'Fi. Teorema 5'1: La media de la disbibución muestral de medias. 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.

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

t)'' t(S2) : o2. : {$j$ : Pút . et y pz. denota las variables aleatorias para una muesha de tamaño n. Sin embargo. 5 Resuitados cortespondientes pueden obtenerse pan disfuibuciones muestrales de diferencias de prcpordónes de doe poblaciones distribuidas binomialmente con parámetros pt. Se pueden obtener recultados semejantes a (1 1).) Cuando = ps2 : ("\) (+). ez respectiva¡nente. + . Refiriéndose al Ejemplo 6. y el valor una estima insesgada. . y P. de es+. y S.X).P".llpt iLp2 Pt. -. corresponden a las proporcioneJ de éxitos P. entonces la media de la distribución muestral de varianzas está dada por E'(s. i (X^-. En este caso . resulta ser que (véase Problema 5.20) ¿'(St) está definido por = Asr : ?-Joz > 30). * l's. puesto que al hacerlo así muchos resultados posteriores se simplifican.la varianza mueshal tiene el valor a2 = en tanto que la ertima inseegada eetá dada por +(6-6)2 - z Ao s. por (X..-i)'? + (Xz-. Qe) N* - ésta se reduce a (16).o de rcnal diierencias de estadísticos algunas veces estamos interesados en la suma de estadísticos. continuaremos definiendo la varianza muestral por (I5). página l57. + (x^- X¡z n-I (17 ) de modo oue u(D') = g' (t8) Debido a esto.. . VARIA¡.s. . Sienrpre que el valor . en cambio de 52 y sencillamente remplazan n por n -1 en el denominador de (15). entonces la variable aleatoria que da la uarianza de la muestra o la uarianzt muestral se define de acuerdo con (14). -X).5. : {"'rr4r. EJEMPLO 5. El estimador Q6) insesgado qu9 9sq rnuy próximo a o2 solamente para grandes valores de n (n q2 (x.160 TEORIA DE MUESTREO lcAP. página 78.e parámet¡o.S.6. y 52 tiene media y desviacián üípica dada por Fsr+s..iZA MUESTRAL 9i Xtr Xr.= 5 .= 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. supotriendc rtii€ ¡a-s = ¡'s.. En '"al caso ia distríbución muestral de la suma de estodísticos S. opr-p. X. Sin embargo. PzQz (13) En cam!:i. + (xz. algunos estadistas escogen para definir la varianza muestral por 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. osr. (11) nrruestras son independientes.. y iai-ecuaciónes (I1 ) resultan Ittt-?z .

UtilizAndo la misma idea po es más buci ¿" diferencias de varianzas.i2 o2 (20) o- La distribución de esta variable aleatoria se describe en el'teorema siguiente. Para una demostra- CASO DONDE LA VARIANZA POBLACIONAL SE DESCONOCE En los Teoremas 5-4 y 5-5 hallamos que.grados'de libertad. En cambio de hallar la distribución muestral de S' ó S' es conveniente hallar la distribución muestral de la variable aleatoria relacionada nS! . 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 . que ? tiene una distribución de Student con n Teorema demuestra en el Problema 5. En cambio. (21) está normalmente distribuida si la población de donde se toma¡on Ias muestras de tamaño n está normalmente distribuida. 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. se Debido al Teorema 5-6 la variable en (20\ ción de este teorema véase Problema 5. pagjna 117. Establecemos esto en el teorema siguiente.24. denota con frecuetlcia por ¡2.22. podemos considera¡ él estadísü próxima a 1 indicaría una pequeña pequeña indicaría una gr¿rn áiierencia mientras que una relación diferencia. S/\n X-t' slltn'- (22) r ü Podemos entonces demostra¡ utilizando el Teorema 4-6.la variable tipificada Z= X-¡t "/yñ.cAP.1 grados de libertad. 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.Si. En (2I ) hemos supuesto lógicamente que se conoce la varianza poblacional o2 . Sin embargo. 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. . 5l TEORIA DEMUESTREO 161 DISTRIBUCION MUESTRAI. 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. en tanto que es normal asintóticamente si la población no es normal dado que n >: 30. 5-7: DISTRIBUCION MUESTRAL DE RELACIONES DE VARIANZAS En la página 159 indicamos cómo pueden obtenerse distribuciones muestrales de diferencias. Si. resulta ir¡ ande o e un bien complicada. Es natural preguntar qué sucedería si no conocemos la varianza poblacional. 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. Una posibilidad es estimar la varianzá poblacional utilizando una o más varianzas muestrales y luego colocar la corespondiente^ desviación típica en (21). en muesa la particular diferencias de medias. - 1.

Nótese que (2) se reduce a (1) cuando ¡.. (l) Desviaciones típicas o" Os !t/ 2n población oq está dada por (1) solamente cuando es normal (o aproximadamente (r) normal). u.?/.!!1. n 1 grados de libertad. Por ejemplo la mediana.1 ) en caso de que la población sea Va¡ianzas (-') O. OTROS ESTADISTICOS Muchos otros estadísticos además de la media y la varianza o desviación típica pueden definirse para muestras. Si la población noesnormal.o con gran aproxima- O. el estadís_ tico F lr^ -_ '1. /.¿s ción.5 5.-8: Si se extraen dos muestras aleatorias independientes de tamaño m y n respectivamente de dos poblaciones normales con valianzas oi. 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 distribución Medias o.t o \/n muest¡al de medias se ájusta mucho a una normal (normal asintóticamente) para n = 30 incluso para poblaciones no normales.j respectivamente. la moda. (1) .ac\ \{r/ tiene la distribución F con ffi 7.100. Para n =) 100 la distribución muestral de la S es muy próxima a una normal. Proporciones oP \ ^7ett " ¡ !. (r/ I lo 't/tt l1(t1 que es casi igual a o2para valores deir trr j . 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. Enlonces si las varianzas de las muestras aleatorias están dadas por .2533 0 \/n Para n = 30 la distribución muestral de la mediana es muy próxima a una normal.ra : 3o4 . 6n Las notas anteriores para medias igualmente aplicables aqu í. los momentos.1. la media poblacional en todos los casos. Los resultados dados son válidos solamente si la población es normal o aproximadamente normal.puede utilizarse (2 ).i Las notas para desviaciones típicas sqn igualmente aplicables aquí. la curtosis. ttp ..t62 Teorema TEORIA DE MUESTREO [cAP.Sl. etc. d .-_.p en todos los casos son dn¡crr Medianas - "!t.: ir.!f S.: nSj/('n 1)or. Nótese que (2) se convierte en (.. lo que se cumple para poblaciones normales. el sesgo.t normal.Í . Para n '. r.

Io que se llama uninterualo de clase. la frecuencia relativa o porcentual correspondiente a la clase 63-56 es 18/100 ó 18'i. que puede tomarse como representativo de la clase.'RECUENCTA Si una muestra (o una población) es grande.-r-l correspondientes a esta clase Ia correspondiente frecuencia de clase es 5. se ¡nuestqan en la tabla anterior. se conoce como d¿süribución de frecuencia o tablade frecuencia. como se muestra sombreado en la Fig. En el intervalo de clase 59. o al menos sus medias y desviaciones típicas (errores típicos). 60-62 es 61. puecen enct-¡ntrarse con frecuencia. Por esta razón es útil organízar o agrupar los dofos.5:3.'J ir z 61 64 6t- l0 ?3 76 (pulgadas) Estatura (p [:ig.5-62. El histograma correspondiente es entonces semejante al de la Fig. DISTRIBUCIONES DE FRECUENCIA RELATIVA Y OJIVAS estudiantes err cada clase. La ordenación resultante. Distribuciones muestrales para estos estadísticos. Tabla 5-2.5-59.5 se conocen como límites reqles de clsse. En este La primera clase o categoría. EI siguiente intervalo de clase sería entonces 62.:) riri {l¡ ¡ lii 12 o ilr -71 27 8 . denotado por c¡r que comúnmente es el mismo para todas las clases (en cuyo caso se denota por c). 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..cAP.l . DISTRIBUCIONES DE F. se llama marca de clase.5 pulgadas mientras que unaregistrada como 62 pulgadas realmente está entre 61. etc. Puesto que 5 estudiantes tienen estáturas casoc:62.5 y 60. es difícil observar las diferentes características o computal estadísticos tales como la media. Tabla 5-2 ESTATURAS DE 1OO ESTUDIANTES DE LA UNIVERSIDAD XYZ o H o 10 (pulgadas) fir) Estatnra i Número -f. 5-1 ercepto que el eje vertical es frecuencia relativa en cambio de frecuencia. por ejemplo. denominada la frecuencia de clase. Como ilustración suponga que una muestra consiste de las estaturas de 100 estudiantes de la univelsidad XYZ. o por un polígono de frecuencios uniendo los puntos medios de los techos del histograma.) de tro estudiantes É tr-r (::i t'.5-62. El ancho del intervalo de clase 7-ésimo. . consiste de estaturas desde 60 hasta 62 pulgadas. el resultado sería una distribucíón de frecuenciarelatiua oporcentual.5 pulgadas. conjuntamente con los dados. Es interesante observar que Ia gráfica parece indicar que la muestra se extrajo de una población de alturas normalmente distribuida. Algunos de estos. es Ia diferencia entre el límite real superior e inferior.5.5. Orden3mos los datos en clases o categortbs y determinamos el número de individuos que pertenecen a cada clase. La suma de ias áreas es 1 ó l-00'.5 y 62.5--65. EI punto medio del intervalo de clase. 5-1.5 los números 59. Ya que una estatura registrada tromo 60 pulgadas realmente está entre 59. podríamos haber registrado el intervaIo de clase como 59.5 y 62. inciicadas por 6G-62. etc. desviación típica.Por e¡emplo. 5l TEORIA DE iúUESTREO 163 definiciones son análogas a esas dadas para poblaciones en el Capítulo 3. Si en la Tabla 5-2 registramos la frecuencia relativa o porcentual en cambio del número de .

Véase Problema 5. pagina 78. números iguales d media está dada por xt.L64 TEORIA DE MUESTREO lcAP.5 Podemos c<¡nsiderar una distribución de frecuencia relativa como una distribución de probabilidad en la que las probabilidades se remplazan por frecuencias relativas. s tll f¡ números iguales ? rp. fr I /:* "'-l. es decir ¡¡ . o distribución de frecuencia relatiua acumulada. COMPUTO DE LA MEDIA..3u. 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.l : . fz números iguales a xr. cuyas representaciones gráficas asociadas se conocen como ojiuas u ojiuas porcentuales respectivamente. (2Ir) Análogamente la varianza está dada por (25) IL Nótese Ia analogía de (24) y (25) con los resultados (2). 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. Ya que las frecuencias relativas pueden considerarse como probabilidades empíricas (véase página 6). corresponde a probabilidades empíricas. 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..1 n. podemos considerar a las distribuciones de frecuencia relativa como distribuciones de probabilidad empírica.r _ 1 lt-_+-[291:-'' _l/1. P<. La frecuencia total es n. 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.fl lt f.. l3 . pagina 76.¡r analogía podemos asocia¡ con cualquier distribución de frecuencia una distribución de frecuencia acumulada. fk Puesto que hay f. = I/ Tabla 5-3 Frecuencia de clase Marca de clase . y (13)..r¡ TOTAI. Lasfórmulas (27) (28) .

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

5.4. de la distribución muestral de medias se obtiene restando el valor de la media 6 de c¿da número de (1 ).!lr_115. éstas son (2. 5. l'I1!11-q9-"'-lgl-99'":'I9't3ls 25 comprobándose que ) 150 tt - o'' t{' -. + (9. por ejemplo.8) (11.U t< (.11) (8.5 9.0 5. nuesto que segundo -:^-L-^ "" (.* . 8). sumando los 25 números así obtenidos y dividiendo por 25.5 + 4.."\.6..0 (2.0 9.8) Las correspondientes medias muestrales son 2. or".05 Y ox r.11) (6.8.5 I.5. 11) La selección (2.11) 4.1-¡ .* 2.6.01..0 5. 7.11) (1r. 10'8/5 . 3) (2. (3. Las correspondientes medias muestrales son 2.o2/ N .b - 6."2*= o2/r.0¡:: -f -' .5 6. de acuerdo con el valor anterior.?. 7. de la distribución muestral de medias x es 6.5 11. (6.2\ Esto pone de manifiestrque '' . ll ).0 poniendo de manifiesto el hecho de que tÍ - (d) La varianza.0.8).r ) 4.6) \2.2).0 -('25-10 - c. que es el valor obtenido anteriormente..0)2 = 4.5 .05.0 O.5 7.1¡ muestras (2.. se considera la misma que (8. 11).puestoqueel segundo miembro es 10.2) (11. 6.1.5 ¿" (l 8.0 7.3) (6. (o) y (ó) como en el Problema 5.2. 3) (3.\ N _irl. (3.0 + 7.6) (6.3).D 6.0 y la media de la distribución muestral de medias .6).0 8. 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.8) (8.0 4. 7.166 TEORIA DE MUESTREO lcAP.to oue el sesundo miembro ^^ .8.11) (3. rj).0 es 8. 4.5. (3. 4 135 : -. Estas so r (2.0r 6.29.5 5.8) \3.47.5 7.5 + 10 /r.40.5.0). (6.5 = 6. (c) Hay iC-.5+ 5.5 (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).5 1 4.2) (6. 3) (rl.6) (tt. 4.1 para el caso de muestreo sin remplazamiento. 5. (d) I'a varianza o{.5 + 9.8/2 = 5. ) "l . elevando al cuadrado cada diferencia. (2. 8.. Para una demostración general véase Problema 5. El resultado final es . 8).0 otr 3.3) 111.40 de modo que o. Lo mismo que en el Problema 5.-.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).5.0 : itO + 6.f. _Í ) . + l:1. y la media de la distribución muestral de medias es 9. (8.2t (3. 6) (3. ¡'.2. Para una demostración general véase Problema 5.3).O.5. 5.r' = 16. 2) (8.2) 12. o: 3. (2.0 -i.0 6. Para una demostración general de este resultado véase hoblema I . 6) (8. ¡r: 6 y o2 :10.0.8) (6.0. 11).

3 pulg. Supóngase que las estaturas de 3000 estudiantes de una universidad se distribuyen normalmente con media 68. que son muchas más de 80.8 .0 : 0.0 pulgadas y desviación típica 0. por tanto.5\ :(áreaentree:-2yz:O) * (área entre z : O y z : 0.6 pulgadas 3000 3000 (b) p* = p - 68.(área a la izquierda de z : -2. Así.5 - 0. considerarse la misma que en el muestreo con remplazamiento. puesto que el número de muestras es grande.0pulgadas o vn N-n _3 N-1 \/% .02 onzas. (b) 66.6 : -2. Fig.cAP.4 pulgadas? ¿En cuántas muestras del Problema 5.6 pulgadas y puede.1915 : 0.0 0.30 onzas.6 (o) 66. habría mucha aproximación entre las dos disbibuciones muestrales. cojinetes de bolas tienen un peso medio de 5.68. De aquí que con 80 no se obtenga realmente una distribución muestral de medias. la media y desviación típica esperadas serán muy próximas a las de la distribución teórica.30 500 /ioo 500-1 - 100 0. Sin embargo.6682) ó 59. 0.4. sino solamente una distribución muestral experimenú¿1.3 La media X de una muestra en unidades tipificadas viene dada por Z X-p* aX X-68. 5-3 5. para todo propósito práctico.8 y 68.6 (68. Quinientos onzas.67 Proporción de muestras con medias menores de 66. 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. Si se toman 80 muestras de 25 estudiantes cada una.67 0. Por ello.0 pulgadas y Yox=- ox = o=3 \/n {zs = 0. pues.67) : : (área a la izquierda de z : 0) y z : O) . (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.3. : (área bajo la curva normal entre z : -2. ¿cuál será la media y'la desviación típica esperada de la distribución muestral de medias resultante si el muestreo se hizo (o) con remplazamiento.5 Proporción de muestras con medias entre 66.3 cabría esperar una media (o) entre 66.5l TEORIA DE MUESTREO r67 5. (b) menor de 66. 5.0 pulgadas.4772 + 0.0098): 0.4 pulgadas .6 : -2.4 en unidades tipificadas: (66. (b) de más de 510 Pa¡a La distribución muestral de medias ox- o yn !* = p = N-n N-1 5.5.3 .4 - 68.25 -1 que es ligeramente menor que 0.0)/0.5) : O.02 onzas y una desviación típica de 0.3 en unidades tipificadas : : (66.0)/0. = tL = 68.68. pulgadas.0 y z : O.(área entre z : 0.8 en unidades tipificadas 68. Así se tiene.0 pulgadas y dewiación típica 3. \a) p*.0038 -2 A7 Entonces el nhmero de mueshas esperado es : (80)(0.8 y 68.0)/0.6687 Entonces el número de muestras esperado es (80)(0. cabría esperar que la distribución muestral experimental de medias se distribuya aproximadamente normal con media 68.304 o cero.02 ? .4962 : -2.6 pulgadas.

+"'") =.96\ (área a la derecha de z:0) . 5.22 y z : O\ . X2. '1-. (x1) r rI (x.10 en unidades tipificadas: (5.0.7.pues. Hallar la probabilidad de que en 120lanzanientos de una moneda el número de ca¡as (o) esté comprendido entre el 40% y el60%. tenemos l¿-12 E(X¡) = * Entonces ya que la media muestral se define como -Y='' x. Se consideran los 120 lanzamientos de la moneda como una muestra da la población infinita de todos los posibles lanzamientos de la moneda. Demostrar el Teorema 5-2. En esta población la probabilidad de cara es p : I12 y la probabilidad de sello es C :1P : l12.(área entre z : O y z = 2.ruo2. tenemos por los Teoremas 3-5 y Var (X) -f vu..96) :0.t - .7 4) (áre^ entte z : -2. Se 1-2O. y 6Ol/" de l2O.+-\1L tenemos como se requiere l E(X) = ]lEtX. F'ie.00 - 5.5.10 onzas.ttr rr"rr"n Var uuri^X. Se procede como en el Capítulo 4.E6)) = L(rr\ = t! 6.0.02)lO.. son ina"p"nl'i"nt"..00 onzas..96 Probabilidad pedida : 2.6.5 . 4..22 : --0. página 158. X. Demostrar el Teorema 5-1. Puesto que X1. DISTRIBUCION MUESTRAL DE PROPORCIONES 5.5-4 (ó) El peso total excederá de 510 onzas si el peso medio de los 100 cpjinetes sobrepasa las 5. solamente se darán 3 casos cada 2000 de obtener una muestra de 100 cojinetes con un peso total superior a 510 onzas.96 5.2704 : 0.027 5.48(i8 . Puesto que el número de caras es una variable discreta.O27 : -2.5 se encuentra entre 4.00 en unidades Probabilidad pedida tipificadas : (5. Tenemos .(.22 y z : -0.) - .7 4 : -2.216-1 (área entre z : : 222 -074 Fie.02)lO. son variables aleatorias que tienen la misma distribución que la población..96 en unidades tipificadas: (4. 6 72.96 ) El peso total se éncontra¡á entre 496 y 500 onzas si la media de los 100 cojinetes y 5.. se pide Ia probabilidad de que el número de caras se encuentre entre 47.168 (o TEORIA DE MUESTREO lcAP.10 .(área entre z : -4.8.+ "' + -' Entonces puesto que X¡.5 y 72. (a) ' pide ra probabilidad de que el número de caras en los 12Q lanzamientos se encuentre ent¡e 4O(/o de 6 48.0015 : (área a la derecha de z Así. (b) sea 5/8 o más del número de lanzamientos.5.O2\10. 3-7 " x. la cual tiene media ¡1.5-5 5.O27 : 2. .7 4 y z : O) = 0..4985: 0. mediante la aproxlmación normal a la binomial. página 158.

5 5. i:abe esperar el encontrar un97.51720 del primer método.48 Probai¡ .4960 : 0.65) : 0. las proporciones pedidas en unidades tip! 0.4887 ) : O.5 .uo ". - 0.48 . puesto que 5/8: - 0.5 .86 : (área bajo la curya normal a la derecha de z : 2.8 se ha obtenido que todas las posibles muestras de 120 lanZamientos de una moneda.s los posiblea l¿nzamientos de una moneda.detamaño 120 cada una.idad pedida = 2.117 l1 a 0.I9 : -2. (o) En el apartado (o) del Problema 5.t9 yz : 2. Cada persona de un grupo de 500 lanza una moneda 120 veces. puesto que L1240: 0.977 4 ttp=P:i=o.40 y se Buma .00.0041?-0.0.28y2:2.40 0.5/120 y (b) Empleando el segundo método de (o) se tiene. Así pues.00417) y (0.5 en unidades tipificadas = 72. 0. de la población infinita de todo. Adviértase que (0.28 _ y 0.0r56 - 0.6250 - 0.19 : 2(0.50 = _2.60.0456 (0.0040 -_ 0'6250 5.00417) corresponden a las proporciones 47.cAP.=1p= ^FY = 120 = 0. Aquí se consideran S00muestras. Teniendo esto en cuenta se resta 11 Z" = Al¡.28) 2(área errtre z : O y z : 2.50 0.00417) en unidades tipificadas Probabilidad pedida .0456 = 2.fn ficadas son.40 72.74% de ellas con porcentaje de ca¡as entte AOVI y el .28 : : : Otro método.4857) : Aunquees:cresultadotiene dos cifras significativas.28 que concuerda con lo obtenido por el primer método.60+0.65\ : (área a la derecha de z : 0) .0041 7.60 + 0.(áreaentre z : 0 y z : 2. (b) 518 o más de sus lanzamientos resulten cara? Este problema está estrechamente ligado al Problema 5. puesto que no se ha utilizado el hecho de que la proporción es realmente una r¡ariable discreta. que 0'00417 0.5 en unidades tipificadas = - 60 72. de 0. ¿En cuántos individuos cabe esperar que (o) el númoro de caras se encuentre entre eI 40% y el 60% desuslanzamientos.9.0456 40Vo enunidades tipificadas 60o1c -2.60 5.0'60 = 2. (área bajo la curva normal entrez=-2.1. no concuerda exactamente. = .28) 2(O.I9 en unidades tipificadx: ffip z sí la probabilidad pedida es el área bajo la curva normal entre 0. 5l TEORIA DE MUESTREO ¡r: núrnero de ca¡ae esperado .6250.np = rzo(!) = oo o= 47 \/"pq 47.971. = 2.8.

Es interesante advertir que en 500 .8 : - 1.5000. hubiese obtenido 0.5 6OVo.5 y'1+oo)1onz)¡rsg : 2. Tales individuos pueden razonablemente sospechar que sus monedas no están bien hechas aunque sí lo estén.5000 - 0.0352 L12n: ll40O: 0.5 en unidades tipificadas : " : {"w : (11.1056. una mayoría se obtendría en la muestra si la proporción en favor del candidato fuese 0.26): 0.18) 0.-' 0. Determinar la probabilidad de que de (a) 200.={-= .00125) en unidades tipificadas 0'02 r 010q1?5 .46)/0..02(0. (a) Puesüo que I. se tiene (o.5/200 = 0.007 Mediante la corrección para variables discretas. como variable continua.5025 en unidades tipificadas : (0. Otro méüodo. En concepto continuo.5025 Probabilidad pedida : .00125.10. pero ésta.5025 o más.o3_o.0025 : 0. Los resultados de una elección demostraron que un cierto candidato obtuvo el 46% de los votos. : 2 personas se esperará que los 5/8 o más 5.a es .5 o más.5025.0.4G y ". Se sigue que en 489 individuos se esperaría que su número de caras se encontras€ entre eI 4O% y el 6O%.50 + 0..489 : 1I individuos cabe esper:ü que su número de caras no se encuentre entre el 4O% y el 6O% de los lanzamientos.0362: 1.7 4% de 500.0'02 -: 0.3869 :0. sería 100.1131 . (b) 1000 individuos elegidos aI azarde entre la población votante se hubiese obtenido una mayoría de votos para dicho candidato. 12 o más significa 11.170 TEORIA DE MUESTREO lcAP. ¿Cuál es la probabilidad de que en una partida de 400 piezas sean defectuosa.14 = 20 0. En ó00 muestras se puede esperar 97 .0025.oo125)enunidadestipificadas=W=|. Este tipo de error es un rresgo que se presenta siempre que se trata con probabilidades. Se ha encontrado que el 2% de las piezas producidas por cierta máquina son defectuosas.25 hobabilidad pedida : (área bajo la cu¡va normal a la derecha de z : I. (b) 2% o menos? PP'=P=0. (Esta proporción puede también obtenerse dándose cuenta que 101 o más indica mayoría.0040) de sus lanzamientos sean caras. p0.18 Probabilidad pedida : : (área bajo la curra normal a La izguierda de z 0.02 (o) y oP=tE= : 1/ 0. L/2tt. 0. También puede utilizarse el aegundo 5.11. (b) Razonando como en (o).5000 + 0.2t) : 0.8)12. (2()'o de 400) = 3 Entonces 11.1056 Si no se hubiese aplicado la conección se hubiese obtenido 0. (3% de 400 ) : 12 piezas defectuosas.0764.0714 se : O.5 y así la proporción sería 100.57L4 Si no se hubiese aplicado la corrección.21 (área bajo la curva nonnal a la derecha de z : l. 1/800 0. ó 489 muestras con esta propiedad. se concluye que en (500X0.p = :p = 0.02 I 0.) Entonces. método del apartado (o).s (o) 3% o más.98) v = 400 _ 0.25 y como antes la probabilidad pedida (b) {0.

.12. ofi. = t/f.. ¿cuál es la probabilidad de que las bombillas deA tengan una du¡ación media que sea al menos (a) 160 horas.q/n = y'd.ia de 1400 horas con una desviación típica de 2OO horas._u". [.j ut-v2 (6-3)21(-.. Si se toman muestras al aza¡ de 125 bombillas de-cada fabricante. = població n lJn = f.' Éiinz.. y 0.) o (e) . sacado de (o) esto concuerda con el resultado general FLtr_uz= y (b).13. Las bombillas eléctricas de ün fabricante á tienen una duración Lned...4964 DISTRIBUCIONES MT. = (2-3)2 * (4-3)2 =l ó ou"= l.. Sea Ut la variable de los elementos de la población 3. = FLrt = 4Lrr. 6 r¿. (f) n'u r- u" = mrianza de la población (U 1- U 2) (1-3¡z + (5-3)2 + Oo.= \Ej7r-. = media de La ]{S*?*8) = l.Ur) Fur-u.7 g . = varianzadelzpoblación U.5025 en unidades tipificadas = ff*s : 0. 14 (d.' ¡ecado dc 5.a demostración del resultado general se deduce del Teorema g-7 . (t) vr.-(e) ou". 7. (b\ pu..0158.) nu.69 Probabiliüd pedida : (área bajo la curva normal a la derech¿ de z = 2. o. @).46@Ba)/1000= 0. (b) 250 hóras más que las bombilhjde B? .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. ou._ri.cAP.m=!T.46.6l (b) pp TEORIA DEMUESTREO = p: 0. (o) (b) (c) Éy.4.. Calcular (a) *u. -3)2 + (3-3)2 + (4-3'¡z b L7 3 Eeto concuerda con el reeulüado general para muestras independient"" ou.iu. 8 y U2 lavariable de los elementos de lapoblaciín2.. = varianza de la población I/' (3-6)2 + (7-6)2 + (8-6)z _ 33 a2u.5000 - 0. rnientras que las de otro fabricante B tienen una duración media de 1200 horas con una desviación típica de 100 horas.6g) = 0.0036 = 2.]ESTRALES DE DIFERENCIAS Y SUMAS 5. = mediadelapoblaciónU. (f._u. (d) V @ ).

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. 5-11 o en la Fig. L48.10 y 18 individuos registran una media de pesos de 162.31.2. CALCULO DE LA MEDIA. dos 2 y tres 8. formados por 76. 2x It 5 qA +3 | fi + 5 + 4 + 5 + 2 + 8 + 6+ 5+ 4 + 8l.8. VARIANZA Y MOMENTOS PARA MUESTRAS 5.5. 5-9 y 5-10 de la parte (a).3.0 3. 153 y 140 libras. respectivamente.4 81 .8 18. 1.4.2 52. así por ejemplo. .(6)(5) +(2)(3) +(2)(6) + r5)(4) I (2)(2) +(3)(8) 6+21-2+5+2+3 96 20 = 4.3 + 4 + 5+ 4 + 8 1 2+ 5+ 4 20 =ñ:n'" Método 2..5.8 5. dos 6. Hallar la media aritmética de los números 5. Entonces _ )/¡ n . de modo que eI mismo porcentaje l8. La Fig.TEORIA DE MUESTREO Nfimero de lanzamientos Nfrmero de caras (frecuencia acumulada ) 0 Porcentaje de lanzamientos (frecuencias acumuladas porcentuales) 0.3.23 caras.1 Número de caras Fig.0 o o É o C t{0 6 N^^ Eou o O .8. 5-11 es Ia más lógica para representar datos discretos. 5-11 y 5-12 corresponden a las Figs. Cuatro grupos de estudiantes. 5-12.32. 5-12 Fig. 5-12 muestra el polígono de frecuencias acumuladas u ojiva de los datos y los trata como si en esencia fuesen continuos.6.2ol.4.6.1 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?.56 ó 1. Hay seis 5. 20. La Fig. Método l.10 Hzo o lzo A 0123456 Número de caras 6 0123.6. dos 3. 5. Nótese que las Figs.8.75. Hallar el peso medio de todos los estudiantes.5 100.2.10 N-^ EOU G' o :! . cinco 4. el porcentaje de lanzamientos en los que haya menos de 2 caras es igual aI porcentaje en las que haya menos de 1.aparece para todos estos valores (indicado por la línea horizontal).5-ll (c) La representación gráfica puede indicarse como en la Fig.4.4.4.

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 >/ - + . 63-65 pulgadas. xj . la es La solución se indica en la Tabla 5-9.34 para hallar la estatura media de los 100 estudiantes de la Universidad XYZ (véase Problema 5-33). se consideran como teniendo estaturasde 61.página 164.ffiq = 6?. Técnicas breves se encuentran disponibles para disminuir el trabajo en tales casos. Entonces la desviación de. es igual al tamaño de intervalo de clase c multiplicado por algún entero u¡. para la media aritmética. especialmente para los casos en los que los números son grandes y hay muchas clases...r¡ con respec[o a alguna marca de clase determinada a. pígina 163. 5. )fu = l5 u = "*(?t. )/'(o*crr¡) = o>f.o. Utilizar la distribución de frecuencias de estaturas en la Tabla 5-2. es decir r¡ -o:cltj óx¡: a *cu. etc.¡ (tambiénescrito brevementecomor =a I cui. etc. La media está dada por fi _ 2f¡r¡ = = nnnn. Véase Problema 5.45 pulgadas Los cálculos involucrados pueden conveitirse en tediosos.t yaque n=2f¡. alcú" 2f¡u.35. 67. -. Elproblema entonces se reduce a encontrar la estatura media de 100 estudiantes.)" = 67+ (i%). XYZ.45 pulgadas . Derivar la fórmula clave (27). por ejemplo. para hallar tatura media de los 100 estudiantes de la Universidad.33. etc. 5 = 150 libras 5. Denótese la clave de marca j-ésima por .35. T abla 5-lO 5.34.rj.. El método se denomina el método claue y debe emplearse siempre que sea posible. La solución puede ordenarse como se indica en la Tabla 5-10. Utilizar la fórmula clave del Problema 5. Adviértase que todos los estudiantes con estaturas de 60--62 pulgadas.64. = a*c! )/'rr' . si 5 tienen una estatura de 61 pulgadas. pulgadas. 18 tienen una estatura de 64 pulgadas.180 sfn TEORIA DE MUESTREO lcAP..

5l TEORIA DE MUESTREO 181 5.31 tenemos ú = 4.8.6025 11.20 . donde hemos utilizado el hecho de que las 5.7500 100 = {dEfB = 2.36.DO'O 64 67 70 73 -3.8)2 = 2QA (2_20 4. Hallar la desviación típica de las estaturas de los 100 estudiantes de la Universidad XYZ Véase Problema 5.8)2 _ (b) De (o\.Do 18 42 27 8 0.92 pulgadas 5.33. = +:q = 65'6 en unidades libras cuad¡adas o (libras)2 .u.45 -0.45 lr - fr)¿ Frecuencia 5 / f(r ñ\2 60-62 63-65 66-68 69-71 -6.8):¿ + 3(8 - 4.4.2460 8.39.10 libras.cAP.0L25 214.5050 I¡D. 5. Entonces n20 _ 59. = a*cú' t¿ .45 2. .a solución puede ordenarse como se indica en la Tabla 5'11.31.7500 f(r TL n\z 852. Del Problema 5.9025 208. Derivar la fórmula clave (28).5025 30. " 2f(r-r\2 _ n 6(5 .8025 72-74 246.45 pr.55 o. x: 67.33.45 4t.32. Hallar (c) la varianza y (b\ la desviación típica para los números en el Problema 5. s2 = 59.20 20 2. (o) Método 1. aír 20 Méüodo 2.rlgadas.r\2 n 15(162. HaIIar Ia desviación típica de los pesos de los estudiantes del Problema 5.96 y "-rfzs6=1.6 (libras)2 : \6bS libras : 8.37.z - 2 f(r . para lavarianza.2025 6.36. página 164. Como en el Problema 5.38. [. : y'Gb.11 Estatura (pulgadas) Ma¡ca de clase 61 r r- r-r = 67. Tabla 5.4200 n=)/=100 2 2f(r-ñlz= 852.150)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. Como en el Problema 5.34 tenemos ri = a + cui y ft = a*c'" 2f.

35.u.u? -t t - C2[ /2f. La solución puede ordenarse como se indica en ta Tabla 6:12.'1 \fu/J _ ú2]l 5.39 para hallar la dewiación típica de las estaturas en el Problema 5."? -'#2 2ú2c2 r¡u.f ¡@. Esto nos permite halla¡ 6.u? = ¿2 ¿2 * . 2 't t f.- o¡.-a¡z i) = "i 2 ¡ .40 obtenemos la Tabla 5-13. 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 5.41.> f .40.o.<"? . 2lu=75 )fqz = 97 lalEr lo-s primeros del Problema 5. + tlz) 2xt = *2 : t.'r".az¡ n \n /l = ta)'f-re? / rs Vl = Ltoo-\t*/J ^ ó'b-275 y s: 2. cr¡atro momentos con respecto a la media para la distribución de estatu¡as Continuando el método del Problema 5./¡¿)'l = ¿21¿ .33. : }> f . 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 .L82 Entonces s2 TEoBTADEMUEsTREo [cAp. Utilizat la fórmula clave del Problema 5. + c2úz *> r.92 pulgadas._ "o¡. b = f.33.jú.f!n'LN c2[u2 (.\t 't t l = = ".1"u. De la frltima columna tenemos ¡ como en el Problema a2 = "rfL>l!'. = ¿2.{r.

4MiML+ 6M'r2ML- BMin) 81[2.6982 . cada uno de los cuales determina la estatu¡a de un eetudiante determinado. (c) Comparar los resultados de (b) con los valores teóricos. Así 51 conesponde a un estudiante con estatura 66-68 pulgadas.nL¡ = ca(M't.3759 qa-szrgy _ 6 al = z't+ De (o) vemos que la distribución está modetadamente sesgada a la izquierda. 99 (véase Tabla 5-14). 7'1.41. Cada Nf¡mero Estatura n(rmero de estudiantes se denomina número'muestral.^=>+=2. 02. etc. 67.(0.9?) + z(0.3759 ffiz:s2=8. En forma semejante 77. De (D) yemos que e8 menoc apuntada que la dishibución normal (que tiene un coeficiente de curtosir: 3). -0. (o) Emplear dos dígitoe para numerar a cada uno de los 100 estudianües: 00.15)(0.53-4(0..43.42.EO notación de la página 165.33) + 6(0.97) -3(0.33.67 pulgadas respectivamente. que tomamos como 67 pulgadas (la marca de elase). (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. 46 resultan en'estatu¡as de 70.BB Mí= >fu2 n y de (32).6932 a3 Coeficiente de eesgo = a. (b) Hallar la media y la desviación típica de la distribución muestral de medias en (o).41.15X0.3?59 5. Asf los 5 estudiantes con esüaturas 60-{2 Tabl¡ 6-14 pulgadas s€ numeran 00-{4.5275)3 (b) Del Problema 5.53 M'r') = 9[0. utilizando La TEORIA DE MUESTB. (o) DeI Problema 5.1b)B] = -2.5275 Entonces mB = -2. . OL. los 18 eetudiantes con estaturas 63-65 pulgadas se numeran 05-22. etc.88 "z1ML- 8. Del primer renglón hallamos la secuencia 5I. (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 27.5275 rttt Coeficiente de cu¡tosis as=E = : 199. 40.. 27.6275 B(0.. PROBLEMAS DIVERSOS 5.15)41 : 199..14 m+ Entonces = 199. fflg = p: { (8. . Hallar los coeficientes de (o) sesgo y (b) curtosis para la dishibución de estaturas del Problema 5. lttt = ffi2= ffi3= 0 0.15)2(0.6l Entoncee.9? . tenemoe 183 M] = >fu n = 0.cAP. que tomamos como n(¡meros muestrales aleatorios.15 ML=Zy = o.97 M. 46.1s)2] = ca(ML-gLI|Mi+ zM'Lz) = 2?[0. Entonces extraeremo8 nl¡meros muestrales de la tabl¡ de nf¡meros aleaüorios (Apéndice I). explicando cualquier discrepancia. ffi2=s2=8.

75.58 9.33. L2. g8 25. 70.25 68. 67.93 27.50 65. 67. L¡ medi¡ y la derviación tfpica ee obtienen como es usual por los métodos claves delcrito¡ anterbrmeuüe. 64. 67. 64.46. 67 64.50 67.f = n 30 4 ). 15. 67.70.91.00 66.74. 21. 67 Ír¡f¡f media 66.64. 56. 64.00 67. 60. 33 m. 86 6.91. 93. 67.70.00 66. 67. 10. 70. 70. 05. 58 70. 70. 46 2.41.73. 07. = 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).03. 64 67. 42. 67.36 08. 67 . 61. 67.50 69.00 64. 43 1f.25 67. 70 67. 53.25 70. 51. 59.82.58.75 67. 70 6L. 31. 90.25 69.50 1.50 79. 40. 96.ón dc l¡ trbl¡ de nl¡rncro¡ dcatoiio¡ h¡brfrmo¡ podido inici¡¡ en eualquier parte y escoger cualquicr patrón dctetmindo.25 68. 6L.41 pulgadar .70 Trbl¡ 6-16 Media muestral 64. 73. 70 64.5 Por eete proceso obtencmo¡ l¡ T¡blr Fló quc rnue¡tra lo¡ n(¡mcro¡ mue¡trale¡ extrafdor.67 64. 3 14 16 4 I l. 19.25 67. 39 13. 19.25 Cl¡enta Í 1 u fu fu2 16 0 8 6 0 2 ñ( /t/t )#{ 6 4 A a+67.28.64 73.50 68. 13.44. 81. 67.28.25 64.2L 10.70 70. 64 70. 67 70.32 8.00 extnfdo¡ Estatr¡¡as corespondientec 64. Esta ee una distribución mucet¡al de mediu. 55. 67 70.93. 10.00 67. 67 29. 73. 67.79.57. 70 73.60 67.76) = 1.70 7. 6? 15.75 69. 67 64.64. 67 70. 70. T¡bh 6-ró Nf¡meros muesFale¡ Est¡twr¡ o- E¡la+ Nfrmeros muestralea extrafdo¡ rrcqrondieatcc 67. 68.24.08 12.8s 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.6r. 67. 73.64. 67 70.25 69.69.73 67. 06.70 medi¡ 67. 70.31.75 69.22. 12 3. 73 67. 67 23. 64. 56. 73.6L.62 4.50 68. 1t.83.96.50 68. 67.00 70.96. 70. 20.25 65. 67. 70.93 5. 67.70.64. 67. 11. 64. 73 67.25 69. 45.50 66.00 68. 67.67 67.74. 16.24 64.2L. ?1.23.09. 07.64. 67 67.54 2:2. 34. 03.04. 76. 73. 67.84 64. 70 64.50 66'. 67.87 26. 98. Medi¡ = a*cú Derviación = o*c2fu típicr = = e - 6?.99 23. 70. 67. 64. 30. 87 fl.25 66.91.97 24. 18 70.79 70.25 67.98.93 14.54.'7L.73 73. 67.30 58. 70. 64.64. 64 67. 67 67. 56.184 TEORIA DE MUESTREO lcAP.08.75 66. 63.0L. 67.77. 21.75 68.70.64.97. 45.75 65. 58. 73. tt.02. 51. 65.fu.67. l.50 68. 67.27. 67.42.52 13. 67.00 -4 -3 -2 -1 0 1 -4 0 -4 -6 0 0 4 / 28 45 16 23 d D .00 (0'75)(23\ = * 'ñ- 67'58 Pulgadaa 2fuz />1"\' n -\ i " (0.

0.0 libras.0 libras.5 . (b) menores que 8.50 : -2.l' ra.44.41 pulgadas de la parte (b).0.0 lb ( lr) \/2" + = 0. Una muestra de Por 6 observaciones se hace aleatoriamente de una población. 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) . de acuerdo.r.0 libra¡ en unidades típicas: (11.46.4.t J. por tanto el porcentaje pedido ec 0. El área bajo la curva normal a la derecha de z 2.8 .a a. /(r) tr.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.50 libras.a la media poblacional ¡r que 67.".g2/fi = 1. Entonces la probabilidad de que las primeras 4 sean rnayores que ü y las 2 últimas 6ean menores que u es decir - nc.' ¡p¡ a*)"lJ'"-r.4918) : 0. de (b) 8. Las discrepancias se deben a que solamente 30 muestras fueron seleccionadae y el tamaño de la muestra fue pequeño. La desviación típica teórica (error típico) de la distribución muestral de medias..) au . estamos de acuerdo con el valor de 1.8libras? La distribución mueetral de desviaciones típicas es aproximadamente normal con media 10.45.cAP. La desviación típica de los pesos de una población muy grande de estudiantes es de 10.0228.10.?d L -r. dada por o*. ¿Qué porcentaje de las muestras del Problema 6.50Ib v400 5. 5. esto es Q\ (r) f" sean .44 tendrían dewiaciones típicas (o) mayores que 11.3'/'.0.46 pulgadas. pfuina 162.50 : 2.) ps: o = ts=-' o 10. tenemos: ( ¿[. Í:-lÍ.4 es (0.92 pulgadas (véase hoblema 6.5 . De la Tabla 5-1.con el valor de 67. es ig¡ual.8 libras en unidades típicas : (8. por tanto el porcentaje pedido es 2. ¡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 €. es igual a o/y'[.10.1 aJ.4772) = 0. donde la dewiación típica poblacional o = 2.0y0. ) ea el producto de (1 ) y (2). ¿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.0 es (0.r . Hallar (c) la media y (b) la dewiación típica de la distribución muestral de las dewiaciones típicas.f 'LJ" f t@ta*l'/t.0 libras y desviación típica 0.t.8%. El área bajo la curva normal a la izquierda z : -2.40) y el tamaño de la muestra n : 4.0 .58 pulgadas de la parte (b). dada por a¡.5l (c TEORIA DE MUESTREO 185 ) es t a media teórica de la distribución muestral de medias. 5.33).45 pulgadas (vóase hoblema 5..0082. (a) : 11. Puesto que o/t6':2.. . Podemos considera¡ que el muestreo es o de una población infinita o con remplazamiento de una población finita.0)/0. Se escogen muestras de 200 estudiantes de esta población y se calculan las dewiaciones típicas de las estaturas de cada muestra.

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

cov(x¡. 15.4L onzas? y 22.e 22.cAP.¡ = .62. 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. (b ) la dewiación típica poblacional.a7 @). (b ) sin 6.N\N-rl' 't/ 5. g (o¡ - p)(o.rlo s 6.39 onzas. .47 están dadas respectivamente por t*= (o) E6) = "1 =*"(x=) /X' +. adecu¡das. (b) sean rnayor de 22.37 onzaa.( rr-:--r l(-. Resolver el Problema 5. (d) la dewiación típica de la distribución muestral de media¡. Por tanto I+v:l Cov (X¡. = p (b) Uüilizando loe Teoremar 3-5 y 3-16 (generalizadoe).40 onzas y dearriación tfpica 0. En el Problema 5.p) = -Noz r \ -2 'r' X¡) = . Demostrar que (c) la media y (b) la varianza de la media muestral del Problema6.x¡)] = #ú* *. Loa peeos de 1600 cojinetes de bolas se distribuyen normalmente con medla 22.Ét ". (d) ¡ean menor de 22.' " ) = .42 onzae.f x"\ D p (.38 o mayor de 22.6l TEORIA DE MUESTREO En esta ecuación.048 onza¡.51.) = #[. el lado izquierdo e8 cero.53." +a¡v = a N 02.51 si la población 5e compone de 22 cojineter. 5. Una población est6 formada por los cuatro nfrmeros 3. ó.N-1 ^' .á.7.. y el Problema 6-4?. ya que por definición a1 187 -la2+'.(.(-r¿_ i)] = Lfr-"-rf = 4(N-"\ nl. Encontrar (c) v (d) directamente de (c) y (b) mediante las fórmula¡ 5.(n_'. remplirzamiento.4L .49.á var(X¡) * . (c) sean menor de 22. Hallar (o ) la media poblacional. Si se erüraen 300 mueetras de tamaño 36 de e¡üa población.48. (c) la media de la digtribución mueshal de medias. Considerar toda¡ lae posibleamuestrasde tamaño dos que pueden extraers€ de esta población con remplazamiento.Ét suplernenta.1'"... Resolver el Problema 6.N-1J '¿\N-1/ Problern DISTRIBUCION MUESTRAL DE MEDIAS a.LL. obtenemos var(x) = Sv^.50. NÉ y la primera suma en el lado derecho er igual por definición.49 si el muestreo fuese sin remplazamiento.51. ¿en cuántae de lag mue¡tras aleatoria¡ cabe ecperar que sus medias (a) ertén enl'l.iE(x)+"'+E(x")l 1 =1 n (p -r "'+p) donde hemoe empleado el Problema 6.

y explic. Si normalmente el 6Vo de las bombillas es defectuoso. que tienén unas registencias .56. 5. (b) menor de 785. De un total de 1000 muestras de 200 niños cada una.6 6.57 si se consideran 100 en lugar de 200 niños resultados. respectivamente.66. haya una diferencia superior al1^o"k en las proporciones que votaron por dicho candidato. En una prueba de aptitud puntos? la puntuación media de lo¡ estudiantes es de ?2 puntos y la dewiación típica de 8 puntos. (b) 98 o más bombillas buenas? 5. rojas? 5. (b ) entre el 4O% y el 60% sean niñas.5t. (c) mayor de 820 horas. Explica¡ la diferencia. comprobar que . respectivamente. ¿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. Lo mismo del Problema 5.' ¿Cuál es la probabilidad de que dos grupos de estudiantes. 5. Hallar la probabilidad de que en dos muestras aleatorias compuesta cada una de 200 votantec.54.6t.R o I en las proporciones adecuadas. ¿en cuántos lotes cabe esperar (o) menos de g0 bombillas buenas.6?. 5. (c) 8 bolas rojas y 12 blancas. Se extraen dos cotecciones de 30 bolas cada una con remplazamiento y s€ anotan sus colores.60. (c ) el 63"h o más sean niñas? Resolver el Problema 5.62. se pueden usar hojas de papel. Si U¡ y U2 son los co¡r¡\ntos de nhmeros del Problema 5. 6.el 4Oi'o sean niños. 5. ¿Qué enores pueden introducirse al utilizar dos conjuntos diferentes de monedas? lotes de 100 bombillas cada uno. formados de 28 y 36 eetudiantes. ¿Cuál es la probabilidad de que las dos coleccionee difieran en 8 o más bolag Resolver el Problema 5. (d) 10 o más bolas blancas? Dseña¡ un experimento que ponga de manifiesto los resultadoe del Problema 5.65.64. 5. 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. 5. tomada de entre ellos tenga una duración media de (a) entre 790 y 810 horas. llallar Ia probabilidad de que de los próximos 200 niños nacidoe (o ) menos d.63 si se comprueban 100 cables de cada fabricante? Explicar las diferencias.66 si las exüracciones son sin remplazamiento al obtener cada colección. 6. difieran en su puntuación media en (o) 3 o más puntos. Supónganse iguales las probabilidades de nacimientoe de niño y niña. que es de 8200 libras? DISTRTBUCION MUESTRAL DE PROPORCIONES 5. Los resultados de una elección mostraron que un cierto candidato recibió el 65% de los votos. sob¡e las que se escrriba la inicial . (ó ) entre el 43% y el 57% sean niñas. Un fabricante despacha 1000 DISTRIBUCIONES MUESTRALES DE DIFERENCIAS Y ST'MAS 5. sacadas de la urna con rempliazamiento. 5. (b) l2 bolas rojas y 8 blancas. Los pesgs de los paquetes recibidos én un departamento de almacenamiento tienen una media de 300 libras y una desviación típica de 5O libras.57. (b) 6 o más puntos. En lugar de bolas rojas y blancas. A y B fabticzn dos tipos de cables.60. ¿en cuántas cabe esperar (a) igual número de bolas rojas y blancas. (c) entre 2 y 5 Una urna tiene 60 bolas rojas y 40 blancas. ¿en cuántas cabe esperar que (o) menos del 4OVo sean niños.12. Hallar la probabilidad de que una muestra aleatoria de 16 tubos. (c) más del 640/o sean niños. Ciertos tubos fabricados por una compañía tienen una duración media de 800 horas y una dewiaeión típica de 60 horas. (d) enhe ??0 y 830 horas.54 si la muestra extraída ee de 64 tubos.nedias a larotura de 4000 y 4500 libras con desviaciones típicas de 300 y 200 libras.55.63.59.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.61.188 TEORIA DE MUESTREO lcAP. (ó) al menos 450 libras más que A? 5.69. 5. ¿Cuáles son las probabilidades del Problema 5.

21.tr*Lrr: ru.05.01? Dos compañías. Verificar si los resultados del Problema 5.?6.49.35. I 6. TOTAL 400 .399 400 . (b) 7. y Se halla que CASO DONDE SE DESCONOCE LA VARIANZA POBLACTONAL 5. Dos muestras de tamaños 4 y 8 se extraen de una población distribuida normalmente. DISTRIBUCION DE FRECUENCIA 5. Se pesan tres cantidades dando 20. Si se seleccionan 10 .82. Con 6.cAP. referencia al Problema 6.2 voltios. (g) Flecuencia relatir¡a de la sexta clase. (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.46 y 0.899 900 . = 5.5I TEORIA DE IIIUESTREO ttur2 189 (a) 4.72 ei el muestreo es sin remplazamiento. ó. donde ? tiene. A y B fabrican bombillas. para diseñar una tabla de distribución f de Student como la dada en el Apéndice D.799 800 .999 300 1000-1099 1100-1199 las 600 horas.0. (h) Porcentaje de tubos cuya duración no sobrepasa . Reeolver el Problema 6. La duración parz A tiene una desviación de 40 horas la duración de B tiene una desviación típica de 50 horas. (d) Límites reales de la última clase.0 voltios y la dewiación tfpica 0. Tabla 5-17 Duración (horas) 5.50.8 o másvoltios? DISTRIBUCION MUESTRAL DE VARIANZAS 6. Con referencia a esta tabla determinar: (¿) f 'ímite superior de la quinta clase. o menor que 0. Hallar (o ) la media y (b ) la desviación típica de la suma de las cantidades. (b) se encuentre enüre 50 y 70 horas. El voltaje medio de una baterfa e¡ de 15.73.78. (b) ou1+ur = \Grtr. = 1. hallar (o) Ia media de la distribución muestral de varianzas. ¿qué porcentaje puede tener varianzas (a) menores que 10.71.54 libras. ?s 6.01.i se confirman por este valor y explicar cualquier diferencia.tubos aleatoriamente hallar la probabilidad de que la dewiación tfpica muestral (o) no exceda a 50 horas.70.3?6 < ? 1.97 y 62. (b) el error tfpico de varianzas. Explicar cómo podría utilizar el Teorema 5-7. Una en tanto que muestra de 8 bombillas se toma de A y 16 de 8.8f . (b) Límite inferior de la octava clase. 6.80 si las desviaciones típicas de las duraciones son (o) ambas 40 horas.79. Verificar si los resultados del Problema 5.599 600 .376) .74. la de la segunda.77. DISTRIBUCION MUESTRAL DE RELACIONES DE VARIANZAS 5.54 libras con dewiacionee típicar de 0. (ó) P(1. Una población normal tiene una vari¿nza de 15.72.699 700 .499 500 . De acuerdo con la tabla de distribución ú de Student para 1 grado de libertad (Apéndice D) tenemos P(-1 < 1) : 0. (b) mayores que 20. una distribución ú de Student con r.50.48.5 veces la otra mayor que 0.E0.49 se confi¡man utilizando (a) P(-1 < f < 1) = 0. respectivamente. La Tabla 5-17 rmuestra una distribución de frecuencias de la duración de 400 tubos de radio comprobados en la L & M Tube Company. 6. entie 0.2 veces. (b) ambas b0 horas. Número de tubos L4 46 58 76 68 62 48 22 6 Solueionar el Problema 5. (c) Marca de clase de la séptima clase.75.05 y 0. ¿Es la probabilidad de que una ttarianza sea mayor que 1. (e) Tamaño del intervalo de clase. ¿Cuál er la probabilidad de que cuatro de estas baterfas conectadae en serie tengan un voltaje conjunto de 60.60.0. Si se extraen muestrae de tamaño 5 de esta población. Determinar la probabilidad de que la varianza de la primera muestra sea mayor que (o) dos veces. 6 Frecuencia de Ia cua¡ta clase. 5. página 161.

Una 6. 0.735 0. 4 y 6.78 y 89. ocho 8.726 0. siete 7.?39 0. DESVIACION TIPICA Y MOMENTOS PARA MUESTRAS 6.386.746 0.93.82.?36 0. (c) entre 620 y 890 horas.?30 y 0.46.736 0. (b) los límites reales de clase.732 0.327.91.50. (c ) un polígono de frecuencia¡ relativas. Construir una distribución de frecuencias de los diámetros utilizando intervalos de clase 5.89.0. Resolve¡ el Problema 5. 6.734 0.736 0. ¿Cuál es ¡u media Las calificaciones de un estudiante en las tres asignaturas del curso fueron 77.94.190 (i) (j) TEoRTA DE MUEsTREo Porcentaje de tubos cuya duración es mayor o igual a 900 horas.741 0.92.82 construir (o ) una distribución de frecuencias reliativas o porcentual.63.741 0.732 pulgadas.738 0. ó.742 0. Las calificacione¡ de un estudiante en cinco aeignaturaa fueron 85. sue clasee . CALCULO DE LA MEDIA.72t 0.744 0. (b) un polígono de frecuencias. (c) una ojiva. (d) una ojiva porcentual. Si las marcas de clase de gna distribución de fiecuenciaa de estoe diámetros vienen dadas en pulgadas por los números 0. (b) no superioree a 0.733 0.90. "de"*- Tabla 5-18 0.49.731 0.?30 0.732 0. ee¡ie de nfimeros está formada a¡itmética ? por seis 6.746 0. Con log resultados del Problema 5. (b) 9?0 o mág Los diámetros interiores de las arandelas producidas por una compañÍa pueden medirse con aproximación de milésimas de pulgada.732 0.736 0.(a) el tamaño de intervalo de clase. 0.739 0. (i) una ojiva porcentual.735 0.83. (e) un polígono de frecuencias relativas. (c) entre 0. (c) di¡tribución de frecuencias relativas.96. Con los datos del Problema 5.63.733 0.737 0. O. 93.82 construir (o) una distribución de frecuenci¿s acr¡muladas.734 0. ó.737 0.734 0.128 0.743 0.724 0. (h) una ojiva. (f) una distribución de frecuencias acumuladas. respectivamente. (b) una distribución acumulada relativa o porcentual.735 0. (g) una distribución acumuhdá porcentual.88 consüruir (o) un histograma.89 para los dato¡ del hoblema 5.74 y 82. hallar. horas. (c) Si las ponderaciones asignadas a cada asignatura rcn 2.729 0.728 0.736 0. 5.52.5 5. Estimar el porcentaje de tubos del Problema 5. 0. Porcenüaje de tubos cuya duración es al menos de 500 horae pero menor de 1000 horas.725 0.740 0. nueve 9 y diez 10.95.727 0.?38 pulgadar.55 segundos.?36 pulgadas. Tles profesore¡ de economfa regieünron una ealificación media en sus eiámenes de 79. respectivamente.t4. lcAP.729 0.0.740 0. 5-18 niuestra los diámetros en pulgadae de una muestra de 60 cojinetes de bolas fabricados por una compañía. Comparar estos resultados con los obtenidos directamente de la colección de datos de la Tabla á-18. correspondientes a la distribución de frecuen- 5.87.731 0.740 una 5.324.738 0.742 0.732 0.730 0.?30 0.734 0.89 determinar el porcentaje de cojinetes de bolas que tienen diámetros (o) superiores a 0.0.E5' Para los datos del Problema 5. (d) un histograma de frecuenoias relativas.732 0. 0.735 0.735 0.321. ¿cuál es el promedio adecuado para sus calificaciones? (b ) ¿Cuál sería si todas las ponderaciones son iguales? 6. 0. 5.733 0.735 0. Para los datos del Problema 5.738 0.86.736 0. Construir (a) un histograma y (á) un polígono de frecuenciae ciaa del hoblema 5. y 0.735 0. (c) los límite¡ de clase. 0. ?6.82 con duraciones de (o) menos de 560 horas.333 y 0.735 0. Los tiempos de reacción de un individuo a determinadoe estímulos fueron 0. 82 y 96.739 0. Hallar la media a¡itmética de dichas calificaciones.88. 5. Deüerminar el tiempo medio de reacción del individuo a los estÍmu- 6.44 los.82. La Tabla dos.737 0.330. (b un ) histograma de frecuencias relativas.

4.7.106. Calcular el diámetro medio.103.262-0.726L 0.101. (b) el método clave. (c) 0.7.7249 0.6.7252 0. Determinar la media de la carga máxima empleando (a) el "método latgo".4. ' 164.7279 0.98' (b) 6.2 624 2 462 480 498 516 534 552 570 588 606 12.2. pero diferentes medias. . 10' L6.7.7 L2.8-11. 10.cAP.7 t2 17 l4 6 3 1 Tabla 6-2O fr 11. respectivamente.99.9.6 se obtiene la s€rie 8. ¿Cómo están relacionadas las medias? (b) Multiplicandocadaunodelosnúmeros3. 1.7267 0. Determinar el porcentaje de hombres y mujeres empleados en la compañía.6. Halla¡ i 9. reqrectivamente. . 1.7 10.6. Calcular la media de los datos de la Tabla 6'22.3-10.22.7247-0. L.7265-0.7277-0.7256-0. 19. Tabla 6-19 Carga móxima Nl¡mero de cableg (toneladas cortas) 9.0.1.2.7271-0. para los daüos de la Tabla 6'20 empleando (o) el "méüodo largo".0.8-10.7274-0.7258 0. Demostrar que ¡as dos series tienen lae mismas desviaciones tfpicas. Tabla 5-21 60 ó.2. Hallar la dewiación típica de la serie de nl¡meros de la progreeión a¡iümética 4.2. (b) el méto' do clave.98. L7.6.2 11.2 10.5l estaban formadas por 32. 12. 11 .8-r2. (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 6.7253-0. 6.7282 TOTAL de de Sfmenos de 36-menos de 40-menos de 16 L2 30 36 40 45 I o 2 TOTAL 54 250 6.7.7280-0.99.7255 0. tlalla¡ la dewiación üípica para las distribuciones del (o) hoblema 6.7259-0. 2. 5.7250-0.g?. 25 las clases.0. ó. .8. 1' 1' 5. Log salarios medios anuales pagados a hombies y mujeres de la compañía fueron $á200 y $4200. 15.0.. Determinar lacalific¿ciónmediaparatoda8 5.3- 9.2.8-L3. 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) 0.5.5.3-11.104. El salario medio anual pagado a todos los empleados de una compañía fue de $6000.6por2ydespuéssumando6seobtienelaseriell. (o) Sumando 5 a cada uno de los nl¡meros de la serie 3. Hallar la desviación típica de los número¡: (a) 3.7264 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. i) 5.6. 7. 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. (b) 3.?276 0.1273 0.7 .3-L2.4.7270 0.102.100.7268-0.?. TEORIA DEMUESTREO 191 y 11 estudiantes.2 TOTAL Í 98 75 56 42 30 21 15 11 6 compañía.

-2bybO. a la media de 5.111.(b)curtosisparaladistribucióndelProblema5. (b) segundo.124.g.+.. @') mt y (d) ma para los números. 5.-Btnini l2m'rs.108. tt. 5.mt. k) ¡¡. (o) Hallar la desviación típica s de los diámetros de los remaches del Problema b. 5. la fracción p son unos mientras que la fracción q : 1 p son ceros. la distribución del Problema 5. determinar los correspondientes momentos (o) respecto a Ia media. Hallar los momentos de (o) primero. mientras que los momentos de tercer orden con respecto a la media son -8. (b típica. Lo mismo del Problema 5.98.lOO.125. (b) ¿eué porcentaje de diámetros se encuentra entre (r1 . 5 5.111. 3. (b) asimetría? . Los momentos de segundo orden con respecto a la media de dos distribuciones son g y 16.108 para los datos del problema 5. Aplicar el resultado de (o) al Problema b. l. y comentar las diferencias observadas. (t l3s)? (c) Comparar los porcettajes'de (b) lo. (c) respecto al origen.2g.102(c). Si loscuatroprimerosmomentosdeunaseriedenúmerosrespectoalpunto3sonigualesa-2. (b) segundo. (b) mz. comprobar las relaciones entre momentos (a) mi2. Con los resultados de los hoblemas 5. 5.t s). (b) m. (l). y (i) (i+ rFpara 5.2_ Bm.5. (a) Hallar la media y desviación típica para los datos del problema 5. 5'112.f f O.. tlallar los momentos de (o) primero. (c) tercero y (d) cuarto orden respecto al punto ? para los números del Problema 5. Hallar los momentos de (a) primero. ) Construir una distribución de frecuencias para los datos y hallar la desviación (c) Comparar el resultado de (b) con el de (a).g.1o6. Véase Problema 5. - l}rnlstn" * 4n. S. Demostrar que la desviación típica de La serie de números es fi. De un total de n números. 5.119.121. Los momentos de cuarto orden respecto a la media de las dos distribuciones del Problema6.11g. (a) De un total de n números. 17.126. ¿cuál es la media? 5. Tabla 5-23 f t2 t4 16 18 5. (a) Demostrar que . (b) rr. teóiicos esperados.¡nz = ml- 5'115.0. Calcular los primeros cuatro momentos con respecto a la media para la distribución de la Tabla 5-23.123.nl_ thnirni+6ml2rn. (f) s. (c) tercero y (d) cuarto orden con respecto los números del Problema 5. 5. 20 22 2 AI. 1.109.1 .gg.111. "on 5.llE. 5'121. t¡l F. Hallarloscuatroprimerosmomentosconrespectoalamediadelosnúmeros0.r5 1. I 4 o 10 7 5.101. Comparar con el problema b. 30 5.114.127. 5.1!2.8 respectivamente.r5. (t t 2s). (b) respecto al punto 5.111 y 5.1.722. Hallar (o) m t . Si el momento de primer orden con respecto al punto 2 es igual a 5. l. (c) nt3.30explicandoelsignificado 5..l F. Hallarelcoeficientede(c)sesgo. - ?n: - 1m'rm! * l}m'r2nt!.li. ¿Qué distribución se aproxima más a la distribución normal desde el punto de vista de (a) apuntamiento. 5. (D ) Derivar una fórmula análoga par^rns. 8. 11.0. (c) lrq . Hallar (a) la media y (b) la desviación típicaparaladistribucióndelProblema de los resultados obtenidos. la fracciónp son unos mient:'as que la fracción q : 1 -p son ceros.98. (b) curtosis para la distribución del Problema 5. 14. Hallar el coeficiente de (o) sesgo. 5. = nt. 5. @¡.126 son 230y 780 respectivamente. si la distribución fuese normal. (b) segundo.120..113.10.f 07. Hallar los cuatro primeros momentos con respecto a la media de los números de la progresión aritmética 2. . 6. ¿Qué distribución está más sesgada a la izquierda? 6.L22.L92 TEORIA DE MUESTREO lcAP.1 y -12.117..116. Calcular los cuatro primeros momentos con respecto a la media para la distribución del Prol¡lema 5. Hallar (a) ntr. (c) tercero y (d) cuarto orden de los números 4.

(a) Demostrarquelarvarianzasdelconjuntoden nfrmerol a.129. ¿En cuántos lotee cabe esperar que (o) la duración exceda 910 horar. son independientes.. 5.133. Una población de 7 números tiene una media de 40 y una desviación típica de 3.. En el Problema 5.+(n-l\z=fn(n-Il(2n-1).115. 6. Demostrar el resultado (I9)...129(o) y explicar ous reeultados. Demoshar que los primeros cuatfo momentos con respecto a la media de progresión a¡itmética a. Determinado¡ tubos producidos por una compañfa tienen una duración de 900 horar y una dewiación típica de 80 horas. Si muestras de tamaño 5 se ertraen de esta población y se calcula la varianza de cada muestra. (b) sin remplazamiento. La compañfa envfa 1000 lotes de 100 tubo¡ cada uno.1 (b)Emplear(a)enel 6.a*d. hoblema 6.128. 1z+22+32+". Una mueetra de 8 obeervacione¡ se hace aleatoriamente de una población. mt = 0.1)a = $n(n-l)(2n-ll8n2-Bn1 ).* (n .22. ¿Cuál es la probabilidad de que lae primeras tres obgervaciones sean mayores que las'últimas cinco? ó..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 .'*(n-1)=in(n-1). Demoetrar que Vt y Vz definidas en el hoblema 5. En un exarnen las calificaciones fueron normalmente disüribuidas con media 72 y dewiación típica 8. tno = ñ(n2-l\3n2-7'td4 CompararconelProblema 5.. pfuina 160.1 5.135.@z-L)dz. página 175..132.a|(n-l)dson 11 ffit = 0.134. mz = i.al2d. ¿en cuántos lotes cabe eErerar que la mediana de duración exceda a 910 horaa? Comparar ¡u solución con el hoblema 5. (b) la dewirrción tfpica de la duración exceda 96 hora¡? ¿Qué ruporicioner deben hacerse? 6. (o) Hallar la calificación mfnim¿ del 2O% superior de los eetudianües. (n-1)d (eadecirun¿ 6.fsugerencio: Utilizar - l+2+3+..cAP. a * d. a * 2d.104...6l PBOBLEMAS DIVEBSOS TEORIA DE MUESTREO 193 5. 5.136. .130.131. halla¡ la media de la distribución muestral de varianzae si el muestreo ee (o) con remplazamiento. (b) Hallar la probabilidad de que en una muestra aleatoria de 100 eetudianües la calificación mínima del 2O% superior Eea menor que 76. fSugerencia: 14+24 +34+' .

se está dando una estima de punto.28 + 0. DE PARAMETROS POBI. ya que en general Z(3) + o.1.46% y 99. EJEMPLO 6. EJEMPLO 6. La precisión o conocimiento del error de una estima se conoce también como su seguridad.2_5 y 5. L94 .3. Si las distribuciones muestrales de dos estadísticos tienen la misma media. €l 68.03 pies. por otra parte. Por tanto.95.27 % . u-¡r"* 3o" . pero esto no siempre es posible.ACIONALES Sean ¡rs y o" la media y la desviación típica (error tÍpico) de la distribución muestral de un estadístico S. eonq de esttmocton : . cabe esperar que el estadísticoSseencuentreenlosintervalos&s o^s8Í. ESTIMAS POR INTERVALOS DE CONFIANZA. Los valo^res i y 3 z se llaman estimas insesgadas. 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. Si se dice que una distancia viene dada por 5. 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.r--Bo. página 162. respectivaménte. se dice que la distancia es 5. la media provee una estima más eficiente que la mediana. la media poblacional' Sin embargo.73% de las veces. El valor correspondiente del estadístico eficiente se llama estima eficiente. utilizan estimas sesgadas o no eficientes.l parámetro. Véase Tabla 5-1. la va¡ianza de Ia distribución muestral de medias es más pequeña que la distribución muestral de medianas. Lógicamente se prefiere tener estimas que sean eficientes e insesgadas. ambas tienen la misma media. &s-2o"EFsl%a'" ó ¡r. En la práctica se ellas pueden obtenerse.31 pies. SEGURIDAD La estima de un parámetro poblacional dada por un número se llama estima de punto de. si la distribución muestral de S es aproximadamente normal (lo que se ha visto-. EJEMPLO 6. si el tamaño de muestra es n > 30).28 pies. puesto que E'(X) = u.2. por la relativa facilidad con que algunas de ESTIMAS POR PUNTOS Y ESTIMAS POR INTERVALOS. Si. S realmente es un estimador sesgado de o.Capítulo 6 rF I | ..s. La distribución muestral de la media y la mediana. el estadístico con la menor varianza se llama estimador eficiente de la media. la distancia real se encuentra entre 5. El valor correspondiente del estadístico se llama estima insesgada del parámetro. se está dando una estima de intervalo. La media X y la varianza 3' d"finid". es decir.. Entonces. U 13 t) = o2. Sin embargo.s*o. en las páginas 157 y 160 son estimadores insesgados de la media poblacional ¡r y de la varianza poblacional 02.que es cierto para muchos estadísticos.

27%. De los niveles de confianza se pueden obtener los coeficientes de confianza y recíprocamente. S +.68. ps er los intervalos S . Por ejemplo si -t. t 6 .96. Los números extremos de estos intervalos (S i o5.27 %. Tabla 6-1 Nivel de confianza zc e9. Para niveles de confianza que no se encuentran en Ia tabla.1. y S -r 2.73% para la estima de ¡rs (es decir.. entonces un intervalo de confianza para ? está dado por (véase pagina 161) (N -t.28 1.33 2. obtenidos en el Capítulo 5. El porcentaje áe confianza se"llama también nivel de confíanza.99) para p". Si el estadístico S es la media muestral X. 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. INTERVALOS DE CONFIANZA PARA MEDIAS 1. vienen dados por X r. para estima¡ el parámetro poblacional. Pequeñas muestras (z < 30). & S*Sorenel 68.27%.73% o. En general. si el muestreo es sin remplazamiento én una población 2. Iímites fiduciales.73% s9% s8% s6% s5..r.645 r. S-2o" a S+2o" ó S-3o.6% del área se encuentra en cada "cola" de la distribución ü. Poi estos se 99. Utilizando los valores de o. se puede ver que los límites de confianza para la media póblacional vienen dados por Xtz"* vn N-tt.szs y ú.6746 En los casos donde un estadístico tiene una distribución muestral que es diferente de la distribución normal (como chi-cuadrado. 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.46% 95% 90% 80% 68. En la Tabla 6-1 se dan los valores de z" que corresponden a distintos niveles de confianza utilizados en la práctica.96 o. 95. S -+ 2o. en el caso de un S insesgado).96. Más generalmente.68 2.46%y99.27% 60% 3. En este caso utilizamos la distribución t para obtener los niveles de confianza.srs .00 1.58 o. entonces los límites de confianza d'el95% y 99% para la estimación de la media poblacional ¡.96 1. de modo que para obtener los límites de confianza anteriores..58 ox respectivamente. son los límites de confianza del96% V 99% (ó 0."\\ñ s (3) . etn.szs son los valores de ? para los que el 2.respectivamenllama¡ a estoé intervalos los interualos de confianza del68. Los números 1.cAP. $ I 3or) son llamados los límites de confianza del 68.9q -V 0.Grandes muestras (n > 30).00 0. la desviación típica poblacional o es desconoc^ida.73% "pueden Análogamente.46% y 99.1.o.F') se hacen fácilmente modificaciones apropiadas para obtener los intervalos de confianza.00 2. a S * o' delasveces.6l TEORIA DE ESTIMACION 195 Análogaménte cabe esperar o se puede confiar en encontrar. de los límites de confianza se llaman coeficientes de confianza o ualores críticos y se denotan por zc.96 o7 Y X + 2. como otras veces sé conocen. 2. . se utiliza la estima muestral S o S. los valores de z" pueden sacarse de las tablas de la cuwa normal en el Apéndice C.95.05 2.45%y te.

(8) mientras que los límites de confianza p^ra la suma de los parámetros poblacionales son ""nrr*. o con remplazamignto en una población finita. Obsérvese que estos resultados se obtienen de (I) y (2) remplazando X por P y o por Vpq. . (10) "r. - S. los límites de confianza para p vienen dados porP ! z"op. los límites de confianza para la diferencia de dos medias poblacionales. t . t . 51 +52 Sl + 52 t (e) Por ejemplo.s2 con tal de que las muestras sean independientes. en el caso de que las poblaciones sean infinitas.196 13ORIA DE ESTIMACION lcAP."rr* a < ¡r ( X+ vn ..6 de lo que se deduce que p se encuentra en el intervalo X-t.s2 : S. es decir.tS L 975---= vn (t') con el 95% de confianza."1pmás exacto se da en el Problema 6. vienen dados por \ T.s (que lógicamente puede emplearse para grandes muestras.". Con los valores obtenidos en el Capítulo 5 de op. Comparando (5) con (I) se observa que para pequeñas muestras remplazamoszc por t".o.-.Sr! z"{fl--}s.Patan > 30. r"1474.. los límites de confianza para la diferencia de los parámetros poblacionales correspondientes a Sr y 52 vienen dados por S. 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 ).27. Debe anotarse que una ventaja de la teoría de pequeñas muestra. Análogamente los límites de confianza son . dondeP es la proporción de éxitos en la muestra de tamaño n. . 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. z" y t" son realmente iguales. 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. "". N-n N-1 (7) si el muestreo es sin remplazamiento en una población finih rre hmaño N. Para calcular estos límites de confianza puede utilizarse la estima muestral P para p. 2. la probabilidad de éxito). Un método INTERVALOS DE CONFIANZA PARA DIFERENCIAS Y SUMAS Si Sr V S: son dos estadísticos mueshales con distribuciones muestrales aproximadamente normales. 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.

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

de acuerdo con el Teorema 4-8. f(r".1.or €s el inverso de . semi-intercuartílico son cr¡atro de tales ejemplos. Así para el caso donde existan varios parámetros tomamos las derivadas parciales con respecto a cada uno de los parámetros.e\ffi = o (20) De aquí podemos obtener 0 en términos de r¡. Los dos son estimadores insesgadoe de la media poblacio- nal. debida a Fisher.31 $z o-n o-t - I' .01 "'+ fl*. Suponiendo que hay n obsen¡aciones independientes x1 .3.f(r¡?\ f(n2. . El valor de F.ütr I af(rt|) + 1 0f(r". .ee con los grados de libertad para el numerador y el denominador inyertidos. (c) sesgados y no eficientes. De una manera semejante podríamos hallar un inten¡alo de confianza del g0% empleando la tabla apropiada en el Apéndice F.zmuestral modificadas f eficientes.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.6 Adviértase que F.ss se obtiene de la tabla del Apéndice F. Problerna. Para este propósito es conveniente tomar primero el logaritmo y luego la derivada. Dar ejemplos de estimadores (o estimas) que sean (c) insesgados no eficientes.ss . empleamos una técnica conocida como el estímador de móxima uerosimilifud. Pa¡a obtener el "mejor" de tales estimadores. la función de densidad puede denotarse por f (x. .0). Sin embargo ambo¡ no son eficientes si se les compara con X. --LtSz son dos de tales ejemplos.198 TEORIA DE ESTMACION lcAP. (b) insesgados y 3t = . Para ilustrar el método suponemos que la población tiene una función de densidad que contiene d-eterminado. donde Qr y @¡ ¡on las cuartilas muestrale¡ inferior y superior. son dos de talee ejemplos. puesto que la media de sus dishibuciones muestrales es la media poblacional. . por ejemplo g. . los igualamos a cero y resolvemos las ecuaciones resultantes simultáneamente... (¿) La media muestral X y Ia varianz. h desviación media y el reconido . página 118. la función de densidad conjunta para estas obsen¡aciones es un parámetro poblacional. La¡ruíxima uerosimilitud puede obtenerse tomando la derivada deZ con respecto a 0 e igualándola a cero. De esta manera hallamos f@. d ). xn.s resueltos ESTIMAS INSESGADAS Y EFICIENTES 6.0) (1e) que se llama la uerosimilitud.F. (c) fa desviación típica muestral g la desviación típica modificada . (b) La mediana muestral y el estadístico muegtral *(Qt + Qs). que se va a estimar por un estadístico L . Por tanto. El método puede generalizarse. Esto vendría dado por r F.

ó. pues.38: Estima insesgada y eficiente de la verdaderava¡ianza media: t : 67.3.95.02 pulgadas es. 95Vc ó 0.37 centímetros.93. Determinar unas estimas insesgadas y eficientes de (o) la verdadera media.37. Así.32 6. = i2 = .00055 cm2 Nótese que 0 = /0"00055 = 0. Para las cinco medidas puestas en orden de magnitud la mediana es 6.33.46 pulgadas. Dar una estima insesgada Problema 6.96(2. (b) la verdadera varianza.as y i : 2. (b) Los lfmites de confianza del 99% son X 2.35)2 5-1 0.36 cm. = n . (o ) Estima insesgada y eficiente de la verdadera media (es decir.45 pulgad. por tanto.57 pulgadas. los lí¡nites de confianza son 6?. que puede denotarse por 66.2.35)2 F (6.3?-6.35)2 2(n-ñ\2 - n-l = = es insesgada + (6. Adviértase que puesto que n es grande.35)2+ (6. - iT $.6136 s2 Así .5275) = 8. 6.88 y 68.32 y 6.2.88 < tt<68. En símbolos se escribirá P(66. n-1" (6.JDani (b) Estima insesgada y eficiente de la verdadera varianza (es decir.45 ¡ + z. no hay esencialmente diferencia entre 6.02. 4er. (b) la verdaderavarianza.33: Estima insesgada y eficiente dé la verdadera altura Del Problema 5. Se puede.6l TEORIA DE ESTIMACION 199 6. de la varianza poblacional). Para la muestra dada 67.88 y 68.? = /8. Utilizando n : 67.88 a 68.3. decir que ia probabilidad de que la estatura media de la población se encuentre entre 66.02): 0.3?-6.45 -- 0. Determinar unas estimas insesgadas y eficientes de (c) la verdadera media.023 es una estima de la verdadera desviación típica pero esta estima no ni eficiente.93 pr¡]Éadas como una estima de o (véase Problema 6.45 ! 1. (o) Del Problema (b) ó.iroentre s yG. ESTIMAS POR INTERVALOS DE CONFIANZA PARA MEDIAS (GRANDES MUESTRAS} 6. 6.4.35)2 + (6.saa = tln ! 2..58-?+ = V100 67.!1t. = S tr. 2.96.TG pulgadas . JC = . el intervalo de confianza del 95% para la media poblacional ¡t es 66.336.88 < p < ti8.6136 : y.58o/tñ. 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.45 ! 0. 6.96"/\f. 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. 6.02 pulgadas.cAP.3).93/V100) ó 67. de la media poblacional).36-6. (a) Los límites de confianza del 95% son X t I. 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 66.36. 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. Una muestra de cinco medidas del diámetro de una esfera se registraron como 6.02 pulgadas.

824t0.0049oulgadas t/-zoo sn 0. se habría empleado ?: \/n/@4s = y'200[99s que puede tomarse como i para todos los propósitos prácticos. lugar de Para y muestreo sin remplazamiento. puee. que puede denotarse por 66.g6a = Vn 0-824:t 0. Lad medidas de los diámehos de una muestra de 200 cojinetes de bolas hechos por una determinada máquina durante una. (o ) Los límites de confianza del g5% son 6 (b) x t 1.= vn Vn V200 ó 0.008 pulgadas. son xtz.73 pulgadas.73V.7. 6.824:r0. el intervalo de confianza del 997o para la media poblacional ¡r e¡ 66. el área a la izquierda de z:-zce8 también lVo. Si se utiliza.00b8 pulgadas Los límites de confianza d. de aquí que z":2.49. los cojinetes del Problema Hallar los límites de confianza del (a) 98%. : t.45 t utiliza¡lo.645a (c) .21 pulgadas.824 t 1.Hallar los límites de confianza del (o) 55"1.006 Pulgadas . los límites de confianza del90ak son n!I.824tSL93 = \/zoo . v (bl99% para el diámetro medio de todos los cojinetes.G.6450'942 = 0.824=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.ss9 = 0. (b) 9O% y (c'¡ 99.21.645.gg9!9 = \/zo0 0. pues. respectivamente.{ñ= 0. : O es Asi pues.semana dieron una mdia de 0.824 pulgadas y uná desviación típica de O.96ry = \/200 0.4í.69 a 68. es total.69 (¡¡ < 68. (a) " lok.b6 y 0.73% para el diámetro medio de G.824 t 0.824! 0.0. ñ!3+ \ñ - 0.6. para n > 30 se puede asumir que s y 3 son prácticamente iguales.33.45 1 0.so! = Vn 0.6-l (b) S" busca z" tal que el á¡ea desde z : entonces z..82¿!L. Los límites de confianza d.824 ! 0. de modo gue no 6?. 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. z:zc Puesüo que el área total bajo la curva es 1.i :.0069 pulgadas Fig.el 99o/.E8y. los límites de confianza anteriores se convie:rten en 67. En general.96? como 1.00??putgadas t 0.O42 pulgadas.0U89pulgadas.824 0. Entonces por simetría. Para obtener los intervalos de confianza. Adviértase que se ha supuesto que la desviación típica dada es la desviación típiez modific¿d¿ i Si la desviación típica dada fuese S. r.200 TEORIA DE ESTIMACION lcAP. se utilizaría t. los límites de confianz¿ del 98% son r ! 23g+ = \/7i Asi 0.824 * 2.el 99. el área desde z eE 0. Oa z : zc ea O. se puede considerar el factor es necesario = 0.sa| = r*z.6 Asf. 6. srn embargo.' o^.

29lO):0.9.05 segundoe.01 soliamente ¡i n es 167 o mayor. Una muestra de 10 medidas del diámetro de una esfera dio una media ñ: 4.9Tolfi.58o/{i. lo¡ límitee de confianza del96% pedidos eon 4. debe emplearse la fórroul¿ para poblaciones finitas con muestreo sin remplazamiento. 1fi = (1.50 2oo-L = 76!2.cAP.:n-L:10-1:g.setienequel. Puegtoque¡.siendo 0.8 ó n : 96. (c) v : 30.f I l.4.. (o) Los llmitee de confianza delglovo están dados por. (c'¡ t2. 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.Ze.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.Tomando o = la estima eerá menor de 0. = * t1. Para lo¡ valores de v dados egtos son (a) t Z.04. (d) t= 60? Pa¡a los coeficientes de confi¡nza del 96% ("doble cola") el área total en la Fig.06 pulgadas.96X0.00.01 si (1.9df (b) tos vn N-n A¡-1 = N-n N-1 75 t 1.26fvéaeet¿mbiénProblema6.g6ol{n. pues.81.026 y el valor crítico correepondiente es ú.96. Fig.06.2910. (b). ¿Cuáles son los coeficientes correspondientes pala la distribución úsi (a) v = 9. de aquf que el grado de confianza pedido *162(O.Entonce¡ utilizando ¡ : 4.58')(0.38 y c : 0. Los coeficientes de confianza del 96Vo ("d.Entonces los coeficientes de confianza pedidos son tú.n r1s/t/Á¡.e?'. 6.81 es 0. : 166.r¿ -.q'-: 200 v50 200-1 = 75 + 1. . ¿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.r.2S z"=L6 z"=0. : 20. pues. Halla¡ los límites de confianza para el diámetro verdadero del (o) 96% y (b) 99%.051/\/n = 0.26 &- Vlo-1 = 4.06)/0.*.X+r"L . (ó) +2.0452 pulgadaa . Eláreabajolacurvanormal : O t z: 0.hallamoat. Asf el área ¡ombreada en la col¿ derecha es 0.21o.38 t 2.23 zc h¡estoqueestodebeserigualaTSll.01 ¡i n e¡ 97 o mayor.01 segundos? 0.01.10.05 segundos. TEORIA DE ESTIMACION 20L es de Al medir el tiempo de reacción. Entonces los lfmite¡ de confianza del 964o eon .8. Entonces (2.05. 8e tiene la confianza del99% de que el error de la e¡tima eerá menor de 0.38 pulgadas y una desviación típica s : 0. un sicólogo estima que la dewiación típica del mismo (c) .6 : 0. (o) ¿Cuáles sonloslímitesdeconfianzadel9Ú% para la estima de la media de las 200 calificaciones? (b) ¿Con qué grado de confianza poüá . 6-3 6.04.10(c)]. 6-8 debe ser 0. (d) =2. arrojó una media de 75 y una desviación típica de 10.7I 6.orr.goo*.i=r. (b) Loe límite¡ de confianza del 99% son X t 2.09.96+ v50 (10) 200 .682ó ESTIMAS POR INTERVALOS DE CONFTANZA PARA MEDTAS (PEQUEñAS MITESTRAS) 6.05)/\.01 : 9.96)(0.38 + 0.01. <í n. Una muestra aleatoria de 50 calificaciones de matemáticas de un total de 200.oble cola") para la distribución normal vienen dados por i1. se tiene que el error ser6 igual a 0.11.t = t. AsÍ.gzs:2. er decir.4 60 límitee de confianza pueden repreaentarse por Ítz"ox deede z 68. Aef.

58ú6:5EXb:¡BtTdd = Los lfmites de confianza del 99. (a) Soluciona¡ el hoblema 6.55 2. Entonces loe límites de confianza del 99lo rcn i t ú. 6.13.88 i g.88 + g.55 y la estima p : 0.p')/\/p(l .se5 - (b) Para v = 9. t. (a grandes ) Mediante loe métodos de Ia teoría de grandes muestras los límites de confianza del 95% son X t 1.96. 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 6.045 TEORIA DE ESTIMACION lcAP. J_.38 t 0. (b) En cada caso. indicó que el 55% de ellos estaban a favor de un determinado candidato.049 pulgadas.pV" es normal asintóticamente.6a5y'i6lBB)Io-75j7i : 0. utilizando P donde B = : 0. los límites de confianza del 99% son 4.l = 4.315 a 4.50) Prob( que hob / J--ct t)_p . Análogamente. Puesto que (P .38 4.ssr(S/tñ-l.9ó utilizando el Apéndice C indica que e-Bt/fi-fl/n:0.50 ó n= 27r .O37pulgadas ? donde se ha utilizado la desviación típica muestral 0.-'\ r1/pg-p)/n / rB I l-r'-tt'/z¿y t/2. ¿Qr'é tamaño de muestra debe toma¡se en el Problema 6.13.qq /lo - 4. 0D > 0..13 para que la confianza de que el candidato sea elegido sea del g5% z El candidato se elige si p ) 0.06 como estima de o. 0. (b) 99%y (c) 99. (b) Los límites de confianza del99% parap son 0.335 pulgadas y 4. = P t 1.11 suponiendo válidos los métodos de la teoría de muestras.426 pulgadas.446 pr'lgadas. y para tener una confianza del g5% de su elección necesitamos : 0. obtenidos mediante ios métodos de pequeñas muestras o teoría exacta del muestreo son más anchos que los obtenidos por los métodoe de grandes muestras.50): 0.96-0-. pues. (b) Comparar los resulüados de los dos métodos.88 r 1.38 * (2.55 t 0. (a ) Los límites de confianza d.06b0 pulgadas y el inüervalo de confianza del99% e¡ 4.58)(0. véase Problema 6.L2.73% para la proporción de todos los votantes que estaban a favor de este candidato.6 : se puede estar en la confianza del 96a/o de que el valor ve¡dadero se encuentra entre 4.06) /\t1.045 : 4.55 del Problema 6.18.Z5(0.1.14.el95o/o para la población p son P : l.2/z¿y L645 Al comparar con Prob(p > 0.55 = o'55t0'10 donde se ha tomado la proporción muestral 0.27."-.95.88 + 0. t 3ú058)16:¡8 10d 0.25.38 + 0.50. Para hacer este problema de una fo¡ma más exacta.f) = 4.15.55 para estimarp.06/y'10 ./e(l -p) ¡? V = 0.b0 Entonces. (c) 6. Una muestra de 100 votantes elegidos aleatoriamente entre todos los de un distrito dado.55 + 0.55. - ó Prob(p > e-Bt/p6-ffi¡ = + J(t t/2r -. = 3.96-9. Hallar los límites de confianza del (a) 95%.= v-n 4.73% parap son 0.0 = 4.202 Asf. tenemoe 0.l)6or.55 '^^ I(0'55)(0'45) :r 1'e6!ff : = 0. los intervalos de confianza mues¡ras.

6.16. dando el intervalo 0. el intervalo 0. se tienep : 0.25 = 0.60 La fórmula más exacta del Problema 6. (a) Al nivel del g5o.el 99% son: 1400 - 1200 12. En 40 lanzamientos de una moneda./. intervalo de confianza del 99. se obtuvieron 24 ca¡as.cAP. Mediante la fórmula aproximada p = P + 0.el ggVoson 0. Hallar los límites de confianza d9l (c) 96% y (b) 99.?9. 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. -loi*o'o -"1/"o-"" Los límites de confianza del 9b7o son: 1400 1200 .45 a 0.73% como 0.50 - 0.t 1.6V n:40 enlafórmula \tF(l=A/.73% para la proporción de caras que se obtendrían en un ilimitado número de lanzamientos de la moneda./i120)r/15¡+-G0)r400 = 200 + 82.19 y 0. pues..83.45 a 0. z" = 1.06. Así. PtQt . se puede esperar con confianza d. 95"/o de = 200 t 24.el 99Vo que la verdadera diferencia de proporciones . pues.il3li.g. se As( pues.31. dando.23.tr 7. se puede esperar con el encuentre entre 175 y 225 horas. se puede encuentre entre 0.0g. ae confianza que Ia diferencia'de las medias de las poblrcionee (b) Los límites de confianza d.. Hallar los límites de confianza del (a) 95% y 99% para la diferencia de las vidas medias de las poblaciones A y B.58\.33.96. (a) Los lÍmites de eonfianza del 95Va son 0. [-os límites de confianza para la diferencia de medias de.96 La verdadera = 0.25 son las proporciones respectivas de adolescentes y adultos a quienes les gusta programa. SustituyendolosvaloresP:24140 = 0.4 y B son dados por (a) *o.Xn-. z" = 3. pues.25 ! Z. Una muestra de 150 bombillas del fabricante A dieron una vida media de 1400 horas yuna desviación típica de 120 horas.50 encuentre entre 0.17 y 0. 100 adultos y 300 adolescentes dijeron que lei gustaba. (b) Al nivel del 99.15. Los límites de confianza para la diferencia de proporciones de los dos grupoe están dados por 'll1 1t2 dondelossubíndicesly2serefierenaadolescentesyadultos.75. se puede esperar con el 994n de confianza que la diferencia de las medias de las poblaciones se encuentre entre 167 y 233 horas.Zb + 1.?4 y el INTERVALOS DE CONFIANZA PARA DIFERENCIAS Y SUMAS 6..BZ a 0. gt= Ptz" t z¡/F(=ffi.5B = 0. PzQz el - O. 6. esperar con confianza d.50 ! Pz : 100/400 : 0. se tienep = 0.el 96% que diferencia de proporciones (ó) Los límites de confianza d.6l TEORIA DE ESTMACION 203 6.25 = 0.60 + 15.AquíPr:300/600:0.37 a 0.96/il2OtG0I80)2/100 Así. pues. se Así. Una muestra de 100 bombillas del fabricante B dieron una vida media de 1200 horas y una desviación típica de 80 horas. En una muestra aleatoria de 400 adultos y 600 adolescentes que veían un cierto programa de televisión.respectivamente.27 da el intervalo de confianza del 95'ib como 0.

osr* Ez+t:.73% y (d) 5O% para el voltaje total. Si se conectan 4 baterías en serie.054 voltios se llama error probable. 82.24 ) Los lfmites (c) Loc lÍmites (d) toslfmitesdeconfianzadel voltios.2 y 109. entonces n 1800.r Bo/l-zn Ss/\/Zn.1 y 112. = orr. hallar lós límites de confianladel (a) g5%.* o". indica el nivel de confianza.1 V y la desviación típica 0.4 V r de confianza del 99% son: 180.19.08 ÉEr+nz+E¡+Eo = 4(45. Hallar los límites de confranza del (c) 95% y (b) 99"/. pues.4 t de confi¿nza del 99.04 volüios.4O pulgadas. = 0.1 voltioE y dc. Entonces.1) = 180. La desviación típica de las duraciones de una muestra de 200 bombillas fue de 100 horas.. Así. INTERVALOS DE CONFIANZA PARA VARIANZAS 6.9 horas.9. = 45.96(100)i/200 = 100:tg.4 + 1. (b) Si }OO/\E : Aei pues.73% con: 180. * l'a. se puede esperar con confianz¿ entre 90. pues. 0. FfJ voltaje medio de las baterías producidas por una compañía es de 45. los límites de confianza del 99.2L. 5O%son:180. El valor de 0.19 deberá tomarse para que con confianza del 99. (a) Loslímites de confianza delgSv" están dados por sy'7/x. Entonceg el error porcentual de la desviación es 3s/t/-at (¿) Si 300 _ = s. * uotr* l'a.58(0.08) = 180.20. Por tanto (véase Tabla 5-1.r-= oE. donde 2.04 V.21 voltios. puesto que /¿rr = lLEt lr'. 6. (b) 99%. el tamaño de la muestra deberá ser 1800 o más.4 + 2. Si Er.4 t 3(0.08) 0.96(0. oE.19. En este caso se aplica la teoría de grandee muestras. pues. = 1la1ffiy : 0.ozs.x {2n 300//t = 5. (c) 99. Es y Eq representan los voltajes de las 4 baterías.e75 y st/n/x.4 (o) (b Los límites de confianza del95% son: 180. Hall¿rr los límites de confianza del (a) 95% y (b) 99% para la desviación típica de la población de tales bombillas..0b4voltios.el 95Vo que la desviación típica de la población se encuentre ) Al nivel del 99% los límites de confianza son: 100 * 2.08)=180. página 162)loslímites de confianza para la dewiación típica de la población son dados por S * z. (o) Alniveldel 95". Así. utilizando s como una estima de o. Se utiliza la dewiación típica muestral para estima¡ o. 6.204 TEORIA DE ESTIMACION [cm. Así. el tamaño de la muestra deberá ser 450 o más./nloslímitesdeconfianzason:100 11. de la desviación típica para todos los estudiantes del colegio. . (b)LO%? De igual forma que en el Problema 6.58(100)/r/Zbd = 100 r 12.4 t = 180. entonces n : = 10. ¿Qué tamaño de muestra en el Problema 6.= lr'. (b d.73"/o para o son S .g. o 6.r+r 2+Er+84 = . La desviación típica de las estaturas de 16 estudiantes seleccionados aleatoriamente en un colegio de 1000 estudiantes es 2.[4: "'rJ o'r.. ee puede esperar con confianza del 99'y'" que la deerüeión típica de la población se encuentre entre 87.6?45(0. se tiene ltlt+Ez+at+¿o = Fu. 0.4:t0.08) = 180. 46O.8 horas. Y t¡.16 voltios.f8..4i0.o/yEi.t+ti.73% la verdadera desviación típica de la población ::o difiera de la desviación típica muestral en más del (c) 6%.

22. (o) Los límites de confianza d.49 pulgadas.2 a.. ee decir.sor-79. Paray:16-1:lSgradosdelibertad." x%os 1_l . y St/T/x.7.cAP.83 y 3.n.s¡5.14./x Para v : sr.8 ó ¡.1 : 199 grados de libertad. hallamos como en el Problema 4.40\f-I6/5.ozs l-l Vz(rssl -r)z = itt. s! = 20.o .r+l/Z[I6Ef-T¡z = jtz.SO+19.9212 : 239 161 = olz02s+V2(199)-1)e =.9 y 1001800/t2.40Vf 6 /1.9 y x..40\R/2. . Este resultado debe compararse con el del Problema 6. (b) Los lÍmites de confianza d.24 y = 6. x1.oe5=5.92)2 = 253 lL6. rz = 10.24 y 2. 1. Este resultado debe compararse con eI del Problema 6. it.5 6 x.2 y 111.el99% están dados por Sy'-nl¡.el95')h están dados por Sy'-n.3 horas.40\f-16/2.oos = 72.68 y 4. x?szs = 27.n25 = 2.60 ó y. Por tanto se tiene la confianza del 95% de que la dewiación típica poblacional se encuentra entre 1.o75 = |{zsrr.73 y 2.23..68 y 4.6l Para o TEORIA DE ESTIMACION 206 x?ozs = 16- 1 = 15 gradoode libertad.50. esto es.19 utilizando la teoría de pequeñas muestras._. Por tanto se tiene la confianza del 95% de que la desviación típica poblacional se encuentra entre 91.19(a).11.5 y Entonces los límites de confianza del 95o/.50.9 y 115.9 horas.. Dos muestras de tamaños 16 y 10 respectivamente de confianza del (c) 98% se extraen aleatoriamente de dos poblacio- nes normales.' son 100y'2b-0 115.¡]oor=32. 3? = t=r"i = (lf)rznl = "? = 18 de modo qrre 26. (b) tos lÍmites de confianza del 99\i. : 200 - 1 : 199 g¡ados de libertad.92)2 = : \2.ozs. = 15. 200 . x2nzs de donde ¡¡. Entonces los límites de confianza del 99% son 100/Eñ6 de donde X sq¡ INTERVALOS DE CONFIANZA PARA RELACIONES DE VARIANZAS 6.9 horas respectivamente.14. Por tanto se tiene la confianza del 99/o de que la dewiación típica poblacion¡l se encuentra entre 1.2= 115..83 y 3'84 pulgadas.sa+19.19(b).)rto = \/ 2o.t-t. están dados por Sy'-nlx ors y Sl-n/y.s¡5=2. 1. Entonces los límites de confianza del 997o son 2.= r\ri= (f. Solucionar el Problema 6.oos:4. pfuina 137' x.t. y 18 respectivamente halla¡ los límites (o) Tenemos nt = l(t.!75= 5. X.?3 y xz.49 pulgadas.26 6 7. Entonces los límites de confianza del 95% son 2.15.¡¡5.g = 88.2.ee5 Para v y Sy/i/7.84 pulgadas.5 = 91'2 y 100y'200/12'1 = 111'3 horas respectivamente. Por tanto se tiene la confianza del 99% de gue la desviación típica poblacional se encuentra entre 88. 6. Si se encuentra que sus varianzas son 24 y (b\ 90% para la relación de varianzas.

4437 oí = * ('z'6'g)(?q¿. Por tanto el intervalo de #(ffi) s += 6 0. Al tomar la raíz cuadrada 98% v el9o%. Halla¡ la estima de máxima verosimilitud de la media. pl" 'f (r. v Q) 90% para la relación de las desviaciones de las desigualdades del Problema 6.206 IEORIA DE ESTIMACION [cAP. Si n obsewaciones Xr & se toman de una población distribuida normalmente de la cual se desconoce la media y se conoce la varianza. (#)(ffi3) o.) Obsérvese que el intervalo de confianza del9O% e¡ mucho más pequeño que el intervalo de eonfianza del 98Vo. reculta .'or¡ g. Hallar los límites de confianza del (al 98% típicas del hoblema.47(b). También del Problema 4. . 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. gue tenemos (I) Puesto Por tanto l(rx.6 Del Problema 4. hallrrmoe para el intervalo de confianza del 98%.eg oz 6.zt oz 0. pl = (2to2)-tt2¿-zbk-r)2t2o2 (z') (r) Fijando íLldp = 0 t¡L = a -f.25.24.96 parapl : 16 1 : 15 ! U2 =LO-1 =9 grados de libertad.eo = ". pfui¡1g 19?.tn1z.#>@t-pl2 Tomando Ia derivada parcial con re4ecto raL 1:' fr. tenemos pataUl: 15 y ez:9 grado¡ de libertad f or : 1/3. tenemos F ge = 4. página 13p.59.os : 1t2.89.e¡ = 3.. = 3)@*-Pl reeulta Q. 6.47(d).23 hallamos los lfmitec de confianza para el (¿) (ó) ESTIMAS DE MAXIMA VEROSIMILITUD o. = (b) Como en (o) hallamos del Apéndice F que confianza del g0% es F.23. 6.6?=1=r. Entonce¡ utilizando (171.0.89 de modo que l/F.z8a =# : = rsee.(ffi) 4. ü = \/2ro2 -J- r-<x¡-ü2rzoz L = f(nt.sg<!=z. como lógicamente era de eryerarse.84 V F.e5 2.

donde z" deüermins el nivel de confianza. (a) como la utilizada en el Problema 6.) Dividiendo numerador y denominador por 2n. tenemos ee i'# Fijando aLl0o2 . por tanto.13.cuyassoluciop son dadas por La fórmula cuadráti. 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) . Si escribimos f (rx. se tiene P-P Elevando al cuadrado los dos miembros. b--(2nP+"7) y c=nP2.TS% delProblema 6.p oP = -1. La proporción muestral P en unidades tipificadas .25 se conoce la media pero se desconoce la varianza. z7 n -4ü r+4 n o P (b) Utilizar la fórmula de (¿) para obtener los límites de confianzadel99.63. - (2nP I * nPz = 0 Si o=n+z!. (a) Si P es la proporción observada de éxitos en una muesha de tamaño n.P)/n Los valores mayor y menor de esüa variable tipificada son tzc.13. estaecuaciónsereduceaafi*bp*c:0.6l TEORIA DE ESTMACION 207 6.ca p= _6 + 1/@=lo" 2a z"P+27=W 2(n* z7\ 2nP I 22" * ""t/6F(L1VlT7" 2(nI zf. Si en el Problema 6. zi n -4nz | +! .0 hallamos Vé¿se Problema 6. .p). {P(L = *2" p(.e f(x¡.cAP. Entonces tomando la derivada parcial con reqrecto a 02.L n - pl pz-2pp*p2: (nI nes para zp\p2 "?P# z?lp Multiplicando los dos miembros por ¿ y simplificando.26."2) en cambio d. queda. = -fi+ uár> @t-r)2 02= 2 (rr - pl2 PROBLEMAS DIVERSOS 6.25 ha¡ta la ecuación (2) aplica. se tiene e+ flt "" P(L-PI . halla¡ la estima de máxima verosimilitud de la va¡ia¡rza. En estos valores extremos. (c) Mostrar que p¿üa grandes valores de n la fórmula de (c) se reduce a p=P¡2" \FF -nn. todo lo efectuado en el hoblem¡ 6.27.

?3 ton.8 ¡. se tienep : 0. En la Tabla 6-2 se indican varios valores críticos y los conespondientes intetwalos de confianza del 95%.ge = 15.55yn:100enlafórmula y 22"/nson despreciables y pueden sustituirsepor cero.29. de forma 6.7. horas Una muestra de 10 tubos de televisión producidoe por una compañía. Valores Crítico¡ Tabl¡ 6-2 Intervelo de confianza d. Estimar (o) la media y (b) la desviación tÍpica de la población de todos los tubos de televisión producidos por esta compañía.30. 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..0 a 110.7 7.30 si se obtienen los mismos resultados para 30.. ó 0. es de g1. g.utilizando de (a).6 p=0. lcAP.TSVo.a.O a 110. La media y la desviación típica de las cargas máximas soportadas por 60 cables (véase Problema 5.28.6. cuya amplitud sea menor que la del Problema 6.Es posible haltar otros límitee de confianza escogiendo valores críticos de X2 gar.69 en acuerdo con el problema 6.22(a) fueron obtenidos escogiendo valores críticos de y2 de tal manera que las áreas en cada cola fueran 2.31.8 89. 10. 6.7 a Lt3.32.05.09 ton.z.44.4 20. 8.3 91.00058 pulgadas./zn.72642 pulgadas y 0.2 19.8. Hallar los límites de confianza del (o) 951/. 6.. respectivamente.7s7=15.0 = 12.9 110.a los cuales la suma de las áreas en l¡as colas sea61.e6 : 15.2 y 9.208 TEORIA DE ESTIMACION (b) Paraloslímitesdeconfianzadelgg. X 032 y X 1¡2. la disminueión en el intervalo que 8e obtiene es comúnmente despreciable y no Probletn.$=12'76. X. 6'33.6%.s sr¡plernenta. Un intervalo con amplitud af¡n menor puede hallaree continuando el mismo método de aproximación x. Hallar los límites de confianza del (o ) 99%. empleando t¡alores críticos tales como justifica el trabajo involucrado.¡amente 19. (c) Comparar la desviación típica muestral con la desviación típicÁ de la población estimada. Determinar estimae insesgadas y eficientee de (o) la media de la población v (b) la varianza de la población.100).64.'. en general. (b) 98Vo. y (b)99dto para la media de las cargas máximas de todos los cables producidos por la compañía.Entonces.s2=12. (o) Solucionar el Problema 6. 2g. Las medidas de pesos de una muestra fueron registradas como 8. Sin embargo. etc. (c) Si n es gtande. y 0.rlos ESTIMAS INSESGADAS Y EFICIENTES 6.9 7.o¡r y x e8l.40 y 0.32 92.98) están dadas por 11.4 libras. 10.r De la tabla se observa que un intervalo del95%. respectivamente.8.54 ¡. ¡es=15.?3 20.42 a a 111./Anz que se obtiene la fórmula pedida.8.8.13(a). pero de tal manera que las áreas en cada cola no sean iguales.85.22(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.e4 91. dieron una du¡ación media de 1200 y una desviación típica de 100 horas.6 = 12.=B. . respectivamente (véase Problema 5. de amplitud sol. (c) 95% y (d) 90% para el dirimetro medio de todos los remaches fabricados por la compañía. La media y la desviación típica de los diámetros de una muestra de 250 remaches fabricados per una compañía gon O. zf. entonces zf.el 95"tb Ampütud 2r.

La desviación típica de resistencia a la rotura de 100 cables producidos por una compañía fue de 180 libras. INTEBVALOS DE CONFIANZA PARA VARIANZAS Y DESVIACIONES TIPICAS 6. Una r¡rna contiene una proporción desconocida de bolas rojas y blancas. ¿qué tamaño de muestra deberá tomarse puüa que sea del (a\96%. Para los pacientes del primer grupo el número medio de horas de sueño fue 7. Hallar grandes muestras y comparar Solucionar el problema 6.40.33. ESTIMAS POR INTERVALO DE CONFIANZA PARA PROPORCIONES 6.24 onzze. al primero le fue dado un nuevo tipo de somnífero y al segundo un tipo convencional.94" Hallar (¿) los Problema 6. Si la desviación típica de la duración de los tubos de televisión se estima en 100 horas.30 horas. respectivamente. Hallar los límites de confiánza (a) del 95% Una compañía fabrica cojinetes de bolas que tienen un peso medio de 0.36 si el error en la duración media estimada superar las 10 horas? ESTTMAS POR INTERVALO DE CONTIANZA DE MEDIAS (PEQUEÑAS MUESTRAS) 6.41. (b ) del 99%.40 verdadera no difiera de la proporción muestral en más del 6Vo sea (a) del 95Vo. De dos grupos análogos de enfermos A y B formados de 50 y 100 individuos.3? suponiendo aplicables los métodos de la teoría de los resultados obtenidos.44.86. 6. dio el 7O% de bolas rojas.80. Una muestra de 200 cerrojos producidos por una máquina mostró que 15 eran defectuosos. 0. Cinco medidas del tiempo de reacción de un individuo a un cierto estímulo fueron registradas real de 0. y una Una muestra de 12 medias de resistencia a la rotura de hebras de algodón dio una media de 7.2[horas. Se cree que una elección resultará muy reñida entre dos candidatos.73V"? 6. 6.g?. 6.gg.2?. (c) del 99.g5. ¿Cuál será el número mínimo de voranües que se deberá mue\trear para quelaeonfianza sea del (a) 8O%. como 0'28. y (b) el error probable para la media de los diámetros del 6. Hallar los límites de confianza del (a) 95%' (b)99o/oy (c) gg . 6.38 onzas los límites de confianza del (c) 95% y (b) 997o para la resistencia real' desviación típica de 1. (b\ 99% y G\ gg. Hallar los límites de confianza del (a) 95% y (bl99% para el tiempo reacción.6l' TEORIA DE ESTIMACION límites de confianza del 5O% 209 6.42. para que la confianza de que la proporción ¿Qué tamaño de muestra se debería tomar en el Problema 6.638 libras y una desviación típica de y (b) del 99Vo pata los pesos de lotes de 100 cojinetes cada uno.43. Hallar los límites de confianza del (c) g5%. 6. 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.a h diferencü de proporciones de cerrojos defrctuosos de las dos máquinas' Estudiar los resultados obtenidos. (b)g|%t (c)997oV @)59. Una muestra aleatoriade 60 bolas extraídas con remplazamiento de la urna.g1 sfoundos.45. respectivamente. o.ParalosdelgrupoB fueron 6. 0.7g% para la proporción real de bolas rojas en la urna. HaIIar los límites de confianza del (o) g5%. mientras que de 100 cerrojos de otra máquina 12 eran defectuosos.(b\95%'(c\99% deladecisiónen favor de uno de los candidatos? INTERVALOS DE CONFIANZA PARA DfFERENCIAS Y SUMAS 6. (b)gg%y (c)99J37" para la dewiación típica de todoslos cables producidos por la compañía. 6. Hallar eI error probable de la desviación típica del Problema 6'46' .41.012 libras. 0. 6.g9.82 con una desviación típica deO.46. Dar los resultados utilizando la fórmula aproximada y la más exacta del Problema 6'27.cAP.7 Bdn pá.76 y 0.73% 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 6.3g.

Solucionar el Problema 6. Las desviaciones típicas de los diárnetros de los cojinetes de bolas producidos por dos máquinas son 0. 6. 6. hallar la estim-a de máxima verosimilitud de z. ¿Considera que las dos muestras del hoblema 6. . del Problema 6.? ¿Son lc mismos a los dados en los hoblemas 6. hoblema 6. 6. . X1.52 y (b) Problema 6.(b)v:12.042 cm y 0. . Hallar los intervalos de confianza del (o) 98% y (b)907.57. 6. . . límites de confianza del (o) 96'/o y (b)99Eb pa¡a la desviación típica de todas las bombillas fabricadas Solucionar el Problema 6.58. .53. Determinar los intervalos de confianza del (o) 98%v @\gOVapara larelacióndelasdesviacionestípicasdel Dos muestras de tamaños 6 y E respectivamente tienen la misma varianza.63.7T% de que la desviación típica de una población no difiera de la desviación típica muestral en más del 2%? 6.54 fueron extraídas de la misma población? Justificar su solución.. La desviación típica compañía. Una población tiene una función de densidad dada por 8e toman n observaciones l(r) = l^0 [ Si se toman n observaciones X1 . PBOBLEMAS DIVERSOS 6. En una prueba de 40 cables seleccionados aleatoriamente resulta una media de la resistencia de rotura d. TEORIA DE ESTIMACION [cAP. Solucionar el (o) Problema 6. . .62. .(d)v : 30' (¿) v: 40? Una compañía tiene 500 cables. 02 desconocidas. (b) gg% y (c) gg.49. Si n observaciones 6..56. . 6. . Hallar el estiniador de máxima verosimilitud de ). de la du¡ación de 10 bombillas fabricadas por una compañía es 120 horas. Xn de esta población. . -t 1 r ( -. 6.51. Una población tiene una función de densidad dada por i@l = 2rt/r/" ¡2s-v*. INTERVALOS DE CONFIANZA PARA RELACIONES DE VARIANZAS 6. Los coeficientes de confianza del 999á ("doble cola") para la distribución normal están dados por 12. . Hallar los igr la 6. 6.(c)v:25. . .2to 6. .60. .54.51 que tiene la menor amplitud? 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.25 y 6.e 24OO libras y una dewiación típica de 150 libras. 6. X¡.52.49 si 25 bombillas tienen la misma desviación tÍpica de 120 horas. r.58. ¿Cuáles son los coeficientes correspondientes para la distribución f si (o) v = 4. (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 957.48. .6 ¿Qué tamaño de muestra deberá tomarse para que la confianza sea del (a) 95%.59.55.035 cm respectivamente. para la relación de las varianzas de las poblaciones de donde se exhajeron. . .61. .e 11. Si se toman n observaciones. Hallar Ios intervalos de confianza del (a) 98% y (b) 90% para la relación de Ias varianzas. basados en muestras de tamaño 10 cada una. ESTIMAS DE MAXIMA VEROSIMILITUD 6.50. [(A'+t)st 0<¡:<1 de otra forma Xn de esta población hallar la estima de máxima verosimilitud de h.54 si las muestras tienen tamaño 120 cada una.26? Explicar.62. Si Xr. Xn se toman de una distribución de Poisson con parámetro tr desconocido.49 utilizando la distribuciíny2 si una muestra de 100 bombillas tiene la misma desviación típica de 120 horas. Comparar los resultados con los obtenidos empleando la distribución normal.

Si por el contrario. se formula la hipótesis de que no hay encia observada se debe meramente a diferencia entre ios procedimientos (es decir. es decir. se formula la hipótesisde que la moneda est. 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 /.Unahipótesis alternativa de la hipótesis nula se denota por Ilt . si se quiere decidir si una moneda está cargada. en general.5. 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. en la práctica se tienen que tomar decisiones sobre poblaciones. si se quiere decidir sobre si un procedimiento es mejor que otro. hipótesis se llaman también hipótests fluctuaciones en el muestreo de la misma po y se denotan por flo . conviene hacer determinados supuestos o conjeturas acerca de las poblaciones que se estudian. Tales decisiones se llaman decisiones estadísticag Por ejemplo. Si se rechaza una hipótesis cuando debería ser aceptada. partiendo de la información muestral de las mismas. ensoyos de significación o reglas de decisión. siunahipótesis-esp:'0. p : 0. se dice que se comete un 277 . se puede querer decidir a partir de los datos del muestreo. lo son sobre las distribuciones de probabilidad de las poblaciones. ENSAYOS DE HIPOTESIS Y SIGNIFICACION evidencia obtenida). donde p es la probabilidad de cara. Por ejemplo. etc. si en 20 lanzamientos de una moneda se obtienen 16 caras.á bien.Capítulo 7 Ensoyo de hipótesis y srgnlllc(Iclon DECISIONES ESTADISTICAS t cJo . Por ejemplo. aunque sería posible que fuese un rechazamiento enóneo.hipótesisalternativassonp:O.p#O. HIPOTESIS NULA Para llegar a tomar decisiones. se estaría inclinado a rechazar la hipótesis de que la moneda est:á bien. 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. a Muy a menudo. En muchos casos se formulan las hipótesis estadísticas con el solo propósito de rechazarlas o invalidarlas. si un suero nuevo es realmente efectivo para la cura de una enfermedad. Tales supuestos que pueden ser o no ciertos se llaman hipótesis estadísticas y. HIPOTESIS ESTADISTICAS.7.5. ERRORES DE TIPO Si en el supuesto de que una hipótesis determinada es cierta.5. nulns Cualquier hipótesis quedifiera de una hipótesis dada se llamahipótesis alternatiuc. Análogamente. si una moneda determinada está o no cargada. se dice que se comete vn error del Tipo se acepta una hipótesis que debería ser rechazada. Por ejemplo. si un sistema educacional es mejor que otro.56p>0.

al diseñar un ensayo de hipótesis. y así se tiende a conseguir poner una limitación al error de mayor importancia. .96 a 1.1. se puede estar con el 957o de confianza de que. un intento de disminuir un tipo de error. 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. Si.O6El conjunto de las z que se encuentran fuera del rango -1.05 es el nivel de significación del ensayo. la probabilidad de cometer error del Tipo I.96 y 1. El área total sombreada 0.96). 7-1. un tipo de error puede tener más importancia que el otro. ? II. Entonces puede decirse que esta z difiere signifícatiuamente de la que cabía esperar bajo esta hipótesis y se estaría inclinado a rechazar la hipótesis.05 6 6"/. En tal caso se dice que la hipótesis ha sido rechazada aI niuel de significación del O.96 (es decir.96 podía entonces llama¡se región de aceptación de h hipótesis o región de no significación.. se dice que la hipótesis se rechaza al niuel de significación del0. supóngase que con una hipótesis dada. de modo que los resultados obtenidos no influyen en la elección. De acuerdo con lo dicho hasta ahora. Esta probabilidad se denota frecuentemente por o. debe diseñarse de forma que minimice los errores de decisión. Esto no es tah sencillo como pueda parecer puesto que para un tamaño de muestra dado.1.212 error del Tipo da. generalmente se fija antes de la extracción de las muestras. si la hipótesis es cierta. En la práctica.O5.05 (área sombreada de la figura) si la hipótesis fuese verdadera..96 ó z 1..05. ENSAYOS DE HIPOTESIS Y SIGNIFICACION [cAP. por ejemplo se elige un nivel de significación del O. Como se indica en la figura. la distribución muestral de un estadístico S es una distribución normal con media p" y desviación típica o". si al elegir una muestra aleatoria se encuentra que z para ese estadístico se halla fuera del recorrido .01. se puede formula¡ la siguiente regla de decisión o ensayo de hipótesis o signi{icación: (o) Se rechaza la hipótesis al nivel de significación del0.05. se está con un 95% de confianza de que se toma la decisión adecuada. Así pues. Esto equivale a decir que el estadístico muestral observado es significativo al nivel del 0. En la práctica se acostumbra a utilizar niveles de significación del 0. lo que quiere decir que es un suceso con probabilidad de solamente 0. z > I. el valor de e obtenido de una muestra real para el estadístico S se encontrará entre 1.95).96 a 1. La única forma de reducir al tiempo ambos tipos de error es incrementar el tamaño de la muestra.1.7-l Sin embargo. 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. Representa la probabilidad de rumeter error al recbazar la hipótesis es decir. aunque igualmente pueden emplearse otros valores. va generalmente acompañádo por un incremento en el otro tipo de error.05 si la z obtenida para el estadístico S se encuentra fuera del recorrido .lo que significa que se puede cometer error con una probabilidad de 0.96 a 1.)/o. ¡--lglj .05 ó 0.El conjunto de lasz que se encuentran dentro del recorrido .96 constituyen lo que se llama región crítica o región de rechace de Ia hipótes¡'s o región de significación. Entonces la distribución de la variable tipificada dada por Z : (S ¡.96 (puesto que el área bajo la curva normal entre estos valores es 0. es una normal tipificada (media 0. varianza 1) y se muestra en la Fig.96. entonces hay aproximadamente 5 ocasiones en 100 en que se rechazaría la hipótesis cuando debería ser aceptada.05 o que la z obtenida del estadístico muestral dado es significatiua al niuel de significación del 0. ENSAYOS REFERENTES A LA DISTRIBUCION NORMAL Pa¡a aclarar las ideas anteriores.1. lo cual puede ser o no ser posible.=lD6 I'ig.96 a 1.

los resultados son para poblaciones infinitas o para muestreo con remplazamiento' Para muestreo sin remplazamiento de poblaciones finitas los resultados deberán modificarse. aceptaríamos -EI6 de que la media poblacional es p : o utiliza¡íamos el estadísti-EÍe (o al menos no lo .96 en todo lo visto anteriormente por 2. 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).33 -2. Entonces.7l / ENSAYOS DE HIPOTESIS Y SIGNIFICACION 2L3 (b) Se acepta Ia hipótesis (o si se desea no se toma decisión alguna) en caso conhario. La variable tipificada viene dada por Aquí S : X. 1.58 (véase Tabla 7-L). En tales casos.la X-. como por ejemplo.08 y 3. puesto que la suma del nivel de significación y el nivel de confianza es L00%.002 ó -t. con frecuencia se puede estar solamente interesado en los valores extremos a un solo lado de Iá media.6 1. donde o es la desviación típica poblacional y n es el tamaño de la muestra.. si se utilizase el nivel del 0. Debe ponerse de manifiesto que puedgn igualmente emplearse otros niveles de significación.58 2.28 ó -1.10 0. Cuando es necesário se utiliza la desviación muestral observada s (ó G). Véanse páginas 158 y 160. 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.645 cí 2. Tales ensayos se llaman ensayos de una cola o ensayos unilaterales.005 0. 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.81 2.01 se sustituiría 1. media muestral. En cada caso. La Tabla 6-1.33 ó -2. será de utitidad para propósitos de referencia..645 y 1. se pueden encontrar utilizando la tabla que da las áreas bajo la curva normal. para estimar o. en una "cola" de la distribución. = op: o/1/i. Medias.58 ó -2.645 1. puede también emplearse. página 195. con área igual al nivel de significación.05 001 45 0.88 y -1.i: ¡t. tss =. Ia región crítica es una región a un lado de la distribución. media poblacional. que da los valores críticos de z para ensayos de una y dos colas a distintos niveles de significación. Por ejemplo.-: ú1V11.58 y -2. Para ensayar la hipótesis nula (f) co (I ).88 2. o. utilizando un ensayo de dos colas.96 1. Tabla 7-1 Nivel de significación o Valores críticos de z para ensayos unilaterales Valores críticos de z para ensayos bilaterales 0.58 2. tales ensayos se llaman ensayos de dos colns o ensayos bilaterales. es decir. Valores críticos de z para otros nivelei de significación. Por esta raz6n. La Tabla 7-1.8I -3. en las dos "colas" de la distribución. Si4 embargo. Z = -.96 y -2. Los co.cAP. es decir.08 ENSAYOS ESPECIALES DE SIGNIFICACION PARA GRANDES MUESTRAS Para muestras grandes.28 1.

. como estimas de or y 02..r.05 si (véase Tabla 7-1). : ltulln. utilizar las desviaciones típicas muestrales sr V sz (ó 0t y 3. aceptaríamos Ilo (o al menos no la rechazaríamos) al nivel 0. 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. .*r_*._ = Xr-X" \. donde e : ! . Considérese la hipótesis nula de que no hay diferencia entre las medias poblacionales.De (//).. 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. La variable tipificada viene dada por z: En el caso de que P . si es necesario. página 159. ¡r" : ltp : p.p. Proporciones. Para ensay¿ü la hipótesis de que la media poblacional es menor que a acepta- iñ 2. donde p es la proporción y n es el tamaño de la muestrsi o" : o. Diferencias de medias.= X/n.2I4 ENSAYoS DE HIPoTESIs Y sIGNIFIcAcIoN lcAP. (5) se convierte (6) Z= X-np \nLPrI Consideraciones semejantes a las hechas anteriormente para medias pueden hacerse. ? rechazaríamos) al nivel 0. lt : !z.-'. Entonces. 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.e6 y lo rechazaríamos por el contrario.e6 = "ñ+ = 1. Con la variable tipificada dada por X.. 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 . '\ l x2 (7) ¡ donde se puede.. donde X en es el P-p \/pql" (5) número real de éxitos en una muestra.05 si p¿üa una muestra específica de tamaño n con media r (2) -1.-X2-0 z _:. es decir. 3. utilizando un ensayo de una cola. la proporción de "éxitos" en una muestra.EIo al nivel 0. = 0 O:. Para otros niveles de significación cambiaríamos (2) apropiadamente. de éxitos en la población (4) Aquí S : P.05 si ry olVn ríamos.

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

y o!.t. provienen o no de la misma población normal. (rz' .t n. Relaciones de varianzas. Varianzas. y después utilizar como estima de o2 la media ponderada (n.. basados en el ensayo de dos colas.J)9j 1) + (nz -1)-- l' n. 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 . .05 si X. fuera tal que nsz t2 y aceptaríamos IIo (o al menos no la rechazaríamos) de otra forma.oz : o en(12). -2 gradosde'libertad. El empleo de (12) está plenamente justificado al hacer o. Entonces.1 grados de libertad. En este caso utilizamos el estadístico (véase página 161) F= donde (16) fi. Un resultado otro nivel. . Esta es la uarianza 3.10 si Fo. por ejemplo. Si ¡/o denota la hipótesis nula de que no hay diferencia entre las varianzas poblacionales. n .1.. aceptaríamos. En algunos problemas deseamos decidir si dos muestras de tamaños m y n respectivamente. . sí sí = F'o. 4. de que la varíanza poblacional es mayor que o2 emplearíamos la hipótesis rilo . Bajo esta hipótesis (16) se convierte en "! F::-l q2 q2 \.'oz¡ o<nsz< (14) semejante puede obtenerse para el nivel 0.s? + + n.s'. fi son las varianzas de las dos poblaciones normales de donde se extraen las muestras. cuyas varianzas medidas son sl y sr2.) (17) Para ensayar esta hipótesis al nivel 0.1)^ii + fn.1 grados de libertad. (/8) y lo rechazaríamos en el caso contrario. es correcta) si la varianza muestral específi- ca.01 u y la rechazaríamos de otra forma. Entonces si una muestra aleatoria de tamaño n tiene varianza s2 aceptaríamos flo . (o al menos no la rechazaríamos) en el nivel 0. es decir = o3.3¿ son estimas insesgadas de oi combinar los datos.EIo (o no la rechazarí4mos) en el nivel 0. página 159.0.05 (y por tanto concluiríamos que f/. pero entonces emplearíamos un ensayo de una cola. Para ensayar la hipótesis H. Por tanto rechazaríamos Hs. s2. primero anotamos que F en (16) tiene la distribución F con fr . en el nivel 0. combinada obtenida al donde ^31 t . . * n.. 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. utilizando un ensayo de dos colas.2L6 ENsAyos DE HrporEsrs y srcNrFrcAcroN / Se'tt. t La distribución de ? es una distribución de Student conv: n.

elo vn vn Por tanto.32 y 7. el enmyo chi-cuadrado. 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. Sin embargo. El problema de ensay En un intento para determina¡ si una distribución normal representa un buen ajuste para datos dados.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. qué tamaños de muestras deben emplearse.29).33. A pesar de que la necesidad de tales intervalos es rara' es posible definirlos (véase Problema 7. Un resultado semejante para_ ensayos de una cola requeriría intervaloi de confianza unilateralás. conviene utllizar papel grófico de curua normal o papel grófico de probabilidad. Útt "trrayo ajuste de distribuciones teóric as. como a veces se le llama (véase Problema 7. etc. r a¡ la bondad d. POTENCIA DE UN ENSAYO Se ha visto cómo el error del Tipo I pued. (/ ) en la (1e) ñ _ L.136 y también Problema 6. . es posible frecuenten llamadas "modelos" o distribuciones "esperadas") tras de la población. El método utilizado general: típica de la muestra para estimar la media y des 7. poüíamos realmente emplear el intervalo de confiaíza del Capítulo 6 para e¡¡sayar ttipótesir. significación. érrores de los empleados. al menos en el caso de los ensayos de dos colias. Es posible evitar el riesgo de error < nunca la hipótesis.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.05 es eq pigtm 195 conducente al intervalo de confianzadel96"/o se puede obsenrar que existe u eoría de ejemplo.30. Los gróficos de control suministran un método útil y sencillo para tratar tales problemas (véase Problema 1.cAP. CURVAS CARACTERISTICAS DE OPERACION.31). GRAFICOS DE CONTROL DE CALIDAD importante conocer cuándo un proceso ha cambiado suficientemente.7.14). donde s camb se deben simplemente a fluctuaciones causa de deterioro en las máquinas. por ejemplo. la si de modo que puedan darse los pasos rápid ejemplo en control de calidad. 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. 7l ENSAYOS DE HIPOTESIS Y SIGNIFICACION 2t7 R. se describe más adelante.

. hemos utilizado el estadístico s sucesns A 1 en pyq-1-p. . Fz . en tanto que .. Az pueden obserwdn para el suceso EJEMPLO 7'1.2r8 EI{SAYOS DE HTPOTESIS y SIGNIFICACTON lcAP.nP\' = (Xt. son todae . x2. A. de modo que Xt*Xz+"'+Xr=n Una expresión equivalente a (21) es k¡22' (22) x2 ).. 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. . A¿ con probacaso tenemb. . = (Xt:-!t?t)z n?t * (xz-nqz\2 .2- Si obtenemos una muestra de 120 lanzamientos de un dado honrado. y X. _ página 113). X¡ (cuyos uencias observadas para la muestra).CUADRADO PARA LA BONDAD DEL AJUSTE )s" en una muesha de tamaño n extraída de una acional p de éxitos.. .!-n " = í-=t nP¡ (28) . p6 t€ y todas ig lógicarnen ente y = 120. Pk. La frecuenci¡ observada en la muestra podrfa lógicamente ger diferenüe. 2. npp respectivamente.np)2 * npq np (Xz nq - ne)2 (20) donde Xt = X es la variable aleatoria asociada con . . extraemos At. . p entonces la frecuencia esperada de caras (éxitos) es np : (1OOX1/2) : 50. .os.Unvalor tanto que np se llama la fteóuencia esperad At. : 20. . speradas estarí e hace en la Ta sucesos posibles Ar.de una moneda honrada. .9n" generalización al c bilidades Pt . ... : n-X1 es lavariable aleatoria asociada con "fracaso". nPz + (xn-npn\z '- nPr t?. de modo que n as l. ? ENSAYO CHI. Si . . unapoúíac¡ón muit¡i-omial'(véare io n de esta poblacibn las frecuencias obsen¡adas por las variables aleatorias Xr.. $. An os 11.. .. . uencias caras q .éxitos. . 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 . : Il2. Nótese que ng en (20\ es la frecuencia obsen¡ada de iraca. La¡ 20)(t) rentes. de modo que n : lO0.(x¡-np¡\z np (21) donde la frecuencia total (es decir el tamaño muestral) es n. 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.Si obtenemos una muestra de 100 lanzamientos.

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 .. mientras que si ¡z. en cuyos casos se decide que i" concordancia es bastante buena a los niveles de significación de 0. contiene hh térmnos. la prueba chi-cuadrado puede-ser empleada para determinar de qué forma distribuciones teóricas talés como la normal.| si las frecuencras esperadas pueden calcularse sin tener que estimar parrámelros poblacionales con los estadísticós muestrales. (blv : k . las frecuencias observadas y esperadas concuerdan exactamente. Véase Problema 7. las frecuencias esperadas se calculan de acuórdo con una hipótesis flo.. .L .Si bajo esta hipótesis el valor calculado de x' como xf. paíá examfuia¡ tales situaciones se puede determinar si el valor calculado 4" I' ": -"noi eue ¡2". ó Xl. que son los valores crít -se deduce que las frecuencias mente).m si las frecuencias esperadas solamente pueden calcularse estimando m parámetros de la población a paftir de los estadísticos muestrales. Adviértase que el restar 1 a k es a causa de la óondición restrictiva (221 que denota que si son conocidas k . Esta suma que es análoga a (21).j*h a distribuciones empíricas.ENSAYOS DE HIPOTESIS Y SIGNIFICACION Si v2 : 0. etc. de Poisson. no toinciden exactamente.01 respectivamente.1 de las frecuencias esperadas.05 a 0. cero debe mirarse demasiado bien con ncias obiervadas concuerden en que x2 estÉ muy próximo Además de aplicarse a la distribución multinomial. ó ¡f. hay un-a y según las reglas de probabilidad' o esperada gue se calcula bajo ncia se llaman frecuencías elemen' q. las esperadas.e contin- Correspondiéndose con cada fiecuencia obsen¡ada en una tabla de contingenciahX k. c aproxima muy estrechamente ción mejora iguales a simbolo en (-21) si las frecuen para los valores superiores. TABLAS DE CONTINGENCIA (léase "1por h").re ócupan ias corliilas de uná t tales. aquellas que se obtienen de los datos muestrdes.-Este procedimiento se llama ensayo o prueba de ehi-cuadrado de la hipótesis.. por (21) se muestral a Como se demuestra en el elección de or tanto.) 0. en las que las fre tabla de clasifict¡' tabhs gencia. rechaza llo al nivel de significación correspondienl rechazará. mayores son las discrepancias entre las frecuencias obsen¡adas y esperadas. A valores mayores de y2. es decir. d.44. aq con cierto recelo. En la práctica. 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. pu-esto queDebe advertirse que en a.r. se . La frecuenciá total de cada fila o columna es la llamada frecuencin marginalPara estudia¡ el acuerdo entre las frecuencias observadas y esperadas. la fiecuencia restante puede ser determinada. se calcula el estadístico (2tt\ x2 = ?g#a donde la suma se extiende a todas las casillas de la tabla de contingencia.

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

cuando en realidad es cierta. Entonces la probabilidad de rechazar la hipótesis cuando es correcta : 0.0. el área total sombreada (es decir.5.7-2 z (60.-210 caras) FiE. Región de recbace ? El error que se puede cometer de rechazar la hipótesis (39. 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.I0 Probabilidad pedida : : área bajo la curva normal e¡tíe z: 2(áreaentre z: O y z: -2. la probabilidad de no obtener entre 40 y 60 caras inclusive si la moneda está bien hecha 1 .10 y nq son ambas mayores de 5.s resueltos ENSAYOS DE MEDIAS Y PROPORCIONES UTILIZANDO DISTRIBUCIONES NORMALES 7. Así.) +'noc. pues se habla de rechazar la hipótesis a un nivel de significación de 0. se rechaza.1. cuando debería aceptarse q el error del Tipo.e la regla de decisión y es igual a 0. . Si en una serie de 100 lanzamientos sg obtiene una z entre -2. 7-2.'| rrx'ti'\r/ /tY' \-/ \-/ \-/ \-/ \-/ La media y la desvi¿ción típica del nf¡mero de ca¡as en 100 hnzamientos vienen dadas por t. (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.0358 6 3. \ql .lO 2.1.0358 en este casc. /1Y. 39./lY' (. La regla de decisión se ve gráficamente en la Fig. Según la distribución binomial. Para ensayar (c) Hallar la probabilidad de rechazar la hipótesis. -. ?] ENSAYOS DE HIPOTESIS Y SIGNIFICACION 22r Problema. la hipótesis de que una moneda está bien hecha. se acepta la hipótesis.0358.2.0358. la probabilidad pedida es /1\'t0 'oocoo( i) /r \6r' .. probabilidad de error del Tipo I) se llama níuel de significación d.) =.5 .5 caras. está representado por el área total sombreada de Ia figura.5 en unidades tipificadas = q9'5-:-E 60./ 1" (.L0 y 210.58%. puede utilizarse para la er¡aluación de la suma anteriqr la aproximación normal a la distribución binomial.I de la regla de decisión y la probabilidad de cometer este error es igual a 0.. de otro modo se rechaza y se decide que la moneda no está bien hecha. ambos inclusive. se dirá que esta z difiere significatiuamente de lia que cabría esperar si la hipótesis fuese cierta. ..5 - 50 = 2.en unidadee tipificadas = 60. Por esta razón. uo Pueeto que np o-{ffi=['r{ffi=' = _2. entre 40 y 60 caras inclusive es lo mismo que entre 39. (2) de otro modo.5 y 60.que muestra la distribución de probabilidad de caras en 100 Ianzamientos de una moneda bien hecha. (b) Interpretar gráficamente la regla de decisión y el resultado del apartado (c).'lóJ /1Yo .1O y z: 2.5 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..CAP.0358 del apartado (o). 53 (o) (b) Por el Problema 7.tp = 1oo(.10) 7. En una escala continua.9642 : 0. Hallar la probabilidad de obtener entre 40 y 60 caras inclusive en 100 lanzamientos de una moneda.

16<X< 39.0050 :0. ? (c) Según la regla de decisión. -zr Fis. el número de ca¡as se encontrará entre ¡¡ decir. 7-3 es 0. (o) Primer método: Si el nivel de significación es 0. es decir.1. Esto es lo que se debe afrontar cuando para tomar decisiones se toma cualquier línea de división.58o.(X-32)l¿:1-96óX:39.Asípues.84que 32) < 1. Se puede argüir que con solo una cara más que se hubiese obtenido. es decir.222 ENSAYOS DE HIPOTESIS Y SIGNIFICACION [cAP.05.58(4\: 42. 24. 89. Diseñar una regla de decisión para ensayar la hipótesis de que una moneda est.(X-32)14:-1.O. se ve que con probabilidad 0. Estopuedetambién - el número de ca¡as se encontrará entre lr 2. es decir.25.96.96.960 y ¡J + l.84. caras se encuentra entre (2) es Se rechazá la hipótesis en caso contrario.5.960.1. Segundo método: Con probabilidad 0. Así.3.96 < z < 1.< 1. El error que se comete al aceptar la hipótesis cuando debería decisión.84. nótese que la media y la desviación típica de la distribución binomial exacta de caras están dadas por ! .96 <(x-gz)l¿.84.96 equivale a . pues.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.16 y 39.? en lugar de 0. por ejemplo. Si el nivel de signilicación es 0. Entonces. Entonces Z la regla de decisión resulta: = (X - 32\14.32.y z¡ : 1. Entonces el área entre 0 y zr = 0.58(4):21. una posible regla de decisión es: (I ) Aceptar la hipótesis de que la moneda est:á bien hecha si Z está entre -1.96.96 y 1. en ambos casos se aceptaría la hipótesis de que la moneda está bien hecha.1.58o y pt*. entre 25 y 39 ambos inclusive.2.005.96 y 1. 7.96(4)< (x6 32.7-B 2r Los valores críticos la Tabla 7-1- -1. Entonces.575). SiZ:1. (i ) Se acepta la hipótesis de que la moneda está bien hecha si el número de 24.5000 0.bg (másexacüarnente 2.96(4) la regla de decisión anüerior. se habría rechazado la hipótesis.1.68 y Bz + Entonces la repla de decisión sería: (l) Aceptar la hipótesis si el nfrmero de caras se encuentra entre 22 y 42 inclusive.96_ (2) Rechazar la hipótesis en cualquier otro caso.01 .96yñpq lleva a Ia regla de decisión anterior.966X=24.O25O : O-4750. (d) Si.96(4): 1.4950 ! zt = 2.01.5) .que también conducea ) obtenerse de la Tabla ?-1. cada área sombreada en la figura anterior es 0.05 y (b) 0.5i2:-1. Para mayor discusión véanse Problemas 7 rechazarse ea error del Tipo 1I de la . np. cada6rea sombreada en la Fig. (2) Rechazarla en cualquier otro caso. Tercer método: y np+1. el área entre 0 y zr es 0. (b -1. sería el caso cuando la probabilidad de cara fuese realmente 0. 2.95.96(4)< X< 32 + 1. Siguiendo el mismo procedimiento del método segundo del apartado (o ).32 y o -= t/iw = y'6llos)(05) = = (X p)/o 4 bajo Ia hipótesis de que la moneda está bien hecha.96.76y 32+ -1.99 .np: 64(0. Se puede aceptar la hipótesis cuando realmente debería rechazarse como.96(4) :24.025 por simetría.t6.96{npq o entre 32 - 1. .á bien hecha si en una muestra de 64lanzamientos de la moneda se toma un nivel de significación de {c) 0.23-7. g2-2.96(4).5000 .

26)13.01. (I) ee Adüértase que tealmente debería aplicarse una conección de continuidad. ¿Cómo se podría diseña¡ una regla de decisión en el Problema ?. Para evitar este etlor. Se elige un ensayo de una cola. (D) Sielniveldesignificaciónes0.5 V el sujeto está simplemente adivinando. En un experimento sobre percepción extrasensorial (E. Si la hipótesis está dado por ff6 es cierta.84) que es menor que 2.6. Sin embargo. Entonces el área enüre O y zt = 0.33.01 ¡on altomente significatiuos. 7-4 Puesto que 32 unidades tipifrcadas (32 . se concluye que al nivel del 0. 31.ar la hipótesis si el número de caras se encuentra e¡fte 22 y 42 inclusive. la media y la desviación tfpica del número de cartas identificad¿c correcüamente 3.) 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. Así por ejemplo.01 son probablemente significotiuos.5 üiene un valor tipificado de (31. 7l ENSAYOS DE HIPOTESIS Y SIGNIFICACION 223 7.4500.645.P.5 .S.54 p=.Puestoque32(ó 31.01. 7-4 de modo que el área sombreada en la región crítica de r¡alores alüos sea 0.05 y (b) 0. puesto que no se está interesado en la facultad de obtener valoree bajos.S.S.05 el individuo tiene fuerza de E. 7. Rechazar Ia hipótesis en ca6o contraúo.01. puesüo que 32 en una eecala continua está entre 31-5 y 32.23-7.3 que evite el enor del Tipo T? El error del Tipo I[ se c.25\15. de modo que posteriores investigaciones del fenómeno están probablemente justificadas.26').98 (ó 1.98 es mayor que 1. Si el zujeto identifica conectamente 32 cartas' determinar si los resultados son significativos al nivel de significación de (c) 0.4. no significativos al nivel del 0.06 se debe elegit z1 en la Pig.645. mientras que los resulüados significativos a niveles superriores al 0.05.64: 1.06 son no significatiws. los resultados son significativos al nivel del 0.5 y el sujeto tiene fuerza de E. la regla de decisión del Problema 7. se deduce que los reeultado¡ no son significaüuos al nivel de 0. .cAP.5) en unidades tipificadas es 1. es decir. Sin embargo.5) = zb ! o=\/wq = /86(05)(-05) = ¡/Es = (a) Para un ensayo de una cola al nivel de significación de 0.np = 50(0.4900Y2r:2.P.P. Fig. es decir. zl (2) Si z es menor de 1.64:1. en lugar de aceptar la hipótesis. Una completa discusión de tales casos requiere l¿ consideración de errores del fipo II (véanee hoblem¿s 7. p es la ptobabilidad de que el sujeto elija conectamente el color de una catta. entonces se tiene que decidir entre las dos hipótesis siguientes: Si Hoi p: 0.entonceseláreaent¡eOyzt:0. sino en la facultad de obtener aciertos numerooos. Algunos estadísticos adoptan la terminología de que lios resultados significativos al nivel del 0.5.3(b) serfa: (I ) (2) No recltzz. los resultados significativos al nivel del 0. Esto puede también eacarse de la Tabla 7-1. lo que se hace es simplemente no rechazarla.645 los resultados Be deben a la casualidad.05 y el indiüduo tiene fue¡za de E. los resultado¡ son totalmente casuales Ht: p ) 0. la regla de decisión o enaayo de significación es: (f ) Si la z observada es mayor que 1. Y zr : 1. Seglrn la üerminologfa.33.84 llegándose a Ia misma conclusión anterio¡. lo que efnificarfa que ee rehuaa cualquier decisión en este caso. la decisión rnantiene es decir. se concluye que los resultados del experimento anterior wn probablemente significatiuos.05. Asfrpues. en muchos ejemplos prácticos es importante decidir si una hipótesis debe eer aceptada o rech¡zada.05 pero no al nivel del 0.P.omete al aceptar una hipótesis que debería ser rectrazada.645. Es desconocido-para el zujeto cuántas cartas rojas o azules hay en el lote.S.

algunos estadísticos citan las probabilidades reales inherentes.Ossetienelasiguienteregladedecisión: (/) Se rec}raza 116 si la z de la media muestral está fuera del rango .0322.P. comprobar la hipótesis ¡¡ : 1600 horas contra la hipótesis altemativa r¡ # 1600 horas con un nivel de significación de (a) 0. \/"pq = /?2ooxo.viacióntípicaop:s/1/i.En una muestra de 200 individuos que tenían la alergia la medicina suministrada alivió a 160 personas. Si se toma el nivel de significación del 0.S.96. que es mucho menor de -2. o de la Tabla 7-1. como puede deducirse del koblema 7. se llama a veces niuel de significación erperimental o descriptiuo. El fabricante de una patente médica sostiene qu€ la misma tien'e un 9O% de efectividad en el alivio de una aler_gia. altamente significatiuos (véase final del Problema ?.5(b).33.01 . la aseveración es legítima y los resultados obtenidos se deben a la casualidad (en cuyo caso Si se acepta 116 ).9 y la aseveración es correcta es falsa Hy: p10.7. La duración media de una muestra de 100 tubos fluorescentesproducidosporuna compañía resulta ser 15?0 horas. por un período de 8 horas. El estadístico bajo consideración es la media muestral X.23: -4. Determinar si la aseveiación del fabricante es cierta. si el área sombreada en la Fig.84):0. con una desviación típica de 120 horas.l8O)14. 7.33 (en cuyo caso se rechaza H¡).224 ENSAYOS DE HIPOTESIS Y SIGNIFICACION lcAP.$) : 1AO y " - 7. (a) Paraunensayobilateralalniveldesignificaciónde0. Se tiene que decidir entre las dos hipótesis: Ho.05 y (b) 0.. Si ¡.23. Denótese porp la posibilidad de obtener alivio de la alergia utilizando la medicina. (2) En caso contrario. es sobre el 3 por 100. puesto que Ee esüá interesado en determinar si la proporción de gente aliviada por la medicina es demasiado baja.33. Se zl Fig. en este problemapuesto quep(Z > 1.01. es decir. . 7-5 toma como regla de decisión: (1) La aseveración no es legítima si Z es menor de -2. Ahora 16O en unidades tipificadas (160 .9)(o.r¡ = a. La distribución muestral de X tiene una media r¿x-Éyunades. ta probabilidad citada en-este caso 0.01. lt:1600 hora.r es la duración media de todos los tubos producidos por la compañía.9 y la aseveración Se elige un ensayo unilateral.1. 7-5 es 0. 7 Puesto que los niveles de significación sirven de guía en la toma de decisiones. 3. . H1: ¡t* 1600horas Un ensayo bilateral debe utilizarse aquí puesto que g * 1600 incluye valores mayores y menores de 1600.0322 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.96 a 1.s.6. Por ejemplo. (2) Se acepta l/6 (o no se toma decisión alguna) en caso contrario. Entonces tre las dos hipótesis: se debe decidir Ho: p: 0.5). Asípues. entoncegz¡ : -2. mediante la simetría de la curva. 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.dondegvoscnlamediayladesviacióntípicadelapoblación de todos los tubos producidos por la compañía.

05.05.7(a). fle al nivel (b) Si el nivel de significación es de 0.96 a 1. hay un aumento de resistencia al nivel de significación del 0. con los niveles de significación de (¿) 0.96 a 1 . Se debe < 1600 decidir entre las dos hipótesis: Ho: lJ: 1600 horas. el valor de z es -2.58 a 2.01. Se ¡ecltaza 7 . el valor de e es -2.33. (1 Hs si Z es menor de -1. Las decisiones concernientes a hipótesis'lfe dadas. Entonces. se acepta Ile (o no se toma ninguna decisión) al nivel de sfinificación del 0. (2) S.9. se rechaza /16 al nivel de significación del 0. 7l ENSAYOS DE HIPOTESIS Y SIGNIFICACION 226 eneuentra fuera del rango Bajo la hipótesis I/6.01? Se tiene que decidir entre las dos hipótesis: Ho: lJ: Ht: lt > 1800 libras. acepta H6 (o no se toma ninguna decisión) en caso contrario.7 Como en el Problema de significación del 0. Mediante una nueva técnica en el proceso de fabricación se aspira a que esta resistencia pueda ser incrementada. ' (b) Si el nivel de significación es 0.9 6. ensayar la hipótesis p : 1600 hora.8. que es menor de -1 .33. Puesto que / : (X .645. 7.05 y (b) 0.645. y hay un cambio en la resistencia Aquí debe emplearse un ensayo unilateral (véase Fig.01 y. que es menor de -2. (a). Como en el Problema 7. puesto que se ensaya I/6 conha una alternativa diferente en cada caso. ) (2) Se acepta.s frente a la alternativa horas. en efecto. se tiene g : 1600 y o* = a/t/n = 120/\/L00 = 12.01.F/0 (2) De otro modo. De aquí que se adopte la regla de decisión: (I ) Se rechaza H¡ si Z es menor de -2.01.05. .Ff6 (o no se toma ninguna decisión) en caso contrario. 7-4). laregiónsombreadadelaFig.50 se encuentra dentro de este rango.cAP.1600y12 : -2. se rechaza pues. se tiene X-p ol\n 1850 .1600)/12 : (L570 .1800 -------------ó. /ls al nivel de significación del 0. Adviértase que esta decisión es idéntica a la obtenida en el Problema 7. ¡.T-Stieneunáreade0.7. Al nivel de significación del 0. utilizando la desviación típica muestral como una estima de o. y realmente no hay cambio en la resistencia 1800 libras.33.¿ 7.50 se -l . Para ensayar esta aspiración. ¿Puede mantenerse que.33.01 la regla de decisión es: ) Si eI valor de z es mayor que 2. I/e es cierta.7(a) mediante un ensayo bilateral.50. Debe aquí utilizarse un ens¿ryo unilateral (véase Fig. por tanto la regla de decisión: -L.645. (a) Sielniveldesignificaciónes0. Adviértase que esta decisión es la misma que la obtenida en el Problema 7.oo loo/v5o que es mayor de 2. 7-5). 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. naturalmente esperarse. En el Problema 7. Bajo la hipótesis de que (I es rechazada. se ensaya una muestra de 50 cables y se encuentra que su resistencia media es de 1850 libras. puesto que z -2.58. no están siempre en concordancia.33 los resultados son significativos al nivel de 0. II1: ¡t{ 1600 horas. se rechaza pues. De aquí se deduce que los resultados son olúamente significatiuos y Ia aspiración de mejora debe ser admitida.0Sysetieneque zt : Se adopta.01. Ilo es aceptada (o no se toma decisión alguna).01 eI valor de z1 en la Fig.96 en la regla de decisión del apartado (c) se sustituye por -2. 7-5 es -2.50. basadas en ensayos de una o dos colas. el rango -1. Esto cabe.7(b) mediante un ensayo bilateral.

La estatura media de 50 estudiantes de un colegio que tomaban parte en las pruebas atléticas fue de 68. ?.05.4s Puesto que los resultados scin significativos al nivel de 0.58 y 2.606 donde se han utilizado las desviaciones típicas muestrales como estimas d. Para un ensayo bilateral. ltz . ft1 "8.8 pulgadas. Enton- Bajo ferencia de medias están dadas por Ho: ltt : llz.58.01. z ENSAYOS RELACIONADOS CON DIFERENCIAS DE MEDIAS Y PROPORCIONES 7..hay una diferencia significativa entre las dos clases la hipótesis lls. Debe sin embargo ponerse de manifiesto que la hipótesis puede rechazarse al nivel de 0. se rechaza la hipótesis lls si el valor de z fuese mayor de 1. ambas clases provienen de la misma población. ¿Hay una diferencia significativa entre el restfltado de las dos ciases al nivel de significación de (a) 0. Así pues.e 2. los resultados son significativos al nivel de 0. =o n*r-rr"= "? .5 pulgadas con desviación típica de 2.0ó hay una diferencia significativa entre las dos clases y la segunda es probablemente mejor. - l"? .226 ENSAYOS DE HIPOTESIS Y SIGNIFICACION [g.e o1 y o2.96.10. p2 .01 no hay diferencias significativas entre ambas clases. I vez cada 10. de acuerdo con la terminología utilizada al final del Problema 7. se tiene que Supóngase que las dos clases provienen de dos poblaciones que tienen de medias respectivas decidir entre las hipótesis: l\ y tJz.01? ces.96 a 1.la estatura media del primer gtupo ^o hay diferencia entre las estaturas mediases mayor que la del segundo ur?. (b) 0.-*.El6 . Se hizo un examen p dos clases formadas por 40 y 50 estudiantes respectivamente. n2 = 0. Se debe decidir entre las hipótesis: Ho: llt : H t: Ft ) Bajo la hipótesis. !40*50 = 1. De aquí se deduce que al nivel de 0.2 pulgadas con desviación típica d.10 si se está dispuesto a correr el riesgo de tomar una decisión errónea con una probabilidad de 0. Entonces z= (a) (ó) Pata un ensayo bilaüeral. = 1# = -2.05 pero no al de 0. De aquí se deduce que al nivel de 0. mientras que 50 estudiantes que no mostraban interés en tal participación tenían una estatura media de 67.5. = o*r-fr. La media y la desviación típica de la di- uir-i.05 si Z se encuentra fuera del recorrido -1.11. ! la diferencia se debe simplemente al azar H t : Pt * ¡t2 . 7.05. no se puede rechazar la hipótesis a este nivel de significación. = o n*r-'^" = !t-".lp.5 pulgadas. Ensayar la hipótesis de que los estudiantes que participan en las pruebas atléticas son más altos que los otros. los resultados son significativos al nivel de 0. se deduce que los resultados son probablementesignificatiuos. . En la primera clase la puntuáción media fue de 74 con una desviación típica de 8.10. es decir. mientras que en la segunda clase la puntuación media fue de 78 con una desviación típica de 7.53 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. "Z= l8r.645.01 si Z se encuentra fuera del iritervalo -2.

Se administra un suero al grupo A. se r*}lrazaría lahipótesis1116 solamente si z fuese mayor de 2.7 pulgadas en las estaturas medias sea significativa al nivel de significación (o) 0. Ensayar la hipótesis de que el suero ayuda a curar la enfermedad al nivel de significación del (a) 0.01 si : 28 al menos.01. . 7.7 3..l las diferencias observadas son debidas al az. Se debe r! p2. se deduciría que el suero es efectivo al nivel de significación de 0. Denótese por P utiliza¡ suero.645."2 nn (2.II para que la diferencia observada de 0.0648 ro. ¿En cuánto deberíán incrementarse los tamaños de muestra de cada uno de los dos grupos en el Problema 7./" Para la diferencia de 0.75 y 65 individuos.05. = o o. se tiene . = p de curas 0. Puesto que el valor de z es 1. 0.zt. Se encuentra que en los grupos Ay 8. Entonces.05.10 se rechazaría f/e solamente si el valor de z fuese superior a 1.o*r-*. (a) o.54.5¡z ¡ ".r.10.75 n . se debe deducir que los resultados se deben al azar a este nivel de significación. (ó) De acuerdo con un ensayo unilateral (c) Si se utilizase un ensayo unilateral al nivel de significación de 0.650 0. padecen una enfermedad.30.70 y donde q : 1 p : 0. (2 ) sin decidir entre las dos hipótesis: es decir.01.tt d \/a>r2.28.t.#) = 0._P" orr."io" dos grupos per- o*r- *. se rechazaría la hipótesis IIs solamente si z fuese mayor de 1.01? Supóngase que el tamaño muestral de cada grupo eB n y qLe las desviaciones típicas manecen iguales a las de antes. De donde se deduce que a este nivel tambiénlas diferencias se deben al azgt.0648 donde se ha utilizado como estima de la proporción 65)1200 : 0. = o?. 14. (c) 0:10.?50 - = 1. deberá incrementarse el tamaño de cada grupo en ?8 será significativa al nivel de 0. siendo en todo lo demás los dos grupos tratados idénticamente. H t : pt ) pz.ir_*. ?] ENSAYOS DE HIPOTESIS Y SIGNIFICACION 227 7.13. respectivamente las proporciones poblacionales curadas ( I ) utilizando el suero .8 í¡ n>78 50 Así pues. pero no al grupo B (que se llama gtupo control).7 observada en las estaturas medias se tiene xt . Dos grupos A y B fo¡mados cada uno de 100 individuos.09 3.r-r. respectivamente se han recuperado de la enfermedad.ebr(-#.05.L2. = 0 V p".54 (c) De acuerdo con un ensayo unilateral al nivel de significación del 0.05 si Yif-t'uou (b) La diferencia observada ó 1/-n=8.7\n 3'75 La diferencia observada será significativa al nivel de 0.5 ó t57 n>1b? 50 De aquí que se debería incrementar cada muestra en al menos : lO7 .y el suero es efectivo Bajo la hipótesis 116. ui'!!=r.75/\n 0.zorro.33. Puesto que esta condición es satisfecha.xz 4 . bajo la hipótesis tiI6. urr-r'. Entonces ry- en los dos grupos muestrales el valor (?5 * P. (b) 0. (b) 0. el suero no es efecüivo Ho: Pt : Pz. al nivel de significación del 0.CAP.

que se estudia con un ensayo bilateralCon un ensayo bilateral y al nivel de significación del 0.472." 0. (¿) Si solamente se desea determinar si hay diferencia entre los distritos.6b0 respectivamente.01.01 de equivocación.sol( r*-L * r*-L ) : 0. Solucionar el Problema 7.750 y 195/300 Adviértase que en este caso la proporción de gente curada en los dos grupos son 225/300 : 0..528 l'75 y 1-0. Este es un riesgo que nb siempre deseamos suponer. = ú(¡D=@=00456 f(0.0.33. en muchos casos es imposible el aumentar el tamaño de la muestra. Una muestra de 300 votant€s del distrito A y 2O0 del distrito B mostró que el 66% y el 48% respectivamente.48)(200)l/500:0. 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.. Al nivel de significación del 0.70 utiliza como estima dep. l'pr-pz = donde (225 0 ú¡'.228 ENSAYOS DE HIPOTESIS Y SIGNIFICACION [cAP.195y600:0. Bajo la hipótesis (Ho: pt:pr ) se tiene l¡.96. Entonces 0. Co¡r un ensayo unilateral y al nivel de significación del 0.560 dondesehautilizadocomoestimadepyqlosvalores +(0. se debe decidir entre la hipótesis (f/e ). _ 1. se deduce que el suero es efectivo con solo una probabilidad de 0. se puede rechazar la hipótesis al nivel de significación del 0. es decir.?S.645.05 ensayir la hipótesis de que (o) haya diferencia entre los distritos. se rechazaría Hs si Z estuviese fuera del in' tervalo-1 .56)(300) 0. Por otro lado.528 = z - P.67 es puesto que el valor de z es mayor de 2.. . Esto muestra cómo al incrementarse el tamaño de la muestra aumenta la seguridad de las decisiones.zt y 195 del grupo B. 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. se compone de 300 individuos y si se curan 225 i* : 0.P" = rrar. (b) el candidato sea preferido en el distrito A. se puede proceder a dar el'suero a grandes grrlpos de gente solamente para obtener entonces que realmente es inefectivo.zol ro. .Puesto queZ:1.-P. Bajo la hipótesis ^FIe. decir.750 = ro. estaban a favor de un candidato dado. z=ñ= - = 2. que se estudia con un ensayo unilateral.14. ?. se está forzado a toma¡ decisiones en acuerdo con la información utilizable y asÍ se tendrá que correr mayor riesgo de tomar decisiones erróneas. se rechaza É16 a este nivel y se deduce que el candidato es preferido en el dis' trito A . Sin embargo. Entonces = 0 or. Puesto que éste es el caso.0374 . ?.96a1.05 se rechaza H¡ si Z fuese mayor de 1. Denótese por pr y p2 las proporciones de todos los votantes de los distritos A y B.-t'r= se ú'G.13 si cada grupo dividuos del Grupo. se debe decidir entre la hipótesis (Ho : P t : pz\ y (Ht : P t * pz). Si los resultados se deben realmente aL azar y se toma la decisión de que son debidos al suero (error del Tipo I). que son las mismas del problema anterior.650 0.480 = -0^0456== nivel.0374 P.05. que están a favor del candidat<¡. En tales casos.t 0.encontrándosedentrodelintervalonosepuedetechazatH¡ a este (b . z Adüértase que las conclusiones anteriores dependen de lo que se esté dispuesto a arriesgar de tomar una decisión erróneá.15. respectivamente.

H lJ: 8000 libras.86 . Ensayar la hipótesis de que la máquina está en buenas condiciones de producción al nivel de significación del (o) 0. = 4---f.36. y la afirmación del fabricante está justificada es falsa 1 : ¡t 1 8000 libras.01 se adopta Ia regla de decisión: (I ) (9) Se acepta . Puesto que ? -B .F/6 eri caso contrario. . Se deduce que la afirmación del fabricante es extremadamente improbable que esté justificada.00. -1:5 gradosdelibertad da ?) -2. Se desea decidir entre las hipótesis Ho: lt:0.É16 elr cáso contrario. En el pasado una máquina ha producido arandelas con un grosor de 0. 7. (b) 0..01.o. lo cual para 10 libertad es eI intervalo -2.050 pulgadas.01.01 .F/e en caso contrario. : 9 grados de liber- Puesto que ?: 3.4!9 ú0 -t -_.6). 7l ENSAYOS DE HIPOTESIS Y SIGNIFICACION Ú ENSAYOS RELACIONADOS CON LA DISTRIBUCION DE STUDENT 7. Puesto que T = -3. ABI sería aconsejable comprobar la máquina o al menos toma¡ otra muesha. que para 10-1 tad es el intervalo -3.ee5. Se rechaza -1 :9 gradosde lls en caso contrario. se dice que lamuestraresultaproboblemente significatiua (véaee la terminología del final del Problema 7 . se rechaza . -t/n- t = 9!$-.86.F/s. Bajo la hipótesisae se tiene (o .00. se encuentra en buenas condiciones no se encuentra en buenas condiciones Bajo la hipótesis (o H¡ se tiene . : ) Para un ensayo unilateral al nivel de significación del 0. : ) Para un et¡sayo unilateral al nivel de significación del 0.Efs al nivel 0.05.050.25 a 3. ¿Se puede admitir la afirmación del fabricante aI nivel de significación del (a) 0. Se rechaza.16.05. se toma una muestra de 10 arandelas.un.ee. (b) 0. Se rechaza.05. que para 6 Se rechaza.003 pulgadas. se rechaza ffs . que para 5 grados de libertad da 7') -3. I/6 al nivel de 0. y la máquina Ht: P + 0.26 a 2.05 . 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.cAP. que resulta tener un grosor medio de 0.05 pero no al nivel 0. se acepta.i6= = -8.26. Para un ensayo bilateral aI nivel de significación del 0.01 .f.01.01? Se tiene que decidir entre las hipótesis Ho:.053 pulgadas y una desviación típica de 0.00. y la máquina de modo que se requiere un ensayo bilateral.25.86.05 se adopta la regla de decisión: (I) (2) (ó) Se acepta fle si f se encuentra dentro del intervalo-f cz¡ a f e75. y la afirmación del fabricante de modo que se requiere un ensayo unilateral.g. Ya que se rechaza lls al nivel 0. ) Para un ens¿ryo bilateral al nivel de significación del 0.L7¡"- 1= ?l|'!-_99rnJ . á ú. se adopta Ia regla de decisión (l) (2) (b Seacepta116 si ?esmayorde -ú. se rechaza Puesto que ?: 3.050.F/6 si ? se encuentra dentro del intervalo --f. .17. Para determinar si la máquina sigue en buenas condiciones de producción. se adopta la regla de decisión (1) (2) Se acepta f/¡ : si ? es mayor de -f.

eue para n¡ I nz . ? ?. (cociente de inteligencia) de 16 estudiantes de una zona de una ciudad dio una media de 107 con una desviación típica de 10.?6 a 2.19. de los dos grupos.01.ee.44\/ l/16 + l/t4 = 1. mientras que la media en las parcelas tratadas fue de 5. se rechazará Hs si T se encuentra fuera del recorrido -t. donde nrsl + n252. La media de trigo conseguida en las parcelas no tratadas fue de 4.S! + nrS! n1 -ln2-2 Entonces t6+L4-2 =9. "t/U"t+ Y"2 donde o - n.ee5.8 0. eue para 28 grados de libertad es el recorrido -2. ¿Hay diferencia significativa entre el I.4012 =o'397 v T= 5.05. hay diferencia significativa entre el I.40 fanegadas. y (b) 0.05? Si se denota por ¡l-. T= Entonces xt- X. En una estación agrícola se deseaba ensayar el efecto deun determinado fertilizantn sobrela producción de trigo. y ¡r2 las medias poblacionales del decidir entre las hipótesis I.2 : 22gradosde libertad es 2.05.y la diferencia se debe al azar H t: pt ) tt1. se tiene que Ho: lt : ltz ! no hay diferencia esencial entre los grupos Hti ltt =* tlr.85 Con un ensayo unilateral aI nivel de significación del 0. la mitad de ellas fueron tratadas con el fertilizante y la otra mitad no (grupo control). ¿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. mientras que el L Q.. (b) Con un ensayo bilateral aI nivel de significación del 0.ffi + 12(0-36)2 t/". Para ello. sé rechazará Ia hipótesis f16 si ? fuese mayor que ú. de los dos grupos al nivel de significación del (o) 0. a ú. Todas las demás condiciones fueron las mismas. Q. se eligieron 24 parcelas de terreno de igual superficie. respectivamente. de los estudiantes de las dos zonas. Q.01. lo cualpara n1 * nz .36 fanegadas.ctsa ú e75. Q. Q. no se puede rechazar Se deduce que no 116 al nivel de significación del 0. Así pues. El I.2 : 72 + t2 .51. Así pues.y el fertilizante incrementa la producción Bajo la hipótesis I/6.16 + 74 . se rechazará la hipótesisl{6 si ?se encuentra fuera del recorrido --t r¡g¡. tiene que decidir entre las hipótesis se Ho: lt : ltz.01. 7.y hay diferencia esencial entre los grupos Bajo la hipótesis lls. "tf. .44 y T= ltz - t07 9.01. Así pues.1 fanegadas con una desviación típica de 0.8 fanegadas con una desviación típica de 0. n1*n2-2 "=!ffi (a) I 12(0.05.O5 a 2.18.1 - 4.ENSAYOS DE HIPOTESIS Y SIGNIFICACION [cAP. T- xt-x. no se puede rechazar.3s7\n/12 + Urz = 1.2: 28 grados de libertad es el recorrido -2.45 (¿) Con r¡n ensayo bilateral al nivel de significación del 0.2:. no se puede rechazar É16 al nivel de significación del 0. de 14 estudiantes de otrazona de la ciudad dio una media de 112 con desviación típica de 8.Ef6 al nivel de significación del 0.76.01.

se rechaza ^Ef6 al nivel de significación del 0.25 onzas. 9tt" 4'rn. Un instructor tiene dos clases. F. Sin embargo antes de sacar conclusiones definitivas referentes a la conveniencia del fertilizante.serechazarálahipótesisfl6si?fuesemayor que ú.1 : 19 grados de libertad. en una asignatura específica.01 si el valor muestral de pues.8g. ENSAYOS RELACIONADOS CON LA DISTRIBUCION CHI-CUADRADO 7.v2 = 24 tenemos del Apéndice F.2 para 19 grados sig de I O.01. ya que Ad F( F .e5.05 Si el valor de X2 muestral fuese mayor 9ue x?gs.32 on?T. LaclaseA tiene lGestudiantes en tanto que la clase B tiene 25 estudiantei.0 onzas.01. empleando eubíndices 1 y 2 para las clasee A y B respectivamente.Por tanto .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. se rechaza. Así puee. Se deduce que el incremento en la producción de trigo alttilizar el fertilizante es probablemente significoúiuo. que es igual a 30. Entonces.25 onzas. f ( F. sz :12 de modo -que G? = . En el mismo examen.É16 al ni- Se deduce que la variabilitlad se ha.?0. p.72.05. y cualquier va¡iabilidad observada se debe al azol Íi1: o1>. y los resultado¡ observados se deben alazar H 1 : o > O . (b) Ya que f'. ¿Podemos concluir al nivel d-e significación del (c) 0.EI6 al nivel de significación del 0. sería deseable tener alguna prueba más.05 y (b) 0.25 onzas.01? Hay que decidir entre las dos hipótesis: Ho: o :0.74 eí Entonces.05 que la variabilidad de la clase B es mayor que la de la clase A? (o) Tenemos. llenados por una. vemos que tampoco podemos rechazar. A y B.tá h. . Vz:26-L=24.1 para v : 20 . lo cual para22 grados de libertad esL. = E = *n@ = r. muestras en cuestión.32)2/(O.la clase A tuvo una desviaóión típica de 9 en tanto que la clase B tuvo una desviación típica de1'2. sr g.8._Lr'? = if Itr¡ (e)2 = 86.ee : 2. que ás igual a 36.máqlLlina era de 0.Ffs al nivel de significación del 0.Alnivel 0. ¿Es el aparente incremento de va¡iabilidadsignificativa al nivel de signifióación del (a) 0.Z5l2 = 82. probablemente incrementado.05. y la variabilidad se ha incrementado El valot de 12 para la muestra €8 X2 : nsz/sz :20(0. ¡12 fuese mayor- Mediante un enaayo unilateral. En el pasado la desviación típica de los pesos de ciertos paquetes de 40. no se rechaza. Así. El número de grados de libertad para las clases son respectivamente rr¡ :16-1:lb.4.sr. se rechazará. 4 = .er:z. aunque no hubo diferencia significativa en medias de las calificaciones. Y deberá efectua¡se una revisión en la máquina. Una muestra aleatoria de 20 paquetes dio una desviación tipica de 0.oz. se rechaza . 7l ENSAYOS DE HIPOTESIS Y SIGNIFICACION 237 (ü) Conunensayounilateralalniveldesignificacióndel 0. pues.01..06.01 paraZ¡ = L5. 24 grados de libertad (véase Apéndice F).ltle al nivel 0. ENSAYOS RELACIONADOS CON LA DISTRIBUCION ¡' 7-2L.nn no podemos techazar ff6 al nivel 0. (b) 0.EIe al nivel de vel de significación del 0.cAP.LL para 15.05. (o) (b) Mediante un ensayo unilateral.!4 = '*rrrr'= 1Eo Hay que decidi¡ entre las dos hipótesis : o ¡ = o2.

probabilidad de error del Tipo II). Para calcular esta área se obeerva que la distribución bajo la hipótesisp : 0. y después se calcula p.5 p=o. que representa el nivel de significación del ensayo de lfe.7.23 si (a)p:0. rOalculada en el Problema 7.18 yz : O.9' (d) P : O-4.jo la curva normal de La izquierda en la Fig. En la práctica se pue' den presentar otras dos posibilidades: (I ) Se decide sobre c (tal como O.90 4. Esto es de esperarse ya que no estamos tratando de decidi¡ si hay una diferencia en las medias de las calificaciones. .58 = 70 y'6oo)(oJ)(0.24. CURVAS CARACTERISTICAS DE OPERACION 7.O1).8.5 en unidades ' = : r/"pq 60.6.58 tipificadas = üipificadas - = = : -2.5 en unidades 39.18 Entonces 9: área bajo la curva normal entre z : -4.6 p-0. sino solamente si hay una variabilidad en las calificaciones. (b)p : 0. cuando realmente P : 0.2 es decir.99 60. Adviértase que en este problema se tenía la regla de decisión de la que se obtenfa c y p. Solucionar el Problema 7.5405 Asi pues.ó y 60. En el diagtama se ve claramente que la probabilidad de acepLr .7)=70 60. la media y la desviación típica de la distribución de caras vienen dadas por !=np=(100X0. entonces la distribución de carag en 100 lanzamientos eetá representada por la curva normal de la derecha en la Fig.90 V(100)(0. ?.6. es igual a 0.5 en unidades tipificadas = - 60 60 = = 0. número de caras en 100 lanzamienüos se encuentra entre 39.66 to'l. 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.tO2: 0. se acepta cuando el p = 0. está dada por el área rayada p de la iigura.6)(0.5 caras Fig.Efs cuando realmente p : 0.¡O tn Entonces I: áteabajo la curva normal entre z --6'66 y z -2-O7 : 0.6)=60 ú = lnpq = 60. esta á¡ea d.0192 Así.5 en unidades tipificadas = 39.2(ol.5 4. ¿Canbiarían sus conclusiones en eI ProblemaT.232 ENSAYOS DE HIPOTESIS Y SIGNIFICACION lcAP.23.07 -6. probabilidad de error del Tipo I) viene: dada por el área toüd c de la región sombreada ba.5. llegando a una regla de decigión (2) Se decide sobre Q y P y después se llega a una regla de decisión.7-6 Si la probabilidad de cara es p : 0. 7-6.5 39.? . ¿cu6l es la probabilidad de aceptar la hipótesis de que la mohecha cuando la probabilidad real de ca¡a es p : Q. ?-6.4) = 4. La probabilidad de rechazar Ffe cuando debería aceptarse (es decir.7 (es decir.7 7.22. (a) Sip : 0.7 39 5 caras 60.6. Puesto que la media real de las calificaciones no se usó para nada en el Problema 7 .3) = 4.2L no inüeiresa su¡ valoree.0358.5 4. pues. (c)p :0. con la regla de decisión dada hay muy poco riesgo de aceptar la hipótesis de que la moneda eetd bien hecha. Con referencia al Problema 7 .102 -4.2L si existe una diferencia significativaenla media de las calificaciones de las clases? Justificar su solución.? tiene una media y una desviación típica que Bon dadas por p=np=(100)(0.O5 ó O.J? neda está bien La hipótesis ff6 de que la moneda está bien hecha.

0192 0.7l ENSAYOS DE HIPOTESIS Y SIGNIFICACION y'(100X0-S)(0¿) 233 =¿.1 0.8 0.9: 0 pa¡a todos los propóeitos prácticoe.se gla de la decisión o enoayo de hipótesis.4 0.6 0. .8 0.cAP.12 y z -4.0192 0. Interpreta¡ los gráficos obtenidos.0000 muy aproximadamenüe.5405 0. Nótese que p representa la probabilidad de aceptar la hipótesis p : 0.4 da el miemo valor deÉq.6 0.24 construyendo un gráfico cuyos ejes sean (a\ I y p.5.5405.12 p: área bajo la curva normal entre z : -10.4 0.9 0.24. Be ve que sip = 9.(a).23y 7. si realmente'p : 0.5 en unidades tipificadaa 39.6 en unidadeb tipificadas Entonces = ry = q9? : = = -4.0358 :0. el apuntamiento mayor de la curva OC es la mejor regla de decisión pa¡a techazar hipótesis que no son válidas. 7-1. (b) Sip=0.0000 0.0 0. 1c) Comparando con (b) o por cálculo. (b) ( 1 p ) y p.3 0.p:0.1 0 0 (a) (D) Fig.5 cuando realmente p tiene un valor distinto a 0. (d) Porsimetríap = 0.7 0.9 1. Esta probabilidad es igual a 1 0.9 0.9642 y ha eido introducida en - L-p 1.enüoncea p=np = (100)(0.5405 0.3 02 0.0 0.5 se puede interpretar p como la probabilidad de acepoar p : 0'5 cuando debiera ser aceptado.25.t"p:0.8) = 80 y o=. 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 : 0.6 0. La Tabla 7-3 muestra los valores de p correspondientes a valores dados dep.6.6 0.88 -10. 7-z (o) El gráfico p.8.23y7.8 0.1 06 0{ 0. 7.09ó8 al nivel de significa- En general. Sin embargo.0000 la Tabla 7-3.? 0. blemas7. Representar gráficamente los resultados de los Problemas 7.2 0.0000 0..2 0. comolorobtenidosenlosProTabla 7-3 p B 0.5 0.9.0000 0.9642 0.eedecir./nW= 60.3 0. p ee muestra en la Fig.88 = 0.

P). de modo que realmente ambos gráficoe aon equivalenüee. y el nuevo proceso es igud que el primitivo 300 libras.p) ¡e llama a menudo función d.J = 't.27. p ¡e muestra en la Fig. La cantidad p se llama tambiénfunción caructerístico de operoción de un ensayo. y el nuevo p¡oceso es mejor que el primitivo se un ensayo unilateral d nivel de significación del 0. 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. 7-9.e potencia. Se cree que mediante un nuevo proceso de fabrica- puede inc¡ementarse la resistencia media.7-9 = iren. Una compañía fabúca cuerdas cuyas resistencias a la rotura tienen un valor medio de 300 li bry" y una desviación típica de 24libras. H t : ! -.0 libras en unidade¡ tipificadas : 300 (307. se puede hdla¡ p para loe caeor en que el .158?. I¡ cantidad (l . ¡e llama curua de potencio de la regla de decición o ensayo de hipótesis. 7-9. respectivamente con las distribuciones normales de la izquierda y de la derecha de la Fig.01.Enton= "lr/ñ 24/\/u Así. y (Ht: tt: 310 libras). ¿cuál es la probabilidad de aceptar el proceso primitivo cuando en efecto el nuevo proceso incremente la resistencia media a. tiene la siguiente regla de decigión (referenüe eon la Fig. Esta es Ia probabilidad de aceptar Ho: ! : 300 libras cuando realmente es la probabilidad de comeüer error del Tipo II. Se acepta ^Éfs en caeo contra¡io.310 libras? Supóngase que la desviación típica se mantiene en z4libras. que debieran ser rechazadas. 7. i 800 *sz. la regla de decisión anterior se convierte en: (I ) (2) (ó) Se rechaza 116 si la reeistencia media de 64 cuerdae excede a 30?. suponiendo que la desviación típica de las ¡esistencias se mantiene en z4libras.0 libras. ?-8): (t ) Se rechaza lle si la e de la media de resistencia muest¡al es riayor que 2. (b) Bajo la regla de decisión adoptada en (a). 7 -7 (b).33. de aquí que A - 310)/3 = Fig. Esta curva ae obtiene ¡encillamente invirtiendo la curva OC.26(br. es decir. : -1. (c) Diseñar una regla de decisión para rechazar el proceso primitivo al nivel de significación del 0. bajo la curva normal de la derecha a la izquierda de z dect. X>300+3(2.00 = 0.310 libras es cierta. ? ) E gráfico (1 . *r. es 7.9qo.26.33. Para hallar su valor nótese que 307.234 (D ENSAYOS DE HIPOTESIS Y SIGNIFICACION [cAP.0 tb 307 tb 3r0 lb -1. Constmir (a) una curva OC v (b) una cun¡a de potencira para ei Problema 7.33) =30?. (2) Se'aceptqlfq pue¡to 'que z = cessi Z>2.26.01 si se pone dé manifiesto qu¿ debe rechazarse al ensayar 64 cuerdas.0 lb.00. Considérense las doe hipótesis (Ho: bras) Las distribuciones de las resistencias medias correspondiente¡ a estas dos hipóteeis se repreeentan. Si ción (a) ! es la resistencia media. ae quiere decidir enhe las hipótesis: Ho: U: Ht: ! ) Pa¡a 300 libra¡. puesto que indica la aptitud o potencb de un ensyo para rechazar hipóüesie que son falsas. en caso contrario. Razonando análogamente a como se hizo en el Problem¿ 7.

5 en 0.05. y de aquí - 396 librae.7 0.2 0. mientras que la restricción (B) requiere que la probabilidad de error del Tipo II eea a lo sumo 0 : 0.05.9900 L1.8 o.01 cuando el nuevo proceeo da una media de 800 librar).¡ o.6? : 0.5) mediante un número de lanzamientos de la moneda. ya que lae dog curvag eon esencialmente equivalentes.05.9 0. 7. etc. Eeepués. Por ejemplo.0000 p 0. En esta curva 6e ve que la probabilidad de seguir con el proce' so primitivo. p > 0.7-10(b).0000 296 1. de modo que no hay probabilidad de aeguir con el proceeo primitivo cuando la media de resistencia es mayor de 316 libras.7-11.0000 300 305 0. Tabla 7-4 tt 290 1.0 B 0. sepuedenobtenerdeellalaomismasinterpretacionesque de la curva OC.5. (¡) U probabilidad de aceptar la hipótesis cuando realmentep difiera de 0.1 0.4) debe ser á lo sumo 0.305y9 = 0. Determinar el tama¡1o mínimo de muestra necesario y enunciar la regla de decisión resultante.5 0. ri ¡r tonces 307.. AquÍ y Tipo II. si el nuevo da una resistencia menor de 300 librar. por encima del cual se rechaza la hipótesis de que p : 0. en- 9: i¡ea bajo la curva normal de la derech¡ a la izquienda de z :0.0 libra¡ en unidades tipificadas: (307. De la Fig. es piácticamente. ?-10(o). la curva baia ró- pidamente hacia cero.1 p (lb) 300 300 3to 3t5 (o) (ó) Fig.6 0. 7l ENSAYOS DE HIPOTESIS Y SIGNIFICACION 235 nuevo proceco da un¡ resistencia media ¡r igual a 306 librar. (b) La curva de potencia se ve en la Fig.6 6 p f 0.1687 316 0. la restricción (A) impuesta requiere que la probabilidad de error del Tipo I sea a lo sumo c : 0.l (excepto para el nivel de significación del 0.7-r0 (¿) La curva OC se muestra en la Fig.6?. p : 0. La eituación planüeada se ve gtáficamente en la Fig.05.0038 320 0. Para ensayar la hipótesis de que una moneda está bien hecha (es decir.28. 7-11 se tiene: . se desea imponer las siguientes restricciones: (A) la probabilidad de rechazar la hipótesis cuando sea realmente conecta debe ser a lo sumo 0.?4Eo De esüa forma se obtiene la Tabla 7-4. se ha puesto Denótese por n el tamaño de muestra pedido y por ¡ el número de caras en los n lanzamientos.1 o más (es decir.0 .cAP.7486 3r0 0. límite al riesgo de error del Tipo I Por ejemplo. 315 librae.

(b) Mostrar cómo se.29.) Eláreabajolacurvanorrnalp:0.564 y 0. .0.r) - 0.5\/n De 0. Se construye una máquina que pr-oducfuá cojinet€s de bolas teniendo un diámetro medio de una desviación típica de 0. enfte 742 y 177 si el número de carac en Slg lanzamientos está dentro del recorrido 159.4r rtñ- (n.05 o menoa. p = 0. GRAFICOS DE CONTROL DE CALIDAD 7.674.49{n vnpq = '--.05 en el "peor de loc casos". Cada vez que se observa una media muestral se representá por un punto en el gráfico.645 ó (t) o.05.6 n Y x - 0.ít/n Vnpq= "- :0.Saladerecha a" 7 (9) El área bajo la curva normalp 09" O.9É!= -r.025. y se obsen¡a el diámetro medio de la muestra.6..9801fa- e'¡ 9-. Los límites de control determinadog anteriormente se llaman límites de confianza del gg.05 o menos cuando p tiene cualquier otro valor por fuera del recorrido 0.05. En tanto que los punüoe se encuentran entre los límites 0.7 3% se puede decir que la media muestral X debe estar denüro del intervalo (p¡ entre cae a m p ¡t:0.6.5 : .564 a 0.llamado grófico de control de colidad. = 0.el 95V". pueden igualmente determlnarse otros lfmiües de confianza. es 0. también s€rá 0.x :177. se toma una muestra de 6 cojinetes ejemplo.6n 0.73% de O. muestrales puede tlevarse por medio de un gráfico tal como ee muestra én la Fig. ¡- np :1-77 - 159. (b) S€ rechaza la hipótesis + 17 .Haciendo n : 319 en (3) o (4). ? (f..6 n- 0.49\/n n = o.5 en caso contrario.egla de decisión mediante la cual se puede estar razonablemente cierto de qúe la calidad del producto esüá de acuerdo con las noÍnas requeridas.re'presentaría grárticamente la regla de decisión de (a). tales como los límitee d'el 99% o d.236 ENsAyos DE Hrpornsls y sIGNIFrcAcroN lcAP..5.5. (o) Diseñar una.98.4s 1/A 0. La elección en cada caso depende de la¡ circunetancias particulares del tnismo.0. hay la posibilidad de que falle algo y se precisa una invesüigación del posible fallo. el procelo está bajo control. Por tanto un promedio ponderado de todas estas probabilidades.O\4\'\/E) o Con confianza del 99 . (o ) 3o¡) a (p¡*3o¡) con el 9€. la máquina (b) Un registro de las medias no s€rú adecuada y habrá que buscar la razón de su ineptitud. se debe lanzar p - 0.4 a 0.seeigueque I se encontrará entre (0. es 0. 7 0. que representan la probabilidad de error del tipo II. la moneda al menos B1g veces. Para determinar si la máquina esconstruida para el fin que se destina.574 .008yn=6. automáticamente tomarÍamos como 0. L7 .0'6n Realmente el área entre -f. Sin embargo. Se sigue que el tamaño de la muestra debe ser al menos 31g. Para decir. Así pues. Cuando un punt'o se rale de estoe límite¡ control (tal como en la tercera muestra tomada el jueves).5.584 pulgadas.584 pulgadasi ee supone que la máquina es a- (2) De otro modo.6 a la izquierda ae es 0.n: 318.524 * Puestoque De aquí que la regla de decición eea como sigue: (l ) Si la media muestral decuada para el trabajo pedido.7 BVo o brevemente lfmite¡ 3o. dentro del intervalo 0.5.014l\/6\ y (0.5n = 1. e¡ decir.008 pulgadas.806y'-n es De (3) y (4). 7'l2. (2) es una cantidad muy aproximada.6 r¿ * 0.96 r ó (Sl u. .o:0. Obeérvese que tomando la probabilidad de aceptación como De(/) x . se adopta la riguiente regla de decisión: (o) Se acepta la hipótesiep:0.

Así pues. página 178. El ajuste se observa que es bueno. dondep y q son las probabilidades resy sello en un solo lanzamiento de la moneda.30.0332 0.2 ó 316 308.1507 0.9 ó 162 316.30. x F a os74 a a a t I a : o 0 s64 o Fis.2 t44 342 287 164 25 7. Tabla 7-5 Número de caras (r caras) Frecuencia esperada Frecuencia observada 38 0 1 0.1: np : 6p.¿94)¡(0. página 163 puede ajustarse a una distribución normal.3087 2 3 ^ 0..0294 5 6 33 161. La bondad del ajuste se estudia en eI ProblemaT.31.47 rooo Igualando las medias teóricas y real se tiene 5p da viene dada por /(r) = .47 6 p :0. Utilizar papel gráfico de probabilidad para determinar si la dist¡ibución de frecuencias de la Tabla 5-2. : 2. La media del número de caras es ¡.1619 0.3162 0. la media del número de caras es 2fr_ / _2470=2. Ajustar una distribución binomial pectivas de cara a los datos del Problema 5. Para la distribución de frecuencias observada.506)5-¡.(0.494. 7-12 AJUSTE DE DATOS A DISTRIBUCIONES TÉORICAS 7.4 6 29 33.C.7l ENSAYOS DE HIPOTESIS Y SIGNIFICACION 297 Lunes Martes Miércoles Jueves Viernes $ € bD osal 1} a a t ü {. Se tiene P(x caras en una serie de 5 lanzamientos) : f(¡) = sCrprqs-". la distribución binomial ajusta- En la Tabla 7-5 se han obtenido estas probabilidades así como las f¡ecuencias esperadas (teóricas) y las observadag.7 ó 309 150. .43.cAP.7 ó 151 29.

Por lo anterior.4177 0.2771 0.41 0.0 100. Par:a.6? 0.grófico de probabilidad eepecial. El grado en que los puntoe así dibujados ee encuentran sobre una lÍnea recta. De aquÍ se sacan las áreas bajo la curva normal entre los valores sucesivos de ¿.32.0 65. se observa que hay una distribución normal que se ajusta e¡trechamente a los daüos. La¡az6¡ de esto se ve claramente con un diagrama.46 pulgadar.36 1.92 ó 39 27.43 ít 7 4. donde la media i y la desviación típica 6 se han obtenido en los Problemas 5.5 menor que 70.72 -1. 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. Multiplicando lo¡ valores de la quinta columna (que representan las frecuencias relativas) por la frecuencia total n (en e¡te ceso n = 100). dadas en la quinta columna. se rutiliz. determina la bondad de ajuste de la distribución dada a la distribución normal.40 respectiva- La cua¡ta columna.68 6 2l 38.5 66.238 ENSAYOS DE HIPOTESIS Y SIGNIFICACION Tabla [cAP.7L 6 28 7. La "bondad {el ajuste" de la distribución qe congidera en el Problema ?. ? 76 Frecuenei¡¡ Estatun (pulgad¡¡) menor que 61.0 23.70 -0.2068 6L65 6&68 69-71 68. en un papel.0 Io a E ql € ó a () 95 90 80 70 Q0 a (t 6 .5 7t. como se muestra en la Tabla 7-6.6 menor que 67.z z = . se obtienen lae frecuencias esperadas de la sexta columna.5 oD. página 163. = 61. Ajustar una cunra nonnal a los datos de la Tabla 5-2. 7.44. 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). caicular e de los límites reales de clase.6 68.6 &tatura (pulgada¡) Fis. 7-13.32.6 ¡¡+ 0.4920 0.E 50 40 30 20 Primero. anotadas en la última eolumna. como se ve en la Fig.0743 72-74 6 4 20. Véase o a I É to 5 o a d E 62. Y se pone de manifiesto que ee ajuetan ba¡tante bien con las frecuencias observadas realmente.39 2.92 pulgadas (x mente El trabajo puede organiza¡se como en la Tabla 7 -7 .0 92. que da las áreas bajo la curva normal de 0 a z se obtiene con la tabla del Apéndice C.35 y 5. . Después. las frecuencias relativa¡ acumuladas expreeadar en porcentajes.6 74.6 menor que 73.5 7L.tlls.5 7¡. ?-r3 hoblema ?.6 menor que 64.t3 D 18 42 27 8 ñ.3892 0. s = 2. la distribución de frecuencia¡ dada se convierte en una di¡tribución de frecuencia¡ relativas acumuladas.a -2. son pasadas sobre los límites reales superiores de clase.0413 0.5 62.6 Rcl¡tiv¡¡ Acumulada¡ (%) 6.

36. Las frecuencias de caras y sellos observadas son. Ensayar la hipótesis de que la moneda está bien hecha con un nivel de significación del (c) 0. Entonces y eeüos esperadas si la moneda está bien hecha son np : 100.1. Entonces.05. La Tabla 7-8 muestra el número de días f durante un período de 50 días. Para una verdadera distribución de Poisson.4066 0. da 0.v: + (85:!00)2 = 100 h 4.CUADRADO ?. blemente bíen heclu.56 6 ó 20 18 8 2 1 0. Para conveniencia de la comparación.84.f 0l2r + : (21)(0) '50 (18X1) + (7X2) + (?liQ_l q)(a) = .50 pótesis de que la moneda está bien hecha al nivel de significaeión del 0. respecti- xz = (o) El valor crítico (b @t:lptlz -(rz:. de acuerdo con la distribución de Poisson. > 3.50 . Comparando con el valor de \ : 0. Entonces.'12 ¡ 85. hi' la ) El valor crítico xlso para 1 grado de libertad = 6. ?] ENSAYOS DE HTPOTbSIS Y SIGNIFTCACION Tabla 239 7-t 7.1647 espeado 20. puede ser esto un indicio de la adaptabilidad de la distribución de Poison a la muestra de datos.05.01. El número medio de accidentes es Número de I Número de accidentes. la euarta columna que da los números de días observados se ha repetido. respectivamente rr = 115. la varianza d : L. Las frecuencias de caras vamente. . véaee método 1 del Pro" blema 7.eo Entonces. Ajustar los datos a una distribución de Poisson. Tabla 7-9 Número de accidentes. a¡í com. 100 sellos) es h:2.60 hipótesis de que la moneda está bien hecha al nivel de significación del 0.90 hallado.01.33 I 2 3 18. LA PRUEBA CHI. 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.9?.rj días.* : P(r accidentes) 1118 2 7 o. np2 : tOO. 313 {11 = Iq"+ill En l¿ T¿ble ?-9 aparecen lae probabilidadee para 0. (b) 0.2.63.7:2 -L = l.CAP.24 2.0494 0. durante los cuales r autos tuvieron accidentes en una ciudad.o loe números teóricos de días en los que ee presentarán ¡ accidentes (obtenidos multiplicando las correspondientes probabilidades por 50).3659 0.3 y 4 accidentes de esta distribución de Poisson. El cálculo de la varianza de la distribución da' da.np)z npt npz - (115__100)2 Pueeto que el número de categorías o clases (caras. < 6.0111 4 6 6 ó Nótese que el ajuste de los datos dados a una distribución de Poiseon es bueno. puesto que 4.63. 0 r N(rmero de dÍasr Número de días obsen¡ado 2L 18 7 3 1 {r accidentes) 0.34. En 200 lanzamientos de una moneda se obsen'aron 115 caral¡ y 85 sellos. se rechaza la xlo¡ para 1 grado de libertad es 3.47 0.33.. puesto que 4.30 8.84.

2o5 < 6.35.01 el intervalo sería -2.58. la media y la desviación tÍpica del número de caras espe- : (l1b -lOO)t7. (rt-nptl2 .34 que la hipótesis se rechaza al nivel de 0.5) =100yo=1fipq=/IZOO¡O. Entonces.S¡(0f)--7.05.36.07. Nótese que el cuadrado del valor anterior.5 o más caras.v:h-1-:6-1:b.15.b8 a2. El valor crítico a2e5 para 5 gados de libertad es 11.5)z _ .86. (185 _ __ 1001 Í4.05)2 7 -37. Se sigue como en el Problema 7.00 la hipótesis de que el dado está bien hecho. 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. solucionar el Problema 7. de modo que X2 : 5. .86. (rr.34 utilizando la corrección de yates. (2. (ZJ2)2 : 4. 115 caras en unidades tipificadas Bajo la hipótesis de que la moneda está bien hecha.06. Método 2. Ensayar la hipótesis de que el dado esté bien hecho al nivel de significación del 0. es igual al valor de ¡2 corregido con la corrección de Yates p¡ra la continuidad del Problema7. (rz-npzl2 . dades tipifica¿¿5 : 4.93_4)' _(15-20\2 .5. 7. ^-------::-:-.0.240 ENSAYOS DE HIPOTESIS Y SIGNIFICACION [cAP.7OO)17 . 7.s)z = 100_ 100 tt q^< 4.34 mediante la aproximación normal respectivamente. (23-20)2 +--lO .ema se cumple siempre que la prueba de chi-cuadrado comprende dos categoiías. Solucionar el Problema 7.zvb Puesto que 4'205 > 3.)z . Con la corrección para la continuidad.35.63 se deducen las mismas conclusiones que en el Problema ?.86. si el valor de z está fuera del intervato -1.00 > 1.96 a 1.34' Esto Con un nivel de significación del 0. es el mismo valor de X2 obtenido en el probl. (24-20\2.2.6)esh:6. se rechaza la hipótesis de que la moneda eetá bien hecha. (16_20¡z _ *--lO-+ +ñ=5. Entonces 114. véase método 2 del Problema 2.O7 : 2.00 20-+ n 20 Puestoqueelnúmerodecategoríasoclases(carasl.05 pero no al de 0. a la distribución binomial. Véase Problema 4. de nuevo en consecuencia del Problema 4.-nps)2 (ra-npe)2 < 11.5)2 . no se puede rechazar Para 5 grados de libertad x%s: 1. Esto se cumple siempre que la prueba de chiruadrado eomprende dos categorías y se aplica la corrección de Yates.5 .5 en uni: (114.15.05 y un ensayo bilateral. ? 7.npr o _ (rt-np)2 . radasen200 lanzamientosdelamonedason¡r=np=(200)(0.84.96. Pa¡a una comparación con los métodos a4teriores. Con un nivel de 0.1.01.1.07 :2.5)z = _100 )_ (L[. (rs-np¡.60.4. puesto que 5.g. De ello se sigue que la concordancia entre ambas frecuencias no es tan buena como para no dudar de Io deducido.84 y 4. Método 1. Esto conduce a las mismas conclusiones que por el primer método. x2 (conegida) = = (lzt - nptl nPt 1001 0'5)z + !1""- np2l npz - 0'5\2 (1115 - 100 _ 0. Nótese que el cuadrado de este valor.20. 115 o más caras equivale a 114.L2. La Tabla 7-10 muestra las frecuencias observadas y esperadas allanzat un dado 120 veces.

se esperarían fttssel = -- 312.h=4yelnúmerodegradosdelibertadesv=4-1=3.39. 101 rugosos y amarillos y 32 rugosos y verdes. .470 Puestoquehaycuatrocategorías. x?ss: 11.01. 7. que la Nótese que para 3 gtados de libertad.352 y X2 :0. de modo que no se puede rechazar la teoría al nivel de 0.76 *W = 0. ?. En los erperimentos de Mendel con guisantes. Se deduce que cabe sospechar alguna tendencia no aleatoria en dicha tabla de números.01.3. ..cAP. Una tabla de números aleatorios de 250 dígitos mostró la distribución delosdígitos 0.7.05.38. .. x2. la aproximación de chi-cuadrado será errónea.ss= = 3. ¿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.2.352. 108lisos y verdes.4?O > 0. 4 amarillas y 1 verde.L.zS lisos y verdes Struol = frtssol 104. Una muestra de 12 bolas extraída aleatoriamente de la urna dio 2 rojas. (b) 0. naranja.81. ¿Hay alguna evidencia que permitadudarde su teoría al nivel de significación del (a) 0. Bajo la hipótesie de que la urna contiene proporciones iguales de los cuatro colores. cabría esperar 3 bolas de cada clase en la muestra de 12 bola¡.75lisosy amarillos tol. de modo que no se puede rechazar la teoría al nivel de 0. obseryó 315 lisos y amarillos. Para evitar esto se agrupan las categorías de modo que los núme¡os esperados en cada categoría sea al menos 5. De modo que aunque el acuerdo es bueno. 5 naranjas.76\2 3t2. : 3. 9 que se da en la Tabla 7-11. .01. ¡$5: 0. r ry = 2s. Puesto que eetos números esperados Bon menores de 5. ?. .05? El número total de guisantes es 315 + 108 + 101 + 32:556. Se deduce pues. Ensayar la hipótesis de que la urna contenga proporciones iguales de los diferentes colores. loe resultados obtenidoe están sujetoe a unh razonable influencia de error muestral.g El valor crítico d" x.7I ENSAYOS DE HIPOTESIS Y SIGNIFICACION 241 7.como 23. amari'llo y verde. teoría y los reeultados del experimento están de acuerdo.3 >2!3 sededucequeladistribución observada dífiere significativamente de la esperada al nivel de significación del 0.zb rugosoe y verdes ft Entonces tssol = x2= (o) (b) Para v Para v (3L5 3L2.40. estos números deberían presentarse en la proporción 9:3:3:1. Una uma contiene un gran número de bolas de cuatro eolores dife¡entes: rojo. Puesto que los números esperados están en la proporción 9:3:3:1 (y 9 * 3 + 3 + 1 : 16). De acuerdo con su teoría.26 rugosos y amarilloe B4.Qe-2512 try+ .'nr parav: h -1:9 gradosdelibertad es21-.

07 Parav:2-1:7. se tiene (9 ^cuando las proporciones de los colores sean iguales.Asínosepuedetechazrlahipótesisalniveldesignificacióndel 0. ¿Es el resultado consistente con la hipótesis de que el nacimiento de varón y hembra son igualmente probables? .rP. En 360 lanzamientos de un par de dados.. para las que la muestra dio 3 y 9 bolas.05.05. se tiene (174 (correglda. en 360 lanzamientos cabría esperar "siete" y 1/18(360):20 veces "once". no se rechazaría la hipótesis al nivel de 0. respectivamente. (4--3)2 . En general.Entonces.05(aunque sí se puede al nivel de 0. (24-20\2 . se tiene x: = 0qj:_6Fo. Puesto que el número esperado en cada categoría bajo la hipótesis de iguales proporciones es 6. de modo que (74-60)2 . En tales casos.tz.65 De acuerdo.0. De otro modo. Los resultados observados pueden imaginablemente deberse al azar. "Siete" se puede presentar de 6 formas y "once" de 2 formas.5)2 (124 - 2ol - 0.84seestaríainclinandoarechazarlahipótebien. se agrupan las categorías de forma que la evidencia en contra de Ia hipótesis se muestre claramente.r que conduce a las mismas conclusiones anteriores.84. (5-e)z . de aquí que cuando no sea aconsejable agrupar frecuencias se debe recurrir a los métodos exactos de probabilidad incluyendo la distribución multinomial. la aproximación ¡' para frecuencias pequeñas es pobre.41.242 ENSAYOS DE HIPOTESIS Y SIGNIFICACION [cAP.puestoque4. 7. Un par de dados puede caer de 36 formas.05. se rechazaría la hipótesis a algún otro nivel (tal como 0. pues con la X2 corregida. - e¡z -9 Parav:2-l:1. Sin embargo. x' _ (1 -3¡:r ooo Puestoqueparav=4-1:3.42.:?.5)2 #-g*): = 3.1.xjr¡. Esto se consigue en nuestro caso considerando las categorías "roja o verde" y "naranja o amarilla". .10).84. aun Otro método: Utilizando la corrección de Yates.) x2 _ = -6-. l)na encuesta sobre 320 familias con 5 niños dio la distribución que aparece en la Tabla ?-12. ? Si se desea rechazar la hipótesis.ü. para grandes muestras tales como las de aquí. Ento¡-.0?>3. = siempre reduce el valor de ¡2 .10).81 sellegaríaalasmismasconclusionesqueantes.Desgraciadamente. Esto cabía esperarse puesto que la corrección de Yates Debe ponerse de manifiesto que si se emplea la aproximación de siado pequeñas.ces P("siete") : 1/6(360):60 veces 6/36 : 1/6 y P("once") :2136: 1/18. z.-ss:3. Sin embargo. = - 60l 60 - . se obtendría ¡2 a pesar de que las frecuencias sean dema- (2-3¡z . 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. empleando la corrección de Yates. 7.:-:_+r::__-::_:sis de que los dados estén X¿ 4. Ensayar la hipótesis de que el dado esté bien hecho al nivel de significación de 0. los resultados que se obtienen utilizando la correc- ción de Yates son más dignos de confianza que los resultados no corregidos. Así pues. se duda acerca de la decisión que se debe tomar.(ig:lf-!éE. se observaron 74 veces "siete" y 24 veces "once".x2l)s==3. puesto que incluso el valor corregido de y2 se encuentra cerca del valor crítico. = ry.

Así se deduce que los reeultados son probablemente significativos y el nacimiento de varón y hembra no son probablemente iguales. es decir.68 38.?11.--lóo:t- .3.= (s8_33.(L44_161. v : k .^ _ (18_10)2 (56_60)2.=--_a6---_Eñ-----Jó¡-----i6b--_-Ed..z = 6 4.7t 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).---T08J. cabría esperar que 70 individuos de cada uno de los grupos Be recuperase y 30 en cada grupo no se recuperase. Se deduce que el ajuste de los datos es muy bueno.Entonpiobabilidadee de (5 niños).1y0 niño¡seobtienemultiplicandolasres' (40-50)2. .1 .1 para y:61:6gtadosdelibertad. Pa¡a rr = 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. Adviértaoe que ¡fo es equiyalente a afirma¡ que la recuperación eeindependie¿úe del empleo del suero. 7.?11. pero no al 0. De aquf queel ajuste de creerse. .(287_308. BONDAD DE AJUSTE ?. (164-150. (88_100)2.13 utilizando la prueba chi-cuadrado.yg:1-p:probabilidaddenacimientodehembra.05.. 50.1 .?)2. el ajuate no es tan bueno como pudiera = 4. Utilizar la pmeba chi-cuad¡ado para determinar la bondad de ajuste de los datos del Problema 7. 2.1 : 4.13 *(18-2-0:68)2 *(a2:^-39=92\2-(27:3ft7rl2 *(8:?'j13)z:0..". x2. . Para y : 4. .49..?)2 .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 .U Puesto que x:e5:11. . el ajuste no es "demaiido bueno". Solucionar el Problema 7.959 7.m : 6 . pectivas probabilidades anteriores por 320. La¡ condiciones del problema se presentan en la Tabla ?-13. x. Bajo la hipóteeis nula lfq de que el suero no tie' ne efecto.cA¡.serechazarálahipótesisalnivel de significación del 0.-r3)2 .i". (4 niños y 1 niña).1 y x. Para V 1 (que er el pará- los datos es muy bueno. Asf'puesto que X2 = 7 .sss:15.32.4.2)2 . 10.212.9)2 .(26-29. De aquí (8_10)2 _. (110_100)2.:z .44.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. .--_-16-_¡&. x. 100. Seap:probabilidaddenacimientodevarón.30. 7l ENSAYOS DE HIPOTESIS Y SIGNIFICACION Tabla ?.99.(342_316. Para v : 2 (que son la me- = 2.412_ -58:t-- .---r¡If.m : 5 .!.--I¡Ié- . . puesto que X2 = 0.L . y los reaultados son 10.os:0.45. lag cla¡ificaciones 8on independientes.103.103.os= 5. xL¡s:0. v = k . 50. 100. Determina¡ la bondad de ajuste de los datos del Problema 7. como 8e indica en la Tabla ?-14.43 20. Entonces. "!ü Puesto que el número de parámetros utilizados para estimar las frecuencias esperads e8 m metro p de la dietribución binomial).-El: .959 > 0.2 : 2.1 . X?ss = 9. TABLAS DE CONTINGENCIA 7.01.92 27..64 > O.-.43.x2.

¡. Nótese que X2 : 2.54.10 uüilizando z. 200 140 30)2 o _ (75 x-1rc-?o70)2 - 70)2 . ya que.38 < 3.47.A Grupo B TOTAL 140 60 200 Puesto eue X.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. or^_. pero en la que solamente se han puesto los totales. x2)x2ss correrpondea x>x.84 para 1 grado de libertad y puesto que ¡2 = 2. 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. como en la página 215 (véase Problema ?. ? Tabl¡ 7-14 FRECUENCTAS ESPEBADAS BAJO Ho Se re. = I.05 utilizando X" equivale a rechazar esta hipótesis con un ensayo unilateral al nivel de 0.5)2 * ----?O- (i65-701 -0. En la Tabla 7-16 se indican los estudiantes aprobados y suspendidos por 3 profesores: Sr. Está claro que solamente se tiene libertad lara colocar un número en una de las cuatro casillas vacías.ss : 3.46.13 FRECUENCIAS OBSERVADAS Se re. X.5)2 * ----TO* ?O S0 _ . al rechaza¡ una hipótesis al nivel de 0. En general.-. Tabla ?-16 FRECUENCIAS OBSIERVADAS Sr.profesores son iguales. Y 47 L4 61 Sr. ya que la corrección de Yates siempre disminuye el valor de ¡¿". Z.51). 7. conaidérese la Tabla 7-15.--. Y y Sr. porejemplo. pueeto que una vez hecho esto loq números de las restantes casiüas vienen obligados por los üotales ya indicados. Se No ¡e recuperan recuperan TOTAL 100 100 Grupo.No ee recuperan cupetan TOTAL [cAP.13. 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. X Sr. drado Cel valor de z.45 son también válidas aquí.5)r . ^. (35-301 -0. se deduce que lob resultados no son significativos al nivel de 0.Xz egelcua- Nótese también que yn ensayo unilateral utiliaando ¡12 equivale a un enEayo bilateral utilizando. (125-301 -0.05.^se sigue que X er lo mismo que z en este caso.244 ENSAYOS DE HIPOTESIS Y SIGNIFICACION Tabla 7.45 aplicando la corrección de Yates.!t_. De modo que hay un grado de libertad.gs.e5óx{-x. Solucionar el Problema 7. Sr.Puestoqueparalastablas2Xz. que es igual a la¡ dos dadas anteriormente. Esto podría haberse visto rápidamente. _ ¡¡ (corre(rda) = (i75 -70\.30\2 (36 *ffi = 2'38 Tabla 7-16 Para determinar el número de grados de libertad. 7.5)2 . Asf pues.0. Ensayar la hipótesis de que las proporciones de estudiantes suspendidos por los tres . obtenido en el Problema ?.vó Obteniéndose que las conclusiones del Problema 7.84.38 es el cuadrado del valor de z : 1. habrían suspendido 27 lL80 : Iíc/o de los estudiantes y DO .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.

de otra forma se necesitan ajustes como los descritos en ( b ).61.60-=4. Nótese. 7.85 85V" d.15 61 15% de 64 8.núnR/n "r'.1). 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. Y St. que es igual que la Tabla 7-L7 pero en la que solamente se han puesto los totales.60 64 180 64 180 Entonces o x-. X ¿IO Tabla 7-18 Sr.-.40)2 (5-8. se puede rechazar lfs aI nivel de 0. Se deduce que el número de gtados de libertad hk .25 OD : didos TOTAL 55 61 9. 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.99. Así pues. todos los números restantes vienen obligados por lo8 totales.ó+ Pa¡a determinar el número de grados de libertad. * ó1)(o1 * o2) o1*óq*a21b2 n a2b.ecuencias teóiicas. . (47. Í4-9. k > 1) el número de grados de libereg * & - 1 totales independientes de un total hÉ. Puesto que x. Y 85% de S¡.e 64 54.48.(h+Ic-l) = (h-lx/ú- 1) como se requería.75\2 .1Xk . Entonce8 *. at__n_ = -nrrxJn (ór nrnsln)2 (b2.75 = = 51. que puesto que x:eg : 4._ (50-46. Está claro que como cada fila y cada columna han decumplir con loü totales.85)2 (56-54.15)2 (8-9.zs¡ : 5. los resultados esperados bajo la hipótesis nula aparecen en la Tabla 7-20. Pero : (ar- nrnn/n)z (a". no se puede rechazar I/e al nivel de 0. considérese la Tabla 7-18.n"n¡ln\z' nrnn/n ntftl. Nótese que este resultado es válido si se conocen los parámetros poblacionales necegarios para obtener las fr.51.r"/" a1b2 (o. Tabla 7-17 ITRECUENCIAS ESPERADAS RAJO Sr.5135-547ó-----d25 9J5 --.10 si se está dispuesto a correr el riesgo de estar equivocado 1 vez de cada 10. 153 qn X Sr. Z TOTAL 153 27 Aprobair¡c didos TOTAL 85% de 55 : 6l 4G. después de lo cual. 7.40 : Aprobados Suapen- Suspen.L5% de 55 : I5% de 6t 9. ?] ENSAYOS DE HIPOTESIS Y SIGNIFICACION habrían aprobado el 86Vo de los estudiantes.25)2 . Mostrar que para una tabla de contingenciah X h tad es (h .n2nslnl2 .60)2 4175 -.49. sin embargo. Las frecuencias esperadas bajo FI¡ se muestran en la Tabla 7-17. 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.gina 22O . Z TOTAI.05. hay en este caso dos grados de libertad. pá.CAP. Hay h (fz > 1.

ür : 'tL¡ = flP. Ilustrar el resultado del Problema 7. - O2 l¿z' fL¡ tl' ó. de modo que (r) (4) ú1 = nlPy az = nzPz. nt=140. a2=26.49 da x2 = n(1aft2.ozbr\2 n /orbz-ozót\2 ml?¿B\ n n nzn¡\ n n¡r¡\ / / / n fatbr-tzDt\2 n ?zrs\ / que al simplificar. bz:35.azbtl . (/ ) se remplaza por (21 "rr"r"^"" : nL2 nrnznAnB x2 (conegida¡ n(ltl.bq - aqb'12 donde A:&tbz-azbt.49. n2:60. Denótese por P1 y P2 las dos proporciones muestrales y blema 7.ln)? = -"r!rrrñr" 7.49 x2= n(ap2. C= vra = {*#fu : r/d'6112e = 0'1084 . se puede escribir az-ry = ur-ry = Í2fts .=. Con referencia al Pro- (r) (2') P. 1-Pr . ns = ür*ó2. da x' : D'- n(a.P)2 que es el cuadrado del estadístico Z.38 : Empleando la corrección de Yates.45.246 ENSAYOS DE HIPOTESIS Y SIGNIFICACION lcAP. frA=úr*az. dado en (IO) en la página 215. se tiene p la proporción poblacional. ns = 100. COEFICIENTE DE CONTINGENCIA ?.50. Dr = 65.. f.Prl . bz = nz(l- Pz) tlg = flq Utilizando (3) y (4). el resulüado eg el mismo que en el Problema 7.46 ¡2 (corregida) = ---ñ^"" - = - (25X65)l (140)(60X100X100) . = #. P.tn)z = 200il(?5x35) 2.49 paralos datos del Problem^I. 7 Análogamenta Así.51.52..n2P2n{l . Or--m arb2 = - a2b. ^ (t) n /otbr-ozbt\2 n lotbr.Pr)]2 nrnínpnq = nfri\+LlllrJ (Ya que n = nt+tt2l (Pt.4S. a1 =75. Halla¡ el coeficiente de contingencia para los datos de la tabla de contingencia del Problema 7. entonces riI ) del Problema 7. Sise aplica la corrección de Yates. -flg L-p l-P2 = bc -= = q = -.P)2 nWtPrA$ . n1=at*b¡ nz=a2*b2.a2b)2 -T nrn2nAnB nrn2(Pr.=&r*a2*b1*b2. r¿¡ = 100.10012 = 1.45. r¿r(1 - Pr). 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). yn:2OO.93 7. EnelProblemaT.. . ¡e tiene del Problema 7.

(a) Sip : 0. La probabilidad de conteetar correctamenté Bajo la hipótesisp r pregunta¡ de las 10 será rcCrqqto-'.cAP.6)8(0. (c)p : 0.. el e¡tudiante acierta alazar).(.1?19. En tal caso. Esta tabla de contingencia aparece en la Tabla 7-21. 7l ENSAYOS DE HIPOTESIS Y STGNIFICACION 24V 7.3./Zt(xz + n'l = t/ñl@6T 2oo-) = 0.9.". (Véase Problema 7 . Pueeto que las frecueneias eeperadas.X.-60 .----80Entonceg el valor máximo de C e¡ .ro)¿ . Para taleo ca¡os. Hallar el valor máximo de C para la tabla 2X 2 del Problema 7.6)?(0.13.54.54. (f) p : 0.7)7(0.o.3)2+ r0Ca(0.4.(iX. 7.6)e(0. (ii) en caso contrario. P(7 o más correctas) : P(7 correctas) * P(8 conectas) + P(9 corectae) * P(10 correctae) = . " x.i .5 (ee decir.55.---80. Hallar la probabilidad de rechazar la hipótesis cuando es corTecta..60)2 50 .6.ueno) TOTAL 100 (irupo ó 0 100 100 100 100 200 . (e) p : 0. en la gue el número de fil¡s y columnas eon ambas iguales a &.[roOi(0.¡* . la probabiüdad de decidi¡ que el eetudiante no reeponde al aza¡ cuando es que si. C.". adopta la siguiente regla de decisión: (i) si 7 o más respuestas son acertadas el estudiante no las acierta por casualidad. Seap la probabilidad de que una pregunta sea contestada correctamente.50)2 (0 .8.2.. (d) p : O. todor loe que tomen el suero 8e recuperarán y todor lor que no se lo tomen no Be recuperarán. (100 .".7)8(0.(á) = 0. En el Problema 7. Para ensaya¡ la hipótesis de que el estudiante acierte por car¡udidad.53.= (100 zw En general. suponiendo independencia total. donde g =L- p.t. D Tabl.7)e(0. hallar la probabilidad de aceptar la hipótesisp = 0... = 0. PROBLEMAS DIVERSOS 7. las únicas frecuenci¡¡ de casillas que no Eon cero aparecen en la diagonal que baja de izquierda a derecha de la tabla. do¡ clasificaciones son perfectamente dependiente¡ o a¡ociadas.3)10] = 0..L27). para la dependencia total en uua tabla de conüingencia. (b)P : 0..5 cuando realmente (a) p : 0.4) + 10010(0. hallar la probabilidad de aceptar la hipótesis p P : 0. el estudiante está adivinando.? Bajo la hipótesis p P(menoc de 7 corectas) : - 1 -P(7 o mác conectas) 1 .0o)z (0 . = 1/@-ffi. Un instructor hace un cuestionario forurado por 10 preguntas falso-verdadero.?1e Asi ee que ésta pues. ee 0.?0?1.(+Xá) * .3)3+ r0Cs(0. son todas igualea a 50.21 valor máximo de C ee presenta cuando la¡ Se recuperan No se recuperan 0 TOTAL 100 GrupoA (utilizando auero) (no utilizando .4)3+ roOs(0.6)101 = 0.3) + r0Cr0(0.". En el problema 7.64.618 . .5 cuando realmente = O'7' : O.3504 7.56.(g)p : O. Nótees la probabilidad de error del fipo I.4)2+ ro0a(0.6 la probabilidad pedida será 1 - [P(? conectas) * P(8 correctas) + P(9 cotrectas) + P(10 correctas)] =|- ho0?(0.a 7.

¡qn.4 0.01 (es decir. pero no al 0.03125.05.1?19 : 0. la moneda está bien hecha). **. Ad- la curva OC del 06 Si se hubiese dibujado (1 -p) yp.989 0. 7-14. 7. p + 0. Utilizar el Problema 7. 03 02 0.57. . 2.01.56 para construir el gráfico de É y p obteniendo así la cun¡a característica de operación de la regla de decisión del Problema.5 dado por p : 1 .t v i.05.01. 1.1 El grafico indica que la regla de decisión dada ee muy odecuado para rechazat p:0.5 cuando realmente p > 0.!¡. como se muestra gráficamente en la di¡tribución de probabilidad de la Fig.05 ó 0. ¿Puede deducirse que al nivel de significación (c) 0. viértase la semejanza con Problema 7-27.2 0.248 ENSAYOS DE HIPOTESIS Y SIGNIFICACION [cAP.999 0. l0 09 08 0? El gráfico pedido es el de la Fig. 7-15.2188. .05 ó 0.5).65.618 0.Puesto queP(6 caras): f¡ :0.000 0.05 y (b) 0.1. Sea p la probabilidad de ca¡a en un solo lanzamiento de la moneda.trf6 llnivelde . 7.5 0.0. Bajo la hipótesis (Ho: p: 0.945 0.59. $oluciona¡ el Problema 7.7 0. 0.1094. Puesto queP(0 ó no ee puede rec}ntzar H¡ al nivel de 1ó 5 ó 6 caras) = 2(t) = 0.6) y (Ht: p > 0. se puede rechazar. caraa en 6 f(x\ = P(x lanzamientos) = Entonces lae probabilidsdes de 0. Una moneda que se lanza 6 veces da 6 veces cara. Nótese que la probabilidad se denota por p (probabilidad de error del Tipo II).54.01.01). no se puederechazar. Tabl¡ ?-22 p B 01 1.64. +i.t+. respectivamente. (c).3 0.06.121 0. por #.013 0 828 7. ee puede rechazar ñfe Ensayo bilateral: al nivel 0.5)(ee decir.5).6 0. Puesto que P(0 ó 6 carar): t'o+* = 0. el resultado observbdo es significativo al nivel 0. Se ha irrcluido también el valor para p : 0.8. . 0. . Ensayo u¡ilateral. Pueeto que P(6 ó 6 earar): * + # = éa:0.8 0.6 y 6 caras son dadas.01 la moneda no está bien hecha? Considerar ensayos de una y dos colas.01662 y P(6 ó 6 carad) = * +-# : 0.828 del Problema 7. Ensayo unilateral: Aquí se deeea decidi¡ entre las hipótesis (Ho: p: 0. 3.Ele al nivel 0. si en la moneda sale 5 veces cara.350 0. 4.58. pero no d 0.7 hallado en el Problema 7 . pero no al 0. (g) pueden hallar¡e análogamente y se indican en la Tabla 7-22 junto con el valor correspondiente a p : 4.1094.ó) y (Ht:. se habría obtenido la curvo de potencia de la regla de decisión. Ensayo bilateral. ? Loa resultados de (b).9 0. Aquí se desea decidir entre la¡ hipótesir (Ho: p : 0.68.

= (nP . p I Frecuencb observada Frecuencia esperada nP np II n(l. sabemos del hoblema 4.'..= ut.." Por tanüo (2) ee conüerte en P(Yr=Ur. (5) de la página 214.¡Yt=Ur Y Yt+Yz+ "' *Y¡r= P(Yr+ Yz| "' * Y¡ = n¡ e-n n¡ Entonces..96. página 118]. iYr.61.págtna 218. que Yr + Y. Sin embargo...cAP. tiene aproximadamente una distribución chi-cuadrado.1'"'-. Suponga que Xt.¡p_r¡rll*l)q/ = '' \P Pq = (P-.endientec..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. el numerador en (2) tiene. yx= ax) = 19#)1-+gj.7l ENSAYOS DE HIPOTESIS Y SIGNIFICACION 249 7....62.61 demuestra que podemos remplaza¡ las X por lae Y independienúes con dietribución de Poisson ai ae cumple que Y¡ + Y2 + " '* Y¡": ¡.23 Si P es la proporción mue¡tral para La categoes la proporción poblacional y n eo la frecuencia total. página 14?.aL. de acuerdo con la resüricción (221.l\z : npz trr : zpr respectivamente. Asl el denominador tiene el valor "":.. Tabl¡ ?.. .*/t'-^'\' \Vrr. . busc¿ndo está dada por Iadi¡üribucióncondicionalqueeetamos P(Yt.:í-^*f e-^ dondehemo¡uuiüzadoelhechodequept*pz+. . con frecuencias esperadas flPt. npp respectivamente. . de (I ). ......+ph=L..Pl n(l-p)=nq TOTAL n . (21) ea diffcil de manipular ya gue las X di¡üribuidas multinomialmenüe son dep.Yz=U2r .L tu¿cione¡ por medio de la Tabla 7-23.p)z = . Epplear el resultado del ProblemaT. Enüoncec. ce pueden describir las ei- ría I. Mostrrir que una prueba en chi-cuadrado que comprende dos categorías es equivalente al ensayo especial de significación para proporciones (pagina 214). Tal como oe establece. ^#--"Jpltpf2"'plk 7. + ' ' ' + Y¡ es en sí migma una va¡l¡ble de Poi¡eon con parámetro np¡ * np2 + . / \V^r/ \Vrzl ... como se define por (21).Y2=U2. n(P.. Sean f. *Y¡= n¡ = que ee la distribución multinomial de la¡ X [compárese (I6). por definición. el Problema 7. ..60..Yt va¡iablesmutuaÍienteiñdependientes con dist¡ibución de Poisson y parámetros tr¡ : npt.Y¡=Ur I Yz* . *Y¡r= n¡ PlYr=At. i npn: n.. Yr + )..nPz. y2= u2. Por t¿nto reeecribimo¡ (2/ ) como (r) x2 = /t'=^')'*f"'=^'\'*.. el valor En cuanto aI denojminador..tYx=at I Yr* Yz-1. Pa¡a la función de probabüdad conjunta de ft l¡¡ Y tenemos (r) (21 p(y. Xz X¡ tienen una distribución multinomial. .Yz=Az.6t pa¡a demostrar que ¡2. Demostra¡ que la dist¡ibución condicional de las f dado que Yt*Yz+ "'+Yx = es precisamente la distribución multinomial de las X.p)2 PQI'I¿ 7.

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

Enaayar la hipóteaie de que los dados esüén bien hechos. En una escuela determinada con 200 estudiantes el mismo examen dio una puntuación media de 75.05 desde el punto de vista de (o) un ensayo unilateral y (b) un ensayo bilateral. Un examen sobre una muegtra de 200 de talee equipos reveló que 18 eran defectuosos.. y por tanto a la¡ Y o a las X reduce el número de grados de libertaá en X2 en 1. + V!f.7l ENSAYOS DE HIPOTESIS Y SIGNIFICACION 26L Para evaluar el denominador de (5) notamos que la variable aleato¡ia W = lptZl * es l-p222 + .1i¡ ee rechaza en caso co¡rtra¡io.05.9.ebolac rojas que de azules.7 o. Una urna contiene bolar roja.01.cAP. . Comentar la significación de este resultado al nivel de 0. La "demostración" anterior (que puede hacerse rigurosa) muestra incidentalmente que cada restricción lineal colocada alas Z. 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. Recientemente.e y azules. (¿) ¿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... (o) ¿Qué regla de decisión ?. Discutir las razones de las posibles preferencias de uno de estoe ensayos sobre el otro.63 si ee quisiera que la probabitidad de rechazar la hipótesis siendo realmente conecta sea a lo sumo 0... es decir.(o¡ : 1 s Por tanto la función . Solucionar el Problema 7.05? 7.1 y la desviación típica fue 8.OO. donde z : h - las bases para las reglas dadas en la página 219. erplicando las conclusiones sacadas con estos ensa- . En un examen dado a un gtan número de estudiantes de muchas escuelas distintas.66. se quiere un nivel de significación del 0. Supóngase que en el Problema ?.. Var (W) = pr(l) * pz$) * .e) = p(lWl < e) - e4(0)(Z€) = 7.0ó? (d) ¿Cuál sería la regla de decisión si el nivel de significación fuera del 0.40 onzas.Of O. normal (puesto que e8 una combinación lineal de la¡ variablee Z normaies e independientee). proporción d.63 se desea eneayar la hipóüeeis de que hay moyo. 7. Ensayar la afirmación del fabricante al nivel de aignificación del (o) O. (ó) Interpretar gráficamente la regla de decisión y el resultado obtenido en (o).67. ee decir..01? Se lanza un par de dado¡ 100 veces y se observa que un total de ('siete" apa¡sce 23 veces.65.69. no cargados.01 que el es ahora peor? hilo 7 .0. (o) Hallar la probabilidad de rechazar la hipótesis cuando en realidad aea correcta.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.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. yos.64. Para ensayar la hipóteeis de proporciones iguales de e¡to¡ colores. se adoptarÍa en el Problema 7. Esüo provee Problernas suplem.93 onzas. Un fabricante sostiené que al menos el 95% de los equipos que Euministra a una fábrica eetá de acuerdo con las especificaciones requeridas.01. la puntuación medi¡ fue de 74. y Denominado¡ (. una muestra de 36 piezas de hilo dieron una resistencia media de 8. y que E\W\ = VE(O) + \/p2(o)+ . 7'68.trLtroyo uniiateral y un nivel de significación del 0. * p¡(1) = de den¡idad paraW es p(rr) : (Zr)-r/2e-u2/2. (Zr)-t/2(ze) Al dividir (8) por (9) obtenemos el resultado deseado.66 ei el nivel de significación es del 0. 7.entarios ENSAYOS DE MEDIAS Y PROPORCIONES UTILIZANDO DISTRIBUCIONES NOBMALES ?'63. mediante (of un ensayobilateralyla¡. 7. + {pt Zt.05 y (ó) 0. ¿Se puede deducir al nivel de signüicación del (o) 0.

52 con una desviación típica de 0. Ensayar la hipótesis de que la duración media de las bombillas no ha cambiado.4a. Las especificaciones para Ia producción de una cierta aleación piden el 23.05. En un examen de psicología de 12 estudiantes de una clase hubo una puntuación media de 78 con una desvia- 7.5% y una desviación típica de 0.77. lcAP. 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. A causa de lo costoso del mantenimiento de estas máquinas resulta que a menos que el tiempo 4e producción ee disminuyaen un8.05. 7. Unamuestrade 10 análisis dio una media de contenido en cobre de 23. El número medio de fanegadas de trigo cosechadas por cuadrado en los que se utilizó el fertilizante nuevo fue de 18.01 y (b) 0.7L. En el Problem a 7 .19.70 si el nivel de significación es del 0.05 y (b) 0. 1 . (b) 0.49 con una desviación típica de 0. exposción a la luz del sol.2% de cobre. la puntuación media de 32 niños fue de 72 con una desviación típica de 8. determinar si los dos tipos de soluciones tienen diferentes valores de pH.05 que el producto presenta las especificaciones requeridas? ?.a media y desviación tfpica correspondientes a los otros cuadrados fueron 17.01.2 con una desviación típica de 0. ¿Puede deducirse al nivel de significación del (c) 0.05. En seis pruebas de este tipo se obtuvo un decrecimiento en eI tiempo de producciónde 8.32%. mientras que 15 estudiantes de otra clase tuvieron una puntuación media de 74 con una des- . con los niveles de significación de (o) 0.01 V (b) 0. Utilizar el nivel de significación del 7. < 1-t2O horas. ?.73. Análisis de 5 muestras de B dieron un pH medio de ?.01 las niñastengan mejor ortografía que los niños.63 fanegadas.05. me- 7. 7.76.024.8 y 0. ¿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. Explicar las diferencias entre esto y lo que se pedía en el problema anterior. mientras que la puntuación media de 36 niñas fue de 75 con una desviación tÍpica de 6. . respectivamente. Ensayar la hipótesis de que (o) las dos máquinas tengan diferente calidad de fabricación y (b) la máquina B sea mejor que A. Ensayar la hipótesis de que a los niveles de significación (a) del 0. [. 7.01.01.05 y (b) 0. ensayar la hipótesis de que el nuevo fertilizante sea mejor que el antiguo.24%. todos ellos tenían idénticas características de suelo. Un experto efieiente mantiene que introduciendo un nuevo tipo de maquinaria en un proceso de producción se puede disminuir sustancialmente el tiempo de producción.01? En el Problema 7 .01. 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.05 ensayar la hipótesis de que las máquinas deben ser introducidas. Para ensayar los efectos de un nuevo fertilizante sobre la producción de trigo.05 y (b) 0.76. Análisis de 6 muestras de A dieron un pH medio de 7.7 4.01. Con un nivel de significación del (a) 0.05 y (b) del 0.032.7 8. mediante un nivel de significación del (a) 0. Una muestra de 8 bombillasdelaproducciónactualdiouna du¡aciónmedia de 10?0 horas.79 ensayar la hipótesis de que el contenido medio de cobre sea más alto que el que marcan las especificaciones. Mediante unniveldesignificación del 0. Dos tipos de soluciones químicas. Una muestra de 100 bombillas de un fabricante A dio una duración media de 1190 horas y una desviación típica de 90 horas.252 ENSAYOS DE HIPOTESIS Y SIGNIFICACION Solucionar el Problema 7.01 y (ó) 0.54 fanegadas. A y B fueron ensayadas pa¡a ver su pH (grado de acidez de la solución).a2.72. respectivamente. El nuevo fertilizante se aplicó a 30 de estos cuadrados y el antiguo fertilizante a los restantes. una parcela de terreno se dividió en 60 cuadrados de áreas iguales.05 y (b) 0. ? 7. 7 . Una muestra de 75 bombillas de otro fabricante B dio una duración media de 1230 horas con una desviación típica de 120 horas.7 7 ensayar la hipótesis ¡¡ : 1120 horas contra la hipótesis alternativa tt diante un nivel de significación del (o) 0. ¿Se contradicen los resultados con los del problema anterior? En un examen de ortografía en una escuela elemental.O7o laintroducciónde tales máquinas en eI proceso resulta antieconómico./o con una desviación típica de 0.72 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. ENSAYOS REFERENTES A DIFERENCIAS DEMEDIAS Y PROPORCIONES 7. 0.80.83.8f En el Problema 7. ción típica de 6. etc. Utilizando un nivel de significación del (a) 0.

91. Comparar estas curvas con las del ProblenaT . Representar gráficamente los resultados del Problema ?.86. Para mantener esta calidad de producción. Ensayar la hipótesis de que las temperaturas en esta ciudad presentan ahora menos variabilidad que en el pasado. durante los 15 últimos años.26 y 7 .90 construyendo un gráfico de (c)p V p. un cierto tipo de hilo producido por un fabricante tenía una resistencia media de roüura de 8.85. Comparar estos gráficos con los del Problema ?. desviación típica de las temperatwas anu¡legde una ciudad en un período de 100 años fue de 16" Fahrenheit. se toma una muestra cada 4 horas de 200 de las tuercas producidas. al nivel de significación del (a) 0. Con un nivel de significación del 0.731o ó 3o. La resistencia a la rotura de una muestra de 8 cables dio una desviación típica de 300 libras. Para determinar si el producto está de acuerdo a estas normas. Solucionar el Problema 7.65. Hallar los límites de control del (a) 99.64 onzas y una desviación típica de 1.28 onzas.27 GBAFICOS DE CONTROL DE CALIDAD 7.9. La desviación típica de resistencia a la rotura de ciertos cables producidos por una compañía viene dada por 240 libras. (b ) 0. ?. (o ) Solucionar los Problemas 7 . tienen varianzas dadas por s? : 16 y s2 : 8 respectivamente. (b) 99% sobre un gráfico de control de calidad y explicar sus aplicac¡o- nes. (d) 0. En el Problema 7.82. ?.81 .3. Con la temperatura media del día 15 de cada mes.E8. mediante un nivel de significación del (a ) 0.05.01. Adviértase que en esüe caso solo son necesarios los límiúes de control super.01 . . Determinar los Iímites de control del (a ) 99% y (b)95% pam el número de tuercas defectuosas de cada muestra. (b ) ¿Qué conclusiones pueden sacarse de acuerdo con Ios riesgos de error del Tipo II cuando se incrementan los támaños muestrales? 7 .05. ENSAYOS EN RELACION CON 7 LA DISTBIBUCION F .cAP. En el Problema 7. En relación con el Problema 7. ¿Concluiría que esto no es común? Explicar.05 determinar si el primer grupo do.77 una muestra de 20 bombilta¡ reveló una desviación típica en la duración de 150 horas.6. En el pasado. (c) 0. ?.63. t¿ ?.25 considerando Ia analogía de bolas rojas y azules con caras y sellos respectivamente.05 y (b ) 0. se toma cada 3 horas una muestra de 16 piezas de hilo y se determina la resistencia media.94. (b ) 0. Alrededor del lVo de las tuercas producidas por una compañía son defectuosas.8.CUADRADO 7. ?. Ia desviación típica de las temperaturas anuales fue calculada como de 10o Fahrenheit. Investigar la significación del aparente incremento enla variabilidad.84.27 si se eru¡ayan 400 cuerdas.01? CUBVAS CARACTERISTICAS DE OPEBACION ?.ores. 7.0f . (b) 0. Después de introducir un cambio en el proceso de producción de estos cables. ENSAYOS EN RELACION CON LA DISTBIBI'CION CHI. (e ) 0. Dos muestras consisten de 21 y 9 observaciones.7. determinar Ia probabilidad de aceptar la hipótesis de que haya igual proporción de bolas rojas y azules.95. Ensayar la hipótesis de que la primera varianza poblacional es mayor que la de la segunda a un nivel de significación del (o ) 0.93. ?. una curva de potencia correspondientes al Problema 7.92. cuando la proporción real p de bolas rojas sea (o) 0. 7l ENSAYOS DE HIPOTESIS Y SIGNIFICACION es 263 superior al segun- viación típica de 8. ¿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. (b) (1 -p) y p.89.87 si las dos mueetras con¡i¡ten de 60 y 120 observaciones respectivamente.90. Construir (a) unacurva OC y (ó) .

de probabilidad para determinar si los datos del Problema 5.34 8. Se Tabla 7-28 0 rojo 2 blanco 1 rojo 1 blanco 53 si los extraen aleatoriamente dos bolas de la urna. resultados obtenidos son consistentes (. (b) Determinar al nivel de significación del 0.01. 114 Vier. 6l ?.^ 30 Frecuencia esperada )0 90 3() ?.96.107.LB% B. Mar.106.CUADRADO 7'102' En 60 lanzamientos de una moneda se observaron 37 caras y 23 sellos. 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. 146 t20 7. 10.66 C' 16 D y 12 F.l 1 cara 108 bien hechas.40% C. 7. las puntuaciones dadas por un grupo de profesores en un determinado curso dieron un promedio d. 7 z AJUSTE DE DATOS A DISTRIBUCIONES TEORICAS -24 2 7.105. (b ) 0. El número de defectuosas ""d" fueron 2. Juev. 7. El número de libros sacados de una biblioteca pública durante una semana determinada viene dado en la Tabla ?-22.100.gg. Ajustar una distribución de poisson a los datos del hoblema 2.0r .05 2 rojo 0 blanco Número de extracciones con Ios esperados.e 12% A. con un nivel de significación del (o ) 0.108.100. Este proceso se repite un total de 120 veces y los resultados obtenidos. 7 '97 Ajustar una distribución binomial a los datos dela Tabla 7 _24.05. Ensayar la hipótesis de que el número de libros sacados no dependa del día de la semana. Durante un largo período de tiempo. (á) 0.99. Ajustar una distribución de Poiss<¡n a los datos.98. 3. Número de libros sacados Tabla 7 -27 Lun. Una urna contienc 6 bolas rojas y B blancas. 7.Lg?o D y 12% F. Se eligieron aleatoriamente tuercas de la producción de .05. 3 4 .0b. .se muestran en la Tabla ?-2g. el número de muertos por unidad y año debido a coz de caballo se dan en la Tabla ?-2b.g8 pueden ser aproximados estrechamente a una distribución normal. Se lanzaron tres monedas un total de 240 vese observó cada vez el número de caras obtenido. (o) Determinar las frecuencias esperadas. Delerminar al nivel de significación de 0. I 65 22 a l 10!¡ I LA PRUEBA CHI. Ensayar la hipótesis de que la moneda está bien hecha utilizando un nivel de significación del (o) 0. Ensayar esta hipótesis al nivel de significación del 0. Ajustar una distribución normal a los datos del problema 5.254 ENSAYOS DE HIPOTESTS Y SIGNIFICACION Tabla f 0 [car.96 y comparar con el ajuste obtenido utilizando la distribución binomial. 108 Mierc. utilizar papel gráfico 30 62 16 l0 . 7. Determinar si existe entre las máquinas una diferencia significativa al nivel dc significación del 0. se anota su color y se vuelven a la urna. Tabla 0 ? -25 I ?-101. solucionar el Problema 7. En 10 unidades del ejército prusiano y en un período de 20 años 1875-1894. 9.05.r02 utirizando la corrección de yates. Ajustar una distribución normal a los datos del problema 5.05 si el profesor nuevo sigue las mismas nornns de puntuación que los otros.103. . 7. 7.rrru de 4 máquinas. Un profesor nr¡evo da durante dos se_ mestres 22 A.1'04.

110. 7. 7. Ensayar la hipótesis de que las notas de física sean independientes de lás obtenidas en matemáticas. Mediante un nivel de significación del (o) 0. A 72 64 t7 23 Clase B 7. IA Tabla 7 -29 muestra el resultado de un erperimenüo para investigar el efecto de vacunación de animales de laboraüorio contra una determinada enfermedad.01 y (b)0. Mediante la prueba chi+uadrado determinar la bondad de ajuste de los datosde (o)Problem¡ 7.100.05 v (b) 0.112 introduciendo la corrección de Yates.06. Hacer el problema con y sin la corrección de Yates.cAP.la Tabla 7-32.05 y en cada caso determinar si el ajuste es "bastante bue.05. 7l BONDAD DE AJUSTE ENSAYOS DE HIPOTESIS Y SIGNIFICACION 265 7. medianüe un nivel de significación del (o) 0. Utilizar el nivel de significación del 0. Solucionar el Problema 7. (b)hoblema 7.01 ensayarlahipóteaisdequeelnúmerodeaccidentes es independiente de la edad del conductor. Los resultados de una encuesta hecha para determinar si la edad de los conducüores a partir de los 21 añoe.(b) ¿Es el ajuste "bastante bueno"? Emplear el nivel de significación del 0. Mediante un nivel de significación del (o) 0.112.ensayarlahipótesis de que no hay diferencia entre las píldoras de dormir y las de aziucar al nivel de significación del 0. Ia Tabla 7-33 da la relación entre las notas de los estudiantes en matemáticas y física.01.98. 7.111. los votos de los demócratas y republicanos registraron los resultados que se observan en.0ó.115. ¿Qué poeiblee dificultades en las t&nicas de muestreo como en otras consideraciones pueden afect¿r las conclusiones? .116. Sobre una decisión de importancia nacional. Tabla ?-30 Aprobados Clase 7. tiene su efecto en el número de accidentes de automóvil (incluyendo todo tipo de accidentes) se indican en la Tabla 7-34.ensayarlahipóteois de que no hay diferencia entre ambos partidos en lo que a esta decisión se refiere. a unos se les dio pfldoraspa¡adormi¡.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. enfer No se maron 'enferma¡on Vacun¡dos No Vacunados I L7 42 28 ?. Dott.f09.96.101. las dos claees.05 V (b) 0. ensayar la hipótesis de que no haya diferencia entre.01 y (b) 0. Suponiendo que todos los pacientes dijeron la verdad.06. El resultado de sus respuestas se muestra en la Tabla 7-31.114. mientras que a otros se les dio píldoras de azúcar (aunque todoselloscreíonque suspíldoraseranparadormir). Posteriormente. (b) Problema 7.L17. Mediante la prueba chicuadrado determinar la bondad de ajuste de los datos de (c) Problema ?. Tabla 7. ¿Es consistente el resultado de (o ) con el del problema 7 . De un grupo de enfermos que se quejaban de que no dormían bien. es decir. N nivel de significación del (a)0.LOg? TABLAS DE CONTINGENCIA 7 Tabla 7-29 Se .113. se Ies preguntó si las pastillas habían surtido efecto o no. la vacunación y esta enfermedad son independientes.118.99. 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. ensayar la hipótesis de que no haya diferencia entre los grupos vacunados y no vacunados.05 y (b) 0. A un nivel de significación de (a) 0.01. (a) Utiliza¡ la prueba chi-cuadrado para determinar la bondad de ajuste de los datos del Problema?. 7.

( sin y con coeficiente de n de yates.49.127. diantes.117. la suma de frecuencias en la fila ¡ y en la columna j de una tabla de contingencia (frecuencias marginales). ?.121. señalando las posibles aplicaciones que pueden_tener. Xu) r¡ñY Azules No azules 49 30 8-ó 7. Demostrar que el coeficiente de contingencia máximo para una tabla fr X k es 1/1t¡ PROBLEMAS DTVERSOS .266 ENSAYOS DE HIPOTESIS Y SIGNIFICACIOD¡ Tabla 7-33 lcAP. respecüivamente.126. 7'.¡¡¡. 7.L23./n. Demostrar que el coeficiente de contingencia máximo para una tabla 3 X 3 mente. (b) el coeficiente COLOR DE PELO Rubio No rubio 25 96 7. 7. ? 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 7.122. se toma una muestra de 50 bolas con remplazamiento de cada una de las urnas.1 .119. .121. COEFICIENTE DE CONTINGENCIA 7. 20. Por similitud con las ideas desanolladas para tablas de contingencia h X &. (b) Con el resultado de (c) hacer el Problema 7.?r para toda tabla de contingencia. 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.125.11?. Demostrar el resultado (2) det Problema 7. Hallar el coeficiente de contingencia sin y con la corrección de Yates para los datos de (o) problema 7. Dos urnas A y I contienen igual número de bolas.LL4.128. es JUS:0. Si nI y n! denotan.) 7. (o) Demostrar eu€ ¡2 = 2@l/np.8165aproximada- 7. discutir las tablas de contingencia h X k X I. donde n es la frecuencia total de todas las casillas. pero se desconocen las proporciones de boias rojas y blancas en cada una de las urnas. donde n és la frecuencia total de todas las casillag. Hallar el coefieiente de contingencia para los datos del Problema ?.1L2 y (b) Problema 7. mostrar que la frecuencia esperada para la casilla perteneciente a la fila i y a la columna j es n¡n.

134. (b) 0. Al nivel de significacióndel 0. 2. ?. Solucionar el Problema 7. es ahora 8.01? Utilizar un ensayo bilateral.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. Construir gráficos análogos a los del Problema 7.001' (d) 0.55. ¿Se puede rechazar la hipótesis de que la moneda está bien hecha al nivel de significación del (o) 0.130. 7 n¡ ng üt fl1 b2 .142.135. Generalizar el resultado del Problema 7. 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. Explicar cómo podría definir interualos de confianza unilateroles y dar una posible aplicación.141. (c) 0.23 pzra el Problema 7.140. El porcentaje de calificaciones A dadas en un curso de física en una universidad determinada durante mucho tiempo fte L0%.54 ?. Durante un período particular hubo 40 calificaciones A en un grupo de 300 estudiantes.05.129.13?. el número medio fue de 21. 7.13g.4?.132 si salen 6 caras.133. ?.56 si el 7 en la regla de decisión del Problema 7.10.6 con una desviación típica de 0. ?.7l ENSAYOS DE HIPOTESIS Y SIGNIFICACION 267 dando la de A 32 bolas rojas y la de B 23 bolas rojas. Solucionar los Problemas 7.54.136.140.54. Comentar cómo puede utilizarse la teoría del muestreo para investigar las proporciones de diferentes tipos de pescado presentes en un lago.05. ?. Demostrar que para la Tabla ?-36 y2 " n = o(l+ú+"?\ * 2a (u" +ú+ rt2 'tL2 ns/ rr o?) ns ¡\ ?t I \t¿r / -. A B Tabla 7-36 I &1 II A2 III dg ó3 'tLg TOTALES ?. Mediante un nivel de significación del 0. ?.l4O para obtener el valor de TOTALES lr2 n .cAP.06 de que el estudiante no está contestando al azar. Una moneda se lanza 8 veces y se obtienen ? caras. Solucionar el Problema 7. (b) 0'01. 7. ?. Con referencia al Problema ?. Comentar los resultados. 7.4 con una desviación típica de 0.0Sinvestigarsila marca A realmente es mejor que B proporcionando mayor recorrido por galón. Con una determinada marca A de gasolina. ?.132 empleando un ensayo unilateral.0ó. Utiliza¡ el resultado del Problema 12 para el Problema ?. (b) 0. el número medio de millas por galón consumido en 5 automóviles análogos bajo idénticas condiciones fue de 22.132.48. Ensayar la significación de este resultado a un nivel de (a) 0. ?.64-7.138 ¿hay mayor variabilidad en millas por galón utilizando la marca B que utilizando la marca A? Explicar. Con otra marca B. (c) 0.131.138.01. En eI Problema ?.

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

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

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

y están dadas por )(c .ú)/s" y (U . -s "" n-n n Q3) sobre En términos de éstas. Í: También es de interés notar que si las dos rectas de regresión (f 6) se escriben como y c * dy respectivamente. 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. .U)/s" son valores muestrales. Ios resultados en (16) proveen unaiorma muy simple de récordar las rectas de regresión.cAP.\(U_. PARABOLA DE MINIMOS CUADRADOS Las ideas anteriores se amplían fácilmente. . En la págrna 263 se dará la significación. Es lógico que las dos rectas en (l e¡ ron diferentes al menoJ eu€ r = + 1. RECTA DE MINIMOS CUADRADOS EN TERMINOS DE VARIANZAS Y COVARIANZAS MUESTRALDS Las varianzas y covarianzas muestrales de r. 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.laparóbola de ¡nínimos cuadrados que ajusta un conjunto de puntos muestrales viene dada por ?l = a*br*cr2 (f8) donde a. (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. b.a\' \'| Debe notarse que en general (12) no es la misma recta que (8).ú)" ora 2(r .= entonces (14) puede escribirse como l'\ ry : . "-.(Y.i)2. entonces bcl -_ t2 * b3c. página 82] .¡l@-u\ 2(u . tipificados. REGRESION Y CORRELACION 26r Uz) n-n = >(=o)t'=. Por ejemplo.\ssi trul En vista de que (r .3) : a e¡) v-g : .Ú) )¡ _ .I. n-r:rrt@-ü S¡ Sy Si formalmente definim os el coeficiente de correlación muestral por Icomparat (54). 8l CURVA DE AJUSTE.(* o\ 8u\s"/s. si : 2(U . x y x2 respectivamente. 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.

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

es decir. r mide qué tan bienla recta de regresión de mínimos cuadrados se ajusta a los datos muestrales. Esta terminología surge debido a que Ias desviaciones y -U. Si la variación total se explica totalmente por la recta de regresión. que se utilizan en la práctica son M n2ry .(>rX>y) (3r) ra-ra (? ..r7 se explican por Ia recta de regtesión de mínimos cuadrados y así tienden a seguir un patrón definido.cAP. si 12 : L í. se encuentra entre 0 y 1. decimos que hay una correlación lineal perfegta (y en tal caso también regresión lineal perfecüc)..)2 * 2(u.2)...1) igualmeninsesgada del cuadrado del error típico de la estima.2 en cambio de n en el denominador. La fórmula (29) se conoce como la fórmuln producto-momento para correlación lineal.x"l(E (32) a.r s€ comportan en una manera aleatoria o impredecible en tanto que las desviaciones /esr . Por esta raz6n algunos estadísticos prefieren expresar (22) con n . 8l CURVA DE AJUSTE.) . r : + 1. Este está dado por 3r2. algunas veces llamada coeficiente de determinación. 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 primera sunra a la derecha de (27) se conoce como la uarincíón no explicadc.. De otra parte si la variación total no se puede explicar. y sy tenemos )('?-U""')' D2 = r Entonces podemos demostrar que (véase Problema 8.*-u)' (27) La cantidad a la izquierda de (27) se llama la uariación total. 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. y (en COEFICIENTE DE CORRELACION I. entonces la variación explicada es cero y así r : 0. mientras que la segunda suma se llama uariación explicadn. En Ia práctica la cantidad 12... Fórmulas equivalentes a las anteriores. 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.24) (26\ 2@-ü' = 2ta -?/". En otras palabras./(n . : nsl . Al tratar de hacerlo notemos que de (25\ V las definiciones de sy. 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.

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

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

Esto conduce a la definición del coeficiente de cotehción poblacional p. EI resultado (45) también se empleapara definir p en ól caso - (ts¡ TEORIA MT.x que debe compararse con (25).En cry9 d9 que no se conozca f(x. 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. oy._ I'y. 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.paralapoblacióndela cual s9 extrajo la muestra.)'] * E[(Y*t -Y\'] se uda y expliuda respectivamente.Y"". Véase Problema 8.'ESTRAL DE LA REGRESION La ecuación de regresión y : a I bx se obtiene basados en los datos muestrales.if1 Y)rl Para el caso lineal. x. = "'¡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. etC.B-b t/n-2 Sy. Estos resultados deben compararse con los correspondientes en la página 261. Por ejemplo. r". Y.39. no expli- ' no lineal. Por ejemplo. En general todas las anotaciones de las páginas 259 a 264 para muestras se amplían fácilmente a la población. Por ejemplo. 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 . píg¡na262. p - ------------------- r¡ariación explicada variacion Eí(Y*. Todas las anotaciones previamente enuncia la población. El(Y total . y) podemos aún emplear el criterio (37) para obtener cun¡as de regresión de aproximación para la poÉlación. Análogamente sig(r) =a*Br*Tc2podemos obtener una parábola de regresión de míniinos cuádrados. donde : g(X) V Y : E(Y). sig(¡) se determinapor (37). . Resultados análogos a (31)-Q$ pueden escribirse para el caso de una población y regresión lineal. si suponemos'que g(¡) : a I px obtenemos Ia recta de regresión de mínimos cuad¡ados (39). entonces ación poblacional debe da¡ ajusta a los datos poblacioen una muestra se-aplican a Qrr) EÍg donde Y. donde a v g vienen daáas en términos de los parámehos (desconocidos) /r¡. 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. Las tres cantidades en (44) llaman las tnriaciones total."t i)'l = E[(v .zl8x (40¡ . que también resulta ser una recta [dada por (39) con X. Los siguientes son algunos ensayós relacionados con una-población normal.266 CURVA DE AJUSTE. REGRESION Y CORRELACION lcAP. p. Ensayo de la hipótesis 0 : b. Con frecuencia estamos interesados en la correspondiente ecuación de regresión !: q. y intercambiadas]. (45) se reduce a (40). 1. * pr.

Denótese por Jo eI valor predicho de y correspondiente o. Denótese por üp elvalormedb predichodey correspondiente a x = Ío para la población [esto es. 2. De esta ecuación se pueden ha' llar límites de confianza para valores de población predichos.47 y 8. Ensayo de la hipótesis p = 0. (i=/ : 1'1513 tos'o(1 Estos hechos pueden también utilizarse para hallar los límites de confianza para los coeficientes de correlación. es decir. Ensayo de la hipótesis p * 0.(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 f = rl/n-z \/fr (+s¡ tiene distribución de Student con n - 2 grados de libertad. Véanse Problemas 8.46. 3. = 1.48. Ensayo de hipótesis para valores predichos.44.2 grados de libertad. Los ensayos siguientes resumen los procedimientos involucrados. Esto también puede utiliza¡se para hallar inten¡alos de confianza p¿ua coeficientes de regresión poblacionales de los valores muestrales.45. Véanse Problemas 8. La transformación (60) se llama transformación /1+p\ I o/' ".1618"".m (ao- úor\Ñ @a¡ tiene una distribución de Student con n . 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. fo = E(YIX = co)].8l CURVA DE A'USTE. En el caso de que p = O esta distribución es simétrica y se puede utiliza¡ un estadístico con distribución de Student. = ffi - (51) Z de Fish.8 : to estimado de la ecuación de regresión muestral. Entonces el estadístico t- su. Véase Problema 8.. Ensayo de hipótesis para valores medios predichos.ffi @o- a"\{n-2 Urr¡ tiene una distribución de Student con n . Véase Problema 8. Aquí utilizamos el hecho de que el estadístico z =*r"(i+) = r. Entonces el estadístico t- ú- ru. Denótese por ¡lo el valor predicho de y conespondiente i f : ts estimado de la ecu¡ción de regtesión muestral. Para p + Ola distribución es sesgada. En ese caso una transformación debida a Fisher produce un estadístico que aproximadamente tiene una dishibución normal.. lo : a * bxs.er.2 grados de libertad. 2. Véanse Problemas 8. Denótese Por Jp el valor predicho de y conespondiente 2.'\[+Fi.Para este propósito debemos conocer la distribución muestral de r. es decir.cAP.49 y 8. De aquí pueden hallarse los tes de confianza para valores medios poblacionales predichos. 1. Í : Ís para la población. REGRESION Y COBRELACION 267 tiene una distribución de Student con n .50. . lo = a * bxs.2 grados de libertad.43 y 8.

1.a ecuación de una recta es ! : a * b*. Si X representa los s¿larios anuales de los profesores en tanüo que Y representa la cantidad de crímenes. Se¿n X. Esto se demuestra en los ejemplos siguientes.@ se mueetra en la Fig. ozr-2. su distribución conjunta no se factoriza en sus distribuciones marginales). La consüante b : (yz . eI coeficiente de correlación puede eer diferenüe de cero y podríamos halla¡ una ecuación de regreeión prediciendo una variable de la otra.¡r ) es la pen- . 8 3. La gÉfre de la recüa .(.. Aquí hay una independencia directa enüre X Y. Significado de una diferencia entre coeficientes de conelacion. ).11 ) de (2) y (l pedido sustituyendo en ). Entonces ya que (¡r. Véase Problema 8. 8-5. diente de la recta. cuando p + O.a*br)-(a*br1l = b(r2-r1l Obteniendo que b : (yz . Una recta pasa por los puntos (xr. podemos utilizar una ecuación de la forma de (39) pata predecir el valor de Y a partfu del valor de X. lt ) y ( rr.268 CURVA DE AJUSTE. (521 donde se Itzr-|. EJEMPLO 8. Demostrar = que la ecuación de la recta es U-Ut tenemoe (Ty. calculamos Z. Problerna.lLzr.2. Es importante acla¡a¡ que "correlación" y "dependencia" en el sentido anterior no necesariamente implica una independencia causal di¡ecta de X y Y. 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. Por tanto (1) A2 = aibr2 u-a1 = @*br)-(a+b*t) (2\ . sabemos (Teorema 3-15. REGRESION Y CORRELACION [cAP. página 82) que son dependientes en el sentido de probabilidad (esto es.t [. Y tienen un coeficiente de correlación diferente a cero.s resueltos NECTA DE MINIMOS CUADROS 8.yt)lfz . y2 ) son puntos sobre la recta yt = a+bn1. Además. el resulüado se deduce.yt)l@z .)w-. Y variables aleatoria¡ que representsn eetaturas y pesos de individuos.1. = Pzr. EJEMPLO 8. CORRELACION Y DEPENDENCIA Si dos variables aleatorias X. ozr-2. y. = Y nr- n^ = nt-3' nz-B (53') disbibuye norma[mente. y 22 conespondientes a y rz utilizando (50).51. Pero diffcilmente diríamos que hay interdependencia düecta entre X y Y. yr ) V @2.Zrpzr-2.b(r-r-1\ Í2trt Uz-Ut . Luego utilizamos el hecho de que el estadístico Zr.

.rA' ")t)'6"' Fig. dz: albr2-9". por ejemplo. 9) sobre un ¡istema de coordena' das rectangulares corno se muesha en l¡ Fig. recta de mínimos cuadrados conespondientes a 11. Ya que # = >f. 8-6.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..(4. página 260. para la recta de mínimps cuadrados.1 . Entonces el Problema 8.542r ó¡ U=l+0. f. I 4 8 I Una rect¿ que se aproxime a los datoc se dibuja a mono olzada en la figura. 8-?. 8.8l 8. 2). vé¡ee Problema 8'4 que emplea el método de mfnimos cuadrados. 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.3. (o) Dibujar loe puntos (1. (b) Hallar una ecuación para esta recta. 12.g¡2.. (6. (11. 8. Para un método que eümine la ne' eecidad de juicio individual. Las coordenadas de e¡tos puntoa tomadoc de la gráfica eon aproximadamente (0.4.b) = l(o * br . aFlab = 0. r como .4\. Puede demostrarse que eetas realmente resultan en un mínimo. (b) Para obtener la ecuación de la recta construida en (o).7 . 8-6 . F(a.2 utilizando a (c) variable independiente.. 3 2 4 6 4 891114 o a t). dn = a*bxn-yn Fis. albnn Las dewi¡¡ciones verticales correapondientes son dt = a*br1-yt.tl' a-r =ffiO-l. 6 y-l=0.rfnSOn a*bry albr2. Derivar las ecuaciones nonnales (4). es decir.2..cAP. 2ra = a2r*b2r2 como 8e pedfa. (9.os valores de y sobre la. 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. (b) Í como variable dependiente. 6). Una condición ó mfnimo (o un máximo) es necesaria para que esto sea un que aFlaa = O.1 ) y (72. 7). 4).61. Ajustar una recta de mínimos cuadrados a los datos del Problema 8.. escójarrse dos puntoe cualesquiera sobre la recta. CURVA DE AJUSTE. . tales como P y 8. 8) y (14.642r. Refiriéndonoa a la Fig. (3. (8.

546 + 0. y.2 utiPuesto que hay 8 pares de valores de. Nótese que esta no es la recta obtenida en el hoblema 8. REGRESION Y CORRELACION [cAP. Aunque la última columna no se necesita para esta parte del problema. b=+ ó0.)ru) c=ffi==-0.Ga)(. se ha agregado a la tabla para emplearla en la parte (b).8 (o) La ecuación de la recta es y : o * b¡.50 d- - = 1. n lizando el método a mano alzadt. t¿s ecuaciones normalee son )Y: 2ru: an*b)r a)r*b).636.636 r.60 .CURVA DE AJUSTE.oso (b) Si se considera a r como la variable dependiente y a y como la variable independienüe.(56X364) lt ó0'545 = 6 --lE f8-i6 g=w =qffiffiá#l )c = cnld)y = frao. las ecuaciones normales son 2ru = c2y*d2a2 Entonces utilizando la Tabla 8-2. 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 ó0.50.()r)()ry) = (40)(524\ . las ecuacionee normales se convie¡ten en dedonde c=-* ó -0.545. Otro método. a = ()y)()r2) .r. d=9 ó 1.50. yla rectade mínimoecuadradoopedida es S t + lrx 6 U = 0.sz El trabajo involucrado en el crilculo de las sumas puede ordenarse como ae indica en lá Tabla 8-2. la ecuación de la la recta de mínimos cuadrados es ¡ : c * dy. 8c*40d = 56 40ci256d = 364 Estos valoree también pueden obtenerse de ()rx)sz¡ .

ha*+É. Nótese que al solucionar esta ecuación para y obtenemos y obtenida en la parte (o). hallamos que la recta de (5) que indica que la recta pasa por el punto (4.4 intersectan en el punto (. ¡ ¡=-0.Í.60+1. .5).E.546 * 0.546 f 0. 0.fi). La recta obtenida en la parte (b) se llama la recto de regreeión de x eobre y.8. llamedo el centroide. [¡secuacionee delaedosrectassona= llamos 8.60 + 1.4. la recta de mínimos cuadrados puede escribirse como Q) Caso que muestra que la recta pas¿ por el punto (á. y.: L2 en la recta de regresión de y sobre n. 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 ).úr.ú). U = &* Lrrr.8-8 8. y es la varirrble independiente. se indican en la Fig.66? r 8 6 1 u= 0.60 * 1. Caso 1.636¡.50y. 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.333 + 0'667 ¡' que no ee l¡ mi¡m¡ rect¡ 8. y E=-t+*y.50(3) = {. d respectiremen' üe. Representar gráficamente las dos rectas obtenidas en el hoblema 8.pue¡üoque7=-*+*(6). (b) Estimar el valor de y cuando x: L2.6. {. y : 0. - 0. ¡ es la variable independiente.cAP. remplazando las constantes o. Nótese quelas dos rectas en e¡te caso prácüicamente coinciden. lo cual es un¡ indicación de que los datos están muy bien descritos po¡ una relación lineal.500*1. = tllu-úl Nótese que en general. más exactamente. r-ñ f). Por üanto la¡ rectas se interceptan en el punto (?. (c) Estimar el valor de ¡ cuan' doY: 3' -2a40 a=T=¡-=o Luego el punto (6.333 * 0.60 y. las rectas (¿) V (S) no coinciden.6.! :5. REGRESION Y CORRELACION Por tanto la ecuación pedida de la recta de mínimos cuadrados es r = 0.8l CURVA DE AJUSTE. Demostrar que una recta de mínimos cuadrados siempre pasa por el punto (i.9.636 ¡ 2 0 6tl012 Fig. b por c.. Ot¡o método. (o) Demostrar que las dos rectas de mínimos cuadrados obtenidas en el Problema 8. U = 0'646 + 0'636(12) = g'Z' (c) Al remplazary:3 enlarectaderegresiónde¡ sobre a. (o) El punto (?.636 r o.Resolviendoeimultánesmente. ú). pueeto eue6=*+t(?). F = -0.6). 2. es (7. (b) Al remplazar x. 6) se encuentra en la recta U = 0. Lar gróficas de l¡s dos rectat.6)seencuenhasobrelarerfar=-++$y.546 + 0. ti). pero ¡e intergectan en (a. se utiliza para estimar r para valores dados de y. ¡ = 7 .7.60y t2 10 = y= e.Elpunto(?. mfnimos cuadrados puede eecribirs€ como hocediendo como en el c¿¡o 1 intercambiando r.

tenemos . sean c = d *h.8.12).t).n2r'a' . página 260. h_ v- dondeh n2uU yk son constantes.pdgina 261. h = f.n8z 2r2 I Entonces . U - g.9.7 .nEú (I¡X)z) ¿ru . pdgina 260. De la segunda ecuación en (5).9. 8. 8. U .-.ú = b(x.al r.(>.=-Ep=Ts¡t Del Problem¡ 8.(2x')(2y'l n)s'2 . u=u'*k.10 Si en el Problema 8. Problema 8.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.()¿X)y) n)¡z .e¡z demo¡tración de (12). u=7+tc Por üanto .(2rlz 2(¡z-2nr*12) 2r2-2ñ2r*2i:z 2r2-2n82 lniz 2s2 .)(2g.(2r.272 CT'RVA DE AJUSTE. y (véa¡e problema g. REORESION Y CORRELACION Demostr^ar que la tecta de regresión de mínimos cuadrados de y sobre forma (8). Tónemo¡ de 11) [eAP.(2r)(2r'l n2r. re rigue intercambiando D - >(z::elfu.(Ic)z¡ También >(r - t)(v . r puede escribirse en la (l). = n8ru-(2rl()ü _ n2xz _ (2r)z Entonces ti ú = út I h. j[n2ra Por tanto (I ) oe conüerte cn 2rU t (>¿X>y)] de donde ¡e obtie¡e el resultado (S ). g 8.Demosharque . Ir 2(a . y.úl = 2(rs-i:y-ir*efrl 2ra-ñ2u-ú2n1'2eú 2rU-nEú-nfrE*nitfi .t¡z = - t )(>x)2 |ín2rz . tenemos D_ 2(r n2xy .=7+h.. + k. demostrar que D--i# .8 tenemos f.y.1 -ñF-trú. . ¿ = ñ.

L07 de donde hallamoe o : 36. de modo que y :96. 8-9.cAF.a2n*b2n2 [./ €70 6 !a 2a'= an * ólr 2ra . de modo que lae ecuaciones normales se convierten en 9oe 2? 666 864 É¡ E 12o*800ó:811 800o*63.197 )92 = 64.849 . (b) Hallar la recta de regresión de mínimos cuadrados de y sobre r. REGRESION Y CORRELACION 273 Se deduce inmediatamente del Problema 8. (c) Hallar la ¡ecta de regresión de mínimos cuadrados de r sobre y.418b = 64. . 62 62 6{ 66 Fig.086/___V (b) f. donde o y b se obtienen resolyiendo las ecuaciones normales.y deuna muestra de L2 padres y sus hijos mayores.4.82 + O. (c) Construir un diagrama de dispersión. &11 La Tabla 8-3 muestra las respectivas estaturas lc.476x. 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 = 63.9 ya que 2fr' = l(c-t) y análogamente = 2r-nñ = 0 ly' = 6.a recta de regresión de y sobre r está dada por y = a + b*.476.88+r. 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. 72 de dispersión se obtiene dibujando los r = _8.418 Zny = 54.ae sumas se muestran en la Tabla 8.82 y b = 0. 8-9. La gráfica de esta ecuación ¡e muest¡a en la Fig.8l CURVA DE AJUSTE. y ) sobre un sistema de coordenadas rectangulares como se muestra en la Fig.

L07 E1lc#54.68. Solucionar el Problema 8.86 * 0. - 68 tenemos r.58 n I¡ =7*68 = -**68 = 66. (12X106) (-16)f. por ejemplo 68. de r. 8-9. Esto nos conduce a la Tabla 8-5.(lyX>ay) n2yz .5) - (10)z = 0.12s¡z _ _s. = delascualeshallamosc:-3. Réstese un valor apropiado.9.38*1.asfque¡:-3. REGRESION Y CORRELACION lcAP.849d muestr¿ en la Fig.476u u .g8. esto ee a = 36.68.476 También ya que &' = ú .11.d=1.476(n-66.274 Otro método. ¿ = n>r!: (>!)l?nl = n2a2 .036. = ñ . aparte de los enores de redondeo. De una manera análoga podemos obtener l¡ ecuación de regreaión de r sobre y. = ú - 68.dondecydseobtienensolucionandolas 2a = cntd.82.68 = 0. y ( los números restados de r tee).ú de acuerdo con el Problema 8. Por tanto 6?.07) 6 ecueción de regreeión pedida de y sobre x ea a . u =7*68 = -**68 = IZ-LZ = b(u.67.Iagráficadeestaecuaciónse Otro método.036y. 8 "= (c) ecuaciones normales I]4ff de¡ sobrey viene = 85.12. 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).2y 2uY = c2Y*d2Y2 L2c Utilizando las sumae en la Tabla 8-4. se convierten en -f SLld = 800 64.086 8. b = dada por ry# = 0.11 utilizando el método del Problema 8. - (>¡XI=y2l.á).4?6 Larectaderegresión x:c* dy. CURVA DE AJUSTE.6?. . .()y)2 1.38. y.

2833 1.8543 =-1.5 72. obtenemos un punto que se dibuja en el popel log-log construido especialmente como se muestra en la Fig. Tabl¿ 8-7 s = logV L.0043 12 ra 3.7348 1.6953 (o) Puestoqueo=4. (c) Hallar elvalorde y y C. n.3 61.2 PVt = C. De acuerdo con los principios de la termodinámica una relación de la forma PV.40 Luego Y = 4.20. r=logV:2 25.2ry .8309 t.7910 1.40. la última ecuación puede escribirse (r) U = oibr donde¿:logC. donde y y C son constantes.0350 3. (c) CuandoT=100.66L7 2.4685 3.0095 3.6 194. Para cada pareja de valoree de la presión P y el volumen V en la Tabla 8-6.859? A = logP 1.7 28.2077 3.7943 4.074L 2.4 118.1 lu = 8'7975 b )12 = 23.2976 )r = 11.20=logCy (b) Pvt.a2r*b2r2 4.8l CURVA DE AruSTE.1 Presión P (lb/pul2 ) Ya que 6r.9479 2.log P : y. (c) EstimarPcuando V = 100. debe existir entre las variables. 8.40. La tabla 8-6 da valores experimentales de la presión P de una masa de gas dada correspondiente a varios valores del volumen V.7858 1.000.20-1.0059 2xa - 16.4 37.2 t9.60X104 y y=1.0997 3. .b:-'1.2878 2. a = ()y)()rz)-(>rX:g¿l _ n2"2-1>n\z .4Ou. C=1.13.cAP.4533 1.8 49. Entonces P=antilog1.0 10.(b) Escribirlasecuacidnes que¡elacionan aPy V.0 pulgadas cúbicas.40=-y. 8-10. P de Ia Tabla 8-6 y también indica los (l ) son 2a = on*ü)¡ de las cuales 2ry .6946 1.()rX>u) 6=-ffi.6 88.40= lb/pulg2. y conespondientes a los valores de V. Las ecuaciones normales qorrespondientes a la recta de mínimos cuadrados logP = logC-ylogV logC ó logP*ylogV: Tomando log I/: x. tenemos tomando logaritmos de base 10 cálculos involucrados en eI cómputo de la recta de mínimos cuadrados (l ). REGRESION Y CORRELACION 276 ECUACIONES NO LINEALES REDUCIBLES A FORMA LINEAL 8.9294 2.13 dibujando los datos en un papel logJog. Solucionar el Problema 8.6762 1. La Tabla 8-? da los valores ¡. y y= logP=4.3019 6.14.to = 16.40(21 =1.ffi¡af'=-1.20-l. Tabla 8-6 Volumen V (pul3 ) 54. = C.2340 2.

8-r0 150 ¡00 ú t00 También ¡e indica un¡ rect¿r (dibujada a mano alzada) que re aprorima a eeto¡ puntos. . . Pa¡a obtener ¿ ¡e nece¡it¿ un punto sobre ce8 l¡ recta.!nl.a*(1.. U = a*ba*crz l¡ pa¡óbol¡ de mfni- Se¡n lo¡ puntos mue¡t¡alec (a¡Ittl. . (r*uzl.2 a = logP-ülog7 = lo926*1. Por ejemplo cua¡do V: 100.. y PVtl = 16O00 PARABOLA DE MINIMOS CUAI)BAI)OS E. Por t¡nto albn2*ct/. . para la parábola de mínimos cu¿dradoo. m 60 so r00 Volumen Y '{l Fig.4.4 logV = 4.?"-al' dc = o*bu21-cú-!2. . Deriva¡ las ecuaciones nomales (I9).1rn ¡on olbr¡lcu!. P: 26 de la g¡lfic¿. REOBESION Y COBRELACION [cAP. of bur*wl l¡¡ de¡vir¡cionee de. Enton4.o*blogV ó g = o*bn Ie pendiente D. Entoncee lo¡ veloree de y ¡ob¡e moc cr¡¡dr¿dor cotrec¡rondieatet a a1. . re de numéric¡rnente por l¡ relación-de la longitud AB a le longitud AC.276 CURVA DE AJUSTE.16.. e2.¡ U¡ ertfa dadar por dt = qtbx¡Ic¡. que er negatlva en e¡te ce!o.Ut U2.8 l0 ú' 3o {0 ü..) d^ = o*üc"lorl-t^ y lrr ruma de lo¡ cuadrado¡ de le¡ de¡viacionee eotá dada por )¿t = )(o+ bxlca2-t)1 .4. . logPTlle . . 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 . [¡ medida en este e¡¡o indica que D = -1.4 los100 = l. prigina 261.a)(2) = de modo que logP* 1.2. . (nn.2.

91 636.20 c = 48.42 - - 1449.cl = )(o I Para minimizar esta función debemo¡ tener bx * cx2 - U)z Ti=o' .2a*2SL.7 7.36 2ua = Zxu 291. c.2b + 291.83 29.2Ob+2275.2 1.6 2A = an*óI¡*c2n2 [¡s (r) ecuacionec normales son 2ry = o)¡*b2r9*c2rs 2n2a = o.8 3.8 2. págin¡ 261.6 a I bx * cr2 a los datos de la t€ D.79 s32.2 6.92c : 1449.o3to*óc*cr2-a)2 = )2(o+br*crr-a) k = )*a{o*br]-cnz-u)2 = 2Zr(a*brtcü2-a) aF :d.9 9. Ajustar una parábola de mínimos cuadrados de la forma ! Tabla 8-8.ólcs*clra H trabajn involucrado en computa¡ la¡ ¡uma¡ puede ordenarce qomo 8e mue¡ha en la Tabla 8-9.L6 6470.93 342.36 5?6.41 73. = + 2.08 10.t2 9223.00 2.1 t€ 14 a 4. 8.42 291.7 12 n3 xy 6.92 230. ? = )f.8r 2n2g I¿= 42.49 92.96 96.46 254t.066.28 233.1 8.75 117.6 5.9 7. REGRESION Y CORRELACION función de o.t=o' *=o Enüonces # = ).62 21.6 2.27 1.688.04 48. b.12 67.19 2.2 )u= 46. e¡ decir 277 F(o.20 18.16.65 185.48 19.O.4 2r2 - Ic3 = 2276.' 7.2r2].58 4.19 36?.8 4. lar ecurciorÉ¡ norm¡ler (I ) rc convierten en 8a I 42. T¡bb ü u 1.8 r87.4E 1065.5 6.588 de mfnimoq cuadrado¡ pedida tiene l¡ ecr¡¡- .8 7.b.065 t . b = : 2.8l E¡t¡ ec CURVA DE A¡UsTE. c = {).2110¡ arí la parábola 2.70 26.70 38.04 1.0 ?.40 10. o ción = 8.49 60.7 4.28 38.2ll0rt .360 + 18971.20 o + 2276.7 4.44 3.8 3.00 Puecto que n (2) Reolviendo.24 9.61 24.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).06 941.66 259.8 7.22 rzy 6.8 4.cAP.6 9. Tabl¡ u 1.73 5.0 7.9 5.2 6.36c = 230.1 : 8.9 7.1 12.2 1.82 4t.971.OI 32.

5 5.zt.. . . b.An) son respectivamenüe a*br1*ey¡ Por tanto las desviaciones de z¡. z.5 2. REGRESION Y CORRELACION la.503 7.19. . 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.2)2 = 4.8 4.17. ala pulgada más cercana y las edades y al año más cercano de 12 muchachos. [.os resultados se muestran en la Tbbla 8-10 junto con los valores reales de y.2.741 4. y por medio de una ecuación de regresión de a ! bx * cy. las ecuaciones normales pedidas (21) en la página 262 se obtienen. Pata r = 1.762 4. c e igualando las derivadas parciales con respecto za.640 7. vienen dadas por a*bnr*cyn dn = a* bnr* cUr.2 6. Entonces los valores de z sobre el plano de regresión de mínimos cuadrados correspondientes a (r1.7 u REGRESION MULTIPLE 8.8 7.56L 2. Análogamente se obtienen otros valores estimados. Demostrar que la ecuación de regresión de mínimos cuadrados se obtiene al determinar a.0 7..18 la forma z r.613 6.página 262. (c) Estimar el peso de un muchacho de 9 años y 54 pulgadas de estatura.962 7. 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. (ün.2) . (c) Hallar la ecuación de regresión de mínimos cuadrados de z sobre x.9 6. lcAP. las estaturas x. (b) Determina¡ los valores estimados de e de los valores dados de r. . c de modo que satisfaga (21.0. Utilizar parábola de mínimos cuadrados del Problema 8.. La Tabla 8-11 muestra los pesos z ala libra más cercana.16 para estimarlos valores de y de los valores dados de r. b y c a cero.762.Un. 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..zn\.. . y. . pág¡na 262.588 + 2. 8. y. Tabl¡ 8-10 Uest 4.065(1.278 CURVA DE AJUSTE. .621 5. Se desea estimar una variable z de las variables : Sean los puntos muestrales (ryUyzr).2110(I. (rn. y puede escribirse z: albnlcy Las ecuaciones normales (21). Ue"¡ = 2.z¡ dt = a* br1 * cUt.).8 8. b. . all.

4t4 69.286 66. c = 1. REGRESION Y CORRELACION Tabla t-12 fi 64 Df 59 49 62 51 a 8 10 6 11 z. 2a'- a2g n - b2rY por Ueet Loe valoreg de y ectimadoa a partir de la recta de regrerión vieneÍ'r dados = @ * ü¡.136 64.664 78.168 48. Si la recta de regtesión de mínimos cuadrados de y sobre que el error típico de la estima sy.86? 65.682 ?8.66+0. Utilizando la ecu¿ción de regreción (3) obtenemos log valores egtimados de z.7r7 68. la ecuación de regrerión pedida es (t) (b z = 3.¡ €stá dado por r viene dada por ! : a * b*.cAP.206 69. demos- s'?. las ecuaciones normales (I ) ee convierüen en l2a1-643b *106c (2) 643¿ = 769 * 34.830 2yz = 6796 2uy = 6779 48. y.e resultado¡ ¡e dan en la Tabla 8-18 junto con lo¡ mueshaleg de z.r=n= = 2(a-a.225 68.606u zesb al susti- ) tui¡ los valores correspondientes de x.6068.6612. ERROR TIPICO DE LA ESTIMA 8. =í. Entonces ^.139 34.20.= v. 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 = 40.926 66.880 106o*67?9b+976o Rerolviendo. a = 6796 = 3.356..! : 9 en (3).8l CT¡RVA DE AruSTE. o aprorimadamente 63 lb.8436 * 6779c = 40.2(Ufl -a.-brl - o-bu) . Ír.843 Utilizando esta tabla.865r+1. ü = 0.b2r(u -a-br) .8646."r)2 2afu 2fu-o-brlz o.920 64 7l 63 67 DD 68 77 67 66 61 76 68 (c) Remplazando ¡ : 54. el peeo estimado es zest : 63. denoüado8 pot valoreg Tabl¡ 8-13 2est 2 64.

2na-o.ú = 2u'2 .66 >(u-u.. denotados por lresr.anÚ .a(2U.81 0.28 -1.28 68 69 68..o.82 + 0.r9)z:l-.29 -1.2r-b2rz = 2A = on * ó)c 0 puesüo que de las ecuaciones normales 2ru .b2(r' * ñl@' * úl = 2(y'2*2ytfi*¡z¡ .22.11.¡ Método 1." y 8t. 2u'=0 y ú = o*bt (que re deducen aldiüdiramboslado¡ de l¡ ecuación normal 2A = an * b)r por n¡.b2r'g' . En la Tbbla 8-14 ee listan los valores reales de y (de la Tabla 8-3) y los valorec estimado¡ de y.71 69 68 68.6? 70 68 69. Erto demueetra el resultado pedido.xpot¿-á.24 68 67 67 67.€2 + O.b2r'Y' = 2(a .úl donde hemooutilizadolo¡re¡ultedot2r'=0.UpotA-ú.2y-an-óIr = 0 2r(a-a-br) .!* e!\ = 2a'2 + 2y29' * nú2 .24)2+(0.ana .bi2r' .y.19 67 68 67.ó)(a .bt2y' . REGREsIoN Y coRRELAcIoN lcAP.81 U - Aest 0.bñl = 2O'' . g = A'+ ú.2¡ pará Del hoblema 8. Método 2.7L 64 66 66.21. Sabemo¡ que la recta de regreeión puede eecribiroe oomo blem¿ 8.71 -0. Catcular el error típico de la estima¡ 8¡.33 0. También ¡e indican lor valorea y - Uest.á).66 7l 70 69. E.38 7l 68. Entonce¡ del hoblema 8.280 Pero CURvA DE AJUSTE.Cuandoeehacenestoeremplazo¡enelProlos datos del Problema 8.76 L.bnü! = 2U'2 + nú2 .a)2 .81 62 66 66.")z = "1.47 6r.24 -0. (1. como se obtienen de la recta de regresión.19 2. = 2a@-a-bt\ nll 2a2-a2a-b2ra Este ¡esultado puede extender¡e a ecuaciones de regresión no lineal.b2(r.11(b ) la recta de regresión de y cobre x ea ! : 36. Demostrar que el resultado del Problema 8. Por ejemplo. Tabl¡ t.b2rtgt * nú(ú .2O puede escribirse como ^z üu.98)2 12 = L64z .o2(g' * fil .+(0.ú = b(r .ú)'- b)(c n - ¡)(u - ú'l Si ¡ = r' * A.al@ .b2t'g' .476(66) : 66.14 ü a Uesl 65 68 66.. cotrespondiendo a ¡ = 65 tenemotgest:36. I üyt * r. 2(a . que corteeponde a empezar con l--o+bryremplazando:oporcero. / .*nú') . 8.62 0.24 63 66 65.20 se obtiene el re¡ult¿do pedido.20 N3' = 2u2-o'2a-b2xy = 2(a' + ú)2 .r.14 66 65 67.28 pulgadac. 8 2(A-a-bn) .14 -2.bn. güe ¡e neceaitan para el cálculo de oy.a2r * = b2u2 Entonces sí.19 0.x = lTiltr= 1.76.

0t¡z .28) = 1.11. = 1/@ se tomaron las estaturas vie- COEFICIENTE DE CORRELACION LINEAL 8.a) = =Q :y. Utilizando los valores - a -0.30 0. Uir examen poste- 66 6l 62 Otro método.23. (¿) Construir dos rectas paralelas a la recta de regresión del Problema 8..77 )(U". ne dada por 6r.11 se muestra sólida en la Fig. Tenemos Uest de ú : 67 . = )(U .58 del Problema 8. ya qve ú la Thbla 8-14 podemos construir la Tabla 8-15.cAP..) para 9 puntos (¡.[t = (y . Calcular (a) la variación explicada.08 2..'.22.?0.nrr. = 19.:'..t)2* )(yn"t-ú)2+ z>fu. Entonces el porcentaje pedido es 9lL2: 7 5%. de datos.el 6812 de los puntos se encuentra entre las rectas.brt Q.. cada una a una distancia vertical su.56 -0. y-gfo".ne?.22). Las dos rectas paralelas.g) sumando.rn.24. '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.)(y-uu.82¡z+. tenemos 2(u-ú)2 .rr. ú>@ - a - bn) puesto que de las ecuaciones normales 2(a = 0. :: :.28 (es decir.r 0. En el caso de regresión lineal )(v - Y'"'¡)(v" "r .61 -2.12 (o de la Tbbla 8-4. . se encüentra entre -1.25.t-ti) - A)" = 2(A - El resultado pedido se deduce si podemos mostrar que la última suma este es eI caso.abn) a . Este hubiera sido el caso aproximado si el tamaño fuera más grande. Demostrar que >(g Elevando al cuadrado A"'r)'* 2(U*r. Del último renglón de la Tabla 8-14. Il . parecen estar sobre las rectas. 8. del Problema 8. Entonces el porcentaje pedido es 9l12 : 7 5d.25 1. la teoría predice que alrededor d.A)'. 8-11.y""t) * (Uost . y).13 -1.11 a una distancia vertical sy. ya que es cero. Si los puntos están distribuidos normalmente respecto a la recta de regresión. ts. 8-11.61 0.34 0. 8l CURVA DE AJUSTE..S-15 Uest : 8]-LlL2: 67. 2r(u . + (2.:: . = 1.::.58)..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. REGRESION Y CORRELACION 28L 8.82 * 0..476¡ obtenida en el hoblema 8...28 y 1.U""t)2 . NOTA: Una mejor estima del error tfpico de Ia estima de la población de la cual so.un"J(v.. (b) la variación no explicada y (c) la variación total para los datos del Problema 8.13 1.40 pulgadas.28 (véase hoblema 8.82 -t. se muestrana trazos en la Fig. Tabla.04 (a) Variación explicada = (b) Variación no explicada -ú)2 = (-0. (b) Determinar el porcentaje de puntos de datos que se encuentren enhe estas dos rectas. (o) ta recta de regresión y : 35. = tpiLo (1..

11. = y -f.82 7.89 0.26(b).09 5.?0. (D) coeficiente de conelación = r : tVñ7d58.A.6 L.3 -2. utilizando A. Puesto que la varirable yn".29 18.36 68 il 'l .4 0.'.A)z = 19.02 1.34 2a'2 = 38..25. (la fórmula producto momento).69 0. la conelación ec poeitiva y por tanto escribimo¡ r : O.96 2.' . REGRESION Y CORRELACION lcAP. /i84s8)?58-3t Tabla E-16 = 0. (a) coeficientededetermir¡ación = t = '1Hi1iáf*1"io" =m= 0.76 1.4 -0.-0v t'.4 2.49 1.82 4.66 -0.3 a-v 0.6 3.69 22.y = EP. la expresión para r tiene automáticamente el signo conecüo asociado.09 10.92 = 67.aumenta. y Ulst = U.6 0. página 264.56 0.3 -1. derivarel resultado (34).z b22r.= !0.62 1. Entoncee. 8.16 6.24.16 2.4F7q de acuerdo con el Problema 8. ¡o )¿ = 800 i.f.:800/lZ = 66.68 5.7 -3. para el coeficiente de conelación.68 2trtg'= 40.34 \/G.89 13.s¿.7027..70 = 38. trt =r- E.3 2.32 1.4 . en el caso de regresión lineal.3 -2.92 10. La recüa de regreeión de mínimos cuadrado¡ de y sobrer puedeescribfuse 1lest= b = 2r.18 0.16 6.11.3 4.26.o.32 7t 0.2 /?r.3 0. E.4 7l 67 68 70 -0.l2at2.92. puesto que la'gt'es positiva cuando 3/ss¡ autnentá a medida que r aumenta. Entonces 2r'a' 40.L2 7.4 ' 0.7 3.4 a'= tr'2 2.42 -1.69 u'a' a'2 0.= \Eá/ /rorl = \r¡.09 7. pero negativa cuando /est disminuye a medida que r.7 1.6 0. Los resultados (b) y (c) pueden obtenerse por cálculo di¡ecto de la suma de los cuadrados. tenemoa &*br 6 Ulr¡= bx.29 1.76 11.8 (c) Variación total : 2(a .7 )y = 811 a = 8LUl2 2rt2 = 84.[bb tt 62 70 66 68 67 69 -4.49 -2. aumenta a medida que r aumenta. del Problema 8. Utiliza¡ los resultados del Problema 8. prágina263.6 0. 8. Utilizando la fórmula producto-momento.66 0.)z \/ñtrW Sin embargo.4e88. Por tanto se sigue el reeultado pedido. obtener el coeficiente de correlación lineal para los datos del Problema 8.) asír--*2r'a' ffi (2x.7027 u 65 63 67 B4 a 68 66 68 66 69 66 68 66 r-t -t.donde ¡2= variación explicada va¡iación no explicada 2b2r. Halla¡ (o) el coeficiente de determinación y (b) el coeficiente de correlación pa¡a los datos del Problema 8.y.6 .22 + 19. A partir del resultado general (30). El trabajo involucrado en la computación puede organizarse como se indica en la Tabla 8-16.28.282 CURVA DE AJUSTE.16 o.92 0.27. .= EF.))' l) n'\ ¡ \) '\il t' jó -0.7 1.7 0.7027 o con dos cifrar significativas r : 0.

| ¿gl\/¿e¿\ 6 =(iiot/\al/ ' ¡=o'7o27 que está de acuerdo con lo¡ Problemae 8. REGRESION Y CORRELACION 288 8.8l CURVA DE A.31.28.30.>IY w@ : n2rA-(2r'l(2A) .11(c) respectivamente 484 ' ó=10fr=0.nnn* v Entonces (I ) ee convierte en r(a-üz = 2a2 r : . . [.(>aXIY) n :E Puesto que = (2rlln V'ú = (2Alln" Arúlogamente.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 . Demostrar el resultado (17).476 d=ffi =1.11.26(D) y 8.29 para halla¡ el coeficiente de correlación lineal para los datos del hoblema 8.2ñ2r 4 ntz (2112 2(2nl' ()r)2 = 2rz = 2r2 ./ 8. Utilizar el resultado del hoblema 8. 8. Demostrar que el coeficiente de correlación lineal viene dado por f= En el hoblema 8. págrna 261. la recta de regresión de donde A=?I. Del Problema 8.29. donde ¿=? rz r sobre y er =a*ilu 8y Entonces b¿t = 1g\ 1g) = \c"/\oy. 2(a-nlz = 2(rz-2rt*r2) = 2s2 .TUSTE.036 Enroncec rz = bd.cAP.11 (b) y 8.a recta de regresión de y aobre r es u=olbx Análogamente.

1 ¡. el error típico de la estima de y sobre I es B!. (b) Hallar el coeficiente de correlación no lineal entre estas variables. paralos datos del Problema 8.ilz = variación explicada 21.Oz variación explicada .01?g Por tanto 7. REGRESION Y CORBELACION [cAP.30. I del Problema 8. hay una muy buena relación no lineal dada por la parábola del hoblema 8..2g y g.tal =ffi=0'9822 (c) El hecho de que la parte (a) muestra un coeficienüe de correlación de solo 4. De la Tabla 8-4 r= n2ru . Sin embargo. (d) ¿Qué porcentaje de la variación total permanece como no explicada por la suposición de la relacii.636 ó 1.33.52) - (40. hallamos r= n2ru - ()¡X)r¿) (8X230. Hallar (a) s.33 (b).32.40.636y'i-(0. y (b) sr.42) [(8)(2e1.2z .62.99r1)2 = 0. variación no explicada va¡iación total (d) = l-r2 = L-0.9922 = 0.n¡zi = -0.218 6 o. Esto puede deberse a fluctuaciones aleatorias o a una variable adicional que no se ha considerado. y? (a ) Utilizando los cálculos de la Tabla 8-9 y agregando que 2tt2 = 290.) (42.L071 = 0. Ubtlizar la fórmula del Problema 8. y.3743 indica prácticamente ninguna relación lineal entre r. y r =0'9911 var6eió.7027 como en los P¡oblemas 8. 8 8.64 (á) Primer método.n parabólic a entre x.()¡X)z) (8oo)(811) (r2)(54.26(b).16.16. 2(A . COEFICIENTE DE CORRELACION GENERALTZADO 8. (c) Hallar el coeficiente de correlación lineal entre las variables r. Entonces variación total = 2(A .21(46.16.2)r][(8X2e0. supóniendo la relación parabólica obtenida en eI Problema 8.16. (o) Del Problema 8. 8.ú)2 = 21. como lo indica el hecho de que el coeficiente de conelación en (b) está muy cercano a 1.40 8 = 1. (c) Explicar la diferencia entre los coeficientes de correlación obtenidos en (c) y (b). Entonces la desviación típica de y es 8u= 2(u - ú\2 21. Utilizando (a) y el Problema 8.4O De la Tabla 8-10 Por tanto t-= = l(g""t-Al2 = 2l..20) - (42.11.31 para obtener el coeficiente de correlación lineal para los datos del Problema 8.33 (b). i = (2U)/n = (46.4'. 8.80.78%de la variación total permanece no explicada.4)/8 = 5.284 CURVA DE AJUSTE.3?43 (b) De Ia Tabla 8-9.34." = ss\/T=F = 1.

dada en térrninos de e2r.19 Variación no explicada = 2(z - zo"tl2 (64-64. y I va. que Para obtenerlo. y estamos interesados en el coeficiente de cor¡elaeíón múltiple de z sobre x. al y el coeficiente de correlación entre grados por * - s2¿.pl. la mediaú ylavarianzasf sonigualesa(n l)12 y (n2 L)ll2 respectivamente. z. [¿ media de r.76)z = 888'26 = 888. Explicar córno determina¡ía un coeficiente de correlación múltiple para las variables en el Problema 8. y. Análogamenüe.139 .*n @l_ryz n*l En = mientras que la varianza es sf..52.35.. viene a3: s?+r?-2rs¡ads"sv . Utilizando el Problema 8. z gería en general diferente del valor anterior. vemos del Problema 8.25 Variación explicada Enüonces - 258.8l Segundo método. Ya que z se determina de ¡. ¡ sobre y. ss t+2+. REGRESION Y CORRELACION 286 Utilizando el Problema 8.16 y el cálculo adicional 2gz 8y. tenemos 2a2-a2a-b2ra-c2n2a = 0. ! ¡ el grado dado al j'ésimo valor de y ' [.88 Va¡iación total 2(z-2\2 .-.218 ó 0.os grados son enteros de 1 a n.218 6 0. el coeficiente de correlación de ¡ CORRELACION GRADUAL 8.222-n22 48.l'ciñexptñat.cAP.37 Coeficiente de correlación múltiple de z sobre x.a = = 299. la varianza de las desviaciones.33' variación no explicada = 0. esbturas). *n2 n n(n*r)(2n*11/6 2 n2-l t2 utilizando los reeultados 1 y 2 del Apéndice A. CURVA DE AJUSTE.L2(62. AquÍ estamos considerando n valores de r (por ejemplo pesos) y n valores correspondientes de y (por ejem. Sea rr: el grado dado al j{simo valor de x.4L4\2 + "'+(68-65'920)2 = 258. Derivar la fórmula de correlación gradual de Spearman (36).88 = 629.I i son las desviaciones entre las graduaciones.@ "" = 0'8418 = !ffi = thffia Debe mencionarse que si fuéramos a considera¡ la regresión de eobre y.36. Entonces si d¡ : r i .22 Tercer méüodo.19.22 8. = 12-82 = 12+22*. pág¡na 264.

6. ordenadas en forma a¡cendenüe de magnitud. Tabla 8-18 Diferencias de puntuacionee.6 11 . 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. 66. a las e¡tatura¡ de loe padres ee les aaigna los órdenes (2) (3) dio de 7 . 6. 66.6 1. Tbmbién se incluyen dz y 2dz.5. 69. REeRESIoN y coRRELAcIoN lcAP.6. 64.7.rz)/n y (l ) ge convierte en 7')/12 W @2 - * (nz 6>d2 .6. 6?. les asignamo¿ w orden meg [(6 + z + + 9) / 4 .6 3 8.s" 0. 66. 8 y 9 repreeentan la migma estatura (68 pulgadas). 69. 7. 11. 3. 63. 8.37. a los lugares 8 y 9 ae les asigna el orden 8. Hallar el coeficiente de correlación gradual. 10. 2. 6. 3.6. la Tabla 8-B se convierte en Tabla E-19 Graduación del padre Graduación del hijo 4 2 6.7. 66. 11.6 1. por tanto las estatu¡as de los hijos quedan ordenadas @ Con las correspondencias 1. %. Análogamente.6 10 3.6.11 y compararfos rezultados con el coeficiente de correlación obtenido por otros métodos.5 l.7.6 10 t2 7.286 Entoncee cuRvA DE AJUsrE.6 3. 6g. 71 Puesto que en esta ordenación loe lugares sexto y r*éptimo represenüan la misma estatura (6? pulgadas). las estatura¡ de los padres eon (r) 62.2 24 = Entonces rgrad= t-#!T = t-ir#?u = 0. 4. 10. 69. d d2 -1 -2 -1 1 1-1 I 1 3 I I I 2-L 4 1 -1 1 4 2d. 1.8s45 indicando que hay una relación entre el rendimiento en laboratorio y teorfa.5.6. 6g. 8 (r) h¡ecüo que 7 = fgrad = eZ+sT-af.6.6.6 7. 69. le. 9. 7l y puesto que los lugares 6. 69.6 t2 5 7.5.66. 1¡ (t) y (2).5. lac estaüuras de loe hijos ordenadas en gentido creciente son 66. 6. 9. 6?.38. 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.c asignamos a estos doe lugares un orden medío de 6.6. 67.(2d2)/n = L-nfu2] 8.6 1 11 6 8. ?.l\ltZ . tor \-"rttd- "3 - e¿. 70. 6. Calcular el coeficiente de correlación gradual para los datos del Problema 8.(J) y (4). 12 De igual forma. AsÍ. 70. 3.5. 66. 69.6 7.

ú2 E(X . utilizando sumas.5 1.8l CURVA DE AJUSTE.5 -2. los resultados para muestras tienen resultados análo- gos para poblaciones e inversamenüe.(r+2y) 0<n<7. La función de densidad conjunta de las variables aleatorias X.39.6 1.0 ü 12.a) ó Fok = o*v a-tly="4tr-u*) A-Py - /'.5 -1.2Boyy r (py . INTERPRETACION PROBABILISTICA DE REGRESION Y CORRELACION 8.P¡x.Fy = p(r . 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 2.v)l + Gv-Ft'x-o)2 = "? * F2oI .F) sea un mínimo. = f.}j'2l.dlz} = El(y -pv)21 + BzEl(X-r.cAP.25 2. Tabla 8-20 -3. ) La función de densidad marginal de X es f{r) = [.6 -1.7027 obtenido en el Problema 8. lo cud es una condición necesa¡ia para que F(q.P(X . Derivar (39) a partir de (37). E(Y .?466 que concuerda muy bien con el valor r = 0.0 1.a* pr entonces A .40.Fpx.00 2.6 3.px) .0. utilizando esperanzas.5 3.rv) = 0. lo+zo¡a. Y es l\r'a) : (a | f.zBEl(X-pi(Y -¡.60 rgrad = t-#!T: . En general.25 6.5 -1.Fpx.26 L2. (b) X sobre Y.px) * (pv . REGRESION Y CORRELACION diferencia en graduacionec d.26 L2.0=Y<L {o deotraforma Hallar la curva de regtesión de (c) Y sobre X. 8."l Igualando estas ecuaciones a cero.6 2.r.25 2. .26(b).ol.o*t¡ . 20. los cómputos de d2 y I¡ )d se mue¡tran en la Tabla 8-20. con la correspondiente para muestras.6 -3.26 1. íE = dF Denotando la última expresión por F(c.px\ ^t u\ox) | Debe notarse la semejanza de la demostraeión anterior para poblaciones. p) tenemos AF u = mos -2(pv zBoi - 2oxv - 2px(pv . .26 12.-ffi!\ = 0.pvl .25 1.26 6.9px. halla- tv = ol Ftx Por tanto si g .00 d Entonces 2iP = 72.

x = Í.'=. para O t. ni la curva de regreeión están definidas para ¡( 0ó¡ ) 1.ufr{ulOaa ('/"+zy\.'"(?i#)* l.E(ylx=r\ = fl.la densidad condicional X dada Yes frotu\ = ffi = )'. 0óy fi (¡ly).f"'=o". = fo'!@+zula.*4 Jra\"+¡1"v = 6'+6 Ni fz (yl*).t y la curva de regresión de X solre If viene dada por t. = E(x I y =ú = tlpara y Í. = r<O ó r>.'=o Í"'=o o.+# o='=1 L0 rf . (b) Para 0 = y < I la función de den¡idad marginal de yes fztu) Por tanto.=o J"=ooLi<"+zYlfdrdY rr ll = iá fr = f.para 0 r<l. Hallar (a) X. de = |tr*nr¡ = y S L. J:'=. = 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 .t"lul a. (d) o?.lla +zut)an ay = t ofr = F-tz = á_(i*)' = # .Portanto.ladensidadcondicionaldeYd¡. @l (a) (ó) "?. ni la curva de regresión se definen ( 8.288 cuBvA DE AJUSIE. y f{rl =0 deotraforma.13r"+zv¡fanav = # Entonces ofi = Íz-*z = *-(3)'= # (dl Entonceo F = f.'=o. (qY. (D p paraladistribucióndelProblema8. 8 par¡ 0 Í r=1.4O. (e) o*r. 3ü. Nóte¡equelaadoscurvasderegresión"=(3r+4llrcx*6).I¡ ) 1. "l?o + zutlar ay = I i: -'l 4r f-o J.*:12*6y)/(3+12y)eondiferente¡. REORESION y CORBELACION [CAp.41.

Y ltr-2 donde 37e : 85. ot : ".476B-b t=r. (¿) La recta de regresión de Y sobre X es + oXY "+@ .66 (Problema 8.2 = l0 grados de libertad) vienen dados por 95?iparap(obteni.o+zul)arav =1 3 .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. r8fl .8I 6.t / ó (b) La recta de regresión de. ..0 pulgadas' puesto qu€ t s7.11 se halló que la ecuación de regresión de y sobre x eray: 35.66 del Problema 8'11' 8.lrv1l_z=-.43)' y n: !2 1 r/o t r--- .Of Ae que el coeficiente de regtesión de la ecuación de regtesión poblacional es tan bajo como 0. se está en la ryHt\ = 0. ¡rara ias estaturas yos padres tienen unas estaturas de (o) 65.los Ií¡:rites de conftanza del 95oy' para --j:lq--.28 (calculcda en el Problem a 8.- = .2g para 12 .4?6 r6 (Problema 8.cAP.43.- 2.45.-- .43.05 rechazaríamos Ia hipótesis de que el coeficiente es tan bajo como 0. REGRESION Y CORRELACION 289 (e) xY = Entonces Í.476x.e5: 1.40. sx: 2.47G :t ' +('!!) t" / = 0. En el Problema 8..44.81 para L2 .-. En eI Problema 8. Loslímitesdeconfianzadcl F = b-+f+) ' \ñ4\82 I para 12 .22)y 1.á para el coeficiente de regresión del Problema 8.180 si ú ) ú. hallar los límites de confianza d-ei 95'7.2U'L66 0'19916¡= = ya que eo.'lW\" ..xY p = n-xÍ oxY oxoy = *-(s)(i*) = = - 1 162 0 -l/162 . 1/ . 0.23 h es decir.q\I a.42.r: L.136 y 0.2 : 10 grados de libertad.2: LO grados de libertad.82 + O.9b Con un ensayo unilateral de Ia flistribucirin de Student a un nivel 0.28. sr..'=o Í"'=o. Ensayar la hipótgsis al nivel d-e significación del O. Escribir las rectas de regresión de mínimos cuadrados de (a) Y sobre X.82 + 0.szs=!2.11).B4o confianza del 95% de que 6 se encuentra entre 0.0 y lb) 70.4?6 t Vlo\' t/tz.nfi162\/28/Bz4 -0.42.2\ o. 8l CURVA DE AJUSTE.losaleolocar t=lt. 8.. de los hijos cuyp son 8. = {". Hallar los límites de confianza del 95'.11.180.. Por tanto no podemos rechazar la hiPótesis.o1f.. (b) X sobre Y para el Problema 8.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.11 = -l/162/.:2.r: L. (+) ó a -i : - ür I x) ó -.

/i=@0. Tarnbién. se puede esta¡ en la confianza d. t/6 al nivel 0. rechazaríamosI/e si ú ) ú.rcontalquero -ñnoseademasiadogrande. En el problema 8.290 CURVA DE AJUSTE.45(c)] los límites de confianza delg1l".Bb Sobre la base de un ensayo unilateral de la distribución de Student a un nivel 0.66 (Problema 8.s1t : 2.0. de confianza del g5% son (ro .0. Nótese que para grandes valores de n. ¿Puede concluirse a un nivel de significación del (a) 0.14 f es decir.0 pulgadas. o.0.66. es decir.6 pulgadas.2 pulgadas. Ya que t.i¡z : (?O. 7. Un coeficiente de correlación basado en una muestra de tamaño 18 resultó ser 0.8OOtl2r2 : 2. (o) (ó) Puesto que no podemos rechazar ) 0).Los métodos de este problema son válidos independiente del tamaño de n ó to . hallar los límites de confianza del96% para las estaturas'medias de los hijos cuyas estaturas de los padres son (a) 65.46. se puede tener confianza de 95Vo que la estatura media de todos los hijos cuyas estaturas de los padres son 65.48). = t.E. ciertamente no podemos rechazarla al nivel 0. hallamos [comparar con el hoblema 8.0 pulgadas se encontrarán entre 65.O .16 :65.05.75 para 18 -2: L6 grados de libertad.11. TEORIA MUESTRAL DE LA CORRELACION 8. hallamos [comparar con el Problema 8. los métodos muestrales son exactos para una población normal.sz\/ra-z : p l. ¿Cuál es el tamaño mínimo tal de una muestra para que podamos concluir que un coeficiente de correlación de 0.o¡ para n - 2 grados de libertad . se puede estar en la confianza del 96Vo de que las estaturas de los hijos están entre 63.23 donde y¡ : ffisv.01 que el coeficiente de corréhción poblacional es apreciablemente mayor que cero? Deseamos decidir entre las hipótesis (Ho: g :0) y (llr t = .69.78.48.ss :7. Entonces los límites de confianza del 96Vo so¡ 69.' sr. ' (b) Si re :70.2óy6!2so.0 y (b) ?0.0 y ?0.45(ó)] los límites de confianza del 95%.0.SOO112)2 : 11. 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.elgbVo de que las estaturas de los hijos están entre 64. REGRESION Y CORRELACION lcAP.za\ = 66.1/l-z = = .11.80 pulgadas (b) Si 16 : 70.76 1 1.Estoconcuerdaconlosresultados aproximados mencionados en la página 262.05.8 los límites (o) Si 16 : 65.?6 t 3.47.t)2 : (65 . Porlo +1.?6 pulgadas.05.32.476 r6 (Problema 8. el valor mÍnimo de n debe ser 032{n - 2 r/i -to.05 utilizando un ensayo unilateral de la distribución que de Student.7 y 70.": 2.07 pulgadas.? y 6?.sz).01 8. (o) Si.11).45 pulgadas. los límites de conñanza del 95% están dados aproximadamente 8.14 + 5.96sy. Entonces 66.1 y 7 4.0 pulgadas se encontra¡án entre 67.05 y (b) 0.14 pulgadas.82 + 0.6 pulgadas úo 0.23 para 1 0 grados de libertad.05? A un nivel 0. los límites de confianza del 95% para Uo fo son = 2. es decir. 35. También (x¡ . /e : 69.8 pulgadas. Por tanto no podemosrechaza¡I/6 al nivel 0. y¡ : 66.?6 a 2'23 es decir.09 pulgadas.32 sea considerablemente mayor que cero al nivel 0. es decir.

=L.s2\/ñ/\Flfu2p.6.s0(-/l1 \ \y'n_B/ = 1.80 y n = 21.(-) \r P. n=26./ = 0.05? zr = r. 8. t . Por tanto no podemos rechaza¡ la hipótesie de que el coeficiente de correlación sea tan pequeño como 0. Dos coeficientes de correlación obtenidos de muestras de tamaños nt : 28Y rtz:35 se cdcularon como rr : 0. ú.50. ¿Hay una diferencia considerable entre los dos coeficientes a un nivel de 0.5493)/O.92. t. (Hs p2r= Fzrl I (Hi Fzr* .51.r5tz'""(+l-&.50 y tz : 0.75. los límites de confianza d. z = t.2182:L.) 0.el 95Vo püa pz vienen dados por Z=L.49.49 y 0.r¡rlb*'.0.9730 0.28 A un nivel de significación del 0.28z (ff3*3) = o.L6rt*(=.?1. t--032\r26^tr=@ = 1.9730-0.B0eb #*#= Fzrl.r6r3t"" o. para n=27. v =24.sz\/rLtt/l-(u32Y = 1.b4es.Portantopodemos rechazar la hipótesis de que el coeficiente de correlación poblacional sea üan pequeño como p: 0.5493y2:(0. t. = Deseamos decidir entre las hipótesis = 0.5606.80.tJ2:1.4620 Entonces ¡t2 tiene el intervalo de confianza del9SVo. 8. Entonces el tamaño mínimo de la mueetra ean:28.64. v =26. 8.e155.16131og(++*) /r r-\ \r-'l / *t. zz: r.o.50. v=26.64 y por tanto n: 25.s5=1.266e = 0.CURVA DE AruSTE.50 a un nivel de significación del 0.:) = oz= La variable tipificada ee Fz = r. L {zt - = Z-pz oZ 0. Puesto que r : 0. REGRESION Y CORRELACION Para un número Pa¡a infinito de grados de libertad.2182 = 1.s|= 1. Por tanto los límites de confianza del 95Vo para p son 0.4904- = 1.!613*(=.96oz = 1.7L.66.60.5366 a 1.6932 0.30 respectivamente.7L.94. t=0.69.60.50.rrro. (b) p : 0.5606. El coeficiente de correlación entre las calificaciones finales de fÍsica y matemáticas para un grupo de27 estudiantes se calculó era0.rsr3 loc\t -. p : 0.05. ¿Podemos rechazrir la hipótesis de que el coeficiente de conelación poblacional sea tan pequeño como (a) p (o) : 0. (b) Sip:0.72.05? o.L613 logS:0.unrr. si Si pz Fz /r +"\ = l.9r : 1.0e86 10. t.s|= l.) nzr-2./ 0.05 utilizando un ensayo unilateral de la distribución normal rechazaría' mos la hipótesis solamente si z fuera mayor a 1. pa¡a n=2g. a un nivel de significación del 0.5366' p = = L. Un coeficiente de correlación basado en una muestra de tamaño 24 se calculó era r : 0.Hallarloslímitesdeconfianzadel96% paraeste coeficiente.

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-(#)(#)] =

.rlos RECTA DE MINIMOS CUADRADOS Tabla 8-31 8. De la Tabla 8-30 tenemos.65 utiliza¡rdo el resultado de la parte (c)' . (b) SolucionarelProblema 8...0 = (b) 6 r-ü='?o-o¡. 8l CURVA DE AruSTE. Ajustar una recta de mínimos cuadrados a los datos de la Tabla 8-31 utilizando a (a\ x como la variable independiente. Representar gráficamente los datos y las rectas de mínimos cuadrados utilizando el mismq conjunto de ejes coordenados. 8y r-70.20 G&r'-áiÉfutB = o'7686 que concuerda con r hallado en el Problema 8.66 8.0).64.s6oy'1:107686)á Problerrra. Tenemoe 8"".5¿8 8. en tanto que su covari¡nza es 160.63.uo+qY: 145+q'qfrEq = u= De los resulüado¡ del Problema ?o.61 a. Escribir las ecuaciones de las rectas de regtesión de (c) y sobre del Problema 8. Utilizar los resultados del Problema 8.934 s. = 13. a y-6e.5+E#9 = ú .0=q9ff##q(v-6e.9) -69.x=L2. r a 3 6 6 8 911 234668 8.?686. REGRESION Y CORRELACION 299 Por tanto las desviaciones típicas de las calificaciones de matemáticas y fÍsica son 14.0=A+##€?!)@-70.a guplementa.7t9(u-69.gZfy'f - (OfOg6P = = 9.e).66.966.61. para obtener las ecuaciones de las rectas de regtesión (¿) ó a-u='!w-nt. Entonces utilizamos ( I 6 ).821(o-70. = ¿yt/Ti-rz = = a"t/T7rz = f¿. 0.hallar(o)losvalore$deycuenda x=6. Calcular los ertores típicos de la estima (c) er. página 261 ..64.v ts.cAP.60. r.e Ge.2. 8xv 160.926 y r = 0.9 respectivamente. para los datos del Problema 8.(b) elvalordexparay:7' (o) Utilizar el método a mano alzada para obtener Ia ecuación para una recta de ajuste de los datos del Problema 8.62. s!. (b ) r como Ia va¡i¿ble dependiente.64.60. (a) (bl Ey.0 y 14.9 = 8.. E. (b) sr.60. 0. = L4. (b) Í sobre y para los datos rr+qW = 64.o 8. ParalosdatosdelProblemaS.0) x-?0.

68. [. En el Problema 8.ID 80 ?8 93 86 65 72 87 91 7L 98 95 68 84 89 tt 82 80 72 74 E. y.72.9 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. (b\ Estimar z cuando a to 90 10 72 . 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.a Tabla 8-37 muestra los 3 6 o n 8 t? o t4 valores correspondientes de tres variables x. (c) Hallar la recta de mínimos cuadradoe que se ajuste a los daüos. t.71 rrcstrar c6mo una gráfica en papel semilogarítmico puede utilizarse para obtener la ecuación pedida sin emplear el método de los mínimos cuadrados. (o) Representa¡ loe datos en papel semi-Iogaritmo.73. (d) Si un estudiante obtiene una calificación de ?5 en álgebra.u. o^ 2. (c) Hallar la recta de regresión de írínimos cuadrados de ¡ sobre y. con Ia escala logarítmica para yr la escala ariü- méticaparar. o + bx r a 0 1 2 ó A 5 t) ¿x?alos datos de Ia Tabla 8-3¡t. (b) Ajustar una parábola de mínimoscuadradosdelaformad:oIbu*cuzalosdatos.a los datos. (o) Hallar la ecuación de regresión lineal de mínimos cuadrados de e sobre x. (a) Representar gráficamente d.(b)Ajustarunacurvademínimoscuadradosdelaforma !=abxalosdatosyexplicarporqué esta ecuación específica da buenos resultados. (D) Hallar la recta de mínimos cuadrados que se ajuste.74.(c)Estimardcuandou:45mi/hy80mi/h.y:6. (c) Comparar los valores de y obtenidos de esta ecuación con los valores reales. 8 t. u (mi/h) Distancia de parada d(p) 20 54 30 40 138 50 60 70 90 206 292 396 E. utilizando a r como la variable independiente.6 21. ¿cuál es su puntuación eeperada en álgebra? Tabla 8-32 Algebra (c) Física (y) . 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. Escribir las ecueciones normales para la curr¡a cúbica de mínimos cuadrados dada por dx3 .70. 54 42 30 . (o) Construir un diagrama de díspersión.300 CURVA DE AJUSTE. 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.?1. y. y : t 8. (d) Representar gráfioamente las dos recta¡ de regresión de (b) y (c) sobre el diagrama de dispersión de (o). (b) Hallar la recta de regresión de mínimos cuadrados de y sobre r. REGRESION Y CORRELACION [cAP. Tabla 8-36 Velocidad.t--10. (d) Estimar el valor de y cuando r : J. Con referencia a Ia Tabla 8-33. 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) Representar gráficamente los datoe.2 5. 12 .I 3. I : o t bx * cx2 I Tabla 8-37 REGRESION MULTIPLE E.6 9. utilizando a y como la variable independiente.8?.3 14. z. Alustar una parábola de mínimog cuadrados. ¿cuál es su puntuación esperada en física? (e) Si un estudiante obtiene una puntuación de 95 en físice.

t3. (b) Problema 8.38 lación entre muestra las edades r y la presión sanguínea y d. Hallar el coeficiente de correlación entre los dos nuevos conjuntos de valores. REGRESION Y CORRELACION 301 8. 8.! . E. 8. Tabla 8. (b) utilizando la fórmula s¡s = rs¡sÍ y el resultado del Problema 8.eL2 mujeres.68 (a) dircctamente. 8.= E.68.64. (b) la va¡iación no explicada datos del Problema 8. r.60. explicar por qué se obüiene o no el mismo resultado que en la parte (a).cAP. (o) Hallar el coeficiente de corre' r.= 3y ss : 5. Multiplicar todos los valores de y por 3 y restarles 15. " para los datos en el Problema 8. El 8. en E. Hallar los coeficientesde correlación para los datos del (o) Problema 8. coeficiente de correlaciónentredos variables¡. y. 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.75 para solucionar el Problema 8. D.¡. (b) Multiplicar todos los valores de ¡ por 2 y sumarles 6.7 7 a(r-¿l+b(u-úl o. y dados en la Tabla 8-39.60.89.y para los datos del Problema 8. ballar las ecuaciones de la recta de regresión de (o) y sobre x. Calcular (a) la variación total en y.85.68.79.81.68 utilizando la fórtnula producto-momento y comparar con el resultado del Problema 8. ERROR TIPICO DE LA ESTIMA Y COEFICIENTE DE CORRELACION LTNEAL E.88.86. Si el coeficiente de correlación entre.z .7t. y es 0. halla¡ r. (o) Calcular el coeficiente de correlación entre los valores correspondientes de r.50.76.8f .81 u 8. y tiene la form¿ z = A 1. 8.76.EO.74.67. (c) la variación explicada en y para los 8. (b) Obtener eI coeficiente de correlación directamente de las pendientes de las rectas de regresíón del Problema 8. (c) Estimar la pre- sión sanguínea de una mujer de 45 años.E4. 8l CURVA DE AJUSTE. (b) $.80 para hallar el coeficiente de correlación entre los dos conjuntos de calificaciones de los exámenes del Problema 8. La Tabla 8.90. (o) Hallar elcoef¡cientede correlación entre E.i=10. (ó) Determinar la recta de regtesión de mínimos cuadradoe de y sobre r. . sr:2.86. Demostrer que la ecuación para regresión lineal de z sobre r.r. Si sv.00. Calcular (o) sv. Hallar (o) sy ".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.Sis"=1. ú=20.82. Utilizar los resultados del Problema 8. ¿qué porcenüaje de la varfación total pennanece no explicada por la ecuación de regresión? 8. Utilizar 8.68(b) v (c ). Hallar la covarianza para los datos del Problema 8. los dos conjuntos de calificaciones de los exámenes del Problema 8.. ¿Hay al' t. yesr:0. Tabla 8-39 x a 2 4 5 6 811 18t210875 .68. (b) r sobre y. y puede escribirse como z-2. y. (b) sr.8?.Br * Ca I Dr2 * Ery * Fyz Obtener las ecuaciones normales para los eoeficientes de regresión de mínimos cuadrados.E2. y obtener exptesiones para los coeficientes de regresión de mfnimos cuadradoe el resultado del hoblema 8.

106. ble¡ aleatoriac independientes? Explicar. H de acuerdo con sus preferencias.5g ufilizando el resultado (35).(b)XaobreYparalosdatosdelhoblema2. Da¡ un ejemplo para demostrarcómo hallaría (a) el error típico de leestima.paraelca¡odeunaauperficiederegresiónlinealparazsobrer.gus observaciones en (o). Hallar el coeficiente 264.96. ¿Ocurren algunae simplificaciones en la¡ curvas de regresión Ce Y sobre X ó X sobre Y para el caso de varia- .99.104.8.s. INTERPBETACION PROBABILTSTICA DE LA REGRESION Y LA CORRELACION E. B. Il¡llar t. (b) X cobre Y para Ios datos del hoblema 2. (b) X eobre y.página 263. REGRESION Y CORRELACION [cAP. variación toüal es erplicada por la ruperficie de regreeión? (b) ¿Quéporcenüajedela Demostra¡elresultado (27). F. y para lo¡ daüo¡ del Problema 8.84. de conelación para las variabie¡ en el hoblem" g.a) = [2r+3a Io o(c(L'o<Y<2 de otra form¡ Ilalla¡ la curva de regresión de (a) Y sobre X. Halla¡ el coeficiente de conelación gradual y decidir eobre el acuerdo de loe jueces en su8 eleccioneg. G.96gina 52. H¿ll¡rlacurvaderegreeiónde(a)YsobreX.74. I COEFICIENTE DE CORBELACION GENEBALIZADO E'91. Y viene dada por f(r. el coeficiente de correlación gradual para loa datos del (a) Problema 8. Hallar el error típico de la estima de z ¡obre ¡.99. Doa juecec en una competencia debían clasifica¡ a 8 candidato¿ A. (c) el coeficiente de conelación generalizado. (D) X eobre Y para el hoblema 8. t. t. Tabl.págirra52. Halla¡ la recüa de regesión de mínimoe cuadrados de (a) Y sobre X. t.lo6' función de densidad conjunta (o función de probabilidad conjuñta) f(x.lOS. página t.¡ 8. t. Y con E. D. tls[a¡ la recta de régresión de mínimos cuadrados de (a) Y robre X. Mostra¡ cómo se puede diseñar un coeficiente de correlación múltiple.rOO.96.94. t. La función de den¡idad conjunta de las variables aleatorias X. Hallar el coeficiente de conel¡ción lineal para la¡ variableg aleatoria¡ del Problema 2. E.(D)larvariacionee explicaday no erplicada. 8. t. y\.98.90.y. 8.92.74.68 v (b) Problema 8. lo¡ resultados se mueshan en la Tabla 8140.302 CURVA DE AJUSTE.93.8. t. Obtener el coeficiente de correlación lineal para el hoblema 8. COBRELACION GRADUAL E.99. página 52.102. C. (o) Calcular el coeficiente de conelación múltiple pars los datos del hoblema 8. (b) De. (o) Hallar el coef¡ciente de correlabión gradual para los datos del Problema 8. en el ca¡o de do¡ variablee aleatorias X.lol. estudiar una posible deeventaja del método de conelación gradual.97.4O 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.

8. EnelProblemaS. ¿Podemos concluir a un nivel de significación del (o) 0.01.00.113.01. E.\ es independiente de Ia elección del origen de las variables o de Ias unidades en que se expresan. 5r .0 + 2. Hallar el coeficiente de correlación lineal. Hallar los límites de confianza del (a) 957o.118.(b\99% pra el coeficiente de regresión. .109.(b)997oparu un coeficiente de correlación que se calculócomo 0.cAP.11?. 8l CURVA DE AJUSTE. Si sr.1 "l$- c2) 20. 8.!l = 2.30.111. que hay una diferencia significativa en' tre los dos coeficientes? RESULTADOS DryERSOS 8. Demostrar que el cóeficiente de correlación - g.el(o)95%. a un nivel de significación del 0. 8. Sobre la base de una muestra de tamaño 27 se encontró que la ecuación de regresión de y sobre r era t = 25. y'es eI mismo que el entre." = 1. que el correspondiente coeficiente de correlación poblacional es considerablemente mayor que cero? E.10? hallar los lÍmites de confianza del (o) 957o.d'. Hallar los límites de confianza d.S4. Solucionar el Problema 8. (b) 0. 8.l0?hallarloslímitesdeconfianza d.112.211Ú 8. (Sugerencia: Suponga quer' = noi c1r.5a = 3. En el Problema 8.sx = 3.115.f-(1 -r2)s. Un coeficiente de correlación basado sobre una muestra de tamaño 27 se calculó como 0.* : 8. Demostrar que el ángulo entre dos rectas de regresión muestrales de mínimos cuadrados viene dado por . ¿Podemos concluir a un nivel del (o) 0.(b)99%paralamedia'detodoslosvaloresde y correspondientesa¡ = 6. 8. Yvie' nen dadas por 2:r .ypuedeexpresarsecomo il2 -:.121.00 ¡.40.tes t?.95 respectivamente. (b) ta presión sanguínea de las mujeres de 45 años.50' ¿Podemosre' chazar la hipótesis de que eI coeficiente de correlación poblacional es (o) tan pequeño como p : 0.05. (b) tan alto como 2.00 y ñ = 7.80 y 0. DemostrarqueparaelcasoderegresiónlinealelvalormÍnimodeE'{[]'-(o*¡lX)lz.110. Un coeficiente de correlación basado sobre una muestra de tamaño 35 se calculó como 0. utilizando un nivel de significación del 0'05? 8. demuestre que el coeficiente de correlación entre r'.05.00.108. donde r¡¡ !/6¡ cl¡. ConreferenciaalProblema8.70. página 260. 8. En el Problema 8.114.10? ensayar la hipótesis de que el coeficiente de regresión poblacional 1.el 95% para el coeficiente de correlación calculado en el hoblema 8.50.tu] tan-'L rfti + si) -l E. y). REGRESION Y CORRELACION 303 TEORIA MUESTRAL DE LA REGRESTON 8. Las rectas de regresión muestrales de mínimos cuadrados para un conjunto de datos involucrando X.60.116. Demostrarqueelcoeficientedecorrelaciónentre¡. para la recta de mlnimos cuadrados.I22.84. (b) 0. (c) la media de lae presioñes sanguíneas de las mujeres de 45 años. TEORIA MUESTRAL DE LA CORRELACION 8. es (o) tan bajo como 8.(b\ 99% para y cuando ¡ : 6.60 de una muestra de tamaño 28.?0. . 8.l19. A' = llo * c2y.123. Verificar los coeficientes (5).114 si el tamaño de Ia muestra es 52. 8.c2 soll constantes arbitrarias.01. (b) tan grande como p : 0.10?. hallar los límites de confianza del (c) 95%. Dos coeficientes de correlación obtenidos de muestras de tamaños 23 y 28 se calcula¡on como 0.20.hallarloslímitesdeconfianzadel 9fleparafo)elcoeficientederegresiónde y sobre r.

8.129. (b) Br. Hallar (o) s".6 I 10.304 CURVA DE AJUSTE. 8.125.3 I 10.41 ESTATURAS . Hallar los límites de confianza del 96% pára el coeficiente de correlación calculado en el hoblema 8.5 116. (e) ¿En qué año podemos esperar que el índice de costos médicos doble el del 194?1949.2 Fuente: Bureau of Labor Statistics 8. 210-225 I . 19 5 o (t) e. - Tabla 8-42 Año Indice de precios al consumidor Indice de precios al 99.1 114.130.4 I14.8 111. 8. f¡¡ 32 20 t2 q .1 t 10. Tabla 8. E.5 por mayor 103.0 113.5 r14.128.6 L19. (c) Calcular los valores de tendencia y compararlos con los valores reales.8 111. (d) Predecir el Índice de precio para la asistencia médic¿ durante 1958 y compararlo con el valor verdadero (L44. Demostrar que para regresión lineal 4 = +.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) .126.2 r20.8 8. Con referencia a la Tabla 8-43: (o) Representar gráficamente los datos. 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 .l2S.3 1r 7.2 t23.L24.8 114. REGRESION Y CORRELACION [cAP.r. (ó) Hallar la recta de mínimos cuadrados que se ajusta a los datos y construir su gráfica. (o)HallarlarectaderegrecióndemínimoscuadradosdeysobrerparalosdatosdelProblemaS.127.7 114. Ilalla¡ el coeficiente de correlación entre las estaturas y pesos de 300 adultos dados en la tabla de frecuencias siguiente.4). El período base es de L94? 1949 : 100.y para loa daios del hoblema 8.L25.(ó)Estimar los pesos de doe hombres cuyas estaturas son 64 y ?2 pulgadas respectivamente.1 25.2 1949 1950 1951 1952 1953 1954 1955 1956 1957 1958 101. 8ü 8É ¿Es el resultado válido para regresión no lineal? 8.8 102. 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.

página265. (Sugerencia. (d) Explicar por qué la ecuación en (b) no es útil para propósitos de extrapolación.¿(r) es cualquier función de r para el cual estas esperanzas existen. Demostrar el Teorema 8-2. Estudiar la relación. En el Teorema 8-1.¿) donde .132 para variaciones explicadas y no explicadas. Demostrar que si 9(r) = E(Y \ X = c) entonces EUY - É(x)1'!) = E{LI'- o(xl¡z¡ + Ells(x) - q(x)l. del Problema 8. 8. E.136.9 17.3 16. si Ia hay.l35.9 ¿ind 1935 1940 1945 1950 1955 24. (a) Representar gráficamente los datos.6 23. (b) Hallar la parábola de mÍnimos cuadrados que se ajuste a Ios datos. Con referencia a la Tbbla 8-44. REGRESION Y CORRELACION 305 8.' Utilizar el Problema 8.7 21. (c) Calcular los valores de tendencia y compararlos con los valores reales.0 1030 18.132.131. Education 8. Y variables a|s3fs¡i¡s con función de densidad conjunta (o función de probabilidad) f(x. Sean X. y).134.133. 8.5 23. Demostrar el Teorema 8-1. 8. ¿es g(r) única? Explicar. .132).8l CURVA DE AJUSTE. Tabla 8-44 Año Natalidad por cada 1000 habitantes 1915 1920 7925 25.cAP. página 265.9 Welfaie 19.6 Fuentet Department of Health.

se denominan medias de grupo. o lo que es equivalente a ensayar la hipótesis nula de que las medias muestrales son iguales. donde i : t..^ 306 (2) .2. .. . Ttatamiento ¿ üol fio2 rob tra Denotaremos por i¡ la media de las medidas en la fila j...r i:7.2. . medias de tratarrtiento o medias de fila. de las cuales se extrajeron las muestras. Los valores i¡. Tabla 9'1 Tlatamiento 1 Ítt E2l rtz rzz xtb fr1. EJEMPLO 9. . Los resultados de un experimento de un factor pueden representarse en una tabla con a filas y b columnas (Tabla 9-1). Aquf r¡¡ denota la medida en la fila j y Ia columna k. r35 se refiere a la quinta medida para el tercer tratamiento... En muchas situaciones existe la necesidad de ensayar la significación de diferencias entre tres o más medias muestrales. se utiliza para indicar que el índice k se ha sumado.ao lk : a0 i=t r=t -.. . 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. Tenemos _lb fr¡:62r.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. cada uno de los cuales tiene b repeticiones o réplicas.1. Hablamos de a tratamientos. . Por ejemplo.. ¿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. *iÉr. b. 2. desarrollada por Fisher. tenían la misma vaianzi.1r2'. . tg y 24 hU}l'a respectivamente. esto es r . donde el número de medidas en cada grupo es b.a Q) El punto en tj. dl h : 7. TYatamiento 2 itv t2. Supóngase que en un experimento agrícola cuatro ttatamientos químicos diferentes del suelo producen rendimientos medios de trigo de 28. En el Ejemplo 9'L. Supusimos que las dos poblaciones. 22. Utiliza la distribución F considerada anteriormente en los capítulos previos. a : 4. La gran media o media total es la media de todas las medidas en todos los grupos y se denota por c.

denotada por u. el ANALISB DE VARIANZA 307 VARIACION TOTAL.i'¡)' + b > (r¡ .j:1*'u (13) En la práctica es conveniente restar algún valor fijo de todos los datos en la tabla. Xjo independientes y distribuidas idénticamente.r -. .u_r...i'): i. Por tanto .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 (3) r¡x-I = (c¡r. .¿. esto no tiene efecto en los resultados finales. es decir Variacióntotal : Al escribir Ia identidad 1) : )(r. .. S eJx r'. .. de la gran media cly se denota por ub. X¡2. -. VARIACION ENTRE TRATAMIENTOS de cada medida de la gran media Definimos la uariación total..p con respecto a las medias de tratamiento C¡.- r)2 : ) (r. Por tanto (7) tt. Así.-r.k (".) y la denotamos por u-.k (.)*(i¡.t)b n-i_ # U-Ub (:0. ':: ) (r'. . zJ i'k es el total de todos los valores en el tratamiento j.u (Ir) y luego elevando al cuadrado y sumando sobre j y k podemos demostra¡ (véase Problema 9.u -- i..cAP.).1) que .k (5) (6) ) j. )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¡. .¡)t = tr)(i'.t.k (:c. €s €l total de todos los valores t - rir ! r. como la suma de los cuadrados de las desviaciones i. 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.-r) ) i.utt -: 2 @.r)' i..o")' : ) 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) = . VARIACTON DENTRO DE TRATAMIENTOS. 1 ) (r.. (11) (12) = tu4. para el tratamiento j tenemos las variables aleatorias Xir...u At: donde esto es .t. Ias cuales toman los valores .

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

esto es. po{emos demoshar los siguientes teoremas fundamentales relativos a las distribuciones de las va¡iaciones V.-f. vemos de (23) qrr" 33 puede ser mayor eü€ o2. o el método corto. y luego calcular u. si las medias de tratamiento no son iguales. página 161. Se deduce que un buen estadístico para ensayar la hipótesis -EI¡ viene dado por 3. es decir. Tabla 9-2 Grados de Iibertad Enüre tratamientos. pág¡na 116. Total. ./o2yV/étienen la distribución chi-cuadrado con ¿ -1 Tenrema y ab - 1 grados de libertad respectivamente. en tanto que el Teorema 9-2 sólo es válido si se supone f/0. (3) y (8).: u uu. De otra forma podemos o aceptar lfe o reservarnos el juicio dependiendo de análisis posterior. Esto viene dado en el teorema siguiente. Teoremag-3: E] estadístico tad. En la práctica calcula¡íamos u y uo empleando eI métódo largo.cAP. (10) y (11). Si este estadístico es considerablemente grande podemos concluir que hay una diferencia significante entre las medias de tratamiento y así rechazamos f[e. Por otra parte.3 r""igual a c2 independientemente de si las medias son iguales o no. 9-1: V. con tratamientos. de (I9) y (20) cabe esperarse que S.9l ANALISIS DE VARIANZA 309 DISTRIBUCIONES DE LAS VARIACIONES Utilizando el Teorema 4-4.1) grados de liberbad.1.. Pa¡a utilizar este estadístico debemos conocer su distribución. va : b)1nt.ab . a-I.13¿. el cual es una consecuencia del Teorema 5-8.a(b-L) j a\o _ l) grados de libertad a : a-L+ ut = )(er¡. TABLAS DE ANALISIS DE VARIANZA Lo! cálculos pedidos para el ensayo anterior se resumén en la Tabla 9-2. V6 y V. Teorema 9-2: Bajo la hipótesis nulal{0.)2 . siendo el efecto más pronunciado a medida que la discrepancia entre medias aumenta. que se denominatabla de anólisis de uarianza. Vt. Es importante ¡ecalcar que el Teorerría g-1 es válido si se supone o no I/s . Debe advertirse que los grados de libertad para la variación total. es igual a la-suma de los grados de libertad para las variaciones entre tratamientos y las variaciones dentro de tratamientos.- ¡¡z Ao s6 = o-1 u6 86 -_ s. ENSAYO ¡ PARA LA HIPOTESIS NULA DE MEDIAS IGUALES Si la hipótesis nula . 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.u/o2 tiene la distribución chi-cuadrado con o(b .Ffs no es cierta.

"t"t '. factor 2. En este caso hay dos clasificaciones o factores. .+'l)rt = ) 1rr.1.. Supóngase que un experimento agrícola consiste en examinar los rendimienüos por acre de 4 variedades diferentes de trigo..* (d'.'j* -1i tL f.310 ANALISIS DE VARIANZA lcAP. . con una variedad diferente de trigo cultivado en cada parcela dent¡o de un bloque. 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.. . o¡ = ) n¡@'¡. . Por tanto obtene- mos s . .)2 con c-1.i')2 = 5'. donde cada va¡iedad se cultiva en 5 parcelas diferentes. fl= -2t (25) @6) 1.2 con frecuencia nos referimos a las dos clasificacioneJ o factores en un experimento como tratamientos y bloques.. . . La tabla de análisis de varianza para este caso viene dada en la Tabla 9-3.. Por analogía con el experimento agrícola del Ejemplo 9. Luego se necesita un total de (4) (5) : ZO parcelas. e MODIFICACIONES PARA NUMEROS DESIGUALES DE OBSERVACIONES ? ftt. es la suma de todos los valores en el tratamiento j y > es la suma desde j : t hasta c.l)u : i'k s 2 j. .k donde ..: *)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.i)' ) n¡@¡. EJEMPLO 9-2. etc. Por üanto se necesita¡án 5 bloques.-i. por ejemplo 4 parcelas en un bloque. Es conveniente en tal caso combinar las parcelas en bloques.r)2 (r¡x (24) : 1 . a tengan números diferentes de observaciones iguales los resultados anteriores se modifican fácilmente. . ?r.). Ilustramos el procedimiento para clasificación doble o experimentos de doe factores. etn. 'ú ='vt. En el caso de que los tratamientos 1. ' es la suma de todas las obsen aciones. . número tot¿I de observaciones en todos los tratamientos.. Dentro de tratam n -c grados de libertad Total.tt ) denota la suma sobre k desde t hastan¡ y luegosobreidesde thasta ú. pero lógicamente podríamos simplemente referirnos a ellos como factor 1. Tabla 9-3 Entre tratamientos.. . fto respectivamente. .

. el ANALISIS DE VARIANZA 311 NOTACION PARA EXPERIMENTOS DE DOS FACTORES Suponiendo que tenemos a tratamientos y b bloques. semejante a (3). donde se supone que hay un valor experimental (por ejemplo. .* _. a : i*. .r) + (ñ.r. r' 1 ..cAP.^.* - :i:t. En símbolos ri : ip.Lagranmedíaomediatotalse denotaport'. i'k +t) * (n¡.'--a . rendimiento por acre) correspondiente a cada trataTabla 9-4 Bloques a t1.ú) (38) -x= (t. .* €S el total de valores de la columnah y z €s €l total de todos lo-s valores. construimos la Tabla g-4.-..r. +^t^ (27) VARTACIONES PARA EXPERIMENTOS DE DOS FACTORES Como en el caso de experimentós de un factor. r2 F Ío. .r_lu _2 (3t) (32) (33) (3+) .Ü : .-i'/..b. # u.t)c = = Variación entre filas (tratamientos) Variación entre columnas (bloques) . donde j : 1.. donde k: l. f I t¡ fr¡.-ii . .t i : a k=l q*. €S €l total de valores en la fila j. mientras que la media de los valores en la columna k se denota por e-:.ab s-. Para el tratamiento j y el bloque k denotamos este valor por lc¡. podemos definir variaciones para experimentos de dos factores. r...i¡. = I2.. Definimos la uariación üoúct. - ) 1*. miento y bloque.. a..r- La variación debida al error o al aza¡ se conoce también como uarisción residual.rt l'¡ n¡t Dr ..t)r : _ hr.-.O Ue : A-Dr-Ac donde 2.k.. como uAl escribir la identidad L¡x .. análogas a (10).t .UC I L¡' I'U" (30) ú)! donde 1.1¿ = variación debida al enor o alazar = ) t.. (11) V Q 2).)1r. (2e) y luego elevando al cuadrado y sumando sobre j y la podemos demostrar que . e'^ : j ár..k (¡. Las siguientes son fórmulas cortas pÍüa computación. La media de los valores en la fila j se denota por i. .

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

El teorema nos permite aceptar o rechazar H3" 6 H3'. .1) (b . Bajo la hipótesis H'oz'el estadístico 3. Supondrerfios que hay c valores para cada posición. niveles de significación especificados. Para ensayar la hipótesis I1.r) el estadístico si.lc (ú - l)(ü --1) rt1 ar* u" = )(r. Más información considerando los factores puede a veces obtenerse repitiendo el experimento. (¿ -l)(¿r-t) grados de libertad Entre bloques.cAP.!'.tt y Ht2'.r * Fr * 7. (a-1)(l¡-l) con grados de libertad Residual o aleatoria. úe = l'Total. L'. s c-ls .1 grados de libertad. Tabla 9-5 Entre tratamientos.!') 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. En tal caso habrá más de un valor correspondiente a un tratamiento dado y a un bloque clado.1) (b . * .IMENTOS DE DOS FACTORES CON REPETICION En la Tabla 9-4 sol¿rmente hay un './S.1 grados de libertad. proceso conocido como repetición. el Teorema ANALISIS DE VARIANZA 313 9-5: Bajo la hipótesis H[L). la columna o bloque h y ala repetición /.V"/n2 tiene la distribución chi-cuadrado con b -1grados de libertad.u I' lir. V.V/o')tiene la distribución chi-cuadrado con ab . cambios apropiados pueden hacerse cuando los números de repeticiones no son todos iguales.1) grados de libertad. 'L' - u. una tabla ^ análisis de varianza puede construirse code mo se muestra en la Tabla 9-5. Teorema 9-6: Bajo la hipótesis ll[.l. ¿. Debido a la repetición debe utilizarse un modelo apropiado para remplazar el dado por (35). uc = (t>(tA-j)r b.e.I y (c . Las distribuciones ¿" ./o2 tiene la distribución chi-cuadrado con c . > (J'j - :L)2 a-l i | 3l ' -ra--1 con cr . como en el caso de factor uno. Análogamente para ensayar la hipótesis I1[!) consideramos el estadístico ^3ySg. página 312. Por conveniencia./S3 ti"n" la distribución F con s . ti"n" la distribución Fcon b . . Bajo la hipótesis H[..l¡^i¡l v ^3yS: vienen dados en el teorema siguiente análogo al Teorema 9-3. Pa¡a obtener esto denotemos por X¡o¡ la variable aleatoria correspondiente a la fila o tratamiento j. El modelo viene dado por X ¡xt = ¡.1) grados de libertad.*-r)! EXPER.1.1 y (c .'alor ccrrespondiente a un tratamiento dado y a un bloque dado. Bajo ambas hipótesis HÍ.

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

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. Caso I. 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 . Supóngase que tenemos un experimento agrícola como en el Ejemplo 9. DISEÑO E)GERIMENTAL Las técnicas de análisis de varianza discutidas anterionnente se emplean despuós de que se han obtenido los resultados de un experimento.4.l) + ab(c . Pa¡a üseña¡ tal experimento podríamos dividir el teneno en 4 X 4 = L6 parcelas (indicadas en la Fig. página 306.9-l Fig.1) (b .1. B. Las diferencias en los factores serían impgrtantes solamente si fueran grandes comparadas con tales interacciones. Sin embargo.9-l . El procedimiento se ilustra en el Problema 9-tr3.o) y-H<2. etc. 9.F de 33/0? V GfBi en cambio de esas dadas en la Tabla 9-6. utilizando hs íelaciones F de G?liZ v 3:63 reópectivamente como se muestra enlaTabla9-6.r A B c A C B A c C" Dr Au B6 Cuadrado Compleüa aleatoliedad Bloquee aleato¡ios Cuadrado latino Fis. En este caso podemos concluir que las interacciones no son muy g¡ánAes. Caso II. El propósito de la aleatoriedad es la de eliminar varias fuentes de enor tal como fertilidad del suelo. 9-1 por cuadrados. Esto se denomina a veces como diseíw del experimento.2 Fig.F' de 3?/S3 de la Tabla 9.j'z) utilizando las relaciones .los detalles de un experimento deben planearse cuidadosamente con anterioridad. esto es oj = 0 I{2): Todas las medias de bloque (columna) son iguales. Luego podemos ensay4r H. 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. que pueden analiza¡se como en la Tabla 9-5. Utilizaremos este procedimiento alterno. En lo que sigue damos algunos ejemplos importantes de diseño de experimentos. (a .1). aunque físicamente cualquier forma puede utilizarse) y asignar cada tratamiento. C. 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. para ganar tanta información como sea posible.cAP. 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.9-3 grecoJatino Fig. Dos casos poóibles se presentan. D. Il[r) no puede rechazarse. indicados por . 1. a cuatro bloques escogidos completamente al aza¡. y l/.6. Completa aleatoriedad. Esto produce una tabla factor dos con valores singulares. En este caso podemos concluir que las interacciones son considerabtemente grandes. Il[3) puede rechazarse. Por esta razón muchos estadísticos recomiendan que se ensayen I/é'. esto es l3*= 0 I{:}): No hay interacciones entre tratamientos y bloques. y utilizando este valor para remplazar el denominador 3! en el ensayo F.

con letras latinas A.]: ya que ij. Si es necesario controlar üres fuentes de efror o variabilidad se usa un cuadrado greco-latino.^-¡.\' i.Elrequisitoadicionalquedebe cumplirse es que cada letra latina debe utilizarse solamente una vez con cada letra griega. - ". C.-r)2 i.2. III. El arreglo se llama cuadrado latino puesto que se utilizan letras latinas A. En tal caso es deseable que cada tratamiento ocurra una vez en cada fila y una vez en cada columna. Cuadrados latinos. 4.[-i. 9-4.ri)(ii .-) -. por ejemplo.-f)t t.) i ".k )(r.". e Bloques aleatorios: Cuando. como en el Ejemplo 9.* .316 2. = Lk + j. D. 9-2).Entonceselevandoalcuadradoysumandosobrej¡zlzhallamos )(".^ .. . Para algunos propósitos es necesario controlar dos fuentes de error o uariabilidad al mismo tiempo. B.i=(rjr-rj)+(rj.t. errores en diferentes filas y columnas podrían ser causadas a cambios en la fertilidad del suelo en diferentes partes del terreno.*. S.1. 3. = 1o. Tal cuadrado es esencialmente dos cuadrados latinos superpuestos entre sí. 9-3.k 2 Tenemosr¡¡.i)' : )(r. Demostrar que ) i..á . C.k así (r.^. Problerna.. D uttlizadas para un cuadrado mientras que para el otro cuadrado se utilizan letras griegas a. /V (véase Fig.- )(". r. ANALISIS DE VARIANZA [cAP.s resueltos CLASIFICACION SIMPLE O EXPERIMENTOS DE UN FACTOR 9. Para hacer esto procedemos ñ (". Cuadrados greco-latinos. B.^ -. lJ. es necesa¡io tener un conjunto completo de tratamientos para cada bloque los tratamientos A. C.il :- > = j=t .-tj)(:¿'j-t) j* Para demosürar eI resultado pedido debemos mostrar que la última suma es cero. II. r] Q ". 9-2) y por esta raz6n los bloques se conocen como bloques aleatoríos.r. como se indica en la Fig. D se introducen en orden aleatorio dentro de cada bloque I.1.k '' i\2 + )1o. B. Cuando se cumple esta propiedad el cuadrado se dice ortogonal.r. En el experimento del Ejemplo 9.n-r. como la diferencia en filas y la diferencia en columnas. -")[r\t-tj L . Este tipo de diseño se utiliza cuando se desea controlar una fuente de error o uariabilidad.k )2 t )(r-. como en la Fig. principalmente la diferencia en bloques (filas en la Fig.--).

r b bI 1.k . )r¡.cAP.18 49 48 50 49 51 50 .k = )rr¡. (b) la gran media para todos los tratamientos.-¿)t )¿i = i..2.. = 't)61't). . B..k .2(b) en el tercer renglón y el Problema 9.k )(rji-zx.k 2r@br\ aü*: )"'n = j.2(o) en el último renglón.r-r): i.2x)r¡¡ I i.2(o) en el tercero y último renglones anteriores.ijk+ñ2\ = i.'*\ u u.u ó un -.k abúz )"i = j.¡. Hallar (c) el rendimiento medio para los diferentes tratamientos. (b) (c) Puesto que 7j. -'#(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.zr>ti.) r:r tenemos K por Ia parte (c).3. Tenemos página 307. Análogamente = )(¿.=brj. (c) la va¡iación total.-!+abEz -* í.].4. el ANALISIS DE VARIANZA 317 g.oi-ziri+ñ2) utilizando el Problema 9.D6 I ab¡z s-? -4 ab =. riedad de trigo cultivado en un tipo particular de suelo tratado con químicos A.t) = )(¡.j=lk=l 'i ) )'¿r. La Tabla 9-7 muestra los rendimientos en hl/ha de una cierta va- A B C . o C. Utilizar el método largo. + abú2 i. i'k f¡*" . (d) la variación entre tratamientos y (e) la va¡iación dentro de tratamientos. )1rc = ))*r* r = abt 9.18 49 50 47 19 . .k / r'\2 rl rS/rl-zrJ. Verificarque(o) (d) r: úbÍt(b).utilízandolanotaciónenlapágina307. Verificar las fórmulas cortas (10)-(12). : abñ.(c) ?'.It - 1'b' Tabla 9-? 9.

= lae+A+3*B) = 5 3.¿): + (4 -4):¿ + (6-4)2 + (5. ¿podemos rechazar la hipótesis nula de medias iguales al nivel - 1 : F=$=h = 3 6 - L : 2ya(b .:l = = r'.4)2 + (5 -.01? Tenemos con-o Con referencia al hoblema 9. de todos los datos sin afectar los valoree de las variaciones.5. . (a) (b) ? 3 9.318 ANALrsrs DE vARTANZA Para simplificar la aritmética podemos restar algún número apropiado.5)r + (d--5)! -l (5-5)r + (5-5)r 412 9.6.)2 t. = ) @¡¡-E¡. = o.4)2 + (4-4): + (3 . ¡r. eon 49.conut:2yu2:9. Entonces obtenemoe los datos de la.¡. Por tanto los rendimientos medios. de significación del (c) 0.1): 3(4-1) : I grados delibertad. obtenidog al sumar 45 a éstos. = b)) (é) Variacióndentrodetratamientos Otro método.4¡:: * (3 . Variacióntotal 4 =.@ir-E)2 = (3-4)r + (4-4)x + (6-¿)¿ + (4. Con referencia al Problema 9.u = 14-8 = 6 (cl.4.. Tabla 9-E e (a) por Las medias de tratamiento (fila) para la Tabla 9-8 vienen dados respectivamente rr. = !4(B+4+ 5+4.4)2 + (2 .96podemos techazar la hipóüesis nula de medias iguales al nivel 0. 48 y 50 hl/ha para A. i. C (b) (c) .f B+4+6+b+b¡ = Así la gran media para el conjunto original de datos es 45 * 4 : 49 hl/ha.95:4. (o) ConreferenciaalApéndiceF.41-B. B.Puesüoque^F :6)F. =. 1 = 4. 3 0.4)! + (3 .05. -¿). = i(B+4-f b+4+2t.k = (3.4)2 + (4- + (2 -3)2 + (4-3)2 + (:J-U + (5-4¡r + (4-4): 3)2 + (3 . (b) 0.g)r + (4. (b) la variación dentro de tratamientos.: i(4+6+5*5) = respectivamente.26.Tabla 9-8.4. 4l(4 .¡.¿.05. por ejemplo 45. hallar una estima insesgada de la varianza poblacional oz de (c) la variación entre tratamientos bajo la hipótesis nula de igual medias de hatamiento. [cAP.yemosqueF.4): + (5-4¡: =14 ((l ) Variaciónentretratamientos = tr..4)'.

vemoaqueF.6 ¡e muestran en la Tabla 9-9.9 o(b-1)=(3)(3)=9 gradoe de =14-8=6 libertad 9. (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"?--# : .= Dentro de t¡ata 0w=0-0b a -63 ^' .n) = : 2oo 6 _ tg2 = E (c) D-Qb:14-8 .=2+4+3*3:12 rt.2/3 n con 2. I¿ tabla de aDáli¡is de va¡ianza para loe hoblemss 9.6:8. Tabla 9-9 Gg=f.a&-6 ..conur:2!uz:9. Utilizar las fórmulas cortas (101-(12) para obtener los resultados del Problema 9. el ANALIS$ DE VARIANZA 319 (b) ConreferenciaalApéndiceF.4-9.4 ba'i ab 1 i062+t22+202) 0w: (^8\: te. = 3+4+6*4 = 16 tz. .?.9no podemos techazar la hipótesir nula de medias iguales al nivel 0. = 4 +6+5*5 = 20 r = 16+12+20 = 48 Luego D6 1s-.cAP.06-S8t = (b) Los totdes de las filas ¡on 206-rsz = 14 También rl.02. .O1.Pue8toqucF=6(F.4.

cinco operadores experimentados trabajan con las máquinas durante intervalos iguales. = lrsoor --.'r = 206 " = ?". e t T: A B C 3454 2433 4655 16 256 t2 20 r14 400 ) s.ffi : - 245 := . de las máqui nas. Tabla 9-10 T [cAP.4 y a partir de este punto el análisis proce- 9'8' máquinas didiseñado para . 16= = zs56-246 soo = zrrL (i55 I t.rooo¡ . =48 ?t. 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. = t4 800 7) = (zoe)r-9q): = u¡.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 ejemplo 60.?¡ Entonces = 2356 r. de como antes. 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. La Tabla 9-11 muestra de unid s. Tabla 9-12 J Í: ).ab6-1#¿.(¡ti)] : ! Los resultados concuerdan con los obtenidos en el Problem a 9.

1456 =ZO I | =. Es conveniente restar Tabla 9-14 Muestra 1 ..)rr¡(.cAP.8 (5X4) t: Pata 4. ".(i -5r2 .-¡.9. ?t¡ = 655 tratamientos. La Tabla 9-14 muestra la duración en horas de las muestras de tres tipos diferentes de tubos de televisión fabricados por uná compañía.05.102 410 . Utilizando el método largo.r.fti'k ¿rr.2lIl I ab-I=24 I W = tz.1 .¡r . Por tanto no podemos rechazar la hipótesis nula a un nivel 0.f)r!-i tÍf -f)): r t.u-1) = 5(4) rA = I l "u ?'.".t0i Muestra 2 Muestra 3 11 409 401 406 408 405 .ru r También podémos obtener 72 -- 36 .. 7):+(11 -?)2+.108 406 408 un número apropiado..01.18-512: rl¡--5rr .l-5rr -. directamente observando que es igual a (7--9):r-(11.(10 8r: I í8 __ 8)r -i rG 8): -1. Tabla 9-13 Entre tratamientos.-+(8-7)z = 5): 72 -= J'K )(t..r (2 5):r -l.01 si hay una diferencia en los tres tipos. el Formamosla Tabla 9-13.^.ss: 2..87 . las medias de grupo o muestrales y la gran media..)! ¿'. ANALISIS DE VARIANZA 321.(8 _ 8l: - . 20 grados de libertad tenemos F . .-i)z -3(9 ' - 7\2 36 ! 5(7 + 4(8 -- 7)! = 36 . u.05.-i.i = Gran 8 media = 84 1t En esta tabla hemos indicado los totales de fila. Entonces tenemos . . y obtener la Tabla 9-15. lógicamente tampoco la podemos rechazar al'nivel 0. ensayar al nivel de significación del (c) 0.)(r. por ejemplg 400.u¡. (b) 0. Tabla 9-15 Total Muestra 1 Media 9 7trI 4 27 8 5 2 Muestra 2 Muestra 3 6 25 32 5 10868 . MODIFICACIONES PARA NUMEROS DESIGUALES DE OBSERVACIONES 9.

05 pero no al nivel 0. I 5. 12. 72 t1.:25. = 19= 1g 5. Tabla 9-16 [cAP.8 9. ensayar al nivel de significación de 0.10. Rt=3.=32. so:.9. De la Tabla 9-15.8 6.2 7. las medias de columna y la gran media. Por tanto ! = n2=5. Tabla 9-16.=27.8 o. 12t nB=4.02.(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. Tabla 9-1? Cosecha cosechas de plantas diferentes culparcelas tratadas con tres tipos diferentes de fertilizantes. . Soluciona¡ eI Problema 9.01.(25)2. n=12. 9. (b) hay una diferencia significativa en rendimiento por acre debido a las cosechas. Utilizando el método lartivadas en Cosecha I Fertilizante A Fertilizante B Fertilizante C u Cosecha III Cosecha IV 6.2 ñ"¡'.322 ANALISIS DE VARIANZA f.9 utilizando las fórmulas cortas incluidas en (24).01 si (a) hay una diferencia significativa en rendimiento por acre debida a los fertilizantes. Por tanto podemos rechaza¡ la hipótesis de medias iguales (esto es. F.os datos pueden resumirse en la tabla de análisis de varianza.0 5. = = 36 (27)2. como se indica en la Tabla 9-18.?.-.7 45 8. La Tabla 9-17 muestra los rendimientos por acre de cuatro go.2 Calculamos los totales de fila y medias de fila. ninguna diferencia en los tres tipos de tubos) al nivel 0.99 : 8. rg.96 : 4..6 7.5 Enüonces para 2 y 9 grados de übertad hallamos del Apéndice F que F..4 uru so'- 18 = 36 G1=?9=4 = 4. e Variación Grados de libertad Media de cuadrados F D¡=36 a-7=2 n-a=9 io.4 7. + 62 +8r-Q|2 = 72 a6 = ?t-. como también los totales de columna.9 6. CLASIFICACION DOBLE O EXPERIMENTOS DE DOS FACTORES 9. (25) V Q6l.26. ¡=84 = + iL2 + .11.

2 -6.6.7 5.68 u" : Variación de medias de columna con respecto a la gran media = 3[(6.6.8 Media de fila 6.6 .8)2 + (5.S12 -'.6.8)2 + (5.9 68 5.05 hay una diferencia significaüiva en el rendimienüo debida a los fstilizantes.86 gl: 3.3-6.6 ¡'=0"2/i3=0.8)21 = 13.ocz Al nivel de significación de 0.8¡r+ (7. .6 grados de libertad.8 7.08 ue : Variación aleatoria = Lt .6 columna u.8)2 + (5.0-6.6.8)2 + (5.6 7.2 8.5 18. 64 7. Tabla 9-19 6.3 5. : Esto conduce al análisis de varianza en la Thbla 9-19.S¡z a (7.2 .4¡z * (7.7 8.:5.6.podemos rechazar la hipótesis de que las medias de fila son iguales y concluir que al nivel 0.cAP.2 6.14.6.8 9. Entonces.4¡z a (6.5 -6.3 Gran media 6.2 2t.2-6. (7.2 23.yaque 6.8 -6.8)2 + (?.8)2 + (8.0 33.4 7. .9 .4-6.9 = = 81.5 6.4-6.5-6.7 -6.8 .r.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.5 6.8)2 + (6.14.6 5.9 -6. el ANALISIS DE VARIANZA Tabla 9-18 Cosecha 323 I Cosecha II Cosecha III losecha IV Totales de fila 24.24> 5.2 Fertilizante A Fertilizante B Fertiüzante C Totales de 4.r. Fq.8)2 + (6.8)2 -1 (9.8)2 + (6.9 columna Medias de 19.8 : Variación de medias de fila con respecto a la gran media = 4U6.0 Gran total 22.05 con 2.zt gl: 2.32 U: Va¡iación total (4.0 7.0 .8)2 + (8.8)z] = 2.6.7-6.3 .6 oi = t.58 F =G?/C?: a.8)2 = 23.

2+23.11.t2. 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.G8 = *>t-"ti = |trozs.10 Entonces s-2 j* tt'r^ 12 ab = vr 1s-r-t' 577.96 bj'j.82 11 = = 23. Los resultados se indican en la Tabla 9-20. .88 2.6 : 577. B.08 de acuerdo con el Problema 9.08 = uc Lnezln.6)¿ = 2274.n¡z (5. e 9.2)2 81.8+33.96 S-z Sro (24.88 ab = 23. Utlizar Tenemos de la Tabla 9-18 i.13.58 EXPERTMENTOS DE DOS FACTORES CON REPETICION 9. - 13.324 ANALISIS DE VARIANZA las fórmulas cortas para obtener los resultados del Problema 9. (b) una diferencia en los turnos.ut - bb4.rol rt .6 = (4.(23. D en la producción de tornillos.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. móquina y lurno. Un productor desea determinar la efectividad de cuatro tipos de máquinas A.k )"i T a .5)2 + (18.05 si hay (c) una diferencia en las máquinas..2)2 ¡ + (33.88 = = 18. : lcAP. Nótese que para cada máquina se han indicado dos turnos..2)2 (27-O'¡z r.9)2 = 1673.2¡z (19. C. En esta tabla se indican los dos factores principales.68 .82 = 6. Los días de la semana se pueden considerar conro réplicas o repeticiones del rendimiento de cada máquina para los dos turnos.S¡z a (6.zu 'üc bb4. + 24.11. 554. Efectuar un análisis de varianza para ensayar al nivel de significación del 0.24 ¡ (22.

6-51.b . ZO - (126\2.5 = 1861.6 La variación enhe filas üene dada por (zee¡z 40 a' = (54)2 (85)2t' (6.4 Para considera¡ los dos factores principales.0c = 65. (44)2. (30)2.0 'tt" = --ñ.1 = 6.6 = 51. que llamaremos variación subtotal u". concentremos nuestra atención al üotal de los valores de repetición correspondiente a cada combinación de factores.6 : 66.?_1?e5. móquino y turno.6 = 1b0.6 rov = 8.4 variación total para la Tabla g-22. variación debida alasinteroccion¿s entre las filas y columnas. (38)2 ""--6-5 . (31)2..¡2912. (119)r_eqq\2 ? 40 - _ 180s.1795.)' + qq -ld.cAP. Estos se ordenan en la Tabla 9-22.b --5 .5 .S .1 Si reetamos de la variación subtotal u..S .6 - 1?9b. + 72 +L02-W = 1946- 1?95. (32)2. 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+ .ro ro 10 La va¡iación entre columnas viene dada por (zgq)' 40 = 1846.3. 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 [.(41)2. la suma de las variaciones entre filas y columnas (u. viene dada por -. _124)2. que es una tabla de dos factores con valores simples. Esta viene dada por * u" ) obtenemos la 0i = 0"-D¡.0-8.2 .-..

Aef. Tabla 9-23. De la Tabla 9-23 vemos que pa¡a interacción F : 0.SfSe:2.05 podemos conclui¡ que las-máquinas no son igualmente efectivas. Eeto resulta en a" = Q-(or*o"*o¡l = 7).! : Sgradosdelibertad. Puesto que 3 de esos 8e deben a filas y 1 a columna¡.tr ¿" que lar fila¡ tienen ¡¡sdi¡¡ igualee.06 no hay diferencia iignificativa entre turnos.81?.4 Para continuar debemos determinar primero si hay alguna inüeracción significaüiva entre los facüores básicos (es decir.6 : 84. el reeto. Puesto que . lo cual indica que la interacción no ee significante. eeto es. Para l.:6.Ya que hay 40 valores en la üabla original 9-2i el total de gradoe de libertad es 40 1 = 39. B2 grados de libertad podemos rechazar la hipóüesis ll.6 + 84.entantoquelavarirrcióndebidaalae 2columnastiene 2-L= Estas va¡iacionee se indican en el análisis de varianza. 0' = 51'0 i? = tt. Por tanüo los grados de libertad debidos a l¡ va¡iación residual o aleatoria ee 39 7 : 32. vemos que F para las fila¡ e¿ 6. - libertad cottespondientes a cada tipo de variación.F nl: 2. Esto esequivalenüe a decir que al nivel 0.o" : 150. Siguiendo lae reglas de la página 315. la va¡iación subtotal) ¿L U variaóiOn tot¿l u. Esto es equivalente a decir que al nivel 0. Si decidimos analizar los resultados combinando las variaciones residual e interacción como lo recomiendan algunos estadísticos.: 4.8 : 91. 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).90 para B. 0c = 8'1 Interacción. e Finalmente la variación reaidual.3 y 3 + 32: 36 respectivamenüe.06.4-65. I¡iabla también da el número de grados de Tabla 9-23 Filas (mÁquinas).42.. Para hallar loe grados de übertad debidos a la interacción obeervamoe que hay 8 valores en la Tabla 9-22. D" = 84'8 Total. u= 150. 7 (3 + 1): 3.16. Entoncee ya que F calcul¡do para lascolumna¡es 8. . no podemos techazt la hipóteeio l/[zt ¿" que las columna¡ tengan medias igualee.326 ANALISIS DE VARIANZA lcAP.65 para el denominador de F en la Tbbla 9-23 no afectan las conclusiones alcanzadas anteriormente. columna e interacción (ee decir. Al usar este valor en cambio de 2. ce debe a interacción.o Columnas (turnos). 32 grados de liberüad Fn. podemos rechaza¡ |a hipótesis flllr ¿" la pógina 315.5 G? = zltt Aleatoda o residual. que conduce a unava¡ianzacombinadade gL. ya que hay 4 filas en la Tabla g-22La variación debida a l¡s fila¡ tiene 4 . filas y columnas de la Tabla 9-22).8 1 grado de liberüad.61. hallamos para la va¡iación combinada y grados de libertad combinados u¡* u. Po¡ tanto el total de gtadoe de libertad es 8 I : 7. u¡ = 6. se halla reetando la suma de variaciones füa.

51 para 1. podemos concluir que aún al nivel 0. Efectuar un análisis de varianza para determinar si hay una diferencia significativa entre los fertilizantes a niveles de significación de (c) 0.94 Variación entre filas . A este nivel aún no hay interacción apreciable. También obtenemos el total de rendimientos para cada uno de loe fertilizantes como g€ muestra en la Tabla 9-26.49.05.19 - 5439. de modo que podemos proceder más al.lá.13 si se utiliza el nivel 0. 32 grados de libertad y puesto que F para columnas es 3.4 -.. 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 9.5439.Ia variación üotal y las va¡i¡ciones para filas.06 = 4. B. 32 grados oe libertad y puesto que F para filas es 6.01 las máquinas no 6on igualmente efectivas.06 .l cAP. el ANALISIS DE VARIANZA 327 9.15. 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 9-24.47 para 3.14. Ya que F . CUADRADOS LATINOS Tabla 9-24 9.01. 29.25 + ry .75 .06 : 329.19 (2eS1z - 5439.26 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. Un hacendado desea ensaya¡ los efectos de cuatro fertilizantes A.r. Ya que ¡'. Hdlamos Va¡iacióntotal : o= (18)? + (21)2 + (25)2+'. = T*ry*ry 5723.e0 = 7.4 .05 y (b) 0.At-ril. Solucionar el Problema 9.06 : va¡iación entre (77\2 (74\2 (78\2 (71\2 columru lS=?rc= 4 .' + (10¡z * (lT2 -@5Y 16 5769 - 6439.69 16 variaciónenrretratamienros = . 4 : 5443.01 no hay diferencia significativa en los turnos.01.25 *9'{ -(fftr = 284. donde los números indican rendimientos en dkl por unidad de área. columnas y üratamientos se obtienen común y corrienüe. C.1)¡ ff +ff + ff -5468. D en el rendimiento de trigo. concluimos que al nivel 0.t: 4.

76.r. e Filas. Ya que el valor de. 7. autos y caminos podemos emplear un cuadrado grecolotino. . de modo que cada letra apatezca solamente una vez en cada fila y solamente una vez en cada columna.01.05 hay diferencia en la fertilidad del suelo de una fila a orra. Tabla 9-28 CONDUCTORES 1234 B.19 Residuales. (b) Ya que Fgo.9 > 4.0 : 9.328 ANALISIS DE VARIANZA El análisis de va¡ianza s€ muestra en la Tabla 9-27.05. como se indica en la Tabla 9-28. B.01. Es de interés determinar si hay alguna diferencia en el kilometraje por galón entre las gasolinas A.19 Columnas. concluimos que no hay diferencia en la fertilidad del suelo en las columnas. 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.o :4. Un aneglo posible es el dado en la Tabla 9-28. denotados por o.lJtiliza¡ el análisis de varianza para determinar si hay alguna diferencia significativa al nivel 0. podemos concluir que hay diferencia entre fertilizantes. conductores. cuatro autos y cuatro caminos diferentes. LATTNOS 9.05Ia hipótesis de que hay medias de fila iguales.17. sujetos a los mismos requisitos impuestos a las letras latinas.' I A.16. debemosconcluirquehay una diferencia entre fertilizantes al nivel 0. B.78. Tabla 9-2? lcAP. Diseñar un experimento utilizando cuatro conductores.8? (o) Puesto que F er. CUADRADOS GRECO.. p. 6. 284. podemos aceptar la hipótesis que no hay diferencia enla fertilidad del suelo en las filas (o las columnas) al nivel de significación del 0. Asignamos aleatoriamente los cuatro caminos que van a emplearse. 11. 29. D.. i I}¡ 9.¡. Puesto que se incluye igual número (cuatro) de gasolinas. C. C. Puesto que el valor F para columnas es menor que 1. Supóngase que los diferentes autos se representan por las filas y los diferentes conduetores por las columnas. Se deduce que al nivel 0. D aleatoriamente a filas y columnas.76. Así cada conductor tendrá la oportunidad de conducir a lo largo de cada uno de los caminos. 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). Sin embargo.69 Tlatamientos. rechazamos al nivel 0.F para tratamientos es 4?. Asignamos las diferentes gasolinas A. 4.

ó) Ga¡olinas: (62)2 4267. 7. (59)2 . Tabla 9-31.00 - 6-50 - 11r.60 = 6.4-T 4 .60 Columnas: .60 -4096 = 111. Dl Caminos: (o' P. (52)2 .4 . 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. como eigue: Atotal: 15+16+15+16 = Btotal: 19+18+2I+ 23 = Ototal: . leüras laüinas y letras griegas cada una tienern 1 grados : 4.60 ry*ff+ff+ry-ry 4 (16)'z = 4ros.60 I 4096 6. 4 - (70)2 (256\2 16 Q6A)z 16 QAA¡z = 4112. C.50 4244-4096 = 148. el ANALISIS DE VARIANZA 329 Prirpero obtenemos totdes fila y columna como ¡e indica en la Tabla 9-30.50 La variación total ee (1S¡z * (le¡z + "' + (16)2 + (2s\2 -e66\2 =' 'I | \-vt 16 16. (68)2 4 .60 (A.6o-40e6 = ?.60 - 4096 = = 16. (63)2 . (61)2 . B.00 de modo que la variación debida al e¡ror e¡ 148.00 deliberüad.Ennueetro . utilizando el método corto. Filas: a----l---4 (64)2 . -1--4(n-1)=(n-lXn-3).cAP. Las filas. (61)2 4-4-4-4-16 4102. 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.1 para un cuadrado de n X n. E número total de gados de übertad es n2 . (62\2 -.Portantolosgradosdelibertadparaelerroresn2 caso n f.50 - 7.os resultados se mueshan en el análi¡i¡ de varianza. (81)2 . columnaE.

B.¡z > + ) (x.28 V F. 111.18. Entonces.a:9.3u*3" = op+\'¡ t=L i=l !:t' = (2p)/a.r. Derivar (c) la ecuación (17)..*-i. Capítulo 5.C.50 2.60 Gasolinas.500 :?*33=t.". Demostrar que > oj = 0 [(15).-*.. b 3 (¿'-1"'\ -i---t\ b / = a(b .= . 6. PROBLEMAS DIVERSOS 9.. donde Sf é define por (15). e Columnas (conductores).-¡b-l ¡ es la varianza muestral para el tratamiento jr como que el tamaño de la muestra es b.01.19. J=r - =.50 Caminos (o' É' 7. (b) la ecuación (I6).05 pero no al nivel 0.tz = b j=r |Lo rEr' " ' ) = ¿!s? j=1 d. (4.s : 29.330 ANATISIS DE VARIANZA Tabla 9-31 lcAP. Se deduce que t=L )¡t* )"t j:r ' donde hemos utilizado la definición p )a. de Ia página 308. Por tanto podemos rqchazar lahipótesisdequelasgasolinasson igualee al nivel 0. ya E(v.5.so.or.) = bj¿E(Si) utilizando (I6) del Capftulo 5.s.D). (o) Poi definición tenemos v. = F* e¡. 7. página 308]. 5u. 6).26 Tenemos F. = 9. El tratamiento medias de la población viene dado por p¡ Por tanto ac = 9.l)oz - .} .

puesto que las varianza¡ S! bn indep el Teorema 4-4.-ab*z j=1 a. más el reeulüado dd hoblema 9.1 gradoe de libotad. + > al - ob¡P (c--t)62 * b ) a.19(o). Por tanto lv(x.P = (a-l)o2 * abp2 + zbp> ". (b) 0.. Demostt'ar el Teorema $1.+*i):-l -"ufLab J !+rr) " '' ) -LD aoz * b ) (p+ a¡)2 - o2 - s'b.) (d) (7) E(Xj. en (I ) tenemos E(va) = b>[+*(¡. obteniendo u" . el ANALISIS DE VARIANZA Por 331 (b) definición vt' = a ) 1*r. Como ¡e indica en el Problema 9. .01? Si existe alguna variación debida a las repeticionee se incluye en lo que ae llama el ertor re¡idual o aleatorio. E(U2) = Var (U) + lE(U)12. omitiendo el fndice de la euma..13 supusimos que no existían diferencias significativas en las repeticiones. en la Tabla 9-23.Enloncex.18.\12 lBlx¡12 E(xil : E(Xz) = Var (Í) + Pero ya que las poblaciones de traüamiento son normales. los diferentes días de la semana.bgQ7z) Entoncee para cualquier variable aleaüoria U. tenemos dd Teoreme 6-4.-x¡z t=r aa a o = b>*i-2bx)x.21.8.+auxz l=r t=L ya que (f) (21 (. esto es.05. ¡úgina 161.2 9. ¿Podemos sostener esta conclusión al nivel de signifi cación del (c) 0.t) X = ( )It. En el Problema 9.p6gitn 116. P¡ra hallar la variación debida a larepeticiónutilizamoslostoüalegdecolumna cn la Thbla 9-21.20. con medias ¡t¡ y varianza común 02. página 309. 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. bSJ/o2 tiene drado con b .) + a. página 158: ( tr) var (5) =r Var(X) = # E(X) = p (i¡.cAP. Entonceo.) / \ // /\/ ' = b>*?. üenemos E(val = b>86?) var(i¡.) = pj = p+ai Utilizando los resultsdos (2>(7). Por el Teorema 5-6. = 84. que V-/o2 tiene dishibución chi-cuaüado cón o(b - 1) 9.

.. (47)2 (50¡z -. Finalmente d Existirá una uarioción total dada por (l) 1) = t.C"."o = 11.u¡6. teniendo en cuenta las repeticiones. .rpor denota la gran media.Elvalorú¡¡.1795.827 = 73.4 3 Aleatoria o residual a'" | 2. Reproduzca la tabla de análisis de varianza a emplearse en tal caso. Estas variaciones son entre clases del mismo tipo y entre clases de diferentes tipos (inúerccciones). I-a variación residual después de restar la variación debida a la repetición ea ue : 84.7! parz 4.0g. l---g 6. Sigñificados análógos se dan a E¡ ¡ ! r .4 Puesto que hay 5 repeticiones. . e 1t=-+'re¡ (57\2 g (51)2 g . es la Tabla 9-32. Las siete variaciones en las que se puede dividir (1 ) vienen dadas por u = DA+ürJ+uc lTIAB *. es la media de valores para las clases Il y C cuando Ar es constante.32 Filas (máquinas). o.4)2 .6 = 11. 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.4 De la tabla vemos que el F calculado para repeticiones es 1. Pero ya que Fe5: 2. El valor f. 0' = 0c 51'0 Columnas (turnos). Ao) Barupos.4. denotados pot 41.2g grados de libertad.. los días de la semana no eon significativos.767 | -=0.8 114: ?8..332 ANALISIS DE VARIANZA [cAP. C.22. Suponemos que la clasificación se hace en A grupos. Describir cómo se pueden utilizar las técnicas de análisis de varianza para clasificación triple o experimentos con los tres factores (con factores simples).. 9.k. 8r. .EIvalorenA¡.. Tabla 9.06 (y por tanto al nivel 0..¡r.18.ú¡n< . La tabla final de análisis de varianza. Las otras variaciones son las mismas a las de la Tabla 9-23.*ucA-. .. Ias conclusiones reliacionando máquinas y turnos son las mismas a las obtenida¡ en el Problema 9. denota la media de valores en la clase C cuando A¡ y B:p se maitienen fijos. T. es decir. g - (268)2 40 = 1807 ..8¡r. sedenotaporxjkl.01) debi- da a las repeticiones.C{luposdenotadosporC¡. como se indica en la Tabla 9-33.86. = 8'1 Repeticiones (días de la semana)..t 2 @¡rt- ú)z que puede dividirse en siete variaciones. el número de grados de libertad asociados con esta variación es b 1 : 4. denotadospor ejemplo.

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

Determinar al nivel de (o) 0. (D) O.30. El fabricante desea determinar ei hay una düerencia (o) entre operarior. (b) 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. Para lleva¡lo a cabo. Ensayar a loe niveleg de (o) 0.06. 9. prÁgina 311.01 si hay alguna diferencia significativa en las marcas. (b) entre máquinas. D. B.O1 si hay una diierencia significativa en sus calificaciones entre Ssas asignaturas. Luego se da el mismo examen a todoe los estudiantes y oe obtienen las calificacionee indicadae en la Tabla 9-36.27. Dar la informaci6n deseada utilizando un nivel de oignifi' cación del 0.06. 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. (b) 0. 9. determinada de sus fibras. 9.334 ANALISIS DE VARTANZA [cAP. vienen dadas (en miles de millae) en l¡ Tabla 9-36.85 Tabla 9-86 9. Se efectúa un erperimento para determinar el número de artículos diarios producidoe por cada operario utilizando cada una de lac máquinas. (b) 0. Demostra¡ la¡ fórmulas cortae (3I fl34). para el caso en que los 4úmeror de oba¿rvaciones dean CLASIFICACTON DOBLE O EXPERIMENTOS DE DOS FACTOBES 9. Tabla 9.os a¡tículo¡ fabricados por una compañfa se producen por 3 operarios utilizando 3 máquinas diferente¡. diferentes. [.26.01 si hay una diferencia significativa en los métodos de enseñanza. I'z duración de log neum6ticor. Demo¡tra¡ el resultado (30).06.24. Durante un semestre un estudiante obtuvo las calificaciones indicadas en Ia Tabl. Ensayar a loe niveles (o) 0. e 9. donde cada tipo ¡e ha tratado en 6 automóviles semejantes asignando los neumÁtico¡ aleatoriamente. Un profesor desea eneayar treg métodos de en¡eñanza I. C.25.81. Una compañfa deeea ensayar 4 tipos de neumáticoe A. (25) V Q6).05. 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 .05. página 311.01 si hay diferencia en lo¡ neumáticos. Ensayar al nivel de (o) 0. II. loa resultados se dan en la Tabla 9-39. Demostrar los resultadoe (24). II1. tres grupos de 5 estudiantes se escogen aleatoriamente.29.28. Tabla 9-37 I\[atca. La Tabla 9-37 da los números de mill¡s al galón obtenido por autornóviles semejantes utilizando 5 ma¡cas de gasolinas.a 9-38. y a cada grupo se le enseña por un método diferente. página 310.

01. Ios réeultados se dan en la Tabla 9'41. Suponer que el experimentg del hoblema 9. Determinar al nivel de 0. Analizar el ex' pelinojo rubio Alto Mediano Pequeño 76 81 73 78 76 castaño 80 79 perimento al nivel de 0. Ensayar al nivel 0.8?. (b) las clases de automóviles.12.cAP.01. Suponer que en el Problema 9. (b) la localización. B C 16 18 20 15 L7 16 2l 19 18 23 19 2l 23 20 D 9.05 si hay diferencias signifiéativas en (c) loe operarios. los bloques). ts Tabla 9-43 da el número de artículos produeidos por 4 operarios diferentes trabajando en dos tipoe de máquinas.01.g2.05 ¡i lo¡ rendirnienüos en bla 9-40.01.06 ¡i hay una diferencia en (o) lor ferüilizantes. roy"t al nivel de 0.23 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.34. y así sucesiva-E mente. Solucionar el hoblema 9.33. a ^ B {amente con (o) las diferencias del terreno (esdecir. E 18 22 2L l7 18 24 g.3ó r¡tilizando el nivel de significación del 0. (b ) en los planteles. / y II. Tabla 9-41 9. en tanto que en un experimento semejante efectuado en el oe¡te da los resultados en la Tabla 9'42. c Semill¡s de 5 tipos de mafz ee siembran en 5 bloques' Cada ue se asignan 0.06 de que hay diferencia en (a ) d método de en¡eñanza. \4 9. varfan significati- aleatoriamen' 5 . el segundo a un estudiante de otro planüel. Solucionar el hoblema 9. SLOQUpS C D E IIIUIIV t2 15 15 19 L4 18 11 16 16 l7 10 t2 16 L2 11 14 11 12 16. (b) las diferencias en el tipo de maí2. la eegunda observación empleando una segunda clase especffica.36. y así sucesivamente.06 si hay diferrencia en (o) los tipos de neumáticos. Solucionar el Problema 9-31 utilizando el nivel de significación del 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. 9. Solucionar el hoblema 9.40. el ANALISIS DE VARIANZA 335 g.26 el primer valor para cada método de enseñanza corresponde a un estudiante de un plantel especffico.g6. Suponer que en el Prpblema g. 9.05. Ensayqr la hipótesis al nivel 0. lo 77 9. doñde los números in' dican 10 en el tope de los graduados. dUrante díae diferentee. Soluoiona¡ el Problema 9. g. (b) las máquinas.33 utilizando el nivel de significación del 0'01.39. 9.38 al nivel 0. EXPERIMENTOS DE DOS FACTORES CON BEPETICION T¡bla 9-42 A 9. 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 .40 utilizando un nivel 0.41. Tabla 9'4O TIPOS DE MAIZ bloque te a los hl/ha.24ltprirnera observación para cada tipo de neumático se hace empleando una claee espeiífica de automóvil.38.

(D) lae variaciones del terreno.05.48. Oes: te.45. Se obtiene el cuadrado latino. Tabla 9. Ensayar la hipótesis a un nivel del 0. Tabla 9-44 efectúa un experimento para ensayar el efecto sobre el rendiniiento de 4 tratamientoe de fertilizanües A. B o C. Cuatrotiposdecable?¡.05.01 de que no hay diferenci¿ en (o) los fertilizanSe C8 At4 D10 Á10 c12 BL4 D16 D12 B11 811 Dt5 Á10 tee. Con referencia al Problema 9.C1 . t¡ Tabla 9-48 contiene los datos sobre el moho acumulado en hierro tratado con químicos A.01 si hay una diferencia significativa en los tratamientoc.S4 Sr. w2 BB6 Dog ws Ao5 9. Soluciona¡ el hoblema 9.Cz. . q D. W¡ .1.a diferencias en (o) ertatura. y de variaciones del teneno en dos direcciones perpendiculares.r 198 D. T¡¡ fq¡talezas promedio obtenidas se dan en el cuadrado greco-latino de la Tabla 9-4?. 9.43. Tr AB 164 c2 Bf 181 c3 ca Ay 193 193 207 166 c4 D6 160 T. como se muestra en la Tabla g-46.6 .LATINOS wr ^S. B.4? c. D y las del cegundo por ü.Tz. B7 At4 Tabla 9-4ó c12 adicironal dando la sección donde naci6 el estudiante Eete. T3 T4 c6 t7l D. Wt.44.05 ¡i hay una diferencia significaüiva en rendimiento académico de los e¡rudiantes debida. L62 BB L45 cB 2t2 A6 112 86 Do An 188 Bq 167 c7 136 PROBLEMAS DIVERSOS 9. 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. B. eetableciendo cualquier conclusión a que pueda llegaree. (c) lugar de nacimiento. ?a sefabricanporcadaunadecuatrocompañfas.Tc. Centro. El aumento en peso por unidad de tiempo 6e da en el cuadrado greco-latino de la Tabla 9-46. Tabla 9-4t Alto Pequeño Mediano 110 95 Tabl¡ 9. D usando cuatro máquinas diferentes. e 9. Efectu¡r un análisis de la varianza del experimento al nivel de significación del 0. Wz.47. miden las fortaleza¡ de los cable¡. [.Ct. Ca. É.Cuatro operarior A.as cantidades diferentes del primer compuecto se indican por A. 9. 4 cantidades diferentes de dos compuestoc químicos se agregan a los ingredientes bási co¡.05. BoG Dy l0 Ap8 c6 10 cialee. Determinar al nivel (o) 0. 7. c16 9. donde lo¡ números indican rendimiento de maÍz por unidail de á¡ea.44. respectivamente. 6. Para producir un tipo superior de alimenüo pnra pollos. eetableciendo cualquier conclueión a que pueda llegarse. (ó) 0. Sz S¡. St. C. Wc y 4 especies d-iferentes . C. Efectua¡ un análisiÉ de varianza al nivel Q. Tabla 9. o.49 105 103 118 A B 3544 4233 6465 Lt2 10? 90 115 c 108 lr2 93 104 96 L02 . Det¿rmina¡ a un nivel de 0. B. (b) colo¡ de pelo.38 euponer que introducimos un factor 876 c81 o73 Tabla 9-46 o78 E'76 c80 o79 c76 877 w4 CUADRADOS GRECO.336 CUADRADOS LATINOS ANALTSIS DE VARIANZA IcAP.46.43 utilizando un nivel 0.05.

Determina¡ al nivel de 0. Demostrar el Teorema 9-2.4g.05 y establecer sus conclusiones.62.62.Q. t¿ Tabla 9-51 muestra los puntajes para una muestra de estudiantes universitarios de diferentes partes del país con diferentes I. Veterano No veterano 90 85 Medio ril 78 I.ó6. rinden mejor' Los puntajes obtenidos se muestran en la Thbla 9-50.01. Un experimento mide el L Q.54. página 309.54 al nivel 0. de estudiantes adultos de estaturas altas.01 si hay alguna diferencia significativa en los I.50. Se realiza un examen para determinar si los veteranos o los no veteranos de diferentes I. relativo a diferencia de estaturas. .Q.Q' 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.05 si hay una diferencia en los puntajes debido a diferencias en (o) el estado veterano. 9. Bajo I.05 si hay diferencia en (o) fertilizantes. el ANALISIS DE VARIANZA 337 g.Q. en tanto que los resultados correspondientes para el oeste se dan en la Tabla 9-52. 9.51. (b) 0. Solucionar el koblema 9. página 312.Q. 9. (b)la ecuación@0).cAP.5E. (b) la ecuación (38).53.52 utilizando un nivel 0'01. 9. Tabla 9-50 Alto I. Derivar los resultados 9.59.55.05 si hay diferencias debido a (o) los químicos. ¿puede determinar si hay una diferencia significativa en el número de artículos producidos en los diferentes días de la semana? Explicar.40 suponer que un experimento adicional realizado en el noroeste produce los resultados de Ia Tabla 9-53. Ensayar al nivel 0. medias y pequeñas. (b) los tres lugares.05. página 309.23 y 9.60. 9. (b) I. Demostrar el Teorema 9-3. página 372. Determinar eI nivel de 0. Los resultados se indican en la Tabla 9-49. Demostrar (o)la ecuación (39). 70 9. Determinar al nivel (o) 0. 9. Norte y centro 80 ¡D 79 g. Tabla 9-51 Alto 9.61.5?. Demostra¡ (o) la ecuación (37). ¿Es ésto cierto si cada valor se multiplica o divide por una constante apro' piada? Justificar su resPuesta. Solucionar el Problema 9. Este Oeste Sur 88 84 86 Medio 80 78 82 Bajo 72 ¿o 9. 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 312. 70 En el Problema 9-42.Q. Suponer que los resultados en la Tabla 9-48 del Problema 9-48 son válidos para el noroeste. (3) y ( ). Analizar la tabla al nivel de 0. (b) la localización. Con referencia a los Problemas 9.Q.

9. 816 FACTOB 2 c2r 823 416 AL8 ct4 Bt2 ct5 l á18 9. 9. En ln práctica.21 hallamos una diferencia significaüiva en los días de la semana.68. 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 9.69.7 16 D66 Br7 Haga el montaje de un experimento que conduzca al cuadrado greco-latino de la Tbbla 9-55. Suponer que en el hobleme 9. Montar y solucionar un problema que iluetre el procedimiento en el Problema 9. es decir. 9.13? Justificar sus conclusione¡. lcAP. e 9. 2X 2? (D) ¿un cuadrado greco-latino de 3 X 3? .66. De¡cribir cómo emplear las técnica¡ de análisi¡ de varianza para experimentos de tres factore¡ con repetición.05 y eetablecer conclusiones.338 ANALISIS DE VARTANZA Solucion¡¡ el hoblema 9.71. 9.69. las repeticionec. ¿es¡rer¡rf¡ encont¡ar un (o) curdrado latino de Explicar.01. Haga el montai dc un erpcrimenüo que conduzca al cuadrado latino Tabl¡ 9-64 FACTOR 1 de la Tabla 9-54. 0.64. 9. Efectuar un análisig de va¡ianza en el cuadrado greco-latino de la Tabla 9-65 a un nivel 0. 9.65.62 utilizando un niyol 0. ¿Deberíen modific¡r¡e la¡ conclu¡iones obtenidas en el hoblema 9.63.67. Efectua¡ un análisis de va4ianza en el cu¿drado latino de la Tabla 9-64 a un nivel 0.06 y establecer conclusione8.

Apéndices .

.

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

yffin"¿-" (d) donde el signo .n) . (4) da "(l) = u" Para valores grandes de n tenem os la fórmula asintótica de (5) r(n +1) . denotada por B(m. m) -L a)O 12. Í.' a)0. a)0 -/m + l\ ¡m¿-orzfu='\ 2 I zL<m+r)/2 11.' Í. Si n es un entero positivo. nr(n) (2) f (i) : 1.Í.indica que la relación de los dos lados tiende a 1 cuando n -+ @. una buena aproximación para n! viene dada por n7 LA FUNCION BETA = 1finnne-n (7) La función beta. función factoriat. se define como B(m.a ¿)0 . En el caso de que n sea un entero positivo grande.fu. Una propiedad importante de la fun- r(P)r(1 -P) Parap : *. Una extensión de la función gamma para n ( 0 puede obtenerse por el empleo de .f'r^-'1t-u)n-t¿u olg m) 0.342 La fórmula de recurrencio viene dada por APENDICE A f(ra+l) = donde (2). entonces r(n+l) = nr. e-o'" cosbr d. Por esta taz6n ción gamma es que (8) l(n) se cohoce como la. n).n) INTEGRALES ESPECIALES - (e) Las siguientes son algunas integrales que se presentan en probabilidad y estadística. stirling: (4) : ll2.r = L#"-b2/4o = a+E 13. n) 0 (8) Está relacionada a la función gamma por B(m. ¿-o" cos br d.

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

1354 1.0003 .254r .3605 .0ri56 .3697 .0007 .0363 .1057 .0r 36 .0091 .2897 .0013 .381 4 .0069 .0002 3.1 .0116 .2203 .1 561 604 .0007 .0 1.0006 .3166 .1919 .1965 .3230 .0009 .7 2.39?3 .3902 .0 .0213 .0508 .3977 .3448 .010? .2732 .0016 .0003 .0003 .00I7 .0180 .0283 .0075 .0031 3.3986 .0101 .0004 .0848 .0818 .0002 .0018 .0036 .6 o.2685 .0573 .9 .3989 .3429 .1006 .3956 .3867 .0018 .2 3.l 2.0681 .1.266I .6 2.3144 I .3372 .0355 .0459 .0099 .9 3.0029 .3187 .8 0.0005 .1 7.0088 .3965 .06{4 .Dl éo .3 0.3712 .3752 .0017 .3621 .2323 .3292 .0012 .0002 .0449 .0775 .0053 .0005 .1 .0246 .24!r2 .:1825 .0060 .8 2.0277 .3485 .3251 .0008 .0833 .0004 .0198 .2827 .0022 .1 .3209 .0055 .0009 .0129 .07.2227 .1 0.0051 .2803 .2083 .r023 .00r1 .0047 .0540 .2059 .1669 .3467 .l 163 .0008 .331 2 3 4 D 6 7 8 o 0.3790 .0940 .0252 .0013 .0270 .0379 .0878 .0119 .0 0.3836 .0086 .0184 .01?5 .0063 .3572 .3980 .0264 .0413 .1626 .0002 .1334 .2589 .Apéndice B Ordenadas (E) de la curva normal t ipif icada enz 0 I .1315 .0003 .5 3.0011 .3989 .8 .0167 .0002 .3885 .3503 .22i5 .2516 .3939 .3 IA .0707 .2t31 .1895 .3778 .3 DA .3521 .1582 .0071 .0040 .0235 .16'17 .72i6 .0422 .1.0608 .1872 .0002 .0025 .0016 .0002 .0001 344 .3668 .3101 .3410 .0027 .7 0.0044 .0003 .¡ 3.1539 .1849 .0113 .0303 .1435 .0551 1.0219 .0061 .8 3.1 .1 .5 1.2513 .3555 .0863 .327L .2637 .3982 .016:l .0050 .0028 .000? .12 .0761 .5 0.0562 .0171 .1 tQ .0023 .0893 .3876 .3352 .0317 .0110 .2t07 .0002 .0015 .0139 .0004 .0404 .0014 .0154 .1781 .0026 .0020 .1 .8 I.3910 .2036 .3725 .9 2.0005 .3932 .3802 .3056 .156 .3079 .0001 .3391 .0058 .0025 .0019 .0004 .1826 .2317 .2565 .0132 .5 2.1758 .0020 .0229 .0488 .3989 .2920 .0006 .2709 .0010 .0804 .0 3.0957 .0203 .0498 200 .0081 .0431 .0009 .0002 .3011 .oI47 .0002 .u077 .0290 .0208 .0003 .0224 .1736 .0039 .0003 .0030 -0022 .3637 .0008 .3857 .0096 .2966 .0734 .2 . ¡ .0189 .0036 .3847 .3332 .0012 .0620 .l lJf]4 .3683 .4 0.0005 .3925 .1040 .3894 .0007 .237r .0079 .0003 .0043 .2295 .3538 .0151 .0015 .0065 .2850 .r1f)7 691 .0010 .0012 .6 l.3961 .0002 .r295 .1 109 092 1.0339 oe OA .1989 .2780 .0529 .0126 .0332 .2 1.0032 .058.3988 .0478 .13 .3589 .0005 .0632 .óooó .0387 .0297 .2 0.225I .1771 .0468 .3739 .24G8 .2420 .1182 .6 ¿.002I .3945 .0241 .3?65 .0790 .0158 .0194 .01.1127 .0i21 .0122 .0519 2.0048 .0596 .0037 .0038 .0014 .0396 .2396 .0006 .0004 .0093 .0694 .0002 .2756 .2444 .0925 .0067 .3970 .0034 .0004 .1518 .2613 .9 .0909 .140 .0310 .0046 .0084 .0002 .0104 .0989 .1415 38 .1145 .2t55 .0973 .1219 .I942 .0073 .0008 .034? .10?4 .0056 2.1 804 .2989 .3984 .o024 .7257 .0006 0004 .2072 .3951 .0042 .0258 .0010 .3918 .28i1 .0371 .r374 .0669 .0325 .0.0005 .3034 .0003 .0033 .

4980 .4207 .3508 .5000 3.5000 .4940 .1736 .4115 .3315 .4999 .1480 .4999 .4868 .4893 .2967 .8 0.3790 .48L2 .4995 .4992 .3869 .4984 .2t23 .1026 .3621 .4964 .3830 .4990 .1960 .4948 .4992 .4875 .3888 .4773 .2 1.4911 .2 D') 2.2642 .2224 .4306 .{o9t .4986 .4982 .1985 .2t57 .4994 .0239 .2852 .4738 .4884 .3264 .3170 .4995 .0080 .2357 .4996 .4991 .5000 .2088 .4993 .2190 .1844 .4744 .4934 .1554 .4991 .4999 .4967 .43?0 .4525 .4955 .4979 .3r 59 .4265 .6 2.2764 .4997 ..4999 .0438 .4236 .4989 .5000 .4 .0 3.4656 .3962 .3365 .4999 .4803 .0 2.2 0.L265 .4962 .4977 .4987 .4850 .4999 .4357 .0120 .4332 .487L .4997 .4997 .4591 .485? .4292 A25L .4999 .4783 .4756 .1628 .2734 .4909 .4951 .4975 .4808 .44t8 .2704 .4929 .4996 .4999 .4999 .4945 .4996 .4993 .4995 .4994 .4976 .467L .4032 .1808 .3531 .4984 .4993 .4999 .0517 .4999 .4965 .4788 .2486 .4989 .4959 .4999 .4854 .4927 .1517 .4994 .3106 .4999 .476t .4474 .4931 2.4999 .6000 .4956 .4992 .4991 .6 0.4 .4463 .1772 .4864 .5 3.4719 .4992 .2673 .4999 .4901 .7 1.1987 .4887 .4798 .3023 .2064 .9 346 .1293 .4970 .4999 .4997 .0793 .4582 .3643 .4830 .25t8 .4066 .4972 .4049 .2549 .3665 .4998 .4998 .4699 .0 0.3997 .4999 .4564 .0319 .0675 .4962 .4913 .4382 .4990 .4986 .4994 .26L2 .4732 .1368 .)( 2.4817 .4898 .3810 .066? .4999 .4977 .2939 .3129 .7 3.4573 .4 0.4996 .0636 .1664 .4616 .4953 .4943 .4117 .3272 .4015 .0832 .4941 .Apéndice C Areas baio la curva normal tipificada de0az 0 0.4999 .4979 .4938 .4394 .4997 .3907 .t443 .0754 .4983 .4981 .2324 .0871 .4995 .2794 .229r .0948 .1 0.4625 .4878 .5000 .4998 .4969 .4995 .4997 .0040 .3485 .4726 .4998 .3599 .6000 3.4986 .4999 .4988 .0279 .4821 .4881 .1?00 .4996 .1064 .4495 .4998 .4904 .4998 .0 1.2389 .4998 .4995 .4896 .0398 .4989 .4946 .4767 .5 1.4778 .4535 .1 .45L5 .4998 .1879 .() 3.4406 1.4678 .4279 .1 .4686 .4846 .1ts26 .5000 .2019 .0160 .4599 .4082 .2454 .0478 .2881 .4772 .4890 .4793 .2580 .4192 .4999 .2823 .48(.4906 .0696 .4963 4973 .4999 .1915 .4987 .4998 .3849 .4974 .3686 .3749 .4693 .4922 .1331 .4131 .9 2.5000 .4967 .8 1.4978 .3413 .4997 .tzt7 .6 3.4925 .4961 .07L4 .4999 .3078 .4936 .1141 .1103 .3461 .7 0.4750 .3289 .9 1.4966 .4099 r.8 .4429 .4319 .4t47 .4842 .3340 .3926 .1179 .0199 .4834 .4554 .4916 .4998 .4545 :4633 .3554 .4990 .2 ¿-D .3051 .5000 .2910 .0987 .4838 .4932 .4706 .4988 .4960 .4968 .6 L.0359 .444L .4452 .4649 .4999 .4998 .3577 .3 1.4985 .1 1 2 3 4 6 6 7 8 I .1406 .4608 .0910 .4999 .4345 .3980 .4981 .4920 .3133 .2258 .4998 .5 0.4999 .7 2.4996 .3438 .1 .497L .3944 .4999 .1591 .4664 .2422 .4993 .4505 .3186 .0000 .4997 .4999 .4974 .3238 .3708 .1L62 .8 3.4222 .4982 .4949 .4994 .4998 .2996 .4918 .4484 .4997 .4997 .3 0.3389 .

534 .862 .649 .32 L.86 1.66 1.538 .00 1.256 .289 .76 2.677 2.96 2.259 .36 3.48 úes t.80 2.263 .96 I7 18 19 .128 .18 2.686 .258 .83 2.25 3.66 9.257 .04 2.49 2.633 .80 1. publicado por l.8?0 .531 t.531 .258 .3?6 1.691 .727 .t3 2.83 1.Apéndice D Percentilrr de (tr) l¡ di¡tribsción f de Student con z grador de libertad v úss ¿oo t.zs üeo tso 3.531 .256 .266 .33 1.70 1.02 1.76 2.546 .71 3.L28 .689 . Yate.861 .06 2.64 1.07 2.62 2.77 2.861 .71 t.261 .76 3.06 2.84 4.645 t.70 1.48 2.539 .L27 .32 2l 22 23 24 25 26 oa 28 29 30 40 60 .868 .A.685 .sgs I .856 .39 2.00 2.04 2.s.14 .ongman Group Ltd.703 .533 t2 13 14 15 .33 8 9 .846 20 I.62 2.60 4.896 .34 1.70 1.?8 .624 .137 .32 1.256 .L0 2.72 1. AgriculturalondMedícol Recearch.126 .t6 2.260 .63 1.98 1.66 t.t2 2.532 .47 2.277 .72 1.t27 .74 1.258 r.szs tse 31. Stotistícal T¿bles for Bíological.92 2.r3 2.856 .128 .11 3.92 6.863 6.L27 .42 1.t42 .44 1.09 2.31 1. Fistrer y F.62 2.257 .816 1. con permieo dé lo¡ autores y editorea.08 2.130 .76 2.866 .29 L.17 3.L27 .zo t.33 . (previamente pubücado por Oliver y Boyd.53 2.r27 .14 3.257 16 2.262 .32 L.05 2.50 3.688 .72 2.36 1.267 2.r28 .30 3.626 .978 .73 1.31 1.683 .686 .46 2.31 .86 2.256 .706 .L26 .727 .30 1.540 .873 .54 3.L27 .32 L.67 1.68 .629 .669 .263 .535 .34 1.37 1.684 .563 .38 1.78 2.30 L.82 2.7L 4.08 1.73 1.630 .L28 .255 .31 2.36 1.158 .694 4 6 6 .35 1.130 .254 .07 2.260 t.860 .5L 2.643 1.61? .128 .864 .530 .t26 .01 2.865 .31 1.L32 .68 L.630 .537 .256 .40 1.711 .06 2.t2s .26 2.76 L.66 2.883 .6?9 .687 .03 3.L27 .542 .32 1.061 .?18 .32 L.848 .684 .L27 .857 .536 .000 .532 .727 .257 .266 .697 .257 .256 .627 1. 3 .90 2.L29 10 11 .696 .683 .64 2.67 2.920 .48 2.42 2.70 1.82 6.06 2.09 2.18 63.72 2.11 2.77 1.r29 .45 2.79 2.76 1.255 .134 .06 3.256 .94 1.88 2.700 .674 .t27 .869 .889 .36 2.256 .L27 .854 .75 L.842 Fuente: R.90 2.7L 1.688 .66 2.858 .690 .L26 .57 2.89 1.46 2.28 t20 € .876 .70 2.858 .t27 .82 2.47 2.325 .879 .60 2.765 .34 1.50 2.906 .02 2.941 .27L .534 . .90 1.3L 2.532 .L27 .81 1.531 .681 .856 .686 .96 4.76 2.33 1.68 2.692 .71 L.131 .856 .92 2.36 t2.254 .23 2.684 .569 .683 .58 2.20 2.84 2.81 2.36 3.74L . Edinburgh).98 2..56 2.584 .?l 1.78 2.

6 14.3 22.90 27.40 6.34 9.26 8.4 12.2 14.8 43.3 2L. t3.91 9.7 47.3 23.? 37.1 16.9 40.3 67.2 18.26 3.8 32:0 33.0 71.0100 .0 69.99 7.4 13.0 4L.8 16.7 7.1 45.4 83.7 16.3 61.6 40.7 25.0 19.2 11.6 66rB 56.1 39.7 38.6 36.45 4.1 28.1 12.0 17.39 2.26 9.39 10.57 t.7 37.84 5.9 19.8 t9.6 r3.6 14.4 23.6 .2 31.3 53.9 40.6 15.2 66.44 9.2 12.04 7.4 32.0 44.1 27.0 r 7.L4 6.gg x?rn y2 ^-00e .6 36.37 3.2 29.6 31.116 .87 6.8 13.06 3.102 .7 23.4 35.3 23.0 20.? 42.3 32.6 38.96 8 I 10 11 4.3 I 1.5 43.7 7L.3 X.89 6.58 6.3 16.3 61.6 90.6 30.L 30.7 46.89 10.3 18.1 31.3 11.60 5.3 22.70 3.6 50.9 39.6t 6.78 9.63 7.6 12.63 6.2 61.9 11.4 69.0506 .5 24.362 l.8 67.0 36. x?no X.8 79.66 2.1 77.7 66..25 7.2 6t.1 41.3 49.6 23 24 25 26 27 28 29 30 40 60 60 70 80 90 100 41. 1(1966)' Tabla 8.59 10.6 46.6 28.4 42. páginas 187 y 188.6 22.2 62.34 8.63 8.64 9.2 67.7 39.9 35.57 4.8 20.35 7.83 3.2 38.4 85.8 9.3 49.9 1t.Apéndice E Percontilas (¡f) de l¡ di¡tribución chi-cuadrado con u grados de libertad v x.7 14.3 35.207 .8 67.2 11.3 28.9 63.9 11.S.8 14.3 96.1 t2.0 26.2 46.1 37.9 68.20 2.7r 4.2 10.455 1.79 t4.23 8.6 12.7 60.73 3.43 8. Pear¡on y H.92 2.7 23.8 12. con permieo de lol autore¡ y editoree.2 16.3 27.9 43.3 26.6 21.34 1.1 13.61 2.7 26.56 3.57 6.484 .63 ?.9 23.3 14.O.O' X.0 27.66 5.3 82.3 2L.6 24.35 5.7 28.1 12.6 54.6?6 .6 46.0 x2ot x'"0 .0 14.9 12.3 49.6 46.23 5.3 71.77 4.1 40.8 40.0 L07 6.6 109 1r8 130 t28 140 t24 149 Fuente: E.7 26.1 37.01 7.4 43.3 r6.3 69.472 .39 6.5 16.0039 .9 34.3 17.86 11.4 L02 113 rt2 t24 136 98.6 4.73 2.3 29.2 11.49 11.30 r6.6 108 118 8.684 1.11 5.6 43.3 13.6 32.8 18.1 19.9 26.D'ID r.2t 11.4 32.4 3. .31 10.57 7..L6 2.41 ?.6 74.24 10.81 9.6 19.6 28.9 34.t 31.6 41.4 40..7 34.6 92.54 L0. 347 .3 t6.1 DD.L 2l.l 22.88 10.6 79.03 t.3 69.24 1.7 33.7 76.6 29.8 70.34 10.0 48.7 29.3 29.8 28.30 7.6 32.6 43.2 94.3 19..24 1.4 31.7 22.2 t3.6 88.9 48.3 16.8 16.3 13.7 2t. Hartley.9 13.7 14.3 12.2 59.0 62.0? 5.6 17.6 L2.7Ll 1.3 89.103 x?.2L 1.8 38.07 3.66 8.0 11.32 2.3 26.3 27.3 16.8 55.872 L.6 13.3 17.0 17.9 30.01 5.6 47.2oo¡ xlo.36 4.8 20. Vol.9 2t.1 27. x'.18 2.5 96.2tL .6 48.60 3..2 35.2 24.3 30.3 99.6 24.8 30.2 44.3 45.8 13.69 2.L 80.O tt.7 73.94 4.E 42.04 10.91 7.9 t8.0 27.3 79.8 14.4 100 t2.3 61.6 32.0 16.5 16.6 19.4 20.5 34.64 .35 6.1 90.7 12.8 26.1 10.84 9.0201 .4 63.831 .2 29.4 37.989 1.15 1.9 L6.1 10.6 2L.8 t7 18 19 20 2L 8.0 t2 13 18.6 16.tl 4.8 36.3 10.6 61.0010 .23 5.7 18.3 39.58 8.26 7.4 16.02 7.t7 4.E4 6 .8 14.2 88.8 24.3 13.67 3.0 13.6 36.r7 2.6 25.1 8.49 2. 3 4 o I .3 42.8 24.3 46.07 4.3 73.3 18.6 26.74 7.3 15.6 33.3 .67 9.1 ttz r26 13? 64.0 23.6 tt.9 20.2 36.8 45.5 20.0000 .1 13.291 .6 9..o 22.4 40.2 '19.2 37.25 5.5 20.0 33.56 9.7 28.8 44.2 26.2 74.3 32.2L6 .90 6.8 26.3 20.4 16.3 24.5 33.2 28.3 18.8 t7.07L7 .554 .3 5.7 99.7 18.6 22.70 6.82 4.1 52.81 6.4 29. xlo.9 18.8 48.0002 .1 .0 22.7 37.06 1.8 34.7 16.4 86.8 63.4 34. Biomelr:iha Tobles fo¡ Stotitticíane.33 3.6 20.26 6..0 104 116 l4 16 16 to.0158 .6 56.26 6.1 16.7 2. x?o".9 29.38 9.8 14.9 17.3 49.6 61.6 24.09 2.3 59.

L3 2.03 4.15 2.77 L.01 2.62 4.01 2.87 1.18 2.(}51.48 3.96 2.70 2.84 3.91 1.00 3.35 7.34 2.07 3.3L 2.rL 2.54 4.39 3.18 2.65 2.45 2.5L 2.93 2.96 4.01 4.28 3.39 2.5 19.35 2.85 6.26 3.85 1.84 1. parr le di¡tribución F u1 grados de libertad en el numerador /2 gfados de libertad en el denominador ><.42 2.84 3.45 2.96 1.93 1.23 2.89 8.38 3.52 j 3.06 2.19 4.25 2.26 2.44 3.67 2.11 2.92 1.51 2.23 4.27 3.91 5.14 3.03 1.50 1.24 3.57 3.14 3.84 2.26 3. ¡O 5.99 1.34 2.40 4.59 2.35 2I 22 23 24 25 26 27 28 29 30 3.84 40 60 t20 t.91 1.01 2.97 3.23 2.55 8.28 9.28 2.35 3.85 1.39 6.07 3.12 3.07 3.46 2.37 2.20 4.47 2.L0 2.77 2.09 6.61 19.54 2.42 3.12 2.41 5.8L 2.30 2.77 4.85 2.60 2.3 4 o 6 I 19.r7 2.67 4.74 1.04 6.20 2.78 2.34 2.69 3.4e 3.95 2.59 3.67 t.90 1.92 2.6L 2.58 1.74 4.29 2.4 19.77 2.69 3.79 L.49 3.7L 6.26 6.79 t.5 19.23 3.77 2.38 2.84 1.99 5. Pear¡on y H.05 4.04 1.26 2.97 r.95 1.47 2.36 2.41 2.96 1.90 2.71 2.34 2.81 8.87 3:70 3.25 2. Hartley.33 3.80 a.90 2.06 2.43 4.04 1.4 19.51 3.01 1.37 2.32 2.62 2.49 2.00 I.27 2.34 3.02 1.90 1.82 4.60 3.7L 2.62 2.74 2.00 2 Fuente: E.59 2.L2 9.DD 1.39 2. O.84 1.30 4.2r 2.00 3.32 2.42 2.76 2.79 8.15 4.L8 2.92 1.71 3.89 1.72 5.64 2.43 1.94 3.01 1.30 3.13 3.r2 2.59 8.42 2.L5 2.53 2.81 2.81 3.27 2.32 4.2r 2.07 1.04 1.57 2.93 1.46 2.31 2.90 2.74 4. .11 3.5L 2.80 2.16 6.36 3.9L 2.48 3.g¡.21 4.49 2.34 2.98 2.37 2.07 2.3 19.32 1.22 1.75 1.79 2.81 1.75 2.22 2.66 1.93 1.t6 2.27 2.53 3.61 2.35 2.05 4.73 1.23 2.10 2.86 1.53 2.09 3.98 2.85 2.56 2. (1972).07 4.45 2.53 2.76 4.02 2.41 3.41 3.01 8.20 2. S.06 4.08 4.91 1.4 19.54 2.57 r.79 2.45 2.01 2.6? 2.L9 2.59 5.96 5.25 2.54 2.50 3.64 3.65 2.75 4.73 2.96 4.30 2.01 1.03 1.16 2.84 1.62 2.31 2.94 2.66 2.41 3.05 2.16 2.38 3.33 2.98 1.36 2.93 2.42 2.84 2.97 1.66 5.7l 2.49 2.09 2.28 4.99 1.60 2.r8 2.76 1.37 2.95 4.0L 1.95 1.l I D.29 2.30 2.76 1.5 19.96 t.r9 2.42 2.46 2.L8 2.1 7.64 2.62 2.34 3.62 8.19 2.86 2.?9 r.28 3.08 2.76 2.78 2.95 2.09 2.79 3.94 8.22 2.20 3.56 2.87 3.64 2.29 2.84 1.68 t.78 t.58 2.33 2.54 2.60 2.60 4.4 19.53 4.63 5.2 19.53 2.46 2.92 3.53 2.49 2.53 2.?3 3.74 2.4 19.89 1.96 1.44 3.84 4.57 2.27 2.92 1.r5 2. Vol.32 2.70 2.76 2.37 2.5 19.r7 4.t0 2.94 1. Eiom etriho Toblec for Stotíaticianc.87 t.61 2.4 19.38 2.98 1.61 2.96 1.76 1.t2 4.6 10.31 2.68 2. l'.77 t.75 1.65 1.42 2.91 3.40 2.25 2.LL 2.18 2.4E 2.13 2.L5 2.35 2.86 3.43 2.28 2.70 1.74 2.90 2.69 4.99 1.87 3.85 8.46 1.69 2.59 1.61 I.35 3.22 2.20 2.?0 8.66 2.1L 2.75 1.64 1.39 t.81 t.40 2.86 5.62 1.?0 1.80 t.89 2.05 2.r3 2.88 1.01 2.83 2.68 2.99 2.22 3.92 4.55 2.10 2.24 2.83 2.00 5.64 2.7 4 2:28 2.L2 3.rL 2.40 2.66 2.L0 2.49 4.43 2.06 t.4 19.46 2.04 3.64 8.21 4.29 3.07 3.73 4.46 2.84 3.66 2.48 2. Tabla 5.32 2.69 1.94 1.35 4.17 3.94 1.47 1.53 r.55 2.02 r.18 3.24 2.69 1.87 r.45 8 I l0 11 5.57 2.15 3.22 3.74 8.69 5.8z r.t9 2.37 3.94 1.88 4.18 3.28 2.07 2.92 2.5 9.35 2.98 2.57 8.50 4.06 2.66 8.89 1.85 2.30 L2 13 14 15 16 L7 18 19 20 2.L2 2.63 3.90 1.82 2.03 ¿.46 4.t0 | 4.70 2.68 4.03 2.92 1.2 19.76 2.08 3.12 2.83 2.38 2.38 2.66 2.34 2.06 2.71 2.20 2.39 4.2q 3.82 t.83 t. 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 18.08 2.44 2.2L 2.60 2.7r 2.10 4.80 2.58 3.0r I | 4.63 2.68 3.40 2.88 1.24 2.27 2.63 6.58 2. con perrniro de los autoreo y eütorea.0s 1.29 3.20 2.lL 2.23 2.L6 2.96 2.16 2.tl 2.6? 3.46 2.25 2.85 2.6L 2.Apéndice F Porcentila 95 (nivele¡ 0.7l 1.59 6. página 178.79 3.96 2.88 4.01 1.97 2.56 4.49 2.t5 2.44 3.87 2.79 1 a^ 1.0Q 2.84 1.09 2.70 I 2.24 2.25 2.93 5.5 19.47 3.

87 3.60 '7.73 7.46 6.37 4.57 t2.36 2.94 3.88 2.72 7.2 18.L2 2.41 3.43 3.t4 4. página 180.81 4.68 7.42 4.60 6.39 2.16 3.67 2.78 3.68 3.76 1.65 9.36 3.43 3.76 4.4r 5.92 2.06 4.74 2.89 3.30 7.64 6.84 9.86 6.66 4.2 16.96 I 10 11 .53 3.32 2.11 2t.Ll 2.33 4.5 26.7 10.oD 8 ?.56 5.63 5..1 7.61 6.83 2.09 3.4 27.6 9.5 26.86 3.96 2.4L 2.47 2.3 28.42 5.54 3.94 3.87 6.l 11.26 6.95 5.49 5.63 4.56 4.63 8.33 8.31 4.72 4.03 2.0s 1.33 3.63 6.86 4.67 6.o J 2.3 13. 2 (1972).26 3.L2 1.31 2l 22 23 24 26 26 27 28 29 30 40 fó 4.40 8.se.62 4.66 99.49 2.03 5.37 5.00 2.56 6.37 2.28 4.09 3.01 .3 27.08 3.22 3.2 13.35 2.2 9.25 4.7r 4.54 4.69 2.80 3.77 4.50 2.?9 3.60 3.4 13.36 4.86 2.03 3.63 4.82 7.72 5.30 3.8 10.74 6.APENDTCE F 349 Percentila 99 (niveles 0.72 2.21 2.44 4.99 5.41 3. 3 4 o 6 .67 4.67 9.66 2.82 4.60 3.5 10.10 6.06 6.10 4.18 4.54 5.89 3.07 6.9 99.89 4.oo 7.19 11.10 4.0 30.7 10.07 3.0 9.51 3.16 3.5 26.52 4.66 3.74 4.2 99.tL 3.08 3.46 7.7 99.16 3.80 2.99 b.32 4.94 3.06 2.55 8.95 1.84 2.59 6.51 s.6 5981 6023 6066 6106 615? 6209 6235 6261 6287 99.1 13.20 4.85 2.91 .17 3.t4 5.63 3.69 3.21 3.89 4.02 7.07 2.70 3.15 8.4 26.79 60 2.16 3.39 6.67 2.55 7.54 2.23 3.42 3.26 3. con permirc de lo¡ autoree y editoree.2 14.l 8 I 99.35 4.94 4.4 9.3 L2.üb D.98 2.72 7.02 2.31 3.5 9.34 3.88 7.01 5.87 2.3? 3.70 2.64 3.78 3.23 6.6 13.20 2.83 3.1 a.40 3.04 4. 3 4 o oot 28.7 16.01 3.18 5.66 2.23 5.00 2.18 3.61 4.86 1.43 3.72 2.30 3.36 3.46 2.3L 2.13 3. 3.2'.04 3.4 99.48 3.62 3.99 3.84 2. 8.84 2.47 t4.29 3.01 6.64 7.96 2.76 3.56 4.10 2.67 5.38 1.46 5.70 6.0 9.03 1.63 3.ó9 3.81 6.81 3.44 4.r 26.15 2.58 4.90 3.18 8.91 6. Vol.82 4.61 6339 6366 99.L4 4.85 4.92 2.6 14.99 2.16 5.89 3.78 3. l4 15 16 4. .11 6.66 2.26 4.4 99.56 2. gFados de libertad en el numerador v2 grados de libertad en el denominador x1 I 98.1 6.58' 2.3? 3.36 3.10 L2 16 20 24 30 40 60 L20 @ 4062 6000 5403 6625 5764 5859 99.66 6.93 3.5 14.4.26 4.74 4.88 2.23.5 34.51 3.46 3.70 2.r3 2.52 3.06 4.6 10.42 2.95 4.68 2.31 3.10 8.71 3.4 27.02 3.2L 3.46 3.07 4.89 4.2 ?.78 2.86 8.31 4.75 3.17 3.40 6.S.68 99.30 4. Hartley.29 8.56 3.78 2.22 4.82 4.b8 2.9 99.40 4.35 4.38 2.29 6.90 2.36 6.5 26.40 4.91 5.65 8.34 4.93 z.59 3.02 7.00 t20 Fuente: E.66 2.71 3.22 5.36 2.67 3.42 6.7 27.64 2.59 3.51 3.52 3.0 10.01 1.78 9.62 2.38 9.40 2. F.29 2.98 6.47 3.86 4.59 3.11 6.39 3.18 3.20 4.60 4.r7 3.26 4.93 2.t7 2.64 4.00 3.50 4.66 2.47 5.?5 8.72 5.37 3.03 2.?0 1.45 7.60 1.30 3.50 4. Tbbla 6.21 3.13 3.65 2.64 4.56 6.7 13.96 3.45 3.4 27.10 3.46 3.09 2.46 2.69 3.42 3.2r 5.88 5.72 6.08 6.0 15.94 2.07 4.31 9.25 3.54 20 9.00 2.25 4.54 3.99 6.20 4.02 7.78 3.93 4.32 5.68 8.3 8.2L 6.60 2.ó 16.00 2.23 2.2 29.80 6.76 2.62 5.95 7.3 14. para ls di¡tribución F v.35 3.92 2.19 5.55 3.52 2.97 6.86 3.65 6 .L4 5.02 6.93 6.12 3. Biomeúiho Toblec for Statbücbnc.96 4.32 3.5 26.59 1.39 4.75 2.26 2.41 9.5 13.54 t7 18 19 4.94 3.30 3.94 1.19 2.04 3.29 7.66 4.03 3.63 2.0 16.6? 3..49 2.7 14.00 3.42 2.65 3.39 4.45 s.29 2.4L 4.70 8.01 3.43 4.31 7.44 2.9 9.13 2.65 3.41 2.8 99.17 3. Pearron y H.26 3.68 4.47 6.011.12 3.99 5.3 10.70 3.O.89 7.8 99.09 3.3L 6.17 4.31 3.7? 7.2 9.84 6.10 3.80 5.19 l0 99.20 2.86 3.28 4.62 4.64 3.03 2.61 o.57 2.49 12 13 6.sz 2.07 5.78 3.33 2.85 7.75 2.4 11.80 3.L7 4.12 4.87 4.60 4.18 3.

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

3. i¿l p4=230718960 2a 3.65. p¿=35 (b) pr = 0.69. 3.55. (c) 315 3.\klzk+t(k+ll I qeiab co)/ao 3.ezt\/zt2 (D) p = 4/3. 3/2 n (b) -2e/6 Lla !4 3. <1 (ó) p = l.54.62. pí=0.50.67.E1. (a) (3r +2\/(6r*3)para0 5 ¡<i t¿l lsu+Z)/(6u*3)para 0 = a = | 3. (a) 1 lb) 7 (c) 6 3.62.5e.45. 3. 3.64.7 3. (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 3.66.'PLEMENTARIOS CAPITULO 3 3. 7/0 (ó) 6/5 3. 3/2 (bl 3e/4 (a.60.6E. 3.72.RESPUESTAS A PIOBLEMAS SI. 3. 3. pz=7-.44. ps: -5. (o) 1 (b) (o) Var(X)=5. (e2ia-Zie2ia-ll/"2 (a) (¿) (¿) Lr/144 (bl rr/L44 1c¡ t/iJttz (¿) (¿t) \/-LUr2 (e\ -L/L4a 0 -!rr 1 . 3. pi= 2. Ft=2.48.43. yí= 6. 1e/10 (¡t') 6/6 a/3 @ 1 \Ng 3. Fz:5.68. pn=33 (c) (bk+r'st<+r)/(k* 1Xb-o) peiaa (sen (ó) [1+(-1)k](ó -a. ú= (a) h=0./3s12 3. 3. 3.77./m/L8 (d' \rzssñ8 (e) -9L/32a (Í) -sr/235 4 tb) 4/\/35 -t/tst¿. p3 =-L2lll60.E0. (o) (a) 1 (b) I (c) rla (c) 3. 3.82. 10.83'. 3.ó6. 3. 3. pl:L L6/3 3. (c) 1/(1¿).46. 3.E4.57.(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) \. pi= Al=0. 3. 3. pí= 2. nx=lE (al (a\ (ü) Var(X)=3/80. Fz:3/80. 3.61.78.47.74. (o) (f + 2te2t . pí=1. pá: t6/5.5 3 (b) r3n/6 (a) 35112 @\ (ü \Elm. 3. (a) (a) 2/3 (b) 2/3 G) aB 7/a (c) @\ Als 3.\ +(et/2+e-t/2) = cosht (ó) p=0. (a\ l/2 parae>O (b) lParay>0 . o*=1/t5/ZO 4 (b) 2 (c) .79. 3.

(b) 2415o (ü) e (al (a) (b) 6/e (b) 1/18 (c) (et * 2e2t + Sezt)16 (d) (d) (eto + 2e2to + 3e3. (o) (c) 8/16 1-+y'3 (bl v2 3. (al 3. (o) 3.105. 3.118. (o) no eriste (ó) (c) 3 -1 (c) e-z *0 3.121 .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. (bl 3614 (1 @l atg (b) 2/e L (c) * 2te2t - e2')/2t2 (el -2\/fr/r6 (d) -(1 + zibe2ia . (a) 3. (o) 0. (a) x Var (Y lX) 0 5/S I 416 2 (ó) Y Var (X I Y) 0 I 2S/36 2 24t49 3.358 RESPUESTA"S A PROBLEMAS SUPLEMENTARIOS 3.103. (o) (c) 3 (ü) 3 3. (a) (b) r/4 (b) 0.05r 3.125.L22. (o) (a) 3.r/r-tsnflo) (ó) \F@i @ tlfr. (o) 3.e2.123.113.100.85.126. (a) r 2 0 (ó) 8(21/2-r)/L6 (D \..127.[o ) 3.10a.o)/6 (a) -7/27 (c) 2(et-l-t¡¡¿z -Z(e--l-ü¡¡"2 (e) r/136 3.124.10E.8/2 (ü) 1/3 (c) 0 .120. ffiParao rle (b) 1 6x2*6n*L s r:< I . (o) 1 I (ü) (ó) (y'3. (o) (ó) ln 2 (D) I 3.###parao < nr 5r 3.17 (c) 0.1or. (¿) 3.114.91.5 02.90.119.109.89. (a\ L 3. (¿) 1/y'5 3. 3. (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. .116. (d) 1- (1/\.eziarlznl u) 12/6 3.1)/4 (c) 16/81 3.f 6/9 7lr2 o 3. t"l . (a) 3.

0567 (b) 0.7123 0.64. 641243 25 (c) 500 4.0079 0.85.75 (b) -1.03?5 0.76.550 (c) -0.63.0?86 (c) 0.3% (a) (o) (a) (o) 1. 4. 4.t"/o 0.86 (c) 2.15 (b) 0.68. 4.2241 (d) 0. (c) (p) 0.91.90. 359 CAPITULO 4 4. 4.E1.82. (a'¡ 6L. 4.84.9962 (b) 0. (al93% 4.0286 (d) 0. 4.224r (e) 0. 84 (bl 8.89.0687 0.0838 (b) 0. 4.9198 (c) 0. 0.5976 (c) 0. L93t5t2 (a\ @) 32/243 (bl re2l243 k\ a01243 (dl 2421243 42 (b) 3.7% (al e5.73.995 0. 4.0668 (a\ 20 (b) 36 (cl 227 (cl (d) 40 @) 15% 4.1008 (c) o.87. -0.5.74.4 (¿) 0.6404 (d) 0. 4.a7% 4.E6.e265 (d) 0.1342 0. 4.62.7t.0089 (o) (o) 0.4% (bt 23.77 (c) 0. 4. 57/6a Q\ 2r/32 (b) (ó) 4.4232 (o) 0.E3.69. 4.8?67 (b) 0.77 (a) npq(q (o) 1. 4. 4.726t (/) 0. (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 4.2991 (c) (o) 0. 4. 4. (o) 0.6826 4. (a') pl (b'l npq(l - 6ps\ * 3n2p2q2 -1.61.1494 0. 11/16 (dl 518 (a\ r7lL62 (a\ (a) 5/16 (c) 4.049?e (ó) 0.76.67.05610 (b) 0.s27 1.93.626 ó 0.849 (e) tt.90 75.66.E8.0154 (e\ 0.2511 (b) 0.03eb . 4.66.08 (d) r.t9.78.06131 . 4.0658 4.G¿s 4.9495 (b) (ó) 0.7% (b\ 54.1127 (dl2.80. 4.I RESPUESTAS A PROBLEMAS ST'PLEMENTARIOS .1680 (/) 0.6 (b) e (b) 72.9500 0.92.0% (c\ 93.

50.04462 (c) 0.166 6.94. (a) 1.138.Lo4.136.3 (d) (d) 55. (o) 0. (a) ?0/429 (b) l/143 (c\ L42|L4B 4105 (.LB 4. (a) 9.L27..130.s 20.000295 4.48 4. 82S\fe (b) (ü) (b) 2(b-al4/6 e/5 113 6.0000 . (o) B0. 0.40 o¡ ligeramente menor que 0. (¿) 4.o rí.360 RESPUESTAS A PROBLEMAS SUPLEIVTANTARIOS 4. (a) (ile)/Q?) .5 (b\ 4.1b82 (c) 0.tr2.160? (d) 0.101.40 oz.gs (e) z.3/8 4.81 (bl2.008 = oz.2 2s6.58 5.t : 5. o* = 0. ('f) (l?)/(l?) (iSX?SXtt) sla 0 (b) (ó) (ó) (ü) l(¿ocoxzoc2ol+(4oc'l(nctsl* (qoc)(ncnl)taoczo 4.128 (d) -1.49.4O 0. @\ 4. (a) r 4.76 1.0 (d\ 2.1 4.s a8.r y 26.62 (b) CAPITULO 5 (c) 0.rr3.75 1.40 oz. ¡2.BB (d) -0.0 (b\ 4.73 -0.1? v 7!r= !4. o* = 0. - 2.005? (b) 2 (c) ninguna (dl 24 6.) 4'106' (c) 4.L26.13?.51.0228 (c) 0.6e64 (/) 0. Ll4 aJLa. (o) 5/3888 (b) 5/324 4.? 3/4 16.2 (c) suponiendo áreas iguales en las dos colas.b9 84.136.55. @) 2. (o) e. (a) e.000948 (ó) 0.7 (b\ 4. (a) 0 4.2 zr.0918 (d) 0. (a) 0. 22.34 2.128.l 86.16 5. (o) sx = 22.35 L7e.r?r.861 (.1033 (c) 0.62.2 4l.47 (c) e.8164 (ó) 0.111.r2o. (a) 4. (a\ 3/4 .8b2 (e) 0. (a) 201.0620 4.ro9.4 ft\ *e-tn -1"-.829 1.00g oz oz oz.47 (c) 9.008 oz oz (ó) (b) pX pX = 22.60 3. (c) p. (Q 4.00J8 (d) 1.75 2. (a) 2.0 (b) (b) 4.64.53.2 (c) (c) (c) 2B.L4L.68 2. (a) 0. (a) (d) (el 2.B 4.8 68.03 (¿tl 2.s? 4.84 (d) 4.L32. (a) 4.s5 z.0e (c) (c) (c) (c) 1.4972 (ó) 0. oi : 6.0 (b) 4.00248 (b) 0.r03.71 (ó) (b) (b) 1. (a) 0..L29. (a) L22.ro2.9544 5. (a) 237 22.0 (d) 8.

49 (c) 0'28 5.RESPUESTAS A PROBLEMAS SUPLEMENTARIOS 5.e5.113. (o) 0. 0.49 0. 5.7L. 12. 6. (o) 0.6 (d) 10995.0.68.92.104.108.0026 6.62.47 (ó) e = 5.11 5.0028 (b) 0.01 (b) menor que 0. 0. 8. 0.3204. (c) 146.0006?6 pulgadas (b) 72.00?? (ó) 0. (@) 0. (o) 0.L6 (ü) 0.3265.2160 (b) 0. 5.81.63.3196.. (o) 0. 0.36 (ü) (ü) 0'17 0. 78 á.01 (c) menor que 0.01. (o) 10.322.6% (il 0't ts.o% 78. 5. .111.60 0. (a\ 2. 5.73.0482 .?4 lb I 2 (d) 126 0. 501. (ó) 0.1841 (cl (o) 118. (c) 0. O.76% S. 5.7349 pulg.8 lb. 86 5. .82.01 (b) entre 0.?9 0'0228 lb (b) 0.56. 0. (b) 0.LL2.326.33?6 pulg.1o9.166 ó 16.105. (¿) (o) (¿) (b) (b) 0.60.0 s ?9 5. 11.96.9 lb 5. 6 0 -1 (ü) 40 4 6 (c) (c) 288 (d) (d) 2188 (b) 0 26.00496 pulg.1%. 5. (o) (o) (ó) (ó) 11. (a) 82 6Jo2.0064 (c) 0'4504 5. (¿) 0.8664 (c) 0. (a) menor que 0. 99. (a) 5. (c) 0. 6.E6.6 (fl @) a6% 100 (horas) (s) 62/a00 (h) 25. .3226. (a) 24% (b\ rL% 5.8869 28.2 6.0. 5.0019 (ó) 0.93.65.99. .90 5. 5.72.?33 (c) 0. (o) ñ = 2.76..50?. 6.59.60 5.323-0..t1 5.60 1'. 80Eo.6% = 0.91?2 6.33f0.100.9596 (c) 0'1161 .67 0.01 y 0. 1199. (a) 2 6 6 (b) 996 (b) (c) 218 12 5.09 tons.a84 5. . 0. 5.26 5.0316 5.6.66.0136 0.106. .101. 46 (@) 0.003 pulg.7o.94.9t.0% 76 5.01?9 5.97.06 pero máe cerca a 0.00 6. 5.86 (ó) (c) -e1 (d) 63 .326-0:328. (c) 0.10 5.74.t7.33? 6. (o) 5.tO.72642 pulgadas 26.5E. (ó) 38.3%' 99.1.20% ton. (al 4018 6. (a) ?99 (ü) 1000 (e) (c) 949.

m1- 89.74 5. 0.1 ó. 6.0696 r¡¿o 560 (c\ r. 2. (o) al menos 96 (ó) al menos 68 (c) al menos 16? (d) al menos 225 900 (o) al menos (o) 7. (o) 9.09 t 0.e5 5. 0.68 a 0.94 Laprimeradistribución (a) la aegunda (b) la primera 5.4 4 (i) (il 706.53743. 26.0586.43.22 0.29.L2. 42 5. (ó) 11.33.9?.122.0090 CAPITULO 6 e.70 t 6. 0.tu.09 t 0. m1 :0.0? (b) 0.115. 6. (a) 11. m1 = 0. 6.72642 t 0.117.?3 onzas onzae (ó) Z.7.20 (f) 7. (o) 0.97. 6.049 segundoe 6.127.362 ó.40.11 (ó) 0. 0.000025 pulC. tb9 5. -0.16 onzas 0.045 6.86 lb reepectivamente 6.123.18 tons.116. L9.546 2.18.5 lb (b) 0.38 I (a) 0. (a) 1200 hr 6. (a) 5. 5.298 0.124.u (o) al menos 323 hr (b) al menos 560 (c) al menos ?66 (b) 1.69 I 0.24 tons.88.25. (d) 032642 a 0. 1193. (a) 0.00002b pulg.30.34. (o) ?8.118.129.241 7.125.000085 pulg.38..07 t 6. -1r7. ms = 0. = -3. 0.428 24. 0.131.¡'TARTOS 5.36206.31. (¿) ffiz: 0.000072 pulg.84914 6.0ab t 0.?8 y 0.39.2 (b) 0.22. 0.493e (b) 5. 101. (c) 0. 0.72ti42 t 0.6. (o) 0. (a) 6.2464 (b) 52. (o) 0.62 r 0.72642 + 0.126.41. 0. 60 y 100 tuboc son respectivamenüe.35 (e) 26. (b) -4. (bl 0.72642 + 0. 6.000095 pulg. 6.38 384 (b) al menos 221 (c) al menos 666 (d) al menos a 1.Se (ó) ?.38 (hl 22. (a) 0.09? (c) 0. (o) 0. ó. 6.24 lb2 (c) 0.128.82 0. 6.073 i 0. 7 RESPUESTAS A PROBLEMAS ST'PLEMEI.38 (a) ?. rn2= 5.82. (b) 0.09 t 0. (o) 1.000060 pulg. (q') (c) e2.130.2344.7.112 .28 (b) (s) ?8e.41.12t. (o) (b) 105.4 hr Las estimas de las desviacionee típicas de la población para los tamaños de muestra 30.0 y 100. 101.3?.045 0.?0 r 0.36.96 onzas t t I 0.5 horas.030 eegundoa (D) 0. Las estimas de las media¡ de la población son 1200 hora¡ en todos los casos.12 hr t 0.?0 * o.62 6.298 t 0.2 (d) 7158.2 106 (ü) (b) 8.36.r5 (c) 0. n4= 0 -0.

Se puede rechazer la afirmación a ambos nivele¡ mediante un enaayo unilateral.58.259 a 5.64. 2400 t 45 librs¡.9 1?0.138 a 10. 7.lre 24 y 40.1 a 140.49.4 horas hora¡ horas (b) 78.79 kl) t2. .62. en ambos nivelea.2606 7.RESPUESTAS A PROBLEMAS SUPLEMENTARIOS 363 6. (b) Ensayo unilateral. (Hi p> 0.r. 0..06 (c) t2.45. I _ ()rr)/r¿ 6. 6. (o) t¿.65.68.63.(b)0.8 (b) 0. y se acepta en ceso contrario (o no se toma ninguna decisión).944 (b) 0. (b) Se puede rechazar la hipótesis d nivel de 0. (a) 6.58.01 en (o) ni en (b).4E.0 4802 (ó) al menos 8321 (c) al menos 11.1 a 288. Sí. (a) 63.7O. (a) Aceptarlahipóteeissilasbolasrojarextrafdasestánent¡e22y42 rcchazarlaencasocontrario. r = .70 (b) 0.67.8 t 0. 7 No se puede rechaza¡ la hipóteric al nivel de 0.20.654 a 1. 1.9 6.8 l: 0.69. k = -lln - (ct. (o) No se puede rechaza¡ Ia hipótesis al nivel de 0.673 a 2.6% 105.56. -= 3' 2tritl "'+r3l 6. (a) 1800 t 6.Bb 6.15 6.5 horas (b) 88. kt') 0.61.5).05.05. (c) Aceptar la hipóterie ¡i las bola¡ rojac extrafdas esüán ent.60.17. 6.06? a 1. (a) al menos 87.58 e 2.ó2. 86 lb (b) 1800 t 328 lb (c) 1800 t S82 lb 6.51.5 a CAPITULO 7 7. 139. (a) 95.70 6. 7.6 horas 2400 ! 59 libree (b) 87.) (e) t2.269 (o) 0.250 6.?41 a l. 7.519 a 7.69.8 horas 6.50. (d) Rechazar lfe ei se extraen más de 41 bolasrojas.46. (a) (IIe: p=0..5).31 onzas 6.66.05 en ambos en!¡ayos.63.52.5 (ü) 102. (c) 106.1 a 148. rechazarla en caso contrario.78 (b) 0.99.ó4. es 7. (c) Rechazar 116 si se extraen más de 39 bolasrojasy acept:ula en caso contrario (o no tomar decisión alguna).00 (ó) 13. mediante un ensayo unilateral en ambos caso8.. (o) a 230. 6. .6 ¡ a 1g0.24 249 onzas lb (ó) 63.458 a 4. (a) 0. El re¡ulüado significativo al nivel de 0.02 (a) 0.9a1 a 2. ?.14 (a) 0.1 horas 6.

7 respectivamente. es 7. 14.84. 7. 15.1.0. y 4. ?.4. 23.6. Mediante un ensayo bilateral al nivel de aignificación de 0. 7.0118 (c) 0 (d) 0 (e) 0.01. El aparente incremento en la vai'iabilidad no es significativo a ninguno de loe dos niveles. 3.87.A1 \¡¿ - lar frecuencias esperadas con 108. concluimos que el primer grupo no es superior .8E.96.7 respectivamente. es ?.6. 7.06.9.05.1.7 Un ensayo unilaüeral muegtra quc la diferencirr e eignifrcaüive eB al nivel 0.64 (ü) 0.0.05. 7 .0118 7.81 ln 7.tO.0.7 y 0. pero no al nivel 0.5.7. Concluirfamos que el resultado no común al nivel 0.1O0.2.6 respectiVamente.6.01. Las frecuenciae esperadac 8on 1.9. f (x) = T. (o) 6 (D) 4 7.e0. No podemos concluir que la primera varianza 8e¡ mayor que la segunda a ningún nivel. E aparente decrecimiento significativo al nivel 0. .1. 9. 50.7ó. 13.01.82.71.06. Un ensayo unilateral rnuestra que a ambos niveles el contenido -nedio en cobre es más alto que el señalado en las especificaciones.4.05 pero no al nivel 0. 7.77.34. Un ensayo unilateral muestra que el nuevo fertiliz¡¡¡¿ superior a ambos niveles de significación.2. 21.4. 7.79. la¡ frecuenciae esperadar son 32. 49. 7. 7.32)r(0.98.36. 13 y 2 respectivamente.05 pero lo es al nivel 0.ae frecuenciae esperadas eon 1. 4.63 onzas 7. 39. no ¡e deduce que haya diferencia de acidez. ?.96 onzas (D) 8.0 respectivamente. f (r) = aC"(0.e5. (o) t 0. Un enrayo unilateral indica que no disminuye la media a ninguno de loo do¡ niveles.3rL2 8. 43.20.99. (o) Un ensayo bilateral indica que no hay diferencia en la calidad de fabricación al nivel de 0. 7. 66. pero debe introducirse si el nivel de eignificación adoptado e¡ 0.l0l. Un ensayo bilateral a ambos niveles muertra que el producto no cumple con las especificaciones. 7 (a) si (ó) no .7. (a) 0.1 y 1.05. [.73.?.76.E3.t9. 12. Mediante un ensayo unilateral al nivel de eignificación de 0. pero no lo e¡ con un ensayo bilateral. Un ensayo cambisdo.El' 7 Un ensayo unilateral muestra que el proceso no debe inhoduci¡se si el nivel de significación adoptado es 0.05. 0.1 y 0.2. 7.86. 7.64 + 0.64 1 0.6. 53.6t)l-r. Un enrayo unilatetal a ar¡bos niveles de aignificación muesha que la marca B es superior a la marca A. Las frecuenciae eeperadas son 41.RESPUESTAS A PROBLEMAS ST'PLEMENTARIOS 7. 11. 7. 7. al eegundo. bilate¡al muestra que no hay eúdencia s ni¡guno de los do¡ nivdes de que la duración media haya 7. no 7. 60.E5.83 onzae (c) 8. (b) Un ensayo unilateral muestra que I no ee mejor que A al nivel de 0.3.72. 7. 4. E resultado es significativo a este nivel con un enar¡yo unilateral.2.01 .?.78. 7. Podemos conclui¡ que la primera varianza es mayor que la regunda a ambos niveles. 5.94.

t25: 0. (b) (b) 7.118.05 pero no al nivel 0.05. ?.103.116. 7. La hipótesis no puede rechazarse a ningfin nivel.01' 7.LO2.3179 (con conección de Yatea) 7 . La hipótesis no puede rechaza¡se a ninguno de lo¡ nivdes. (b) El ajuste es bueno pero no "muy bueno". 7. La conclusión es la misma.465t 7 .109. La hipótesis no puede rechaza¡se a ninguno de los niveles. (a) (b) (c) no ?. 7. el re¡ultado er significativo al nivel 0. La diferencia ?. No hay razón para rechazar la hipóteeis a ningún nivel.104. 0. (a) Un ensayo bilateral al nivel 0. 7.05.1L7 .114. La hipótesis puede rechaza¡se a ambos niveles.05. (o) El ajuste es muy pobre al nivel 0.05. Mediante un ensayo unilateral.138. 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 0.139.06. La hipótesis puede rechazarse al nivel 0.110.129.06.3863.06 pero no al nivel 0'01. Igual conclusión. 0.124. El proferor nuevo no sigue las miemas nortnas que los otroe.105.109. (o) El ajuste 7.11f es es significante al nivel 0. 7. esto es consistente con el Problema ?.RESPUESTAS A PROBLEMAS SI'PLEMENTARIOS 365 7.132. 7.L23. . tul e no (b) 10 si (c) 10 (d) 8 7. 1. (a) 0. (o) 7.134.108. (b) El ajuste es pobre al nivel 0. Puesüo que la dietribuciónbinomialdaunbuenajustedelosdaüos.05 no rechaza la hipóteris (b de proporcioneo igudes. (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). No hay razón para rechazar la hipótesis de que las monedas ¡ean hon¡adas.05 indica que á tiene una mayor proporción de bolas rojas que B.113. 7 .0738 (corregida) 7. No al nivel 0.115. (o ) 10.05. (c) si no si no (c) no (c) no ?. La hipótesis puede rechaza¡se a ambog niveles. 7. (a) 0.0.L72. 7 .728. sea mejor que la B d nivel 0. bueno (b) no (o) El ajuste es "muy bueno". La hipótesis no puede rechazar¡e al nivel 0. No puede concluirse que la marca A 7. ?. ) Un ensayo unilateial al nivel 0. 60.133. ?. ?. .10? .13?.106.0872. ? .1985 (conegida) (D) 0.2205.

88.5 (b) (ó) g?.8961 (b) u = 8.398 (ó) 192. (cr.9927 8.8r*12 (b) r= 0.?961 y (ó) 0. (a) 0. (a\ u=-i+í" 6 u=.s72 80.0 8.9?.81. (a) z = 3. (o) 0.24 (b) 8.9818 8.92.1r4.00 8. (o) v=0.0 a (b) B?. (o) (ó) 2.0 t 8.60 8.7l4r (b) "=t*lu 10. r¡o¿ = fi -o.Z.0 4.oooo t 0.00 (c) ?. (o) E.90. (o) (ü) t.14(L.24.00 t _1.70. 75/p 8.?8 + 1.96.28 (o) (ó) Mediante un er¡rayo unilateral puede rechazaree la hipóteaia.21r*O.108. (a) 0.87.448 8.64y 8.00 6 r= (¿) 1.gBB+o.szos 8.6 1.138 t a 0.79.08?86 o¿ (ó) (c) t?0 ft.67.304 (ü) 1. u = 6.0 a 19.60 (ó) 1.13 + 0.96.46¡r*l 8.6tly E.6t-t.6606 (ü) 0.107.) 1.80 E.74.113.68. (b) d 8.89 * L. (c) 37. (b) a = 29.20(r-B) +0.s912 (ó) 0.r1y (d) 7g 95 t.000 + 0. ft (d) Bg? (b') A=32. 0.408 + 0.71.66r * 2. B. (bl u = 4.188 ¡ (c) r32 8.111.20 E.14(10)0. (o) 1. (¿) t 3.91¿6 y y 0.E0.85.1 E.6633 1. Mediante un ensayo unilateral no puede rechazarse la hipótesie.968 (b.14¿0.427Y 61. (a) 24.29y 8. -0. (o) 1.77 y -.2 (c\ 182. 2.r3.109.69.rz 8.661¡ (c) r = -14.500a (cl r = 2.151{" ¿O ó U -92.126s 'y 0.99.5t*3.115.89.9 2.E6.84.60 (ó) 17.4 si no no si E.0 t 5.366 CAPITULO 8 RESPUESTAS A PROBLEMAS SUPLEMENTARTOS 15o 8.64.r10.2928 y 0.IBB72 616 8. 37.00*1.ss56' 8.?801 y .096 o * 0.6 E. 0. (a\ 0.?600 y 0. - 1. (¿) 0. (a) 3.8861 1 t.40 6 A:32.112. (a) 0.8. =0.66.?3S(n-B)2 6 41.21 0. (a) 8. E. (o) 8.

3?.05. llay 9. tlay 9. No hay diferencia significativa en los sitios o fertilizantes al nivel 0.6402 si la unidad 8. 9. una diferencia significativa en marcas al nivel 0. 9. una diferencia significativa en operarios pero no en máquinas.l31. una diferencia significativa en sus calificaciones a ambos niveles.1083¡*0.32. 9. No hay diferencia significativa en operarios o máquinas.66. 0.43.05. 8. No hay diferencia significativa en los métodos de enseñanza o plantelesal nivel 0. Hay una diferencia significativa en los sitios pero no en los fertilizantes aI nivel 0.33. 9.4653¡z.42.40: No hay diferencia significativa en neumáticos o automóüles al nivel 0. llay una diferencia significativa en neumáticos y automóviles al nivel 0.01. No hay diferencia significativa en el color del pelo o estatura.27.¡es5añosconorigenen julio de 1935.39.RESPUESTAS A PROBLEMAS SUPLEMENTARIOS 367 8. Flay una diferencia significativa en los métodos de enseñanza al nivel 0-05 pero no al nivel 0.126. Igual al hoblema 9.7 y 173. 9.38. No hay diferencia significativa en neumáüicos a ningún nivel.01. No hay diferencia significativa en el tipo demaíz o suelosal nivel 0.35. (a\ 20.125. 9.25. 0. (b)y:18. 9. flay 9.44.33 r .lgxsilaunidadxesLl2añoyelorigenesel ¡ es un año y el origen es el 1o.38x E. 9.01. (c) si no (ó) 8.05 pero no al nivel 0.4 (b) 116.(b)y:722.42*2.31.43.36 lb 3.26. No hay diferencia significativa en fertilizantes o suelos.9*4. 9.129. 0.4547 8.deenerode1954. . CAPITULO 9 9.0.130.7 (e)1977 1o.L27. 9.9254 y 0. 9. 9. una diferencia significativa en rendimiento a ambos niveles.128.dondeyeslanatalidadpor1000habitantes.24. 9.16-0.4f.11?.120.116.7096 y 0.9653 (D) 8.34. de julio de 1950 (d) 142. Ilay 9. No hay diferencia significativa en operarios o máquinas. Igual al hoblema 9. 415 8.4 libras 8.05.23.6158 E. (o) u = 3.05. Hay una diferencia significativa en el tipo de maíz pero no en los suelos al nivel 0.oy:107.01.30 pulg. 9.01 .36.38.

3.64. No hay diferencia significativa en los puntajes de I.52.66.4E. 9.61. máquinas o fortaleza de cables.ó. 9. significativas debido a los sitios pero no a los fertilizantes.46.Q. color del pelo o Iugar de nacimiento. .49. 9.54. C.01 las diferencias en los puntajes del examen debidas al estado veterano no son significativas.Q. 9. Al nivel 0.Q. B.45. pero las debidas al LQ. significativas en los puntajes de los exámenes debido al estado veterano y al I. 9. 9. 9. No hay diferencia significatirra en tratamientos a cualquier nivel.54. No ha! diferencias significativas en los puntajes de los estudiantes de diferentes partes del país. al nivel 0. fuual al hoblema 9. 9. pero no otras dife- ' ltray diferencias significativas en tipos de cables pero no en operarios. y canüidades del primer compuesüo químico.47 No hay una diferencia significativa en rendimiento escolástico debido a diferencias en estatura.55. pero hay diferencias debidas al I. 9. llay diferencias 9. No hay diferencias significativas debido a sitios o fertilizantes.62. sílo son. llay diferencias 9. 9. ltray diferencias signifrcatiyas en especies renciag signif icat ivas.05. 9.368 RESPUESTAS A PROBLEMAS SUPLEMENTARIOS 9. FIay diferencias significativas debidas al factor 1 pero no al factor 2 o tratamienLos A. No hafl diferencias significativas debidas a los factores o tratamientos. No hay diferencias significativas debido a los químicos o s¡tios.63.

118 distribución hipergeométrica. 1 18 distribución chi-cuadrado. 306-338 fórmulas cortas en el. 12. 264 curyas OC. 11O á¡eas bajo la. 26 4 coeficientes de confianza. 22O. 133. 217. 269 ensyo chi-cuadrado Pua la. 263. 112.lndice Ajuste de datos po¡ distribuciones üeóricar. 21 1 desigualdad de Chebyshev. 1 (uéos¿ también conjuntos) clases y frecuencias de clase. 248 curuas de aproximación. 23A.348. 139'141 teoremas sobre la. 321. 117 ¡elación con la chi-cuad¡ado y t. 258 relación de la a la distribución norrnaI. 85. 82 cuadrados greco-latinos. 31O. 316 27 distribución binomial negativa. 6O. 344 curua parabólica. 112. 82. 244 264. 118. 99 (uéase tombién distri' bución normal) áreas bajo la. 24O. 29G 292 correlación gradual. 349 distribuciones gamma. 11. 345 tipificada. 321. 297 poblacioml. 130. 111 r34 distribución de Pascal. 2 (uéose deteminación. 267. 47. 265-267 coeficiente de correlación lineal. 1 17 moda de la. 2. 11. 115. 248 decisiones estadlsticas. 109. 246. 34ó cu¡va normal tipificada.316-321 aproxirración de Stirling a nl. 224. 254. 284.86.129 distribución exponencial. 85. colección. 129. 239 propiedades de la.118 propiedades de la. 246 muestral. 112 relación de la a la distribución binomial. 143. 92-94 teoremas sobre la. 28L-284 ensayo de tripótesis y significación para el. 135 distribución bimodal. 26O clase. 4 conjunto vacÍo o nulo. número desigual de obseryaciones en 312-315 experimentos conjuntos.246 Datos agrupados. 117. 81. 164.26l múltiple.237-239 aleatoriedad. 11. 118 valores de Ias percentilas de Ia. 296 independencia y.135-137. 135 teoremas sob¡e la.310.169 negativa. 309 media y varimza de la. 115. 118. 316 diseño experimental. 138. 56-60 pua el caso continuo.112. 1 conjuntos medibles. 217. 291 26r. 26 4. 112 clasificación simple o experimentos de un factor. 217. 47. 347 como caso especial de la distribución gamma. 9. 46. 119 distribución ¡'.311 aleatorios. 19ó coeficientes de correlación múltiple. 315. 319. 263. 311. 8ó decisión. 216. 83. 118. 163. 108. 3f6-321 clasificación tríp¡e o factor tres expedmentos. 82. 316 püa de tres factores. 139. 247 332.2A2.97 dist¡ibución binomial. dewiación. lO9 (véase tomb i¿n distribución no¡mal) distribución geomét¡ica. 116. 33O cuadrados latinos.333 para experimentos de un factor. 297 distribución de Bernoulli (uéose distribución binomial) distribución de Cauchy. 296 Poisson a la. 115. 344. 198. 268.324 el. 11.37 Cambio de variables. 142 relación de la con la binomiál negativa. L28. 177. 232-236.322 para experimentos de dos factotes. 10. 116. 237 dispe¡sión. 84 ajuste dé datos por la. 88.269 cunas de regresión no lineal. 1 77 combinaciones. 5 completa aleatorledad. 94. coeficientes de. 40 control de caüdad. 27.243.11-13 teoremas sobre.320. 2a6-2a7 . 116 reJación de la a la dist¡ibución normal. 3 264. 9. cumplemos. 2ó8 94. L24. conelación y reg¡esión üneal perfecta. 78 diseño de experimentos. curua de ajuste.324 cuadrados ortogonales.213 Bridae. 6 conección de Yates para la continuidad. E4. cuenteo.L28 relación de la a la distribución de Poisson. 11O. 1O8. 114. 46 casillas. 2ll. 266.125.293. 1 51 contado¡ Geiger. 24 complemento de un conjunto. l.163 centroide o centro de gravedad de los datos. 127. 109 de la distribución de Poison.244 conelación. 112 de Ia distribución normal. 118 distribución de Poisson. 9. 333 cociente de inteligencia.281-289 tabla.315. 119- 310. 306- continua a la derecha. 144 cont¡ngencia. 184 categorías. r97. 220. 295. lO. 133 . 78.294 generalización del. 6 conjunto nulo. 116 cuenta. 258-3O5 gradual. 306. 23.263 covuianza. 263. 213. 25-2 7 análisis de v xianza.3f6 bloques aleatorios. 92- curua cuadrática. 266 (véose tom' bi¿n conelación y reg¡esión) curva de potencia. Só. ó conjuntos iguales. 219. 26+ 246 püa datos agrupados. 1 13. 2L7. 316. 267. 31ó álgeb¡a de sucesos. 230 coeflcientes binomiales. 332. 264. 221-226. 342 axiomas de probabilidad. 316 bondad del ajuste. 134. 100. 234. coeficiente de. 232-236. 118. 225 análisis combinato¡io. James. 316. 13 2. 183 de la distribución binomial. 263. reglas de. 117. 264. I29 aproximación normal a la. problema. 13 conjuntos bien definidos. 218. distribución gaussiana.145 ajuste de datos por. 136. Bernoulli. 1O9 relación de la a la distribución normal. 2 constante de Boltzmann. 315. 163 decilas. principio fundameotal de. 7L. 89 282 diagramas á¡bol. 259 típica (uéose desviación tíPica) desiación media.297 teo¡ía muest¡al de. 268 generalizando. 316.28l-244 fórmula p¡oducto-momento para el. 161. 115. 25 coeficiente de conelacion. 31 curtosis.244 cuwa nomal. 1l uti¡izando p¡obabilidad. 117. 177. 3O7. 197. 61 disÉibución beta. 30. 1 conjuntos disjuntos 3. 217 convoluciones. | (uéase también conjuntos) columna de conteo. 3 1 5 altamente significativos.242.2L6 área bajo la. 97 también varianza) dewiación tÍpica. 108 bloques. completa. 134 cuilas cdacterÍsticas de operación. 168. 268 r23 aproximación de la dist¡ibución de interl¡retación probabilfstica de la. 83. 258. L27. 21 diagramas de Venn.97-99. 46. 264.2 conjunto universal. 47 para el caso disc¡eto. 317. ' dife¡encia de conjuntos. 3 dimensiones o unidades. 295.78.112 219. 2a5'247. 345 ordenadas de la. 328.

63. 14. 83.226-22a mediaate la distribución chi<uadrado. 54 de sumas de variables aleatorias. 263. 40. 137. 2I9. 213.S. 157. 160. 238 bidimensional. (pe¡cepción ext¡as€nsorizlr. 117 disribución trimodal. 276. 306 Fistre¡. 4 46. 289. probabilidad de. principio de. 117. 1O8 expamión multinomial. 86-E8 condicionel. 47 interpretación gráfica de la. estadfstica (uéose estadís- tica Bose-Einstein) e1e x. 64 293.279- 164. 346 media y vaianza de la. 36 E. 4 esperanzar 76. 124-127 ajuste de datos por la. L4l 11 8. 49. 29A espacios muestrales infiniio no conta- fumión complementaria de error. 231 experimentos de clasificación doble (uCose experimentos de dos facúores. 265 77 38. 6.lores medios predichos. 8l totales. 269. óo conti¡uas. 218. 4. 80. 1O8 expansión binomial. 111 distribución nomal bidimensional. 285. 94. 81. 222 escalera flor. 198. 116. 4ó para valiables aleatorias dlscrets. fó8.226-228 mediante diferencias de proporciones. 84 distibución uniforme. 2t6. distribución de 2t6. 262. 3 Ecuaciones norraales pua la recta de mfnimos cuad¡ados. 260 elementos o miemb¡os de los conjuntos. 83. 267 pua valores predlchos. 16-321 225 la. 113 distribución Maxwell. t¡ansformación Z de. 4 espacios muestrales inflDitos contables. 113 experirnentos aleatorios.pua el coeficiente de correlación. 2L9. 48. distribución f de Stud. 138. 6 enfoque clásico de probabilidad. 1 de proporciones. 110 espermza matemática. ó3. 198. 261. 178. 287. 35 estadfstico no puamétrico. 266. 241 3 mediante medias. 5. 16ó. 5 enfoque uiomático de ptobabiüdad.370 media y vaxi^nza de la. 111 teo¡ema de la unicidad para le. 3O8 error tfpico. 326 función de distribución acumulada.216. 157 de dewiaciones típicas. 293. I76.201 esti¡nas insesgadas. 194-210 eficiente. 76. 162 de difetencias y sumas. 109 propiedades de Ia. mediante la disúribuclón F. 199. 164 f¡ecuencias elementales. 92. 2 interacción en el.249 distribución nonnalr 109-1 11. 6 enfoque a priori de p¡obabilidad. 196.39.277 para el plaao de regreslón de mfnimos cuadrados.294 pa¡a la püábola de mlnimos cuad¡a- teoremas sobre. 43. 1ó chi-cuadrado y.22L. 2L6. 264. 286 fórmula producto-momento para el coeficiente de cor¡elación lineal. 43-46. 158. 216. 81 ble. 263. 81. 236 mediante la distribución normal. 186 estadlsticos muestra¡es. dualidad. 198. 163. 312 Einstein-Bose. 223. 260. 159. 91. 198. 39 (uéase tambíén funciones de distribución) función de distribución conjunte. 16G162. 92. 262. 141 probabilidad. 163.196.178. 343 función de densidad. 164 acumulada. 168- de ¡elaciones de vuiauas. 194 estimas po¡ puntos.266. 164 acumulada. 164. ó2 de funciones de vuiables aleatorias. 216 Fermi-Di¡ac. 117 relación de la a la chl-cuadrado y F. estadfstica.160. 44 dis¡etas. 117 teoremas sobre la. 162. 112 de la distribución normal. 162 distribución multimodal. 94. 162. 6 fórmula de inve¡sión. 215. 212. 77.282. 306-31O. 115. 194 estimas sesgadas. 206. 84 distribución multinomial. 341 fracaso. 44. 295. 14. pua variables aleatorias contfuruas.294 fómulm de Euler. 220.274.P. 213 para va. 297 f¡ecuencia observada. experimentos de dos faetores. 278. áreas bajo mediante relaciones de varianzas.318 de vuianzas. 4 espacios muestrales no disretos. 13ó función de densidad para la. 161. 266 para vrimzas.¡ecuencia marginal. 286-287 . 266. 52 distribuciones de probabilidad condicional.179 distribuciones de frecuencia ¡elativa. 1O8 . 259 estimador insesgado.214 püa pequeñs muestras. 2L4. 310. 163.. 1ó7. 117. 314. 113. 313-315. 142 distribuciones condicionales. 4ó. t7l enfoque a posteriori de Drobabilidad. 119. en téminos de varimzas y del coeficiente de conelación. 212. 311 notación paa. 267. 31 1 experimentos de Mendel. 27 O. 5. 3 7 Fisher.215. 243 ensayo de bipótesis y significación.263. ?7 muginal. 4 espacios muesfales discretos. 216 para coeficientes de regresión. 194 estimas.244. error típico de la (véose ettot tfpico de la estima) estimación. 279 efectos de bloques. 289. R. 25. óó estatura de padres e hijos.268 pua grar¡des muestras. 44. 41 distribuciones de probabilidad discret¿.ent. 41 conjunta.312. 157 función de densidad normal tipificada.293. 118. 77 (uéose dos. 179 relativa. 164 distribuciones de fiecuencia acumulada. 41 de funcit¡nes de vadables aleatorias. 156. 81 fórmula de Spe¡man pa¡a la cor¡elación gradual.2La. 1ó espacio muest¡a] finito. 214. 133 distribución Weibuü. 77 espermza condiciona!. 194 (uéate estimas insesgadas) toñbién mediante diferencias de medias. 194-2LO. 217 ensayos de dos colas. traslación de. 184 de medianas.61. 262. 114. 2r9. l6 3 frecuencia relativa. 311 distribución t Student) 163 acumulada. 61-63 distribuciones co¡iuntas. 22L- experimentos de un factor. zLl. 119 distribución muestral. 237. 273. 324-327 variaciones pa¡a. 213 ensayos de una cola. 221-226 mediante proporciones. 296 derivación de la. 161. 4O. 312 efectos de lnteracción. 44 . 42. 26ó también esperanza) estadfstica Bose-Einstein. 299 er¡ores del tipo I y del tipo II. 99 de la distribución binomial.139-141 ¡elación de la a la distribución normal. 44. 113. 267 3-2L5. éxito. 118. 160. 211267 estimas no eficientes. 297 e¡rb¡ o residuo. 98. 82 distribuciones de frecuencias. 52-56 continuas. 156. ó1. 194 estimas por intenralos. 194. 1Og de la distribución de Poisson.) distribución porcentual de frecuencias. 260 ejes. 164 distribuciones de probabilidad.2t6 ¡elación con la teorÍa de estimación. 39. 132. 1?3-176 de varios estadísticos.47 disc¡etas. 199 insesgada (u¿ose estima iDsesgada) estimas de máxlma verosimilitud. 2ó9.2A6 224 espacio muestral. 28t. 163. 114 relación de la a la disEibución binomial. 43 teoremas sobre la. 138. 261. 290 estima. 342 función característica. 218 frecuencia porcentual.267 formas igualmente factibles. 297. 16ó-168.4.A. 178 (uéo¿e 213 mediante la distribución f de Student. 45 función de densidad conjunta. 44 va¡ianza pa¡a. 162 INDICE efectos de tratarniento.177 enfoque de la frecuencia relativa de 308. 231. 17?179 acumulada. 6 ensayo chi-cuadrado para bondad del ajuste. 36 función aleatoria (uécse vuiable aleatoria) función beta. 38.6 286. Futl. definicid¡ de la. 194 e¡aor tfpico de la estima.171173 de medias. 38. 290 . 4 espacids muestrales continuos. 159. 2L9. probabilidad de.229-231 2L con repeticiooes. 162.

234 pare propo¡ciones. 1 56 partículas radioactivas. 156. (uéqs¿ rectas de mÍnitnos cuadrados) método y fórmula clave. 178 moda. 197. 177 muestreo. 43 4O 268.342 función gene¡atriz de momentos. 341. 1á6 con o sin remPlazamiento. 83. f16. 47 Pata conjuntos. 44 g¡andes muestras. 6 muestras. gran media. 96 de la dist¡ibución beta. ll. 123 la distribución de Poisson. 292. 2O4. 1ó1 grados de libe¡tad. para la convolución. 155 población binonial. 164. para el análisis de la varianza.166. 79 intenalos geml-abiertos o dos.5 probabilidad condicional. invuianza baio üanstotmacióD. 196 población finita. 276.49. 306. 164. 1 56 independientes. 26L. 13 Iey distributiva.44. para la convolución. 17? niedia.INDICE función de probabilidad.¡los abierto y cetrado. 117. 1ó8. 3O6 medias de tratamiento. 6 suma de los pa¡a la distribución chicuad¡ado. á1 lÍnea real. 76.P. 1O función paso. 2+2. 158. 163. 1r6. ó8. t71. 111 21 E inte¡ralo semi-intercuütÍlico. 61-63 conjunta. 277. 159.22O. 96. 97. 45 funciones de distribución. 1O9. 259 ir¡tetcepto. l2 computación de la. 159. 94 moneda cargada. 8O función monotónicamente creciente. 2O2. débil ros) (ué¿se muestras independientes. 5ó.313 ? probabilidad. 84. Ojivas.237. 41. 84. 313 polÍgono de frecuencias 179. 183. 155. poker. I 55 integrales de Fourier. 2 lntcnalos de confianza.98 de la dist¡ibución binomial. 198 dist¡ibución de muestreo de la. 308. 85. 48 probabilidad de causas (uéos(f teorema teoremas de la. acumulado. 23O inferencia estadística.5ó marginal. 81. 4O función factorial. 85.219. 312 g¡an total. L21 Jacobiano.165. 76. 26O intetsección de cotiuntos. 1 7-2O función de la. 110 eomplementaria. lO9. 13ó de la distribución d€ Poisson. 21?. 200 número. 113. ensayos de.312. 2. 156 parámetros de la. 117 la distribución normal. 3O7. 6. 1O9. 36. 164.D. 117 modelo matemático lineal pua el análisis de va¡ianza. 79 momentos condicionales. 186.Q. 42 para variables aleatorias discretas.179 ojivas porcentuales.297 198 para rectas. 114. S.179183 momelltos centüales. 259 para curvas. 69 para datos agrupados. 11ó. 8. 217. 199-201 grupo. 96. 136 gráficos de control. 352 números complejos. 40. ó3 niveles de confianza. L78 I paradoja de Russell. 54. 264. 183. 89'91. 306. 39. 98 integr¿les especiales. 269. 45. ró9 población infinita. 1 polÍgono de frecuencia. 166-167. 195 (uéose tambíén lÍmites de confianza) IÍmites reales de clase. 76 de una muestra. 204 para medias. LS7.297 miembros o elementos de un coqiunto. 163. pea conjuntos. 217 259 236. 1ó8. 84. 11 método de mínimos cuadrados. 1^O. 97 medias de fila. 86 Marca de clase. 96. \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.241 hipótesis estadísticas. para datos agru- Gas ideal. 177. 214 histograma. 171. 211. 211 (uéase tombián ensayos de hipótesis y significación) hipótesis nulas. 156. teorema de la unicidad pea la. 1 método de expansión. 194. 1óó. 84 (véose también media) media muestral. 21 hipótesis. ó4. 163.272 función error. 163.23O Herencia. 199. 38 marginal. 89-91. 206 semi-cerra2dO. 184 teorÍa de correlación y regresión. 32 parámetros poblacionales. 39. 18O- población normal. 76. 79 condicional.45. 311 mediana. 79 alrededor del origen. 2 pea vErian¿as. 6 moneda b-omada. f 56 alrededor de la media. 196 muestras aleatorias. 227. 195. 13 lÍmites de confianza. 19ó. 44. 1. 83. 2. 6r 3 ley de los grandes números. 48. 212. 184. 213 números rleato¡ios. 8O. 15ó. 84. ó6.249-292 n factorial. 63 función de Drobabilldad coqiuDts. 97 medidas de dispersión. 158 I. 1ló de la distribución F. 198. 155 aleatorias. funciones de densidad marginal. 2t3.164.2O3 para relaciones de vuianzas. 46.293 medidas de centralización. 171.221 experimental o descriptiva. 1ól momentosr 79. 308. 343 central. 1ó6.S. 309. 27 . 111 de la distribución ú o de Student. 159 normal. 3O6 de de de de medias de grupo. 80. 13 en los zucesos. 80 teoremas sob¡e la. 206 modelos matemáticos. .. 196. 112 la distribución F. 157 media ditmética. 342 fórmula de recunencia ptala. 8 3O7.84 Papel gráfico de curya normal. 259 método de comprensión. 221 experimental o descdptivo.97 (véase tanrbién esperanza) pados. 44 371 molécula de gas ideal. 1 (véase también conjuntos) prábola. 3 inteivalo de clase. 266. 44. 351 loterm. 243 pua paábolas. 342 fórmula asintótica de Stirling pa¡a la. 268 para vuiables aleatorias continuas. 164. potencia de un ensayo. 224 tabla de. 179-183 la distribución binomial. L22. 156. r23. 86. 47. 350. lnteÁ. 47. 197. 163. 177.50. 95 para las pruebas de Bernoulli. 12. 157 media total.312 ordenadas. 49. 40. 179 acumuladas. 26. 85. 195 lÍmites fiduciales. lf l. aproximación de Sti¡ling a. 55. (cociente de inteligencia). 156 tamaño de la. 203.266 pe¡mutaciones. 3Oo funciones de distribución marginal. 47 para conjuntos. 156 población multinomial. 196. 164 operaciones de coniuntos. 312. 156 196 Ley asociativa. 43.268 funciones de probabilidad marginrl. f96-202 L44. 11? de un conjunto de números. 84. 342 27. grupo control. 3. 37 Poisson. 112 de la distribución normal. 3. 311. 45. 241 tabla de. 194-206 para diferenciás y sumasr 196. 27-23 población. 224 niveles de significación. 2 logúitmos comunesr tabla de. 99 pe¡cepción extransesorial (udase E. 162 no unicidad de la. 123 de la distribución chi-cuadrado. 342 función gamma. 94 función escalera.) mÍniinos cuadrados. 3. 1 44 pe¡centil¿s o valores percentüa. 217 gráficos de control de caüdad. 39 condicional. 342. 266- 4t. 1ó5. 205. 84. 97 mejor cuwa o recta de ajuste. 96. 2 núme¡os ¡eales. 269. para la convolución. 126. 165. 3 ¡ey conmutativa. 19ó nivel de significación.

264. 11O v&iables aleato¡ias dist¡ibuidas uniformemente. Valores críticos. 217. 264. 2t9. 195 valo¡es de tendencia. 3O7 para . 3f 3-3f 5. 263. 115 cuadrado.78. 216 como segundo momento. 212 ensayos de.244 representación gráfica. 297 tammo de la muestra. I 1 O pila distribuciones conjuntas. invarianza bajo. 259.4 Recorrido. 262. 2AL.2ó9 coeficiente. 9.284. 291) universo del discurso. 29O curva. 22O tablas de con¿ingencia. 17-2O. 49. 29. probabilidad empírica.115 vtianza poblacional. 81 transformación Z de Fishe¡. 223. 2ó9 Sec¡etaria. 78.2a5 vaiación no explicada. 113. 85 sesgo. 27 I relación fineal. caso donde s . 26-27 231. 212 regla de Leibniz para la de¡ivación de una integral. 22O. 242. 2O1 t¡ansformación de Fourie¡. 3O6 triángulo de Pascal. va.273 en términos de varianza muestral v teoría de muestreo exacto. 85.82 de momen- mente. 196 tigmpo de reacción. 219. 5O con distribución dg Poisson.86. región de. 258 punto muestral. 79 pados. 3O9. 164 dist¡ibuciones de la. 15-17 p¡obablemente significativos. ó2-56. 161. 269 vdiables-transf o¡madas. 6 algunos teoremas importantes sobre la. 269. 289. 352 293. 341 ¡elación con las dist¡ibuciones t y F va¡iables aleatorias con dist¡ibución Gamma.116 función (uéose función de probabilidad) geométrica. 78 unidades tipificadas. 25 Unidades o dimensiones. 45. 50 dist¡ibuidas unifomemente.85.110 vüiables dependientes. 242. 38. aleatorias) 2 2 241. 112 de la dist¡ibución normal. 38 variables aleatorias de la distribución de Bernoulli. 26I intersección de. asignación de las. 26A. 49 ¡éplicas. 165. 37 subconjuntos. 266.161 veiables aleatorir nomalizadas. 263. 131 prueba del.89 combinada. 14. 271 referencias tipificadas. 37 serie de Fourier.81. 78 va¡ianza combinada. 1 ilceso imposible. 11 1. 3Og pua las. 79 vriables aleatorias con distribución Be- serie". dist¡ibución muestral de. 38. 311 tratamientos. 3O7. 326 diag¡ama. 117 muestral. 108 pruebas de Bernoulü. 15 sucesos elementales. problema de los. 85.294 vaianza. 183 de la distribución binomial. 6. 2ll (véase tombién ensayos de hipótesis y significación) vaiables aleatorias con dist¡ibución Cauchy. pda la función generat¡iz tos.123. 270 va¡iables aleatorias. 48.27l uperf icies. 23a como una función de valor real. 2a7.272 318 grados de libertad para.159.37.experimentos de dos factores. 43 t¿blas de clasificaclón doble. S2 sin dimensiones. 131. 1 14 independientes. 266. 111 vuiable estocástica (véase vuiables valores exponenciales. 261. 258. 6. 13O. 3O8. 114 1ó8. 292-294 cov^rianza.161:171 prueba de Bernoulli.239 problema de la aguja de Buffon. 1O8 vuiables aleatorias distribuidas de a- cuerdo con la dist¡ibución Poisson. 264.lasificación simple.111.245 en análisis de varianza. 7. 15 utilizando el análisis combinatorio. 306. ó. 7. 312 regresión. 30. 311. 4.lores esperados de las. 158 de la distribución no¡mal.2O2 interpretación probabilística de. (véase v atianza muesüral) continuas.88. 1Og de la distribución de Poisson.39 vaiables aleatorias continuas.63 vüiables aleatorias no relacionadas. 63 no conelacionadas. 266.259. l94 sÍmbolos de inclusión. 143. 79. 266. 1ó8. 3 significación. 63. 262. 123 de la distribución de Poisson. 266. entre columnas o bloques. 89.115 variables aleatoiias con distribución chi- ta. 83. 1O8 variables aleatorias dependientes (uéose variables aleatorias independieDtes) vaiables aleatorias discretas.2a2. 322-327 tabla de c. 195. 243246 tablas de frecuencia (uéose ta¡nbién distribuciones de frecuencia) variables aleatorim distribuidas binomia¡mente. I 18 tablas y distribuciones de frecwncias de doble v&iación.262 27 a. 242. 26? traslación de ejes.317. 131 teorema o ¡egla de Bayes. 63. 260 variaciones. 111 de la dist¡ibución t. 213 región de rechace. 1 I O región crltica. 8. 281. ó sucesos. 249 de vaiables aleatorias distribuidas normalmente. 26O. 259. 2a9. 48. 21 variación. 195 desconoce la. 38.98 serie de Taylor. 48 función de densidad de. 279 unión de conjuntos. 64 probabilidades. 263. 259.124 las.81. 58. 89. 8O sesgada a Ia derecha o a la izquierda.2a4. 45. 81 transfomación.266.284 relaciones no lineales.318 múltiple. 79. 4. 20. variación total. 29. 254. problema de la. 46. 151 teorema de unicidad. 26O. 117 de la distribución muestral de medias. 311. I7 -2O. ? sucesos independientes. 164.260 pua vriables aleato¡ias distribuidas binomialmente.2a5 vatiación residual o aleatoria. 108. 289 ecuación. para un conjunto de números. 1?9-183 vriable independiente.3il1 Taylor. 42. 5. 1 subconjuntos p¡oFiós. 79 tipificadas de. 82 veiables aleatorias normales asintótica- ley de los grandes números paa 109.287-289 transformada inversa de Fourier. 6 suceso seguro. 68 proporciones. 164 probabilidad geométrica. 263. 79 distribución de las. 289. 8 cálculo de las.49. 112 de la distribución f'. 50 papel gráfico.6O teorema del límite central.262 vüiación explicada. 130. 46. 269. 97.158. pa¡a la función ca- vaiables aleatorias independientes. 8O dist¡ibuidas binomialmente. 67. ó-7 sumas es¡reciales. 237 . 262. 31O. 31 1 entre y dentro de tratamientos. 324-321 residuo. 176 velocidad efectiva (¡ms). 198 rectas de mÍnimos cuadrados. 311.114. 8O ¡acte¡Ística. 41 INDICE sobres. 49. 1lO va¡iables aleatorias adimensionales. 264-27 4. 266. 262. f91. 281. 3O9 regresión múltiple. 260. 30. I O8 distribuidas normalmente. 79. Tabla de probabilidad coniunta. 64 gráfica. plano. 26 2 teoría muestral de. 266. para datos agrucondicional.2a4. 151 82 seguridad.285 recta.372 o ¡egla de Bayes) concepto de la. 81. 212. 5 condicional.97 semi-intercuartr-lico. 1O9. 9. 27 8. 52-56. 219 en anáUsis de varianzas. 97-99. 156 temperatura Kelvin.249 computación de la. 317. 112. tabla de. 39. 161. 46 scesos mutuamente excluyentes. explicadas y no explicadas. 226 .38 discretas. 265. 262. LIL. 284. 3O7. 216 var\anza muestral. grados de libertad 311 métodos cortos paa obtener las. 3O9 ent¡e filas o tratamienúos. 158.94 de la distribución binomial. 194. 160 esperanza de Ia. 266.

.

.

l .

.

.

l.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 .ico Análisis'..'M PUBLICADOS EN ESPANOL Acústica Algebra eiementai Algebra elemental rnoderna Algebra lineal Algebra superior Análisis estructural Análisis estructural avanzado Análisis de Fourier Análrsii numc. máquinas Economía internacional (en prensa) Ecuac'rine.:a de tos fluidos Dinárn'ca de Lagrange Diseñ..I$ROS DE LA SERIE SCHAI.ceri.ar ía Ecuaciones diferenciales Ecuaciones diferenciales rnoder¡las Espacio de estadn .¡ sist¡ma lineai Estad ística F ísica gcnera I Fundamenrol de matemáticas superio. 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 .. adrni nistración de empresas (en prensa) Macroeconom ía Micrc¡econom ía óptica Probabil.i.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.: cie concretc a¡'rnado Diseño cr.i cilculo Programación BASIC Ouir¡ica f ísica (en prensa) Ouímica qener¿l Resistencii-. 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 .dad Probabilidad y estadística co.

Sign up to vote on this title
UsefulNot useful