P. 1
[Schaum - Murray.R.spiegel] Probabilidad y Estadistica

[Schaum - Murray.R.spiegel] Probabilidad y Estadistica

|Views: 172|Likes:
Publicado porKiessling Krmen

More info:

Published by: Kiessling Krmen on Feb 23, 2013
Copyright:Attribution Non-commercial

Availability:

Read on Scribd mobile: iPhone, iPad and Android.
download as PDF, TXT or read online from Scribd
See more
See less

05/18/2013

pdf

text

original

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.

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

Parte I PROBABILIDAD .

.

A tenemos A C A.6}. e } es un subconjunto. 6).4.escritoAcB6B:Ayleído"AestácontenidoenB"o"BcontieneaA" respectivamente. y un elemento por una leha minúsculao. e. describiendo alguna propiedad conservada por todos los miembros y por los no miembros. u}._l 'Cupítulo Coniuntos y probqbilidqd EL CONCEPTO DE CONJUNTO 7 El concepto d. 2. ¡ |¡ es un triángulo en un plano ) es el conjunto de los triángulos en un plano. 3. Sinónimos de conjunto son c/cse.2. Si o y b pertenecen aC escribimos a.6. Un conjunto puede considerarse como una colección de objetos. llamados míembros o elernentos del conjunto. denotamos un conjunto por una letra mayúscula A. El conjunto de las vocales en el alfabeto puede definirse por el método de extensión como { a. 4. En este caso AyB tienen A+ Si A no es igual a B. pero no un subconjunto propio. i. Se sigue que para todos los conjuntos exactamente los mismos elementos. EJEMPLO 1.1. A y B no tienen exactamente los mismos elementos. grupo y colección. puesto que los dos conjuntos son iguales.3. u}.4. SUBCONJUNTOS Si cada elemento de un conjunto A también pertenece a un conjunto B llamamos a A un subconjuntodeB. _ Si un elemento a pertenece a un conjunto C escribimos a€ C. 5. EJEMPLO 1. I a. o. En general. el cual es un subconjunto (propio) del conjunto de todos los resultados posibles {L. Al lanza¡ un dado los resultados posibles cuando el resultado es "par" son elementos del conjunto {2. EJEMPLO 1. de {o.Para que un conjunto seabiendefínido. uloporelmétododecomprensióncomo{rlreeunavocal}. i. Un conjunto puede definirse haciendo una lista de sus elementos o. . B.2. 3.e conjunto es un pilar fundamental de la probabilidad y la estadística y de la matemática en general. EJEMPLO 1. u ) es un subconjunto propio de {o. El primero se denomina el método de extensión y el segundo el método de comprensión. C. si esto no es posible. SiA C B pero A + B llamamos aA un subconjunto propio EJEMPLO 1. a. El conjunto { Obsérvese que el método de extensión no puede utilizarse aquí.b. Sic noperteneceaC escribimos a é C. EJEMPLO 1. e. o. { 4 o. b e C.5. i. 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. o. escribimos de B. Obsérvese que la sola redistribución de los elementos no cambia el conjunto. debemos estar capacitados para determinar si un objeto específico pertenece o no al conjunto. léase"elconjuntodeloselementos¡talesque¡es una vocal" donde la línea vertical I se lee "tal que" o "dado que". Si Ac B y B CAllamamosa A y B iguales y escribimos A : B. u. como siempre lo supondremos. 4.5. mientras no se especifique lo contrario. i.6\. e. es decir si B.

Tales diagramas denominados diagramas de Venn. El conjunto de todos los elementos (o puntos) que pertenecen a A o a B. El conjunto de loe rcsultados que consisten de las caras 7 u 11 sobre un solo dado es el conjunto nulo.3.a CONJUNTOS Y PROBABILTDAD lcAP. se llamala unión deA yB y se escribe Au B (región sombreada en la Fig. DIAGRAMAS DE VENN Un r¡niverso u puede representarse geométricamente por el conjunto de puntos dentro de un rectángulo. EJEMPLO 1. sirven para da¡nos una intuición geométrica respecto a las posibles relaciones entre conjuntos.8.JNTO VACI( Para muchos propósitos restringimos nuestra d fico denominado el uniuerso del discurso. entonces AC C.T. Fig. 1 El teorema siguiente es verdadero para cualesq Teorema I-I. 1-4 2. 6}1.9. 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.4. Intersección. o tanto como aB. 1-2).2. Si AC B y B CC. Unión. es un EJEMPLO 1. En tal caso los subconjuntos de zt (como A y B indicados y sombreados en la Fig. OPERACIONES ENTRE CONJUNT\OS 1.7. EJEMPLO 1. l -2 Fig. el conjunto de todoe los resultados posibles es el universo {L. Los elemenr Es útil considerar un conjunto que no tiene r uacío o el conjunto nulo y se denota por p. 5. . l-3 Fig. o simp espacio uniuersal y se denota por u. Si lanzamos un dado. 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 . 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. 1-3). CONJUNTO UNIVERSAL Y CONJI. 1-1) se representan por conjuntos de puntos dentro de los círculos.

11.4u^B)uC I. El conjunto que consiste en todos los elementos de A qtlle no pertenecen a B llama la diferencia áe A y B.4u(anC) = (AuB)n(AuC) A-B = AñB' Si AcB.74). el B y lo escri se llama saXl-B Fig.{ = A Primera ley De Morgan Segunda ley De Morgan Para cualquier conjunto generalizarse (véanse Problemas 1. interrecciones por uniones. l-6 AIGUNOS TEOREMAS RELATIVOS A CONJI.'NTIOS AUB = BUA Au(BuC) : (. 3.cAP. entonces A')B' 6 B'c. t-Lzb A YB y 1-13 pueden y 1. cyf. 1-4). l-5 Fig. se escribe Fig.esdecir. En la Fig.An(BnC) = (¿nB) nC -. 4.69 AUQ-A.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 .. A y B son disjuntos. escrita por A . 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.AñB1C An(BuC) = (AnB)u(AnC') . L'L.1l CONJUNTOS Y PROBABILIDAD DosconjuntosáyBtalesqueAnB:p.guenotienenelementoscomunes'sella¡¡ran coniuntos disiuntos.AnQ=9 AU'al -. Diferencia. se B Si A : UB). 1'6). símbolos de inclwión . AnU (AuB)' = A'ñB' (AnB)' = A'UB' A = (AnB)u(AnB') Los teoremas L-Lzo.B (región sombreada en la Fig. u el 1/.

si lanzamos una moneda dos veces y utilizamos 0 para represenmr sellos y l para representar caras el espacio muestral (véase Ejemplo 1. Si un experimento consiste en medir "la vida" de las lámparas eléctricas producidas por una compañía. Unespacio muestral que es finito o infinito contable frecuentemente se denomina espacio muestral discreto. o una "cara". el resultado del experimento es que algunos pueden estar defectuosos. EJEMPLO 1.en tanto que uno que es infinito no contable'se llama espacio muestral continuo o no discretoSUCESOS posibles. Obsérvesé que eJ córresponde al conjunto universal.16. 3. Tales experimentos se denominan experimentos aleatorios.6). simbolizado por S ( ó 0 ). Sin embargo.14. 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. donde suponemos que ninguna lámpara eléctrica dura más de 4000 horas. Si un espacio muestrdl tiene un número finito de puntos.. 4. sedenominaespacio muestral infinito no contable. .5. EJEMPLO 1. . 1)). Frecuentemente es útil dibuja-r un espacio muestral gráficamente.12) puede dibujarse por puntos en la Fig. por ejempio. etc. cara la primera y sello la segunda. Si lanzamos un dado. no defectuoso}. 4.12. 6 | en tanto que otro es lpar. como en el Ejemplo 1. se denomina espacio muestral infinito contable.15.1 ) representaselloen el primer Ianzamiento y cara en el segundo lanzamien[tr. si lanzamos un dado el resultado del experimento es uno de los números en el conjunto {L. Si tiene tantos puntos como hay en algún intervalo en elejer. es decir SC. por ejemplo.or . simbolizadaporc(ó1).dsdecirdos EJEMPLO 1. Si lanzamos una moneda eI resultado del experimento es un "sello".SC. l-? tos como números naturales 1. 1 EXPERIMENTOS ALEATORIOS Todos estamos familiarizados con Ia importancia de los experimentos en la ciencia y en la ingeniería. (0. 'EJEMPLO 5.tal como 0 f r: S 1. si un resultado es divisible por 3. g. Si tenemos una máquina que produce tornillos. Si elemental o simple.2.se denomina espacio muestral finito. Los siguientes son aLgunos ejemplos. impar) Sin embargo. = 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. Silanzamosunamonedadosveces.16. Un principio fundamental es que si efectuamos tales experimentos repetidamenle bajo condiciones aproximadamente idénticas obtenemos resultados que son esencialmente los mismos. EJEMPLO1. es decir es un conjunto de resultados el resultado'de un experimento es un elemento de A decimos que el suceso A ha ocunido.CONJUNTOS Y PROBABILIDAD [cAP.SS) caras. 0 ú :: 4000. Así cuando se produce un tornillo será un miembro del conjunto {defectuoso. Un suceso que consiste de un solo punto de cJ frecuentemente se llama un sueeso .CS. 2. EJ EMPLO 1 . En tal caso es deseable utilizar números en cambio de letras siempre y cuando sea posible.2.. 1. hay experimentos en los cuales los resultados no son esencialmente los mismos a pesar de que las condiciones sean aproximadamente idénticas.esdecirunodeloselementosdelconjuntóíqs)(ó{0. por ejemplo.11. 1-7 donde.elresultadopuedeindicarsepor{CC. entonces el resultado del experimento es el tiempo f en horas que se encuentra en algún intervalo. . un espacio o conjunto muestral de todos los resultados posibles se da por {1. EJEMPLO 1.13. es lógico que el último no sería adecuado pan determinar.1 0.3. Un suceso es un subconjunto A del espacio muestral. Si tiene tantos punl'ig.

Esto quiere decir que no pueden ocunir ambos. Flxisten dos procedimientos importantes por medio de los cuales podemos obtener estimativos para la probabilidad de un suceso. simplemente "cara" y . y de estas dos maneras una cara puede aparecer en una sola manera. 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". si la probabilidád es de 1f4. es decir que no está cargado. Por ejemplo. Supóngase que deseamos la probabilidad de que resulte una cara en un solo lanzamiento de una moneda. CC. AU B es el suceso "Aó B o ambos". A. 1l CONJUNTOS Y PROBABILIDAD EJEMPLO 1. En ólgebra de sucesos que coffesponde al álgebra de conjuntos indicada en la e. 2. diríamos que hay y 26Vo de oportunidad de que ocurra y un 767" de opoitunidad de que no ocurra. 1-8. que es el suceso cíerto o seguro ya que un elemento de eJ debe ocurrii.Puesto que hay dos maneras igualmehte factibles del resultado de la moneda. A n B es el suceso'qtanto A como B" 3. entonces podemos obtener otros sucesos en cJ. frecuentemente decimos que los sucesos son mutuamente. SS) : eJ A-B- Añ B: {CS} {^SC.[ proposicio Fig' 1-8 Empleando las operaciones de conjuntos en sucesos en Así si A y B son sucesos. . Esto también se llama laprobabilidad empírica del suceso. EJEMPLO 1. CC} EL CONCEPTO DE PROBABILIDAD En. entonces la probabilidad del suceso es h/n. 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. B : { CS. 2. SilosconjuntosconespondientesalossucesosAyBsondisjuntos. Entonces A : {CS.B es el suceso "A pero no . Como sucesos particulares tenemos el suceso en sí mismo. 1) y (1. w tloríá de conjuntos e inversamente. Al llegar a este resultado suponemos que la moneda es honrado. Si después de n repeticiones de un experimento. entonces ta próbauilidad del suceó es h/n.esdecirAñB:Q.cualquier experimento aleatorio siempre hay incertidumb¡e sobre si un suceso específico ocurrirá o no.B". como se indica en la Fig. perosi estamos regutJs de que'el suceso no ocurriú d_e9. Enfoque'clásico o a priori Si un suceso puede ocurrir en h maneras diferentes de un número total de n maneras posibles. donde n es muy gmnde.ad con la que podemos esperar que un suceso ocurra es conveniente asignar un número enhe 0 y 1. 1. CC}. SS } así tenemos A U B: {Cg A': {SSl SC.'sello" (suponiendo que la moneda no se pierda ni caiga verticalmente).cAP. 0). excluyentes.como frecuencia relativa o a posteriori. 4. 1. y el conjunto vacío Q. el suceso que sólo resulte una cara es el subconjunto del espacio muestral que consiste de los puntos (0. que se llama el suceso imposible puesto que un elemento de Q no puede ocurrir. Enfoque. razonarno{¡ que la probabilidad requerida es 112.lm9s que su probabilidad es cero. si lanzamos una moneda dos veces. Como medida de la oportunidád o plobabilid. EJEMPLO 1. SC. un suceso ocurre h veces. todos igualmente factibles. A' es el suceso "no A".18.19. Si estamos seguros de que el iuceso ocurrirá decjmos que su probabilídad es 100% ó 1.17. Equivale adecirque laprobabilidad contrasu ocurrenciaesdel 75% al25vo o de B ai.

CONruNTOS Y PROBABILIDAD EJEMPLO 1. Az. 1 y hallamoe que 532 veces resultan caras estimamos que la Ambos enfoques el clásico y el de frecuencia prcsentan serias dificultades. Ar. LOS AXIOMAS DE LA PROBABILIDAI) Supóngase que tenemos un espacio muestral e.UA" y tes. .) = P(42) - P(A).Á. . Para cualquier número de sucesos mutuamente excluyentes P(AtuAzu '. Bz. A causa de estas dificultades los matemáticos en los últimos años se han orientado avn enfoque axiomótico utilizando conjuntos. (d) Teor¡:rna 7-16: es decir el suceso imposible tiene probabilidad cero. . . Así P se llama la función de probabilidad. y P(A) la probabílidad del suceso A.'. Si lanzamos una moneda 1000 veces probabilidad de una cara es 532/1000 = 0. Si d es di5creto todos los subconjuntos corre6ponden a sucesos y recíprocamente. entonces . el primero debido a la vaguedad de las palabras "igualmente factibles" y el segundo debido a la vaguedad incluida en un "número muy grande". A cada suceso A en la clase C de sucesos asociamos un número real P (A). [cAP. Para cada suceso A en la clase C P(A) P(eJ) A. . An son sucesos mutuamente excluyen- P(Al = P(Al) + P(A2) + En particular si A "' + P(A") (8) - et. peto si ef es continuo solamente subconjuntos especiales (llamados medibles) corresponden a sucesos. entonces At. si se satisfacen los axiomas siguientes: Axioma 1. el espacio muestral.t. para solo dos sucesos mutuamente excluyentes At. P(AL:AI) = P(Ai+P(Ar) ALGUNOS TEOREMAS IMPORTANTES SOBRE PROBABILIDAD (4) De los Teorema Teorema a-r... (e) En particular..iomas anteriores podemos demostrar varios teoremas sobre probabilidad que son importantes en el estudio posterior. es decir P es una función de valor real definida en f.) - P(/. (5) Para cada suceso es A 0<P(á) <1 P(9) = O decir la probabilidad de un suceso está entre 0 y 1.20. Teorema 7-77: Si A' es el complemento de A entonces P(A') Teorema = r-P@) (7) 7-78: Si A = AtUAzU.632.1) + P(A2) + . eh la clase C (2) 3. . 7-14: 1-15: Si ár cA2 entonces P(Ai < P(Az) y P(Az. .:<ioma > 0 (r) Axioma 2. Paru el suceso cierto o seguro eJ en la clase C =I At.

En particular.entonces P(A) = P(AnAi + P(AñAz) *'. Véase Problema 1...P(AsnA) (rr) + P(Lt\AzñAs) También pueden hacerse generalizaciones a n sucesos.A. La asignación de probabilidades provee un modelo matemótico y su éxito debe probarse experimentalmente en forma muy similar a como las teorías en física u otras ciencias deben probarse experimentalmente.cAP. 1l CONJUNTOS Y PROBABILTDAD P(Ar) Teorema +P(A2)+. si suponemos probabilidades iguales para todos los sucesos simples.P(A.21.2.. entonces P(A:U AzU ¿") : P(.. entonces P(A¿: '!y si A es k=1....3. + 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).]) .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. Hallar la probabilidad de que resulte 2 ó 5..P(üñAz\ - P(A|¡A. esdecir si suponemos que el dado es honrado. 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) . Se lanza solo un dado.79.4.6}..An (1+) P(Ai + P(Az) + . Ar. si A (10) t.5... á3 son tres sucesos cualesquiera. entonces 1 6 . El espacio muestral es e-I: {1. 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. Az.) + P(Ar) + P(As\ .2.. EJEMPLO 1. + P(ánA") (rr) ASIGNACION DE PROBABILIDADES entonces por el Teorema 1-18 Si un espacio muestral el' consiste únicamente de los sucesos elementales Ar.B\ Generalizando.... Podríamos lógicamente emplear otros procedimientos para asignar probabilidades. Si asignamosprobabilidades iguales a lospuntos muestrales.4.. Az..

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

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

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

)" (n) Tienen mucha.(t¡*" . @-l (:. Para un estudio más detallado de la fórmula de Stirüng véase el A¡Éndice A.. .s! COEFICIENTES BINOMIALES 56 Los númerós de (29) se les llama frecuentemente los coeficientes binomiales puesto que provienen de laexpansión binomiat (r 1- u)^ : * . escogerse o ¡elecciona¡¡e de un (91') 3 ca¡t¿s pueden total de 8 sc¡ = lt) = 8'J. que también puede escribirse como (2e\ ("\ \r/ Fácilmente se demuestra que n(n-L\".48. .27. Problenra.s resrreltoa CONJTINTOS 1. Véase Problema 1.r. es la base de los logaritmos naturales. EJEMPLO 1.r/\) \r/ \n EJEMPLO 1.4 por (c) el método de comprensión y (b) el método de extensión. se.28.en (33) signifrca que la relación del al lado derecho se aproximá a 1 a medida eü€ /l + o.(n-r-rr\ r! ó nP. (|)*-lt * (i)*"-. El símbolo . En tales casos se utiliza la fórmula (38) nl ._.:nC. :25)que se lee"el conjunto de todosloselementosde¡ talesque.1.'6 = . . y)t = r:{ * (Í)". (a) A:kl* elementos.cAP.(t)**.r'2 :25". (l)* = APROXIMACION DE STIRLING A r¿ ! xa+ 4x3y!oxzyz *4xy3 +ya Cuando n es muy grande la evaluación de aproximada n! no es práctica.e¡decirA . Indique cómo describir a. 1l CONruNTOS Y PROBABILIDAD 11 El número total de combinaciones de r objetos seleccionados de n (también llamadas las combinaciones de n cosas tornadas de r enr) se denota pot aC.s propiedades interesantes. + .-5).\s/ .36) ln\ \"/:nt¿r=rl@=T. . .71828. r! (30) /n\ ( J=( /n '.yEñn"e-n donde e : 2. Sea A el conjunto de todos los números reales cuyos cuadrados son iguales a 25.podemosesaibir A: {5. Por esta raz6n decimos que el I unaexpansión asíntótica del lado izquierdo.describé dando sus (D) Puesto que t2 :25parar:5y x:-S. U (n Tenemos (véase Problema 1. EI n(¡mero de manera¡ en lae cuales cartas diferentes es nU.

o.. DIAGRAMAS DE VENN Y TEOREMAS SOBRE CONJT. es decir cada elemento de A eetá en 8.". 0. Cualquier objeto particular se supone ee igual a sf mismo. Un conjunto oomo {2} que consiste únic¿mente de un elemenüo algunas veces ae llzna conjunto singulo o unitaio y debe distinguirse del elemento que contiene.. -4} = {+.t.u C.pueotoqueloe elementos 3 y 5 son enterosimpares. Sea r cualquier elemenüo de á._\E} .+. {*. (s) (AnC) e (Bne. (o) (b) (o {rln+ü} -.r.'NT\OS 1. (e) A-8.+. n].r. Yaque x2 -8x * 15:0 ó (r -3)(¡.2.-qyC = {+. üenemoe A-B = AñB'= (f) BñC = {6.6. -4} y los subconjuntos de u están dados por A : {-\n.0. ) La proposición es falsa. -rt.-4} = {-18. Puestoque el conjuntovacloesunsubconjuntodecualquierconjunto.-.o} u {5.+.o} u {0.r. tenemos x€ B.15:0).5. Por el Teorema 1-8. Aeícadaelemenüodeá esunelemento de C y por tanto A C C. (d) B'u C'._\E}. es deeir B ee un subconjunto de A.8 = {6. aA. = {0. seaA={rl*esunenteroimpar). ee deci¡ ¡ € A.-¿}.5.-fr}. ". r.-rt.Demostrarque BcA. +. puesto que {9} es un conjunto no voclo que conriste del conjunto vacío.. B: {x I x2 -8r+.B: eonjunto de elementos en A que no están en B : [0. página 3.4.0.0}n {5.sededucequeACB6B)Aylrrpropocición Obaérvese que esto se lee es verdadera- 1. no hay objeto que no sea igual a sí mismo.-4} = t-\ñ} (D) .5. se sigue queA: @.-{r).lQ}. (b) AUB. OPERACIONES ENTRE CONJUNTOS. si el universo 'u = {}. el conjunto vacfo.r} {*. Puesto que no hay un númeror tal que x2 :416x:2. 2 es wn número re¿l mientras que {2} esw conjunto que consiste del número real 2.6.5.-4} = Entonces (BnC\' = {0. Puesto quetambiénBCC.-4} (c) (AuB) n C = {-{2. Otro método.2. entonces AcC.4 u n = {-fr. (e) A . r.üenemosB:{g.--4} n {+. r>g} y B: {fr | r<l}. (/) (Bn C).0. (b) "A es el conjunto de ¡ tal que 12 : 4 y ¡ ) 9'.4} utilizando el re¡ultado de (b).r} = {0.3.5. Demostra¡ que si Ac B y B cC. Entonces ya que AC B.6.0|.o.-2ly * )9."áÁ y porüantoBC 1. AsícadaelementodeB perten.+. ¿Es cierto que {2} : 2? No.-4}n{0.-4}n{+.-{2.. (a) AnB = {-12. pertenecen á. 1. (c) (AUB)nC.L2 CONJUNTOS Y PROBABILIDAD lcAP. Determinar cuáles de las proposiciones siguientes son verdaderas y cor¡egir las que son falsas. Asf. Entonces {x I x * x} : e.5. 1 L. .-r/2.o.{0. (d) B' : conjunto de los elementos en t/ quenoestánen g = {0.-tf2. tenemosque¡ € C.-fr. 5. entonces B) A. C' : conjunto de los elementos en 'll que no están en C : {0.5)=0 sólosi x:B6x:6.enconhar(a) AnB. El error radica en escribi¡ {@} por @.-4}. Entonces B.r). Si A = {r l r2=4.6}.

@. elconjuntovacío.neB\ = {r I neA'.8.-4} Entonces t. (o) Tenemoe págrna 3: (A u Bl : A' n B'.nn. .8') A = (AnB)u(AnB') El resultado puede generalizane (véase Problema 1. En el diagrama de Venn de la Fig. Sea C:8' en el Problem¿ 1. Ao(BuCl = = = = = l r€A. Teorema 1-6.74).0} n {*. (c) Demostrar la primera ley De Morgan. Entonces A n (BuB') A r. 1l CONJUNTOS Y PROBABILIDAD Obsérvese que este re¡ultado conjuntamente con Tborema 1-12b.9.69).7.cAP.-ll . Demostra¡ que para cualquier conjunto A y B tenemos A Método 1. (sl AnC = {-\/-2. Sin embargo.xeB 6 reC} I s€A. y se observa que esta región es igual a la región sombreada de la Fig.reB 6 r€A.2. página3:Tenemoo An(Bu C) = (AnB)U(AnC).-¿l = {+. l-12 Obsérveee que un diagrama de Venn no suministra una prueba como la dada en la parte (o). l-ll Fig.al : (ArtB) u (A^B') : (AñB') u (A¡. 1-11. Región sombreada = (AUB)' Región doblemente ¡ÜEÉru¡r qvvrs¡¡¡E¡¡w rayada ]_"7. (A¡C\ u(BnC) : @u {*. Teorema !-L?tt. 1-11 la región sombreada representa (A U B)'. (AnB) u(AnB') A : {r I reA) = {. {r {" (AnB) u (A nC) 1. sirve para euminishar relaciones posibles entre conjuntos que luego pueden probaree por métodos similaree al dado en (o ). 1-12. (AuB)' = {r I r4Ar-tB} = {" I rCA. l reA¡B 6 neAnB'} M6todo 2.r€B') (b) = A' ^B' El resultado puede extenderse a cualquier número finito de conjuntos (véase Problema 1. En Ia Fig. (b) Ilus- har el resultado de la parüe (c) empleando un diagtama de Venn. Demostra¡ laprimeraley distributiva. página 3. = (AnB) u (AñB'). B n C = {}. 1.-¿} [Vóase pa¡te (f)]. Luego At ñ f|' se representa por la región doblemente rayada en donde se encuentran ambos conjuntos de líneas. 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. 13 el de la parte (d) ilustra la segunda ley De Morgan.8.reBuC} I re A.reC) @ | reA"'B 6 xeAnC\ {. Fig.

n(8. : (rey o corazón o diamante o pica). . Describir los sucesos (a) AUB. por ejemplo. rey de corazones.12. También puede considera¡se observando que A. diamantes y héboles respectivamente por l. (q AnB. 1.10 sea. Denotando corazones. . = A. . (o) Si no tenemos en cuenta los pdos el eepacio muestral consiste de as. También puede considera¡se observando que (A ñ B) U (A n B') : A. (b\ A' se 1. picas.. Refiriéndose al experimento del Problema 1.4 el suceso {se extrae un rey} o sencillamente {rey} y B el suceso (se extrae un trébol} o sencillamente {trébol}. B. Describir el espacio mueshal (o) no se tiene en consideración el palo (b) si se tiene en cuenta el palo.11.4.L4 .). (d) A.4 u B. @) AUB'. . 3. reina. picae..2). de acu gamas Fig. (f) A. (o) A U B = {o rey o trébol (o ambos. Luego el espacio muestral consiste de 52 puntoo indicados en la Fig. (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 ). (E) @ nB) U (A ñ B'):{(rey y trébol) o (rey y no trébol)): irey}.. 1-13.1-14.-8. ..(g) (AnqU (AnB. I diagrama eden de indicarse A U B. 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. (e) A-8. picar. . rey. . 2.CONJUNTOS Y PROBABILIDAD [cAP. .A. dos.B. . 1-13 para describi¡ los s sucesos (a). 1 EXPERIMENTOS ALEATORIOS.11 com ^ B' .B -{reyperono trébol} Es lo mismo que A ñ B' . diamantes y tréboles. 2. puede indicarse como {1.10. jota. (e) A.{rey y no trébol}. (n A'-3' :{no rey y no "no trébol") : {no rey y trébot}: (cualquier trébol excepto el rey). diez.UB. si . . 13}. diamanües y tréboles. diamante. 1. Se extrae una carta aleatoriamente de una baraja de 52 cartas. Emplear la Fig. podemos indica¡ una jota de picas por (11. ESPACIOS MUESTRALES Y SUCESOS 1. y (b) Si tenemos en cuenta los paloc el espacio muestral cronsiste del as de corazón.nB. . B': {no trébol} : {corazón. pica}. .).

axioma 3. Demostra¡ el (c) Teorema 1-14. página 6. P(Az. 1-15 (1) AUB: AUIB -(.At) = P(Azl .14.cAP.(A ñ .13. l-15 (An CALCULO DE PROBABILIDADES 1.B) son mutuamente excluyentee.41 y Az .77). (o) Tenemoe Az : At U (Az . (b) Teorema 1-15. también ee rigre queP(.At son mutuamente excluyentee. Una carta se extrae aleatoriamente de una barqia de 52 cartas.42 ) = P(Al ). página 6. (c) Teorema 1-16. Fig. (b) Con anterioridad sabemos que P(A) > 0 por el Arioma 1. página 6.Ar. 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. asr que Entonces por el P(42\ = P(ár) * P(A2.A¡ ) en donde .P(Ar) Puesto que P(. Aunque hemos utilizado el diagrama de Venn el i rlu^') ". Entonceepuesto gue. Para demostrar que observamos que A C et.42 .^^'rl i' r"u r--' resultado (l ) puede establecerse directarne¡rte (véase Problema 1. (o) Tenemos AV A' :s[.4n8)l Entonces puesto que los conjuntos A y B .Puesto que P(eJ) sfnp = Q se sigue del Axioma P({)) 3 que s = P(d)+P(Q) 6 = 1.15. tenemos usando el Axioma 3 y el Teorema 1-14: P (A u B) | i'. Demostrar (a) el Teorema 1-17 y (b) el Teorema 1-19. Así por el Teorema 1-14 [partc (o)] y el Axiom¿ 2 P(A) < 1 primero P(A)=P(¿)=1 (c) Tenemos eJ : eJuQ. Encontrar la probabiüdad de .Ar ) - 0 por el Axioma 1. 1l TEOREMAS SOBRE PROBABILIDAI) 1.

Pero por el Teorem a 1-t2 (a). P(4'^T')= 4(4 U ")'l: L- P(4 U ?¡ : 1. respectivamente.[P(4) +P(")-P (4 n T)] _. (e) roja o blanca. ? para indicar coraz6n. (c) un tres de tréboles o un seis de diamantes. l-r 1. t (b) P(11 ñC¡= :- (c) I * -I^ 26 ) +P(6 ñD¡: 62 52 = I " . 4 bolas blancas y 5 bolas azules..4' ñ T' = (4 U ?)'. (e) P(C') - 1 . Por tanto puede denotarse por P(4' ñ ?').. en tanto que S U C significa tres o corazón. ..# = 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.. P(6 n (o) ") P(1): PG^e ó 1nP ó.. .10(o) en donde cad¿ punto mueehal.y 1. Determinar la probabilidad de que sea (c) roja.lsnc) = #. (d) un corazón.la probabilidad requerida es 36/52 = 9/13.P(C) = ! P(L0 Ln = ?uti[zando laparte (d)y elTeorema 1-1?. página 6. (b) blanca. pica. asignando probabilidades iguales de tl52 : L162. eeto es 1/4. .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.. Asf g n C significa tree de corazoneo..2. 13 pot aa. doo.16 CONJUNTOS Y PROBABILIDAD [cAP. Por simplicidad utiücelnos C. Puesto que este complemento tiene 52 .* (d) P(c):P(ln c 62ñc6.L ñD ó 1 n ") =P((1 n c) +P(1 nP) +P (1 nD) +P(1 n r) 11111 = 52. (e) cualquier palo excepto corazones. (c) azul. # -.52.n. D..sz = Lg Tbmbién había sidq posible conseguir este resultado del espacio mueshal del Problema 1. Una bola se extrae aleatoriamente de una caja que contiene 6 bolas rojas. Así. a cada punto mue¡hal. 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. 1.16. trébol. P. por ejemplo. (b) una jota de corazones.1l _ 9 . 1-16. diarnante. en particular "as" tiene una probabilidad de 1/13. 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. (f) un diez o una pica" (g) ni un cuatro ni un trÉbol. (d) no roja.13 .16 : 36 puntos muestrales en él y cada punto muestral tiene una asignación de probabilidad Il52. 1 que sea (g) un as.* h* . rcy. Empleemoe el espacio muegtral del Problema 1.10(tr).

2.42 ocurren. (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. que P(nuB):P(R) +P(B):?*# = ? PROBABILIDAD CONDICIONAL Y SUCESOS INDEPENDIENTES 1. r(RUB)=P(A'): 1-P(A): I . Entonees L1 (o) P(n)= Mótodo 2. ' SeanAl elsuceso "4rS ó 6 enelprimerlanzamiento" y Az elsuceso "7r2. 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.P(At)P(A. .R ) : 6/15 : 215.4 1) :316 (ya que 4.. de las 6 maneras en que cae en el segundo lanzamiento. 1l CONJUNTOS Y PROBABILIDAD Método 1. página 6. . Cada una de las 6 maneras en las cuales un dado cae en el primer lanzamiento puede asociarse con cada una 6. blanca y azul.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).t""i: . 4: 12 maneras en que tanto A1 como .J. 5 ó 6 son 3 resultados de las 6 probabilidadés igualmente factibles) y P(Az): ltO (ya que 7. un total de factibles. . Método 2.'"::. debido a que hay 6 puntos muestrales que corresponden a "bola rojatt. P(roja o blanca) : P(R u r) : -"""'.) '!' . Un dado honesto se Ianza dos veces.6:36 maneras.3ó 4 son 4resultadosdelasGprobabilida' des igualmente factibles).15 .También i"-or usado P(. Entonces P(ArnAzl .H 10 2 6+4 6+4+5 . . norparte(c).364en elsegundo lanzamiento".::"fl'"". Hallar la probabilidad de obtener 4. 19 1 . P(AroAr) = P(At)P(A2lAr\ -.cAP.3 6 4 en el segundo lanzamiento.á = | Método 3.1?. 6 6 6 en el primer lanzamiento V 1. Denótese por R. Entonces si asignamos probabili' dades iguales Ll15 a cada punto muestral observamos que P(. Puesto que los sucesos R y B son mutuamente excluyentes se deduce de (4). --6+4+5=1b=s 662 Nuestro espacio muestral corisiste de 6 * 4I 6:15 puntos muestrales.2. B y A los sucesos de extraer una bola roja. Luego estamos buscando P(Ar ñ A2).5 o blanca También puede resolverse l¡tilizando el espacio muestral como en la parte (c). respectivamenüe. Método 1. Método 2.

6) ({.3) (3.1) a Se deduce que la probabiüdad de no dada por ? u 11 está 345 Primer dado P1A'¡ '= | . P(A¡): 4152."A) = P(A) P(A. Así que ambas cartas pueden extraerse en (52)(52) maneras. Puesto que se incluyen 8 puntos tenemos que P(A ): 8/36 : 219. /. 1-17. Encontrar la probabilidad de no obtener un total de 7 u 11 en ningunó de los dos lanzamientos de un par de dados honrados.2 a (6. También. Sea A1 buscando suceso ttas en la primera extracciónt' y . a (2.6) (2. dados se muestra en la Fig.l Método 2.azamiento la segunda ca¡ta también puede extraerse en una de las 52 maneras posibles. A.2l a a (6. Método 1. 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. I a a aa (r. 6) El espacio muestral para cada lanzamiento de los (r.18. 1.6) a (3.6) I (¿.2) signitica que el resultado del primer dado es b y el del segundo 2. 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. si la carta se remplaza para la segunda extracción. {) (5. 1-17. .nA") =+:(. puesto que también hay 4 ases en las ó2 ca¡tas para la segunda extracción. Entonces P(A. todas igualmente factibles. Así ambas cartas pueden extraerse en (52 ) ( 51 ) maneras. r) (2.tp(A2 A¡\ = (52")(*) = . l) (3. Por ejemplo (5."t (ol La primera carta puede extraerse en una de las 52 maner:u¡ posibles y ya que hay rempl. oaa (3. Hallar la probabilidad de que ases si la ca¡ta (c) se remplaza. \.)(á) = P(ArP\A2l (2. Puesto que los dados son honestos y hay 36 puntos muestrales asignamos la probabilidad 1/36 para cada uno. l'ig.2) a a aa (5. r'(A. = las 51 cartas restantes. todas igualmente factibles.2. entonces P(A2 | A r) : 4152. de una baraja de 52 cartas. Se extraen dos cartas. p(A.3) (8. así que P(A2l Ar Sin embargo si ocurre un as en la primera extracción quedarán 3 en ) : 3/51.P(Al -- L 27 -::99 1o.2gara indica¡ y 2o. l) (1.) = (b) Como en la parte (o).18 coNJUNTos y pRoBABILTDAD lcAP. aa {) (6. Entonces estamos (o) Puesto que para la primera extracción hay 4 ases en las 52 cartas. 1 Esto indica directamente que A 1 y A2 son independientes puesto que . (b) no ambar¡ sean se remplaza. Entonces P(ArnA.' ( #)l#) == # r\ P(A1l:4152.3) Si A es el suceso "7 u 11" entonces A se indica por Ia porción sombreada en la Fig. 6) a 1. (2.3) (4. l-17 Utiüzando subíndices t. extracción".42 suoeso "as en la segunda P(Arñ A2): P(A1) P(A2l A t). .19.

P(A'tuA) = P(A) + P(A) . 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+ \=. entonces los sucesos son independientes y p(.P(ningún 4) : 1 -P(no 4 en 1er.A2 ocurra pero : no At : 5 5 número de maneras en las que tanto A 1 como .16. 4 Az 1. Los sucesos A t I Az no son mutuamente excluyentes.suceso "roja en la primera extracción".P(A'rnA'"\ = | . número de maneras en las que A 1 ocurra pero no Az nf¡mero de maneras en las que .P(ALñ42) = P(A) + P(A!) . lanzamiento y no 4 en el 2o.J requerimos A2: : suceso "4 en el prirner lanzamiento o 4 en el segundo lanzamiento o ambos" suceso t'al menos un 4" A2). por (1Ol V QI ) = 6'u-\ui\u/ * = * Método 2. : guCe¡o (o) Si cada bola se remplaza.cAP. Sea A I: suceso "4 en el primer lanzamiento" y : suceso "4 en el segundo lanzamiento". A3 "azul en la tercera extracción".P(A')P(A'2| = '! -(8X*) = *" Método 3. (b) no se remplazan. Nfrmero total de maneras igualmente factibles en las que ambos dados pueden caer También. 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).42 ocurran : 1 . llallar la probabilidad de que se extraigan en el orden roja.6 : 36. Requerimos P(Rl ñ 82 n A!\. pero Bon independientes. P(ArU Método 1. P(al menos un 4) Entonces P(al menos un 4) P (ningún 4) = 1 : 1 . blanca y azul si las bolas (a) se remplazan. lanzamiento) = | .P(At) P(Az\ 1 r /t\/t\ rr Por üanto. Así la probabilidad pedida es (4X3) (52)(51) I 2 1. 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. Hallar la-probabilidad de obtener al menos un 4 en dos lanzamientos de un dado honrado. I}2 : süc€so "blanca en la segunda extracción".Rr ) p(82 lnr )p(A3 In. Se extraen tres bolas sucesivamente de la caja del Problema 1. : 6.Rr n 82 ñ At):p(.20. Así Art.21. Si Rl .

) . Hallar Ia probabilidad de sacar una bola roja. . Un talego contiene 4 bolas blancas y 2 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.. An tenemos por el Teorema P(A) = P(AI)P(A Ar) + ' " + P(A. Si el suceso . pero revela que se sacó una bola . Supóngase en el Problema 7. At : I.\P(A:A. Az entonces A = (AnAr)u(A¡42) PeroA ñAt y Añ Az son mutuamente excluyentes puesto que A1 y A2 lo son. (c) una sea blanca y una negra. Puesto que una bola roja puede resultar al escoger cualquiera de las cajas podemos em.píryina9). SeaB¡ : suceso "bola blanca del primer talego". Demostramos el teorema para el c¡¡so n : 2. Puesto queA resulta en uno de lossucesos mutuamenüe excluyentes 1-22 (Problema 1.. (b) ambas sean negras.. 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..23) Ay A2.24 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). j Dor tanto ". Se lanza una moneda honrada. Así la probabilidad de sacar una bola roja P(Rt - P(nP@ Il+P\II\P(RIII¡ = /t\/ I \ /r\/ z (. Por tanto P(.41 U Az): 11/36..4 debe resultar en uno de los dos sucesos mutuamente excluyentes At.O*' P(A\'Aki \ P1A¡ A¡ = P(A) P(A I Ak) P\Ak^A) = --PÁt ) P(A¡l P(A' Akl 1.)("+-ri-r:ri ---r:\ \2/\2+8/ \-/\-.20 CONJUNTOS Y PROBABILIDAD Luego el número de manera¡ en l¡as cuales por lo menos uno de los sucesos 11. plear los resultados del Problema 1.23.26.23 con A: R. I|2 : süc€so "bola blanca del segundo talego". Az: II. página t. Demostrar el Teorema 1-23. si se obtiene sello se saca una bola de la caja /I. La contiene 3 bolas rojas y 2 azules en tanto que la caja II contiene 2 bolas rojas y 8 azules. página 8. Extensiones para valores mayores de n se obtienen fácilmente. fcAP. Demostrar el teorema de Bayes (Teorema L-24. Si se extrae una bola de cada talego.I. Asípor P(A) = P(AIA)+P(A^AI') = P(A) P(A i A) + P(42\ P(A I A2) 8. otro contiene 3 bolas blancas y 5 bolas negras.2/ 5 z TEOREMA DE BAYES L25.22. Axioma 3 empleando (I8). Si se obtiene cara se saca una bola de la caja. hallar la probabilidad de que (¿) ambas sean blancas. 1 : Ar ó A2 ocurraes- 5 +5+ 1 L.24. (d) P(BtnBil:P(Br )P(B2lBt):P(Br )P(B) = lt!")/-=) + 5/ = I 4 \4 + 2/ \3 P(B'tñnb:pelp@.

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

y finalmente sólo 1 manera de llena¡ la última poeición. Otro métod<¡.Pr.rP.7: 4536son los númerosque pueden formarse. = r¡ ! como en el Problem a 1.2. 7 : 4586 sonlos númerosque puedenforma¡se. I .. (c) tsPt. 2.. por tlnto: El número de ordenacionesde lag 5 bolasen una filaes En general. (¿) aP¡ = 8. g.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 . L = b! =. 3. = e 15 (d) ¡P¡ = 3.. Por tanto: El número de ordenacionesde 10 En general. Así pues. ¿Cuántosnúmerosdecuatrocifraspuedenformarseconlosl0dÍgitos0. Obsérvese que cuando | = tr. . y 4 mujeres en una fila de modo que las mujeres ocupen los sitios pares. (b) si los números no pueden rcpetirse.. Se quieren sentar 5 hombres puede asociarse con cada ordenación de las mujeres. (n .8.9si(c)los números pueden repetirse. (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). (o) La primera puede ser cualquiera entre g (el 0 no). . La primera posición puede ocuparse por cualquiera de las cinco bolas.. 1 Debemos ordena¡ 5 bolas en 5 posiciones así -. 9 .32..3. La segunda. l. Cuando esto se haya hechó hay 4 maneras de llenar la segunda posición. 1. puestos).r * l) Esto se conoce como el número de permutaciones de n objetos diferentes tomados de r en r y se denota por P.2.336 (b) Pq = 6. puestos). .30. Entonces 9' sPs : I .8.6 .7.1. 120 Elnhmerodeordenacionesdenobjetosdiferentesenunafilaes=n(n-l)(n-2\. nPr. El primer número puede ser cualquiera entre 9 y los tres restantes pueden elegirse de gPa formas. á maneras de llenar la cuarta posición.31. Luego hay 3 maneras de llena¡ la tercera posición.22 CONJUNTOS Y PROBABILIDAD [cA?. ¿De cuántas formas pueden sentarse? Los hombrcs pueden sentarse de 5P5 formas y las mujeres de 4Pa formas. = 5.29.T = - 5040 El número de ordenaciones de n objetos diferentes tomados de r en r ea n = n(n 1) . S para ocupar el tercero y 7 para ocuparel cuarto.5.1 =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. Halla¡elvalorde (a) .oPo = 514! = (lZO)\24) 2gg0 1. ¿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. 1. Entonces I ' 10 ' 10 ' l0 : 9000 son los números que pueden formarse. 4. persona!¡ tomadasde 4en 4es = tC... (d) rPr.4. hay 9 formas para ocupar el segundo puesto. es decir hay cinco maneras de llenar la primera posición. La segunda puede ser cualquiera entre 9 (no puede ser la que ocupó el primer puesto). tercera y cuarüa pueden ser cualquiera de las 10. Cada ordenación de los hombres Elnúmerodeordenacionespedidoes = "Pr. (b) uPo.1 = 6 1.28.3 = 860 (c) . cuando esto está hecho. 8.

g. 1l CONJUNTOS Y PROBABILIDAD La primera cifra puede elegirse entre g. se tiene el número total de formas en que 6 personas pueden sentarse alrededor de una mesa. 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 hay 6 personas para sentarse en círculo. . 23 (c) ' 8'7 : 5O4 Otro método. ¿De cuántas formas pueden sentarse 7 personas alrededor de una (c) (b) mesa. Entonces 9 son los números que pueden formarse. de modo que dos de ellas no estén sentadas juntas es 720 . + tt¡ = n. es decir.34estoes ¡ft - 10'f''8' .9 ! formas. n¡ En general el número de ordenaciones diferentes de n objetos de los eue ?r¡ Soriguales* donde. 10 ! EntonceslSl 2: 3l)N = t0! y N - 101/(5! 2t Bl). 6l 2l3! - 207 360 (b) Considerar los cuatro libros de matemáticas como un solo libro. ePz:9 . (b) de las 2 bolas blancas entre sí y (c) de las 3 bolas azules entte sí (es decir. n2 son iguales. . (b) solamente ios libros de matemátitas deben estar juntos? (o) Los libros de matemáticas pueden ordenarse entre ellos de aPa: 4! formas. Así pues. 6! = Considérense las dos personas que no han de ir juntas como una sola. ¿De cuántas formas distintas es posibliordena¡los si (c) loslibrosde cada asignatura deben estar todos juntos. seis diferentes de física y dos diferentes de química se. (b) si dos personas determinadas no deben estar una al lado de la otra? Considérese una de ellas sentada en cualquier parte. ¿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. n#l* 1. . si (o) pueden sentarse de cualquier forma. 1 n"+ . I 1.36.35. ll0. Entonces las 6 restantes pueden sentarse de ?20 formas. En todos estos casos los libros de matemáticas están juntos. los libros de física de 5p5 :6! formas. mediante (o).. loslibrosdequímicade2P2:2! formasylostresgruposde3P3:3! formas. Multiplicando N por el número de ordenaciones (o ) de las 5 bolas rojas entre sí. El primer dígito puede elegirse de 9 maneras y los dos siguientes de gP2 formas.34..24O: 480 formas. Entonces el número de ordenaciones pedido será = 4't. Pero las dos personas consideradas como una sola pueden ordenarse entre sí de 2! formas. rt.PorelProblemal. Entonces ' 7 : 504 será el nfrmero pedido. son iguales. que lo pueden hacer de 5! formas. multiplicando N por 5! 2l 3!) se obtiene el número de ordenaciones de 10 bolas si todas ellas fuesen distintas. Entoncesel número de ordenacionespedido será = 9l a! - 8 709 120 1. Pero los libros de matemáticas pueden ordenarse entre ellos de aPa:4! formas. . que es el total de car¡os que se dan en la ordenación de 7 personas en un círculo. Entonces se tienen 9 libros que pueden ordenarse de 9P9 . Se ordenan en una fila 5 bolas rojas. COMBINACIONES 1.cAP. el número de ordenaciones de 6 person¿N sentadas alrededor de una mesa con 2 determinadas de ellas sentadas juntases de 5! 2! :24O. Entonces. Cuatro libros distintos de matemáticas. . colocan en un eslante.33. la segunda entre 8 y la tercera entre ?.

Nfimero total de selecciones posibles = sCz' zCs = l0'35 = 350 (b).4!B! = 7. b! ?.39. como si se escoge o como si se rechaza. Número total de selecciones posibles = tCz'tCs = 3'35 = 105 L.1 = o'' --ll (b) oCs = 6 ! = 6. (c\ eC+ 7.4O. 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. lo que es evidentemente 1.b = 126 1. escarola. beno y achicoria? Cada verdura puede tratarse de 2 formas. (c) dos matemáticos determinados no pueden estar en el comité? (a) 2 matemáticos de un total de 5 pueden elegirse de sCz formas. = #h = I si se define Nótese que formalmente aCa 0! = l. ¿Cuánt¿s ensaladas pueden preparañ¡e con lechuga..5.6. 5.4 = l4.37.2delasSverduras.objetos dados. 2 físicos restantes de un total de 6 puedtn elegirse de eCz formas.. De un total de 5 matemáticos y 7 físicos. Número toüal de selecciones posibles = sCz. ¿De cuántas formas puede formarse. es:25 - 1 : 31 Puedeseleccionarseldelassverduras. Por tanto El número de ensaladas Otro método. 3 físicos de un total de 7 dan 7C3 formas.6. Hallar el valor de (a) zCq (b) aCs..ur . ¿De cuántas formas puede elegirse una comisión de 5 personas de entre 9 personas? /g) = ^c. Entonces tC+:I. 2 matemáticos de un total de 5 pueden elegirse de sCz formas. se forma un corúité de 2 matemáticos y 3 físicos. 1. 3 físicos de un total de 7 pueden elegirse de zCs formas.SdelasSverduras.38.5. el número de formas de considerar lias cinco verduras es 25 formas.24 CONJUNTOS Y PROBABILIDAD lcAP.CL-l tC2+5Ca+ sC4+ scs : 5 *10+ 10* 6* 1 : 31 . (b) un físico determinado debe pertenecer al comité. endibia. 6 uCt=oC1 =6' 5ú ff (c) +Ca es el número de grupos de 4 objetos que se pueden formar con 4 objetoa.Olf/Vvienedadopor ^ n"r nl /"\ \r / ..6. oCz = 10 .C. En general el número de grupos distintos de r objetos que 8e pueden formar con. 15 = 150 (c) 2 matemáticoe de un total de 3 pueden elegirse de sCz formas. Pero las 2s forma¡ incluyen el ca¡o de no seleccionar ninguna verdura.8..Entonceselnúmerorequerido de ensaladas es -. 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).5 71 ^ (ol . _ e! _ \s/-sws-BJ]T- e.rl nP' 1. si (c) puede pertenecer a él cualquier matemático y físico. ae llamanúmerodecorñbinacionesdelosnobjetostomadosderenrysedenotapor. 4. no teniendo en cuenta el orden de los objetos dentro del grupo. n.rl(n-rll n(n-11"'(n-r+1) r! .2 = 6.

z.' \"/ ü/ \ El término conetante corresponde a aquel para el cual 3& .. 'xl (**!\" = r-:o (1?).1l CONJUNTOS Y PROBABILIDAD 26 nCn Engeneral.11. 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.tFV=fr .t) + f" . n0r+ ncz+.1).41. ee 1.r e =4e6 . lss 3 vocsles de s0g formac consonantes.r)'! r! (n . \ r / \r-1l' (n-r*r)(n-1)! r! (n . que consten 4 consonantes y 3 vocales? No es necesario que las patabras tengan significado."¡ /¿-r\ /"-r\ \ " )-\"-t) El resultado tiene la siguiente aplicación interesante. $ \k /' 3 \& /'.!2 = 0.11)"-. de 1.42. .cAP. De acuerdo al teorema del binomio *'\. ¿cuántas palabras pueden formarse. 4.eüc.r)l (n-r)(n-L)l * r(¿-1)! r! (n .+!\". 2. ee decir k = 4. ! = 2r-1. r0. . Demostrar q"" Tenemos que 11) \r/ = l" ..43.Cs+ -. obtenemoa Ia distribución conocida como el trióngulo de Poscal: n=l n=2 n=3 n:4 n=5 n=6 et¿.. 1b:10 * 6.1¡¡ 1" .B.. Entonces: El nhmero de palabrae y las ? letra¡resultantee (4 q 7C1 ' óCa ' ?! : 35 . Con 7 consonanps y 5-vogaJes diferentes. 10 ' 6040 : 1 ?64 000 COEFICIENTES BINOMIALES 1.r)l (¿-l)! (¿-1)! .*-. ¡raracualquier enteropositivo n.= xau /rz)'.*.1r . La¡ 4 coneonantes pueáen elegirse (!e lC+ formas.y por tanto eetá dado por /12\ _ \n/= 12. . Aeí10:4I6. 1. Si escribimos lo¡ coeficientes de la expaneión binomial de (c * U)" púa n :0. 3 vocales) pueden ordena¡¡e entre sf de zPz : ?! forma¡. Halla¡ el término constan6 en h exDansión de 1r.

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

lf{| = 'ffi. Por tanto aot-t/ffi5oso¿-so:N Para evalua¡ N uüilizamoe logaritmoe de ba¡e 10. jota. puesto que hay 4 form¡¡ de eecoger el primer palo y 3 foim¡s de ercoger el regundo. Arf tenemo¡ un üotd de 8 libroe que pueden orden¡¡se enhe ¡f dc 6Ps = 8 ! formas. eractamenüe 66.p"en-' = (n\o'o'-' sip: P(A) y q:1--p:P(A'\.n"¿-¡. Supongamos que lo¡ 3 libro¡ determin¡do¡ de m¡temática¡ ee remplazan por 1. LuegoP(al menoa un ar) 1. 2 de otro) = q#@ = ffi = t -. = .4?. Análogamente '" .66. Hallar el valor de 50! Para n muy grande.\o/ \o/ para todc lo¡ oEo¡ resultado¡ en los cuale¡ ocuren hec 6 y dos no 6..\6/ \o/ BITT\6i \6i 8888 nc. rey) x4crx4crxrcr) (rcr) szCs 64 162 496 (e) P(3 de un palo.66. Por tanto la probabilidad pedida e¡ p(666. Un estante tiene 6 übros de matemáticas y 4 de física. Pero hay rCa son mutua¡nente ercluyentes. diez. (/) P(ningrn *) = # = m./L\'/qY .6ó. Asf logN = los(/lofi¡o5o¿-50) 1f = i los100 I |losr * 60 log60 - 50 log¿ . Detenninar la probabilidad de tres seises en 5 lanzamientos de Represéntense los lanzamiento¡ del dado por cinco eepacioe no 6 (6'). L¿ probabilidad pedida está dada por 8!3! 10! - 1 15 APROXIMACION DE STIRLING A z! 1. 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. n7 . de que S libros .p(6)p(6') .46. Pero a su vez io¡ 3 libro¡ de matemótica¡ pueden cden¡r¡e enhe ¡f de 3P3 = 3 ! form¡¡./r\3/s\2 = =*é)t1l)'= = I 't 'v. un dado honrado.á. reina.cAP.por elmiamorazonamientoanüeriorlaprobabiüdaddeobtener r vece¡A en n enaayos independientes ea \n/ 1. Cada eopacio tendr6 lo¡ ¡uce¡oc 6 o 6.ó En generd.4E.* = (il'eu)' : 10 de ertor nrceeor y pueeto que suponemoe que lor ¡uoesos ron independientee. Por ejemplo. Los libros pueden ordenar¡e éntre ef de roPro = 10! formar. u (c) (d) P(3 diece¡ y 2 jot¡¡) CONruNTOS Y PROBABILIDAD QCslQCzl 1 szcs 108 290 (4cr P(nueve. Halla¡ la probabiüdad determinados de matemáticas estén juntos.{fi. etc.á á *.

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

respectivamente. respectivamente.9 respectivamente. pierde B. Así Probabiüdad pedida = -H*-P 1. Una caja contiene 5 bolas rojas y 4 blancas. Hallar la probabilidad de que en 20 años (a) ambos vivan.2)(0. : 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) ./s\/¡\/o\/s\/r\ * \6/-\6i \6/\u/ \6i \6/\Bi \u/\6i 1l-.151 y 1. Puesto que se sabe que la segunda bola es blanca solamente hay 3 formas de las restantes 8 para que la primera sea blanca. estén vivos en 20 años. Este resultado se obtiene así Si P(BJB)='+#=elwq=* Método 2.tJ es cero ya Así iríamos 6 a 5 a que el primero que liance gana.(5/6)2 11 . Hallar la probabilidad de que de 600 tornillos seleccionados aleatoriamente 12 sean defectuosos. Una rnáquina produce un total deL2 000 tomillos diarios de los cuales en promedio elSVo son defectuosos. estamos buscando P(Br lB2). Nótese que la probabiüdad de un empate que 11 ' 6-5 11 1 Esto no serfa verdadero si el juego fuera limitado. lanzamiento. 1. 1. Bl.02 . (b) ninguno viva. pierde B. P(H): (o) P(ambosüvan) = P(H1W) = P(H)P(W) : (0.53. Prqbabilidad = (áX8X8X8X+).cAP. P(W) : 0.152.9. Entonces y lI/ son sucesos independientes.F/ y la esposa. el 3'/o 6 360 son defectuosos y 11 640 no lo son. l|/ los sucesos que el esposo 0.8 y 0. 1l CONJUNTOS Y PROBABILIDAD 29 (3) A pierde en el ler. gana A.' \6/\6/\6/\6/ * = /q\/r\T.52. Suponemos que . lo cual puede ser o no razonable. pierde A./l)/q)lq\It\ \6/\6. (c) al menos uno viva. Véanse Problemas 1. "blanca en la segunda extracción".\6/ =5136=5 1 .*/q\'*/q)'* \o/\e/t_' \o/'.1) = 0.51. gane es /t\ /s\/s\/r\ .9) = 032 (ó) P(ningunoviva) = P(H'nW') = P(H'\P(W') = (0. I|2 son los suceoos "blanca en la primera extracción". Las probabilidades de que un esposo y una esposa estén vivos dentro de 20 años están dadas por 0. ¿Cuál es la probabilidad de que la primera también sea blanca? Método 1. de tal manera que la probabilidad es 3/8.8.8)(0. que la segunda es blanca. Se extraen dos bolas sucesivamente de la caja sin remplazamiento y se observa. Así la probabilidad de que g. De 12 000 tornillos. Sean ÁI.

.) "1 ó 1..u) las es la ¡uma de las probabilidades de A¡ desde t hasta n..0. 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. 1 (c) P(al menoc und üYa): 1 -P(ninguno viva): 1 . El resultado ee a¡ombroso ya que la probabilidad permanececasi constante para n ) 10. A partir de la generalización de los resultados (10\ y (1 l). finalmenrte .02 = 0.1) .\ri )\" " ' " + (-r)^-'l'\l+) = r-fr+i-"'+1-t¡"-'I cz \z/!t!/ Del cálculo sabemoe que (véare Apéndice A) = lf ¡*#..i1-:..U An y deeeamos hallar P(A¡ U A2V. Hallar la probabilidad de que al menos una de las cartas llegue a la destinación aproDenótensepor A¡.vAn¡ 1\ t./\.* r-e-l I : 0.sobre "nto"o' *to '' de los rectantes n- 1 sobres estará (4) p(AtnAzr1A¡) = p(Á.54. (véase Problema 1. U A. 'á P(4 ñ A¡ ñ que tienen ) = "r"términos el valor dado por (4). Por üanto.nA2n.nA) = ''-n' P(A¡ñ A¡ ) hay (. aefqueparar:-l e-.6321. . página 7. .79) tenemo¡ (1) donde E P(A¡) + )P(AinAinAk) P(áruAru. cegunda./\ . Por tanto la probabilidad pedida es p(ApAzu-. ='-('-+r.4¡ U AzU'.i/ ...C2 términos que tienen el valor dado por (3).-. Entonce¡ el ¡uceso al menos una carta en el sobre conecto es.. n-ésima carta ¡e encuentra en el gobre correcto.) Ap) hay ( (+)l=+) \lr/\tt ...i \.=t \/ .r) . .Tenemosporejemplolosiguiente: (z) P(A)=+ yanálogamente PlAr¡=L ya que de lo¡ n sobres rolamente 1 tendrá la dirección apropiada.A..".. 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. .). Tbmbién (E) p(A..#.xt"1B"""ntJfi::::i*il'ff.ñA2t : p(At\p(A2lAt\ = (*)("=) aProPi"ao ü. E P(A¡ ñ Ar) es la suma de probabilidadesdeA¡ñA¡conjyhdeedelhastanyh)j. Una secretaria ineficiente coloca ncartasdiferentes en n sobres con destinos diferentes aleatopiada.etc.30 CONJUNTOS Y PROBABILIDAD [cAP.42.(+ll-+ll=+) \..) p\AztAttp(A.ri. riamente. -r/\n-2/ (+) = + \.\ /"\/t\/ I = (l)(t)-l:)/l)l \.\t/\.lAtnAr) y así aucesivamente.1/ nl (5) Entonces en la suma > Análogamente en E p(A."uAn) = )r(¿*) -)e6'tnl'r) "' * (-t¡"-t P(At^A2¡ " n... lo¡ sucelo¡ primera.98 1.1/ =.f'..

"' .).-4\ . .. Describir A de acuerdo al (o) método de extensión. .n(r-l) i30 para n pequeño comparado con 365." . Suponemos que solamente hay 365 días en el año y que todos loe días de cumpleaños son igualmente probables. 3.2 -r¿-506 = 0 = 0. Sea A eI conjunto de los números natwales entre 5 y 15 que son pares..1\:{. si Ia segünda persona tiene un cumpleaños diferente.165/\'.l.0. la probabilidad de que la n-ésima persona tenga un cumpl'e¡ñoe diferent¿ de las otras n * 1)/365. Enipleando los hechos de que para n .55 para que la probabiüdad cumpleaños distintos sea menor que U2. 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. fótmula 7) que -r) -= --c - T- 3 así que (I ) puede escribirse como = ft+z+ : 2.865)"'\'..z\. 1l CONJUNTOS Y PROBABILIDAD 31 1.865 ) de 1. Halla¡ Ia probabilidad de que n personas (n < 365) seleccionadas aleatoriamente tengan n días de cumpleaños diferentes.r)(Zn -r) 6 obtenemos para (3) (5) *::":: 16) rnp = -!!+ñ! .cAP.56. Entonces.55. Problema.693 6 ln 2 = 6 (n . Así la probabilidad de que la segunda persona tenga un cumpleaños diferente de la primera es 364/365. Finalmente.. SeaA = {r r2-3r*2=0}..23)(n'l 22) = g asf que n : 23.s supletnentarios CONJUNTOS 1.DeterminarsiACB o no.^" --!. 1. por ejemplo n ( 30. Determinar cuántas personas se necesitan en el Problema 1.58. La primera de las n personar¡ tiene lógicamente algún cumpleaños con probabilidad 365/365 : 1. asf que una buena aproximación en este Pa¡a (7) p : L12.-k). Por tanto tenemos es (365 - P(n cumpleaños diferentes) = #* # ffi = \'- ' 365 :-l! + 1 1\/'. suposiciones que no se cumplen genetalmente en la realidad.. Análoga' mente la probabilidad de que l¿ üerce¡a persona üenga un cumpleaños diferente de las dos primetas es 863/365. el segundo término y los términos superiores a la ae 1S¡ son dlespreciables comparados con el primer término.ln p r¿(rr : - -- 1) ?30 . debe ocurrir en uno de los otros 364 dlas. Denotando la probabiüdad dada por p y tomando logaritmos naturales hallamos (r) @\ (3) lnp tnp =t"(r-#) -r'"(.-*(n-1)2 - n(n .(. tnp = .67. D = {t I 12<16).693. "'+rn(t-#) ln(1 Pero sabemos de cálculo (Apéndice A. Por tanto tenemos n.' (Apéndice A' fórmulas 1 y 2) (Ir\ I+2+ "'*(n-1) = @. 12+22 i-. (b) método de comprensión.

Generaliza¡ el recultado del Problema 1. (e) A-8.6?. (fl (A-B) u (B-A). (d) el númer. 1.B'? Ju¡tificar l¡ ¡olución. 1. (c) A'nB'. (d\ (AnBlu(AnC). ei ¿[e como I Sea ci éeeI' o cl¿se de todos loe conjunüoc que no 8on elementos de eUos mi¡mo¡.5.} ! B = {rlreounnfimeroprimo. (c) A)8. 1. (c) Añ(BuC).32 CONJUNTOS Y PROBABILIDAD Demoeürar que para cualquier conjunto [cAP.1.61. Afirmar -B = @. =y. (Ó) el nhmero de fum¡dore. (ü) B'. ¿EE (A - B)' : A' .66.). ESPACIOS MUESTBALES Y SUCESOS L. Demostra¡el (a) Teorema l-2.5\ yrupóngarequeloerubconjuntoede'll son A:{1.69' 1. x>y O i Demostra¡ que cualquier aubconjunto del conjunto vacfo debe ser el conjunto vacfo. oPEBACIONES E¡ITBE CON. 1. entoncq cJeeJ.p6gina 3. página B. (d') A-8.ruNTOS. entonce¿A = B. C = {4. E¡tudiar la verdad o entonces A CB.t B = IA-(AnB)] u ÍB-UnB)l 1.7 o negar: Si A u (Ar\B) eilusha¡loporundiagramadeVenn. Demo¡harque . Generdiza¡ las primen y eegunda leyec De Morgan a cualquier número de conjuntos.(B.A r. A tenemo¡ A C A. 1. 15¡(6.(AuC). signifrcadodecadaunadelasoperacionessiguienüee: (f) B A. (ó) Sir yy son do¡ númeroereales sr¡alesquierq entonces x1y. (o) Demostrar que (b) Demoetrar que ri p-f Ge[. Demo¡trarque (á -A)UA =á ¡ólo srBC A e ilugtrarlo utilizando un diagramade Venn. 1. (d) AnB'. (e\ B-A. EXPEBTMENTOS ALEATOBIOS. B.?). (s) (AnC)' u B.uC'). Tborema 1-120.3. (ñ) A . 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.73. 1. L. (fllanzat una moneda y un dado. (o) Si A y B eon dos conjunüos cuáleequiena. 1 1. y (D) ilustra¡la utilizando un diagrama de Venn. - .Encontrar (a) Av(BuCl.?f .60. (c) Teorema 1-4. B={2.(BnC) (e) A' - (BuC)' 1. Ilustrar el principio de dudidad haciendo referencie a losteoremas de la pfuina 3.64. de loe siguientes experimentos aleatorios: (o) 3 lanzamientos de 1.4. (bl AnB. página (o) Eemortrar la segunda ley De Morgan.6 A: falredad de las propoeiciones siguientce. (ü) Teorema l-8. (e) el número de partícular nucleare¡ que enhan a un contador Geiger. (c) lanzar un¡ moneda hasta que aparezc¿ un sello.76.69. 1.66. (b) (AuB)uC..68.4 u (BnC\ (c) A' n (BuC)' (rt) A . A)8. página 3.nC. De¡cribir un espacio muestral para cada uno una moneda. 1.9.2}. Emplear un diagrama de Venn para dibujar ceda uno de loo conjuntoo eiguientec: (¿) A n (Bucl (ü) .5}. (Véase Problema 1.76.0(¡=4) Encontra¡ (a) AvB. formule en palabras el (a't A'. 0 @uB) .62.2. . 1.72. (c) A'uB. (e) A. Sea'tl el conjunto de todos loi enteros no negativos y conaidérenee loe nrbconjuntoc A = {xl¡e¡unente¡ope¡.o de llamadas recibida¡ en une ce¡ttrat telefónica. I-a paradoja descrita se conoce Rusell. B.?0.68.31. Seaununiver¡o 'Ll:{L. DIAGBAMAS DE VENN y TEOREMAS SOBBE CONJUNTOS 1. Un erperimento consiste en el lanzamiento de una moneda y un dado.ñ(B. en un grupo de 600 hombre¡.

(D ) si las cartas (o) se no se remplazan. B'. Sea A1 el suceso "reyen la primera extracción". Csonsucesosindependientes. (b ) A' es independiente de A es independiente de B demostrar que (o ) A es independiente de B . Explicar el significado de cada una de las siguientes: (a\ P(AroA!r).42 el suceso "rey en la segunda extracción". (c) una sea roja y la otra azul. (g) al menos una sea azul. (d) blanca. L. B. (c) ninguna sea naranja. 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).77. ll CONJUNTOS Y PROBABILIDAD 33 TEOREMAS SOBRE PROBABTLIDAD 1. cartzs 1.80. Halla¡ la probabilidad de que (a) ambas sean blancas. (b) ni roja ni azul.7t. son inde- . Resolver el Problema 1. p6gina Generalizar los resultados (I0 ) 30.92. PBOBABILIDAD CONDICIONAL Y SUCESOS INDEPENDIENTES f .. Completar la demostración en el Problema 1. @) p(A'rr.tA'r). (e) Al menos aparezca una cara en tres lanzamientos de una moneda honrada.1.8 I . Demostrar que si P(A ) >P(B ) entonces P(A I B) Si > P(.t1. (c) AyBUC.84 si no hay remplazamiento después de cada extracción. Hallar la probabilidad de extraer 3 ases aleatoriamente de una ba¡aja de 62 remplazan. 12 defectuosos.89. remplazando la bola extraída después de cada extracción.85. CALCULO DE PROBABILTDADES 1. 30 blancas. y (I I ). (c) no azul. pfuina Demostrar que P(A'uB') = 1 . (e) pl(A1nAr) u (A"nAr)]. y A3 el suceso "rey en la tercera extracción". (¿) roja. Hallar la probabilidad de que sea (c) naranja o roja. 20 azules y l5 naranjas. satisface los axiomas de probabilidad en la página 6 y por tanto todos los teoremas sobre probabilidad.83. (c)A y B-C.cAP.87. 1. 7.91. para cada uno de Ios sucesos siguientes: (c) La aparición de un rey.demostrarque pendientes. (h) máximo una sea roja. (b) ambas sean rojas. blanca 1. 1. 1. (b\ p(AluA2\. Se extraen dos bolas sucesivamente de la caja del Problema 1. 1. .83. (b) La suma 8 agatezca en un solo lanzamiento de un par de dados honrados.(A ñ B) son mutuamente excluyentes. .4 ). 1.8t.14(b) demostrando (sin emplear el diagrama de Venn) que AUB = AOIB-(AOB)I donde A y B . Hallar la probabilidad de que si dos bolas se extraen aleatoriamenremplazamiento) (o) ambas sean azules.86. 1. (d) sean rojas o blancas o de ambos colores (roja y blanca).90. y así demostrar eI resultado (l ) del Problema 7.?9. SiA. (c) Encontrar un tornillo defectuoso si después de examina¡ 600 tornillos se han encontrado (d) Un 7 u 11 reeulte en un solo lanzamiento de un par de dados honrados. Demostrar el resultado (1 1). Un experimento consiste en la sucesiva extracción de tres cartas de una baraja. üe (sin Una caja contidne 2 bolas rojas y 3 azules. 1. (¡) solamente una sea roja. 1.t4. as. Determinar la probabilidad p.P(A¡B). (e) la segunda no sea azul. 1. jota de tréboles o reina de diamantes al extraer una sola carta de una baraja común de 52 ca¡tas.página 8. (b)AyBñC. pfuina ?. (¿) p(A1^A'2ñA\). o azul. Se exürae una bola aleatoriamente de un caja que contiene 10 bolas rojas.82. (i) la primera sea blanca pero la segunda no. (b) la primera sea roja ylasegunda sea blanca.54. o un estimador de ella.

En cada compartimiento del Begundo joyero hay un reloj de plata. Se TEOREMA O REGLA DE BAYES 1.ent¿nüoquelacajalfcontiene4bola¡rojasy2blancas. 1.¿Guál es la probabilidad de haberla exbaído de la primera caja? Ttes joyeros idénticos tienen dos compartimiento¡. 1 1. (c) cada mujer debe eetarentre dos hombres? COMBINACIONES 1. (b) las primeras dos cifras de cada número son pa¡es? lor números deben ser 1. abrimos uno de los compartimientoa y hallamos un reloj de plaüa.104. . ¿Cuánto¡ números de cinco cifras pueden formarse con los dÍgitos L.106. ¿Para qué valor de n es . Demostrar que A¡ .4 doeee y 2 tres€s? 1. Resolver el problema anterior si la8 cifreÁ de los números pueden estar repetidas. CUENTA Y DTAGNAMAI¡ ARBOL 1. Hallar el valor de (a) rC3. Se selecciona una urna aleatoriamente la urna II.96. L. I monedae diferentes en 2 posiciones diferentes? PERMUTACIONES 1. Atl At.cajas reeulta azul. En cada compartimiento del primer joyero hay un reloj de oro. Hallarelvalor de(a) oP2. 3 blancas y 4 negras. 3.1O3. Se extraen tres cartas aleaüoriamente (sin remplazarniento) de una baraja de 62 ca¡tas. En el tercer joyero eñ un compartimiento hay un reloj de oro. Hallar la probabilidad de que sea blanca. y lrr urna ffl. ¿De cuántas forma¡ pueden ordena¡se 7 libros en un eEtanüe ei (a) er posible cualquier ordenación.1OO. .109. La urna I tiene 2 bola¡ blanca¡ y 3 negras. 4 blancae y I nggra. Az. . en tanto que en el oho hay un reloj de piata Si seleccionamos un joyero aleatoriamente. ¿De cuántas formas pueden 5 personas sentarse en un sofá si tiene sol¿mente tres asientos? 1. ANALTSIS COMBINATORIO. ¿De cuántas formas pueden 3 hombres y I mujerec sentarse alrededor de una meea ei (o) no se impone ninguna resüricción. A2 = BuG€so "núme¡o impar en el segundo dado". 1. . suceso "número impar en el primer dado". caja / contiene 3 bolasrojasy Sblancas. 1. (D) 3 libros determinados deben estar juntos. AziA2. (b) doe mujerer determinadas no deben centar¡e juntar. (¿) roC¡. Una caja contiene 3 bolas azules y 2 rojas mienüras que otra caja contiene 2 bola¡ azulee y 5 rojas. (c) 2 libros deüerminados deben ocupar lo¡ exüremos? (o ) 1.10t. . ¿De cuántas maneraa pueden coloca¡se l.9?.94. Hallar la probabiüdad de haber escogido la urna I.1O?. ¿Cuántos números diferentes de 3 cifra¡ pueden formar¡e con 3 cuaEog. Luego ee extrae una bola de la segunda caja. . á3 : "total impa¡ en ambos dados".34 CONJUNTOS Y PROBABILIDAD Sea lcAP. Utiliza¡ un diagrama árbol para determin¡r la¡ diferentes poribilidades que pueden suceder. 1. A ¡: auceao At. (b) ¡C¡.96. 2. y una bola ertraída aleatoriamente e¡ blanca. Se lanza una moneda tres veces.93.101.106. 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. (¿) roP¡. 9 ¡i impares.43 no son independientec. A3 lon independientes pero que 1.98. ¿cuál es la pobabilidad de que el otro compartimiento tenga un reloj de oro? 1. Una bola extrafda aleatoriamenüe de una de las.lO2.+tPt = nPtl. (ó) zPs. La escoge una bola aleatoriamente de la primera caja y se coloca en la s€gunda c¿ja sin ob¡ervar su color.99.

113. COEFICIENTES BINOMTALES 1. impar o par' impar' par.(b)almenoe dos lanzamientos de un par de dados honradoe. Demostrar que (o) É .119.121. j=1 = n..rnda carta no sea una figura dadoque la primera eí lo es. (g) la seg. ¿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. Calcular.2n-1.. (e) no más que una carta sea figura (jota. (b) en contra de A de perder los prir4eros dos juegos? 1. ¿Cuántos comités diferentes pueden formarse si (o) no se impone ninguna restricción. \ r/ 1. (c) (t-r t)s. Demostrar que (c) (b) \r¿l \o/ \r / + 1") * '. 3 y 2 personas? y 3 personas. \4 / 1.-tj(.117. (c) al menos una carta sea un diamante. (ó) ( ). s€ impone ninguna restricción.) = 0.( ") . Si s€ extraen 3 tiquetes de la caja uno a uno' hallar la probabilidad de que alternativamente s€an impar.120. 1. reina' rey). (b) tres 1. . par. (h) las cartar son frguras o picas o ambas.f 23. Expandir (o) (o+y)6.111.. ¿Para qué CONruNTOS Y PROBABILIDAD valor de n s€ cumple que 35 3' n+rC¡ : 7' nCzl."". Halla¡ la probabilidad de que uno de loe jugadores obtenga (o) ? diamantea. 1. (b) j=t (-1). 3 niños y 3 niñas con 6 hombres.114.e cuántas formas puede un grupo de 10 personas dividirse en (o) dos grupos de 7 grupos de 5. ¿f). (f) la seErnda carta no sea una figura.+ r-''i" 2/ \l )=o \o/ \r/ /"\ * /"\ I 1. 1l 1.4 mujeres. ¿De cuántas formas pueden seleccionarse 4 niños y 5 niñas si (o) no determinados? 2 hombres. 1. 3 corazones y 1 pica. (b) /11 \ (r-a)4.C. PROBABILIDAD UTILIZANDO ANALISIS COMBINATORIO 1.116. t"l kCz\QC¿)/DC. Hallar el coeficiente de ¡ en lt * ¿)t./"\ .cAP.. (d) las cartas no sean del mismo palo.110. (d) (rz*21t.. En un juego de naipee ee reparte a cada uno de loe 4 jugadores 13 cartas de una baraja de 52 cartae.t24. unavez'(c)dosveces'en 1..125. (c) eC¡. +/"\ \2 / /"\ .115. 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. Con 5 estadistas y 6 economistas quiere formarse un comité de 3 estadistas y 2 economistas. (b) deben seleccionarse un hombre y una mujer 1. La¡ apuestas en favor de A de ganar un juego de ajedrez contraB son 3:2. 1. (b) un palo completo. Hallar la probabilidaddeque (o)laprimera carta no Bea un diez de tréboles o un aa. Hallarlaprobabilidaddeobtenerunasumade?puntos(o)unavez. Se extraen dos cartas sucesivamente de una baraja de 52 eartas. (c) un economista determinado no debe estar en el comité? 1. (b) la primera ca¡ta sea un aÁ pero la eegunda no.118. lJna caja contiene 9 tiquetes numerados del 1 al 9.122. 2 héboles. (b) dos estadistas determinados deben estar en el comité.126. Halla¡ el número de (o) combinacionee y (D) permuüaciones de cuatro letras cada una quepuedenformarse con las letras de la palabra Tennessee.8 mujeres.

.uAn) < P(4. Si diepara al blanco hastaqueledal¡primera vez. Demosürarque siACB' entonces AnB:Q.134..96? 1. 1. (b) 0. Halla¡ la probabilídad de que (o) sean diferen1. Se extraen 3 ca¡üas de una baraja de 52. . 1. 1.146.140. ¿Cuántas palabras pueden formaree con 5 letras si (o) lae letras son diferentes. 1. (o) Hallar la probabilidad de obtener la suma 7 en al menos uno de tres lanzamientos de un par de dador honrados. (b) tn full que consiste en 3 cartas de un valor y 2 de otro (por ejemplo 3 diecer y 2 jotas.I's probabilidad de que un tirador dé en el blanco eede 213. Demostrar que para cualesquiera sucesos Ar.127. ¿Puede considera¡ee la moneda cómo honrada? Expücar. (c) todas las letras son diferentes pero dos letras determinadae no puden estar juntas? tes.138. 1..13?. Demostrar que aproximadamente 2nCn - 22"1\/ñ. 1. rey y as del mismo palo. ¿Podríamos asignar probabilidadee de 1/11 a cada uno de esos puntos? Explicar. Al lanzar un par de dados la suma puede ser 2.132. An P(ArvA"u. Hallar porcentaje de enor en la fórmula de Stirling para n : 10. Obüener una aproximación al resultado del Problema 1. Demostrarque 1. PROBLEMAS DIVERSOS 1.140 para que la probabiüdad de obtener 11 por primera vez sea mayor que (a) 0. Halla¡ la probabilidad de que (o) las cartas eean de un palo. ¡rara valores de n grandes. Supóngaae que al lanzar una moneda 500 veces hay una secuenci¡ de2(lsnzanientosqueresulüan"carast'. 1. Se extraen cinco bolas aleatoriamente sin remplazamiento. - L. . +P(Á") 1. Un par de dados se lanzan repetidamente. 1. .143. Az. 1. (b) máximo dqs sean igualee.36 CONruNTOS Y PROBABILIDAD lcAP.130.136. Hallar la probabilidad de que ocurta 11 por primera vez en el sexto lanzamiento.139. l. (d) 4 ases.51.queconsistedediez.). Cuatro enteros se eligen aleatoriamente entre 0 y 9 inclusive. 1. A-(A nf¡: AñB'.. Halla¡ la probabilidad de que 3 sean rojas y 2 azules. APROXIMACION DE STIRLING A n! 1.145. (D) 2 letras son idénticas. Hallar la probabilidad de que un jugador tenga de 13 cartas g de un mismo palo.'.142.135.133.reina. p2 y 4p Halla¡ el valor de p. 1. .3.5. Un espacio muestral consiste de 3 puntos muestrales con probabilidadeg a¡ociadas dadas gor 2p.131. . (b)al menos dos sean ages.l47.144.) + P(A)+ . 1 1. . etc.jota. ¿De cuántas formas pueden selecciona¡se 30 individuos de un total de 100? 1. Enunjuegodepókerhallarlaprobabiüdaddeobtener(o)unaescaleraflor.141.129. Una urna contiene 6 bolas rojas y 8 azules.95? 1. hallar la probabilidad de que necesiüe 6 disparos. (c) ca¡tas diferentes. . ¿Cuál es el menor número de lanzamientos necesarios en el hoblema 1. Esüudiar lo eiguiente: no h¿y tal cosa de que una moneda sea honesta pu6to que en cualquier número de lanzamientos es extremadamenüe difícil que el número de caras y Ee¡lor eea igual. (b) ¿Cuántos lanzamientos se necesitan para quela probabilidad en (o) eea mayor que 0.12E. 12.

Generaliza¡ el resultado del Problema 1. 1. 1.155.156.8.\¡/(. .)va".149.t't . Demostrar que la probabiüdad para que la secretaria del Problema 1.154.1ó3.151.ISrí"r"ncia. Un jugador de póker tiene las cartas 2. (ü) tres jugadores.54 obtenga exacüamente I ¿-c / r\k sobres correctos ". . 1. Este üipo de problema se presenta en física en conexión eonlaestadística Bose-Einstein.541.cAP.(i)' una interpretación combinatoria. ¿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. Hallar la probabilidad de que en un juego de bridge (o) dos jugadores. "dar ¿ letras en los 1. demostrar que p"(a) = 1 fipn-o (0) y luego emplear el resultado del Problema 1. 4. (d) ningfrn 5? ¿Puede resolverse el problema sin saber el número de cincos que tienen los otros jugadores? Expücar. que (Sugerencia: Consi¿s¡ar 1.¿De cuántas maneras pueden colocarse 4 bolas idénticas en los compartimientos? (b) Resolver el problema si hay n compartimientos y r bolas. 1.11)'-* 1i)'-l \"/ \o/ \t/ . 1. CONJUNTOS Y PROBABILIDAD 37 (c) Un estanque contiene 6 compa. Desea descartar el 8 y remplazarla por otra carüa que espera sea un 5 (err ese caso obtendrá una "escalera"). 3._ \r/ (1 + r¡t (1 + o¡"-t y hallar el coeficiente de ¡j en el producto). una interpretáción combinatoria.50 si el juego se ümita a B lanzamientos.151.' Denoüando la probabilidad deseada comopñ (a). (c) trer cincoe. u¿ fi. Este tipo de problema se presenta en física en conexión con l¡a es tad ísüca Fermi-Diroc.rtimientos separados. 1.150. ¿Cuál es la probabilidad de que obtenga el 5 suponiendo que los oüro¡ tres jugadores en conjunto tienen (a) un cinco. (c) los cuatro jugadores tengan un palo completo.6. (a) Un estante contiene 6 compartimientos separados. 1l 1.148.:). (b) dos cincos. . Demostrar que /"\ = ! 1t'¡¡" . Demostrar l") .152. Resolver el Problema 1.

geométrico u otro. Supóngase que se lanza una moned¿ dos veces de tal forma que el espacio muestral es ¡f : {Cq Cg Sq SS). Supóngase también que los dados por rr . f(a) > o 2. Se concluye que X eo una variable aleatorir.. 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. 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. x2.. Repreoénteee por X el número de ca¡as que pueden resultar. 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. Con cada punüo muestral podemoe arcciar un nfrme¡o para X como se muesha en la Tabla 2-1. Esta función se llama wriable aleatoria (o uariable estocastiea) o función más precisamente función aleatoria (función estocástica).>Í(sl = t 38 . En general f(¡) es una función de probabilidad 1... 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. etc. por ejemplo el cuadredo del n(rmero de carac. Supóngase que a cada punto de EJEMPLO 21.Capítulo 2 Voriobles qleqtorios y distribuciones de probobilidod VARIABLES ALEATORIAS un espacio muestral asignamos un número. Comúnmente se denota por una leha mayúscula como X 6 Y. f(¡) : 0. (I) de (2) Es conveniente introduct la funcíón de probabilidad. definida por r) = l(a) si Para¡ : nr (2) se reduce a (l) en tanto que para otros valores de r. el nl¡mero de caras men(x el número de eelloa.2. Í! valores se asumen con probabilidades dadas por P(X=ryl=f(rx\ P(X = k=L. En general una variable aleatoria tiene algún signifrcado físico. también conocida como la distríbución probabiliM.

Fig. o por un histogromo. En la FA. (b) IÁ gráfica de probabilidad puede reprecentarse comoleindica en la Fig.. (a) Halla¡ la función de probabilidad correepondiente a La variable aleatoria X del Ejemplo 2.. lxla . o simplemente la función de dístribución.. por ejemplo X: 1 significa que esüá enüre 0.2-2 Histograma FUNCIONES DE DISTRIBUCION PARA VARIABLES ALEATORIAS DISCRETAS varidble aleatoria X se define por La función de distribución acumuhda. 2-2. 2-1 la suma de las ordenadas es 1 mientras que en el histograma la suma de l¡¡ áreas rectangulares es 1.cAP.) +. pata vrta donde obtenerse. r/4 =I r/4 la función de probabilidad está dada en la Tabla 2-2.6. Una gráfica de f(¡) se llama grdfica de (b ) EJEMPLO 2. como se indica en la Fig. Tabla 2-2 =I r f(r) 0 I r/2 .+/(r") x.5 y 1. es decir . 2-1. Íz rn entonces la función de distribución está dada por 0 f (r') f(rt\ + f(rü F(r\ = -@<fr1It rt3fr1trz rz3fi1rt : (5) /(r. P(X:1) = P(CSuSC) = p(cs)+ p(sc) = i*i P(X=21 = P(CC) Así.de la función de probabilidad notando que r es cualquier número rl = F(u) real.1 y construir la gráfica de probabilidad.. r.2-f Eepectro Fíg.2. P(X < (8) La función de distribución puede F(rl = P(x=r) -.)f(u) (0 donde la suma a la derecha se toma para todos los valores de z para los cuales u = x. Si X únicamente toma un número finito de valores lct. Recíprocamente la función de probabilidad puede obtenerse de la función de dist¡ibución. (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)=.1 x ( -.2l VARIABLES ALEATORIAS Y DISTRIBUCIONES DE PROBABILIDAD 39 donde la suma en 2 se toma sobre los valores posibles de probabilidad. En el ca¡o del hislogama podemos considerar la va¡iable aleatoria X como continua.

)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 . pagjna 38.2 su 2. nos conducen f(r) tal que o a poshrlar la existencia de una función 1. 3. por ejemplo. (o) Halar representación gráfica. Si se selecciona aleatoriamente un individuo de un grupo numeroso de hornbres adultos. 2.n (6) . 714 corresponden exactanrente a las ordenadas en la Fig. f(r\ > 2. Este hecho permite obtener la función de probabilidad a paftir de la función de distribución. DISTRIBUCION DE PROBABILIDAD Si X es una variable aleatoria continu4 la probabilidad de que X tome un valor determinado generalmente es cero. 712.4. 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. EJEMPLO 2.2. que son verdaderos en general. 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. deben notan¡e. Por tanto no podemos definir una función de probabilidad en la misma forma que para una va¡iable aleatoria discreta (págrna 38). 2-3. la función de distribución para la va¡iable aleatoria X del Ejemplo 2. Estas ideas y la analogía de las Propiedades 1 y 2. así el valor en 1 es 314 y no Ll4. . (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. Esto se expresa matemáticamente estableciendo que la función de distribución es continua por la derecha en 0. 2-1. 1. 2-3 frecuentemente se le llama función escalera o función paso. El valor de la función én un entero se obtiene del paso superior. Debido a esto se dice que es vnafunción monotónicamente creciente. 1. Las magnitudes de los saltos en 0" 1. Entonces definimos la probabilidad de que X se encuentre entre ¿ y b como P(a<X<b) : Í"' f (n) d. 2 son LlA.3.40 EJEMPLO VARIABLES ALEATORIAS Y DISTRIBUCIONES DE PROBABILIDAD lcAP. 2. A medida que procedemos de izquieida a derecha (es decir subiendo la escalera) la función de distribución permanece igual o aumenta.@ e -. tomando valores desde 0 hasta 1. Debido a la apariencia de la gráfica de la Fig.

lo que supondremos al menos se establezca otfa cosa.UU ¡( 0 entonces F(. 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').r) = P(X=r) f(r). n.5.5.tu. definimos la función de distribución F(x\ para una uariable leatoria continua por F(. : P(. (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.'" de otra forma " función de densidad y (b) calcular P(l < X < 2).l-*Ít'lol' = )ow2dr . Una función f(r) que satisface los requisitos anteriores se llama función de probabilidad o distribución de probabilidad para una variable aleatoria continua. 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). debe satisfacer la propiedad 2 para ser una función densidad. en el Ejemplo 2. #f. En tal caso podemos remplazar cualquiera o ambos de los signos ( en (6) por Así.?1. pero con mayor frecuencia se denomina función de densidad de probabilidad o simplementn función de densídad.'U". V) En los puntos de continuidad de EJEMPLO 2. (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. ou + f"'f@)au = fo'!u. Si 0 f: x 13 entonces F(rl Si¡>Sentonces = ou fo' .5. Entonces de . = 13 t'n ¡3 . .au f""oou = 1 Por tanto la función de distribución pedida es r(o [o F(r) . También debe observarse que F(r) en este caso es continua. = # + F(r) = fo" .t) = 0. página 39. (o) HaIIar la constante c para que Ia función f(r¡ = {"^* L0 sea una o.f. la probabilidad de que X sea igual a cualquier valor determinado es cero.n* =.'!. = Í.ru.CAP..-g ec y puesto que esto debe ser igual a 1 tenemos c: tl9. (b) P(1< p(r<x<z) -. = *-h=:h 7 En el caso de que f(r) sea continua. 2] VARIABLES ALEATORIAS Y DISTRIBUCIONES DE PROBABILIDAD 4L Podemos demostrar que esta definición satisface los axiomas de probabilidad dados en la página 6. EJEMPLO 2.6. (a) Ya que f(r) satisface la propiedad 1 si c ? 0.a1X<r) s = J_-" ¡p¡au f' ( si se desea. el (o) Tenemos F(r) = Si P(X = r\ = o" Í__.

x)itu donde = f""jl. es deci¡ P(a 1 X < b).a# .r. se representa por el área sombreada de laFig.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. az y F se suponen derivables con respecto a.'. la cunra no puede caer por debajo del eje r.2 (ó) Tenemoa P(r<x<2) P(X=21 - P(X=1) f(2) - F(1) n-n como en el Ejemplo 2.6.' T*0" + F(az(a). 2-l .'.F@t(n).'r(u.42 VARIABLES ALEATORIAS Y DISTRIBUCIONES DE PROBABTLIDAD [cAP. Puesto que f(r) Z 0..ü# (121 at. INTERPRETACIONES GRAFICAS es la función de densidad para una variable aleatoria X entonces podemos reptesentar y gráficamente por una curva como en la Fig. (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"".2-4.i. 2-4. Geométricamente la probabilidad de que X esté enhe a y b. : f(x) Si f(r) Fig. 2s137 n La probabilidad de que X se encuentr€ entre r yxt Ax está dada por (8) p(r= xtn+ta) así que si = . El área total limitada por la cuwa y el eje ¡ debe ser 1 debido a la propiedad 2 en la págna 40.

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

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

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

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

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

Por ejemplo.2-7 . Y. APLICACIONES A LA PROBABILIDAD GEOMETRICA Varios problemas en probabilidad surgen de las consideraciones geométricas o tienen interpretaciones geométricas. El tipo de suposición empleado define la función de dishibución de probabilidad.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. Por fe1ü = dadoquerlX(r*dres Ll++ r(r¡ I &s¡ donde f(x. yl = P(X : Í. 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. puede ser menos probable pegar a áreas externas. y) es la función de densidad conjunta de X.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). la función de densidad condicional de Y dada X ¡1xlu) y f(alr)porfr(rla) I fr@lr)respectiva¡rente. Por ejemplo. Y son variables aleatorias continuas.AP. es pre porcional a K¡. entonces (42) P(Y=ulX=r) : f\*'') f donde f(x. Fis. Entonces es razonable suponer que la probabilidad de pegar a la región de área K. etc. (r) es la función de densidad marginal de X. Análogamente la función de r(rlut = Algunasvecesdenota¡emosa @+¡ Estas ideas se amplían ejemplo. /. Lógicamente pueden plantearse ohas suposiciones. fácilmente al caso en que X. Y : y) es la fi:nción de probabilidad conjunta probabilidad discreta para X. supóngase que tenemos un objetivo en la forma de una región plana de área K y una porción de ella con á¡ea K1 . 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.48 VARIABLES ALEATORIAS Y DISTRIBUCIONES DE PROBABILIDAD IC. (B: Y: J).

1. Así para (3. Supóngase que se lanza un par de dados honrados y que la variable aleatoria X denote la suma de-los puntós.4). (c) LospuntosmuestralesparaloslianzamientosdeunpardedadosestándadosenlaFig.cAP.2) tenemos X : 5. (a) Obtener la distribución de probabilidad paraX. 2-9 la suma de todas las óreos rectangulares es 1. (2.2l VARIABLES ALEATORIAS Y DISTRIBUCIONES DE PROBABILIDAD 49 Problerna. de acuerdo con si deseamos considerar a X como va¡iable discreta o continua.3). 2'9. Nótese que en la Fig. así que cada punto muestral tiene probabilidad 1/36. 2-8 o en la Fig.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/. obtenemos la Tabla 2-4. Utilizando el hecho de que los 36 puntos muestrales son igualmente probables. variable aleatoria X es la suma de las coordenadas para cada punto.2). (3.Po¡ ejemplo. (4. 2-8 la suma de las ordenodas es 1 en tanto que en la Fig. Tabla 2-4 'x 1'17'página18. (b) Consbuir una gráfica para esta distribución de probabilidad.1) así que la probabilidad asociada es 4/36. garaX:5 corresponden los cuaho puntos muestrales (1.Jo 4/36 2/36 (ó) Podemos emplear un espectro o un histograma como los dados en la Fig.s restreltos VARIABLES ALEATORIAS Y DISTRIBUCIONES DE PROBABILIDAD DISCRETAS 2. .

Obsérvese que el cero del eje r se ha desplazado.)"(t'-' = .JNCIONES DE DISTRIBUCION DISCRETA r/t 2. 0123 Número de ¡¡iñoc X = ¡ Fis.¿6 2r/36 18/3rt 15/36 12/36 9i 36 6/36 3136 .. F(r) 1 33/36 30/36 27 i36 I 24/'.2.c.".2-L2.3.". f(r) = . Por tanto. donde cada intento tenfa dos resultados posibles. tenemos P(eractamente r niños) = P(X = r) = .(.on probabilidadesp y g: 1-prespectivamente.(. 2-11. suponiendo iguales probabilidades para niños y niñas. La función de probabilidad para X. dependiendo sobre si deseamos considerar a puede representarse como en la Fig. (c) Hallar la disgibución de probabilidad de niños y niñas en familias con 3 hijos.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. (Obeérvese que X se define sobre el eepacio muestral de tres inüentos).L y (b\ repr€sentar gráficamente esta función de distribución.. I 3/8 .50 VARIABLES ALEATORIAS Y DISTRIBUCIONES DE PROBABILIDAD [cAP.)' 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. 2-ll (b) Véase Fig. (a ) EI Problema 1.46 trató el caeo de n intentos mutua¡t¡ente independientes. D:3.2 2.t-. Fig. ip=q:L12. (a) Hallar la función de distribución F(r) para la variable aleatoria X del Problema 2.(i) \-'l /r \3 f(r) r/8 3/8 L/8 (b) La Eráfrca va¡iable X como discreta o continua. 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. Se encontró quelrr probabilidad de obtener eractamente r veoea A en los n intentos es icrp'q. siA e¡eleuceeo"niñott. 2-10 o en la la FI. c. A y A'.1 hallamos F(rl = 0 -e 1r<. (b) Représentar gráficamente la distriUución en (o).) 3 se indica en la Tabla 2-5. 2-10 (o) Tenemos que F'(r) = P(X = tl u=x 2 Ífu¡.

rr_rrl. 1 C" F(r) = )_-t{")a" = i)__ n du _ = !l-t.6.<6.'= J-..2 obtenemo¡ F(rl (ó) L8 gráfica = de la función de distribución de (o) se muestra en la Fig.-./ -\-'l (* :u./J f = " =. la constante c. acf que c=Ur. donde -o(ú.e¡décir t-. (c) Hallar la función de distribución F(*) para la va¡iable aleatoria representar gráfrcamente esta función de dishibución. X del Problema 2. (b) Hallar la probabilidad de que f(r)=c/(n2+l).2-13 VARIABLES ALEATORIAS Y DISTRIBUCIONES DE PROBABILIDAD CONTINUAS 2. F(¡) I 7t8 6/r 6tE 4/E 3/8 2t8 I UE t Fig. 2-13.. _.r . z2 = 1 (ü) si* = x2 =t. Un (¿) (a) Debemostener aXtienelafuncióndedensidad o".(-. rL t__J = 11h.6..\r-." r¿*l = ?['*-'(1) .. t:_flu)ttr = 1.6.ran-l(--)J = l[r*-' " "if = i.entonces ó -l < x = -f. I -u.itan-rc .4. Hallar la función de distribución conespondient¿ a la función de densidad del Problema 2.2V @) (o) Uüilizando la Tabla 2-5 del Problema 2. t*tantolaprobabilidadpedidaes t(-'lstt oJ-t dn *lft dr IL'rJ¡5.2l VARIABLES ALEATORIAS Y DISIBIBUCIONES DE PROBABILIDAD 51 2.t¿n-r (+)] I = z(z-z\ = 6 6/ "\4 2.r12*L =zC' oJ6.cAP. f .12 + | = "t"r-rrl r-o = "L. )? estÉ entre 1/3 y 1.

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

Y <2). 1<g<5 de otra forma 1o (c) Hallar P(X>3.8 (b) y 2. Si las variables aleatorias. Y del Problema 2.10.Y=L) + P(X=21 P(Y=L) E resultado también se deduce del hecho de que la función de probabilidad conjunüa. 2.2l VARIABLES ALEATORIAS Y DISTRIBUCIONES DE PROBABILIDAD De la Tabla 2-6 determinamos que 53 (b) P(X=2.. 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.r du = I .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.cAP.Y=l)=5"=a 42 (c) De la Tabla 2-6 determinamos que P(X>t. (o) La función de probabilidad marginal para X está dada por P(X = r) = ft@) y puede obtener¡e de los totales del margen en la columna derecha de la Tabla 2-6. 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.Y=\ = asr que h P(x=4 = # P(Y=l) = I (2x rr y)142. y.11. De estos vemos que P(Y=Y¡ = verificación:1*3 +!+1 ''7 74'7 t4 fz( =t 2.8 son dependientes.9. P(X = t. Hallar las funciones de probabilidad marginal (c) de XV (b)de Yparalasvariablesaleatorias del Problema 2. para todo r. La función de densidad conjunta de dos variables aleatorias continuas X. Y son independientes debemos tener. (b) Hallar P(1< X <2. Demostrar que las variables aleatorias X.{.u) = lcnU 0(r<4. 2<Y <3).u) d. Y es f (n. puede expresarse como una fi¡nción de ¡ veces una función de y. (o) Debemos tener la probabilidad total igual a 1.Y : A) = P(X = r\ P(Y = Y¡ Pero.8. no P(X--2. es decir | | f@. P(X=2.9. (o) Hallar el valor de la constante c. 2. como se determina de los Problemas 2.

2<Y ' (c) <3) = Í. no ao)au =# [o ¡(o n>-4 12/16 O=r14 [t (ó) La función de disüribución marginal para y ai 1 PueetoqueF¡(r)escontinuaenr=Oy¡:4.r"=. la integral tiene el valor f4 ¡5 J. [ Í=.11. fi uo = # 1. (o) L¿ función de di¡t¡ibución marginal para X ¡i 0 < ¡ ( 4 ec Ft@) = p(X=r) = f' ¿u=-4 ¿O=-@ f" fet.'=.2 Empleando la defrnición de /(.=. Oo = #Í:=. = = 1 C' 5r.)* = "Í:=rr2adr = "tu*)l'_. Ft(¡) = 1. 7 ñ J"="To' = ln 2.* s /rz11z .54 vARIABLEs ALEAToRIAs y DrsrRIBUcIoNEs DErRoBABTLTDAD -l IcAp. xaau )clx = "!.'uau)a' = *f.1Í":=.r.o)ctud. (ó) Utiliz¿ndo el valor de c hdl¡do en (a) tenemoe P(l <x <2.olduclo dudo = P¡re o > ft (s J. =y( 5 ec Fzful = P(Y <-vl = Í¿t=_@ f1 ¿ú=l f" f@.:o J"=rcnvilxils ft rrs = " J.=oL. Por t¡nto Fr(rl = 1.podrfamocremplazarenlaerpreaiónanüerior(por<.'=r$l'"-.Tn' = idt\t/|. y). 4. .¡¡'J. 1""=140.Y=z) = í:="í"'=.Yl'"=.'=.- ñ E P(x>s. Hallar las funciones de distribución marginal (c) de X V(bl de I' del Problema 2.frarau = * Í'^='lÍ"'="u aafa' = + f"="#l'"='* L f4 Br.(a) = 0.12. fv J-"=oJ"'='ffiauao = + .o' = "Í.F .=o J"=."=.r=o(ry-. = e6c Entonces 96c = 1 y c : 1/96. para 5 < 0.

LL se observa que la función de densidád conjunta para X. y) : Fr G\ Fz@).(ul = { (. av = ut-[:. 3. En el Problema 2. 1 < y ( 5 dentro de la cual la función de densidad X.11. o 0 ( ¡<4 f de otra forma . En efecto. la Fig.F ¡ (r) V Fzp) se determina¡on en el Problema 2. Puesto que f(x. 2-I6 . [f=. esta probabilidad está dada por 'í Í"'=. Y del Problema 2. 2-15 2. de tal manera que su función de distribución conjunta eetá dada por F(r.¡ ryl96 sobre fi. La probabilidad rc.F(r.' *u au)a* Fig. región sombreada en la Fig. Y son independientes.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. Para U < l. podríamos remplazar en la expresión anterior [o u<r : 1. Se deduce que X. Fz@) = 1. Las distribuciones marginales . 2. y) resultante. donde J tt. Por tanto Fzfu) Puesto que F2 (y) es continua en y = 4@r-t)tz+ tfy<b a=6 l.Y es diferente de cero.| l rr.¿v I < Y < 5 [ 0 de otra forma L/96. Halla¡ la función de distribución conjunta para las variables aleatorias X.Yl = rz(az .t : 5.11 hallar P(X+ y < conjunta de 3). Del Problema 2. ! c(t = c : F(r.2l Para y VARIABLES ALEATORIAS Y DISTRIBUCIONES DE PROBABILIDAD OD = 5.13. !""=. J ( por < . Y puede escúbirse como el producto de una función en r veces una función en y.ul = fr(r) f2(y).l\ (r6)(24) Fig.14. En la Fig. 2-16 hemos indicado la región cuadrada 0 ( ¡ ( 4. 2-15 muesha la definición por trazos de . 2-16. l\¡.n ffia.cAP.L2.. t = 1. F{A) = 0.

67).a). Dr P(r1<X1rz. Para el caso donde rlr'(u) -< 0. pá$na 46. pá$na 46.u . págir. 2-1'7).=o g6. Por tanto = fI¡rfu.y) fe2 dr dy Remplazando avanzado que r : Út@.15. (2) puede Fig. Úz(u. = 2. esto es.v)dud. para el caso donde J 0.2 1 L (" = J. pá4ina 46...o'tlJ J< que es (3ti).a todo u1 y u2 solamente si los integ'andos son idénticos.u.4v.Ll Plx = gfu)) = f lv@)l En una manera análoga puede demostrarse el Teorema 2-2.66. y : Ju.16 ó P(ut<Uiu.f . 2 lu=rd' CAMBIO DE VARIABLES [r(3-r)z r 'rldr 48 2.56 VARIABLES ALEATORIAS Y DISTRIBUCIONES DE PROBABILIDAD [cAP. ' olü au = ¡'tl f ¡¡gqullv'tu:du Esto es válido pr.rl duda = f"' (''' Ju.At<Y<Az) = | fre | l(r. L es una función decreciente de ¡. (r) (t tlt(u) es una P(ut LI 1tt"): P(rtlX1rr\ f¡7 (2) Remplazando x escribirse como /'ü: | t\u) titr 'ul |. Primero suponemos que a medida que r.1 .¡. ) O. 2. 2-17 f .' ut 12 : ¿ ttt V@) en la integral al lado derecho.17.= fu ). Igual que en el Problema 2._-. Ju. Demostrar el Teorema 2-3. u). Véase Problema 2. La función de probabilidad para U está dada por s(u) = P(Lt ") = Plo(x) . Primero considere el caso donde u : ó@) 6 x : tenemos función creciente. u) ellacobiano. es decir g(u) _. 92fu. donde ry''(u¡ ) 0 (es decir la penCiente es positiva). y crecen.a) a@'a) donde es d\u.fl.u).páqina 46.16.r\uti. El teorema también se puede demostrar si rl'(u) 0 ó r/'(u) ( 0.. podemos demostrar que u y u también crecen. . como puede deducirse de la figura. "rl "" /{.. Entonces. Demostxar el Teorema 2-4. u aumenta a medida que r aumenta (Fig.t'@) Este es un caso especial de (34).2fu. esto es. Análogamente podemos demostrar ('36) para el caso donde .u11V1o.. u) en la integral de la derecha tenemos por un teorema de cálculo flrrtu. Jtl r s(u. | trrr J| s(u.. página 46. también podemos demostrar que (31) se cumple (véase Problema 2. Demostrar el Teorema 2-t.(' 'u2 l3-' '.\: ?u..z 46.1)llJ duda ("' ("'n.

de probabilidad pedida para U ea ( z-ni i s("! = 1o utilizando el Teorema 2-1.. du ¡5 <tz:_su.E2. U: * . 2."1:-..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.. HaJlar la densidad de probabüdad de la variable aleatoria U = )? donde X es l¡ va¡iable aleatoria del Problema2. En este caso no podemos emplear el Teorema 2-4 directamente ¡rero podemor proceder de la manera eiguienüe. | . Tenemos tL = tr2 ó r = *\ñ. Puesto que ú'(u) : dx/du : . La función de es disüribución para U G(ul = P('tlu') Entonces si 0 Fis.2O. Los valores de r para los cuales.A¡íparacadavalorderhayunoydamenteu¡valordeuy función de densidad para U ee s(ut Verificación: = ilt'.. o por el Probler¡¿ 2.Loe valore¡ de u que correrponden a¡= . 2-18.2.U<u) = P(-B<X<\fr) = J-s f@lA.2 = _. UyXqtídadapor y8€hatomadol¡raízrealpositiva. = P(. La función de ptobabiüdad de una variable aleatoria X (2-' ü=1. página 46.19.3 ( ¡ < 3 corresponde a 0 s z s 9 er tanto que 3 (¡( 6 corresponde a 9 ( u ( 36.sutz¡21 ].)óx:L2-3u.82.+ l larelación entre loe valoreedeuyrdela¡variablesale¿torias donde u:2. recfprocamentg.!7.3 ( 6 corresponden a los valores para los cualeo 0 S 36 como se muestra en la Fig..cAP.¡función u = 2.17.'ll = 1 2. 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 ¡.3 y* = 6 rcn u = 6 y u -2re¡I¡ectivamente.18.. . Como se obeerva en esta ffuura el intervalo ..3. página 46.16 que la Tbnemosu:tl3(L2-f.2l VARIABLES ALEATORIAS Y DISTRIBUCIONES DE PROBABILIDAD es 67 2. f(r) = to de otra forma Halla¡ la probabilidad para la va¡iable aleatoria a = X4 + Puesto que l. u= r+11 6 r =n/F1..16. de otra forma .I9.Enüonce¡1.e por el Teorema 2-3.tt¡¡f". o el hoblema 2. 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)..3 ¡e deduc.

-ro 0 6<¿<10 f4 afu. 1 tZ _1. 1 < y ( 5 correeponde a la regiiin 0( u ( 4. Si las variables aleatorias X.ol =#¿" . función de densidad de U = X + ZY.u 110 que ¡e muesEa eombreada en la Fig.a) (véase Problema 2.u).<¿<36 de otra forma 21rsrz Verificación: zlb. Y tienen función de densidad conjunta r(x. le * fil2136 z4B l.r'nu ffr:i:0" 'Sea u = t I 2y.1.11) hallar la Método 1. 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. etcogiendo arbitrariamente l¡r eegunda relación.=. Entonces la ¡olución ¡imultiinea re¡ulta r : u.2 l*ibníz (12). 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. uear¡do la regla de c@l Utiüzando la definición dada de = f(r) eeto se convierte en 0<z<9 9. El Jacobiano está dado por Fr 0r J_lr"0o oa lüu la" att lo =l I 1 11 -.21. u : r.2 < u . = {. Por üa¡¡to la región 0 I r 1 4. ! : ll2(u .IBUCIONES DE PROBABILIDAD Pueeüo que la [cAP. = 2. lo1u114 de otra forma . función de den¡idad g(u) ee l¡ derivada de G(u) tonemos. 2-19.58 VARTABLES ALEAT1ORIAS Y DISTR.

a función de di¡tribución de la variable eleatoria X + 2Y erüá dada por P(x *zY É ut = Íl rr2y 3 t@. V = )PY.2-2L 2.u2 t< 7) uztga-rls < L26'u 6 1 64u 1u2 < Eata región ee muesba eombreada en la Fig. Si las variables aleatorias & Y tienen la función de densidad conjunta 4' L <s <5 f(r. IL m de b Flg.2)2 (u reeultado dd método L para 6 ( u ( 10.cAP. 2-19.au i*Z=. Nlétod. Considére¡e u : xy2 . Al dividir egüa¡ ecúaciones obtenemoe y/r = u/u aef que y = ut/v. eüc. El Jacobia¡¡o estó dado por . I/aimagende0(x14.y=y2/3p-rl3. De un¿ manera análoga podemoe obtener el Al deriva¡la con respecto a ¿ 8e encuentra (u .L(y(Senelpla' (véase Problema 2.o 2."'' 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 1.2l como VARHBLES ALEAI"ORIA"S Y DISTBIBUCIONES DE PROBABILIDAD 69 'lar p determina refiriéndo¡e a lae regioner ¡ombreadas I.21.a) : {*''nu de otra forma :':' 0 L = XYz.' I":". [.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 . u = x2 y . Mo ¡oe conducealasolucióneimultánea s=p2/34-r/t. Fíg.2-2O Fig. 2.ytdrdy " = ÍÍ fta. 2'20 gue la últim¡ integral ee igud a Í"--.22.

IBUCIONES DE PROBABILIDAI) [cAP. cer. vemor que G(u) üo a u e¡tá dada = .60 VAR¡ABLES ALEATORTAS Y DISIR. donde arbitraria¡nente hemo¡ ag€gado la *gunda ecuación. 2-22.2 l-lor.u.u-a)ilo conecponden : X + Y.u-o) págin¡ 46.. página 46.-t rsu-ual J . como ¡e indic¡ por la parte ¡ombreada en lrr Fig.l: l= | f. A e¡ta¡ ecuaciones u: x i !. y) tomada ¡obrc la región definida pbr * f y s u. .üdrdu .u-r. El Jacobiano de l¡ tran¡fo¡mación ertá dadopor rSe deduce de (261. -tuznr-trs I -lu-zrso-zrs A¡f la función de densidad conjunta de U y V es."u-n.y¡ay]dr -J La función de den¡idad de U e¡ la derivada de G(u) con re¡pee por ef -a (' l@.2-22 utilizando la regla de Leibniz (I2) primelo en la integralder y luego en la integral de y.o) = {*O=f3-Io ($u-2t3a-2rt') o2161u' tt de otra forma tt-z 1u2 < l26tt c@. c¡üo ec G(ul = (( Í@. la función de deneidad conjunta ile (J y V ea g(ü. La función de di¡tribución de U = X + Y es iguql a la integral doble de f(x. Sea LI = Íl-rO.ld.xl = {u--''"o-rtsl288 IO CONVOLUCIONES < ilu' tt 1 u2 < l26tt de otra forma 2. que la función de densidad marginal de U c@l = f' f@.u-r)ih F's. 192 d'l l#'úl = l: -l ee -l Arí por el Teo¡ema 2-4.to-t. V : X./t=-a f f"-' f' Lnr1¡=-a c@l = ¡1r.i"au Pue¡to que la región eetá por debajo de l¿ lfnea ¡ * y = u.f(t¡.23.u-. o= Í6 x.r f. por el Teorema 24.:v. y: u. Demosbar que la función de densidad de U'= X * Y es s@l Método 1. y). Método 2. f variables aleatorias qup tienen una función de densidad conjunta f(x.o) . Sean X..

to ¡iu>0yg(u):O¡iu(0.a J_ú En el integrando f1 se anula cuando u ( 0 y f2 8e anula cuando u ( u.ar@u . obtenemos (-' Ítrfz = . (b) P(Y : 1lX : 2'¡ pan la distribución del Problema 2.olver el hoblema nes de densidad f t@).{olf2(u-olito = f t* fz que es la conuolucidn de h y fz.2l VARIABLES ALEATORIAS Y DISTRIBUCIONES DE PROBABTLIDAD 61 2. (y) respectivamente. (o) Empleando los ¡esultado¡ en los Problema¡ 2. halla¡ la función de densidad de su sumao U = X Por el Problema 2. 2.23 la función s(ul = t'. de densidad de U: X * Y e¡ y): f t@) fz(yl. Si X.o{üau = tfo'k-r"-"-rv\d.cAP.f¿ . En este caso la función de den¡id¡d eonjunüa et f(x. Por tanto Cful = | JO f! (2e-2ül(ge-sru-u))do (" = 6"-su.241a función de den¡idad pedida es la convolución de f t y fz y eetá dada por c@) = ft*fz = f' fr(o.24.w) = (" DISTRIBUCIONES CONDICIONALES fz@\lt@-u)dut = fz'ft "/u=-n 2.l) = 6(e-zt . 2.- u de tal maneraque u = u-u.9 t¿nemo¡ ftutrt = arf que con ¡ : 2 ffi:*+#t f(ylz\=g#f=+ P(Y=rlX=2\=/(1l3r=*z (ó) .rru-u)f2@t)(-d. Ve¡ific¡ción: ao ifui = 6o.-*) = 1 2.<0 L0 ü>o * fg"-to a=o " frfu\ '-\e' =1l0 a<0 Y.fw=n . Y son variables aleatorias independientes que tienenfunciof.u = (.f2(u-t:ld.u:-dw.f 2* f1 (Propiedad 1.d.23 si X. R'ex. así que por el Problema 2.26.8. Y son variables aleatorias independientes que tienen funciones de densidad ft@l =112"-t' . pígna 47\" Tenemos Ít* fz = | /r(") fz@-o) Jo=-a Haciendo fa da u)= a.27.25.. HaJlar (al f(y l2).f .8 y 2.e-tr¡ f -'. Demostra¡ gue fi t.

a) = {t^" de otra forma 1=1=.t'o<a<r [0 se muestra Hallar (a) la densidad marginal de X.62 VARIABLES ALEATORTAS Y DISTBIBUCIONES DE PROBABILIDAD lcAP. La región sobre la cual f(r. (b) la densidad marginal de Y. 2-23.a) = {i.* :". (c) la densidad condicio nal de X. Y por f(r. ft@la) (d) = ffi . y) er diferente a cero sombreada en la Fig. El resultado es (' Ítu. ¡. = t¡*} ftulr\ h¡a oü¡o¡ ralore¡ de = definid¿. (o) Para 0kc(1.2 2.) = Jt=o Sxydy .4¡s pare 0 ( ¡ ( 1. hl. para 0 ( r ( 1.2E. ft (¡) = (b) 0.rlrol+)0.. como 8e integrando con reapecto a ¡ desde r = y hasta Í: indica por la franja horizontal en la Fig. /(¡ | y) no ertó (ó) P(Y>l¿l+<x<l*drl = tr*. Análogamente.): fz@lr\ = !(u'a'-l = {'u'* h@\ lo La funeión de densidad condicional no está definida cuando JFr o=u=r otray (¡): 0- .29. la deneidad marginal de Y se obtiene fijando a y e L. pa¡a 0 ( y ( 1.2-23. 2-23 (c) La función de den¡idad condicional de X ec. La función de den¡idad condiciond no está defrnida cuando L8 función de densidad condicional de Y es.ffr:j:r. !2@) Para = Í' Brydr = 4aÍ-u2'l lo¡ otros valores de y. f2Q): O. dada I 16 2. : J'(i**r)0. 2-23. Fig. Si X. (b) P(v > + I + < X <*+d'r). = Í.rYP* está.i¿¡t\ = {o (2r/(L-azl a=r=l otra¡ O. La función de densidad conjunta de las va¡iables aleatorias X. Pa¡a los ohos valoree de r.'. (d) la densidad de Y. (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. El re¡ultado es para 0 (y(r. rt*) hallar (a) f(alr). Y tienen la función de densidad conjunta r(r.¡.

)']0" Aquí. Dos puntos se escogen aleatoriamente en el intervalo 0 < de que la suma de sus cuadrados sea menor que 1. 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.32.30. f(t. Determinar la probabilidad Denótense por X Y la¡ va¡iables a¡ociadas con lo¡ puntos dados. La función de deneidad ertá dada por f(r) r_ /r)rl = "Lt . Entonces la probabilidad de pegar en el blanco es Jo I rb t(. la función de densidad estd dada por .31.A\ = 8rA. fz(A) : AaQ-A2').)¿. ¡ < 1.U) Debe anota¡se que no puede deducirse a partir de f(x. Portanto f(r.r'lúttr = Í"' fo" &or : . Íis. = lo'Ar"d. 2-24). Y están dadas respectivamente por (r) f . Si ecta ee remplazarí pu alguna reshicción en y no dependiente de r (como en el Problema 2.2l VARIABLES ALEATORIAS Y DISTRIBUCIONES DE PROBABILIDAD 63 Verificación: fo' . Ít@l = 4r?. que flr. c es r¡na constante y o es el radio del objetivo (véase Fig.(.2-21 Puesto que siempre se hace impacto en el objetivo. Eeto ¡e debe a la restricción 0 < y < ¡. + f t@) Í2fu). fot rrror¿a = fo 4A$-u2lda = | 7 f"'r. y a¡í { Y son dependientes.rrrro. EnlaregiónsombreadadelaFig. tenemos ("fr.[t .21). la¡ funcionee de densidad de X.t L \a/ 2. R es la dista¡rcia del impacto desde el centro del objetivo. y) : 8ry.r) = .(. b(Boz-br¡ =.G't = lI 0<¡<1 | 0 de oEa forma f zfu) : tf f 1 ofY=1 o de otra forma Entonces ya que X. Y son independientes.ls rbF /"\2-1. = t.cAP. Puesto que se supone que intenalc igualec tienen probabüdadee iguales.30. htotdda -- Ío' 2. Hallar la probabilidad de pegar en el blanco. = . Jo L /r)'lo' = \a/ --) r de lo cual c = 312a. que se supone üene radio b.2-23. : T zalo lr-(i) Jl.. Suponer que siempre se hace impacto en el objetivo. Determinar si las variables aleatorias del Problema2. y) puede expresarsecomo una función de r por una función de y.29 son independientes. tal conclusión serfa verdadera- APLICACIONES A LA PROBABILIDAD GEOMETRICA 2.¡ _.

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

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

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

a Fig.:)a.(. La función de distribución de U es = o@./ .Se deduceque . asíque 0 s ¡ < t/2. 2-29. 2-30 )' Sea @ una variable aleaüoria que da el ángulo agudo entre la aguja (o su prolongación) y la línea. t".0 la región de integración ge muestra sombreada en la Fig. + !o'i..ü d.r\. Un piso tiene líneas paralelas a distancias iguales I entre sí..36."\ ) aa a partir de La cual se obtiene la función de densidad marginal de U.X)* por la hipérbola a Q.u) s(u = 6r\". Hallar la probabilidad de que la aguja intersecte una línea.cAP.2l VARIABLES ALEATORIAS Y DISTR.f_: t f"-. )0.2-29.t-zl | _u-r Por.(. También @ puede tomar cualquier valor entre 0 y ¡l2.anto la función de densidad conjunta de U..'.Denotamos porry0cualquiervalordeterminadodeXy@. Sea X una variable aleatoria que da la distancia del punto medio de ta aguja a la línea más cercana (Fig. s(u) Método 2.eibniz.. Una aguja de longitud a1l cae aleatoriamente al piso.ú J _* = J_-. 2-30 2.. V es | .IBUCIONES DE PROBABILIDAD arl ú . cuando la región de integración está ümitada El mismo resultado se obtiene para u ( trazos en laFig. 2-29 Fig.r du ft t / G(u) = lf ¡gSu Pa¡a u =. obtenerños g(u) : f: (+) . (Este problema es conocido como el problema de la aguia de Buffon).SeobservaqueXpuedetcmarcualquiervalorentreOyll2.u.r\. Observamos que G(u) = .y\<t1¡)ar Derivando con respecto a u utilizando la regla de l.y¡aylar * [o'll:-' r(r..1)* = Í:"ár('.la" | J _ l^ tdfr árt l# #l I o 1 | | lo-t -u...

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

2. (ó) P(1 < X < 2). (D) Problema 2. = 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.46. Una variable aleatoria X tiene función de deneidad f(n) = | "r' 1 "r L0 L< aé2 21r13 de otra forma .89. Una variable aleatoria X tiene función de den¡idad l(x) Ilallar (o ) = 1o = (ce-g" c)0 rso (d) P(X < 1). La función de probabilidad de una variable aleatoria X ee muestra en la Tabla 2-7. La Tabla 2-8 muestra la función de distribución de la variable aleatoria X.44.41.1 y 2.2l VARIABLES ALEATORTAS Y DTSTR. (D) P(l < X g). Una urna tiene 5 bolas blancas y 3 neg¡a¡. (b) Problema 2.cAP. (r) P(. 2. Resolver el Problema 2. (c) Problema 2. la con¡tante c. 2.E¡ suplernenta. (c) P(X >21.4O.47. Sea X la yariable ale¿üoria que representa el número de ases extrafdos aleatoriamente en 4 ca¡tas de una baraja de 62 cart¡¡. describiendo la relación entre ella¡.39 si s€ extraen las bolas c. (dl P(X < 3).on remplazamiento. Una moneda ¡e lanza tres vece& Si X es l¡ variable aleatoria que indica el número de caras que rerultan. Si se extraen doe bolas aleatoriamente sin remplazamienüo y X denoüa el número de bola¡ blancas. 2. Obtener la función de distribución y su gráfica para el (c) Problema 2.41.38. (o) hallar la di¡tribución de probabilidad para X V (b) repreeentar gráficamente la distribución.4L. Hallar la di¡hibución de probabilidad de Z. Rnpre*ntar gráfrcamenüe las funciones de densidad y digtribución. repreeenüar gráficamente la di¡tribución.38. probabilidad. 2.42.39. 2. (o) Conetrui¡ una tabla que indique l¿ función de dietribución de X y (b) representar gr6ficarnente e¡ta función de distribución. Obtener l¡ función de dishibución y su gráfica para el (o) Problema 2. (¿) P(X > r. Hallar la función 2.48. 2.2.46.IBUCIONES DE PROBABILIDAI) 69 Problenra. de digtribución para la variable aleatoria del Problema 2.42.47. Comparar los re¡ultados con los Ejemplos 2.40.19.rlo s VARIABLES ALEATOBIAS Y DISTRIBUCIONES DE PROBABILIDAD DISCBETAS 2. (a) construi¡ una tabla que muestre la distribuci6n de probabilidad de X V (b) representar gráfrcamente la di¡tribución. 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. (a) Construir una üabla que muestre la distribución de probabilidad de X V (ü) FUNCIONES DE DISTBIBUCION DISCBETA 2. s).18.

DISTRIBUCIONES CONJUNTAS Y VARIABLES INDEPENDIENTES 2. Y = 2).60.!: L. (d) la función de dietribución.64.54. 2.(c)P(|<X<*).3. X. (c) P(I<X< 2.49. (g) P(Y = 3). pendientes.63. X dada Y. Sean 2. Y son independientes solo si poro todos los uolo¡es de x. Halla¡ la función de probabilidad condicional (o) de Problema 2.Y>+). (d\ P(X > 21. De'rerminar ¡i X Y son independientes. ¿Puede ser la función (c(I-12) F(r\ = 1o una función de dishibución? Explicar.(d)P(Y<{). 2.Y = 3). Halla¡ la función de distribución para la variable aleatoria X del Problema 2. (e)siX Ysoninde 2. (b) P\X'> PROBABILIDAD [CAP. (b) P(X=2. f(r) = 1o 0=rÉ2 deotraforma Hallar (a) el valor de la constante c. La función de probabiüdad conjunta de dos va¡iablee aleatorias discretae )d Y eet6 dada por f(x.67. 2.2.52.ñ. (e\ P\Y < 2).57. cerode otra forma.ót.54. 2 2). (c) P(X > 1).2.(b)P(X<+.56. 0< gr< 1 f(r'u) = 1o deotraforma Determina¡(o)laconstantec.69.56. (d) P(l<X<2). marginal (a) de X. La función de distribución de una va¡iable aleatoria X está dada por 2. y): cxy parar: L. Demostrar que las variablec aleatoúas di¡ctetas X. 0= ¡=1 deotraforma 2. (b) P(1-12< X <312). 2.70 VARTABLES ALEATORIAS Y DISTRIBUCIONES DE Hallar (a) la constante c. Y variables aleatorias continuae que tienen función de densidad conjunta (c(r2*a2) 0Ér< 1. DISTR¡BUCIONES CONDTCIONALES Y FUNCIONES DE DENSIDAD 2.56 para el caso donde las variables son continuas. (D) de Y dada X para la distribución del . Halla¡ las funciones de distribución 2. Hallar (o)laconstante c. (b) de Y para la función de dencidad del Problema 2. (cl P(llz < X < 3/2). y su función de probabilidad conjunta puede expresarse por el producto de rfna función en ¡ y una función en v. Hallar las funcionee de probabiüdad marginal de (c) X V (b) (c ) y para las va¡iables aleatorias del Problema 2. SiP(X:3):0hallar(o)laconstantec. Sea X una variable aleatoria que tiene una función de densidad (r.ó8. E)emo¡trar el resultado del Problema 2. (c) P(X>l). (b)lafuncióndedensidad.3. (fl P(X = r).

66. Hallar la función de densidad condicional de (c) Xdada Y.. (b ) Iluatrar el re¡ultado en la parte (a) erco$endo f(rl = i: l0 y verificar la solución.ú = { 0 J^ ^¿_. n)0 = to r=o Y: X2.at = 1. Si X tiene función de densidad f(r) Hallar la función de den¡idad de l"-. (D) Y CAITIBIO DE VARIABLES 2.57 .71.@) < 0. 2.rl:j"<s<L Hallar la funcióa de den¡id¡d ondicional de (a) X dada Y.64.69. u >0 n1O 2.66.paraloscaso¡ (al g. DemostrarelTeorema 2-3. 2. -. -a <a < . de otra forma [^ la función de ilen¡idad conjunüa de X. (c) r¿.67. (o ) Si la función de den¡idad de X es f(r ) hallar la función de densidad de X3 . (ü) *. si f(r. Y. < 5 < @.63.(¿) S 0.página46. (bl Xs + 1. (*e-2. hall¡rladensidadde Y = tan-rX.*. . hal|arlafuncióndedén¡idad deY=*.cAP.6!. Siladen¡idaddeXes f(r)=U"(r2 *1).72. 2. 2.2I y verificar su reapuesta. l.p6gna 46.(ulZ 0. 2. 2.62.6t.2. SiXüienefuncióndedenaidad f(r):(2v)-r/2"-érz. Demo¡tra¡ el Teorema 2-2. y>0 f@. 2. 2.2L e¿ igual a 1. Hall¡¡ la densidad condicional de (c) X dada Y. 2. Veúfic¿r que la integral de gr(?r) en el método 1 del Problema 2..2l VARIABLES ALEATORIAS Y DTSTRIBUCIONES DE PROBABTLIDAD 77 2. Sea la den¡idad de X Í@l = Halla¡ l¡ densidad de (¿) 3X (l/2 to -l<r(l deotraforma . (e-(r+u) x>0. (ü) Y dada X. para la digtribución del Problema 2. Sea dada X.7O. (b) Y dada X. Completar la labor necesa¡ia para hallar gt(u) en el método 2 del Problema2.

y tienen función de den¡idad onjunta f(r'u) = y tJ (e-(t+vt r>0. V = X I Y. 2. (bl V = XzY. Sean función de densidad de X. 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.76. Sean X. ofrf 1. Si. y:8 ¡enO demoeEarqne la -@ I e¡ ob\=i ¡r"-tz/2 r=0 r'(0 l0 2. 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. f. osv51 to deotraform¡ la función de densidad conjunta de Y.).R y @¡ott tt. para hallar la función de den¡idad de U = X + Z.t1.21 primero efectuando la Ea¡rdormacií¡ 2Y 2.79. Y variables aleatorias que tienen función de den¡idad conjunüa Í@.75.emosha¡que (a) lt*(fz*fs)=ft*fz*ft*fs' (b)/rt'(lz+fs) =(/rof)*fs' = Z y lttryo utiliz¿ndo convolucione¡ 2. Hallar la función de dengidad de Z = XY. Si X. 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. Emplear el Problema 2. 2.r""""va¡iablesaleatoria¡taleequeX:R co¡O. l¡ función de den¡idad conjunta h¡lloda en el hoblema 2.22 pare.8O.halla¡ la función de den¡id¡d de (a) U : XYz. APLICACIONES A LA PROBABILTDAD GEOMETRICA 2.t2. Sean X. < U < @. Doc puntor ¡e seleccion¡n aleatoriamente ¡obre un segmento de lfnea cuya longitud a o ) 0. hallar la fi¡nción de den¡idad conjunta de U y V. 2.a) = (2r\-rs-(r2+Yt).2 2.72 VABIABLES ALEATORIAS Y DISTRIBUCIONES DE PROBABTLIDAD Verifica¡ por medio de integración directa [cAP.76. CONVOLUCIONES 2. Re¡olver el Problema 2. 2. Sea l(n'u) = ){ (1.22.74.8E.7t.77. -e 16 1o. . yz0 deotraforma {o = X/Y. 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.

Dos segmentoe de línea. X. Supóngaee que 2. F(rl = 1"0_"_.t9.cAP. M..t7. y la¡ 3:80 P. (e) H¡tlarP(X > 3). Supóngase que f(r) : cl3t.(d)HallarP(X> 1). (e) HallarP(2 s X< 3). (c) Repreeentar gráficamente la función de probabilidad y la función de distribución. 2.GlP(x+r>1). En el Problema 2.¡¡ue. e¡ la función deprobabilidadparaunav¡¡iablcdeaüoriaX (o) Determinar c.S Y DISTBIBUCIONES DE PROBABILIDAI) 73 2. 8i no lo toma.9L ¿cuil ea la relación en'tre la¡ rcluciones (c). 2.1.9O. es la función de densidad para una variable aleatoria 2.u r€. 2. La función de probabilidad de una variable aleatoria X está dada por f(r) dondep es una constante. M. 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 . (c) Representar gráficamente la función de den¡idad y la función dedistribución. Halla¡ (o)P(0 < X< 3).Y=ll.86. f(r) = ( cre-22 r >.. P(l<x<2. deotraforma Hallar la función de densidad de la va¡iable aleatoria Y: X2 y verificar ¡u ¡olución. 2. (a) Demostrar que para una constante c apropiada. .DoopuntosPyQ se escogen aleatoriamente sobre AB y CD reepectivamente. (o) Deüerminar a (b) Hallar la función de di¡tribución. tomará el metro. < X < 2). P(r=1). (b) Hallar la función de distribución. ' PROBLEMAS DIVERSOS 2. (d) Hallar P(2 = X ( 5). .E4. r :1.0 {o deotraforma X. 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. (d) P(l <x<21.t6. 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.ln 2)lZ.91. t)o es la (0 rS0 (b ) Determinar P(1 función de distribución para una variable aleatoria X.. Un¡ pcr-na decide 6 minuto¡. (d) y (e)? Jurtifrc¡¡ . Dos variables aleatorias independientee. Una va¡iable aleatoria X tiene función de densidad l$tr-¡z) o<¡51 f(xl = t. (b)P(X> 1). ¿Cuál es la probabiüdad de que tome el meüro? Se sabe 2. 2.E8.t¡.. encontrar c.2l VARIABLES ALEATORIA.92. AB yCD tienen longitude¡ de 8 y 6unidadesrelpect¡vamente.

79 a tres o má¡ va¡iables.0<U<t de otra forma P(X + (a) Determinar ai Y> rl2r. 2. Generalizar (o) et hoblemz 2. Sean X. y > 1).96. ¿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.. (b) Hallar p(X>tlz).93.93 ee cumple que P(X > +.2.98. y < g) = p(X > p(y < +. + y. u=0.74 VARIABLES ALEATORIA"S Y DISTRIBUCIONES DE PROBABILIDAD sean lcAP.(b)P(X>Ll2.103. * Y es ) 0. 2. o<Y <2 | c(2r+Y) o(¿(r' o de otra forma I (marginat)deX. 2. (b) ttallarP(l S X< 3. nal de X y f.1ü1. (d) Harlar P(Ll2 2. Hall¡r ta función de densidad de Z .L se rompe en dos parües. t2<X< l)..1. 2..Y<312). La función de probabiüdad conjunta para las va¡iable¡ X. (d) Hallar 2.L.(c)lafuncióndedensidad 2.2. /(z) = 2.s7.78 y (b) el Problema 2.X2 + Y2.).101. Y son independientes.102. x. Demo¡trar que la función de den¡idad de X s(u) I @# u=0. (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 2.96.91 halla¡ la funciónde den¡id¿d de (o) X2. Y está.( tt ( -. En el Problema 2.y>1). 2..99.(u) = ¡1e:r donde l. -.y> 1/B). .94.ur = {"-'o |. Estudia¡ ¡i considerra que eltar oupoeiciones Bon realistas y cómo podrÍa mejorarlas si no lo son. Y está dada por I r/9 r/6 r(r.a) = de deruidad (marginal) de Y. 0 os¡=2'o<Y=' de otra forma 2 (o) Determinar ei X.. ¿por qué? +l En el Problema 2. ¿Cull er el análogo del teorema de la convolución para variables aleatorias di¡creta¡? Ilustrarlo usando el hoblema 2. (D) Hallarp(1 <x<1. Supóngase que la función de probabilidad conjunta de las va¡iables aleatoria¡ X.2 2. (c) Dererminar si X y Yron independienter. dada en la Tabla 2-9.. Y variables aleatoria¡ independientes cada una con función de densidad .(d)lafunción Hallar(o)laconstantec. (c) HallarP(Y = r). f tienen función de den¡idad conjunta f (r' u) = t o llla 0(¡(U. (b) X Si -X.101. (c) Iüllar p(x<rlz. X Y va¡iable¡ aleatoria¡ que tienen función de den¡idad conjunta f(r. Un¡ estaca de longitud . Sean -(_ Y vari¡ble¡ aleatori¿¡ independiente¡ di¡tribuidae idénticamente y con función de densidad (2v)-r/2¿-úr2. Y son independientes.

Supóngase que la¡ variable¡ aleatoria¡ X Y. - 2. 0< y1l. c Fis. 2.106. Un haz cilínüico de partícula. r *"loq.a. (¿) 2.¿. es decir ¡ur factores funci6n de densidad marginal. P(Z<X+Y).cAP. Ilallar (o) P(X > Y< +r.s de radio q e dirige haci¡ un obietivo hemi¡férico ABC co¡ centro en O como ¡e indica en la Fig. Z tienen función de den¡id¡d conjunüa r(r. Z> $). función de den¡ided conjuata de tres variable¡ aleatoriea X.109.z) Demo¡ka¡ que au¡que = ito-""trtcosracos¡rz :.ede O a cualquier punto P del objetivo) forma con el eje.2-32 2.ri"r" dos de esta¡ va¡iables aleatoria¡ eon independientee. 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. . 2-32. Si es l¿ f (r'a' z) = ( 1 rv2zs 01r11.J'v 1r' o1z..'"L'. er igral a o(4t o\ltf . Demorbar que la probabilidad de que l¡ atuja intersecte al meno¡ un liado.IBUCIONES DE PROBABILIDAI) 76 2. Y. Un piso ertá con¡huido de cuadrado¡ de l¡do L Una aguia de lon¡itud o1l a lanza al piro. En el Problema 2.1O7. la! b€s no son independientes.10t. 2.107 halla¡ la probabiüdad de gue una ¡rarüfcula pegue 8l objetivo entre A = O y0 : Í14. 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. Pa¡a una aguja de longitud dada ¿cull debe ¡er el t¡do del cuadrado en el Problena 2.2l VARIABLES ALEATORIAS Y DIÉ¡IT. Z.1O4 para que la probabilidad de intersección ¡ea mádma? Erpücar ru rcluci6n. 0121L o de oha form¡ 1.1O5.1O4.

g40 si obtiene 4.f(r.. 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).. . Para una variable aleatoria discreta X que puede tener los valores xr.r(t) .. Otras medidas se consideran en la página 84.'. Así el valor eeperado o eaperanze el E(n =. tenemos de (2) E(X\ = (e) que se llama la media aritmética o simplemente la rnedia de se ... La función de probabilidad para X se indica en la Tbbla 3-1. pierde $30 gi obtiene 6. en tanüo que ni pierde ni gana si obüiene otro resultado.Un concepto muy importante en probabilidad y estadística es el de la esperanza matemóüca. wlor esperado o brevemente esperanza de una variable aleatoria. Hallarl¡a suma esperada de dinero Sea X la variable aleato¡ia que representa la canüidad de dinero ganada en cualquier lanzamiento. . x2.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.. ganado. .. = f:.)(á) *r-'or(l) = 76 b . .(. Para el caso especial tt*Iz+ "'+I" 11 (z) donde la última suma se toma sobre todos los valores up-=or"Oo.. . xn .... ..(. . ütf(el\ E(n = + '. f(xc). Supónga¡e un juego con un dado.) = Zrf(r) r. + r^f(x^) : Lr.1. En ede juego el jugador ga¡ra g20 si obtiene 2. .2.2¡.)(:) ..(á) +(r0)(:) .. . . o simplemente se La media o esperanza de X da un valor típico o promedio de los valores de X y por esta razón le llama medída de centralización. por lrx. si P(X (I) = x¡\: f(x)..Capítulo 3 Esperonzo motemóticq DEFINICION DE LA ESPERANZA MATEMATICA . f(xz).Í6respectivamenteconprobabilidadea f(r1 ).. .6sonxr. r^ la esperanza de X se define como E(X) = xrP(X=rr)+. de cuando las probabilidades son iguales. Las posibles cantidade¡dedineroganadocuandoeldadoresultaL.+ rnp(X=r^\ = ix¡p(X=ri¡ o igualmente. EJEMPLO 3.

Y son variables aleatorias independientes.. entonces - E(X+ y) = E(x) + E(y) entonces (e) Teorema Si X. Se deduce que el jugador puede esperar una ganancia de $5. .2.f"_rt" -2x'¡f@)dx . 0<r12 de otra forma E(xt = Í:_.) = ) i 2.oO¡f@)dr Generalizaciones a funciones de dos ejemplo si entonces la esperanza de g(X. Si P(Y=v¡: X es una variable aleatoria discreta con función de probabilidad /(¡). Por tanto en un juego honrado es de eeperarse pagar $5 EJEMPLO 3.3l 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.ables X.3.'.y) r)r d. y\. entonces E(cX) Teorema Si (s) X. = Ío'tro.fo" . entonces (6) Elsul = f. Y son dos variables aleatorias continuas con función de densidad conjunta f(r. E6n : E(X) E(Y) (10) Generalizaciones de estos teoremas se hacen fácilmente.Jf*f g@.. La función de densidad de una variable aleatoria X está dada por f@l = El varor esperado de X es f*u 1..con función de densidad f(r). Y son variables aleatorias.Y)l EJEMPLO " = ¿-.¡0. Els(X. Y) se obtiene por aleatorias se hacen fácilmente.rrr-z. Si X es la va¡iable aleatoria del Ejemplo 3.) /(". .Entonces Y FTJNCIONES DE VARIABLES ALEATORIAS Sea X una variable : g(X\ también (¡ | s(¡)==y) es una variable aleatoria y se deduce :* 1. entonces E[s(x)] : g(n)f(r) + s(rz)Í(r"\ +'.(i.=+ aleatoria. + g(x")f(n"\ (5) = É' s(r.l(ir) a' = * : cE(X) ALGUNOS TEOREMAS SOBRE ESPERANZA Teorema 3-I: 3-2: 3-3: Si c es cualquier constante.r(r)dr = Í. Así por " -Ur.y \7) 3. E'ex2_ zx) .cAP.. Si s(r) /(¡) X es una variable aleatoria.2.= *|.a) f(r.

¡ media 6 p = E(X) = 4/3. Si los valores tienden a concentra¡se alrededor de la medi4 la varianza es pegueña. = J-. ("-i) l.t)rl = Í__ O - ¡.NOS TEUREMAS SOBRE VARIANZA Teorema 3-4: é: donde p = E(X\..2 l. De acuerdo con el Ejemplo 3.2. Hallar la varianza y la desviación tfpica de l¡ va¡iable aleatoria del Ejemplo 3. tenemos ¿ = l(u-p)r+(rr-p).3 TI|' VARIANZAY I. anotamos que la esperanza de una va¡iable aleatoria X frecuenüemente se le llama la.. es decir cm.4..p)rf(xtl = X (rEn el caso especial de (13) (I3) dondelas probabilidades son toda¡ iguales. La situación se representa gráfrcamente en la Fig..p)r) = 2 @. plrf(a) ee\ Donde no exista lugar a confusión. 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. para el caso de dos distribuciones continuas con la misma .+ (a"-plzlln que eslavarianzade turconjunto dez númerosf¡ ¡ .'¡* = . ¡.("-á) rota" = J. V la varianza por o2.78 ESPERANZA MATEMATICA lcAP.. la varianza es grande. entonces la varianza "? = EÍi/.. . entonces la varianza de X tiene unidades cm2 en tanto que la desviación típica tiene las mismas unidades que X. Es por esta rcz6n que con frecuencia se utiliza la desviación típica. Entoncec l¡ varianza re encuenha por 02 = r/ t\21 tl("-n/l es / ¡\2 (z/ 2 ¿\r/f \ . Fis.¡. EÍ(X -p)'l = E(Pl - p2 = E(X') . en tanto que si los valores tienden a distribuirse lejos de la media.l0(Xll (161 . &1. +.tr71x-¡l f(*). la desviación típica se denota por o en cnmbio de o*..)2 f(n) ita (151 I-a.media y se le denota por t. Si es una va¡iable aleatoria discreta con función de probabilidad entonces la varianza es a'l = E[(X. x^Si (1t) es X es una va¡iable ale¿toria continua con función de densidad f(r).A DESVIACION TIPICA Anteriormente e_n la página ?6.- y la desviación tfpica "=\F=+ Obsérvese que si X tiene ciertas dimensiones o unüadeq por ejemplo entímetros (cm). 3-r EJEMPLO ' 3. ALGI. varianza (o la desviación típica) es una medida de la díspersión o wriaeión de los valotes de la variable aleatoúa alrededor de ¡r. A la raíz cuadrada posiüva se le llama ladesviación típica y por úx = t/@ X = .

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

'NCION GENERATRIZ DE MOMENTOS (27) - 'i|¡'a I-a.r. 2p" 6¡Ir¡12 tt. IUI y (t\ idénticamente. ¡ri es la r-ésima derivada de M * (ú) evaluada en ü : 0.#l+ "' * r:#+''' ¡"i (r 1) Puesto que los coeficientes en esta expansión nos permiten hallar los momentos.16(D)l = fi*"Oll. utilizando pl = p ygb:1. la justificación del nombre función generatriz de momentos es lógica. entonces M**"(t) = Mx(t)MtQ) (3 /r) Generalizaciones del Teorema 3-9 a más de dos variables aleatorias independientes se hacen fácilmente. AIfUNOS TEOREMAS Teorema SOBRE LA FUNCION GENER ATR. FUNCIONES CARACTERISTICAS Si remplazamos ú : i<. f M " son variables aleatorias con funciones generahices de rnomentos M y "(t) (t) respectivamente. (t) respectivamente. la función generatnz de la suma de va¡iables aleatorias independientes es igual al producto de sus funciones generatrices de momentos.4pip I FI.-" (32) es decir.t"2 lrt = t"L-Bp'rtr * l"t : t't.80 ESPERANZA MATEMATICA lcAP. Donde no exista lugar a confusión escribimos M(ü) por M"(tl. Y tienen la misma distribución de probabilidad solo si M. donde i es la unidad imaginaria en la función generatriz de momentos obtenemos una función importante llamada lafunción característíca. erf(r\ dr (r) (variables continuas) Podemos demogtra¡ que la expansión en serie de Taylor es [Problema 3. La denotamos por .función generatríz de momentos se define como Mx$) ee decir = E(e'*) er"f (28) (variables discretas) (2el (30) M*(t) = M"(t) ¡ . De la expansión podemos demostrar que [Problema 3.15 (c)] M*(t') : I + tLt * r..3 Como casos especiales tenemos.=t eo'f(r¡) = 2 ) _.r(t\ Teorema = """'**(l) (33\ 3-9: Si X. Yson variables aleatorias con funciones generatrices de momentos M * (t) y M . Entonces X. (r) . En palabras.. = l"L. Teorcma 3-I0 (Teorerna de la unicidad): Supóngase queX. entonces la función generatriz de momentos de (X + a)/b es + Mr*ro.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.

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

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

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

En el caso de una üstribución discreta puede no existir una mediana única (véase Problema 3. Por ejemplo. Teorema es una consecuencia interesante de 3. 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. : Xt* Xz+ . y. Sean X. Un resultado más fuerte. 2. . llamado la ley de los grandes números. se implica la ley débil. . En tal valor r. el resultado del Teorema 3-19 se llama ley de los gundes números en forma débil. Xn. cada una con media g y varianza o2 finitas.25 6 P(lx-pl<2"\ > 0. Cuando se hace referencia a la "ley de los grandes números" sin ninguna especifrcación..19 (LeV de los gnndes números): Entoncessi S. Si h : 2 en la desigualdad de Chebyshev (59 ) vemoo que P(X-pl>2s) í= 0. tiende a cero : g. Así por ejemplo el área a la izquierda de la ordenada eD f. f(r) es máúma. Los valores que corresponden a tales áreas se llaman uolorcs percentila o simplemente percentíhs. Xz. Algunas veces tenemos dos. ./n difiera de su valor esperado ¡¡ por más de e.pero cuando n '+ @..25.3 3.34). ..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. trimodal o multimodcl respectivamente.84 EJEMPLO ESPERANZA MATEMATICA lcAP.\. . el ánea a la izquierda de r. Con li31 frecuencia este resultado se denomtna ley de los grandes números en forma fuerte. .. lim + X" (n=L..75.3-2 . la probabilidad de que X diflera de su media en más de 2 desüaciones típica8 €8 menor que o iEral a 0. equivalente.10 6lO% y se Fig. este teorema establece que la probabilidad de que la media aritmética S. La moda es el valor que con mayor frecuencia ocurtre. que esperamos sea verdadero. 3-2 es c. Aunque la ntedia es la más empleada. en contraste. la desigualdad de Chebyshev.75 Literalmente. o en otras palabras.2. Mediana La mediana es el valor de r para el cual P(X = x): P(X.q en la Fig. . la probabilidad de que X se encuentre dentro de 2 dewiaciones típicas de su media es rnayor que o igual a 0. 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.. 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. Moda. Estas son lamoda y lamediana.ro sería 0. variables aleatorias mutuamente independientes (discretas o continuas). r): 1l2.) Sn/n (60') Puesto que Sn/n es la media a¡itmética de X1 .. también se emplean otras dos medidas de centralizaciiln. tiene la mayor probabilidad de ocurrir. =o "( *-" =.6. 1. tres o más valores que tienen relativamente grandes probabilidades de octrrrencia. En tales casos decimos que la distribución es bímodal. es que p con probabilidad uno. realmente es falso.

11 : (62) SESGO Y CURTOSIS 1. Una de las medidas es 'il "ü"é D[(x . Con frecuencia una distribución no es simétrica con respecto a un máximo sino que üene una "cola" más Iarga que la otra.p)3] ps (63) que es una cantidad adimensional. La mediana sería la quincuagésima percentila (o quinta decila'¡. Lógicamente. mientras que si la cola más larga se extiende a la izquierda.) de una va¡iable aleatoria de lX. Para una o.M. Recorrido semi-intercuartílico.r5 y x. 3-5. 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. Algunas de las más comunes son las siguientes. 3.tlf(r.zs) es el reconído semi-intercuartílico.ts . 3-3.O .r. 2. esta medida no tiene sentido si alguno de los valores extremos es infinito. El recorrido es la diferencia entre los valores más grande y más pequeño de una distribución.plf(r) (variablesdiscretas) = DllX-¡. esperanza Desviación media La desuiación media (D.ts . Medidas del grado de apuntamiento de una distribución se llaman coeficientes de curtosis o simplemente curüosis. M. 3-3 F'ig. como en la Fig. Las medidas que describen esta simetría se denominan los coeficientes de sesgo o sencillamente sesgo.3l ESPERANZA MATEMATICA 85 llamaría la décima percentila (o la primua decilal. hay diferentes medidas de dispersión o variación respecto de estas medidas centrales además de la varianza o desviación típica. OTRAS MEDIDAS DE DISPERSION Así como hay varias medidas de centralización además de la media. Una medida empleada frecuentemente está dada por "4 :-_-----i--: E[(x. Fig. Sesgo. 1. 3-4. Si la cola más larga se extiende a la derecha. se dice que eslásesgada a la izquierda.(X) X se define como la (6f ) ) lr. o negativa si la distribución está distribución simétrica o¡ : 0. La medida es positiva sesgada a la derecha o a la izquierda respectivamente. 3-5. como en la Fig.(X) D. Cu¡tosis.É.1. Recorrido. es decir D. Si r.. M.l dr (variablescontinuas) : EllX -¡. En otros casos la distribución puede ser relativamente plana como en la cun¡a a trazos de la Fig.x. 3-{ Fis. 3-5 2.25 se Ilama el recorridó intercuartiticoy Il2 (x. se dice que la distribución está sesgada a la derechc.ll : f_.p)n] o* p+ o4 (64) .cAP.r representan los valores de la vigésima quinta y la septuagásima quinta percentila la diferencitrc.

002.00 ó 6 pesos.9?75) : 6.. Comúnmente se compara con la curya nonnal (véase Capítulo 4)..3. Sin embargo una lotería gana dinero.002 3000 0.977t D(x): (150) (0.3 que es una cantidad adimensional. El precio justo a pagar por un boleto es 6 peeoo. Tenemog E(x) Entonces. |s = i . s = .(+). Es posible definir coeficientes de sesgo y curtosis utilizando otras medidas de centralización y dispersión.) E(xt = Para halla¡ esta suma.02) + 750 (0. que tiene un coeficiente de curtosis igual a 3.'(#). ¿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:.1.o\El = t7 \o. = 1 PorüantoS:2.86 ESPERANZA MATEMATICA lcAP.'(*) .s resueltos ESPERANZA DE VARIABLES ALEATORIAS 3.(*) .z. Véase también Problema 3. pero los definidos anteriormente se emplean con mucha frecuencia.. Sean X. Hallar la esperanza de una variable dada por aleatoria discreta X cuya función de probabilidad está Itrl Tenemos : (i)' (t=r./ 'l*)* 7 E(X+Y) = E(X\*E(Y) = 3.0005) + (0) (0. Entoncee Restando. La esperanz¿ de X en pesos es r (pesos) 150 0.(i). - E(Y) ^/t\ = tll) * \o/ "' . por el Teorema 3-2.(i)" = +..ero que se ganará un boleto.. hágase á. Problerna.2.os diferentes valores de X conjuntamente con sue probabilidades se muestran en la Tabla 3-2.41..s. 3.0005 0 P(X : r\ 0.'(+). Por ejemplo la probabilidad de obtener uno de los 20 boletos que dan un premio de $ 750 es 20/10 000:0...002) + 3000 (0.02 750 0.'(*). Y los puntos que aparecen sobre los dos dados. 20 premios de $750 y 5 premios de $3000 Suponer que se colocan a la venta 10 000 boletos. En una lotería hay 200 premios de $150. el precio del boleto sería más alto.. . Hallar la esperanza de la suma de puntos al lanza¡ un par de dados honrados. [.. js = !+ | + á + # +.

Y. .a\ dr da = E(xyt Í. Entonces E(x+y) = ))t"*úf(r. o.o=o Halla¡(a) E(X). considerada discreüa.(ffi)a.údrda = Í. Puesto que Y eon independientes. Í:=. Y son independientes o no. = 1 .n=o l"'=.a) = ¿+"'o'Y) + ) 2Yf. @ú r(x.l@ ar = z fo* xze-z.y) dr dy = Í.=. tenemos utilizando partes (o) y (b) = E(x) E(y) = (*X+) = # = r(.a) = (a) E(xt : Í:" Í:r f(r. = + (c) E(xy) : !:" Í:. (b) E(Y).-'a) E(Y) = E(X) + Si cualquier variable ee continua. 1 E(x2) = !l* x.)-' r(#) = + (d) Por los Teoremas 3-1 y 3-2.r. pág¡na?7.cAP. o. = 3 : Í:. La función de densidad conjunta de dos variables aleatorias f(r. = .o. = # (D) E(yt (d) (c) E(zx +Br) { .5.rl _'/ _ / '-z'\-'tl' = .t(g=\ll' : . f(r\ = {"-* lO o>0 r-=0 (¿) (ó) E(x): íl-rrrr.y f(r."-r. Demostra¡el Teorema X2.rr /'-z'\ .!:" f-er+Byv(r. Y estádada por 3.e" *ta(#) dr ds = ! OEo método. conjuntamente con (o) y (b) E(zx+sy) = z^(x) + BE(y) 3. Sea f(r. = zf-. dv = Í"'=. = fo. la demo¡t¡ación se de¡arrolla de igual manera. arl(ffi) a. EsPERANZAMATEMATTcA Una variable aleatoria continuaX tiene densidad de probabilidad dada por Hallar (a) E(X).v) dx lra/96 o<r14'LcY15 de otra forma io l. página Z?.fL.).6.4. \ ":1"\ (1)\=4 /_jl. . (b\ E(X. . \-T) X.3l 3. .fL. .e"-"\a. @n las sumar apropiadae remplazadas por integraciones: Obsérvese que el Teorema se cumple ¡i X.a. (d) E(zx +By).a..rrr(g-"\ e")\-) + tzt\ -a /Jl.'=" f:=.Í:. (c) E(XY). y) la función de probabilidad conjunta de X.(#)0.

VARIAT'IZA Y DESVIACION TIPICA 3. Por tanto Y. por el Teorema 3-4. var(X) (D) 3. Y ron independientee.. = Var(Y) = +-(. tenemos E(X): E(Y)= 7 12.u) = ) ) . página 77. / .8.7 Y) = Var (X) (Y) = F (b) ox+).(+)-Fr. y) la función de probabilidad coniunta de X. o. por el Teorema 3. = Wa"(X+Y) = 1/g v6 3.4.p\zt = '[(* -])'] = l:_ (" _'L)' t*.'/'Q)2afztu) .*(á) # :%1 Entonces.y f t@) fz(a) )1.7. Obsérvese que la validez de eate teorema gira alrededor de si f(. E(x2) = E(vz¡ ='.r. Sea ¡t(¡.9. ea decir. tenemoe f(x. y) puede expresarae como una función de r multiplicada por una función I. independienteo. Entonce¡ l¡ varianza e¡ Var (X) = Etá . Demoshar el Teorema 3-3. Y rcn E(XY) = 22 Í!J! --t ra f@.88 ESPERANZA MATEMATICA [cA". Por el Teorema 3-4. Si la¡ va¡iablec X.\2 ^a = f-('-L)''"-"0' = i = El(x-r)21 E(xz¡-ll(x))2 = t. p6g¡na 78. Además. con las eumas apropiadae remplazadas por integracioneg. Hallar (¿) la varianz y (b\ la desviación típica para la variable aleatoria del Problema 3.(.(l) var(X) Var (X * ' . y.)'= * Var y. Demostra¡ el Teorema L4. Pa¡a va¡i¡blee dependientec generalmente no ee cumple. con¡iderada di¡creta. puetüo que X.3 3. y): f tG) /2 (y). püa todo ¡.10.)'= i o = tFf-var(x) = \E = t r" : Ot¡o ¡nétodo." (')no(')l E(X) E(Y) Si cualquier va¡iable e¡ continua la demoetración ee desarrolla de igual manera. de ¡i X.2."*' ""'*"' =i'|í'.1/2. Y ¡on independientes. Halla¡ (a) la varianza y (b) la desviación típica de la suma obtenida al lanzar un par de dados honrados.4 l¿ media de X ee ¡t= E(Xl -. (o) Como en el Problema 3. Tenerno¡ E'(x ^"' * u' -'u.:r:¡:* . (o) Del Problema 3.

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

= L+tlt*uL#*ri#*. M(t) = Eletx¡ = f" J eEf(t)dr fo" ""1.. (b) el resultado (g2). Eltt (o) la función genératriz de momentos y (b) lós primeros-cuatro momentos alrededor del origen. Pcto Al comperu Mx(\ tenemog t!:0.rfr.*rá#*u. (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 . Todo¡ los momentos impares 6on cero y los pares Eon uno.e t-oma¡ los valores 1 y . ¡á=0.r|r*frr.) cn(ú - o)" cn = i. Demostra¡ el Teorema B-9.16.._" 3. 8-18.+"-. cualguier función de X y cualquier función de y son independientes. p'+=L....(..(á) = |G. g s. Apéndice A) tenemoe Mxe) = E(etx¡ = n(t+tX-t2x2. (o) Eqetx¡ = . -T! \ 12 rg t + tU(x) + ae(xr) +¡a1xa¡ a ..*#. = L*pt*uLr4.'. !utt" quc X. página g0.1 = .90 EspERANzA MATEMATToA [cAp.*#*..-'.t (D)Tenemor hsonce¡ et = e_t t+r+#..Lf"..I con probabiüdad 1/2 cada uno.16. 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. (o) utlliz¡ndo lrr erpaneión en serie de potencia de eu (8. página g0. For t¡¡to Mx*vQ) = Elet(x+Yr) = E(etxetv¡ : E(etx) E(¿tv¡ = MxG) My(t) 8. (r) (zl (I)V e\ = 1_¿+ r+_#*fr_ .. = 2 fo'e<t-z>'d.ú3x3.r ze<t-Dt : -T=Tlol@ = z li't<2 z-t.-"'ro.2'.*"-. Y ron independiehtee.) * ... = . La variable aleatoria X pugd.. ffirol.. 'r"') \ . Demoshar (o) el resultado (Br ).17.* pL=1.

r)\B/ -t\Ei _ ^. = E(X) =#Í""*z¡s-¡z)itr =f pL tt = Elxz¡ = # 1"" *rn - s2) d./ \ -/ = cosa coso empleando las fórmulas de Euler ¿io con 0 * isena s-io = cos.\. Jo "ot. 3] (b) S¡ lúl ESPERANZA MATEMATICA 91 ( 2 üenemo¡ z_t z L_tlZ 1 I = '..i¡en.'NCIONES CARACTERISTICAS 3.'''-r2)/8r :"=i. = 27-s\s5./+b(.20. = ..". = 2 ^f FI./!\'_ ." = B t./!\.. 2 4 8 p'n 16 Pero M(t) = * tt + uí#* rtfr+ tt^fi+ "' = P¡. = l(3.216 -r. = .Lp. tenemos ttl t2 = r-(*)'= # = 02 Fr . /t = \.'. tti = *. para unava¡iable aleatoriaX con función de densidad r(r) (c) = i. El resultado también puede obtenerse del Problema 3. p6gin 80. Por tanto.".17. t = )2.17(o) al remplazar t : i<¿ 3.1!) * r/9)' 85 ".". pi (b 12) dr = -51 ) Utiüzando el resultado (27\.21.r. .216 pi = E(Xr) = . al comparar términos. "\5/ tt4 y..\51 .r.(+) * . (b) alrededor dc la media.cAP. La función característica está dada por Eteiux. 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 .*L*!-L*!*. Halla¡ la función característica de la variable aleatoria X del Problema 3.. '.(l) -.'..19.) = \ -. : c¿.-+e i. Hallar los primeros cuaho'momentos (c) alrededor del origen.8?b B6eg 8?50 ztcy q\. 3.*.

"-*l* = -Alo = I - Entonces c: ol2.23 = Cov(X.pv)] = E[Xy . .24. Por tanto. Demostra¡ el Teorema B-15. 3.o<t> ¿sf . a. Yl = E(XYI -. Por definición la covarianza de X. página 82.E(X)E(ts) = 0 .3 D(etx¡ = f-.LJ_-e(a+t@)ro" q.p*y .donde c ) 0 y c es una constante apropiada.r'. Si X.23.f?o/. + fo* n.o = 8en Cú."r. por tanto por oxy el problema 8.útit¡) l€ lo lo .6-'l "iar¿-.t an + !o' "-"r. l:.pvX.92 ESPERANZA MATEMATICA La función ca¡acterfstica está dada por lcAP.Fxpy .c-atxt d. = *t_""^"0.pyE(X) * E(pxpvl = E(XYI .. = 2a io l-o = | al@t la ela@ .r = "lÍ:.lxtty = E(XY) _ E(X) E(Y) Cov (X.* npv] = E(XY) .. -oo < Í 1 @.f(r)dr tlÍ-"eíore-o<-x. Hallar la función característica de la variable aleatoria X con función de densidaa f@) = ee-atEt.e-ho 2ia.ryttx * pxpv = ElXy).rrrrru.l*-ei. y eon independientes entonces E(Xy) : E(Xl E( y) . e<o+iarz * Jo ¿-<a-. la función ca¡acterística está dada por E(eiax¡ = .pxE(Y) . Y es oxy = Y) = El(X ... página 82.22. arf 2c O + . o" = asf que I .¡xXY .io') = _a2 a2 * o2 COVARIANZA Y COEFICIENIE DE CORREIACION 3. = "{lo 4f-o u-n<-.20) ceñ d = ao._(a_io) ü a L 2(o* io) 2(a. e-(a-i@)¡ 2 a*io l-" ' . 3. Demostüar el Teorema B-14. úu empleando las fórmulas de Euler (véase problema 3. Puesto que f(r) es una función de densidad tenemog Í).

(c) E(XY).o."=.. (e\ E(Y')..26.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. txv o = oxnv -.r".at) = rr..a\l = . (0 p. ..r. dy = %T t 16 ri = ñ)"=. (¿) (b) = ))o/(". Resolver el Problema 3.-.y) = ?rh f(. (d) E(X').. E(Y).= = t/zwan ' 15514. + (0)(1Xc) + (0X2X2c) + (0)(3)(3c) + (1X0)(2c) + (1X1)(3c) + (1)(2Xac) + (1XBX6c) + (2)(0)(ac) + (2X1)(6c) + (2X2X6c) + (2XB)(?c) 427 ld.*..o.lyL47. Y se definen como en el Problema 2.J"-o{o)1"Iuld'rita = I70 6s = tf67580 .n"..at) = 4../zso r/55 -20: = 3. =# =+ = 22u2f(u.=. * (1)z(1ac) E(Y2') lllr"t *l =t . 2.8. Utilizando c : LI 2LO tenemo¡: (¿) (c) E(xt = E(Y\ E(xY) h + s) dr t.or. sl Hdla¡ Cov (X.ú = . [] tA. (s) Var(Y).cAP.O.o1.ur".[) ¡@. Ju=o {rú{rr r sl dr dv = . f"t=u our.(1)(1ac) +(2)(22c\ = 58o = E = n 78c E(Yt = 22af. si las va¡iables X.) (e) E(xz¡:22r2f(r..3..a\ .'.ul = )y.26..ol. lr.alf '* = *. .lrrr"o*. página 52.(1)(9¿)+ (2)(L2cl+(3X15c) = = = 22nufia.. (/) Var(x). (b) t 93 (¿) 3.y) = E(xy)-E(x\E(yt ?-(it)'=:* = +-/+)l+) = --+ r47 7 \21l\7/ -0. Y se definen como en el Problema E(x) (a) E(X'¡.:-* J.2103 apror.25 si las va¡iables aleatorias X.al = )"rl-)ftr. página 50... EsPERANZAMATEMATIcA y). = E= + (c) D(xY.

^:. Esto oru o"oo oo."=. DESIGUALDAD DE CHEBYSHEV 3.zlB del Problema 8. Demostrar la desigualdad de Chebyshev.94 ESPERANZA MATEMATICA fu'=o [cAP. Hallar la esperanza condicional de Y dada X : 2 en el problema 2. . Si f(r) es la función de densidad de X entonces .30. 3 (d) (el u') b) (h') (t oxy =# E(Yz¡ = h f. Hallarlaesperanzacondicionalde(c)YdadaXv(b)XdadaYenelProblema2. X: 2 es E(Y =2) "x = ? r(+) X: donde la suma se toma sobre todo y que corresponde a E(y. .03129 aprox..)\t)* J_- donde hemos utilizado el hecho de que ltz: E(Y lX: r) :2.(#)' = *tq*$ o2. . [.var(X) = E(xz¡-ll(xtl2 = #. f u'. Presentaremoe la demostración para variables aleatorias ecntirruas.=o.\r-.2g. = var (y) = E(vz¡ _ l'(y))2 = t# _ (#)' = t. (o) (ó) E(ylX=r) = Í-_afrtuldau = ír'r(rr")* = + E(xly=y¡ = f_-".g.(#).(iu) = ii 3. VARIANZA Y MOMENTOS CONDICIONALES 3.rrr.2g.28(o).27.29. la función de probabilidad eondicional de Y dada X : 2 es ftutz) = Entonces la esperanza condicional de Y dada + 2. pág¡na 62. pág¡na62. p= oxoy -200l3969 /50s615e6-0 {r6únsn -200 t/zsnr/te zzs = ESPERA}IZA.za condicional de Y dada 2(L-ys¡ 2(l+y*y2) --¡O+7I- x para eI problema 2. La demosbación para variables discretas es semejante si ee remplazan las integralee por sumas.(ui) .x=2) = -.pág1na62.(#). Hallar lavariar¡.rrrr.y) = E(xy)-E(x\E(y) = ?-(?f)(*t) oxy = -# -0.(rlytdr = í"'"(#*S* El=a\ 3.27. * v) dx da = cov(x.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. .# E(xz¡ =h Í.. Como en el hoblema 2. * a) dr tru = # otr .28. página 61.

La desigualdad de Chebyshev P|X-pl > f) resulta P(lX¡r] = 1) < oz = 0.(l*-*l \t o2 =t)/ = 1-(1-e'r) = p2 e-s = 0..ul=') 02 esto se conviertq.). Tenemos E(Xrl = E(X2l = . el valor de la integral solamente puede disminuir cuando el int¿rvalo de integración se reduce.|) ol ¿l \l \ o = J¡ | f :l/2 Ze-udr = 1 - e-3 Portanto (b) Del Problema 3.18. '|.'*"') . = E(X) = p Var(Xr) = Var(X2\ = "' = Var(Xn\ = o2 Entonces t(*) = "(*'*'.. como se pide.04e?e = plr- = 7/4.18.+E(x")l = L(nt) = = Var(Xr)*. ¿lr-al=e Pero Ia frltima integral es igual a P(lX - pl ? .*Var(X. (c) hallar P(lX .¡. página 84.) así que t'" (+) = 4 var (s") = * X: Sr/n üenemos _/ls" | \ donde hemos empleado el Teorema 3-5 y una extensión del Teorema 3-?. (b) Utilizar la desigualdad de Chebyshev para obtener un límite superior de P(lX . .32. LEY DE LOS GRANDES NUMEROS 3. ".'.¡rl > 1). /ts r|. Demostrar la ley de los grandes números establecida en el Teorema 3-19.cAP.18.t+. ¡¡ (o) = 1/2.(-:. DeI Problema 3.3l ESPERANZA MATEMATICA 95 02 = EI(x - p)21 (' = J-* @ - p)2 l(r) dr Puesto que el integrando es no negativo.*X. Para la variable aleatoria del Problema 3. Así por la desigualdad de Chebyshev con Tomando el límite cuando n ) -.t <1) = "(l*-*l .rl > 1) y compararlo con el resultado en (a).25 Comparando con (o) observamos que el límite dado por la desigualdad de Chebyshev e¡ ba¡ta¡te crudo. | \ _ ul=_ .* .31. En la práctica la desigualdad de Chebyshev se emplea para dar estimativos cuando es inconvenientc o imposible obtener valores exactos. Por tanto 02 t¡z-ttlZe rlr-yl=. Por tanto P(lX-rl > 6) 3....x.t)/ = .|ww.) = o . Entónce¡ P1x ¡.) = ¡toz tt Var(S") = Var(Xr*'.

. = fr: aegunda derivada."on-r2tdr = #(Y-t) 2aa_36a2 all2 hallamoe que *91 = 0 de donde _ia2 = 36a\436P-4(2X81-) . Halla¡ (a) la moda y (b) la mediana. l(r't 3. que ea La moda pedida.36='ñ¿r ze) az de donde o = sli{z- q Por tanto la mediana pedida.. (b) La medianaee 1.3 OTRAS MEDIDAS DE CENTRALIZACION 3. (c) Comparar la moda" la mediana y la media. La moda. 3-6. (o ) La moda se obtiene hallando donde la densidad f (x) ea máima. Ahorapara0(a ( 3. El máximo relativo de la derivada es cero. En este caso probabilidad esLl2. 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.9 - -'l 86 - 8l l2r2 = u Entonces . P(x<a) Igualando eeta = *.62 apror. . aquel valor deo parael cudlp(X é a): ll2. (c) ' E(x) = + ('¡z(g-xz\da = !(t*-+)l'= 8l\ 5/lo 8lJo que prácticamente ee igual a la mediana. eetá dada por = n-Zr/.96 ESPERANZA MATEMATICA lcAP. y (c) compararlas con la media. una va¡iable aleatoria discreta tiene una función de probabilidad f(r) : !12' donde 2.¿rL 81 -_l = 'r2) df ar.60 = 1. para el cual la .?3 aprox. r. la mediana y la media se muestran en la Fig.84.[. es Í: L. r: 1. . ea negativa para x = 1fá. e8to e3 f(r ) ocurre dondc .33. . Ob¡érvese que este valor da el máximo ya que la -24x 187 . (b) Hatlar la mediana. que debe enconharse entre 0 y B. (a)/ La moda es el valor de 4 asociado con la probabilidad más grande.

33. (o) Puesto que todos lós valores ¡ ) 3 tienen probabilidad cero.)[#'n .098 y 2. Por tanto el orden de las tres medidac es contrario al del hoblema 3.l : 2.t):ll2. (b) Por el Problema 3.".19. o sea ¿ 0.. Determinar los valores de la (c) décima.r :: . (b) La vigésima quinta percentila es el valor de a tal que (L8o2 P\X<a)=#(Y-fl = "# aa -a4¡¡8t \l8L : O.r - pl f (n) dr = l"' l' . Empleando el método del Problema 3. es decü 312. Del hoblema 3.")[#..b1 aprox. Del Problema 3.esdecirlasoluciónde(18a2 : 0.37.33 la media Desviación media ee lt : 1. Hallar el coeficiente y (b) curtosis para la distribución del Problema 3. (c) Del hoblema 3.35.33.P(X=r):l12yP(X. (b) vigésima quint4 (c) septuagésima quinta percentilas para la distribución del Problema 3..25.Portantacualquie¡númeroentrel y 2 podrfa representar la mediana. (c) Como se encontró en el Problema 3.L21 aprox.33 hallamos que s : 0.35 los valores de la vigésima quinta y septuagésima quinta percentilae son 1. :. OTRAS MEDIDAS DE DISPERSION 3.121 reepectivamente.36. M. I. (b) el recorrido semi-intercuartílico y (c) la desviación media para la distribución del Problema 3. tomamos el uolor mínimo de ¡ : 0.3l ESPERANZA MATEMATICA 97 (b) Si¡escualquiervalorentrely2.0 : 3. : 2. : 1. = - p|) = l_".'"¡)a' = SESGO 0.-1998 0. Y CURTOSIS de (a) sesgo 3.n "¡fa' = Í^" (.cAP.655 apror.*l[#.19 tenemos 02 ll 25 It3 oo - 32 8?5 -0. PERCENTILAS 3. Entonces el recorrido es 3 . .")] d' + Í.o .33. Por tanto Recorrido semi-intercuartflico = ?121 . a (c) f.33(b) tenemos (o) LadécimapercentilaeselvalordeoparaelcualP(X5o):0.1253 3693 8750 (a) Coeficiente de sego -: o. Entonces E(lX = D. tomamoseluolor móximo de ¡: 3. Determina¡ (a) el recorrido. Por coneecuencia escogemos el punto medio del intervalo.l0.3.10. En forma análoga puesto que todos los valores ¡ ( 0 tienen probabilidad cero. (" .a septuagésima quinta percentila es el valor de ¿ tal que (18o2 - a4 ¡¡8t: o @a.? 5.098 aprox.68 aprox.60 : 8/ó.

Del Problema 3. n2.40..l ¡rt" . = ..98 ESPERANZA MATEMATICA lcAP. . . o1_o o. PROBLEMAS DIVERSOS 3...39 para obt€ner 14 distribución de probabilidad de una variable aleatoria X cuya función característica es O(<¿ ) : cos .¿..Z. puesto que f_"n. tenemos remplazando r : L y r : 2.página 80. " t*''L i:.. .1. f-ri". remplazaudo j por h.1. De (32). yp¡ los coe¡icietttes tte iour¡"r. (b) Mulüiplicar ambos lados de la expresión (r) .Para una variable ¿leatoria continua.{o) r/o Con frecuencia llamamos Q$.l l''. = o" = M"(0) - lM'10¡12 1.u-¡ . ú"r**:r.1.j .rf t1o k+j k---j Por tanto rt ¡ P¡ ..39.' '^'y'.38. Si M(tl es la función generatriz de momentos para una variable aleatoria X demostra¡ que la media €S g : M'(O.r i r)d (¿@ I ¿ir r 1. . Qk¡). . ¿ k icr_.. pk 1 12= T. 3.. X una variable aleatoria que toma los valores t n. 4¡ J. También la distribución distribución normal.. la serie de Fourier se rernplaza por la integral de Fourier (véase página 81). ..tlZ Se deduce que hay un sesgo moderado a la izquierda. = 2¡p f -o --n .. - I zt. . y la varianzaes 02 : M"(O)-ÍM'1O¡12..(".. f tl' ... Utilizar el Problema 3. Sea p.._ .> ]¡xeik. J.. coS c do -e ':. "" Entonces j f'= " -iia 4.. como se indica en la Fig.Iu-| é(o) E1er. ti = M'(ol Entonces de (27) tL = M"(o) p = Iú'(0) 3. respecto I @ desde 0 hasta 22.r-." . que tiene una curtosis de 3..n.x¡ ¿ior¡ = - i -) r^.39 I pt.. . (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 -.3 (b) Coeficientedecurtosis = et :.¡ rru. . = I#+i:"-o 2¡ tt'' sr(...i)o ¡f. ..(ar tra -= k =S o*Ja " ¿i{r'.. es algo menos apunüeada que la 3€../" ..t_ | eú .

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

. (b) E(zX + 6).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.{) * -.Y El(Y _¡v)21 c(X - Px))21 = 0 / ol.Y = ] 3 prob.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. 3. .48. (b) E(Xr)."Í\"-. Demosbar que -1 < s1 (véase página 82). -2"":'\ -" -* \"r* ) -/ = oí+oil"-.otr ___q__ . Para cualquier constante real c tenemo¡ . 1/3 por . Sea prob. ¿Cuál es el número esperado de puntos que resultan en 3 lanzamienüos sucesivos de un dado honrado? ¿Parece razonable su solución? Explicar. * c2El(Xr ¡x)21 .!\'Entonees el lado izquierdo puede escribirse El¡.45.44.-".x)(Y- pv)l = + c2al - 2co*. Una variable aleatoria X se define | -2 prob.¡. (c\ E(Xt).100 ESPERANZA MATEMATICA p [cAP. (c) E'l(X-1)21. = o?.46. I 1 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).zl \ 'xv\2 "i" "x/ --t-"i = ""*"1-o'*"=-0 ó *=1 '7ní queesequivalenteap2 < "'*"?. Sean X. (c) E(XY).zcEl(X. (bl E(}X-21. Hallar (a) E(XI. + n?. (b) E(Xz *)a2). 3. Y variables aleatorias indeperrdientes cada una con función de densidad fZ"-¿" f(tt) = II 0 Hallar (o) u>0 de ot¡a forme E(x+Y). (cl E(X21. La función de densidad de una variable aleatoria X es /(r) = (e-r r>0 de oüra forrns 10 Hallar (o) Eo(l. g.47. ll2 . I Problerna.3 3. / . 9.( ".49.42.

(x) = io x>-0 de otra forma Hallar (o) Var (X).'. Sean X1 . (b) E(2X2-Y2). (d) E(XY). (b\ E(XY) : E(X) E'(Y).54. . 3. 3. + Xn).49.53.7/2 prob.E(X) E(Y). ¿Se cumple que (o) E(X + Y) = E(X\ + Sean X. Sea X una va¡iable aleatoria con función de den¡idad (1/4 -2f x=2 l(rl = jo deotraforma Hallar (o) Var (X).69. (b) E(Xy) -. 3. . 3.XY\ 2 = E(X) E(Y\. (b) E(Y). * Xil. que (o) D(X + Y) = E(X) + E(Y). 3. Xn n variables aleaüoria8 que están distribuidas idénticamente tal que | 1 Xt. = I Z [ -_r Hallar (o) E(Xt+ prob. Y va¡iables aleatorias con función de densidad conjunta Hallar (o)^E'(X).50? Explicar. (c) E(X-rY). .48? Explicar. tc)E(X+Y\. E(Y\. (cl E(XY).(zr+y) 0<r='I. X2.62. en el Problema 3. (ó) E6?+ X'r+ . Hallar (o) la varianza y (b) la desviación típica del número de puntos que resultan en un EoIo lanzamiento de un d¡do honrado. 1/3 \o prob. . 1/6 Xzl . en eI Problema 3.cAP. (b) "x.2/3 v) | 2 i -a prob. 3.52? Explicar.57.. (b) "x. 3. Y variable¡ aleatorias independientes tales que ^ vt || prob.50. 3/4 prob.55.0=tt<2 lr(t*u) l\x'a) = f deoüraforma 1o (b) E(Y).0lyf 3. 3.66. (b) E(. (f.51.3l ESPERANZA MATEMATICA ¿Se cumple 101 3. Sean X. 1/4 Hallar (o) E(3X+2Y).. (d) E(X2t'). VARIAT{ZA Y DESVIACION TIPICA 3. Sea X una variable aleatoria con función de densidad f (e-. Sean X. 0f s<I. 1/B prob. ¿Se cumple que (c) E(X + Y) = EIX) + E(yl. (ft E(xY). . (d)E(XY). 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 el Problema 3. s) = ] : de otra forma |0 Y).58. Si /(t.

En el Problema 3. y 4o. Halla¡ Ia función ca¡acterística de la variable aleatoria (a X = 7 ó I prob.68. 1/2 prob.65. (a ) 3. 3.6 hallar (a) E(X).66.43. (b) Var (X).69.44.(0)]2 - 3[M'(0)]4 FUNCIONES CARACTERISTICAS 3. página 81.70. E(X2 ) : 8. p Prob' g=L-P Hallar la función característica de la variable aleatoria X que tiene función de densidad í'llZa f(r) = 1o 3.64.7 lxl I a deotraforma 4. 3. Hallar la función carar:terística de la variable alcatoria X con función de densidad f¡): (x/2 io 05rtZ deotraforma . Demostra¡ el Teorema 3-11. Si X tiene función de densidad ¡t") : -i (l/(b-a\ O a'=r=b de otra forma.61. momentos al¡ededor de la media están dados por = p1 - ItI"'(.72.r02 3. g Problema 3. 3. (a) Hallar la función generatriz de momentos de una variable aleatoria con función de densidad f(t) = fe IO y (b ) r r>o de otra forma determinar los primeros cuaho momentos alrededor del origen. Ei6 - . (o ) Hallar la función generatriz de momentos de una va¡iable aleatoria X con función de densidad (r/2 l(r\ = {-0 l(b ) Emplear la 0Érl2 de otra forma función generatriz de (o ) para hallar loe primeros cuatro momentos alrededor del origen.44. (c) o¡. Hallar (o ) Var (X ). MOMENTOS Y FUNCIONES GENERATRICES DE MOMENTOS 3. Hallar (o) la función generatriz de momentos de la variable aléatoria x = y (b ) los ( U2 1 prob.'(0) ¡f.67.60.62. (b) de la media. 3. 1/2 -tn primeros cuatro momentos alrededor del origen.01 - 3M"(0) ¡l'(0) + 2lM'(0\13 Ifrivr(Q) 4M.. Hallar los primeros cuatro momentos alrededor de la media en el Problema 3.. 3. 2\21 Si una va¡iable aleatoria X es tal que E[(X Demostrar el Teorema 3-1.43. 3.73. página 77.71. 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.(0) + 6M"(o)lM. 3. - 1)2] = L0. (b ) ox. (á ) Problema 3.63. 3. E(X): 2. Si M(ú) es la función generatriz F:t de momentos de la variable aleatoria X. (b) Problema 3. demostrar que el 3o. 3. 3.67 halla¡ los primeros cuatro momentos alrededor de la media.

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)

46%.9545.6827..68. 4 En este caso decirnos que la variable aleatoria X está normalmente distribuida con media g y l.. *t(ft)] (e) En la Fig. algunas veces conocida como la curva normal tipificda.z: + . 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. 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.27%.-.z. resultando de f(z) : le-"'" V2" .-2y I2.2 y 3 desviacionestÍpicasde lamedia(esdecir entue z: -1y * L. Tenemos z de la variable tipificada el wlor tipificado. La función F(z) eú(z) = z-frÍr' e-u'd.8 yque3) las cuales rcn iguales aJ.73% Fig. Si hacemos que Z sea la variable normalizada correspondiente a X. P(-Z=Z<2) = 0. ert (z). du = + # fo' ..96.451/" y 99.u y F(z) : á['. 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.Nl/s-> 96. que es uno. En este caso la función panZ puede obtenerseapartir de (4) alremplazar! = 0V o: 1. En esta representación gráfica hemos indicado las áreas dentro de L. Esto quiere decir P(-1<Z=L) = 0. P(-3< Z<3) = 0. 99. : .99?3 (10) ¡$$.110 va¡ianza DIsrRIBucIoNEs DE IRoBABTLTDAD coN NoMBBE pRoplo [cAp..73% del área total.". (r) Este resultado se conoce frecuentemente como la iunción o la distribución de densidad normal tipif!eada. 4-1 se muestra una representación gráfica de la función de densidad (7). La función de distribución correspondiente está dáda por F(z) = P(Z < z) = I t/2" Í'-"-.

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

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

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

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

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

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

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

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

Hallar la probabilidad de que al lall.'r(r / + |) - a-2. Distribución Maxweü.b[. ssq scq scq sss Para una moneda honrada a e¡to¡ re¡ultado¡ re ler asignan probabilidadee iguales de 1/8. csg css. en el erpacio mue¡tral. Si C denota "cara" y S denota 'rlellot' y derignamos CSC.zar una moneda honrada tres veces resulten (c) 3 caras.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 . DishibuciónWeibull.llo en el regundo y cara en el tercero.-t fi > O t'=."(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. c. (b) 2 sellos y una cara. 4. (d) no más de un sello.+)] r >0 Í <0 5. Método 1. por ejemplo. hay untotalde (2X2)(2)= g re¡ultados poeibles. es decir puntoc muesEalee.a resueltos DISTRIBUCION BINOMIAL 4.1. Estoe lon ccc.4l DISTRIBUCIONES DE PROBABILIDAD CON NOMBRE PROPIO 119 3. para rignificar cara en el primcr lanzamiento. Distribución exponencial fkl = { lae-"' c)0 n=0 L0 M(t)= q. (c) al menos 1 cara.(r i) . Por tanto (o) P(3 cetar) = P{CCC¡ = } (b. Puesto que en ceda lenzamiento pueden ocu¡rir 2 posibilidedec (cara o rello). ccs. 1"1 ¿=j ( f(s) = rL o6*t-r {o 02 "-axt r<o * = o-'.cAP. f(r) lt= )o-l Problerna.

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

4l DTSTRIBUCIONES DE PROBABTLIDAD CON NOMBRE una PROPIO '. (d) ninguna niña? Refiriéndonos al Problema 4. P(al menos 1 niño) /t)l+)'ll\' = \.3888 ' 3888 ' 7776 ' 7776 . -' /t\/ 1l\'/+)' = t.= 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\'. (c) 1 ó 2 niñas./s\/t\'/qY \2/\6i \6/ \'i \ei \o/ * \o/\e/ \6/ * \s/\a/ \a/ 626 r25 25 1 763 .3888 4.4. de que en una familia de 4 hijos (c) al menos 1 sea niño.ooo (lf) = 2000 18?5 Número esperado de familia¡ con 2 niño¡ 20OO ' P(2 niños) ó 2 niñas) = (3) = \ó. ¿cuántas calcula deben tener (c) al menos 1 niño. por ejemplo.3 vemoe que (o) (b) N(rmero esperado de familia¡ con al menos 1 niño = .3.L' = /1\/1\'/l)'= l. (o ) ee coüvierte en P(X>l) : P(X:l)*P(X=2)*P(X=3)*P(X=4) = 18 4. 3725 3125 = n76r n76.zL (b) P(3 ocurra máximo vez) = P(X 1) = P(X = 0) * P(X = 1) = = 1l\/rY1¡\'*' ¡s) /r\'/rY .\o/\6i \6/ \r/\oi \o/ 3125 . 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.i tUO (c) P(l : P(l niña) * P(2 niña¡) niñoe) :P(l niño)*P(2 : I +3 : * .\s/\z) \z/ . (b) al menos 1 sea niña.4 16 Otro método. \r \zi\z/ . -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.. Entonces. (b) 2 niños. De 2000 familias r-:on 4 niños. Suponer que la probabilidad del nacimiento de un varón es t-.cAp.i \t/ \t/ = 2 8 p(4 niños) = (l\ /1)'11)'= f x-/\z) \z/ . HaIaf la probabilidad (o) p(lniño) p(3niños) Entonc..16 P(2 niños) : P(l niño) * P(2 niños) 16 16 * P(3 niíror) * P(4 nlñoa) 1 3 1 1 4 8'..

4 Número esperado de familias con 1 ó 2 niñas = tZOOOill) ' '\ 6 / \/ = 125 1250 (d) Nfrmero esperado de famiüas sin niñas = (2000)( i ) = 4.L22 DISTRIBUCIONES DE PROBABILIDAD CON NOMBRE PROPIO lcAP.. 4..n) .:: =:"0.detalmodoquelaprobabilidaddenoTenunsololanzamientoesq:1-p:516.0. La probabilidad de un tornillo defectuoso e8 p :0. \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=1'2.6.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 2.6. sean defectuosos.46e6 ffi ? .. P(al menos un ? en tres lanzamientos) = | .r.8)a = s.0..p:0. (b) 0. = = Método 2. Para una secuencia de n pruebas de Bernoulli definimos n /n\ '?n ('/tr"')'0"-' (a -l. Sea la (o) P(X: t) = (rn ).1.l# = fr X que está distribuida Hallar la funCión generatiz de momentos de una variable aleatoria binomialmente.q" .8. Médodo 1.. Si el 20 % de los tornillos producidos por una máquina son defectuosos.'(\*. página49).46e. (c) menos de 2. Entonces es g : I .2.7./ ) _)p.pet¡" Xi ' |0 {[1 si fracaso en la prr. f (r) P(x = r) = (!\o.. de un tornillo no defectuoso va¡iable aleatoria X el nl¡mero de tornillos defectuosos.n" ..rt't0.' (0.8)r = ¡. Si X está'distribuida binomialmente. HaIIar Ia probabilidad de obtener un total de 7 al menos una vez en tres lanzamientos dé un par de dados honrados. determinar la probabiüdad de que de 4 tornillos escogidos aleatoriamente (a) 1. = 1:)l+Y/q\' \"/ \"/ \6/ - r25 216 y 4.. (ü) p(X = 0) = (c) P(x <e) = (fi)to.

con S. tenemos.1.38) o direetamente de la función de probabilidád (véace Problcma 4.2.t/V6d.e*pet M(t) = M tQ) LI2Q\' ' ' (i=1. li* Pll{-.t y varianza 02 Íini- (r) en tol P(X-11 -ko\ flp.) + (r - p)2p = i)". Demostra¡ que la media y la varianza de una variable aleatoria distribuida binomialnente son p: np Y o2 : npg respectivamente.'EBAS DE BERNOULLI 4..'* Xn." *Var(X) = npq donde hemos utilizado el Teorema 3-7 para o2 .IMEROS PARA LAS PRI..) / \ 14 'l y tornando el límite cuando n -+ @ = 2+ ¡4r. Si la probabilidad de un tornillo defectuoso es 0.9.. página 80.8. 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. 2. n. entonces ¡.la ley de los grandes números (en forma débil) pa¡a las pruebas de Bernoulli.1 ):40. (o) Medialt:np:(400)(0. de Los resultados anteriores también pueden obtenerse (pero con má¡ difrculüad) derivando la función genaetriz momentc (véaee Problema 3.n) (Q Entoncee por el Teorema 3-9. págirra 84. 4.. Procediendo como en el Método 2 del Problema 4. (b) l'Iananza o2 : npq: (400) (0. M"(t) - 'f pst¡n 4.q Entonces o2 p:E(X)=E(X'\+E(X2)+"'+E(X")-np = Var(X) = Var(Xr) *Var(Xz) +. . Demostrar el Teorema 4-7.1 = . o =.y (I)rc convierte En particular si X tiene distribución binomial o de Bernoulli.)l*.cAP.. Por tanto la desviación tipifrcada o = y'56 = 6. entonces F = P(lX.4l DISTRIBUCIONES DE PROBABILIDAD CON NOMBRE PROPIO L23 de momento¡ Entonces las X¡ son independientes y tenemos X: Xr * Xz *. página 83..i .L52\.7 tenemos para/: L.10. halla¡ (a) la media y (ó) la desviación tipiticada para el número de tornillos defectuosos de un total de 400 tornillos. = X.npl > k1/i-npq) < i ó (3) Si hacemos c = k \l T.9) : 36.esdeciresperamolque40tornillosesténdefectuo¡os. y1 E(X) = 0q*Ip = var (x.. :-. Pa¡a la función geraeratr:iz Mj(t) = stoqlettp . v (3 ) se convierte en P(lz -.lro. o - {-npq. Por la desigualdad de Chebyshev.i)'== . . como se requiere.1. tt = flp. LEY DE LOS GRANDES NT.

(d) entre z: 0.25f ? El área.21.81 = Z = L.2910 = 0. DISTRIBUCION NORMAL 4.2I) : O. = "-u!/t 0. (c) entre z : -0.211 = + (''" {2r .68 y z : 0.46) * (área enbe z:0 y z : 2.rz¿u (c) ñ J" Area pedida . baje por la columna ma¡cada con z hasta alcanzar el valor /. 4-3 (b) Area pedida : área entte z : O y z: *0.68 (por simetría).C.68 "- u.2.1828 O yz ) lo mi¡mo que P(0.6. Entoncee.28.27. \. represenüa la probabilidad de que Z eaté entre -0.94) O y z = 0.46 y 2.6636 e-ú'/! clu = 0.¿ ¿-uzr!¿u = -! Jfo \E = ___1__ -o.4 4.(área enhe z :-0.L (o) Utiüzando la tabla en el Apéndice.a'ley de los grandes números establece en este caso que la probabilidad de la proporción de los 3 en n lanzamientosdiferiendodel/6pormásquecualquiervalor€)0tiendeaceroamedidaquen-+€. Por üanto'. baje por la columna z basta alcanzar el valor 0.+e "-u2t2f.68 y 0. Por tanto P\0=z=r. [.4738 - : 1.=12 Fig.68 sz=o) = -! l'o {2¡ J = | r' -o.t _o.ildlt + _= |^2 ¿¡ = O.u + t/2" 'lo + ('"' "-u2tz 1¿4 2l 10.0.2. Por tanto .i77Z + 0.11.L24 DISTRIBUCIONES DE PROBABILIDAD CON NOMBRE PROPIO lcAP..94.!772 + 0.12. ee el área pedida y representa la probabilid¡d de que Z eté entre -0. es el área pedida y representa la probabiüdad de que Z estÉ ent¡e O y 7. 0.4864 : 0.2L) : (área entre z : O y z : 0. (e) a la derecha de z: - L.gg4g z=O .2) = | {u ¡rz Jo ¿r.3849.4964 | t/Zt Js \/2r Jo "-uz/z 1 (d) Area pedida : (área entre z : : E¡to es - (área entrez : 0. El resultado. P(-0. Halla¡ el área bqio la curva normal tipiñcada (a\ enfte z: Q y z: 1. .81y z = L.2517.46 y z : O) * (área ent¡e z : O y z : 2. 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. 0. proceda a la derecha hasta la columna 8.6636.46 y z: 2.46 f ZÉ2.46 " 1 e-u. Por tanto P(-0.as 0. El recultado.81 0.(b) entre z:-O.Luego proceda a la derecha h¡sta la columna marcada 0.941.

0217.4l DISTRIBUCIONES DE PROBABILIDAD CON NOMBRE PROP¡O Area pedida L26 (e) - (área entre z: -t.4332- : 0. suponiendo que se regis' han al valor de kg más próximo. Area entre z v -t'5: 9ü. (b) el área a la izquierda de e sea 0.5 kg y la desviación tipiiicada es de 10 kg.5.5 y 0' (c) Si z fuera positiva el área sería mayor que el área entre que es 0.8997 Esto es lo mismo que P(Z > -1.L6.4-ll -1. Caso 1: z es negativa pero a la derecha de -1. Area entre -1.4332- Entonces el área entre 0 y z es cual e: -1.4332.5 kg en unidades tipificadas : (71.O2L7 : 0. z debe ser positiva. Caso 0.5)/10 68.5.5: -2. El problema es equivalente a resolver para z la ecuación rfz G ).8621 . Si "área" se refiere al área bajo la curva nonnal tipifrcada. hallar el valor o los valores de z tales que (a) el área entre 0 y-z sea 0.(área entre 0 y z) (área entre 0 y z) 0.3621. Por simetría. z : -t.5:0.09. (b) Puesto que el área es e-tt/2 du = 0'3770 mayor que 0."O. Area entre 0 y z es 0.3997 + 0. -1.35. 4. con menos precisión. Entoncec la z pedida es 1.30 47. z : -1.5: 0. 0 y z esO. Suponiendo que los pesos están dishibuidos normdmente.8621.13.5 y 71. (c) el área enhe - 1.4332. 4.O2l7 : Entonces el á¡ea entre z). (b) más.0277 (árca entre -1.28).4115 de lo 2: z es negativa pero a Ia izquierda de -1.16.694 utilizando interpolación lineal.de 91 kg.5 y z sea 0.1 y bajo la columna 6.5.O2l7 + 0.:1Tí"11u (área entre 0 y O.14. Por tanta z: + 1. El peso medio de 500 estudiantes varones de una universidad es de 68. (a) En la tabla en el Apéndice C. : (47 .3??0. o.5 kg. (o) Los pesos registrados entre 48 y 7l kg pueden realmente tener cualquier valor entre 47.7O ?1. por tanto z debe ser negativa.5: 0. o.4549 y z: l'ig.5 y 0 ) .0.cAP. de lo cual z:1. el valor 0'3?70 se encuentra a la derecha de la fila ma¡cada 1.5 )/10 .5 y z : 0.5 kg en unidades tipificadas 68. hdlar el número de estudiantes que pesan (a) entre 48 y 71 kg.4332 :0.16 es otro valor de z.28'y z = O) T 1área a la derecha de z : 0) = 0.69.

26 a 1.2 L.2 .0126: L.91¡ = 6.2 : -7.10 y z Ol * (área eítte z = O y z : 0. : Z.275')lO.2 Por tanto el porcentaje de lavadoras defectuosaÁ es 10002 Fig.600) kg.4 Proporción pedida de estudiantes : : = (área entre z = -2.7698 ó O yz : 77% -1.3849) = 0.4821 + 0.4893 = 0.30 Entonces el número de estudiantes que pesa más de 91 kg Fig.16.266 a 1. .26 en unidades tipificadas 1.30) 0.(dos veces el área enhe z : = 2(0.6000 Entonces el nfimero de estudiantes que pesa entre 48 y 7f 500(0. El propósito prira el cual se han diseñado las lavadoras permite una tolerancia máxima en el diámetro de I.6)/10 : 2.SO) (área a la derecha de z : 0 ) .275)l O.l.30) : (área entte z: -2. .11. el resultado anterior se modifica ligeramente. suponiendo que los diámetros están dishibuidos normalmente.5 .600 P(W -.2 -77% = 23%. r.(área bajo la curva normal entre z : L. Hallar la función generatrrz Tenemos de momentos para la distribución normal general.9tOt 4.L26 DISTRIBUCIONES DE PROBABILIDAD CON NOMBRE PROPIO lcAP. = 300.29 cm.0107 es 2. La media del diámetro interior de una muesha de 200 lavadoras producidas por una máquina es 1. etrt+oot-tu2/2. de otra forma las lavadoras se consideran defectuosas.26 s 1. 1-14 Obsérvese que si consideranros el intervalo L.(área entre z : O y z : 2.5 Proporción pedida de estudiantes 91'5 kg en unidadee tipificadas: (91.O]-25: -1.275 cm y la desviación típica es 0.30 = 600(0.29 cm como representando realmente los diámeüros de¡de L.29 .1179 = kS ee 0.300) 0.0125 cm.2) yz Proporción de lavadoras no defectuosas .10 y z:0.5 - 0.295 cm. (D) toe e¡tudiantes que pesan más de 91 kg deben pesar al menos 91. (área a la derecha a. podemos resumir los resultados anteriores en términos de la probabilidad al escribir P(47.1.2) . Sin embargo para doe cifrar significativag los resultados son iguales. 4-r3 Si W denota el peso de un estudiante escogido aleatoriamente.5)=0. Determinar el porcentaje de lavado¡as defectuosas producidas por la máquina.68.I.tt)lo: uenlaintegralde M(tl = -= | \/2r J-14q modo quer:¡¡+ dx: o d4 tenemor dt.010?): $.29 en unidades tipificadas : : (1.5<W<71. M(tl = E(etx¡ = L= Remplazando (x ot/2r J -- (' ette-(t-tD2/2c2 dtr g. 4.26 (1. 1. d1) = "ut'<o2t2/2t (J-ú "-tr-ort" l/2" .

* "á Ar P(X=A) /ro\/fY/r\'_ = \4 /\z/ \z/ P(X=6) = 106 stz /to\/r\o/r\n _ = (.#*¿%*# 03 = # = 0.-o) l+Y 5 ll)' : .58 y z : 0. (o ) Sea X la variable aleatoria que da el número de carag en 10 lanzamientos.6.¿*\ / = ewt+(ozt2/2) APROXIMACION NORMAL A LA DISTRIBUCION BINOMIAL 4.cAP. se'deduce que 3 a 6 caras pueden considerarse como 2. La precisión es aün mejor para valores . )\.7734 que se compara muy bien con el valor verdadero superiores de n.17. Hallar la probabilidad de obtener entre 3 y 6 caras inclusive m 10 lanzamientos de una moneda honrada utilizando (c) la distribución binomial.5 .)\.4429 + 0. 4-r5 23{587E Nfrmero de caras Fig.58 6.95 Probabilidad pedida : : z: -1.58: 0.e O.7718 (área entre d.68 y z = O) * (área entre z : 0 y z : 0..58.es la probabilidad pedida es P(B=x<6) = #. Cor¡siderando los datos como conünuoe.95) : O. La probabilidad pedida es la suma de las áreas de los rectángulos sombreados en la Fig.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. Entonces p(x=B\ = P(x ('f)(.)'_ .p94!l y la varianza para la distribución binomial están = 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. 4-16 trata los datos como gi fueran continuog..ó8 : -1.7784 Probabilidad 2341678 Nfrmero de caras Fig. mostrada a trazos. ro¡ Entonc.5 en unidades tipificadas : (2.) ffi. Tqqbié"r!g_. en la Fig.5 en unidades tipificadas : (6.X.3289 : 0. Entonces dadas por/r= np=10(4\= 5yo = {nw = y'(10)(+)(+) 2.5 caras. 4-16 y puede aproximarse por el área bajo la correspondiente curva ncrmal.E \ /\2/ \2/ =5) = l. obtenido en la parte (o).5)/1. (b) la aproximación normal a la distribución binomial.5 a 6.95) (área entre z :-1.

. o \ i \6/ \6/ -{. suponiendo que el dado es honrado.OB pero debido a que el habajo involucrado en la computación es excesivo.5 en unidades tipificadas : 1-0.311 : (área ent¡e z: O y z: -5.02 y 2 : -1.94) : (dos veces el área enhe z: O y z :0.94 260.19.5 y 280..02y z: Probabilidad pedida -O. Una moneda honrada se lanza 500 veces.18 : -2.6/ r7 \ /\6/ \6/ \ /\6/ Con¡idenndo los datos como continuos que 0 a También .5 -. Hallar la probabilidad de que resulte 4 (c) 18 veces o menos y (b) 14 veces o menos. l8 cuatros pueden tratarse como tt = ttp = Entonces 120( )l = ZO \o/ /t\ y q = 1/-n7tq .02) .02 18.e z: O y z:2.0. .4 4. 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.L28 DISTRIBUCIONES DE PROBABILIDAD CON NOMBRE PROPIO [cAP.35) : (á¡ea entre z : O y z : -5. remplazando 18 por 14..3557 -0.18: .(.5 y 260.250y11.5 cuatros. podríamos considerar que la moneda no 4.3? (D) Procedemos como en ha parte (o).94 y z: 0. = . .(área entre z : O Y z :-1. .94):2(0.0. (b) por más de 30.20)14.6 - 2O)l4. Entonces -0.5.- -1.3264): 0.08 . ¡ rzo\1¡\''l5_\'o' r8 \....73\ por más de 30. entre 239.1443: 0.5 a 18.5 se 0.5 en unidadee tipificadas :-5.b.7 3 280.94 ib) Necelitamoe la probabilidad de que el n(¡mero de caras la encuentre entre22O y datos como continuos. (rzo\/r\/!\'.0.(lX*) : -5. empleamos la aproximaclón normal.35) : 0.(i) = 250 s '= \/ill = . : 4.6528 = (239. Un dado se lanza1-2O veces. 219.5 en unidades tipificadas : 2. 239.. o si conslderamos los datos como continuos.5 . un 4 debe apariecer 14 vece¡ o menos en aproximadamente la décima parte de estas muestras.5 en unidades : (área bajo la curva normal entre z: -5. Hallar la probabilidad de que el número de caras no difiera de 250 por (a) más de 10.18 (o) Necesitamo¡ la probabilidad de que el número de caras se encuentre enbe 240 y 260.OB tipificadas : -0.7 3 Probabilidad pedida : (dos veces el á¡ea bajo : 2(0'4968): 0'9936 la eurva normal enb..O2 14.4115 : 0.5 - 250 )/11. o si consideramos : (219. entre 219. pbr (o) Deseamos la probabilidad del número de 4 entre 0 y 18.6 . t.02) : : -(área enhe z O Y z : 0.5 en unidades tipificadas hobabiüdad pedida ..5 en unidades tipificadas : : (área bajo la curva normal entre z: -0."p: .37) -0.)(+) = I 1..'.mr..' La probabilidad de que resulte un 4 es p: l16 y de que no reeulte esg : 5/6.5 en unidades tipificadas 28O.0885 Se deduce que si fuéramos a tomar muestras repetidas de 120 lanzamientos de un dado.5 en unidades tipificadas: (14. es decir etabacargoda 280. Esta se encuentra exactamente ¡rzo\/f\"i 5\'o' .18.31-i Probabilidad pedida : (área bajo la curva normal enhe z : -5.

. dado que ). Establecer la validez de la aproximación de Poisson a la distribución binomial. Otro método.-r)" r?. ' . 1'-t)/'-?). . 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. Hilgase ¡. tenemos >{] !a1*="¡ = t=O -. n/\ n/ \ en tanto que ('-+) +. que ee la distribución de Poisson.I \n/ / r \ ¡-¡ ) n1@./ \ --> = (r-\)'1t .cAP.20 realmente es uná función de probabili' dad. .i)-' + m/ \ \ cálculo = €-tr empleando el resultado conocido del . 1. entonces (f) P(X=r\ = l'"lqrq¡-r \r/ : np. 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. . El reeultado pedido entoncec ¡e deduce utilizando el Teorema 3-10.4l DISTRIBUCIONES DE PROBABILIDAD CON NOMBRE PROPIO L29 DISTRIBUCION DE POISSON 4. (¿-r)(1) /. 4. = "-^. : rtp de modo que p : I/n. ) 0. Si X está dishibuida binomialmente. Segundo.rl ('* i) = Se deduce que cuando n (2') / \¡ eu - pero I permanece frjo (es decir p -+ 9¡ P(X=r) + ¡:q. Entonces donde E(X) /-\ (I ) se convi'erte en rl Entonces cuando ¡. obseryamos queP(X: ¡) ) r=0 O para r = 0. página 80. Primero.20..21.'ir .er = 1 y se completa la verificación.+:: ¡=(l ' ' e-). Verificar que la función límite (2) del Problema 4.

X tiene una distribución de Bernoulli. Denótese por X el número de herramientas defectuosas de las 10 escogidas.. Entonces de acuerdo con la distribución binomial p(x:zl (b) Tenemos )\: np (tJ )10./íil 2 o et't-(.001) :2 _ 0.. determinar la probabilidad de que de un total de 2000 individuos (c) exactamente 3.130 DISTRIBUCIONES DE PROBABILIDAD CON NOMBRE PROPIO lcAP.. Diez por ciento de las herramientas producidas en un proceso de fabricación determinado re. e t.4 4.183e ó 0./)(p". Si la probabilidad de que un individuo sufra una reacción por una inyección de un determinado suero. La variable tipificada para X es X* = (X . (o) La probabilidad de una herramienta defectuosa es p :0.np)/l/nW y la función generatriz de momentos Eletx'¡ E(et<x-nú/t'/-nil¡ tnnr rliii g 1"txrl noÁ ¡ "" = e-tnpt.1 y \ = np 5 5.1. Denótese por X el número de individuos que sufren una reacción.r¡r1s. lioo ¡ln p¿tar liii¡ {ili ¡n .2te-z --z! .1) - 1. TEOREMA DEL LIMITE CENTRAL 4.tr r/iñ 1o + per/ lliii tvr ll-nw 1n ¡pt e ' tnp. 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. vC. empleando (o) la distribución binomial. 4.e¡' = \z/ 0.001.0"-' . )r.t ¡n = le(qe + pet. _/1t\ para X* es ".24. Zze-21 -.re = (10)(0.180 (b) P(X>2) = 1-[P(X=0) *P(X:1) +P(X=2)] _ I fzo¿-z. tfi-oa = > ¡=0 |\_.1# ^:?¡p:(2000)(0. Halla¡ la probabilidad de que en una muestra de 10 henamientas seleccionadas aleatoriamente. Entonces de acue¡do con la distribución de Poisson I¡¿- P(x--x) .22. (b) más de 2 individuos tengan reacción. pero ya que las reacciones se suponen sucesos raros. exactamente 2 estén defectuosas.1e37 ó o. es decir P(X:x\ -.23. (b) la aproximación de Poisson a la distribución binomial. es 0.(d) I¡¿-)\ donde p(x-Bt . t ¡t qn.- 6 P(X=2) = %: = 0. podemoa suponer que X tiene una distribución de Poisson.' .18 En general la aproximación es buena si p É 0.r -Lót 1! ) = l-6e-z = 0.323 Una evaluación exacta de las probabilidades empleando la distribución binomial requeiiría mucho más trabajo. sultan defectuosas.

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

pero no se remplaza la bola. 2 blancas y 1 azul en ese orden es /s\'/¿\'/rY \tll \. ) Por tanto el número de mueshas y 2 rojas ". Entonces la probabilidad de escoger 3 bolas rojas /5tl2\3 . Se realiza un experimento en el cual se selecciona una bola aleatoriamente y se observa su color. P(roja en cualquier extracción) = # P(blanca en cualquier extracción) = h P(azul en cualquier extracción) p(B rojas. lJna caja contiene 6 bolas blancas y 4 rojas.+)' = ffi es es Método 2. pb = 4/72. El número de formas diferentes de selecciona¡ 3 bolas blancas de 6 blancas * \r/. 2 brancas. y el número de estas formas diferentes 6l 3!2!1! como se expuso en el Capftulo 1. En forma análoga la probabilidad de escoger 2 bolas blancas e (4ll2l2 y la de escoger 1 bola azul (3/12)t . 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. Una bola se selecciona aleatoriamente de la caj4 se observa su color y luego se remplaza.'.t i . 6t In\"lt\-/:lY z!r!\itl/ \itl \rrl $/ La probabilidad pedida es el término 44p" en la expansión multinomial de (p. Método 1. i-paIpo)G donde p. 2 blancas y 1 azul.El número de formas diferentes de seleccionar las 2 bolas restantee de las diferenües que contienen 3 bolas blancas /a\ 4 rojas * (.\ [ .27. Halla¡ la probabilidad de que de 6 bolas seleccionadas de esta forma 3 sean rojas.t \A/ Pero la misma selección puede realizarse en otros órdenes diferentes. /o\ /r'i \. Método 1 (por fórmula).26.132 DISTRIBUCIONES DE PROBABILIDAD CON NQMBRE PROPIO lcAP. Una cqia contiene 5 bolas rojas. rc 2l . 4 blancas y 3 azules. . DISTRIBUCION HIPERGEOMETRICA 4.4 DISTRIBUCION MULTINOMIAL 4.i Entonces r azur) = . Entonces la probabilidad pedida es lr Método 3.ri \z ) /ro\ \5. La probabilidad de escoger cualquier bola roja es 5172. Hallar la probabilidad de que después de 5 pruebas del experimento se hayan escogido 3 bolas blancas. 12.rt. Po=' 3/12' Porexpansión se obtiene elresultado anterior. Por tanto Ia probabilidad de escoger 3 bolas rojas.h(¡r)'(#)'(.

#ruo. . E(erx¡ = g (" -J".cAP. (b) o2 : Ll72(b -a)2. (a) La función gerreratriz de momentos de X es -¿.rr¡ r¡¿n' ("' 2o (" cosor r=. -> t!! I y la integral a la derecha diverge. r= 4. Jo r.' 7't|^ou" (b) La función característica de X es E(eiox) = g (¿. Sea @ una va¡iable aleatoria distribuida uniformemente en el intervalo -l=t trarque X: atan @..'f-+ = #tl. = ffi= Yt+Y = Entonces la va¡ianza está dada por s2 = E[(X-u¡21 = E(Xzl-uz ry4y_ (+).. J-. (a) t.laprobabilidadpedidaes . : Ll2(a + b). Í".159). tiene unadistribución Cauchy en. Entonces por(I9). = firo_ot.. Puede demostrarse que la úlüima intcgral existe y es igual a e-aa (véase hoblema 4. o > 0. n=6.r! * la cual no existe si ú es real.4l DISTRIBUCIONES DE PROBABILIDAD CON NOMBRE PROPIO Método 2 (empleando la fórmula). Esto puede verse al notar por ejemplo que si r ¿ 0. ¿ > 0 e.. Demostrar que la media y la varianza de la dishibución uniforme (página 114) están dadas respectivamente por (¿) ¡.2+d2dr ' _ donde hemos utilizado el hecho de que los integrandos en el segundo renglón son funciones par e impar respectivamente. X con DISTRIBUCION DE CAUCHY 4." = o 2 .' La función de densidad de @ es < j. = E(x) = E(xz\ l"'* = #:af" b2-a2 Z(b-a\ a*b 2 (b) Tenemos = I.30. a f . 4.cos or = .'NIFORME 6 = \/4 }i|j.r-n '. Tenemos b 133 =6.28. 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. i J-6 x'' + a: ""'l' . 7+ azctr sin +-ai )-. = n# Í.29. Oemos- /(a) = ! -L2- .l \ /10\ \5/ 4. r = 3.páginallS. PIX=S) DISTRIBUCION T. de.@ 1x1*.dz T .modo que = r*tu*lfí*.

lff.E(X2) - (ap)z - "Bz DISTRIBUCION BETA 4." "loo"¡.31. Demostrar que la media y lavananza de la distribución gamma están dadas por (a) p: aP. r Y dx Íz+a' Entonces por el Teorema 2-3.4 ¡: a tan 0 tenemog o-t¡¡-L! a . Por tanto p2 = Bz(aIL)a"2 ..134 DISTRIBUCIONES DE PROBABILIDAD CON NOMBRE PROPIO Considerando la baruformación [cAP.32.. HaJlar la media de la distribución beta.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. . p = E(x) = ### fo'*¡. fo"' . t. ya que I'(a + 2) = (c * 1) r(c * 1) = (a * 1)a I(a)... Hallar lavarianza de la distribución beta. = r@l#l = :a+-a DISTRIBUCION GAMMA 4..)*: = ift)"("+z) = n2 Í.. = Í.33.19: t tenemos E(xz¡ = ff"*."-r{r-x)F-tlitr = frffiJ.z¡ro-r1l. l'(a r.o*r"-ro.r . .¡^.'#0" p2(a*t)a." ".¡a-\d. El segundo momento alrededor del origen es * 0) l'(a + 1) r(B) o I a B E(xz¡ = f(a)f(p) (t .1o" xlQ: t tenemos : f." = ffirt"+f¡ = R RemPlazando p= Bon f' Fe-tdt aB (ó) Remplazando E(Xz¡ = t. 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_! .+fl Jo * l* _ r(a)I'(p) r(c r'(a + 4)- Jo (t *su+t11 2) l'(B) n)e-r ¿. la función de densidad de X está dada por s(r) que es la distribución de Cauchy.rÍ"." ffi. página 46. (b) o2 (a) = oB2.

a una distribución normal para X./2dü (-.36.34. Sea X una variable aleatoria distribuida normalmente con media 0 y varianza 1.36.'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.s(v-2)/2e-<L-2t>r/2 dr =J-r(v/2) )o 2. . utilizando el Problema 4.r2 Al remplazar (l - 2t)n/2 = 7. ! X. 4. Demostrar que X2 tiene distribución chi-cuadrado con 1 grado de libertad. Puesto que Ia correspondenX y Y no es uno a uno no podemoe aplicar el Teorema 2-3 como está. cia entre Paray Deseamos hallar la distribución de la manera siguiente. por el Teorema B-18. pá4ina 1-1. pero procedemos de :0. Sean ¡t y X. obtenemos P(Y < ú = -! fs rrrze-uz t/2r Jo d.t2r(v/2)Jo " r-2t \r-2t/ : ll .'rz¿s (-fr"-.t Pero esta es una distribución chi-cuadrado con 1 grado de libertad.2t)-.34 que una distribución cuya funéión generatriz de momentos es (1 2t)-<vt+v2)/2 es la dishibución chi-cuad¡ado con v11. como se ve al página 116. Efectuando el cambio de variable x : *t/T en la última integral. Al generalizar los resultados anteriores obtenemos una demostración del Teorema 4-4. ea M(t) : Enet(xr+xü1 : E(etx. a * v.CUADRADO 4.1 en la última integral hallamos M(tl = 2. 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. do ) función generatriz de momentoo de Z = X. es con (¿ dA v. grados de liberta u2 Z:Xt *X. t : (1 - N¿¡-Qr+v2t/z (b) Se observa del Problema 4. y utilizar el hecho de que r(á) = V7.4l DISTRIBUCIONES DE PROBABILIDAD CON NOMBRE PROPIO 135 Entonces. colocarz: 1 en (39).B2. Esta debe ser la distribución de Z.ztl-v/2 fa u<v/z)-re-udu = (L-zt¡-'rz r'(v/z) )o 4.cAP.84.-rr/2e-. grados de libertad.v2 gadosde übertad.)Eqéx"¡ : 1l-2t¡-'r/2 1l-2t)-vz/2 utiüzando el koblema 4. página g1. DISTRIBUCION CHI. Pa¡a ( 0es lóglco que P(Y SU) y> 0 tenemoe P(Y<u): P(Xz<a) = P(-\/u=X<+\/a) +fr"-.r2.6. Y: x2 dad.la varianza es 02 = E(xz¡-l'(x)l= _(rro)'= cr6#T_Fn : (1.

si el á¡ea sombreada a la izquierda es 0. en la columna /. el área a la izquierda de x? es O.? conespondiente a la derecha de la distribución ¡2 es 0. escoger las dos áreas iguales.99 y ¡22 representa la 4.05.¡r.61. a! es 0.9?5 Análogamente..40.píryina 116. x.025.5 correspondiente a z: 50. Véase Problema 4. entonces X? V X3 tienen distribución chi-cuadrado con 1 grado de libertad cada una.8. como puede observarse de la tabla. X. entonces el á¡ea a la izquierda de representa la nonagésima quinta percentila. hay muchos valores para los cuales el área totál sombreada : 0. xi representa la décima percentila. la cual es igual a 15.1 es el valor pedido de 12.¡ (puesto que la mediana es la percentila 50 ) los valores: (o) S. los valores: (a)25.esr. (b) 2I.025. el área sombreada a la izquierda de x3 es 1 ¡j iepresenta la percentila 9?. el área sombreada a la derecha puede ser 0. Hallar el valor de la mediana de libertad.O5): 0.38.39. y Si el área sombreada a la derecha es 0.Ia cual es igual a 1. El resultado 11. (b) el área total sombreada: 0. x! por los cuales (a) el área sombreada a la derecha: 0.4 4.0.01.5.0. (b) 28 y (c) 40 grados de UtÍIizando la tabla en el Apéndice E. Fig. (Véase las consideraciones sobre notación en la página 116). y x? (c) Si el área sombreada a la izquierda es 0. Por ejemplo..1. para v : Por el Problema 4. (c) S9. Entonces procédase hacia la derecha hasta la columna x%r.831. La representación gráfica de la dishibución chi-cuadrado con 5 grados de libertad se muestra en la Fig.3correspondiente^v :40.¡ se deduce en la misma manera..831 y 12.la cual es igual a 0.10.(b) 2T. Es de interés notar que los valores de la mediana están muy próximos al número de los grados de libertad' En efecüo.x?o¿s.05.05. El resultado general para todos los enteros positivos l.35(b). u"mo.¡2.2gs. se acostumbra. 4-18 (o) Si el área sombreada a la derecha es 0.5. el átea a la izquierda de percentila 99. (c) 50' Utilizando la tabla en el Apéndice E hallamosenlacolumna ¡2er.05.3correspondiente av:28. ¡! que corresponde a (a) 9.. qi" Z = X?*X2" tiene distribución chi-cuadrado con 1 * 1:2gradosdelibertadsiXr y X2 son independientes. (d) el área sombreada a la derecha: 0. .01.O. xz:.026.95 y xz2 Refiriéndose a la tabla en el Apéndice E. (b) Puesto que la distribución no es simétrica.136 DISTRIBUCIONES DE PROBABILIDAD CON NOMBRE PROPIO 2. Entonces del Problema 4. Demostrarel Teorema 4-3.0 correspondientear: av:21. (b) 32. (c) el área sombreada a la izquierda: 0.la cual del Apéndice E es 12. .8.tán distribuidas normalmente con media 0 y variánza 1. en este caso cada área:0.05.34correspondienteav:9.2-. Por tanto los valores son 0. búsquese el valor 5. al menos se especifique lo contra¡io.36 vemos que si X¡ y X2 es.. (d) Si el área sombreada a la derecha es 0.10.025: 0. xl es (1 .150. X. Hallar los valores de xf.7. 4-18. 4.04 en tanto que el área a la izquierda es 0. (c) 67. lcAP. x. si el número de gndos de liberbad v es igual a (c) 15. Sin embargo.O25 representa la percentila 2. 4.01.37. Hallar los valores de ¡2 para los cuales el área de la cola 15. Entonces. hallamos en la columna ¡. parav> 10 los valores de la mediana son iguales av .

0(v¡lorre¡l =L24./4 f ( 7<rrz>-r e-<yz+ztrz ¿. dud."a']au de acuerdo con lo pedido.Lu€{p integrannr_conrespecto az de¡de 0ha¡t¡o. oon un alüo grado de aprorimación.@ hast¿ rl/z/r.41. página 117. himero fijamor r z b = integramos con reepecto a y de¡de .es+ftool-t)2= +(1.z \f 2nz.rr-r"-.locuale¡tÁde¡cuerdooonelvalor6?.= .tzl(vl7\ Jz=o = .FA = zp I t/Ft x| = *(zo+tffj¡z (o) Si v=50. er la percentil¡ 10Op de l¡ di¡trlbución nornd tipilicada. DE STUDENT 4.. tn¡r( z\ Ju= -' .rf ¡"ffi "-r. Para .zl ztÍt + <t2 | v>r a")au ( " Susüituyendo F(r) = G."^' + zo+"/2 Í"'=-* d.#.cAP..=o"r...ss+rtrOool-t¡z = |(1. Debido a que Y y independientee ¡u función de den¡id¡d coqjunta er 6l producto de (I ) y (2).64+rfss¡z =69. -/.-j(* .er dccir z<v/z)_te_ :|-r+zr/2 para -o 1g 1lo.42..tzt'(vl2\ ).r/2.t¡ e¡tl c¡¡i dbEibuido norm¡lmenüc con medie certr y varianza uno.tz¿ul¿" LJ":_-e A = urfi en la integral entre parénteais rectangulares hall¡mo¡ .\2/ r\ (l + u2¡'¡<'+t>rz . xlgs = \@.(' F(r) = _ tf Jr=-..t' / 2 e.3).rzrl.u [f=. Entonca ti z.u\ .Elrode donde t6=t = . zo/2)-re-z/21ffi e-uzzr2./ .o 6 . podemor utiliza¡ el hecho de que ({Tx2 . Por tanto tenemos Remplazando F(xl = . #. z ) La función de di¡tribución de I = Ylt/ffi e¡ F(u) = P(T=r) = P(Y=er/Zfi) = y@2. DISTRIBUCION ü x3s¡ dado en el Apéndice E..va J"' {2r2. . podemoe ercribir.2.100 gados de libertad. 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. (b) Si r=100. Demostrar el Teorema 4-6.lt * T ) eeto puede eocribir¡e d.64+/199P = 124.y ¿2 # donde la integral ¡e toma ¡obre la región ( del pleno lz parn l¡ cr¡¡l g ut/ñ. / mayor que 30..(z. *^ I' = - *l Í": como z('' . '\ z / (.4l DISTRIBUCIONES DE PROBABILIDAD CON NOMBRE PROPTO 13? 4.6 = f. Hallar xlerpm (a) v : 60 y (b) y .

Del Apéndice D hallamoe 2. .95 y úr Refrriéndonos a la tabla en el Apéndice D.olumna ¿. 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) 16.5. hallamos en la columna te. La representación gráfica de la distribución (c) el área sombreada a la derecha en la Fig. (c) Si el irea total sin eombrear ee 0.:"i = l::"'.gg) = 0.entoncesúl correspondealapercentilagO.O5): 0.82.0. a. 4-19 tt (a) Si el á¡ea sombreada a la derecha es 0._tr Fig.005. (e) el área a la izquierda de ü.t u(v2/ 2) .'') (?ñ rr^ o(vz/2) -| "-'.::l = l"*:" 'u':'" Denotando la densidad como función de u y w por g(u.01 y el área sombreada a la derech¡ es 0.05.e.O. Efectúe Ia transformación u 1/ v1 . (El último e¡ el valor que se obtendría utiüzando la cu¡va normal. dada por 1 (. entonces el área a la izquierda de ú¡ es (1 repreeenta la percentila 95. entonc€s por simetría el área sombreada a la derecha es 0.70 correspondiente a v = 27i (c) 1.quedelatablaes igual a 1. Sielá¡eaalaizquierdadeú¡ es0.:. 4.25.rl). búsqueee en Ia columna y el valor 9. 4-19. ) 0 y 0 de otra forma. losvalores: (o)L.ú.26 como el valor pedido de ú. entonces el área total sombreada es (1 .05. De la tabla hallamos t. Entonceg búequese la c. vlW v2 .44.es.css = 3. La función de densidad conjunta de f '' V¡ y V2 etá. ODt=r.9?5 y úr reprecenta la percentila 9?. -1)(v'\/2) "-.lL=-=_rü=02 L"a/ ar t'2ú | vl1t2' .99. ú es 0.. entonced el área sombreada a la derecha es 0.01. De la t¿bla t ss = 2. J z t .[.4 4.75 correcpondienteay:16. ) 0. ú.05. Por tanto el á¡ea a la izquierda de ú1 es (1 .645 correepondiente a y: 200. tenemoe | 1U) t.e0.01.05.025): 0. (c) 200. Deimostrar el Teorema 4-?.43.90.82.'. (b\ 27.la/2. Por tanto el área de t para el cual el área sombreada a la izquierda es 0. ¿. El resultado 1.45. . Halla¡ el valor de ú1 para el cual de Student con 9 grados de libertad se muesha : 0.r) a\.99. (c) el área total sin sombrea¡: 0.(b) 1.90.DZ=ü l1U7D Entonces el Jacobiano es i'. t.2 g(u.05 Refiriéndonos al Apéndice D.:: ::'.u) = . r / Ll+ lvt/v)).01.138 DTSTRIBUCIONES DE PROBABILIDAD CON NOMBRE PROPIO ú [cAP. (b) el área total sombreada: 0.1 ez(vt+ v2)/2 lQl/21 f (u2/2) <t | + ú2)' ri o. sea 0. En el Apéndice B e¡te valoi corresponde a la enhada en la última fila ma¡cada ó).nD\]uJur0..l4\ -1- f 'pw\"rz'-' ID'-''-"e '"''o'-. DISTRIBUCION 4.) = 6"i.01/2 : 0. t.er5.38.01 es (e) -2. (d) Si el Área sombreada a la izquierda es 0. t.83 es el valor pedido de t (b) Si el área total ¡ombreada es 0.0.025 por simetría. (d) el área sombreada a la izquierda : 0.

0g (d) Por el Teorema 4-8. que es el reeultado pedido.\ z /.*r.'rrr. rs = 3..ss : ". es decir (r.o.7L = (2.257.ot. u. Pero de Tenemoe (r h(u) / v2\vr/2 4Q 1/'' .96. A diferencia de una conetante.80. ( " *.48.e75. Demostrar que la distribución F es unimodal en el valol ¡v' ' La moda localiza e! valor máximo de la función de deneidad. Verificar que (o) /.ee.8 = 3. hallamoa \-i. página 118. er hkt) = ei u (.1-2\/ /\.78)2.au d. F.\/2i-r. (b) F . r. donde vt -. 4. 11 .ut = t'(P) ap Jo da) ) 0 y 0 ei rt É 0. /.5.. : (4.1 = (3.rr. 15.2\/2)-t e-tt+<v{/v2)t(o/2> z(tt ' u2)/2 t0t/21 l.s.1 -. .t .¿t. > 0 y 0 de otra forma. 7.l= *. 10.. (c) Por el Teorema 4-8.r.326. página 118. .\i = /v' I vr\ ) si u ) 0 y 0 ¡i z¿ 5 0.t r rz)tz Si tiene un máximo relativo se presentará cuando la derivada sea cero. ir ua 0.l¡. (d) F. ¡2 y ú 4.oc.46. hallar (¿) F.. /. \ : ¡. = # = 0..ul F'. rr.ss : t?n (b) fl. (a) Comparar ia¡ entradas en la columna de la tabla F.n.0 = 4.r. .4l si u DISTRIBUCIONES DE PROBABILIDAD CON NOMBRE PROPIO 139 > 0.. hallamog .9.30. rr. donde. ro. Apéndice A... 4.71)2.F' gs.5 L6l = (72.+v2't/2r-r = 0 Dividiendo Wt ut|ti2)-2(t2l t¡t)-[("\+t.t)- tyt ('4fa) (.o.47..2* . \. hallamos F. (c) = 10.cAP.50¡2. ro.L5.o5 en el Apéndice F con e¡a¡ en l¡ distribución ú bajo ú.-'1t'"tvp)-uvr\j-:. =- 9.o. primera f.18)2.2* r. (b) Del Apéndice F... i \rn) - 2\ / v' \ si v.\rt.ob.rr.s. Utilizando la tabla para la dist¡ibución F en el Apéndice F. Vemos que 18..+t.. = 0. etc.i/2)--t (v2:L vru)-(r.(vz/2) Jo -tL-!:j!::-:(I5).rt) - (¡'r +t2)/2 - . RELACIONES ENTRE LAS DISTRIBUCIONES F.r' / 2(.- r1u)-¡(.TZ) \ (-" se Utilizando el criterio de la segunda derivada podemos demoetra¡ que realmente trata de un máximo.so.io = F_¡ .'r2\ ) = 0 ó trt ry = /. la función densidad de la di¡tribución F es r[(t.'..\z ..t e. ) 2' de (. r¿ desde La función de densidad (marginal) de U puede encontraree integrando con recpecto a decir 0 ha¡ta €... (o) DeI Apéndice F.

1 = (5. t { l'-'u-r.(4.48.l / +z\-r¡ \ '/ ¡=. 21./ para u /_u_r.. \ : {". Demostrar el Teorema 4-9.4 (b) Comparar la¡ enhadas en la primera columna de la tabla F.. Por tanto ^\ F. P. pfuina 116.r¡ n'(. 34. '\2/'\2/ "11\ "/r\ t -/.)" ./" + 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. Sea 11 .-¡l r.*rr.página 11?].'. I ^F.5 = (9.)" \/ Com¡rarando con (42).'. que puede establecerse simplemente como F r-p = t? ott¡ l(4í).eer.t. Re¡olviendo.49. + r\ r( ol -r- . tenemos P(T=+tlrno¡ = t -Pi .. Vemos que 4050 : (63.92)2. P(.0 <'T = *t/Ft_o) ú donde ? es una variable aleatoria con distribución de Student con u grados de libertad.2 -. Por tanto t-P 2 = Pp<T:.140 DISTRIBUCIONES DE PROBABILIDAD CON NOMBRE PROPIO [cAP. 98.es el nhmero tal = 7- * t\ "/" .66)2.o) r\ \ '/ ll '=2 | '\ . página 118.u/2¿-r/2(y + ul-(r1tr/2 ^/.(.r( . Entonces y a.4*)___\-. y que P(U 5 .P(f 0) = = P(T=+\E|-+ donde hemo¡ usado la simetría de la distribución ú.-. vemos que el lado izquierdo de la última ecuación es igual a z. Entonces por la definición de un valor de percentila. v2 = v en la funeión de densidad para la distribución F f (ul = .sí generalizar los resultados del Problema 4.l..9 " / +1\ -t'* "" t / vv/21l-12v-(.rtF.Ft-o) f(u): 0 para ¿ < 0. 4.'.ee en el Apéndice F conegarenladistribución ú bajo ú. .r(l +3!) t r-ru+l)/9 ) O.+tfttur¡ = P(T s +VFt-p) .84)2. etc.60)2.

Véase Problema 4. s.145. + * en la distribución F en DISTRIBUCION NORMAL BIDIMENSIONAL 4. Y son independientes solo si su coeficiente de correlación es cero. Y variables aleatórias cuya función de densidad conjunta es la distribución normal bidimensional.. si X. tt tt¡/z.8t (b) -..CAP.52. Esto es posible sólo si p : 6. lotll. (c) Comparar las entradas en Ia última fila de la tabla F o= en el Apéndice F (correspondientes las entradas bajo ¡. Análogamente la probabilidad de no obtener un 3 en el segundo lanzamiento ee 5/6. = tt-(p/zt ó Fr-p : tl2t'-tptz'. para (a\ p : a1 0. er el Apéndice F (correspondientes las enhadas bajo x:nn en el Apéndice E. Sean X.¡ !.1. Méüodo 1. = @) con = "'13. ya que la función de densidad de Ia distribución positiva..'. en el Apéndice E. 3.r y una función solamente en y. y se deduce que X...7 2. Entonces vemos que a r': ó) con etc.(p/z\\ = l-?.:\/2= en . la probabilidad pedida es Y/r\ \6i \6/ / s c..'.99.95 y (b) p : 0. Demostrar que X. se convierte en l@.r'il ) y y puesto que este es un producto de una función solamente r.94 3. La prueba general del Teorema 4-10 se deduce tomando el límite cuando U2 la prfuina 117.4!¡ 4 2.s2 T r. 4. etc. página 118. K (r(r . -. 3.. r por una función solamente en y para todos ser el Inversamente.60 -. 4. que era lo que se querfa demostrar..25 77i6 . 't7 2.. DISTRIBUCIONES DIVERSAS 4. Comparar las entradas en la última fila de la tabla . )Lo. Entonces la probabilidad de no obtener un 3 en lo¡ primeros cuaho lanzamientos es (5/6)(5/6)(5/6X5/6): (5/6)4.51. lo cual provee la verificación requerida. La probabiüdad de no obtener un 3 en el primer lanzamiento es 5/6. Y son independientes. Hallar la probabilidad que en lanzamientos sucesivos de un dado honrado resulte un 3 por primera vez en el quinto lanzamiento. f(x.. etc...50. entonces la función de densidad normal bidimensional (49).+.Por tanto la probabiüdad de obtener un 3 en el quinto lanzamiento es 1/6.00 =.L . y este nfimero se determina finicamente.. _ 9. Entonces vemos que 6. Y son independientes. Por tanto ú es estrictamente +\/F. Ll .¡ es el número üal que P(T=tt.78 = #.21 . página 118. lo cual provee la verificación requerida. Verificar el Teorema 4-10. por definición.ú los valores de = t-+o-. y) dada por (49) debe para todos los valoxes de x.il = (4 . producto de una función solaménte en. s. Si el coeficiente de correlación p = 0.4] DISTRIBUCIONES DE PROBABILIDAD CON NOMBRE PROPIO L4t Pero.GB a ¡'.F e.r"?ll--+"-..02 = #.

1 en el primer dado y 2 en el regundo dado. ¿Cuál es la probabilidad de obtener un total de 9 (o) dos lanzamientos de r¡n pa¡ de dados? en veces. alf hay 6 . página 118. (o) t' = E(X) = JO f abrb e-o"o d. etc.oJs u. ó aproximando 0.¡ :6 Gzl vemo¡ que la probabilidad /t\/o\' _ \6/ \6 / página 119.""tb)-t a-ub I ur/be-! du Jo a_.4. : atb pa. - f.ra evaluar la (ü) E(Xz¡ = fo- oOro*r¿-oto¡lg r "b ('/z\r*ttro> e-!:u(t/b)-t = o"o )o \.26 (c) P(al menos uno re gradúe) = 1 -P(ninguno se gradúe) :0-92224. 4.be-! = o-2/br\t + a) Entonce¡ / o\ ¿u 02 = El(X-u¡21 = E(Xz)-uz = PROBLEMAS DIVERSOS o-".. (b) uno. 11. Determinar la probabilidad de que de 5 estudiantes (a) ninguno. La probabilidad de que un estudia¡rte que ingrese a la universidad se gradúees 0.L42 .977?6.p(\ t + +)-l ó/J 4.q:616.63. 4 Utilizando la di¡tribución geoméhica. (c) al menos uno. i7't6 4. (a) P(ninguno ee gradúe) = 5Cs(0.tbr donde hemo¡ ütilizado Lr ¡ustitución u f@ ab ('/"\ du /' (r.64. 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.2692.6)r : 9. ó aprorimando 0. i) integral.55. Verifrcar las expresiones dadas para la (a) media.4)1(0.08 (D) P(re gradúe uno) = 5Cr(0. pedida er pRopro [cAp. 6 = 36 forma¡ en las cuales ambo¡ dadoe pueden caer./ du (' = o-r. ó aproximando O. etc.6)4 = 0. (b) la variarrza. 2¡. (D) al menos dos veces en 6 ¿ead¡¿o¡ por (1.of ¡(1 + 3) b/ L\ .4)0(0.92. de la distribución Weibull.r I ú ). \i)"-". E¡ta¡ ¡on 1 cn el grimer dado y 1 en el regundo dado. eon p: Ll6. DISTRIBUcIoNEs DE rRoBABTLTDAD coN NoMBRE Método 2 (utilizando fótmula). . se gradúe.

0676 : O. 6).2. Halla¡ los coeficientes de (a) sesgo y (b) curtosis de la distribución en el Problema 4. (4. Por tanto una calificación de 6 puntos ¡e cor¡sidera como 5.0 (6.-.. Véase Fig.17 (5./ \./ * '"'(.2:{).6.17 z: -1 y z:-4. (b) la calificación máxima del L0% más bajc de la clase. 5). 4. ^ /r\ta. 4.133 coeficienüedecu¡tosis: l. ^/r\'/a\'. Por tanto la de¡üación tfpica = /56 = 6. 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-p8/9.2 = -'1. (a) Media : np :400(0.6.er)*P(9cincovecer)*P .7)1L.5?.6 a 6. 10 puntos.? y la desviación típica fue 1.6u./ \ó/ * '"'foi ó * '''Gi 72689 1 10240 960 48 61 = 681 440 65f ¿¿T . es decir podemoselpemr que 40 tornillo¡ esüén defectuosos.56. La calificación media fue 6.58. .1./r\'/e\a.9): 36. 4). un total de 9 ocurte en 4 cqlos¡ (3. (o) P(9 do¡ veces en seis lanzamientos¡ = 6"'\t/ /q\t-' . Las calificaciones de un parcial corto en biología fueron 0.5 en unidadee tipificadar hoporción pedida: á¡ea entre : : . .ó6.a di¡tribución ee s+l---^6:q : 3+ff1-6(0'1X0'9) = nuq 3'01 ligeramente má¡ apuntada que la distribución normal.5 puntoe. == vnpq H = 0.17 z: -1 y 277o z: O) 0. (a) la di¡tribución normal a datos discetoe.cAP. 4-20. (c) la calificación mínima delL0% más dto de la clase.6 (área entte 0. Para aplicar : 6. ^ /r\u = 'c'(o/ \é/ * '"'(.2788: .5 . ^ /r\'/e\'."'\g/ ' ^/rY/s\u. determinar (c) el porcentaje de estudiantes con 6 puntos. (D) Varianza : npe: (40OXO. . la distribución está sesgada a la derecha. eb necesario con¡idcrar los datoe como si fueran continuoe.1): 40.-"^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. L.7)1L.1XO. (6. 3).\0/ \e/ \s/ ^/l\'/q\' ffitZü 7268s 4. hallar (c) la media y (b) la desviación típica para la distribución de tornillos defectuosos de un total de 400. (5.5gr 441 * ss1 441 .4I DISTRIBUCIONES DE PROBABILIDAD CON NOMBRE PROPIO 143 De estas 86 forma¡ todar igualmente factibles ¡i los dados ¡on honrado¡. dependiendo del número de respuestas conectamente solucionadas de un total de 10.5 en unidader tipificadar : 5. (a) (b) Coeficientedeeeego= Puesto que es positivo..2.5Bt 441 = 531 441 441 Otro método. Si la probabilidad de un tornillo defectuoso es 0.3418 - y e = 0) (áre¡ entre z :{. P(al menoe 9 doa veco) : 1 - P(9 cero vecer) - P(9 una vez) : . Suponiendo que las calificaciones están distribuidas normalmente.

la probabiüdad de no cuenta en el tiempo t Entonces Po (ú + At) es la probabilidad de no cuenta en el üiempo ú + Aú. Halla¡ la probabilidad de que en un tiempo f no se cuenten partículas.que lógicamente e¡ 1.4-22 o ran si AÍ es pequeño. At.7)lt.I -0. La Fig. Por tanto la probabilidad de no contar en el tiempo At ec 1 .Z:-t.40 : -L. a Area entre zt y O: 0. por tanto área.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 = 0.28. pero no se consideSea P6 (ú) r-----]--l Fig.28y Ír:6.4-20 Fig. rin considerar los términoe que incluyen (Aú)2 y término¡ cuperiores. Si (b). 4.2 ! 22 Eu equivalente en unidades tipificadas.r2 la calificación mínima pedida zz =L. zt Enüonces zt = (xt . (c) Sea .69 halla¡ la probabilidad de exactamente una cuenta en el tiempo t.60. exiatirán término¡ adicionalecqueincluyen a (Aú)'y órdene¡ ruperiores. Entonces (x2 - 6. 4-21 (b) Sea r ¡ la calificación máxima pedida ] z¡ !u equivalente en unidadec tipificadas. Un contador Geiger se emplea para contar la llegada de partículas radioactivas.69.x2:8.26 6 aproximando y al entero má¡ cercano. Por tanüo c = I y l¡ probabilidad pedida ee (11 Po(¿) = ¿-^t 4. 4-2L el la izquierda de z¡ eo LOT. tenemoS (r) De (I ) obüenemos (2) Po(ú+a¿) = lú Ps(Ú)[1 -IAú] = -IPo (¿) At+0 lim Po(¿-f a¿) - PoQ\ e¡ decir (. Si se suponen lar llegadae de lae partícula¡ sucegos independientes.on O como el origen.28.I At. De la Fig.4 . 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 .7)17. 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. 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.2 u 8 aproximando al entero má¡ cercano. Por tanto.10.17 I'ig.P6(0): c e¡ la probabiüdad de no cuenta¡ en elüiempoGrro. 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. por simetría : L. Máe precisamente. 4-22 repteeenta el eje de tiempo c. Refi¡iéndose al Problem^ 4.6.L14 DISTRIBUCIONES DE PROBABILIDAD CON NOMBRE PROPIO [cAP. = 0.28 (aproximadamente).

(b ) menos de 4.t * \P. (b ) 1. 3). ¿@xtPr) = x que al integrar (6) Pr(t) = \¿¿-rú+c2e-\r Si : t:0.66.67.I"(t) = XF'o(¿) - IP1 (¿) ge Tomando el lfmite cuando Af -+ 0 y utilizando la expresión para Pe(ú) obtenida en el Problema 4. (b) dog vece3' en dos lanzamientos de un par de dados honrados. X denot¡ el número (d) de caras en un solo !¡nzamiento de 4 monedas. que es cero. (c) 2. DeSOOfamilia¡con Shijos. 4.ar una moneda honrada 6 veces aparezcan (o) 0. sin coruiderar los té¡minos que incluyen (Aú)2 y ruperiores.I a¿).59 esto convierte en dP.64. Suponer 4.66. tr¿-At (3) dt = ^Pl o d. la probabilidad de acerta¡ correctamente al meno¡ 6 de 10 res¡ruestas en un examen tipo verdadero- . .(b)5niñar.i que es [a distribución de Poisson.rlos DISTRIBUCTON BINOMIAL (BERNOULLI) 4. caras.¡e-rtt esto puede escribirse como d.61. Halla¡ la probabilidad de que al lznz. Utilizando e¡to en (6) hallamos Pt (Ú) c2 0. @l 6 caras. Si P(X=2). Iülla¡ la probabilidad de (o\ 2 o már honradas. ¿cuántaseeperaríantener(o)3niños.s supletnenta. con un par de dados? ¿Cuál es la probabilidad de obtener un 9 exactamente una vez en 3 lanzamientos 4. Hallar la probabilidad de obtener un total de 11 (c) una vez.cAP. u) Multiplicando por (5) e^¿ d. Problerna. (b\ P(X <21' (c) P(1<x=3). (c)o2ó3niños? probabilidades iguales para niños y niñas. Por tanto (7') = ¡¿¿ .P.62. (d) 3' @l a.4l DISTRIBUCIONES DE PROBABILIDAD CON NOMBRE PROPIO 145 La probabilidad de (i) es P1(ú)(1 . Hallar fal¡o.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). Por tanto. 4. (r) Esto puede escribirse Pl (ú + a¿) = Pr (ú)(1 - r aú) + P0 (¿)r a¿ Pr (¿ + (2) l¿) Lt . 4 caras en un solo lanzamiento de 6 monedas hallar (o) P(X = 4. (n 5. La probabilidad de (ii) es Po(ú)I at. P1(0) eo la probabilidad de 1 cuenta en el tiempo 0.69.

4. (D) mayor que 0.58. (b) menos que p .74. Calcular la (o) media.2 respectivamente.80' 4.4O. Hallarz¡ si P(Z-21)= 0. Hallar el área bajo la curva normal (o) a la izquierda de z : -1. ¿qué porcentaje de esas mediciones diferirá de la media por (o ) más de media desviación típica.t'c.76.608 pul.2 o. (b) Determinar los puntajes de dos estudiantes cuyas calificaciones tipificadas fueron y 1. todas de edad idéntica y con buena salud.?0 m? cm. llallar el área bajo la curva normal z: 0. La calificación media de un examen final fue 72 y la derviación típica g. (c) solament e 2.96 =_ Z < t.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 -0.2266. (ó) el área a la izquierda de z sea -0. ¿qué porcentaje de las medicione¡ están (o) dentro del recorrido I.618 pul inclusive.55 m.85- 4. Si X está distribuida normalmente con media 5 y desviación tipificada 2. Un agente de una compañía de reguros vende pólizas a 5 personas. 0.8{. (c) coeficiente de sesgo. su coeficiente de curtosie es 2. (e)correcpondientea-0.75.85 m. (c)z:-2.0025 pul. 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. (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.gShallarlacon¡tanteatalqueelporcentajedelo¡casos(o)dentrodelrecorrido 7 í'.52 y a la derecha de z: 1. (e) el áiea en¡e-z y z 4. DISTRIBUCION NORMAL 4.0314. 4. (d) coeficiente de curto¡is para una dishibución binomial en la cualp : 0. EnelProblema4. Demostrar las fórmulas en la página 109 para los coeficienües de seego y curtosis. (/)ala izquierda de z:-2.68. (d) correspondientea z>:2.56.900. (b) desviación típica. Interpretar los resultados.23yz:1. En un examen la media fue 78 y la desüación típica 10.4 respectivamente. (c) menores que 0.L46 DISTRIBUCIONES DE PROBABILIDAD CON NOMBRE PROPIO lcAP.61? pul.5 o? 4'83.? y n : 60.64). Si (c) P(lzl > r).r)af(rl para la distribución binomial.9. entre (o) 4. entre 1. (d) iguales a 0. -0.78: Hallar los valores sea 0.(b)z=I. ¿cuántos estudiantes tienen estaturas (o) ¡nayores que 1. (b) menos que o iguales a 1.84.?O m y desviación típica 10 Si los diámetros de los cojinetes de municiones están normalmente distribuidos con media 0.7O.5722.4 4.6140 pul y desviación tipificada 0. lt!aosea .81' 4. (c) el área entre de z tales que (a) el área a la derecha de z sea 0. (a)Determinarlas calificacionestipificadasdedog estudiantes cuyos puntajes fueron 93 y 62 respectivamente. 4.oo ¿ea 22c/a.79. 4.El m inclusive.23 y z sea O. (d) igual a 1. z:-I. Demostrar que si una dishibución binomial con n : 100 es siméhica.610 y 0.82.82. dondeZestádistribuidanor¡nalmenteconmedia0yvarianzal.!6.15 y z *aO.45. 4.96).59 y 1.O?30.71.e z: -1.615 pul. (b) P(-1.6 y 1.?8.80< z< !. 4. El l}'. (c) a la derecha d.72.79' 4. determinar el porcentaje de los cojinetes de municiones con diámetros (a) entre 0.83. (b ) al menos 3. hallar P(X > S).77. Z está distribuida normalmente con media 0 y varianza 1. 4.50.2O y z --2.85V 4. ¿Cuál es la cslificación mínima que debe obiener un estudiante para recibir una A ? Si un conjunto de mediciories está distribuido normalmente.t ! 2 o. haltar (a) P(Z = -1. 4. (c) Si las estaturas de 300 estudiantes están distribuidas normalmente c\on media 1.b superior de los estudiantes recibirán una calificación A (excelente).69. 4. (d) el áreaentre 1. (b) por fuera del recorrido ¡t ! 1. Hallar la probabilidad de que en 30 años (o) Ias 5. Evaluar (o) ) (c - p\3 f (r) v (b) > (r . (b) a la izquierda de z:0. (dl al menos I persona esté viva. (c ) mayor que g 1.86.

Generalizar el resultado a n variables. Se extrae una bola y se obsen'a su color. Según Ia National Office of Vital Statistics of the U. -'. (b) 7. Xz. r¡ : L - p. 4. 2 "doses" y . 4. En el Problema 4. f(r) =.94. o 2lámparas eléctricas sean defectuosas. 1/2 prob. hallar la probabilidad de que en una muestra de 100 lámparas eléctricas (a) 0. 4l DISTRIBUCIONES DTSTRTBUCTONES DE PROBABTLTDAD CON NOMBRE PROPTO PROBABILIDAD PROPIO I47 L47 APROXIMACION NORMAL A LA DISTRIBUCION BINOMIAL 1. .1 t\. ( L 1 prob. 4.b. Explicar por qué se podría esperar que el teorema üengan la distribución de Cauchy. Un talego contiene una bola roja y siete blancas. de loe tornillos sean defectuosos.97. 3 . 1/2 -r -t Demostrar el teorema del límite central para las variables independientes 'Yk donde g = | | 1 prob.(d)8. ( t 3 ).(f)menosdeS ahogados por año. .10O. Utilizando (o) la distribución binomial y (b) la aproximación de Poisson a la distribución binomial. (c)2. 4. (c)entre y 46. enunaciudadcuyapoblaciónesde200000ocurran(a)0. "heses". Entonces se coloca la bola en el talego. S.(Sugeren- cia: Utiliz.87. Demostrar el teorema del lfmite central para el caso en q rre X ¡.cAP. Hallar la probabilidad de que en 200 lanzamientos de una moneda resulten (a) entre 80 y 120 caras inclusive. Halla¡ la probabilidad de que el resultado sea: (o ) 1 "uno". (c) menos de. Se lanza un dado honrado 6 r¡ece¡. (d) 55 o más. Hallar la probabilidad de que un estudiante pueda acertar eorrectamente lasrespuestas a(a)12 o más de 20.9!. (d) 3.95. el promedio de ahogados en accidentes por año es 3. arí generalizando el Problema 4.#Tf DISTRIBUCION MULTINOMIAL 4. (b) entre 1 y 3.91. Department of Health.101.t9. Demostra¡ el teorema del límite central para las variables independientes xk = 4. . 36 LO"/o de los cuales son defectuosos. (c) menos de 85 o más de 116 caras.92. del límite central no sea válido en el caso que X¡ . Halla¡ la probabilidad de que 4. DISTRIBUCION DE POISSON 4. hallar la probabilidad de que (of rnís de 5. Demostrar el resultado (l 7).(e)entre4y8.entoncesXr+X2 tieneunadistribucióndePoissonconparámetro). 4.93. (bl 24 o más de 40 preguntas en un examen tipo verdadero-falso. 4.98. hallar la probabilidad de que en 8 de tales extracciones se seleccione una bola roja 3 veces. Hallar la probabilidad de obtener más de 25 "sietes" en 100 lanzamientos de un par de dados honradoe. Si 3% de las lámparas eléctricas producidas por una compañía son defectuosas.(n5lámparar sean defectuosas.97.88. Una máquina produce tornillos. p pr. . Hallar la probabilidad de que en un muestreoaleatorio de 400 tor4illos producidos por estamáquina (a)máximo 30. (b) cada ca¡a una vez. (b)entre 30y 60. Demostrar que si respectivostrr X1 ¡l X2 son variables independientes con distribuciones de Poisson con parámetros ytrz. . son independientes y están distribuidas idénticamente con la distribución de Poisson.2. Xz. 4. página I 1 1 . <x< @ 4. .90. TEOREMA DEL LIMITE CENTRAL 4. (d) exactamente 100 cara¡. Education and Welfare. f. (e) 4.96.99.0 de cada 100 000 personas.ar la función generatriz de momentos). 4.(b)2. (b) menos que 90 caras. página 113.(c)6.

De 60 aspirantes a una universidad 40 son del oriente. hallar P(lX . blancas. 4.114.págin.148 DISTRIBUCIONES DE PROBABILIDAD CON NOMBRE PROPIO [cA¡.11?. Generaliza¡ el resultado del Problema i. Determinar el coeficiente de (a) > ll 6/.108. hallar la probabili4. 4. 4. cuando N ' e. (b) ninguna sea figura. normalmente con media 0 y varianza l Demostra¡r que Y: Xt lXz tiene una distribución DISTRIBUCTON GAMMA 4.(b)8 sean rojas y 2 amarillas. 2 zzulee y l amarilla. Una caja contiene 5 bolas rojas 5l l0 blancas. 4. (b) todas sean blancas.106 y e¡tudia¡ la precisión 4. sean del oriente. Si se seleccionan 20 aspirantes aleatoriamente. Y son independientes y ambas eetán distribuidas uniformemente en el intervalo de 0 a 1.9: 4. SiXestádistribuidauniformemente en-2< x=2.105.122. página 116.112. S blrncar. Demostrar directamente que (22). (c) al menos una sea roja. Si Xt y Xz son independientes y distribuidas de Cauchy. Z. (b) P(Xz > r2). Demostrar que si X1 y X2 son independientes y tienen la misma distribución {e Cauchy.110. (b) no más de 2. 4.Hallar(al P(X <1). sesgo y (b) curtosis de una di¡tribución uniforme. ó (24\ se para resolver el Problema 4. 4. 2 ó 3 en cuatro lanzamientoe de un dado honrado. dad de que (a) 6 sean figuras. página 108. Yerificar la (a) función generatriz de momentos dadas por (33 ).116.120. Verificar que (31 ). DISTRIBUCION HIPEBGEOMETRICA 4. Suponga que X tiene una distribución de Cauchydeacuerdocon(29).102. Una variablealeatoriaX tiene una distribución gamma conQ:3. DISTRIBUCION UNIFORME reduce a (I ). página 115.4 4.109. Demostrar que el recorrido semi-intercua¡tílico para la di¡tribución de Cauchyeeo. hallar la probabilidad de que (o) 10.121.111. Hallar (a) el tercero y (D) el cuarto momento alrededor de la media de una dishibución uniforme.115. Emplear la aproximación binomial (18) obtenida. 4. Si X.113. Hallar la probabilidad de que de 10 bolasextraída¡: (o) 4 rean rojas. y (b) la función caracterfstica de la di¡tribución gamma . 4.106. entoncel su mdia 4. azules y amarillas en la proporciün 4t 3z 2: L. (b) P(lX-11 = +).págrna114. o:2.119.11E. (t) P(l = X=2).116. 4. Hallar la función generatriz de momentos para la di¡tribución uniforme. Si se seleccionan 13 cartas aleatoriamente (sin remplazamiento) de una baraja de 62 cartas.104. Una caja contiene una gran cantidad de bolas rojas. tl¡llar(o) P(X= 1). recorrido gemi-intercuartílico es un eustituto de la desviación tfpica? aritmética también tiene esta distribución.Hallat(a) P(X i. Determinar los valore¡ modales de la distribución gamma. 4.103. Hallar la probabilidad de no obte4er un 1. 4.z 114.fl DISTRIBUCION DE CAUCHY 4. Si se seleccionan 8 bola¡aleatoriamente (sinremplazamienüo) determinar la probabilidad de que (a) 4 sean rojar.107.con < 2). es una función de densidad. ¿Porqué en este caso el 4.

si el número de 4.01. (b) F. hallar el valor de ú¡tal que (a) el área a Ia derechadeú1 seaO. Si la variable U tiene distribución chi-puadrado P(u < x?) : 0.páSrrra 115. área combinada a la derecha de ú1 y a la izquierda de -f1 4. Hallar los .valores de grados de libertad I ú para los cuales el á¡ea de la cola derecha de es igual z (a) 4. (d) P(U 2 c) = Q. 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.134. Verificrü que (34).128. Hallar 4. (d) el área a la derecha de ú1 sea 0.130.? 9:?^5: suponiendo ireae'ig. hallar x2. - 2).05.90yy:25t (b)eláreaalaizquierdade-ü1 sea0.025. pígirn 117. (e) el área entre -f1 f f1 sea 0. ¡2o egtá x?ozs y (b) xizs para'r = 4. (c) 28.or. los valo-res de x? y x! no son únicos' 4. (c) P(x?< U < x2z) = 0..z¿i (d) F.99. 4.126.20 91tt: 1i Y_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. f f.rz. Demostrar que para grandes valores de 4. (c ) 25.01. : 6.:10.' dada Por r * . (d ) 60.9¡' P(U>c)= 4.ss.05. Halla¡ (o) 4. hallarlaconstantec talque (a\ 0.zoi (. Q) F.13E. (e ) 150.98. (D) P(-a= U 3 c) :0.13?. v. 4. hallar el valor ie . la distribución ú es 0. (d) 40. Demostrar que la va¡ianza de la distribución t de Student con t. + p . Hallar el valor de: (a) F.01. (b) 12. Demostrar que la distribución beta tiene una moda l¡nica en DISTRIBUCION CHI-CUADBADO r: (a - l)/(a P(lX-+l = +). (b) 19.10'(d)el sea 0.90.rúmero e.1 de la función de densidad (45'¡.55 ! 4. Verificar que la integral desde u lsugerencía: Hágase a : 0 hasta e v2u).123.(b)eláreaalaizquierdadetlsea0.727 si el área de la cola derecha es 0.rs.i) 4.12?.¡' 4. (c) el á¡ea a la derecha de xl sea 0. = t2ul(v1* .140.%t con y :7.95. v: -f1 sea 0.donde zo hra una distribución f de Student con 15 grados de libertad.rzo.(c)eláreaaladerechadeú1 eea0. Demostrar que (a) E(xz) = DISTRIBUCION ú DE STUDENT 4.132.rales a la derecha de xB y a la izquierda de x!.129.eo. y x! tales que (a) P(U > x?rl = 0'025.95.136. v ) 2. 4. si el r.¡.ss.2. er igual a 1. (c) F.01 y ¡.g.2gs para r = 150. 4. Para una distribución chi-cuadrado con 12 grados de libertad. (b) Demostrar que si la suposición de áreae iguales en la parte (o ) no se cumple.or'so'lr-.cAP.133.50.01. es una función de densidad. Si una variable Utiene una distribución de Student con ¡..142. ee la 0. (b) el área a la izquierda de xi sea 0./(. lJnavariablealeatoriaXtieneunadistribuciónbet¿cono:3.ti ti¡l gue (o) el área a derecha de ¡l sea 0. Demostrar que para 1 grado de libertad la distribución ú es una distribución de Cauchy. Hallar (a) es la x. 250. (ó) y (b) x.124.136.05. / una buena aprorimación para percentila (100p) de la distribución normal tipificada.141.9:2. grados de libertad DISTRIBUCION x .oo.os.ol/l'.4l DISTRIBUCION BETA DISTRIBUCIONES DE PROBABILIDAD CON NOMBRE PROPIO t49 4. Resolver el Problemz 4.139. (c) P(U = cl = 0'20. (o) llaltar x! y x? tales que el área bajo la distribución x2 correspondiente a v -.125.2\' 4.131. 4.02'5yv=20'(c)eláxea 16. \b\ Yar (7zl -.gc.

.162. .0r.145. ento'nces ) Xf ti"tt" 51.147. 4.144.6O. 4. Demostrar los resultados (20) y (23)..16O.161.0.. + Xn. página 114.n. Si X está distribuida normalmente con media g y variznza grado de libertad? Véase Problema 4. k=l son variablee aleatoria¡ independiente¡ disürluna distribución chi-cuadrado con y libertad.' o) 4.o2)a(0. Hallar la función generatriz de momentos de la di¡tribución hipergeométrica.. 4.1 o2 . PROBLEMAS DIVERSOS 4. . Demostrar el resultado (46). b. Si Xr. de 4.. constantes y b2 < ¿c. 4.149. Demostrar el Teorema 4-5. Demosha¡ el teorema del límite central para el caso donde Xt.c<ts -.36.159.e8)2ez \3 /' y dar una interpretación de probabiüdad.4 4.r.X. Demostrar que cuando v "> @ la distribución f de Student tiende a la distribución normal tipificada.A) = ke-(!¡z+2bra+"v'l donde a. (véase página cada unacondistribucióngeométrica.15E. mente tienen una distribución idéntica. Halia¡ el valor aproximado de (t3o).150.. RELACIONES ENTRE LAS DISTRIBUCIONES CHI-CUADRADO. Demostrar el Teorema 4-8.e8¡zsa \z /' * (tlu)to. Demostrar que 2u (. 4. página I44.154. k=1.. 4.pfuinal77.prgradoe X¡ + . Completar la demostración de la ecuación (8) del Problema 4. Suponer que X. rj +n'r l¡ = ¡'oof 4. prfuina 118.156. página 116. (Sugerencia: Ilaga la transformación u : 1/u).. . 4. Y tienen la función de densidad conjunta f(r.. DISTBIBUCION NORMAL BIDIMENSIONAL 4. ¿tiene X2 una distribución chi-cuadrado con 1 X1.146.. (ó) io ".8. Y mnjuntamente tienen la distribución bidimensional (19). 4. página LL8.I Y T' 4. Si X. (a > o' o .. Demostrarque k=l ) X* tiene distribución de Pascal 118).r..143. demostrar que e8t6n distribuidas marginal- "? y oi respectivamente. Generalizar el Problema 4.150 DISTRIBUCIONES DE PROBABILIDAD CON NOMBRE PROPIO lcAP.. hallar la función de distribución de lonva¡iablesaleatoúasindependientescon di¡tribuciónchi-cuadradoypr. libertad respectivamente.14E. 4.. Xz.. . y varianza 1.. Sean las variables independientes n X¡. mente con varianzas h aon 4..155. ..7ffi1.. c.^h.153. Verificar que estas constantes son l¿¡s dadas en (19). É^ ¡=o .157. ¿Puede deducirse la ley de los grandes números en forma débil del teorema del límite central? JuEtificar su solución.. página 118.Porevaluacióndelasseries dos del Problema (") 4.0. son independientes pero no necesaria. Demostrar el Teorema 4-10. demostrardirectamentelosresulta- 4.X. .37 demost¡ando que si buidas normalmente con media 0 grados de 4.

Estudiar qué le sucede a la varianza de l¿ distribución t 4.162. y varianza de la distribución gas para loc casos (o) (b\ v2= 4. (c) v1* 4.cAP. (b) v = 2.esdecirlarafzcuadradade la velocidad media al cuadrado). Estudiar qué le sucede a la media ¡i (o) r = . Determinar (a ) la conetante c. (b ) la velocidad media.164. . página 119. (d) la velocidad efectiva(rme.4l DISTRIBUCIONES DE PROBABILIDAD CON NOMBRE PROPIO 4.163. 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. Comparar sus resultados con l¡ entrada 5. (c) la velocidad más probable.F' f.

.

Farte tl ESTADIST¡CA .

.

1. Así en el Ejemplo 5. comítnmente denotado por N. MUESTREO CON. Segundo. generalmente finito. que se llarna la muestra. El-proceso de obtener muestras se llama muestreo. loa primeros 60 lanzamientos de la moneda y notar los porcentqiea de caras y sellos.S. la palabra poblacíón se utiliza para denota¡ la. 155 .s observaciones o medida. llamado la población.3.lo cual puede resultar difícil o imposible. Deben nota¡se varias cosas. N : L2 000. En cambio de examinar un grupo entero. En forma semejante el número en la muestra se llama el tamóño de la muestr. Esto se hace con el propósito de inferir cieitos hechos respecto de la población de los resultados hallados en la muestra. mientras que si cada miembro no puede seleccionarse más de una vezwllamamuestreo sin remplazamiento. n = 100 mientras que enelEjemplo S.Nesinfinito. INFERENCIA ESTADISTICA Con frecuencia en la pÉctica estamos interesados en extraer conclusiones válidas respecto a un grupo grande de individuos u objetos.2. Tercero. mienhgs que en el segundo caso solamente puede seleccionarse una vez.n: 60. por ejemplo. un proceso conocido como inferencia estodística.c.Capítulo 5 Teorío de muestreo POBLACION Y MUESTRAS. En el Ejemplo 5. 1 . El muesbeo donde cada miembro de una población puede seleccionarre más de una vez se llama muestreo con rempla. EJEMPLO 5.1 podemos hablar de la población de 12 000 estaturas (o pesos) en tanto que en el Ejemplo 5.Y SIN REMPLAZAMIENT\O Si extraemos un objeto de una urna. Desearfamos ertraer conclusiones respecto a la honradez de una moneda deüerminada al lanzarla repetidamente. el número se llama el tamaño de Ia población. en tanto que los 120 tornillos escogidos constituyen la muesha. la palabra población no tiene necesariamente el mismo significado como en el lenguaje común. Se podría obtener una muestra al examinar. 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. zamiento.s y no los individuos u objetos. donde cada bola seleccionada se regresa luego de observar su color. denotada pot n. Desearíamos extraer conclusiones reapecto a los colores de 200 bolas (la población) en una urna seleccionando una muestra de 20 bolas de la urna. puede llegarse a la idea de examinar solamente una parte pequeña de esta población. En este caso los tornillos producidos durante la ¡emana conforman la población. La población consiste en iodos lc lanzamientos poeibles de l¿ moneda. EJ EMPLO 5.4 podemos hablar de Ia población de todos los 200 colores en la urna (algunos de los cuales pueden ser iguales). En el primer caso un objeto determinado puede seleccionarse una y otra vez. Primero.4. EJEMPLO 5. 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. EJEMPLO 5. la población puede ser finita o infinita. como en "la población de determinada ciudad es de 180 000". tenemos la alternativa de colocarlo o no en la uma antes de una segunda extracción.

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

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

entonces (5) se remplaza por o2/N . 2 entonces la media muestral .á dada por E[(X-ti'l: "l = ¿ n donde o2 es la va¡ianza de la población. está dada por E(X) = donde ¡. = t' es la media de la (l) población.5. Se supone aquí que la población es infinita o que el muestreo es con rernplazamiento. Teorema (6) 5-4: p y vaianza o2 entonces la media muestral p y vananza é/n.¡ n lcAP. si el muestreo es sin remplazamiento. De otra forma Io anterior es conecto si remplazamos o/l/-n en (7\ por o* como se da en (6).158 TEORIA DE MUESTREO Jrf ll |"'Fi. entonces la varianza de la distribución muestral de medias. Si una muestra de tamaño 5 resulta en los valores muestrales 7. 1.. dada por Z: es x-r "/\n es (7) normal reintóticamente. est. oft = . Teorema 5'1: La media de la disbibución muestral de medias. que se llama la distribución muestral para h media de la muestm o la distribución muestrcl 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. denotada por oi. = ll s_t_1_t_gl" 5 5 DISTRIBUCION MUESTRAL DE MEDIAS Sea /(r) la disbibución de probabilidad de alguna población dada de lia cual extraemos una muestra de tamaño n. 9. página 112.r es F*. Los teoremas siguientes son importantes en este sentido.6. Teorema (5) 5-3: Si la población es de tamaño N. Entonces es natuml buscar la distribución de probabilidad del estadístico muestral X. la media de la población. . denotada por . Entonces la variable tipificada asociada con X.-.(¡¿ -n\ -f / en tanto eue ¡r* aún se da por (4). estn lim P(Z -z z) = -= f = J 1 vzr -* "-uztz ¿r. Nótese que (6) se reduce a (5) cuando N . 5 (3) EJEMPLO 5. y si el tamaño de la muestra es n S N. 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. (s) El Teorema 5-5 es una consecuencia del teorema del límite central.ux.

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

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

la variable tipificada Z= X-¡t "/yñ. 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. denota con frecuetlcia por ¡2. Sin embargo. En cambio de hallar la distribución muestral de S' ó S' es conveniente hallar la distribución muestral de la variable aleatoria relacionada nS! . Es natural preguntar qué sucedería si no conocemos la varianza poblacional.Si.22.cAP. Una posibilidad es estimar la varianzá poblacional utilizando una o más varianzas muestrales y luego colocar la corespondiente^ desviación típica en (21).1 grados de libertad. (21) está normalmente distribuida si la población de donde se toma¡on Ias muestras de tamaño n está normalmente distribuida.i2 o2 (20) o- La distribución de esta variable aleatoria se describe en el'teorema siguiente. 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. En cambio. . Para una demostra- CASO DONDE LA VARIANZA POBLACIONAL SE DESCONOCE En los Teoremas 5-4 y 5-5 hallamos que. 5l TEORIA DEMUESTREO 161 DISTRIBUCION MUESTRAI. en tanto que es normal asintóticamente si la población no es normal dado que n >: 30. UtilizAndo la misma idea po es más buci ¿" diferencias de varianzas. En (2I ) hemos supuesto lógicamente que se conoce la varianza poblacional o2 . S/\n X-t' slltn'- (22) r ü Podemos entonces demostra¡ utilizando el Teorema 4-6.grados'de libertad. se Debido al Teorema 5-6 la variable en (20\ ción de este teorema véase Problema 5.24. podemos considera¡ él estadísü próxima a 1 indicaría una pequeña pequeña indicaría una gr¿rn áiierencia mientras que una relación diferencia. 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. 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 . 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. 5-7: DISTRIBUCION MUESTRAL DE RELACIONES DE VARIANZAS En la página 159 indicamos cómo pueden obtenerse distribuciones muestrales de diferencias. pagjna 117. Establecemos esto en el teorema siguiente. Si. - 1. resulta ir¡ ande o e un bien complicada. que ? tiene una distribución de Student con n Teorema demuestra en el Problema 5. Se encuentra que el Teorema 5-7 es válido aun cuando las muestras se tomen de poblaciones que no son normales p-ero que tengan distribuciones en forma de campana como la distribución normal. en muesa la particular diferencias de medias.

u. (l) Desviaciones típicas o" Os !t/ 2n población oq está dada por (1) solamente cuando es normal (o aproximadamente (r) normal). la moda.t62 Teorema TEORIA DE MUESTREO [cAP. Si la población noesnormal. La distribución Medias o. Por ejemplo la mediana. (r/ I lo 't/tt l1(t1 que es casi igual a o2para valores deir trr j .5 5. Para n =) 100 la distribución muestral de la S es muy próxima a una normal.: nSj/('n 1)or.j respectivamente. el estadís_ tico F lr^ -_ '1.1.i Las notas para desviaciones típicas sqn igualmente aplicables aquí. etc.¿s ción. OTROS ESTADISTICOS Muchos otros estadísticos además de la media y la varianza o desviación típica pueden definirse para muestras.t normal. la curtosis. ttp ..2533 0 \/n Para n = 30 la distribución muestral de la mediana es muy próxima a una normal. Sr respectivamente.-8: Si se extraen dos muestras aleatorias independientes de tamaño m y n respectivamente de dos poblaciones normales con valianzas oi. la media poblacional en todos los casos.?/. los momentos.p en todos los casos son dn¡crr Medianas - "!t. Enlonces si las varianzas de las muestras aleatorias están dadas por . EI teorema también puede aplicarse en el caso de que las distribuciones de población no sean normales pero tengan forma de campana.ac\ \{r/ tiene la distribución F con ffi 7.100. Los resultados dados son válidos solamente si la población es normal o aproximadamente normal.o con gran aproxima- O. r. lo que se cumple para poblaciones normales.: ir...Í . 6n Las notas anteriores para medias igualmente aplicables aqu í.Sl. (1) .ra : 3o4 .1 ) en caso de que la población sea Va¡ianzas (-') O.. d .puede utilizarse (2 ).!!1. Para n '. 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.t o \/n muest¡al de medias se ájusta mucho a una normal (normal asintóticamente) para n = 30 incluso para poblaciones no normales. Nótese que (2) se reduce a (1) cuando ¡. n 1 grados de libertad. /. Nótese que (2) se convierte en (.-_. el sesgo.!f S. Proporciones oP \ ^7ett " ¡ !.

5-1.cAP.5-59.5 pulgadas. En este La primera clase o categoría. Algunos de estos.5:3.5 y 60.5-62. Tabla 5-2 ESTATURAS DE 1OO ESTUDIANTES DE LA UNIVERSIDAD XYZ o H o 10 (pulgadas) fir) Estatnra i Número -f. podríamos haber registrado el intervaIo de clase como 59. etc. 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'. Como ilustración suponga que una muestra consiste de las estaturas de 100 estudiantes de la univelsidad XYZ. por ejemplo.5 pulgadas mientras que unaregistrada como 62 pulgadas realmente está entre 61. como se muestra sombreado en la Fig.) de tro estudiantes É tr-r (::i t'. El histograma correspondiente es entonces semejante al de la Fig. 5-1 ercepto que el eje vertical es frecuencia relativa en cambio de frecuencia. conjuntamente con los dados.5 se conocen como límites reqles de clsse. el resultado sería una distribucíón de frecuenciarelatiua oporcentual. etc. DISTRIBUCIONES DE FRECUENCIA RELATIVA Y OJIVAS estudiantes err cada clase. . es Ia diferencia entre el límite real superior e inferior. desviación típica.Por e¡emplo.5.'J ir z 61 64 6t- l0 ?3 76 (pulgadas) Estatura (p [:ig.-r-l correspondientes a esta clase Ia correspondiente frecuencia de clase es 5.5 los números 59.5 y 62. Distribuciones muestrales para estos estadísticos.'RECUENCTA Si una muestra (o una población) es grande. Si en la Tabla 5-2 registramos la frecuencia relativa o porcentual en cambio del número de .5 y 62. Ya que una estatura registrada tromo 60 pulgadas realmente está entre 59. Por esta razón es útil organízar o agrupar los dofos. se conoce como d¿süribución de frecuencia o tablade frecuencia. Es interesante observar que Ia gráfica parece indicar que la muestra se extrajo de una población de alturas normalmente distribuida. 60-62 es 61.l .5.5-62. Io que se llama uninterualo de clase. que puede tomarse como representativo de la clase. 5l TEORIA DE iúUESTREO 163 definiciones son análogas a esas dadas para poblaciones en el Capítulo 3. la frecuencia relativa o porcentual correspondiente a la clase 63-56 es 18/100 ó 18'i. inciicadas por 6G-62. se ¡nuestqan en la tabla anterior. Tabla 5-2. DISTRIBUCIONES DE F. se llama marca de clase. consiste de estaturas desde 60 hasta 62 pulgadas. Puesto que 5 estudiantes tienen estáturas casoc:62. En la tabla anterior la marca de clase correspondiente al intervalo de clase Una representación gráfica para Ia distribución de frecuencia puede suministrarse por un hístograma.:) riri {l¡ ¡ lii 12 o ilr -71 27 8 . denominada la frecuencia de clase. La ordenación resultante. o al menos sus medias y desviaciones típicas (errores típicos). denotado por c¡r que comúnmente es el mismo para todas las clases (en cuyo caso se denota por c). El ancho del intervalo de clase 7-ésimo. es difícil observar las diferentes características o computal estadísticos tales como la media.5--65. o por un polígono de frecuencios uniendo los puntos medios de los techos del histograma. EI siguiente intervalo de clase sería entonces 62.. En el intervalo de clase 59. EI punto medio del intervalo de clase. puecen enct-¡ntrarse con frecuencia.

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

5l TEORIA DE MUESTREO 165 y al origen respectivamente están dados por ¡'rt .utiui+ 6It[i'M3 . etc. 8.29. .-'(i)r ¡) ri 5b *rt-f. Una población se compone de los cinco números 2. pueden hallarse Probletna. De una manera semejante otros estadísticos como el sesgo. el error típico de medias. (c) la media de la distribución muestral de medias.fi l-''' n * f rt'i' 4JÁ s f. Lógicamente la segunda ecuación de (32) es igual a la (28). Halla¡ (a) la media de Ia población. (a) r o2 = 12___i_E_l_e_ll J :l --.r 11. 6. .U (b) . Pero 'rrr : >("j)l lln = /tlr = n¿z )'/[(a + c¿r) -.tt¿'i2 ntlt . l¿ I' . Así los momentos r con respecto a la media rl n (2e) . It. ((i _1 (8.1. la curtosis..ll ---- 30 Lr.8 y o = 8.. (d) la desviación típica de la distribución muestral de medias.cAP. es decir. 3.Snt\mí + 2tn. Itt Fórmulas semejantes existen p¿üa momentos superiores. Considerar todas las muestras posibles de tamaño dos que puedan extraerse con remplazamiento de esta población. /l¿¿ tni (s 1) etc.gWiMí + 2M'r3) lnt = cl(xIi.i7-- xIi- f /¿¿' n entonces las relaciones (3f ) también son válidas para las M. r !11 0.(ir. 11. : t: hl .s resueltos DTSTRIBUCION MUESTRAL DE MEDIAS 5.^. '1 9 + 0 c + 41'21 - 10. _ l(. (b) la desviación típica de la población. para muestras. (30) Las dos clases de momentos están relacionados por ?ll1 Q tnz -: 1n:.gM'r") (32) etc.\3 t)t1 mimit+ün\2ntí-Bn{ra f. Si escribimos il.(tr l cr- de tal modo que obtenemos de (3I ) las fórmulas claves 0 = c2(XIi-M'l) l1tt = cj(Mi.

0 5.5. 11) La selección (2.0¡:: -f -' .29."\.0 8. de la distribución muestral de medias x es 6.0).5 11. rj). 10'8/5 .5.0.3).0. ¡'.6) (6.6). (d) I'a varianza o{. 6) (8.5.3) 111.11) 4.0)2 = 4. de acuerdo con el valor anterior.2. 5. 5.47. Para una demostración general de este resultado véase hoblema I .40 de modo que o..0 es 8.2) (6. (8.0 4.6) (tt.0r 6. por ejemplo. 6. El resultado final es .166 TEORIA DE MUESTREO lcAP. sumando los 25 números así obtenidos y dividiendo por 25. Lo mismo que en el Problema 5. 4. Estas so r (2. Para una demostración general véase Problema 5.D 6. (6.2\ Esto pone de manifiestrque '' .0 7. 7.2) (11. 8). 6) (3..0 otr 3.U t< (. 8).to oue el sesundo miembro ^^ . 7.5 1 4..4.05 Y ox r.0 -i.r' = 16.11) (8.0 6.5 6. (2.40 = 2'32 Esto pone de manifiesto el hecho de que para poblaciones finitas en las que se efectúa muestreo con remplazamiento (o poblaciones infinitas).1-¡ . de la distribución muestral de medias se obtiene restando el valor de la media 6 de c¿da número de (1 ).5 + 10 /r. que es el valor obtenido anteriormente. ll ). 4 135 : -.3) (6. se considera la misma que (8. o: 3.5 I.\ N _irl.40.11) (6.5 . (2.0. éstas son (2. 11).?.5 = 6.2) 12. y la media de la distribución muestral de medias es 9.b - 6.. (3. nuesto que segundo -:^-L-^ "" (.8) (8.8) Las correspondientes medias muestrales son 2. 3) (2.* .8) \3.8. (3. (o) y (ó) como en el Problema 5.8).6) \2.0 + 7.05.. ¡r: 6 y o2 :10. 3) (rl. 2) (8.1 para el caso de muestreo sin remplazamiento. (c) Hay iC-.!lr_115.01.0 poniendo de manifiesto el hecho de que tÍ - (d) La varianza.5 + 9.puestoqueel segundo miembro es 10.0 -('25-10 - c.5 5.0 : itO + 6.1¡ muestras (2.0 (2..0 O.8) (11.8.2t (3.1. 7. Para una demostración general véase Problema 5.f.2. 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.-.5 ¿" (l 8.0 5.5 9.3).6.* 2. elevando al cuadrado cada diferencia.5 7. 11). 4. _Í ) .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). + l:1.11) (3.6.0 9. Las correspondientes medias muestrales son 2. 5.O.0 y la media de la distribución muestral de medias .5+ 5."2*= o2/r.8/2 = 5. l'I1!11-q9-"'-lgl-99'":'I9't3ls 25 comprobándose que ) 150 tt - o'' t{' -. 5. (6. ) "l . + (9.11) (1r.5. 8. (3.5 + 4.r ) 4. or".o2/ N . 3) (3.8) (6.2).5.5 7.

30 500 /ioo 500-1 - 100 0.0098): 0.3. para todo propósito práctico.8 en unidades tipificadas 68. Fig.5 Proporción de muestras con medias entre 66.02 onzas y una desviación típica de 0.02 onzas.0)/0.68.67 0.0038 -2 A7 Entonces el nhmero de mueshas esperado es : (80)(0. cabría esperar que la distribución muestral experimental de medias se distribuya aproximadamente normal con media 68.8 . Supóngase que las estaturas de 3000 estudiantes de una universidad se distribuyen normalmente con media 68.67) : : (área a la izquierda de z : 0) y z : O) .0 pulgadas y Yox=- ox = o=3 \/n {zs = 0. = tL = 68. : (área bajo la curva normal entre z : -2.4. Así se tiene. Por ello.5\ :(áreaentree:-2yz:O) * (área entre z : O y z : 0. pulgadas.4 - 68.4772 + 0.0 : 0. Sin embargo.3 pulg.(área entre z : 0.6 (68.6 pulgadas y puede.02 ? .0)/0. \a) p*.5l TEORIA DE MUESTREO r67 5. (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.25 -1 que es ligeramente menor que 0.68.5 - 0.3 cabría esperar una media (o) entre 66. (b) 66.0)/0.cAP.0 pulgadas y desviación típica 0.6 pulgadas. ¿cuál será la media y'la desviación típica esperada de la distribución muestral de medias resultante si el muestreo se hizo (o) con remplazamiento. (b) de más de 510 Pa¡a La distribución muestral de medias ox- o yn !* = p = N-n N-1 5.4962 : -2. por tanto.3 en unidades tipificadas : : (66.3 .8 y 68. pues. 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. 0. puesto que el número de muestras es grande.67 Proporción de muestras con medias menores de 66. 5-3 5. habría mucha aproximación entre las dos disbibuciones muestrales. que son muchas más de 80.4 pulgadas . Así.8 y 68.6 : -2.304 o cero. Quinientos onzas.0 y z : O.30 onzas.4 en unidades tipificadas: (66.1915 : 0. 5. sino solamente una distribución muestral experimenú¿1.(área a la izquierda de z : -2.5) : O.0 pulgadas y dewiación típica 3.4 pulgadas? ¿En cuántas muestras del Problema 5.0 pulgadas.6 pulgadas 3000 3000 (b) p* = p - 68.0 0. (b) menor de 66. la media y desviación típica esperadas serán muy próximas a las de la distribución teórica. Si se toman 80 muestras de 25 estudiantes cada una.6 (o) 66.6682) ó 59.0pulgadas o vn N-n _3 N-1 \/% . cojinetes de bolas tienen un peso medio de 5.5.6 : -2. considerarse la misma que en el muestreo con remplazamiento. De aquí que con 80 no se obtenga realmente una distribución muestral de medias.3 La media X de una muestra en unidades tipificadas viene dada por Z X-p* aX X-68.6687 Entonces el número de muestras esperado es (80)(0.

. son ina"p"nl'i"nt". F'ie. 4.7.O27 : 2. Demostrar el Teorema 5-2. Hallar la probabilidad de que en 120lanzanientos de una moneda el número de ca¡as (o) esté comprendido entre el 40% y el60%. Puesto que X1.96 5.00 onzas. Tenemos .2704 : 0.5 y 72.7 4 : -2.96 en unidades tipificadas: (4.8.0..4985: 0..10 . Se 1-2O.027 5.) - .5 .. mediante la aproxlmación normal a la binomial. DISTRIBUCION MUESTRAL DE PROPORCIONES 5.t - .ruo2.10 en unidades tipificadas: (5.96 Probabilidad pedida : 2.96 ) 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. Se procede como en el Capítulo 4. Se consideran los 120 lanzamientos de la moneda como una muestra da la población infinita de todos los posibles lanzamientos de la moneda.0015 : (área a la derecha de z Así. Puesto que el número de caras es una variable discreta. página 158. tenemos l¿-12 E(X¡) = * Entonces ya que la media muestral se define como -Y='' x..96) :0.168 (o TEORIA DE MUESTREO lcAP.216-1 (área entre z : : 222 -074 Fie.7 4 y z : O) = 0.10 onzas. X2.5-5 5.22 y z : -0.O2\10.5 se encuentra entre 4.22 : --0. y 6Ol/" de l2O. son variables aleatorias que tienen la misma distribución que la población. 6 72..O27 : -2. (a) ' pide ra probabilidad de que el número de caras en los 12Q lanzamientos se encuentre ent¡e 4O(/o de 6 48. 5. solamente se darán 3 casos cada 2000 de obtener una muestra de 100 cojinetes con un peso total superior a 510 onzas.96\ (área a la derecha de z:0) .. '1-.7 4) (áre^ entte z : -2.. página 158.+-\1L tenemos como se requiere l E(X) = ]lEtX.00 en unidades Probabilidad pedida tipificadas : (5.+"'") =.02)lO.6.ttr rr"rr"n Var uuri^X. 3-7 " x.0.(área entre z : -4. Demostrar el Teorema 5-1. X.5-4 (ó) El peso total excederá de 510 onzas si el peso medio de los 100 cpjinetes sobrepasa las 5. tenemos por los Teoremas 3-5 y Var (X) -f vu.5.48(i8 . (x1) r rI (x. la cual tiene media ¡1.(área entre z : O y z = 2.E6)) = L(rr\ = t! 6.22 y z : O\ .pues. (b) sea 5/8 o más del número de lanzamientos. .+ "' + -' Entonces puesto que X¡.(. En esta población la probabilidad de cara es p : I12 y la probabilidad de sello es C :1P : l12.00 - 5.02)lO.5.

5 en unidades tipificadas = - 60 72. puesto que no se ha utilizado el hecho de que la proporción es realmente una r¡ariable discreta.00417) y (0. las proporciones pedidas en unidades tip! 0.00417) corresponden a las proporciones 47.idad pedida = 2.28y2:2. Cada persona de un grupo de 500 lanza una moneda 120 veces.00417) en unidades tipificadas Probabilidad pedida .51720 del primer método.5 5.971.cAP.5 en unidades tipificadas = 72.86 : (área bajo la curya normal a la derecha de z : 2.uo ". que 0'00417 0.0040 -_ 0'6250 5.fn ficadas son. (o) En el apartado (o) del Problema 5.40 0.74% de ellas con porcentaje de ca¡as entte AOVI y el .50 = _2.65) : 0.8.4857) : Aunquees:cresultadotiene dos cifras significativas.detamaño 120 cada una.60 + 0. (área bajo la curva normal entrez=-2.5 .np = rzo(!) = oo o= 47 \/"pq 47.28 : : : Otro método.(áreaentre z : 0 y z : 2.0r56 - 0.1.I9 en unidades tipificadx: ffip z sí la probabilidad pedida es el área bajo la curva normal entre 0.50 0.65\ : (área a la derecha de z : 0) .t9 yz : 2. puesto que L1240: 0. - 0.9. Aquí se consideran S00muestras. Así pues. no concuerda exactamente. (b) 518 o más de sus lanzamientos resulten cara? Este problema está estrechamente ligado al Problema 5. i:abe esperar el encontrar un97. puesto que 5/8: - 0.8 se ha obtenido que todas las posibles muestras de 120 lanZamientos de una moneda.0456 (0.40 y se Buma .117 l1 a 0.0.6250.60+0.0456 = 2.4887 ) : O.00.60. de 0.0041?-0.28 _ y 0.s los posiblea l¿nzamientos de una moneda.5 .40 72. = 2.5/120 y (b) Empleando el segundo método de (o) se tiene.6250 - 0.28) 2(O.4960 : 0. ¿En cuántos individuos cabe esperar que (o) el númoro de caras se encuentre entre eI 40% y el 60% desuslanzamientos.0456 40Vo enunidades tipificadas 60o1c -2.60 5.19 : 2(0. = . 0.=1p= ^FY = 120 = 0. de la población infinita de todo.48 .I9 : -2.977 4 ttp=P:i=o.28) 2(área errtre z : O y z : 2. Adviértase que (0.48 Probai¡ .0041 7. Teniendo esto en cuenta se resta 11 Z" = Al¡.28 que concuerda con lo obtenido por el primer método.0'60 = 2. 5l TEORIA DE MUESTREO ¡r: núrnero de ca¡ae esperado .

8 : - 1.10.0.007 Mediante la corrección para variables discretas. una mayoría se obtendría en la muestra si la proporción en favor del candidato fuese 0.489 : 1I individuos cabe esper:ü que su número de caras no se encuentre entre el 4O% y el 6O% de los lanzamientos.25 hobabilidad pedida : (área bajo la cu¡va normal a la derecha de z : I.5025 o más.18) 0.5000 - 0.1056. hubiese obtenido 0. También puede utilizarse el aegundo 5.0025. Tales individuos pueden razonablemente sospechar que sus monedas no están bien hechas aunque sí lo estén.21 (área bajo la curva nonnal a la derecha de z : l.5000. Este tipo de error es un rresgo que se presenta siempre que se trata con probabilidades.26): 0.02 (o) y oP=tE= : 1/ 0.00125. 1/800 0.46)/0. : 2 personas se esperará que los 5/8 o más 5.0040) de sus lanzamientos sean caras.5000 + 0.4G y ".0'02 -: 0. (b) 2% o menos? PP'=P=0.={-= . (3% de 400 ) : 12 piezas defectuosas. Es interesante advertir que en 500 .5025.5 y'1+oo)1onz)¡rsg : 2. 0.02 I 0.14 = 20 0.50 + 0.a es .2t) : 0. Determinar la probabilidad de que de (a) 200.7 4% de 500. L/2tt. En ó00 muestras se puede esperar 97 .25 y como antes la probabilidad pedida (b) {0. 12 o más significa 11.5 o más. Se ha encontrado que el 2% de las piezas producidas por cierta máquina son defectuosas.5025 Probabilidad pedida : .8)12.98) v = 400 _ 0. sería 100.11.p = :p = 0.s (o) 3% o más.5 y así la proporción sería 100. (a) Puesüo que I.02(0.57L4 Si no se hubiese aplicado la corrección. (b) Razonando como en (o).00125) en unidades tipificadas 0'02 r 010q1?5 .170 TEORIA DE MUESTREO lcAP. Los resultados de una elección demostraron que un cierto candidato obtuvo el 46% de los votos.0714 se : O.) Entonces.5/200 = 0. ó 489 muestras con esta propiedad. (2()'o de 400) = 3 Entonces 11. ¿Cuál es la probabilidad de que en una partida de 400 piezas sean defectuosa.-' 0. como variable continua. método del apartado (o)..1056 Si no se hubiese aplicado la conección se hubiese obtenido 0. se concluye que en (500X0.0362: 1.0025 : 0. En concepto continuo.5 en unidades tipificadas : " : {"w : (11.0352 L12n: ll40O: 0.5025 en unidades tipificadas : (0. Se sigue que en 489 individuos se esperaría que su número de caras se encontras€ entre eI 4O% y el 6O%.3869 :0.. p0. Otro méüodo. (b) 1000 individuos elegidos aI azarde entre la población votante se hubiese obtenido una mayoría de votos para dicho candidato.5 6OVo.18 Probabilidad pedida : : (área bajo la curra normal a La izguierda de z 0.1131 .0764. pero ésta. (Esta proporción puede también obtenerse dándose cuenta que 101 o más indica mayoría.oo125)enunidadestipificadas=W=|.o3_o. se tiene (o.

. 6 r¿. (b) 250 hóras más que las bombilhjde B? . o.5000 - 0. = FLrt = 4Lrr._u". -3)2 + (3-3)2 + (4-3'¡z b L7 3 Eeto concuerda con el reeulüado general para muestras independient"" ou.. (o) (b) (c) Éy. ¿cuál es la probabilidad de que las bombillas deA tengan una du¡ación media que sea al menos (a) 160 horas. = t/f.m=!T.13. Las bombillas eléctricas de ün fabricante á tienen una duración Lned.6g) = 0.' ¡ecado dc 5.46.4. = media de La ]{S*?*8) = l..69 Probabiliüd pedida : (área bajo la curva normal a la derech¿ de z = 2. sacado de (o) esto concuerda con el resultado general FLtr_uz= y (b). 7...Ur) Fur-u.6l (b) pp TEORIA DEMUESTREO = p: 0. ofi. [. @). (t) vr. = població n lJn = f. (b\ pu.]ESTRALES DE DIFERENCIAS Y SUMAS 5.-(e) ou".a demostración del resultado general se deduce del Teorema g-7 .46@Ba)/1000= 0..' Éiinz. Calcular (a) *u. ou. y 0. Si se toman muestras al aza¡ de 125 bombillas de-cada fabricante. 14 (d. (f) n'u r- u" = mrianza de la población (U 1- U 2) (1-3¡z + (5-3)2 + Oo._u. 8 y U2 lavariable de los elementos de lapoblaciín2. = (2-3)2 * (4-3)2 =l ó ou"= l.0158.12.) o (e) .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.cAP.7 g . (d) V @ )..j ut-v2 (6-3)21(-.q/n = y'd.ia de 1400 horas con una desviación típica de 2OO horas. = mediadelapoblaciónU.0036 = 2. = varianzadelzpoblación U.5025 en unidades tipificadas = ff*s : 0._ri.4964 DISTRIBUCIONES MT. (f.iu..= \Ej7r-. rnientras que las de otro fabricante B tienen una duración media de 1200 horas con una desviación típica de 100 horas.) nu. = varianza de la población I/' (3-6)2 + (7-6)2 + (8-6)z _ 33 a2u... Sea Ut la variable de los elementos de la población 3.

L72
Denótense por

TEoRTA DE

MUEsTREo
1200

[cAp.

5

*n y )(o las duraciones

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

É*¿-*¡ -

- ttxn
ofr

1400

-

=

200 horas

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

=

1/(1qo]'

v 125-

gry = 2o horas 125
xrr\
20

La variable tipifieada para la diferencia de media es

(X,+-

Xil

-

0'x

(x^-

o.(.,

-

200

*o ss:
(160

mucho a una distribución normal.

(o)

La diferencia de 160 horas en unidades tipificadas

Probabilidad pedida

: : : :

-

2OO)\2O:

-2.

(área bajo la curva normal a la derecha de z

0.5000 +

0.4772:

: -2)

O.9772

(b)

La diferencia de 250 horas en unidades tipificadas

es:

(250

-

2OOll2O: 2.50.

Probabilidad pedida

(área bajo la curva normal a la derecha de z

:

2.50)

0.5000

-

0.4938

:

0.0062

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

/¿x,-*o = trx, /r¡o o*,

0.50

-

0.50

-

0

-,t,

=

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

ffif

.ffif

=

o.ooo8eb

P(z>-2.23

ó 2=-2.23) = P(Z>2.23)+P(z=-2.2:t) =

2(0.5000-0.4871) :0.0258

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

hechas, la probabilidad de ca¡a es p

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

-

1-12.

Entoncer, ApA 4I,B =

!t',r. pn -

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

f

q|li-t t¡

Z = lP¡- PB-

0)/0.10.

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

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

:0.9

que

es

0.5000

-

0.3159

:

0.1841.

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

cAP. 5l

TEORIA DE MUESTREO

173

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


r,,

y D2, se tiene

, '

t,D,) r¡" :
oD,t

trnr*

po, =
-

27.3

*

15.6

=

42'9 pulgadas

= t/7,, + 4,
trD,

\Á¡:i6FJT¡8)t =
27.3

0.l8pu[adas

(b)

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

I tro,

- 15.6 =

11.7 pulgadas

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

(0.08),

=

0.18pulgadas

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

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

1500

+

1500

+ 1500 =
2G0

4500 horas

- {t.!ffi.,
(5000

-

\mbO)t =
= I.92.

horas

(o

)

5000 horas en unidades tipificadas

: Probabilidad pedida : :

4500)/260

(área bajo la curva normal a la derecha de

z: t'92)

(b)

4200 horas en unldades tipificadas

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

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

: -1'15

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

(o)

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

0
0.25 4.00 9.00

0.25

4.00

9.00

20.25 16.00 6.25 2.25

0
2.25 6.25

2.25 6.25 1.00 0 1.00 0
6.25
es

20.2t:
/,.s2

16.00

2.25

La media de la distribución niuestral de varianza

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

b..ro

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

2 y o2

:10.8

lvéase

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

3, = ;= (b) La íarianza

52, puesto que se seguiría que 4.q,

o2. (véanse

también las notas de la página 160)'

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

t74

TEORIA DE MUESTREO

[cAP.6

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

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

l0

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

=

o.7ó

t\ p.r = / N \ /" : \ñ=/\T)"

[ecuación (re), página 160], como

se

N:

5,

n:

2

y

o2

10.8 el segundo miembro pasa a ser rs,

: (f )({)(10.8) :

6.75.

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

5.20. Demostrar que

E'(S')

= |c
se

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

define en

Teneno¡

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

r)(Xr

- tl - (Xz- ti -

.. .

- (xn- p\)

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

ceror por tanto se

E[(Xr- *¡21 = #U"-

L)2

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

d2)

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

=

I

fr{("-L)znz

* o2 * ... I

o2l

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

=

= ;nt<Xr-

1-

X)2

+ . .' + (X"-

X\21

Método z.
Tenemos

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

¿-1 o-) "l = n-L " -o'
p\(*

^

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

p)2

- 2(x¡-

- r) + {i -

,,¡z

v

(r)
donde lá su¡na es desCe

)1x,-i¡, = )(x¡j: t

p)2

- z(X-p))1x¡-r)

+.)1x-u¡z

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

cAP.5l
(2)

'"O*'O

DE MUESTREO

t76
u¡z

)tx,-xlz
>

j

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

- 2n(X- ü2 + n(*p)2 - n(*-p)z
ti2 -l

puesto que

6¡-

¡r)

=

el Problema 5.7 hallamos

Sv - np -"(X t-

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

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

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

i
o'

-

(n_

7)o2

¿'(S'z)

n
n

L

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

vzrianza 02, entonces su función

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

* Xz* . .. *

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

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

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

_

xt +x"l-...
n

1x,
t/2
02

es

Éx(") = t( ;)

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

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

/n, y el resultado

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

l',,. donde

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

r' - l'-ú: rt = o2--,

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

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

(X;-

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

(a)

Tenemos

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

7.2, tenemos

176

TEORIA DE MUESTREO

lcAP.

5

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

1

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

0.2b

(b)

resultados son iguales.

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

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

I'-'+, olln

Y-"

- nS2 z =ff,

| = fl-1.

Entoncespuesüoquelas X¡eetÁndistribuidasnormalmenteconmedia¡r

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

-

Se

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

f =
tiene la distribución
ú

,/u,

)'

= -!-P

s/\/;=

x-P
Snla

con n - 1 grados de libertad.

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

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

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

-1.0 -0.33 0.11
Realmente hay

-;;

-1"'

-1.0 -0.20 0.25

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

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

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

Yl

,..,, Y¡

reopectivamente. Entonces las

si = * -J tx, - x¡', sj
donde X,

at'¡

=

; -) rr', - i'r,

Ii ¡on las medias muestrale¡.

-

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

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

tiene la distribución F con m

-

1, tr

-

cAP.5l

TEORIA DE MUESTREO

r77

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

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

3e

. Por tanto

F '

-

1.85---iJá

s?

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

DISTRIBUCION DE FRECUENCIA

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

Tabla 5-4

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

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

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

:

11 aproximadamente.
Peso
1

Tabla 5-5

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

(libras)

Cuenta

Frecuencia

18- 0r/

I tl
'ft|+ I
Tfl+
,.

102

r28I DD-

I

3848A'1-

I AD 1

I
1

1
1

586373-

(;8- nt/

27 :t2 37 42 47 52 67 62 67

ll il/t

2
4 o 8

'l|lJ

lll

ilil ll /il
TOTAL

A

2
D

1

1

77 lt

I 40

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

Tabl¡ 6-6
Peso (libras)

Cuenta

Frecuencia
3

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

El histograma y el polígono de frecuencias para

cada

uno de los dos casos considerados en el Problema 5.28

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

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

5
q

12
D

4
2

40

178

TEORIA DE MUESTREO

lcAP.5

:¡T¡83:ETg!E['
Peso (libras)

f3¡

r40

14? t58

187 t76

165

Peso (libras)
F

Iris.

5-?

ig. 5-8

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

Tabla 5-7

Nfimero de
Número de
caras
0
1

lanzamientos

(frecuencia)
38

t4.t
342
287

2

(o)

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

164 25 1000

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

5

TOTAL

ta

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

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

es la frecuencia

total 1000.

de frecuencia se están tratan-

o

É o)
E N É
o

o

350 300

ú o
d
É
N

^-^ óou
soo
250 200

zso zoo
150

ñ
(d tt

lcu
roo
50

9

roo
50 0

h
!a

z

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

1231
Número de caras Fig.5-10

(b)

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

5-9 y 5-10 de la parte (a). 153 y 140 libras.TEORIA DE MUESTREO Nfimero de lanzamientos Nfrmero de caras (frecuencia acumulada ) 0 Porcentaje de lanzamientos (frecuencias acumuladas porcentuales) 0. 1. 5-12 Fig. Entonces _ )/¡ n .2 52.4. de modo que eI mismo porcentaje l8. L48.8.4.2ol. La Fig.8 18.5.8.2.1 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?.10 N-^ EOU G' o :! . Método l.4.75. Nótese que las Figs. CALCULO DE LA MEDIA.6.3.1 Número de caras Fig.0 3.4 81 .5 100.3.56 ó 1.3 + 4 + 5+ 4 + 8 1 2+ 5+ 4 20 =ñ:n'" Método 2. así por ejemplo. 5. 5-11 o en la Fig. 5-11 es Ia más lógica para representar datos discretos. formados por 76.2. 20.23 caras.6. Hallar el peso medio de todos los estudiantes.10 y 18 individuos registran una media de pesos de 162.32.4.10 Hzo o lzo A 0123456 Número de caras 6 0123.. 5-12 muestra el polígono de frecuencias acumuladas u ojiva de los datos y los trata como si en esencia fuesen continuos.5. Hallar la media aritmética de los números 5. La Fig. respectivamente.5-ll (c) La representación gráfica puede indicarse como en la Fig. dos 3.8.5. Hay seis 5.8 5. 5-11 y 5-12 corresponden a las Figs. Cuatro grupos de estudiantes.31.6. 2x It 5 qA +3 | fi + 5 + 4 + 5 + 2 + 8 + 6+ 5+ 4 + 8l. 5-12. el porcentaje de lanzamientos en los que haya menos de 2 caras es igual aI porcentaje en las que haya menos de 1.4.(6)(5) +(2)(3) +(2)(6) + r5)(4) I (2)(2) +(3)(8) 6+21-2+5+2+3 96 20 = 4. VARIANZA Y MOMENTOS PARA MUESTRAS 5. dos 6.0 o o É o C t{0 6 N^^ Eou o O . cinco 4.aparece para todos estos valores (indicado por la línea horizontal). . dos 2 y tres 8.

ffiq = 6?. xj .34 para hallar la estatura media de los 100 estudiantes de la Universidad XYZ (véase Problema 5-33).r¡ con respec[o a alguna marca de clase determinada a. especialmente para los casos en los que los números son grandes y hay muchas clases. etc.34.página 164.180 sfn TEORIA DE MUESTREO lcAP. XYZ.o.t yaque n=2f¡..¡ (tambiénescrito brevementecomor =a I cui. para hallar tatura media de los 100 estudiantes de la Universidad..64.45 pulgadas Los cálculos involucrados pueden conveitirse en tediosos. -. )fu = l5 u = "*(?t. 67.35. si 5 tienen una estatura de 61 pulgadas.)" = 67+ (i%). 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 >/ - + . El método se denomina el método claue y debe emplearse siempre que sea posible. es decir r¡ -o:cltj óx¡: a *cu. por ejemplo. etc.45 pulgadas . 5. Denótese la clave de marca j-ésima por . T abla 5-lO 5. Derivar la fórmula clave (27).35.rj. Adviértase que todos los estudiantes con estaturas de 60--62 pulgadas. alcú" 2f¡u.. Técnicas breves se encuentran disponibles para disminuir el trabajo en tales casos. Entonces la desviación de. la es La solución se indica en la Tabla 5-9. = a*c! )/'rr' . Utilizar la distribución de frecuencias de estaturas en la Tabla 5-2. pígina 163.33. es igual al tamaño de intervalo de clase c multiplicado por algún entero u¡. etc.. se consideran como teniendo estaturasde 61. 5 = 150 libras 5. Elproblema entonces se reduce a encontrar la estatura media de 100 estudiantes. para la media aritmética. Utilizar la fórmula clave del Problema 5. Véase Problema 5. La solución puede ordenarse como se indica en la Tabla 5-10. 18 tienen una estatura de 64 pulgadas. pulgadas. )/'(o*crr¡) = o>f. La media está dada por fi _ 2f¡r¡ = = nnnn. 63-65 pulgadas.

a solución puede ordenarse como se indica en la Tabla 5'11.32.8.6 (libras)2 : \6bS libras : 8.cAP.8):¿ + 3(8 - 4.10 libras. HaIIar Ia desviación típica de los pesos de los estudiantes del Problema 5.8)2 _ (b) De (o\.7500 f(r TL n\z 852.r\2 n 15(162.34 tenemos ri = a + cui y ft = a*c'" 2f. Como en el Problema 5.31. Hallar (c) la varianza y (b\ la desviación típica para los números en el Problema 5.150)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.45 -0. Hallar la desviación típica de las estaturas de los 100 estudiantes de la Universidad XYZ Véase Problema 5. [.20 .DO'O 64 67 70 73 -3. = a*cú' t¿ .rlgadas.96 y "-rfzs6=1.38.92 pulgadas 5.37.33.7500 100 = {dEfB = 2. 5l TEORIA DE MUESTREO 181 5. = +:q = 65'6 en unidades libras cuad¡adas o (libras)2 . aír 20 Méüodo 2.33.39. para lavarianza.36.31 tenemos ú = 4. 5. Derivar la fórmula clave (28).45 2. x: 67.4.5025 30.36. .20 20 2. Tabla 5.55 o. página 164.45 lr - fr)¿ Frecuencia 5 / f(r ñ\2 60-62 63-65 66-68 69-71 -6. donde hemos utilizado el hecho de que las 5.11 Estatura (pulgadas) Ma¡ca de clase 61 r r- r-r = 67.2025 6. Como en el Problema 5. " 2f(r-r\2 _ n 6(5 .u.2460 8.6025 11.9025 208.0L25 214. s2 = 59. (o) Método 1.5050 I¡D.45 4t. : y'Gb.45 pr. Entonces n20 _ 59.Do 18 42 27 8 0.z - 2 f(r .8025 72-74 246.4200 n=)/=100 2 2f(r-ñlz= 852. Del Problema 5.8)2 = 2QA (2_20 4.

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 . 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."? -'#2 2ú2c2 r¡u.<"? .az¡ n \n /l = ta)'f-re? / rs Vl = Ltoo-\t*/J ^ ó'b-275 y s: 2.u.'1 \fu/J _ ú2]l 5. + c2úz *> r. cr¡atro momentos con respecto a la media para la distribución de estatu¡as Continuando el método del Problema 5. b = f.33._ "o¡.f ¡@. = ¿2.{r.o.jú.1"u.L82 Entonces s2 TEoBTADEMUEsTREo [cAp.40 obtenemos la Tabla 5-13. + tlz) 2xt = *2 : t.41. Esto nos permite halla¡ 6.\t 't t l = = ".-a¡z i) = "i 2 ¡ . 2lu=75 )fqz = 97 lalEr lo-s primeros del Problema 5. 2 't t f. La solución puede ordenarse como se indica en ta Tabla 6:12.- o¡.f!n'LN c2[u2 (.u? = ¿2 ¿2 * . De la frltima columna tenemos ¡ como en el Problema a2 = "rfL>l!'. : }> f .39 para hallar la dewiación típica de las estaturas en el Problema 5.'r".92 pulgadas.u? -t t - C2[ /2f.33./¡¿)'l = ¿21¿ .35. Utilizat la fórmula clave del Problema 5.40.> f .

46 resultan en'estatu¡as de 70. 02. cada uno de los cuales determina la estatu¡a de un eetudiante determinado. Cada Nf¡mero Estatura n(rmero de estudiantes se denomina número'muestral.33.15)(0.. 46.88 "z1ML- 8. 67. . Del primer renglón hallamos la secuencia 5I. ffi2=s2=8..43. lttt = ffi2= ffi3= 0 0.(0.6l Entoncee. 27. .53-4(0.97) -3(0.5275)3 (b) Del Problema 5.nL¡ = ca(M't.9? . -0.9?) + z(0.^=>+=2.1s)2] = ca(ML-gLI|Mi+ zM'Lz) = 2?[0. los 18 eetudiantes con estaturas 63-65 pulgadas se numeran 05-22. (o) Emplear dos dígitoe para numerar a cada uno de los 100 estudianües: 00. (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. etc.3759 qa-szrgy _ 6 al = z't+ De (o) vemos que la distribución está modetadamente sesgada a la izquierda. tenemoe 183 M] = >fu n = 0.97 M. explicando cualquier discrepancia.15 ML=Zy = o. 99 (véase Tabla 5-14).42.15)2(0.1b)B] = -2.5275 Entonces mB = -2.6275 B(0.5275 rttt Coeficiente de cu¡tosis as=E = : 199. que tomamos como n(¡meros muestrales aleatorios.BB Mí= >fu2 n y de (32). que tomamos como 67 pulgadas (la marca de elase). OL.33) + 6(0. (b) Hallar la media y la desviación típica de la distribución muestral de medias en (o). En forma semejante 77. fflg = p: { (8.15X0.. Así 51 conesponde a un estudiante con estatura 66-68 pulgadas. Hallar los coeficientes de (o) sesgo y (b) curtosis para la dishibución de estaturas del Problema 5. (c) Comparar los resultados de (b) con los valores teóricos.4MiML+ 6M'r2ML- BMin) 81[2. 7'1. De (D) yemos que e8 menoc apuntada que la dishibución normal (que tiene un coeficiente de curtosir: 3). PROBLEMAS DIVERSOS 5.15)41 : 199. (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.6982 . (o) DeI Problema 5.41.67 pulgadas respectivamente.EO notación de la página 165.14 m+ Entonces = 199. utilizando La TEORIA DE MUESTB.3759 ffiz:s2=8..41. 40.cAP.53 M'r') = 9[0. Asf los 5 estudiantes con esüaturas 60-{2 Tabl¡ 6-14 pulgadas s€ numeran 00-{4. etc.6932 a3 Coeficiente de eesgo = a. Entonces extraeremo8 nl¡meros muestrales de la tabl¡ de nf¡meros aleaüorios (Apéndice I).3?59 5.

l. 86 6.50 66'.50 67.22. 31. 67 23.25 Cl¡enta Í 1 u fu fu2 16 0 8 6 0 2 ñ( /t/t )#{ 6 4 A a+67.93 14. 67. T¡bh 6-ró Nf¡meros muesFale¡ Est¡twr¡ o- E¡la+ Nfrmeros muestralea extrafdo¡ rrcqrondieatcc 67. 58.84 64.50 66.33.50 79. 64.44. = 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). 70.09.25 68. 06. 67.79.64. 21. 67.32 8.96.25 68.91.'7L. 64.64. 67. 75. 61.25 67. 6? 15.79 70.93 5.76) = 1.70.50 1. 67.69.00 extnfdo¡ Estatr¡¡as corespondientec 64.50 65.75 65. 70 73.00 64. 70. 56. 67.74.46.50 68.28. 64. 70 64. 55. 07. 70 64. 67. 21.2L 10. 73.00 (0'75)(23\ = * 'ñ- 67'58 Pulgadaa 2fuz />1"\' n -\ i " (0.25 65.58 9. 73. 67.64.64. 70. 67 70.42.93 27. 45.25 66. Medi¡ = a*cú Derviación = o*c2fu típicr = = e - 6?. 70 67.70 7. 67. 46 2.75 69. 67. 70. 73. 81. 73.24 64. 67 70.25 69.62 4.03. 67.52 13. 67. 65.58. 64. 64 67. 73 67.73 73.67 67. 60. 96. Esta ee una distribución mucet¡al de mediu.91.6L.50 68. 67. 12 3.30 58.5 Por eete proceso obtencmo¡ l¡ T¡blr Fló quc rnue¡tra lo¡ n(¡mcro¡ mue¡trale¡ extrafdor.f = n 30 4 ). 19. 64.75 69. 10.00 68.64.25 69.70 Trbl¡ 6-16 Media muestral 64. 53. 98. 56. 64 70. 67 70. ?1. 51.70 70. 11. 67 64. 63. 93.ón dc l¡ trbl¡ de nl¡rncro¡ dcatoiio¡ h¡brfrmo¡ podido inici¡¡ en eualquier parte y escoger cualquicr patrón dctetmindo. 18 70.73 67.41 pulgadar . 19.50 68. 39 13. 67. 67. 10. 67. 67.00 66.70. 70.99 23. 15.23. 1t.25 69. 67.74.54. 34. 67 67. 43 1f.00 67.6r.70.75 66. 64 67.184 TEORIA DE MUESTREO lcAP. 70.36 08. tt.27.8s 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.97 24. 67 Ír¡f¡f media 66. 67 .96.98. 67 70. 64.64.31.70 medi¡ 67.28. L¡ medi¡ y la derviación tfpica ee obtienen como es usual por los métodos claves delcrito¡ anterbrmeuüe. 90.25 70.64 73.77.00 67. 70.93. 64.97.00 -4 -3 -2 -1 0 1 -4 0 -4 -6 0 0 4 / 28 45 16 23 d D . 67. 56.60 67. L2. 6L.75 67.91. 67 64.50 69. 67. 67 29. 67.82. 42. 05.75 68. 59. 68.50 68.87 26.57.64. 51.04.08.67.70.25 67.73. 40.fu. 16. 70. 30.08 12.0L.54 2:2. 13. 67. 73 67. 76. 70 6L.2L. 45. 20. 67. 03. 73. 07.00 66. 87 fl.41. 67. 70. 70. 67 67.67 64.25 67.25 64. g8 25. 3 14 16 4 I l. 33 m.00 70.83. 58 70.02. 73.24.

.1 aJ.33).0 .46. Puesto que o/t6':2.0y0.5l (c TEORIA DE MUESTREO 185 ) es t a media teórica de la distribución muestral de medias.0.10.. por tanto el porcentaje pedido ec 0.?d L -r. ¿Qué porcentaje de las muestras del Problema 6.45 pulgadas (vóase hoblema 5.45. El área bajo la curva normal a la derecha de z 2.0)/0. Hallar (c) la media y (b) la dewiación típica de la distribución muestral de las dewiaciones típicas.0.50 libras. de acuerdo.4.f 'LJ" f t@ta*l'/t. La desviación típica teórica (error típico) de la distribución muestral de medias.0082.8 libras en unidades típicas : (8.4772) = 0.0.0 libras. estamos de acuerdo con el valor de 1.44 tendrían dewiaciones típicas (o) mayores que 11.8libras? La distribución mueetral de desviaciones típicas es aproximadamente normal con media 10. de (b) 8.4 es (0. Se escogen muestras de 200 estudiantes de esta población y se calculan las dewiaciones típicas de las estaturas de cada muestra.t.50 : 2.58 pulgadas de la parte (b)..10. Entonces la probabilidad de que las primeras 4 sean rnayores que ü y las 2 últimas 6ean menores que u es decir - nc.40) y el tamaño de la muestra n : 4. ) ea el producto de (1 ) y (2). pfuina 162. por tanto el porcentaje pedido es 2.".t J. La desviación típica de los pesos de una población muy grande de estudiantes es de 10. donde la dewiación típica poblacional o = 2.0 libras y desviación típica 0.4918) : 0. ¿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.0228. De la Tabla 5-1.r .8%. dada por o*.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.) au .' ¡p¡ a*)"lJ'"-r.3'/'.0 libra¡ en unidades típicas: (11.con el valor de 67. ¡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 €.50 : -2. 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) .92 pulgadas (véase hoblema 6. Podemos considera¡ que el muestreo es o de una población infinita o con remplazamiento de una población finita.g2/fi = 1. /(r) tr.5 . Í:-lÍ.a la media poblacional ¡r que 67.44.cAP. esto es Q\ (r) f" sean .46 pulgadas. 5. (b) menores que 8. es igual a o/y'[. El área bajo la curva normal a la izquierda z : -2. Una muestra de Por 6 observaciones se hace aleatoriamente de una población.a a. es ig¡ual.5 . Las discrepancias se deben a que solamente 30 muestras fueron seleccionadae y el tamaño de la muestra fue pequeño. (a) : 11. 5.0 libras.50Ib v400 5.. tenemos: ( ¿[.) ps: o = ts=-' o 10.8 .r.0 lb ( lr) \/2" + = 0.0 es (0.41 pulgadas de la parte (b). dada por a¡.l' ra.

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

51 si la población 5e compone de 22 cojineter. (c) la media de la digtribución mueshal de medias. NÉ y la primera suma en el lado derecho er igual por definición.¡ = . Considerar toda¡ lae posibleamuestrasde tamaño dos que pueden extraers€ de esta población con remplazamiento.á var(X¡) * .f x"\ D p (. g (o¡ - p)(o. Demostrar que (c) la media y (b) la varianza de la media muestral del Problema6.6l TEORIA DE MUESTREO En esta ecuación.p) = -Noz r \ -2 'r' X¡) = ." +a¡v = a N 02.4L onzas? y 22.38 o mayor de 22.LL..á.N\N-rl' 't/ 5.62.048 onza¡. adecu¡das.x¡)] = #ú* *. 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.37 onzaa. 5. En el Problema 5.cAP.(-r¿_ i)] = Lfr-"-rf = 4(N-"\ nl.39 onzas. . Si se erüraen 300 mueetras de tamaño 36 de e¡üa población.42 onzae. Encontrar (c) v (d) directamente de (c) y (b) mediante las fórmula¡ 5.51..40 onzas y dearriación tfpica 0.Ét suplernenta.( rr-:--r l(-. remplirzamiento. el lado izquierdo e8 cero. Hallar (o ) la media poblacional.N-1 ^' .51.48. (c) sean menor de 22.(n_'. (d) ¡ean menor de 22. Una población est6 formada por los cuatro nfrmeros 3. y el Problema 6-4?. ya que por definición a1 187 -la2+'. cov(x¡.47 están dadas respectivamente por t*= (o) E6) = "1 =*"(x=) /X' +.4L . ¿en cuántae de lag mue¡tras aleatoria¡ cabe ecperar que sus medias (a) ertén enl'l. Resolver el Problema 6. (d) la dewiación típica de la distribución muestral de media¡.) = #[. Resolver el Problema 5.Ét ". Por tanto I+v:l Cov (X¡.. obtenemos var(x) = Sv^.N-1J '¿\N-1/ Problern DISTRIBUCION MUESTRAL DE MEDIAS a. Loa peeos de 1600 cojinetes de bolas se distribuyen normalmente con medla 22.49 si el muestreo fuese sin remplazamiento. 15.49.7. ó.53. = p (b) Uüilizando loe Teoremar 3-5 y 3-16 (generalizadoe).e 22.iE(x)+"'+E(x")l 1 =1 n (p -r "'+p) donde hemoe empleado el Problema 6.rlo s 6.' " ) = .a7 @).1'". (b ) sin 6. (b) sean rnayor de 22.50.(. (b ) la dewiación típica poblacional.

60. Hallar la probabilidad de que en dos muestras aleatorias compuesta cada una de 200 votantec. ¿Qué enores pueden introducirse al utilizar dos conjuntos diferentes de monedas? lotes de 100 bombillas cada uno.R o I en las proporciones adecuadas. (d) enhe ??0 y 830 horas. Si U¡ y U2 son los co¡r¡\ntos de nhmeros del Problema 5.69.54 si la muestra extraída ee de 64 tubos.63 si se comprueban 100 cables de cada fabricante? Explicar las diferencias. En una prueba de aptitud puntos? la puntuación media de lo¡ estudiantes es de ?2 puntos y la dewiación típica de 8 puntos.57. (ó) al menos 450 libras más que A? 5.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.64.60. ¿Cuáles son las probabilidades del Problema 5. tomada de entre ellos tenga una duración media de (a) entre 790 y 810 horas. Un fabricante despacha 1000 DISTRIBUCIONES MUESTRALES DE DIFERENCIAS Y ST'MAS 5.188 TEORIA DE MUESTREO lcAP. sob¡e las que se escrriba la inicial . (c) entre 2 y 5 Una urna tiene 60 bolas rojas y 40 blancas.56. Explica¡ la diferencia. ¿Cuál es la probabilidad de que las dos coleccionee difieran en 8 o más bolag Resolver el Problema 5. ¿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. Supónganse iguales las probabilidades de nacimientoe de niño y niña. (c) más del 640/o sean niños. (b) menor de 785. Ciertos tubos fabricados por una compañía tienen una duración media de 800 horas y una dewiaeión típica de 60 horas. ¿en cuántas cabe esperar (a) igual número de bolas rojas y blancas. 5. A y B fabticzn dos tipos de cables. formados de 28 y 36 eetudiantes. 5. respectivamente. 5. Los pesgs de los paquetes recibidos én un departamento de almacenamiento tienen una media de 300 libras y una desviación típica de 5O libras.66.6t. comprobar que . 5. 5. se pueden usar hojas de papel.nedias a larotura de 4000 y 4500 libras con desviaciones típicas de 300 y 200 libras.6 6. Se extraen dos cotecciones de 30 bolas cada una con remplazamiento y s€ anotan sus colores. (b ) entre el 4O% y el 60% sean niñas. (c) mayor de 820 horas.el 4Oi'o sean niños.65. ¿en cuántos lotes cabe esperar (o) menos de g0 bombillas buenas. difieran en su puntuación media en (o) 3 o más puntos. Hallar la probabilidad de que una muestra aleatoria de 16 tubos. haya una diferencia superior al1^o"k en las proporciones que votaron por dicho candidato. sacadas de la urna con rempliazamiento.57 si se consideran 100 en lugar de 200 niños resultados. 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. Lo mismo del Problema 5. (b) l2 bolas rojas y 8 blancas. rojas? 5.6?. llallar Ia probabilidad de que de los próximos 200 niños nacidoe (o ) menos d. De un total de 1000 muestras de 200 niños cada una.12. 5. Si normalmente el 6Vo de las bombillas es defectuoso. 5. ¿en cuántas cabe esperar que (o) menos del 4OVo sean niños.54. 6. que es de 8200 libras? DISTRTBUCION MUESTRAL DE PROPORCIONES 5.55.66 si las exüracciones son sin remplazamiento al obtener cada colección. y explic.' ¿Cuál es la probabilidad de que dos grupos de estudiantes. 6.5t. (ó ) entre el 43% y el 57% sean niñas. (c ) el 63"h o más sean niñas? Resolver el Problema 5. (b) 98 o más bombillas buenas? 5. Los resultados de una elección mostraron que un cierto candidato recibió el 65% de los votos. (b) 6 o más puntos. que tienén unas registencias .62.61. (c) 8 bolas rojas y 12 blancas. respectivamente. 5.59. (d) 10 o más bolas blancas? Dseña¡ un experimento que ponga de manifiesto los resultadoe del Problema 5.63. En lugar de bolas rojas y blancas.

entie 0. y Se halla que CASO DONDE SE DESCONOCE LA VARIANZA POBLACTONAL 5. A y B fabrican bombillas. una distribución ú de Student con r.05 y 0. (b) ambas b0 horas.54 libras con dewiacionee típicar de 0.5I TEORIA DE IIIUESTREO ttur2 189 (a) 4.799 800 .49 se confi¡man utilizando (a) P(-1 < f < 1) = 0.73. ó.72. (e) Tamaño del intervalo de clase.3?6 < ? 1.599 600 . 6.E0.46 y 0. donde ? tiene. Número de tubos L4 46 58 76 68 62 48 22 6 Solueionar el Problema 5.72 ei el muestreo es sin remplazamiento. Si se extraen muestrae de tamaño 5 de esta población.50. = 1.0 voltios y la dewiación tfpica 0. ¿Es la probabilidad de que una ttarianza sea mayor que 1. DISTRIBUCION MUESTRAL DE RELACIONES DE VARIANZAS 5.999 300 1000-1099 1100-1199 las 600 horas. (b) se encuentre enüre 50 y 70 horas.82. El voltaje medio de una baterfa e¡ de 15. DISTRIBUCION DE FRECUENCIA 5. (ó) P(1.60.2 veces. (c) Marca de clase de la séptima clase.899 900 . Una población normal tiene una vari¿nza de 15. Determinar la probabilidad de que la varianza de la primera muestra sea mayor que (o) dos veces.78.48. Una en tanto que muestra de 8 bombillas se toma de A y 16 de 8.74. (b) el error tfpico de varianzas. (g) Flecuencia relatir¡a de la sexta clase. La Tabla 5-17 rmuestra una distribución de frecuencias de la duración de 400 tubos de radio comprobados en la L & M Tube Company.cAP.2 voltios.tr*Lrr: ru. Hallar (o ) la media y (b ) la desviación típica de la suma de las cantidades. (b) ou1+ur = \Grtr. (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. (b) Límite inferior de la octava clase.97 y 62.01? Dos compañías. Tabla 5-17 Duración (horas) 5. respectivamente. Con 6.8f .54 libras. Verificar si los resultados del Problema 5. ¿qué porcentaje puede tener varianzas (a) menores que 10.49.21. De acuerdo con la tabla de distribución ú de Student para 1 grado de libertad (Apéndice D) tenemos P(-1 < 1) : 0. o menor que 0. (d) Límites reales de la última clase.05.80 si las desviaciones típicas de las duraciones son (o) ambas 40 horas. página 161.699 700 . 6 Frecuencia de Ia cua¡ta clase. (b) mayores que 20.0.?6. La duración parz A tiene una desviación de 40 horas la duración de B tiene una desviación típica de 50 horas. hallar (o) Ia media de la distribución muestral de varianzas.70. para diseñar una tabla de distribución f de Student como la dada en el Apéndice D.79.376) . la de la segunda. referencia al Problema 6. = 5.71. Con referencia a esta tabla determinar: (¿) f 'ímite superior de la quinta clase. ¿Cuál er la probabilidad de que cuatro de estas baterfas conectadae en serie tengan un voltaje conjunto de 60.50. 5. Reeolver el Problema 6. Se pesan tres cantidades dando 20. ?s 6. Dos muestras de tamaños 4 y 8 se extraen de una población distribuida normalmente.5 veces la otra mayor que 0. Si se seleccionan 10 .0.35.77.399 400 . 6. TOTAL 400 .75.499 500 . (b) 7. Explicar cómo podría utilizar el Teorema 5-7.8 o másvoltios? DISTRIBUCION MUESTRAL DE VARIANZAS 6.tubos aleatoriamente hallar la probabilidad de que la dewiación tfpica muestral (o) no exceda a 50 horas.01. I 6. (h) Porcentaje de tubos cuya duración no sobrepasa . Verificar si los resultados del Problema 5.i se confirman por este valor y explicar cualquier diferencia.

190 (i) (j) TEoRTA DE MUEsTREo Porcentaje de tubos cuya duración es mayor o igual a 900 horas.737 0.730 0.733 0.?36 0.741 0.734 0.727 0.742 0. (d) una ojiva porcentual.740 0.736 0.726 0. Resolve¡ el Problema 5.736 0. "de"*- Tabla 5-18 0.742 0. (c) entre 0.89 determinar el porcentaje de cojinetes de bolas que tienen diámetros (o) superiores a 0. (c) Si las ponderaciones asignadas a cada asignatura rcn 2. (c ) un polígono de frecuencia¡ relativas.737 0.740 una 5. 5. Deüerminar el tiempo medio de reacción del individuo a los estÍmu- 6.732 pulgadas.88.128 0.5 5. O. 82 y 96. (b) 9?0 o mág Los diámetros interiores de las arandelas producidas por una compañÍa pueden medirse con aproximación de milésimas de pulgada. 0.734 0.82 construir (o) una distribución de frecuenci¿s acr¡muladas. respectivamente. Si las marcas de clase de gna distribución de fiecuenciaa de estoe diámetros vienen dadas en pulgadas por los números 0.?30 y 0.0.82 con duraciones de (o) menos de 560 horas.743 0. (g) una distribución acumuhdá porcentual.?30 0.92.734 0.735 0. (f) una distribución de frecuencias acumuladas.96.87.89.95. (c) los límite¡ de clase.333 y 0.63. ?6. respectivamente. 0. ¿Cuál es ¡u media Las calificaciones de un estudiante en las tres asignaturas del curso fueron 77.?39 0.731 0.735 0.736 0.90. (h) una ojiva.738 0.327. siete 7.738 0.?36 pulgadas.735 0.738 0.739 0. 5. Construir (a) un histograma y (á) un polígono de frecuenciae ciaa del hoblema 5.731 0.386. (b) un polígono de frecuencias. (b) una distribución acumulada relativa o porcentual. 0.735 0.736 0. hallar.91.0.733 0.729 0.735 0.?38 pulgadar. 0. (b) los límites reales de clase. lcAP. Una 6. (b un ) histograma de frecuencias relativas.86. Tles profesore¡ de economfa regieünron una ealificación media en sus eiámenes de 79.63.82. (c) entre 620 y 890 horas.(a) el tamaño de intervalo de clase.52. horas. (i) una ojiva porcentual.732 0.724 0. 5. Las calificacione¡ de un estudiante en cinco aeignaturaa fueron 85.732 0. Porcenüaje de tubos cuya duración es al menos de 500 horae pero menor de 1000 horas. 4 y 6. 5-18 niuestra los diámetros en pulgadae de una muestra de 60 cojinetes de bolas fabricados por una compañía.55 segundos. La Tabla dos.0.78 y 89. (e) un polígono de frecuencias relativas. correspondientes a la distribución de frecuen- 5.321. Hallar la media a¡itmética de dichas calificaciones. 93.72t 0.744 0.t4. sue clasee . Estimar el porcentaje de tubos del Problema 5.49. ee¡ie de nfimeros está formada a¡itmética ? por seis 6. (c) una ojiva.?30 0.83. ó.82. 0.E5' Para los datos del Problema 5.741 0. Los tiempos de reacción de un individuo a determinadoe estímulos fueron 0. ¿cuál es el promedio adecuado para sus calificaciones? (b ) ¿Cuál sería si todas las ponderaciones son iguales? 6.733 0.324.737 0.735 0. Comparar estos resultados con los obtenidos directamente de la colección de datos de la Tabla á-18. (c) di¡tribución de frecuencias relativas.729 0. (b) no superioree a 0.735 0.330.44 los.746 0.46. y 0. DESVIACION TIPICA Y MOMENTOS PARA MUESTRAS 6. 0. nueve 9 y diez 10. Para los datos del Problema 5. CALCULO DE LA MEDIA.88 consüruir (o) un histograma. (d) un histograma de frecuenoias relativas. ó. 6. Con log resultados del Problema 5. Con los datos del Problema 5.740 0.50.74 y 82.94.93.732 0.734 0.82 construir (o ) una distribución de frecuencias reliativas o porcentual.736 0.732 0.725 0.735 0.89 para los dato¡ del hoblema 5. ocho 8. Construir una distribución de frecuencias de los diámetros utilizando intervalos de clase 5.732 0.746 0.739 0.728 0.

Halla¡ i 9.6.2.7282 TOTAL de de Sfmenos de 36-menos de 40-menos de 16 L2 30 36 40 45 I o 2 TOTAL 54 250 6. Hallar la desviación típica de los número¡: (a) 3.2 624 2 462 480 498 516 534 552 570 588 606 12.7.100. 7.7267 0. ¿Cómo están relacionadas las medias? (b) Multiplicandocadaunodelosnúmeros3. L.0.106.7 L2.?.7268-0.4.5.8-10. 6.7265-0. Demostrar que ¡as dos series tienen lae mismas desviaciones tfpicas.102.3-11. tlalla¡ la dewiación üípica para las distribuciones del (o) hoblema 6.7 .?276 0.7256-0. Calcular la media de los datos de la Tabla 6'22.6. ó.4.98' (b) 6.6por2ydespuéssumando6seobtienelaseriell. (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. 11 . 1. respectivamente.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 0.7253-0. Tabla 6-19 Carga móxima Nl¡mero de cableg (toneladas cortas) 9.104. 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. 5.8-r2. para los daüos de la Tabla 6'20 empleando (o) el "méüodo largo".3-10. 2. L7. 25 las clases.5l estaban formadas por 32. Determinar lacalific¿ciónmediaparatoda8 5.0.7270 0.22. reqrectivamente. (b) el método clave.8-11.7271-0.726L 0.7.7280-0.2. ' 164.7279 0. Calcular el diámetro medio.6 se obtiene la s€rie 8. 12.0. Log salarios medios anuales pagados a hombies y mujeres de la compañía fueron $á200 y $4200.7 t2 17 l4 6 3 1 Tabla 6-2O fr 11.262-0. 19.4.7249 0.7247-0.6.7 10.2.2 11. i) 5.7.cAP.101.8.7250-0. 10' L6.2. El salario medio anual pagado a todos los empleados de una compañía fue de $6000.7258 0. .5.2 10.1. (c) 0.99. Determinar la media de la carga máxima empleando (a) el "método latgo".98.6.3- 9.7259-0. 10.2 TOTAL Í 98 75 56 42 30 21 15 11 6 compañía. .. (o) Sumando 5 a cada uno de los nl¡meros de la serie 3.1273 0.7252 0.9. (b) el méto' do clave. 1. TEORIA DEMUESTREO 191 y 11 estudiantes. . Determinar el porcentaje de hombres y mujeres empleados en la compañía. 1' 1' 5.8-L3.6.7274-0.2.7. pero diferentes medias.0.g?. 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. Tabla 5-21 60 ó.99.7255 0.103. 15.3-L2. (b) 3. Hallar la dewiación típica de la serie de nl¡meros de la progreeión a¡iümética 4.7277-0.

(b típica. 5 5. ¿cuál es la media? 5. Los momentos de cuarto orden respecto a la media de las dos distribuciones del Problema6.108 para los datos del problema 5..¡nz = ml- 5'115. (b) m.f 07. Con los resultados de los hoblemas 5. (b) curtosis para la distribución del Problema 5. Hallarelcoeficientede(c)sesgo. "on 5.L22.2_ Bm.98. ¿Qué distribución está más sesgada a la izquierda? 6. (a) Hallar la media y desviación típica para los datos del problema 5. teóiicos esperados.111.126. 20 22 2 AI. @¡. y comentar las diferencias observadas. Demostrar que la desviación típica de La serie de números es fi. ) Construir una distribución de frecuencias para los datos y hallar la desviación (c) Comparar el resultado de (b) con el de (a).109. 14.10. (b) rr.1o6.116. 5'112. (b) mz. Hallar los cuatro primeros momentos con respecto a la media de los números de la progresión aritmética 2. 5. I 4 o 10 7 5.li. (c) tercero y (d) cuarto orden de los números 4.125.L92 TEORIA DE MUESTREO lcAP.r5 1. 17. (a) De un total de n números. 11. si la distribución fuese normal. (b) segundo. (c) respecto al origen.101. (a) Demostrar que .8 respectivamente.120. Calcular los primeros cuatro momentos con respecto a la media para la distribución de la Tabla 5-23.l F. S. Hallar el coeficiente de (o) sesgo. Tabla 5-23 f t2 t4 16 18 5.gg. 5. (b) respecto al punto 5.124. 5. 5.114. Si loscuatroprimerosmomentosdeunaseriedenúmerosrespectoalpunto3sonigualesa-2. Hallar los momentos de (o) primero. tt. - l}rnlstn" * 4n. Hallar los momentos de (a) primero.+.108. Hallar (o) m t . (b) segundo. Hallar (a) la media y (b) la desviación típicaparaladistribucióndelProblema de los resultados obtenidos.t s). (c) tercero y (d) cuarto orden con respecto los números del Problema 5.. l.0. Comparar con el problema b.121. determinar los correspondientes momentos (o) respecto a Ia media..-Btnini l2m'rs.126 son 230y 780 respectivamente.. .2g.113. (c) lrq . (c) tercero y (d) cuarto orden respecto al punto ? para los números del Problema 5.102(c).g.722. la fracción p son unos mientras que la fracción q : 1 p son ceros. t¡l F. (D ) Derivar una fórmula análoga par^rns. la fracciónp son unos mient:'as que la fracción q : 1 -p son ceros. comprobar las relaciones entre momentos (a) mi2.11g.1. (l). Calcular los cuatro primeros momentos con respecto a la media para la distribución del Prol¡lema 5. ¿Qué distribución se aproxima más a la distribución normal desde el punto de vista de (a) apuntamiento.lOO.r5.30explicandoelsignificado 5.1 y -12. Aplicar el resultado de (o) al Problema b.5.1 . la distribución del Problema 5.llE.111. Lo mismo del Problema 5. 8.-2bybO. 5.1!2. tlallar los momentos de (o) primero.123. Véase Problema 5. 5. = nt. 5.117.98. 1.127.g.nl_ thnirni+6ml2rn. (f) s. @') mt y (d) ma para los números. (t t 2s). Hallar (a) ntr. 6.. a la media de 5. (c) nt3. 5. De un total de n números. 5. 3.(b)curtosisparaladistribucióndelProblema5.119. Si el momento de primer orden con respecto al punto 2 es igual a 5. y (i) (i+ rFpara 5.111 y 5. (b) asimetría? . - ?n: - 1m'rm! * l}m'r2nt!. Hallarloscuatroprimerosmomentosconrespectoalamediadelosnúmeros0. l.0. (b) segundo.mt.111. (b) ¿eué porcentaje de diámetros se encuentra entre (r1 . mientras que los momentos de tercer orden con respecto a la media son -8. Los momentos de segundo orden con respecto a la media de dos distribuciones son g y 16.f f O. k) ¡¡. 30 5. (t l3s)? (c) Comparar los porcettajes'de (b) lo. (o) Hallar la desviación típica s de los diámetros de los remaches del Problema b. 5'121. 5.

¿Cuál es la probabilidad de que lae primeras tres obgervaciones sean mayores que las'últimas cinco? ó. Demostrar el resultado (I9).136. tno = ñ(n2-l\3n2-7'td4 CompararconelProblema 5.'*(n-1)=in(n-1)..130.* (n .129. halla¡ la media de la distribución muestral de varianzae si el muestreo ee (o) con remplazamiento.133. En un exarnen las calificaciones fueron normalmente disüribuidas con media 72 y dewiación típica 8.cAP. Una mueetra de 8 obeervacione¡ se hace aleatoriamente de una población. (o) Hallar la calificación mfnim¿ del 2O% superior de los eetudianües. fSugerencia: 14+24 +34+' .6l PBOBLEMAS DIVEBSOS TEORIA DE MUESTREO 193 5. hoblema 6. 5. 5. (n-1)d (eadecirun¿ 6. (b) la dewirrción tfpica de la duración exceda 96 hora¡? ¿Qué ruporicioner deben hacerse? 6. ¿en cuántos lotes cabe eErerar que la mediana de duración exceda a 910 horaa? Comparar ¡u solución con el hoblema 5. La compañfa envfa 1000 lotes de 100 tubo¡ cada uno. (b) sin remplazamiento.132. Determinado¡ tubos producidos por una compañfa tienen una duración de 900 horar y una dewiación típica de 80 horas..aI progresión aritmética con primer término o y raz6n d) erlt6 dada por tl1-2 (n2 Dd2 . mt = 0.. Demoetrar que Vt y Vz definidas en el hoblema 5. (b) Hallar la probabilidad de que en una muestra aleatoria de 100 eetudianües la calificación mínima del 2O% superior Eea menor que 76.129 si la medi¿na de duración es de 900 horas. Demoshar que los primeros cuatfo momentos con respecto a la media de progresión a¡itmética a.a*d. pfuina 160.129(o) y explicar ous reeultados.1 (b)Emplear(a)enel 6..104. En el Problema 5. son independientes.. 1z+22+32+".+(n-l\z=fn(n-Il(2n-1).115. página 175.. ¿En cuántos lotee cabe esperar que (o) la duración exceda 910 horar.1 5.. (a) Demostrarquelarvarianzasdelconjuntoden nfrmerol a. Si muestras de tamaño 5 se ertraen de esta población y se calcula la varianza de cada muestra.al2d. a * 2d. 6. a * d..131.135.22. Una población de 7 números tiene una media de 40 y una desviación típica de 3. .1)a = $n(n-l)(2n-ll8n2-Bn1 ).128.a|(n-l)dson 11 ffit = 0.134. mz = i.@z-L)dz.fsugerencio: Utilizar - l+2+3+...

la media poblacional' Sin embargo. si la distribución muestral de S es aproximadamente normal (lo que se ha visto-.Capítulo 6 rF I | .l parámetro. S realmente es un estimador sesgado de o. El valor correspondiente del estadístico se llama estima insesgada del parámetro. puesto que E'(X) = u.r--Bo. la media provee una estima más eficiente que la mediana. Sin embargo. ESTIMAS POR INTERVALOS DE CONFIANZA. se está dando una estima de punto. El valor correspondiente del estadístico eficiente se llama estima eficiente. U 13 t) = o2.03 pies.27 % . EJEMPLO 6. en las páginas 157 y 160 son estimadores insesgados de la media poblacional ¡r y de la varianza poblacional 02.2_5 y 5.3. La precisión o conocimiento del error de una estima se conoce también como su seguridad. Por tanto. página 162. ya que en general Z(3) + o.95. La distribución muestral de la media y la mediana. SEGURIDAD La estima de un parámetro poblacional dada por un número se llama estima de punto de. Los valo^res i y 3 z se llaman estimas insesgadas. el estadístico con la menor varianza se llama estimador eficiente de la media.46% y 99.2. u-¡r"* 3o" . Si.1. &s-2o"EFsl%a'" ó ¡r.73% de las veces.ACIONALES Sean ¡rs y o" la media y la desviación típica (error tÍpico) de la distribución muestral de un estadístico S. Lógicamente se prefiere tener estimas que sean eficientes e insesgadas. €l 68. En la práctica se ellas pueden obtenerse. la distancia real se encuentra entre 5.28 + 0. pero esto no siempre es posible. EJEMPLO 6. 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. DE PARAMETROS POBI.31 pies. la va¡ianza de Ia distribución muestral de medias es más pequeña que la distribución muestral de medianas. La media X y la varianza 3' d"finid". L94 . Véase Tabla 5-1. eonq de esttmocton : . Si se dice que una distancia viene dada por 5. si el tamaño de muestra es n > 30). se está dando una estima de intervalo. EJEMPLO 6.s. cabe esperar que el estadísticoSseencuentreenlosintervalos&s o^s8Í. Si las distribuciones muestrales de dos estadísticos tienen la misma media. 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.28 pies. ambas tienen la misma media. por la relativa facilidad con que algunas de ESTIMAS POR PUNTOS Y ESTIMAS POR INTERVALOS. Entonces. es decir.. respectivaménte.. por otra parte.que es cierto para muchos estadísticos.s*o. se dice que la distancia es 5. utilizan estimas sesgadas o no eficientes.

27%. obtenidos en el Capítulo 5. si el muestreo es sin remplazamiento én una población 2. De los niveles de confianza se pueden obtener los coeficientes de confianza y recíprocamente.szs son los valores de ? para los que el 2. a S * o' delasveces.73% o. Si el estadístico S es la media muestral X.cAP..95.58 o.73% s9% s8% s6% s5."\\ñ s (3) .05 2. $ I 3or) son llamados los límites de confianza del 68.96 o7 Y X + 2. Tabla 6-1 Nivel de confianza zc e9. son los límites de confianza del96% V 99% (ó 0. etn.58 ox respectivamente.45%y te.68 2.00 0.1. Los números extremos de estos intervalos (S i o5. como otras veces sé conocen.645 r. de modo que para obtener los límites de confianza anteriores.46% y 99..1. Por ejemplo si -t.28 1. Pequeñas muestras (z < 30). Los números 1.99) para p". entonces los límites de confianza d'el95% y 99% para la estimación de la media poblacional ¡.96. 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.00 1.68.27%. S -+ 2o. de los límites de confianza se llaman coeficientes de confianza o ualores críticos y se denotan por zc.96. Poi estos se 99. & S*Sorenel 68. En este caso utilizamos la distribución t para obtener los niveles de confianza. 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.respectivamenllama¡ a estoé intervalos los interualos de confianza del68.6746 En los casos donde un estadístico tiene una distribución muestral que es diferente de la distribución normal (como chi-cuadrado..33 2. para estima¡ el parámetro poblacional. en el caso de un S insesgado). Iímites fiduciales.00 2. Utilizando los valores de o.o. S +. la desviación típica poblacional o es desconoc^ida.96 1. 2.F') se hacen fácilmente modificaciones apropiadas para obtener los intervalos de confianza.73% "pueden Análogamente. se puede ver que los límites de confianza para la media póblacional vienen dados por Xtz"* vn N-tt.96 o. INTERVALOS DE CONFIANZA PARA MEDIAS 1. En general.srs .46%y99.9q -V 0. entonces un intervalo de confianza para ? está dado por (véase pagina 161) (N -t. vienen dados por X r.6% del área se encuentra en cada "cola" de la distribución ü.szs y ú.r. y S -r 2.46% 95% 90% 80% 68.27% 60% 3. 95. Para niveles de confianza que no se encuentran en Ia tabla.73% para la estima de ¡rs (es decir.27 %. se utiliza la estima muestral S o S. Más generalmente.Grandes muestras (n > 30). El porcentaje áe confianza se"llama también nivel de confíanza. En la Tabla 6-1 se dan los valores de z" que corresponden a distintos niveles de confianza utilizados en la práctica. los valores de z" pueden sacarse de las tablas de la cuwa normal en el Apéndice C.6l TEORIA DE ESTIMACION 195 Análogaménte cabe esperar o se puede confiar en encontrar. S-2o" a S+2o" ó S-3o. . ps er los intervalos S . t 6 .

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

ot y tr'. están dados por Análogamente. *'T donde Pt y Pz son las dos proporciones muestrales. p$na 161.ozs = (13) De esto vemos que o puede estimarse que se encuentra en el intervalo S\n X.ozs (1t ) S{n-7 X. g 4 Fo..szs (1 5) con confianza de g5%.cAP. entonces un intewalo de confianzadel95% es v2 nS2 ^.I. entonces la variable aleatoria En el Capítulo 5. : P. los límites de confianza paÍa la diferencia de dos proporciones poblacionales. S$ si."1=. Porejemplosi x%rry X?szs sonlos valores de ¡2 para los cuales 2.02S o2 (12) ^. Para estadísticos con distribuciones muestrales simétricas. Si se extraen de'dos poblaciones distribuidas normalmente respectivamente.6% del área se encuentra en cada "cola" de la distribución. INTERVALOS DE CONFIANZA PARA RELACIONES DE VARIANZAS y n con varianzas Sí.6l TEORIA DE ESTIMACION L97 'donde Xpopnr y X2.S. - Pr. En forma semejante ohos intervalos de confianza pueden encontrarse.28.975 o de manera equivalente -. Sin embargo. flt! nz son los tamaños P. n - L gndos de libertad. para distribuciones no simétricas. W*"í-üt z"orr_r. 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. = . siendo las poblaciones infinitas. esto se consigue utilizando colas de áreas iguales. y Pt V Pz).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. (17) . .P.n2 son las respectivas medias. vimos que si dos muestras aleatorias independientes de tamaños m de vatianzas ol.F. of.entonces con98% deconfianzatenemos F. El proceso se ilustra en el Problema 6. Así por ejemplo si denotamos por F.2 X!. extraídas de las poblaciones./4 s?/a s7/"7 A tiene una dishibución F con fr . como la distribución chi-cuadrado puede ser deseable ajustar las áreas en las colas de tal manera que se obtenga el intervalo más pequeño. (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.ss los valores de F para los cuales 1% del área se encuentra en cada "cola" de la distribución. como las distribuciones normal y ü.o2.

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

3). Utilizando n : 67.!1t.45 ! 0.023 es una estima de la verdadera desviación típica pero esta estima no ni eficiente.35)2 F (6. 4er. = S tr.88 a 68. 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 66.45 pulgad. 2.93/V100) ó 67.2.4.37.02 pulgadas. Determinar unas estimas insesgadas y eficientes de (o) la verdadera media.5275) = 8.88 y 68.2. (o ) Estima insesgada y eficiente de la verdadera media (es decir.35)2 2(n-ñ\2 - n-l = = es insesgada + (6. = i2 = . 6.96"/\f. - iT $.32 6. (o) Del Problema (b) ó. 6.35)2 + (6. 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.TG pulgadas .36.02. 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 6.93 pr¡]Éadas como una estima de o (véase Problema 6.46 pulgadas.35)2+ (6. n-1" (6.58o/tñ.6l TEORIA DE ESTIMACION 199 6.6136 s2 Así . JC = . de la varianza poblacional). el intervalo de confianza del 95% para la media poblacional ¡t es 66.02): 0.88 < tt<68.3?-6. 6. pues. (b) la verdaderavarianza. Dar una estima insesgada Problema 6.? = /8.96. Una muestra de cinco medidas del diámetro de una esfera se registraron como 6.88 y 68. 95Vc ó 0. ESTIMAS POR INTERVALOS DE CONFIANZA PARA MEDIAS (GRANDES MUESTRAS} 6.ó.. por tanto.3. 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.02 pulgadas.36-6.35)2 5-1 0. no hay esencialmente diferencia entre 6.00055 cm2 Nótese que 0 = /0"00055 = 0.38: Estima insesgada y eficiente de la verdaderava¡ianza media: t : 67.93.336. Para la muestra dada 67.88 < p < ti8. (b) Los lfmites de confianza del 99% son X 2.iroentre s yG.58-?+ = V100 67.JDani (b) Estima insesgada y eficiente de la verdadera varianza (es decir. En símbolos se escribirá P(66.3.37 centímetros.saa = tln ! 2. decir que ia probabilidad de que la estatura media de la población se encuentre entre 66. Se puede.3?-6.45 ! 1.36 cm.33: Estima insesgada y eficiente dé la verdadera altura Del Problema 5.32 y 6.02 pulgadas es.96(2. 6.33. Así. Adviértase que puesto que n es grande. Para las cinco medidas puestas en orden de magnitud la mediana es 6. los lí¡nites de confianza son 6?. = n .45 ¡ + z.57 pulgadas.95. (b) la verdadera varianza.cAP. de la media poblacional). Determinar unas estimas insesgadas y eficientes de (c) la verdadera media.45 -- 0. que puede denotarse por 66.6136 : y. (a) Los límites de confianza del 95% son X t I.as y i : 2.

. los límites de confianza anteriores se convie:rten en 67. se utilizaría t.= vn Vn V200 ó 0.0049oulgadas t/-zoo sn 0. Los límites de confianza d. z:zc Puesüo que el área total bajo la curva es 1. para n > 30 se puede asumir que s y 3 son prácticamente iguales. lugar de Para y muestreo sin remplazamiento.824 pulgadas y uná desviación típica de O.96? como 1.G.semana dieron una mdia de 0.gg9!9 = \/zo0 0. son xtz.g6a = Vn 0-824:t 0.45 t utiliza¡lo.6 Asf. Oa z : zc ea O. los límites de confianz¿ del 98% son r ! 23g+ = \/7i Asi 0. de modo gue no 6?.E8y. se puede considerar el factor es necesario = 0. srn embargo. que puede denotarse por 66. Para obtener los intervalos de confianza. pues.el 99. el área desde z eE 0. Adviértase que se ha supuesto que la desviación típica dada es la desviación típiez modific¿d¿ i Si la desviación típica dada fuese S.824t0.O42 pulgadas.7.so! = Vn 0. 6. 6.96ry = \/200 0.ss9 = 0.00b8 pulgadas Los límites de confianza d.69 a 68.824 ! 0.006 Pulgadas . : O es Asi pues.33.0069 pulgadas Fig.21.' o^.824 0.645.0U89pulgadas.0. : t.69 (¡¡ < 68.82¿!L. puee.Hallar los límites de confianza del (o) 55"1.645a (c) .b6 y 0.{ñ= 0. Entonces por simetría.824=z.el 99o/.73 pulgadas.6450'942 = 0.6-l (b) S" busca z" tal que el á¡ea desde z : entonces z. los límites de confianza del90ak son n!I.73V.i :. Si se utiliza.4í. el intervalo de confianza del 997o para la media poblacional ¡r e¡ 66.6.49. se habría empleado ?: \/n/@4s = y'200[99s que puede tomarse como i para todos los propósitos prácticos.21 pulgadas. de aquí que z":2.sa| = r*z.824! 0.45 1 0. respectivamente.824 t 1. v (bl99% para el diámetro medio de todos los cojinetes.008 pulgadas.200 TEORIA DE ESTIMACION lcAP. En general.824 t 0. Lad medidas de los diámehos de una muestra de 200 cojinetes de bolas hechos por una determinada máquina durante una.00??putgadas t 0. r. 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.824tSL93 = \/zoo . (o ) Los límites de confianza del g5% son 6 (b) x t 1.824:r0.73% para el diámetro medio de G. (a) " lok. ñ!3+ \ñ - 0. es total.824 * 2. (b) 9O% y (c'¡ 99. los cojinetes del Problema Hallar los límites de confianza del (a) 98%. 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. el área a la izquierda de z:-zce8 también lVo.

Fig.goo*.7I 6.r. se tiene que el error ser6 igual a 0. de aquf que el grado de confianza pedido *162(O.01 segundos? 0.21o.Tomando o = la estima eerá menor de 0.9Tolfi.8.e?'. lo¡ límitee de confianza del96% pedidos eon 4.01.4. Entonces los lfmite¡ de confianza del 964o eon . Puegtoque¡. (c) v : 30.f I l.38 t 2. : 166.06.96+ v50 (10) 200 .04. (b).29lO):0.2910.23 zc h¡estoqueestodebeserigualaTSll.g6ol{n. er decir. (d) t= 60? Pa¡a los coeficientes de confi¡nza del 96% ("doble cola") el área total en la Fig. Aef.orr. (o) Los llmitee de confianza delglovo están dados por.05.0452 pulgadaa .04.01. pues.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.01 ¡i n e¡ 97 o mayor.4 60 límitee de confianza pueden repreaentarse por Ítz"ox deede z 68. Para lo¡ valores de v dados egtos son (a) t Z.58o/{i. debe emplearse la fórroul¿ para poblaciones finitas con muestreo sin remplazamiento.2S z"=L6 z"=0.96X0. pues. Asf el área ¡ombreada en la col¿ derecha es 0.9df (b) tos vn N-n A¡-1 = N-n N-1 75 t 1. 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.Entonces los coeficientes de confianza pedidos son tú. Los coeficientes de confianza del 96Vo ("d. : 20. 6-3 6.96)(0. (b) Loe límite¡ de confianza del 99% son X t 2.6 : 0.oble cola") para la distribución normal vienen dados por i1. Una muestra aleatoria de 50 calificaciones de matemáticas de un total de 200.Entonce¡ utilizando ¡ : 4.setienequel. ¿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.n r1s/t/Á¡. 6-8 debe ser 0. 1fi = (1.10(c)].00. ¿Cuáles son los coeficientes correspondientes pala la distribución úsi (a) v = 9. Halla¡ los límites de confianza para el diámetro verdadero del (o) 96% y (b) 99%. = * t1. <í n.50 2oo-L = 76!2.38 pulgadas y una desviación típica s : 0.06)/0.05 segundos.q'-: 200 v50 200-1 = 75 + 1.r¿ -. (d) =2.09.:n-L:10-1:g. TEORIA DE ESTIMACION 20L es de Al medir el tiempo de reacción. un sicólogo estima que la dewiación típica del mismo (c) .t = t.38 + 0.X+r"L .58')(0.26 &- Vlo-1 = 4. (c'¡ t2.96. Eláreabajolacurvanormal : O t z: 0.06 pulgadas. Entonces (2. AsÍ.01 : 9.i=r. (ó) +2.11.*.Ze.gzs:2.682ó ESTIMAS POR INTERVALOS DE CONFTANZA PARA MEDTAS (PEQUEñAS MITESTRAS) 6.9.10.051/\/n = 0. (o) ¿Cuáles sonloslímitesdeconfianzadel9Ú% para la estima de la media de las 200 calificaciones? (b) ¿Con qué grado de confianza poüá . 6.05 segundoe.8 ó n : 96.81. 8e tiene la confianza del99% de que el error de la e¡tima eerá menor de 0.cAP. arrojó una media de 75 y una desviación típica de 10.26fvéaeet¿mbiénProblema6.38 y c : 0. Una muestra de 10 medidas del diámetro de una esfera dio una media ñ: 4.81 es 0.siendo 0.hallamoat.026 y el valor crítico correepondiente es ú.05)/\.01 si (1..01 soliamente ¡i n es 167 o mayor. .

L2. - ó Prob(p > e-Bt/p6-ffi¡ = + J(t t/2r -.9ó utilizando el Apéndice C indica que e-Bt/fi-fl/n:0.73% para la proporción de todos los votantes que estaban a favor de este candidato.38 4. (a) Soluciona¡ el hoblema 6.18.55 para estimarp. = 3."-.55 t 0. ¿Qr'é tamaño de muestra debe toma¡se en el Problema 6. (b) En cada caso.6 : se puede estar en la confianza del 96a/o de que el valor ve¡dadero se encuentra entre 4.se5 - (b) Para v = 9. y para tener una confianza del g5% de su elección necesitamos : 0. Análogamente.06/y'10 .55 y la estima p : 0. Hallar los límites de confianza del (a) 95%. = P t 1. (b) Comparar los resulüados de los dos métodos.426 pulgadas. J_. (a grandes ) Mediante loe métodos de Ia teoría de grandes muestras los límites de confianza del 95% son X t 1.88 i g.55 = o'55t0'10 donde se ha tomado la proporción muestral 0.1.55./e(l -p) ¡? V = 0.96-0-.13.0 = 4.qq /lo - 4. t. t 3ú058)16:¡8 10d 0. 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 6.58)(0.Z5(0.25.50 ó n= 27r .2/z¿y L645 Al comparar con Prob(p > 0.55 del Problema 6. Puesto que (P .6a5y'i6lBB)Io-75j7i : 0.14.95.b0 Entonces. (c) 6.11 suponiendo válidos los métodos de la teoría de muestras. tenemoe 0. pues. 6.55 + 0.ssr(S/tñ-l.38 * (2. 0. (a ) Los límites de confianza d.l = 4.-'\ r1/pg-p)/n / rB I l-r'-tt'/z¿y t/2.045 TEORIA DE ESTIMACION lcAP.446 pr'lgadas.73% parap son 0.O37pulgadas ? donde se ha utilizado la desviación típica muestral 0.06b0 pulgadas y el inüervalo de confianza del99% e¡ 4.50): 0.55 2.335 pulgadas y 4.f) = 4.06 como estima de o.pV" es normal asintóticamente.202 Asf..50. (b) Los límites de confianza del99% parap son 0.045 : 4.= v-n 4.88 + 0. (b) 99%y (c) 99.88 r 1.06) /\t1. Entonces loe límites de confianza del 99lo rcn i t ú.049 pulgadas.27.96. Una muestra de 100 votantes elegidos aleatoriamente entre todos los de un distrito dado. obtenidos mediante ios métodos de pequeñas muestras o teoría exacta del muestreo son más anchos que los obtenidos por los métodoe de grandes muestras.l)6or. 0D > 0.15.p')/\/p(l .38 + 0. los límites de confianza del 99% son 4.55 '^^ I(0'55)(0'45) :r 1'e6!ff : = 0. Para hacer este problema de una fo¡ma más exacta. los intervalos de confianza mues¡ras.315 a 4.13 para que la confianza de que el candidato sea elegido sea del g5% z El candidato se elige si p ) 0.38 t 0.58ú6:5EXb:¡BtTdd = Los lfmites de confianza del 99.50) Prob( que hob / J--ct t)_p . utilizando P donde B = : 0.88 + g. véase Problema 6. indicó que el 55% de ellos estaban a favor de un determinado candidato.el95o/o para la población p son P : l.13.96-9.

25 = 0. (a) Al nivel del g5o.45 a 0. se puede esperar con confianza d.15.6l TEORIA DE ESTMACION 203 6. 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. se obtuvieron 24 ca¡as.23.45 a 0.96. pues.25 son las proporciones respectivas de adolescentes y adultos a quienes les gusta programa. z" = 1.?4 y el INTERVALOS DE CONFIANZA PARA DIFERENCIAS Y SUMAS 6. pues.25 ! Z. se puede esperar con el 994n de confianza que la diferencia de las medias de las poblaciones se encuentre entre 167 y 233 horas.0g.75./i120)r/15¡+-G0)r400 = 200 + 82.el 99% son: 1400 - 1200 12.16.50 encuentre entre 0.31.96 La verdadera = 0. (b) Al nivel del 99.73% para la proporción de caras que se obtendrían en un ilimitado número de lanzamientos de la moneda. z" = 3. Hallar los límites de confianza d9l (c) 96% y (b) 99.19 y 0.BZ a 0.58\.06. se As( pues. el intervalo 0. PtQt .33.?9. dando.6..Xn-. Los límites de confianza para la diferencia de proporciones de los dos grupoe están dados por 'll1 1t2 dondelossubíndicesly2serefierenaadolescentesyadultos.il3li. se puede encuentre entre 0. En una muestra aleatoria de 400 adultos y 600 adolescentes que veían un cierto programa de televisión./.Zb + 1.73% como 0.5B = 0. pues. se tienep = 0. se puede esperar con el encuentre entre 175 y 225 horas. [-os límites de confianza para la diferencia de medias de.37 a 0. 6. Una muestra de 150 bombillas del fabricante A dieron una vida media de 1400 horas yuna desviación típica de 120 horas. 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. 100 adultos y 300 adolescentes dijeron que lei gustaba.g.6V n:40 enlafórmula \tF(l=A/. (a) Los lÍmites de eonfianza del 95Va son 0.tr 7. Una muestra de 100 bombillas del fabricante B dieron una vida media de 1200 horas y una desviación típica de 80 horas. dando el intervalo 0.t 1.83.el 96% que diferencia de proporciones (ó) Los límites de confianza d. SustituyendolosvaloresP:24140 = 0. intervalo de confianza del 99. PzQz el - O. 95"/o de = 200 t 24..cAP.50 ! Pz : 100/400 : 0.AquíPr:300/600:0.60 + 15. -loi*o'o -"1/"o-"" Los límites de confianza del 9b7o son: 1400 1200 .50 - 0. se Así.60 La fórmula más exacta del Problema 6. gt= Ptz" t z¡/F(=ffi.4 y B son dados por (a) *o.25 = 0.17 y 0. se tienep : 0.respectivamente. En 40 lanzamientos de una moneda.el 99Vo que la verdadera diferencia de proporciones . Mediante la fórmula aproximada p = P + 0. pues.27 da el intervalo de confianza del 95'ib como 0.el ggVoson 0.96/il2OtG0I80)2/100 Así.. Así. esperar con confianza d.

se tiene ltlt+Ez+at+¿o = Fu.24 ) Los lfmites (c) Loc lÍmites (d) toslfmitesdeconfianzadel voltios. osr* Ez+t:.04 volüios. Entonceg el error porcentual de la desviación es 3s/t/-at (¿) Si 300 _ = s.08) = 180.f8.t+ti. indica el nivel de confianza..4O pulgadas. pues. Así. pues. oE. Y t¡.4i0. La desviación típica de las estaturas de 16 estudiantes seleccionados aleatoriamente en un colegio de 1000 estudiantes es 2. entonces n 1800.9. (b d.el 95Vo que la desviación típica de la población se encuentre ) Al nivel del 99% los límites de confianza son: 100 * 2. puesto que /¿rr = lLEt lr'.73% con: 180.20. En este caso se aplica la teoría de grandee muestras.6?45(0. Entonces.204 TEORIA DE ESTIMACION [cm.4 t = 180. = orr. 46O.4 + 2.19.054 voltios se llama error probable./nloslímitesdeconfianzason:100 11. * l'a.58(100)/r/Zbd = 100 r 12. de la desviación típica para todos los estudiantes del colegio.g. (o) Alniveldel 95". = 0.[4: "'rJ o'r. INTERVALOS DE CONFIANZA PARA VARIANZAS 6. hallar lós límites de confianladel (a) g5%. * uotr* l'a. = 45. (c) 99. el tamaño de la muestra deberá ser 1800 o más.73"/o para o son S . (b)LO%? De igual forma que en el Problema 6. Si se conectan 4 baterías en serie.08) 0. Hall¿rr los límites de confianza del (a) 95% y (b) 99% para la desviación típica de la población de tales bombillas. FfJ voltaje medio de las baterías producidas por una compañía es de 45.8 horas. 6.19. entonces n : = 10. (a) Loslímites de confianza delgSv" están dados por sy'7/x. Se utiliza la dewiación típica muestral para estima¡ o.2 y 109.= lr'.4 t de confi¿nza del 99. .73% y (d) 5O% para el voltaje total.4 + 1.2L. 82. Así.4 t 3(0. (b) 99%. ¿Qué tamaño de muestra en el Problema 6.1 y 112. página 162)loslímites de confianza para la dewiación típica de la población son dados por S * z. La desviación típica de las duraciones de una muestra de 200 bombillas fue de 100 horas. Si Er. 0. (b) Si }OO/\E : Aei pues.o/yEi.0b4voltios.4:t0. o 6.. 5O%son:180. Es y Eq representan los voltajes de las 4 baterías.96(100)i/200 = 100:tg.r-= oE.58(0.ozs. utilizando s como una estima de o.96(0.16 voltios. 6.08)=180. donde 2.08 ÉEr+nz+E¡+Eo = 4(45.1 voltioE y dc.19 deberá tomarse para que con confianza del 99. el tamaño de la muestra deberá ser 450 o más.04 V.9 horas.x {2n 300//t = 5. se puede esperar con confianz¿ entre 90. los límites de confianza del 99.73% la verdadera desviación típica de la población ::o difiera de la desviación típica muestral en más del (c) 6%.r Bo/l-zn Ss/\/Zn.r+r 2+Er+84 = . Por tanto (véase Tabla 5-1.21 voltios.1 V y la desviación típica 0.* o". El valor de 0.08) = 180..1) = 180. = 1la1ffiy : 0.4 (o) (b Los límites de confianza del95% son: 180.. 0. Hallar los límites de confranza del (c) 95% y (b) 99"/. Así. ee puede esperar con confianza del 99'y'" que la deerüeión típica de la población se encuentre entre 87.e75 y st/n/x. pues.4 V r de confianza del 99% son: 180.

s¡5=2.ozs l-l Vz(rssl -r)z = itt. X. ee decir. 6.49 pulgadas. esto es. Si se encuentra que sus varianzas son 24 y (b\ 90% para la relación de varianzas. : 200 - 1 : 199 g¡ados de libertad.14. 1.50. 200 ..ozs. s! = 20. hallamos como en el Problema 4.el99% están dados por Sy'-nl¡.6l Para o TEORIA DE ESTIMACION 206 x?ozs = 16- 1 = 15 gradoode libertad.3 horas.!75= 5. Por tanto se tiene la confianza del 99% de gue la desviación típica poblacional se encuentra entre 88.sor-79.9 y 115.oos = 72.60 ó y.19(b).15. Por tanto se tiene la confianza del 95% de que la desviación típica poblacional se encuentra entre 91.SO+19.. y 18 respectivamente halla¡ los límites (o) Tenemos nt = l(t.oe5=5. Solucionar el Problema 6.t.2.. rz = 10.8 ó ¡.ee5 Para v y Sy/i/7.11. Por tanto se tiene la confianza del 99/o de que la dewiación típica poblacion¡l se encuentra entre 1.68 y 4.92)2 = 253 lL6.9 y 1001800/t2.2= 115.49 pulgadas.73 y 2.¡]oor=32. x1.¡¡5.40\f-16/2..o .= r\ri= (f.2 y 111.83 y 3.?3 y xz.84 pulgadas. Este resultado debe compararse con eI del Problema 6.9 horas.oos:4. Por tanto se tiene la confianza del 95% de que la dewiación típica poblacional se encuentra entre 1. pfuina 137' x. = 15. están dados por Sy'-nlx ors y Sl-n/y.92)2 = : \2.24 y = 6.26 6 7. Dos muestras de tamaños 16 y 10 respectivamente de confianza del (c) 98% se extraen aleatoriamente de dos poblacio- nes normales. Entonces los límites de confianza del 95% son 2.9212 : 239 161 = olz02s+V2(199)-1)e =. (o) Los límites de confianza d.68 y 4.' son 100y'2b-0 115.19(a). Este resultado debe compararse con el del Problema 6._.7. y St/T/x.23.40\f-I6/5." x%os 1_l .1 : 199 grados de libertad.n.83 y 3'84 pulgadas.n25 = 2. Paray:16-1:lSgradosdelibertad.s¡5. Entonces los límites de confianza del 99% son 100/Eñ6 de donde X sq¡ INTERVALOS DE CONFIANZA PARA RELACIONES DE VARIANZAS 6./x Para v : sr.19 utilizando la teoría de pequeñas muestras.24 y 2.2 a.5 y Entonces los límites de confianza del 95o/.5 6 x.r+l/Z[I6Ef-T¡z = jtz. 3? = t=r"i = (lf)rznl = "? = 18 de modo qrre 26.50.el95')h están dados por Sy'-n.t-t.14.9 y x.cAP. .22. 1. x2nzs de donde ¡¡. (b) tos lÍmites de confianza del 99\i.)rto = \/ 2o. (b) Los lÍmites de confianza d.o75 = |{zsrr. Entonces los límites de confianza del 997o son 2. x?szs = 27.40Vf 6 /1. it..40\R/2.sa+19.9 horas respectivamente.5 = 91'2 y 100y'200/12'1 = 111'3 horas respectivamente.g = 88.

tn1z. tenemos pataUl: 15 y ez:9 grado¡ de libertad f or : 1/3. como lógicamente era de eryerarse. = (b) Como en (o) hallamos del Apéndice F que confianza del g0% es F.47(b).eo = ".) Obsérvese que el intervalo de confianza del9O% e¡ mucho más pequeño que el intervalo de eonfianza del 98Vo. gue tenemos (I) Puesto Por tanto l(rx.4437 oí = * ('z'6'g)(?q¿.sg<!=z.89.eg oz 6.24.'or¡ g. También del Problema 4.#>@t-pl2 Tomando Ia derivada parcial con re4ecto raL 1:' fr.os : 1t2. Hallar los límites de confianza del (al 98% típicas del hoblema. . v Q) 90% para la relación de las desviaciones de las desigualdades del Problema 6.25. Si n obsewaciones Xr & se toman de una población distribuida normalmente de la cual se desconoce la media y se conoce la varianza. Halla¡ la estima de máxima verosimilitud de la media.6 Del Problema 4..(ffi) 4.47(d). pfui¡1g 19?. ü = \/2ro2 -J- r-<x¡-ü2rzoz L = f(nt.23.23 hallamos los lfmitec de confianza para el (¿) (ó) ESTIMAS DE MAXIMA VEROSIMILITUD o. pl" 'f (r.89 de modo que l/F.206 IEORIA DE ESTIMACION [cAP.6?=1=r. página 13p. pl = (2to2)-tt2¿-zbk-r)2t2o2 (z') (r) Fijando íLldp = 0 t¡L = a -f.96 parapl : 16 1 : 15 ! U2 =LO-1 =9 grados de libertad. Por tanto el intervalo de #(ffi) s += 6 0.zt oz 0. tenemos F ge = 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.e¡ = 3. 6. = 3)@*-Pl reeulta Q.84 V F. Al tomar la raíz cuadrada 98% v el9o%.z8a =# : = rsee.e5 2. (#)(ffi3) o. 6.0. reculta .59. hallrrmoe para el intervalo de confianza del 98%. Entonce¡ utilizando (171.

se tiene e+ flt "" P(L-PI .) Dividiendo numerador y denominador por 2n. se tiene P-P Elevando al cuadrado los dos miembros.L n - pl pz-2pp*p2: (nI nes para zp\p2 "?P# z?lp Multiplicando los dos miembros por ¿ y simplificando. La proporción muestral P en unidades tipificadas .27.63. tenemos ee i'# Fijando aLl0o2 . zi n -4nz | +! .6l TEORIA DE ESTMACION 207 6. halla¡ la estima de máxima verosimilitud de la va¡ia¡rza.p).0 hallamos Vé¿se Problema 6.cuyassoluciop son dadas por La fórmula cuadráti. (a) Si P es la proporción observada de éxitos en una muesha de tamaño n. b--(2nP+"7) y c=nP2.e f(x¡. queda. 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) .p oP = -1. En estos valores extremos. Entonces tomando la derivada parcial con reqrecto a 02.ca p= _6 + 1/@=lo" 2a z"P+27=W 2(n* z7\ 2nP I 22" * ""t/6F(L1VlT7" 2(nI zf.26. Si en el Problema 6. estaecuaciónsereduceaafi*bp*c:0.13. z7 n -4ü r+4 n o P (b) Utilizar la fórmula de (¿) para obtener los límites de confianzadel99. (a) como la utilizada en el Problema 6.25 se conoce la media pero se desconoce la varianza. Si escribimos f (rx. (c) Mostrar que p¿üa grandes valores de n la fórmula de (c) se reduce a p=P¡2" \FF -nn. - (2nP I * nPz = 0 Si o=n+z!. todo lo efectuado en el hoblem¡ 6. donde z" deüermins el nivel de confianza.13. . = -fi+ uár> @t-r)2 02= 2 (rr - pl2 PROBLEMAS DIVERSOS 6. {P(L = *2" p(.cAP."2) en cambio d.25 ha¡ta la ecuación (2) aplica.TS% delProblema 6. por tanto.P)/n Los valores mayor y menor de esüa variable tipificada son tzc.

lcAP. (c) Comparar la desviación típica muestral con la desviación típicÁ de la población estimada. ó 0. respectivamente. entonces zf.ge = 15.e4 91.44.utilizando de (a). 8.7 a Lt3.s2=12.30 si se obtienen los mismos resultados para 30. Hallar los límites de confianza del (o ) 99%.e6 : 15.05.2 19. La media y la desviación típica de las cargas máximas soportadas por 60 cables (véase Problema 5.208 TEORIA DE ESTIMACION (b) Paraloslímitesdeconfianzadelgg.8 89./Anz que se obtiene la fórmula pedida. 6.a los cuales la suma de las áreas en l¡as colas sea61. Hallar los límites de confianza del (o) 951/. zf.55yn:100enlafórmula y 22"/nson despreciables y pueden sustituirsepor cero. empleando t¡alores críticos tales como justifica el trabajo involucrado.7. es de g1.6 = 12. y (b)99dto para la media de las cargas máximas de todos los cables producidos por la compañía.31.7 7.85./zn.?3 ton.. cuya amplitud sea menor que la del Problema 6. y 0.el 95"tb Ampütud 2r.2 y 9.09 ton.$=12'76.0 = 12.6.a. En la Tabla 6-2 se indican varios valores críticos y los conespondientes intetwalos de confianza del 95%.Es posible haltar otros límitee de confianza escogiendo valores críticos de X2 gar. 6.?3 20. (c) 95% y (d) 90% para el dirimetro medio de todos los remaches fabricados por la compañía.72642 pulgadas y 0. (c) Si n es gtande.3 91.30. Sin embargo. 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) 6.32. de amplitud sol.9 7.13(a).22(a) fueron obtenidos escogiendo valores críticos de y2 de tal manera que las áreas en cada cola fueran 2. en general. Valores Crítico¡ Tabl¡ 6-2 Intervelo de confianza d. (b) 98Vo.O a 110. X. 10.54 ¡.4 20.o¡r y x e8l.'. Un intervalo con amplitud af¡n menor puede hallaree continuando el mismo método de aproximación x.32 92.¡amente 19.8 ¡.=B. Determinar estimae insesgadas y eficientee de (o) la media de la población v (b) la varianza de la población. se tienep : 0.28. respectivamente. la disminueión en el intervalo que 8e obtiene es comúnmente despreciable y no Probletn. 10. respectivamente (véase Problema 5. g. La media y la desviación típica de los diámetros de una muestra de 250 remaches fabricados per una compañía gon O.8.29.6 p=0. horas Una muestra de 10 tubos de televisión producidoe por una compañía.98) están dadas por 11. X 032 y X 1¡2.22(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 6.8.7s7=15.00058 pulgadas.69 en acuerdo con el problema 6. etc.r De la tabla se observa que un intervalo del95%.64.0 a 110.. ¡es=15. .Entonces.42 a a 111. (o) Solucionar el Problema 6.8.4 libras. Las medidas de pesos de una muestra fueron registradas como 8.rlos ESTIMAS INSESGADAS Y EFICIENTES 6..9 110. de forma 6.z. 2g. pero de tal manera que las áreas en cada cola no sean iguales.TSVo. Estimar (o) la media y (b) la desviación tÍpica de la población de todos los tubos de televisión producidos por esta compañía.40 y 0.6%. 6'33.s sr¡plernenta. dieron una du¡ación media de 1200 y una desviación típica de 100 horas.8.100).

0. (b\ 99% y G\ gg.g1 sfoundos.2[horas. o.3? suponiendo aplicables los métodos de la teoría de los resultados obtenidos. Una r¡rna contiene una proporción desconocida de bolas rojas y blancas.94" Hallar (¿) los Problema 6.638 libras y una desviación típica de y (b) del 99Vo pata los pesos de lotes de 100 cojinetes cada uno.41.80.7 Bdn pá.73V"? 6.41. Cinco medidas del tiempo de reacción de un individuo a un cierto estímulo fueron registradas real de 0.40 verdadera no difiera de la proporción muestral en más del 6Vo sea (a) del 95Vo.cAP. De dos grupos análogos de enfermos A y B formados de 50 y 100 individuos.45. Hallar los límites de confianza del (c) g5%.g9. respectivamente.86.2?. mientras que de 100 cerrojos de otra máquina 12 eran defectuosos. (c) del 99.36 si el error en la duración media estimada superar las 10 horas? ESTTMAS POR INTERVALO DE CONTIANZA DE MEDIAS (PEQUEÑAS MUESTRAS) 6.(b\95%'(c\99% deladecisiónen favor de uno de los candidatos? INTERVALOS DE CONFIANZA PARA DfFERENCIAS Y SUMAS 6. Una muestra aleatoriade 60 bolas extraídas con remplazamiento de la urna. Hallar los límites de confianza del (a) 95%' (b)99o/oy (c) gg . ¿qué tamaño de muestra deberá tomarse puüa que sea del (a\96%.012 libras. dio el 7O% de bolas rojas.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 6.33.43. 0. 6.40. Si la desviación típica de la duración de los tubos de televisión se estima en 100 horas.42.24 onzze. (b)gg%y (c)99J37" para la dewiación típica de todoslos cables producidos por la compañía.38 onzas los límites de confianza del (c) 95% y (b) 997o para la resistencia real' desviación típica de 1.76 y 0. INTEBVALOS DE CONFIANZA PARA VARIANZAS Y DESVIACIONES TIPICAS 6. (b ) del 99%.a h diferencü de proporciones de cerrojos defrctuosos de las dos máquinas' Estudiar los resultados obtenidos. Para los pacientes del primer grupo el número medio de horas de sueño fue 7. y (b) el error probable para la media de los diámetros del 6. Dar los resultados utilizando la fórmula aproximada y la más exacta del Problema 6'27. al primero le fue dado un nuevo tipo de somnífero y al segundo un tipo convencional.82 con una desviación típica deO. 6. ESTIMAS POR INTERVALO DE CONFIANZA PARA PROPORCIONES 6. HaIIar los límites de confianza del (o) g5%. La desviación típica de resistencia a la rotura de 100 cables producidos por una compañía fue de 180 libras.gg.44. 6. Una muestra de 200 cerrojos producidos por una máquina mostró que 15 eran defectuosos. Se cree que una elección resultará muy reñida entre dos candidatos. respectivamente. 6.46. 6. 6.3g.7g% para la proporción real de bolas rojas en la urna. Hallar los límites de confiánza (a) del 95% Una compañía fabrica cojinetes de bolas que tienen un peso medio de 0.6l' TEORIA DE ESTIMACION límites de confianza del 5O% 209 6. 0.30 horas. y una Una muestra de 12 medias de resistencia a la rotura de hebras de algodón dio una media de 7. 6.ParalosdelgrupoB fueron 6. Hallar eI error probable de la desviación típica del Problema 6'46' . para que la confianza de que la proporción ¿Qué tamaño de muestra se debería tomar en el Problema 6. Hallar grandes muestras y comparar Solucionar el problema 6. Hallar los límites de confianza del (a) 95% y (bl99% para el tiempo reacción. 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.g?. ¿Cuál será el número mínimo de voranües que se deberá mue\trear para quelaeonfianza sea del (a) 8O%. (b)g|%t (c)997oV @)59. como 0'28.g5.

e 11. ¿Considera que las dos muestras del hoblema 6.042 cm y 0.55. ESTIMAS DE MAXIMA VEROSIMILITUD 6.57.25 y 6. .62.e 24OO libras y una dewiación típica de 150 libras. Una población tiene una función de densidad dada por 8e toman n observaciones l(r) = l^0 [ Si se toman n observaciones X1 . Solucionar el Problema 6. Determinar los intervalos de confianza del (o) 98%v @\gOVapara larelacióndelasdesviacionestípicasdel Dos muestras de tamaños 6 y E respectivamente tienen la misma varianza. .2to 6. (b) gg% y (c) gg. . Xn de una población distribuida normalmente con media ¡l y varianza ¿Pueden determinarse estimas de máxima verosimilitud de ¡t y o2 en términos d. límites de confianza del (o) 96'/o y (b)99Eb pa¡a la desviación típica de todas las bombillas fabricadas Solucionar el Problema 6. Comparar los resultados con los obtenidos empleando la distribución normal. Hallar el estiniador de máxima verosimilitud de ). Solucionar el (o) Problema 6.51. . . del Problema 6.? ¿Son lc mismos a los dados en los hoblemas 6. (o) ¿Cuáles son los límites de confianza del 951/o y 99% para estimar la media de la resistencia de rotura de los 460 cables restantes? (b) ¿Con qué grado de confianza podríamos decir que la media de la resistencia de rotura de los 460 cables restantes es de 2400 1 35 libras? ¿Cuál es el intervalo de confianza del 957. . 6. X1. PBOBLEMAS DIVERSOS 6.035 cm respectivamente.. . Si n observaciones 6. Las desviaciones típicas de los diárnetros de los cojinetes de bolas producidos por dos máquinas son 0.54. 6. 6.6 ¿Qué tamaño de muestra deberá tomarse para que la confianza sea del (a) 95%. -t 1 r ( -. Una población tiene una función de densidad dada por i@l = 2rt/r/" ¡2s-v*. Xn de esta población. 02 desconocidas. [(A'+t)st 0<¡:<1 de otra forma Xn de esta población hallar la estima de máxima verosimilitud de h. Hallar los intervalos de confianza del (o) 98% y (b)907. . Los coeficientes de confianza del 999á ("doble cola") para la distribución normal están dados por 12.52. 6. Xn se toman de una distribución de Poisson con parámetro tr desconocido.49. La desviación típica compañía.(c)v:25. hallar la estim-a de máxima verosimilitud de z. En una prueba de 40 cables seleccionados aleatoriamente resulta una media de la resistencia de rotura d. .63. TEORIA DE ESTIMACION [cAP. Si se toman n observaciones. X¡.(b)v:12. . ¿Cuáles son los coeficientes correspondientes para la distribución f si (o) v = 4.54 fueron extraídas de la misma población? Justificar su solución. . basados en muestras de tamaño 10 cada una.61. Hallar Ios intervalos de confianza del (a) 98% y (b) 90% para la relación de Ias varianzas.50.51 que tiene la menor amplitud? 6. INTERVALOS DE CONFIANZA PARA RELACIONES DE VARIANZAS 6. .58.53.60. . r.7T% de que la desviación típica de una población no difiera de la desviación típica muestral en más del 2%? 6. para la relación de las varianzas de las poblaciones de donde se exhajeron.49 si 25 bombillas tienen la misma desviación tÍpica de 120 horas. .48.54 si las muestras tienen tamaño 120 cada una.52 y (b) Problema 6. 6. . . .26? Explicar.(d)v : 30' (¿) v: 40? Una compañía tiene 500 cables.58. 6. hoblema 6. . .56.59.62. Hallar los igr la 6.. Si Xr. . .49 utilizando la distribuciíny2 si una muestra de 100 bombillas tiene la misma desviación típica de 120 horas. 6. 6. de la du¡ación de 10 bombillas fabricadas por una compañía es 120 horas.

se estaría inclinado a rechazar la hipótesis de que la moneda est:á bien. ERRORES DE TIPO Si en el supuesto de que una hipótesis determinada es cierta. se dice que se comete vn error del Tipo se acepta una hipótesis que debería ser rechazada. HIPOTESIS NULA Para llegar a tomar decisiones. ensoyos de significación o reglas de decisión.Unahipótesis alternativa de la hipótesis nula se denota por Ilt . 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 /. 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. aunque sería posible que fuese un rechazamiento enóneo. si un sistema educacional es mejor que otro. HIPOTESIS ESTADISTICAS. si se quiere decidir si una moneda está cargada.5. etc. lo son sobre las distribuciones de probabilidad de las poblaciones. Tales supuestos que pueden ser o no ciertos se llaman hipótesis estadísticas y. es decir. conviene hacer determinados supuestos o conjeturas acerca de las poblaciones que se estudian.á bien. Por ejemplo. siunahipótesis-esp:'0. hipótesis se llaman también hipótests fluctuaciones en el muestreo de la misma po y se denotan por flo . Análogamente. a Muy a menudo. nulns Cualquier hipótesis quedifiera de una hipótesis dada se llamahipótesis alternatiuc. partiendo de la información muestral de las mismas. Por ejemplo.p#O. 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.Capítulo 7 Ensoyo de hipótesis y srgnlllc(Iclon DECISIONES ESTADISTICAS t cJo . si una moneda determinada está o no cargada. p : 0. Si por el contrario. se puede querer decidir a partir de los datos del muestreo. en la práctica se tienen que tomar decisiones sobre poblaciones. se dice que se comete un 277 . donde p es la probabilidad de cara.7. Si se rechaza una hipótesis cuando debería ser aceptada. Por ejemplo. si en 20 lanzamientos de una moneda se obtienen 16 caras.56p>0.5. si se quiere decidir sobre si un procedimiento es mejor que otro. si un suero nuevo es realmente efectivo para la cura de una enfermedad. En muchos casos se formulan las hipótesis estadísticas con el solo propósito de rechazarlas o invalidarlas.5.hipótesisalternativassonp:O. ENSAYOS DE HIPOTESIS Y SIGNIFICACION evidencia obtenida). Tales decisiones se llaman decisiones estadísticag Por ejemplo. en general. se formula la hipótesis de que no hay encia observada se debe meramente a diferencia entre ios procedimientos (es decir. se formula la hipótesisde que la moneda est.

por ejemplo se elige un nivel de significación del O.O6El conjunto de las z que se encuentran fuera del rango -1. un tipo de error puede tener más importancia que el otro. 7-1. se puede estar con el 957o de confianza de que.05. De acuerdo con lo dicho hasta ahora. Esto no es tah sencillo como pueda parecer puesto que para un tamaño de muestra dado. 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. al diseñar un ensayo de hipótesis.96 constituyen lo que se llama región crítica o región de rechace de Ia hipótes¡'s o región de significación. ¡--lglj .96 y 1. varianza 1) y se muestra en la Fig.96.05 es el nivel de significación del ensayo.96 a 1.7-l Sin embargo.05 (área sombreada de la figura) si la hipótesis fuese verdadera.05.96 a 1. de modo que los resultados obtenidos no influyen en la elección. si al elegir una muestra aleatoria se encuentra que z para ese estadístico se halla fuera del recorrido . 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.=lD6 I'ig.1.. Esto equivale a decir que el estadístico muestral observado es significativo al nivel del 0. si la hipótesis es cierta. se está con un 95% de confianza de que se toma la decisión adecuada. La única forma de reducir al tiempo ambos tipos de error es incrementar el tamaño de la muestra. es una normal tipificada (media 0.96). ENSAYOS DE HIPOTESIS Y SIGNIFICACION [cAP. la distribución muestral de un estadístico S es una distribución normal con media p" y desviación típica o". El área total sombreada 0. es decir. En tal caso se dice que la hipótesis ha sido rechazada aI niuel de significación del O. un intento de disminuir un tipo de error.01.O5. lo que quiere decir que es un suceso con probabilidad de solamente 0. entonces hay aproximadamente 5 ocasiones en 100 en que se rechazaría la hipótesis cuando debería ser aceptada. supóngase que con una hipótesis dada. Entonces puede decirse que esta z difiere signifícatiuamente de la que cabía esperar bajo esta hipótesis y se estaría inclinado a rechazar la hipótesis.lo que significa que se puede cometer error con una probabilidad de 0. En cualquiera de los dos casos se comete un error al tomar una decisión equivoca- Para que cualquier ensayo de hipótesis o reglas de decisión sea bueno.96 ó z 1. En la práctica se acostumbra a utilizar niveles de significación del 0. Como se indica en la figura. ? II.95). la probabilidad de cometer error del Tipo I. va generalmente acompañádo por un incremento en el otro tipo de error. ENSAYOS REFERENTES A LA DISTRIBUCION NORMAL Pa¡a aclarar las ideas anteriores.)/o. generalmente se fija antes de la extracción de las muestras..05 ó 0. el valor de e obtenido de una muestra real para el estadístico S se encontrará entre 1. debe diseñarse de forma que minimice los errores de decisión.96 (puesto que el área bajo la curva normal entre estos valores es 0. se dice que la hipótesis se rechaza al niuel de significación del0.96 podía entonces llama¡se región de aceptación de h hipótesis o región de no significación.96 (es decir.212 error del Tipo da.1.05 si la z obtenida para el estadístico S se encuentra fuera del recorrido . lo cual puede ser o no ser posible. Entonces la distribución de la variable tipificada dada por Z : (S ¡. aunque igualmente pueden emplearse otros valores. Así pues. En la práctica.05 o que la z obtenida del estadístico muestral dado es significatiua al niuel de significación del 0. .1.El conjunto de lasz que se encuentran dentro del recorrido . Si. z > I.96 a 1. Esta probabilidad se denota frecuentemente por o..96 a 1. Representa la probabilidad de rumeter error al recbazar la hipótesis es decir.1.05 6 6"/. y así se tiende a conseguir poner una limitación al error de mayor importancia.

81 2.05 001 45 0. Tabla 7-1 Nivel de significación o Valores críticos de z para ensayos unilaterales Valores críticos de z para ensayos bilaterales 0.08 y 3. es decir.la X-.58 2. Véanse páginas 158 y 160. si se utilizase el nivel del 0.96 y -2.28 ó -1.cAP. Medias. los resultados son para poblaciones infinitas o para muestreo con remplazamiento' Para muestreo sin remplazamiento de poblaciones finitas los resultados deberán modificarse. Z = -.28 1. Por ejemplo.33 -2. Cuando es necesário se utiliza la desviación muestral observada s (ó G).645 cí 2. 1. Entonces.645 1. Los co. Por esta raz6n.7l / ENSAYOS DE HIPOTESIS Y SIGNIFICACION 2L3 (b) Se acepta Ia hipótesis (o si se desea no se toma decisión alguna) en caso conhario. puede también emplearse. Ia región crítica es una región a un lado de la distribución. donde o es la desviación típica poblacional y n es el tamaño de la muestra.645 y 1.6 1. = op: o/1/i. En cada caso. Valores críticos de z para otros nivelei de significación.96 en todo lo visto anteriormente por 2. página 195. Para ensayar la hipótesis nula (f) co (I ). La variable tipificada viene dada por Aquí S : X.58 ó -2. con área igual al nivel de significación. con frecuencia se puede estar solamente interesado en los valores extremos a un solo lado de Iá media. que da los valores críticos de z para ensayos de una y dos colas a distintos niveles de significación. para estimar o. tss =.-: ú1V11. puesto que la suma del nivel de significación y el nivel de confianza es L00%.002 ó -t. 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). La Tabla 7-1. media poblacional. en las dos "colas" de la distribución.58 y -2.i: ¡t..33 ó -2.8I -3.96 1.005 0. La Tabla 6-1. media muestral. En tales casos. aceptaríamos -EI6 de que la media poblacional es p : o utiliza¡íamos el estadísti-EÍe (o al menos no lo . utilizando un ensayo de dos colas. 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.88 y -1.58 2. Tales ensayos se llaman ensayos de una cola o ensayos unilaterales.88 2.01 se sustituiría 1. en una "cola" de la distribución. Debe ponerse de manifiesto que puedgn igualmente emplearse otros niveles de significación. será de utitidad para propósitos de referencia.58 (véase Tabla 7-L).08 ENSAYOS ESPECIALES DE SIGNIFICACION PARA GRANDES MUESTRAS Para muestras grandes.10 0. tales ensayos se llaman ensayos de dos colns o ensayos bilaterales. es decir. se pueden encontrar utilizando la tabla que da las áreas bajo la curva normal. 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. Si4 embargo. o.. como por ejemplo.

'\ l x2 (7) ¡ donde se puede. 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 . = 0 O:.*r_*.r. utilizar las desviaciones típicas muestrales sr V sz (ó 0t y 3. Entonces. La variable tipificada viene dada por z: En el caso de que P . utilizando un ensayo de una cola. donde e : ! . 3. lt : !z. como estimas de or y 02. ¡r" : ltp : p.2I4 ENSAYoS DE HIPoTESIs Y sIGNIFIcAcIoN lcAP. donde X en es el P-p \/pql" (5) número real de éxitos en una muestra. Con la variable tipificada dada por X.p. la proporción de "éxitos" en una muestra. : ltulln.. . Considérese la hipótesis nula de que no hay diferencia entre las medias poblacionales. 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. es decir.-'... página 159. Proporciones.. Diferencias de medias.05 si ry olVn ríamos. donde p es la proporción y n es el tamaño de la muestrsi o" : o.-X2-0 z _:.= X/n. ? rechazaríamos) al nivel 0.. 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.De (//). (5) se convierte (6) Z= X-np \nLPrI Consideraciones semejantes a las hechas anteriormente para medias pueden hacerse.EIo al nivel 0.05 si (véase Tabla 7-1). si es necesario. 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._ = Xr-X" \.e6 y lo rechazaríamos por el contrario. de éxitos en la población (4) Aquí S : P.05 si p¿üa una muestra específica de tamaño n con media r (2) -1. aceptaríamos Ilo (o al menos no la rechazaríamos) al nivel 0.e6 = "ñ+ = 1. Para otros niveles de significación cambiaríamos (2) apropiadamente. Para ensay¿ü la hipótesis de que la media poblacional es menor que a acepta- iñ 2.

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

-2 gradosde'libertad.s? + + n.10 si Fo. utilizando un ensayo de dos colas. En algunos problemas deseamos decidir si dos muestras de tamaños m y n respectivamente.1)^ii + fn. (/8) y lo rechazaríamos en el caso contrario. es decir = o3.1 grados de libertad. provienen o no de la misma población normal.s'.. fi son las varianzas de las dos poblaciones normales de donde se extraen las muestras. Un resultado otro nivel. aceptaríamos. de que la varíanza poblacional es mayor que o2 emplearíamos la hipótesis rilo . t La distribución de ? es una distribución de Student conv: n.05 (y por tanto concluiríamos que f/. Bajo esta hipótesis (16) se convierte en "! F::-l q2 q2 \. ..oz : o en(12).01 u y la rechazaríamos de otra forma. . fuera tal que nsz t2 y aceptaríamos IIo (o al menos no la rechazaríamos) de otra forma.05 si X. 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 . . En este caso utilizamos el estadístico (véase página 161) F= donde (16) fi.) (17) Para ensayar esta hipótesis al nivel 0. El empleo de (12) está plenamente justificado al hacer o.EIo (o no la rechazarí4mos) en el nivel 0.1 grados de libertad. (rz' . pero entonces emplearíamos un ensayo de una cola. Relaciones de varianzas.0. combinada obtenida al donde ^31 t . s2. en el nivel 0.. página 159.3¿ son estimas insesgadas de oi combinar los datos.1. Entonces si una muestra aleatoria de tamaño n tiene varianza s2 aceptaríamos flo . por ejemplo. y o!. 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. Por tanto rechazaríamos Hs. (o al menos no la rechazaríamos) en el nivel 0. sí sí = F'o. Entonces. Para ensayar la hipótesis H. 4. primero anotamos que F en (16) tiene la distribución F con fr . Esta es la uarianza 3.t. n .2L6 ENsAyos DE HrporEsrs y srcNrFrcAcroN / Se'tt.J)9j 1) + (nz -1)-- l' n.t n. basados en el ensayo de dos colas. * n. Varianzas. cuyas varianzas medidas son sl y sr2. es correcta) si la varianza muestral específi- ca. .'oz¡ o<nsz< (14) semejante puede obtenerse para el nivel 0. y después utilizar como estima de o2 la media ponderada (n. Si ¡/o denota la hipótesis nula de que no hay diferencia entre las varianzas poblacionales.

. El método utilizado general: típica de la muestra para estimar la media y des 7. por ejemplo. Un resultado semejante para_ ensayos de una cola requeriría intervaloi de confianza unilateralás. poüíamos realmente emplear el intervalo de confiaíza del Capítulo 6 para e¡¡sayar ttipótesir. qué tamaños de muestras deben emplearse. la si de modo que puedan darse los pasos rápid ejemplo en control de calidad. El problema de ensay En un intento para determina¡ si una distribución normal representa un buen ajuste para datos dados. (/ ) en la (1e) ñ _ L.elo vn vn Por tanto. conviene utllizar papel grófico de curua normal o papel grófico de probabilidad.31). 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. A pesar de que la necesidad de tales intervalos es rara' es posible definirlos (véase Problema 7. como a veces se le llama (véase Problema 7.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. donde s camb se deben simplemente a fluctuaciones causa de deterioro en las máquinas.29). CURVAS CARACTERISTICAS DE OPERACION. Los gróficos de control suministran un método útil y sencillo para tratar tales problemas (véase Problema 1. GRAFICOS DE CONTROL DE CALIDAD importante conocer cuándo un proceso ha cambiado suficientemente. se describe más adelante.30. 7l ENSAYOS DE HIPOTESIS Y SIGNIFICACION 2t7 R. es posible frecuenten llamadas "modelos" o distribuciones "esperadas") tras de la población. Es posible evitar el riesgo de error < nunca la hipótesis.33. r a¡ la bondad d. érrores de los empleados. al menos en el caso de los ensayos de dos colias.14).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.cAP. etc. 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.05 es eq pigtm 195 conducente al intervalo de confianzadel96"/o se puede obsenrar que existe u eoría de ejemplo. Útt "trrayo ajuste de distribuciones teóric as. el enmyo chi-cuadrado.7.32 y 7.136 y también Problema 6. POTENCIA DE UN ENSAYO Se ha visto cómo el error del Tipo I pued. significación.

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

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

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

la hipótesis de que una moneda está bien hecha.5 caras.. de otro modo se rechaza y se decide que la moneda no está bien hecha. /1Y.I0 Probabilidad pedida : : área bajo la curva normal e¡tíe z: 2(áreaentre z: O y z: -2.. uo Pueeto que np o-{ffi=['r{ffi=' = _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.1.10) 7.7-2 z (60. ?] ENSAYOS DE HIPOTESIS Y SIGNIFICACION 22r Problema.en unidadee tipificadas = 60.que muestra la distribución de probabilidad de caras en 100 Ianzamientos de una moneda bien hecha. Según la distribución binomial. 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. . se acepta la hipótesis. ambos inclusive. \ql . probabilidad de error del Tipo I) se llama níuel de significación d.-210 caras) FiE. está representado por el área total sombreada de Ia figura.'| rrx'ti'\r/ /tY' \-/ \-/ \-/ \-/ \-/ La media y la desvi¿ción típica del nf¡mero de ca¡as en 100 hnzamientos vienen dadas por t.CAP. 7-2.5 y 60. -.0358 6 3.e la regla de decisión y es igual a 0. se dirá que esta z difiere significatiuamente de lia que cabría esperar si la hipótesis fuese cierta./lY' (.) =. En una escala continua. (2) de otro modo./ 1" (. la probabilidad pedida es /1\'t0 'oocoo( i) /r \6r' .1O y z: 2. Así.58%.L0 y 210.) +'noc. Para ensayar (c) Hallar la probabilidad de rechazar la hipótesis.5 en unidades tipificadas = q9'5-:-E 60. se rechaza.tp = 1oo(.5 - 50 = 2.s resueltos ENSAYOS DE MEDIAS Y PROPORCIONES UTILIZANDO DISTRIBUCIONES NORMALES 7.9642 : 0. (b) Interpretar gráficamente la regla de decisión y el resultado del apartado (c).2.5 ..10 y nq son ambas mayores de 5. Región de recbace ? El error que se puede cometer de rechazar la hipótesis (39.5. 39.0358 en este casc.0358. La regla de decisión se ve gráficamente en la Fig. cuando en realidad es cierta. pues se habla de rechazar la hipótesis a un nivel de significación de 0. la probabilidad de no obtener entre 40 y 60 caras inclusive si la moneda está bien hecha 1 .0358 del apartado (o). el área total sombreada (es decir. puede utilizarse para la er¡aluación de la suma anteriqr la aproximación normal a la distribución binomial. entre 40 y 60 caras inclusive es lo mismo que entre 39.I de la regla de decisión y la probabilidad de cometer este error es igual a 0.0358. 53 (o) (b) Por el Problema 7. Por esta razón. cuando debería aceptarse q el error del Tipo.1.'lóJ /1Yo .lO 2. Hallar la probabilidad de obtener entre 40 y 60 caras inclusive en 100 lanzamientos de una moneda.0. (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. Entonces la probabilidad de rechazar la hipótesis cuando es correcta : 0.. . Si en una serie de 100 lanzamientos sg obtiene una z entre -2.

cada6rea sombreada en la Fig. Tercer método: y np+1.t6. se ve que con probabilidad 0.96(4)< X< 32 + 1.84.1.99 .96.58o y pt*.96 equivale a . Diseñar una regla de decisión para ensayar la hipótesis de que una moneda est.que también conducea ) obtenerse de la Tabla ?-1.966X=24. El error que se comete al aceptar la hipótesis cuando debería decisión.96yñpq lleva a Ia regla de decisión anterior. 7.01.96(4)< (x6 32.0050 :0.(X-32)l¿:1-96óX:39.58o.01 .96 < z < 1. (i ) Se acepta la hipótesis de que la moneda está bien hecha si el número de 24.96.5000 . una posible regla de decisión es: (I ) Aceptar la hipótesis de que la moneda est:á bien hecha si Z está entre -1.32 y o -= t/iw = y'6llos)(05) = = (X p)/o 4 bajo Ia hipótesis de que la moneda está bien hecha. Siguiendo el mismo procedimiento del método segundo del apartado (o ).< 1.96 <(x-gz)l¿. Así.05 y (b) 0. (b -1.96(4) :24. Estopuedetambién - el número de ca¡as se encontrará entre lr 2.25.16 y 39.4950 ! zt = 2. Entonces. Entonces.2.32.96 y 1.960 y ¡J + l.222 ENSAYOS DE HIPOTESIS Y SIGNIFICACION [cAP.np: 64(0.58(4):21. Segundo método: Con probabilidad 0. 2. es decir.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.005. np. el área entre 0 y zr es 0. -zr Fis.1.96_ (2) Rechazar la hipótesis en cualquier otro caso.96(4) la regla de decisión anüerior. (2) Rechazarla en cualquier otro caso.23-7.95. 89. 24. se habría rechazado la hipótesis. Entonces el área entre 0 y zr = 0.960.025 por simetría.5000 0. Entonces Z la regla de decisión resulta: = (X - 32\14.16<X< 39. caras se encuentra entre (2) es Se rechazá la hipótesis en caso contrario. entre 25 y 39 ambos inclusive.1. es decir. Esto es lo que se debe afrontar cuando para tomar decisiones se toma cualquier línea de división. ? (c) Según la regla de decisión.96.O25O : O-4750.96(4): 1. en ambos casos se aceptaría la hipótesis de que la moneda está bien hecha. g2-2. el número de ca¡as se encontrará entre ¡¡ decir.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.84.96.? en lugar de 0. sería el caso cuando la probabilidad de cara fuese realmente 0. Se puede aceptar la hipótesis cuando realmente debería rechazarse como.7-B 2r Los valores críticos la Tabla 7-1- -1.575).5. Se puede argüir que con solo una cara más que se hubiese obtenido. Para mayor discusión véanse Problemas 7 rechazarse ea error del Tipo 1I de la .58(4\: 42.5) .3. es decir.84que 32) < 1. Si el nivel de signilicación es 0.5i2:-1.96{npq o entre 32 - 1.76y 32+ -1. pues.y z¡ : 1. . por ejemplo. (d) Si. (o) Primer método: Si el nivel de significación es 0. 7-3 es 0.1. cada área sombreada en la figura anterior es 0.05.96 y 1.á bien hecha si en una muestra de 64lanzamientos de la moneda se toma un nivel de significación de {c) 0.bg (másexacüarnente 2. nótese que la media y la desviación típica de la distribución binomial exacta de caras están dadas por ! .O. SiZ:1.(X-32)14:-1.Asípues.84.96(4).

Así por ejemplo. es decir. lo que efnificarfa que ee rehuaa cualquier decisión en este caso.05.4900Y2r:2. Algunos estadísticos adoptan la terminología de que lios resultados significativos al nivel del 0. se concluye que los resultados del experimento anterior wn probablemente significatiuos.05 y el indiüduo tiene fue¡za de E.645.98 (ó 1. Rechazar Ia hipótesis en ca6o contraúo.ar la hipótesis si el número de caras se encuentra e¡fte 22 y 42 inclusive.5 y el sujeto tiene fuerza de E. la decisión rnantiene es decir.01.06 son no significatiws.S. Sin embargo. la regla de decisión del Problema 7. ¿Cómo se podría diseña¡ una regla de decisión en el Problema ?.P.01.5) en unidades tipificadas es 1.98 es mayor que 1.5) = zb ! o=\/wq = /86(05)(-05) = ¡/Es = (a) Para un ensayo de una cola al nivel de significación de 0. lo que se hace es simplemente no rechazarla. 7-4 Puesto que 32 unidades tipifrcadas (32 .01 son probablemente significotiuos.entonceseláreaent¡eOyzt:0.84 llegándose a Ia misma conclusión anterio¡.26)13.33.3(b) serfa: (I ) (2) No recltzz.S.5 üiene un valor tipificado de (31.Puestoque32(ó 31.4. los resultados son significativos al nivel del 0. Seglrn la üerminologfa.05 pero no al nivel del 0. Una completa discusión de tales casos requiere l¿ consideración de errores del fipo II (véanee hoblem¿s 7. Si la hipótesis está dado por ff6 es cierta. se concluye que al nivel del 0.33.06 se debe elegit z1 en la Pig.6.645 los resultados Be deben a la casualidad. no significativos al nivel del 0.cAP.P.645. puesto que no se está interesado en la facultad de obtener valoree bajos. Sin embargo. es decir. mientras que los resulüados significativos a niveles superriores al 0.5 V el sujeto está simplemente adivinando. zl (2) Si z es menor de 1. los resultado¡ son totalmente casuales Ht: p ) 0. Entonces el área enüre O y zt = 0. Y zr : 1.omete al aceptar una hipótesis que debería ser rectrazada. entonces se tiene que decidir entre las dos hipótesis siguientes: Si Hoi p: 0.01 ¡on altomente significatiuos. en lugar de aceptar la hipótesis.25\15.84) que es menor que 2.01.3 que evite el enor del Tipo T? El error del Tipo I[ se c. 7.23-7.4500. sino en la facultad de obtener aciertos numerooos.5.26'). se deduce que los reeultado¡ no son significaüuos al nivel de 0. la regla de decisión o enaayo de significación es: (f ) Si la z observada es mayor que 1. (I) ee Adüértase que tealmente debería aplicarse una conección de continuidad. .S.05 y (b) 0. 7-4 de modo que el área sombreada en la región crítica de r¡alores alüos sea 0. Esto puede también eacarse de la Tabla 7-1.64:1.05 el individuo tiene fuerza de E. puesüo que 32 en una eecala continua está entre 31-5 y 32.54 p=. Asfrpues. de modo que posteriores investigaciones del fenómeno están probablemente justificadas. 7l ENSAYOS DE HIPOTESIS Y SIGNIFICACION 223 7. Fig. Se elige un ensayo de una cola.) 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. en muchos ejemplos prácticos es importante decidir si una hipótesis debe eer aceptada o rech¡zada. (D) Sielniveldesignificaciónes0.64: 1.645.05. Para evitar este etlor. p es la ptobabilidad de que el sujeto elija conectamente el color de una catta. los resultados significativos al nivel del 0.5 .np = 50(0.P. 31. Es desconocido-para el zujeto cuántas cartas rojas o azules hay en el lote.S. la media y la desviación tfpica del número de cartas identificad¿c correcüamente 3. En un experimento sobre percepción extrasensorial (E. Si el zujeto identifica conectamente 32 cartas' determinar si los resultados son significativos al nivel de significación de (c) 0.P.

01 . altamente significatiuos (véase final del Problema ?.P. El estadístico bajo consideración es la media muestral X.23: -4. (a) Paraunensayobilateralalniveldesignificaciónde0. se llama a veces niuel de significación erperimental o descriptiuo.s. Por ejemplo..33. Se tiene que decidir entre las dos hipótesis: Ho.5). 3.9 y la aseveración es correcta es falsa Hy: p10. 7 Puesto que los niveles de significación sirven de guía en la toma de decisiones. Asípues.96.Ossetienelasiguienteregladedecisión: (/) Se rec}raza 116 si la z de la media muestral está fuera del rango . mediante la simetría de la curva.9)(o.l8O)14. Si ¡. Denótese porp la posibilidad de obtener alivio de la alergia utilizando la medicina. (2) Se acepta l/6 (o no se toma decisión alguna) en caso contrario. 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. Determinar si la aseveiación del fabricante es cierta. o de la Tabla 7-1.r¡ = a. algunos estadísticos citan las probabilidades reales inherentes. ta probabilidad citada en-este caso 0. puesto que Ee esüá interesado en determinar si la proporción de gente aliviada por la medicina es demasiado baja.01. comprobar la hipótesis ¡¡ : 1600 horas contra la hipótesis altemativa r¡ # 1600 horas con un nivel de significación de (a) 0. con una desviación típica de 120 horas. La duración media de una muestra de 100 tubos fluorescentesproducidosporuna compañía resulta ser 15?0 horas. 7. Si se toma el nivel de significación del 0. que es mucho menor de -2. lt:1600 hora.viacióntípicaop:s/1/i.05 y (b) 0.33. la aseveración es legítima y los resultados obtenidos se deben a la casualidad (en cuyo caso Si se acepta 116 ). El fabricante de una patente médica sostiene qu€ la misma tien'e un 9O% de efectividad en el alivio de una aler_gia.96 a 1.dondegvoscnlamediayladesviacióntípicadelapoblación de todos los tubos producidos por la compañía.9 y la aseveración Se elige un ensayo unilateral. 7-5 es 0. .$) : 1AO y " - 7.33 (en cuyo caso se rechaza H¡). como puede deducirse del koblema 7. 7-5 toma como regla de decisión: (1) La aseveración no es legítima si Z es menor de -2. H1: ¡t* 1600horas Un ensayo bilateral debe utilizarse aquí puesto que g * 1600 incluye valores mayores y menores de 1600.7. \/"pq = /?2ooxo. en este problemapuesto quep(Z > 1. Entonces tre las dos hipótesis: se debe decidir Ho: p: 0. (2) En caso contrario.23. .r es la duración media de todos los tubos producidos por la compañía. por un período de 8 horas. La distribución muestral de X tiene una media r¿x-Éyunades. entoncegz¡ : -2.224 ENSAYOS DE HIPOTESIS Y SIGNIFICACION lcAP. es sobre el 3 por 100.0322 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.6. Ahora 16O en unidades tipificadas (160 .01.84):0. si el área sombreada en la Fig. es decir.0322.5(b).1.S.En una muestra de 200 individuos que tenían la alergia la medicina suministrada alivió a 160 personas. Se zl Fig.

en efecto. el valor de z es -2. 7-5). laregiónsombreadadelaFig.01.05. fle al nivel (b) Si el nivel de significación es de 0. se tiene X-p ol\n 1850 .1600)/12 : (L570 .7 Como en el Problema de significación del 0. 7. utilizando la desviación típica muestral como una estima de o. se rechaza pues.33. II1: ¡t{ 1600 horas. Bajo la hipótesis de que (I es rechazada.645.7.F/0 (2) De otro modo. acepta H6 (o no se toma ninguna decisión) en caso contrario.7(a).01? Se tiene que decidir entre las dos hipótesis: Ho: lJ: Ht: lt > 1800 libras.05. Se ¡ecltaza 7 . Las decisiones concernientes a hipótesis'lfe dadas. y realmente no hay cambio en la resistencia 1800 libras. 7-5 es -2. .50.645. que es menor de -1 . Puesto que / : (X .58 a 2.01 la regla de decisión es: ) Si eI valor de z es mayor que 2. se acepta Ile (o no se toma ninguna decisión) al nivel de sfinificación del 0. (1 Hs si Z es menor de -1. Al nivel de significación del 0. se rechaza /16 al nivel de significación del 0.oo loo/v5o que es mayor de 2.01. (a) Sielniveldesignificaciónes0. 7l ENSAYOS DE HIPOTESIS Y SIGNIFICACION 226 eneuentra fuera del rango Bajo la hipótesis I/6. /ls al nivel de significación del 0. se rechaza pues.01. que es menor de -2.9. se ensaya una muestra de 50 cables y se encuentra que su resistencia media es de 1850 libras. ¡.96 a 1 . Se debe < 1600 decidir entre las dos hipótesis: Ho: lJ: 1600 horas. En el Problema 7.50 se encuentra dentro de este rango. ¿Puede mantenerse que. ensayar la hipótesis p : 1600 hora. con los niveles de significación de (¿) 0.01 y.7(a) mediante un ensayo bilateral. Esto cabe. Adviértase que esta decisión es la misma que la obtenida en el Problema 7.05. ) (2) Se acepta.01 eI valor de z1 en la Fig.s frente a la alternativa horas.cAP. Debe aquí utilizarse un ens¿ryo unilateral (véase Fig. (a). por tanto la regla de decisión: -L.33. se tiene g : 1600 y o* = a/t/n = 120/\/L00 = 12. basadas en ensayos de una o dos colas. Ilo es aceptada (o no se toma decisión alguna). Para ensayar esta aspiración. 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. hay un aumento de resistencia al nivel de significación del 0.¿ 7.T-Stieneunáreade0.645.8. Adviértase que esta decisión es idéntica a la obtenida en el Problema 7. I/e es cierta.96 a 1. De aquí se deduce que los resultados son olúamente significatiuos y Ia aspiración de mejora debe ser admitida.58. no están siempre en concordancia. Entonces.1800 -------------ó. y hay un cambio en la resistencia Aquí debe emplearse un ensayo unilateral (véase Fig.0Sysetieneque zt : Se adopta. De aquí que se adopte la regla de decisión: (I ) Se rechaza H¡ si Z es menor de -2. el rango -1. Mediante una nueva técnica en el proceso de fabricación se aspira a que esta resistencia pueda ser incrementada.33. Como en el Problema 7. ' (b) Si el nivel de significación es 0.50 se -l . naturalmente esperarse.05 y (b) 0. puesto que z -2.1600y12 : -2.33 los resultados son significativos al nivel de 0.01.96 en la regla de decisión del apartado (c) se sustituye por -2. el valor de e es -2.7(b) mediante un ensayo bilateral.33. (2) S.9 6.Ff6 (o no se toma ninguna decisión) en caso contrario.50. puesto que se ensaya I/6 conha una alternativa diferente en cada caso. 7-4).

de acuerdo con la terminología utilizada al final del Problema 7.01? ces. los resultados son significativos al nivel de 0. se rechaza la hipótesis lls si el valor de z fuese mayor de 1. se tiene que Supóngase que las dos clases provienen de dos poblaciones que tienen de medias respectivas decidir entre las hipótesis: l\ y tJz. ambas clases provienen de la misma población.e o1 y o2.2 pulgadas con desviación típica d. De aquí se deduce que al nivel de 0.645. La media y la desviación típica de la di- uir-i.8 pulgadas. = o n*r-'^" = !t-". es decir. z ENSAYOS RELACIONADOS CON DIFERENCIAS DE MEDIAS Y PROPORCIONES 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. De aquí se deduce que al nivel de 0.e 2.El6 . ! la diferencia se debe simplemente al azar H t : Pt * ¡t2 . no se puede rechazar la hipótesis a este nivel de significación. Enton- Bajo ferencia de medias están dadas por Ho: ltt : llz. los resultados son significativos al nivel de 0. .226 ENSAYOS DE HIPOTESIS Y SIGNIFICACION [g.-*.10. Se debe decidir entre las hipótesis: Ho: llt : H t: Ft ) Bajo la hipótesis.05.lp. Ensayar la hipótesis de que los estudiantes que participan en las pruebas atléticas son más altos que los otros.10. !40*50 = 1. =o n*r-rr"= "? .10 si se está dispuesto a correr el riesgo de tomar una decisión errónea con una probabilidad de 0.606 donde se han utilizado las desviaciones típicas muestrales como estimas d. I vez cada 10.5 pulgadas. ?.05. Debe sin embargo ponerse de manifiesto que la hipótesis puede rechazarse al nivel de 0.05 si Z se encuentra fuera del recorrido -1. ft1 "8.96. (b) 0. - l"? .96 a 1.01 no hay diferencias significativas entre ambas clases. mientras que en la segunda clase la puntuación media fue de 78 con una desviación típica de 7.0ó hay una diferencia significativa entre las dos clases y la segunda es probablemente mejor. p2 . ltz . Para un ensayo bilateral. = o*r-fr. 7. se deduce que los resultados son probablementesignificatiuos.la estatura media del primer gtupo ^o hay diferencia entre las estaturas mediases mayor que la del segundo ur?.5 pulgadas con desviación típica de 2. En la primera clase la puntuáción media fue de 74 con una desviación típica de 8. n2 = 0.4s Puesto que los resultados scin significativos al nivel de 0.01. "Z= l8r. Se hizo un examen p dos clases formadas por 40 y 50 estudiantes respectivamente.. La estatura media de 50 estudiantes de un colegio que tomaban parte en las pruebas atléticas fue de 68. mientras que 50 estudiantes que no mostraban interés en tal participación tenían una estatura media de 67.5. Entonces z= (a) (ó) Pata un ensayo bilaüeral. = 1# = -2.01 si Z se encuentra fuera del iritervalo -2.58 y 2. ¿Hay una diferencia significativa entre el restfltado de las dos ciases al nivel de significación de (a) 0.05 pero no al de 0.58. Así pues.11.hay una diferencia significativa entre las dos clases la hipótesis lls.

Dos grupos A y B fo¡mados cada uno de 100 individuos./" Para la diferencia de 0.tt d \/a>r2.650 0. padecen una enfermedad.y el suero es efectivo Bajo la hipótesis 116.CAP.L2. . (a) o.09 3. 0. respectivamente se han recuperado de la enfermedad. ¿En cuánto deberíán incrementarse los tamaños de muestra de cada uno de los dos grupos en el Problema 7.75 n . se tiene .0648 donde se ha utilizado como estima de la proporción 65)1200 : 0.70 y donde q : 1 p : 0.7\n 3'75 La diferencia observada será significativa al nivel de 0. = p de curas 0.01.05. Entonces ry- en los dos grupos muestrales el valor (?5 * P."io" dos grupos per- o*r- *. pero no al grupo B (que se llama gtupo control). Se administra un suero al grupo A.xz 4 . (c) 0:10.7 3. respectivamente las proporciones poblacionales curadas ( I ) utilizando el suero .10.o*r-*.t. Denótese por P utiliza¡ suero. Ensayar la hipótesis de que el suero ayuda a curar la enfermedad al nivel de significación del (a) 0. (b) 0.7 observada en las estaturas medias se tiene xt ..ebr(-#.54 (c) De acuerdo con un ensayo unilateral al nivel de significación del 0. Se debe r! p2.01 si : 28 al menos.zorro.0648 ro.l las diferencias observadas son debidas al az. = 0 V p". el suero no es efecüivo Ho: Pt : Pz. = o?.05.01? Supóngase que el tamaño muestral de cada grupo eB n y qLe las desviaciones típicas manecen iguales a las de antes. H t : pt ) pz. se rechazaría la hipótesis IIs solamente si z fuese mayor de 1.r.01.r-r. se deduciría que el suero es efectivo al nivel de significación de 0. = o o.#) = 0.05. bajo la hipótesis tiI6. Puesto que el valor de z es 1.13. Entonces. De donde se deduce que a este nivel tambiénlas diferencias se deben al azgt. (ó) De acuerdo con un ensayo unilateral (c) Si se utilizase un ensayo unilateral al nivel de significación de 0.30. Puesto que esta condición es satisfecha. (b) 0. ui'!!=r.zt.28. Se encuentra que en los grupos Ay 8. se debe deducir que los resultados se deben al azar a este nivel de significación. (2 ) sin decidir entre las dos hipótesis: es decir.33.?50 - = 1. 14.54. 7.75/\n 0.7 pulgadas en las estaturas medias sea significativa al nivel de significación (o) 0.ir_*. deberá incrementarse el tamaño de cada grupo en ?8 será significativa al nivel de 0. al nivel de significación del 0. se r*}lrazaría lahipótesis1116 solamente si z fuese mayor de 2.10 se rechazaría f/e solamente si el valor de z fuese superior a 1."2 nn (2. ?] ENSAYOS DE HIPOTESIS Y SIGNIFICACION 227 7._P" orr. siendo en todo lo demás los dos grupos tratados idénticamente.II para que la diferencia observada de 0.05 si Yif-t'uou (b) La diferencia observada ó 1/-n=8. urr-r'.8 í¡ n>78 50 Así pues.75 y 65 individuos.645.5 ó t57 n>1b? 50 De aquí que se debería incrementar cada muestra en al menos : lO7 .5¡z ¡ ".

750 y 195/300 Adviértase que en este caso la proporción de gente curada en los dos grupos son 225/300 : 0. Esto muestra cómo al incrementarse el tamaño de la muestra aumenta la seguridad de las decisiones. Bajo la hipótesis ^FIe. estaban a favor de un candidato dado.sol( r*-L * r*-L ) : 0.228 ENSAYOS DE HIPOTESIS Y SIGNIFICACION [cAP. Solucionar el Problema 7.96.0374 .13 si cada grupo dividuos del Grupo. (b) el candidato sea preferido en el distrito A.48)(200)l/500:0. Puesto que éste es el caso.650 0. Por otro lado.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.6b0 respectivamente. Al nivel de significación del 0. . se debe decidir entre la hipótesis (f/e ).480 = -0^0456== nivel." 0. se deduce que el suero es efectivo con solo una probabilidad de 0.472. Bajo la hipótesis (Ho: pt:pr ) se tiene l¡.70 utiliza como estima dep. ?.05. En tales casos.01. Entonces = 0 or.195y600:0. se rechazaría Hs si Z estuviese fuera del in' tervalo-1 . Co¡r un ensayo unilateral y al nivel de significación del 0.05 se rechaza H¡ si Z fuese mayor de 1. que se estudia con un ensayo bilateralCon un ensayo bilateral y al nivel de significación del 0.zol ro. en muchos casos es imposible el aumentar el tamaño de la muestra.P" = rrar. Denótese por pr y p2 las proporciones de todos los votantes de los distritos A y B.33. ?. l'pr-pz = donde (225 0 ú¡'. Una muestra de 300 votant€s del distrito A y 2O0 del distrito B mostró que el 66% y el 48% respectivamente.0. se debe decidir entre la hipótesis (Ho : P t : pz\ y (Ht : P t * pz). se está forzado a toma¡ decisiones en acuerdo con la información utilizable y asÍ se tendrá que correr mayor riesgo de tomar decisiones erróneas. Sin embargo. Si los resultados se deben realmente aL azar y se toma la decisión de que son debidos al suero (error del Tipo I)..-P.528 = z - P. decir. se puede rechazar la hipótesis al nivel de significación del 0.560 dondesehautilizadocomoestimadepyqlosvalores +(0.0374 P.-t'r= se ú'G.05 ensayir la hipótesis de que (o) haya diferencia entre los distritos. z=ñ= - = 2.528 l'75 y 1-0.645.encontrándosedentrodelintervalonosepuedetechazatH¡ a este (b ..Puesto queZ:1.01 de equivocación. _ 1. que son las mismas del problema anterior. que están a favor del candidat<¡.750 = ro. Este es un riesgo que nb siempre deseamos suponer..96a1. es decir.15. = ú(¡D=@=00456 f(0. que se estudia con un ensayo unilateral.67 es puesto que el valor de z es mayor de 2. (¿) Si solamente se desea determinar si hay diferencia entre los distritos. 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. . se puede proceder a dar el'suero a grandes grrlpos de gente solamente para obtener entonces que realmente es inefectivo.t 0. se compone de 300 individuos y si se curan 225 i* : 0.56)(300) 0. se rechaza É16 a este nivel y se deduce que el candidato es preferido en el dis' trito A .14.?S. respectivamente. z Adüértase que las conclusiones anteriores dependen de lo que se esté dispuesto a arriesgar de tomar una decisión erróneá. Entonces 0.

que resulta tener un grosor medio de 0. -1:5 gradosdelibertad da ?) -2. Se desea decidir entre las hipótesis Ho: lt:0. 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. Ya que se rechaza lls al nivel 0.05 se adopta la regla de decisión: (I) (2) (ó) Se acepta fle si f se encuentra dentro del intervalo-f cz¡ a f e75. : ) Para un et¡sayo unilateral al nivel de significación del 0. y la afirmación del fabricante de modo que se requiere un ensayo unilateral.05 pero no al nivel 0.g. : ) Para un ensayo unilateral al nivel de significación del 0.25.É16 elr cáso contrario.01.00. Bajo la hipótesisae se tiene (o . Ensayar la hipótesis de que la máquina está en buenas condiciones de producción al nivel de significación del (o) 0. y la afirmación del fabricante está justificada es falsa 1 : ¡t 1 8000 libras.00.Efs al nivel 0.05. lo cual para 10 libertad es eI intervalo -2.i6= = -8. y la máquina de modo que se requiere un ensayo bilateral. se rechaza Puesto que ?: 3.4!9 ú0 -t -_. ABI sería aconsejable comprobar la máquina o al menos toma¡ otra muesha. Puesto que T = -3. Se rechaza. : 9 grados de liber- Puesto que ?: 3.86. se dice que lamuestraresultaproboblemente significatiua (véaee la terminología del final del Problema 7 .F/e en caso contrario. H lJ: 8000 libras.f.05 .003 pulgadas. que para 6 Se rechaza.17.050.01? Se tiene que decidir entre las hipótesis Ho:.16.36. ) Para un ens¿ryo bilateral al nivel de significación del 0.01.F/6 si ? se encuentra dentro del intervalo --f. (b) 0. . Para determinar si la máquina sigue en buenas condiciones de producción.cAP.F/6 eri caso contrario. se toma una muestra de 10 arandelas.86 .86.25 a 3.050 pulgadas. 7l ENSAYOS DE HIPOTESIS Y SIGNIFICACION Ú ENSAYOS RELACIONADOS CON LA DISTRIBUCION DE STUDENT 7. se encuentra en buenas condiciones no se encuentra en buenas condiciones Bajo la hipótesis (o H¡ se tiene .01 .01 . y la máquina Ht: P + 0. = 4---f. ¿Se puede admitir la afirmación del fabricante aI nivel de significación del (a) 0.o.ee5.26. Se rechaza -1 :9 gradosde lls en caso contrario.050.F/s. Para un ensayo bilateral aI nivel de significación del 0.26 a 2.6). se rechaza . Se deduce que la afirmación del fabricante es extremadamente improbable que esté justificada.01. que para 10-1 tad es el intervalo -3.05. Se rechaza. se adopta la regla de decisión (1) (2) Se acepta f/¡ : si ? es mayor de -f. Puesto que ? -B .L7¡"- 1= ?l|'!-_99rnJ .ee.053 pulgadas y una desviación típica de 0. I/6 al nivel de 0.05. . se adopta Ia regla de decisión (l) (2) (b Seacepta116 si ?esmayorde -ú. En el pasado una máquina ha producido arandelas con un grosor de 0. 7. se rechaza ffs . -t/n- t = 9!$-. se acepta. á ú.. (b) 0.un.01 se adopta Ia regla de decisión: (I ) (9) Se acepta . que para 5 grados de libertad da 7') -3.00.

7. Así pues.45 (¿) Con r¡n ensayo bilateral al nivel de significación del 0.8 fanegadas con una desviación típica de 0.2:. Q. Así pues.ffi + 12(0-36)2 t/". Para ello. T= Entonces xt- X.Ef6 al nivel de significación del 0. mientras que el L Q.4012 =o'397 v T= 5. la mitad de ellas fueron tratadas con el fertilizante y la otra mitad no (grupo control). mientras que la media en las parcelas tratadas fue de 5. Q.y la diferencia se debe al azar H t: pt ) tt1. lo cualpara n1 * nz . (cociente de inteligencia) de 16 estudiantes de una zona de una ciudad dio una media de 107 con una desviación típica de 10.1 - 4.O5 a 2.01.85 Con un ensayo unilateral aI nivel de significación del 0.01. no se puede rechazar Se deduce que no 116 al nivel de significación del 0.01. sé rechazará Ia hipótesis f16 si ? fuese mayor que ú.. tiene que decidir entre las hipótesis se Ho: lt : ltz. (b) Con un ensayo bilateral aI nivel de significación del 0. n1*n2-2 "=!ffi (a) I 12(0.05.36 fanegadas. eue para 28 grados de libertad es el recorrido -2. ? ?. ¿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.51. "t/U"t+ Y"2 donde o - n.05.01. y (b) 0.3s7\n/12 + Urz = 1. En una estación agrícola se deseaba ensayar el efecto deun determinado fertilizantn sobrela producción de trigo. de los estudiantes de las dos zonas.76.8 0.44 y T= ltz - t07 9. se tiene que Ho: lt : ltz ! no hay diferencia esencial entre los grupos Hti ltt =* tlr. hay diferencia significativa entre el I.05? Si se denota por ¡l-. se rechazará la hipótesisl{6 si ?se encuentra fuera del recorrido --t r¡g¡. T- xt-x. de 14 estudiantes de otrazona de la ciudad dio una media de 112 con desviación típica de 8.S! + nrS! n1 -ln2-2 Entonces t6+L4-2 =9. El I.2: 28 grados de libertad es el recorrido -2.ENSAYOS DE HIPOTESIS Y SIGNIFICACION [cAP.44\/ l/16 + l/t4 = 1. eue para n¡ I nz . de los dos grupos.2 : 22gradosde libertad es 2. no se puede rechazar É16 al nivel de significación del 0.01.40 fanegadas.ee. . se eligieron 24 parcelas de terreno de igual superficie. y ¡r2 las medias poblacionales del decidir entre las hipótesis I. se rechazará Hs si T se encuentra fuera del recorrido -t.?6 a 2. respectivamente.ctsa ú e75.19.y el fertilizante incrementa la producción Bajo la hipótesis I/6. "tf. Q. Todas las demás condiciones fueron las mismas. Q. ¿Hay diferencia significativa entre el I. de los dos grupos al nivel de significación del (o) 0. a ú. donde nrsl + n252.16 + 74 .1 fanegadas con una desviación típica de 0. La media de trigo conseguida en las parcelas no tratadas fue de 4.ee5. no se puede rechazar.2 : 72 + t2 .05. Así pues.18.y hay diferencia esencial entre los grupos Bajo la hipótesis lls.

llenados por una. vemos que tampoco podemos rechazar. 7l ENSAYOS DE HIPOTESIS Y SIGNIFICACION 237 (ü) Conunensayounilateralalniveldesignificacióndel 0.05..ltle al nivel 0.01.Por tanto .?0. y la variabilidad se ha incrementado El valot de 12 para la muestra €8 X2 : nsz/sz :20(0.tá h.!4 = '*rrrr'= 1Eo Hay que decidi¡ entre las dos hipótesis : o ¡ = o2.05. pues. sería deseable tener alguna prueba más. 4 = .ee : 2. no se rechaza.8g.25 onzas. .Alnivel 0. sr g.máqlLlina era de 0. ¡12 fuese mayor- Mediante un enaayo unilateral.01 si el valor muestral de pues.É16 al ni- Se deduce que la variabilitlad se ha. = E = *n@ = r. LaclaseA tiene lGestudiantes en tanto que la clase B tiene 25 estudiantei.32)2/(O. (o) (b) Mediante un ensayo unilateral.06.Ffs al nivel de significación del 0. ¿Podemos concluir al nivel d-e significación del (c) 0.nn no podemos techazar ff6 al nivel 0. ENSAYOS RELACIONADOS CON LA DISTRIBUCION CHI-CUADRADO 7.LL para 15.05 Si el valor de X2 muestral fuese mayor 9ue x?gs._Lr'? = if Itr¡ (e)2 = 86.05.0 onzas.la clase A tuvo una desviaóión típica de 9 en tanto que la clase B tuvo una desviación típica de1'2. Se deduce que el incremento en la producción de trigo alttilizar el fertilizante es probablemente significoúiuo. p.05 y (b) 0.4.05 que la variabilidad de la clase B es mayor que la de la clase A? (o) Tenemos. 9tt" 4'rn. muestras en cuestión. f ( F.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.serechazarálahipótesisfl6si?fuesemayor que ú.Z5l2 = 82. (b) 0.e5.01. se rechazará.2 para 19 grados sig de I O. se rechaza. ¿Es el aparente incremento de va¡iabilidadsignificativa al nivel de signifióación del (a) 0.oz. Así.72.1 : 19 grados de libertad. Y deberá efectua¡se una revisión en la máquina. en una asignatura específica. Sin embargo antes de sacar conclusiones definitivas referentes a la conveniencia del fertilizante.01? Hay que decidir entre las dos hipótesis: Ho: o :0. que ás igual a 36.1 para v : 20 . El número de grados de libertad para las clases son respectivamente rr¡ :16-1:lb.er:z. 24 grados de libertad (véase Apéndice F). Así puee. y cualquier va¡iabilidad observada se debe al azol Íi1: o1>.cAP. Vz:26-L=24. que es igual a 30.25 onzas.EI6 al nivel de significación del 0. lo cual para22 grados de libertad esL.sr. ENSAYOS RELACIONADOS CON LA DISTRIBUCION ¡' 7-2L. En el mismo examen.25 onzas. probablemente incrementado.32 on?T.01 paraZ¡ = L5. En el pasado la desviación típica de los pesos de ciertos paquetes de 40. Entonces. Un instructor tiene dos clases. ya que Ad F( F . empleando eubíndices 1 y 2 para las clasee A y B respectivamente. se rechaza . A y B.8. sz :12 de modo -que G? = . se rechaza ^Ef6 al nivel de significación del 0.01. Una muestra aleatoria de 20 paquetes dio una desviación tipica de 0. (b) Ya que f'. aunque no hubo diferencia significativa en medias de las calificaciones.74 eí Entonces.EIe al nivel de vel de significación del 0.v2 = 24 tenemos del Apéndice F. y los resultado¡ observados se deben alazar H 1 : o > O . F.

En el diagtama se ve claramente que la probabilidad de acepLr .58 = 70 y'6oo)(oJ)(0. probabilidad de error del Tipo II).5 p=o. con la regla de decisión dada hay muy poco riesgo de aceptar la hipótesis de que la moneda eetd bien hecha.18 Entonces 9: área bajo la curva normal entre z : -4. entonces la distribución de carag en 100 lanzamientos eetá representada por la curva normal de la derecha en la Fig.7 7. rOalculada en el Problema 7.9' (d) P : O-4. probabilidad de error del Tipo I) viene: dada por el área toüd c de la región sombreada ba.5 en unidades 39.23. cuando realmente P : 0. número de caras en 100 lanzamienüos se encuentra entre 39.Efs cuando realmente p : 0. llegando a una regla de decigión (2) Se decide sobre Q y P y después se llega a una regla de decisión.5 39. CURVAS CARACTERISTICAS DE OPERACION 7.6.23 si (a)p:0. (b)p : 0. que representa el nivel de significación del ensayo de lfe.2(ol.2 es decir. la media y la desviación típica de la distribución de caras vienen dadas por !=np=(100X0. En la práctica se pue' den presentar otras dos posibilidades: (I ) Se decide sobre c (tal como O.0192 Así.ó y 60.90 V(100)(0.2L si existe una diferencia significativaenla media de las calificaciones de las clases? Justificar su solución.O1).99 60.5405 Asi pues.5 en unidades ' = : r/"pq 60.24.6. .7 (es decir. sino solamente si hay una variabilidad en las calificaciones.2L no inüeiresa su¡ valoree. Para calcular esta área se obeerva que la distribución bajo la hipótesisp : 0.? . (c)p :0. 7-6. está dada por el área rayada p de la iigura.¡O tn Entonces I: áteabajo la curva normal entre z --6'66 y z -2-O7 : 0.7 39 5 caras 60. La probabilidad de rechazar Ffe cuando debería aceptarse (es decir. y después se calcula p. ?-6. Adviértase que en este problema se tenía la regla de decisión de la que se obtenfa c y p.232 ENSAYOS DE HIPOTESIS Y SIGNIFICACION lcAP.58 tipificadas = üipificadas - = = : -2. ?. Esto es de esperarse ya que no estamos tratando de decidi¡ si hay una diferencia en las medias de las calificaciones.5 en unidades tipificadas = - 60 60 = = 0. pues. (a) Sip : 0.07 -6.5.7)=70 60.5 4.5 4.22. Solucionar el Problema 7.5 caras Fig. esta á¡ea d.7.5 en unidades tipificadas = 39.6)=60 ú = lnpq = 60. se acepta cuando el p = 0.0358. 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. Puesto que la media real de las calificaciones no se usó para nada en el Problema 7 .4) = 4.6)(0. es igual a 0. ¿Canbiarían sus conclusiones en eI ProblemaT.6 p-0.O5 ó O.J? neda está bien La hipótesis ff6 de que la moneda está bien hecha.jo la curva normal de La izquierda en la Fig.66 to'l. ¿cu6l es la probabilidad de aceptar la hipótesis de que la mohecha cuando la probabilidad real de ca¡a es p : Q. Con referencia al Problema 7 .7-6 Si la probabilidad de cara es p : 0.tO2: 0.3) = 4.6.8.18 yz : O.90 4.102 -4.? tiene una media y una desviación típica que Bon dadas por p=np=(100)(0.

7 0. llama curua carocterísüca de operación o curva OC de la re- la di¡tancia del punto máximo de la curva OC a la línea p ción del e¡rsayor : I es igual a a : 0. 7.0000 muy aproximadamenüe. si realmente'p : 0.8 0.5 se puede interpretar p como la probabilidad de acepoar p : 0'5 cuando debiera ser aceptado.88 = 0.9: 0 pa¡a todos los propóeitos prácticoe./nW= 60.eedecir. 1c) Comparando con (b) o por cálculo.4 0.5405 0.9 0.23y7.25.8 0.24 construyendo un gráfico cuyos ejes sean (a\ I y p.9.3 0. 7-1.9 1.cAP.3 0.4 da el miemo valor deÉq.9642 0.1 0. blemas7.5.3 02 0.5 en unidades tipificadaa 39.t"p:0. Nótese que p representa la probabilidad de aceptar la hipótesis p : 0.1 06 0{ 0.6. (b) ( 1 p ) y p.6 en unidadeb tipificadas Entonces = ry = q9? : = = -4.8 0.(a).8) = 80 y o=.24.? 0. 7-z (o) El gráfico p.5 cuando realmente p tiene un valor distinto a 0.1 0 0 (a) (D) Fig.0000 0.p:0.12 y z -4.12 p: área bajo la curva normal entre z : -10.enüoncea p=np = (100)(0.4 0. Be ve que sip = 9.2 0.0192 0.6 0.2 0.6 0. Sin embargo.7l ENSAYOS DE HIPOTESIS Y SIGNIFICACION y'(100X0-S)(0¿) 233 =¿.9 0.6 0.0 0.0000 0.0 0.5 0. Interpreta¡ los gráficos obtenidos.8.6 0. La Tabla 7-3 muestra los valores de p correspondientes a valores dados dep.se gla de la decisión o enoayo de hipótesis.. (b) Sip=0. comolorobtenidosenlosProTabla 7-3 p B 0.5405. el apuntamiento mayor de la curva OC es la mejor regla de decisión pa¡a techazar hipótesis que no son válidas. (d) Porsimetríap = 0.0000 0.5405 0.0192 0.9642 y ha eido introducida en - L-p 1. Representar gráficamente los resultados de los Problemas 7.23y 7. .09ó8 al nivel de significa- En general. Esta probabilidad es igual a 1 0.88 -10.0000 la Tabla 7-3. p ee muestra en la Fig.0358 :0.

I¡ cantidad (l . 7 -7 (b).33. p ¡e muestra en la Fig.0 tb 307 tb 3r0 lb -1. X>300+3(2.26.0 libras. Esta es Ia probabilidad de aceptar Ho: ! : 300 libras cuando realmente es la probabilidad de comeüer error del Tipo II. Considérense las doe hipótesis (Ho: bras) Las distribuciones de las resistencias medias correspondiente¡ a estas dos hipóteeis se repreeentan. H t : ! -. 7. Razonando análogamente a como se hizo en el Problem¿ 7.01.Enton= "lr/ñ 24/\/u Así. 7-9. (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. es decir. de aquí que A - 310)/3 = Fig. Si ción (a) ! es la resistencia media.310 libras? Supóngase que la desviación típica se mantiene en z4libras. respectivamente con las distribuciones normales de la izquierda y de la derecha de la Fig. (b) Bajo la regla de decisión adoptada en (a). ? ) E gráfico (1 .26(br. ¡e llama curua de potencio de la regla de decición o ensayo de hipótesis.9qo. Para hallar su valor nótese que 307. : -1. y el nuevo proceso es igud que el primitivo 300 libras. es 7.310 libras es cierta.00.P). La cantidad p se llama tambiénfunción caructerístico de operoción de un ensayo. en caso contrario.33) =30?. Esta curva ae obtiene ¡encillamente invirtiendo la curva OC. Se cree que mediante un nuevo proceso de fabrica- puede inc¡ementarse la resistencia media.234 (D ENSAYOS DE HIPOTESIS Y SIGNIFICACION [cAP. ¿cuál es la probabilidad de aceptar el proceso primitivo cuando en efecto el nuevo proceso incremente la resistencia media a. Constmir (a) una curva OC v (b) una cun¡a de potencira para ei Problema 7. 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.0 libras en unidade¡ tipificadas : 300 (307.00 = 0.33. Se acepta ^Éfs en caeo contra¡io.J = 't. y (Ht: tt: 310 libras).e potencia.0 lb.01 si se pone dé manifiesto qu¿ debe rechazarse al ensayar 64 cuerdas. y el nuevo p¡oceso es mejor que el primitivo se un ensayo unilateral d nivel de significación del 0. tiene la siguiente regla de decigión (referenüe eon la Fig. que debieran ser rechazadas. se puede hdla¡ p para loe caeor en que el . Una compañía fabúca cuerdas cuyas resistencias a la rotura tienen un valor medio de 300 li bry" y una desviación típica de 24libras. (2) Se'aceptqlfq pue¡to 'que z = cessi Z>2. puesto que indica la aptitud o potencb de un ensyo para rechazar hipóüesie que son falsas.27. 7-9. *r. 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. ?-8): (t ) Se rechaza lle si la e de la media de resistencia muest¡al es riayor que 2.7-9 = iren. de modo que realmente ambos gráficoe aon equivalenüee.p) ¡e llama a menudo función d. ae quiere decidir enhe las hipótesis: Ho: U: Ht: ! ) Pa¡a 300 libra¡.158?. i 800 *sz.26.

6 0. ya que lae dog curvag eon esencialmente equivalentes. se desea imponer las siguientes restricciones: (A) la probabilidad de rechazar la hipótesis cuando sea realmente conecta debe ser a lo sumo 0. p > 0.0 libra¡ en unidades tipificadas: (307. se ha puesto Denótese por n el tamaño de muestra pedido y por ¡ el número de caras en los n lanzamientos.5. si el nuevo da una resistencia menor de 300 librar.7-11. por encima del cual se rechaza la hipótesis de que p : 0.l (excepto para el nivel de significación del 0.05.05.cAP. es piácticamente.7486 3r0 0. De la Fig.0 . ?-10(o). AquÍ y Tipo II. p : 0.28.5 en 0. en- 9: i¡ea bajo la curva normal de la derech¡ a la izquienda de z :0.8 o. la restricción (A) impuesta requiere que la probabilidad de error del Tipo I sea a lo sumo c : 0.9900 L1. Tabla 7-4 tt 290 1.4) debe ser á lo sumo 0. (b) La curva de potencia se ve en la Fig.7 0.01 cuando el nuevo proceeo da una media de 800 librar). Para ensayar la hipótesis de que una moneda está bien hecha (es decir.0000 296 1. (¡) U probabilidad de aceptar la hipótesis cuando realmentep difiera de 0. ri ¡r tonces 307.1687 316 0.0000 300 305 0.9 0.0 B 0. Por ejemplo.¡ o. 7.5 0.6? : 0. sepuedenobtenerdeellalaomismasinterpretacionesque de la curva OC. 315 librae. Eeepués.0038 320 0.7-r0 (¿) La curva OC se muestra en la Fig. En esta curva 6e ve que la probabilidad de seguir con el proce' so primitivo. y de aquí - 396 librae. la curva baia ró- pidamente hacia cero.05. Determinar el tama¡1o mínimo de muestra necesario y enunciar la regla de decisión resultante.1 o más (es decir.6 6 p f 0.05.5) mediante un número de lanzamientos de la moneda.6?. mientras que la restricción (B) requiere que la probabilidad de error del Tipo II eea a lo sumo 0 : 0. de modo que no hay probabilidad de aeguir con el proceeo primitivo cuando la media de resistencia es mayor de 316 libras. La eituación planüeada se ve gtáficamente en la Fig.?4Eo De esüa forma se obtiene la Tabla 7-4.. etc.1 p (lb) 300 300 3to 3t5 (o) (ó) Fig.0000 p 0.1 0. límite al riesgo de error del Tipo I Por ejemplo.7-10(b). 7l ENSAYOS DE HIPOTESIS Y SIGNIFICACION 235 nuevo proceco da un¡ resistencia media ¡r igual a 306 librar.2 0.305y9 = 0. 7-11 se tiene: .

Sin embargo. muestrales puede tlevarse por medio de un gráfico tal como ee muestra én la Fig..9801fa- e'¡ 9-. Cuando un punt'o se rale de estoe límite¡ control (tal como en la tercera muestra tomada el jueves). La elección en cada caso depende de la¡ circunetancias particulares del tnismo. pueden igualmente determlnarse otros lfmiües de confianza.05 o menoa. (o) Diseñar una.egla de decisión mediante la cual se puede estar razonablemente cierto de qúe la calidad del producto esüá de acuerdo con las noÍnas requeridas.7 3% se puede decir que la media muestral X debe estar denüro del intervalo (p¡ entre cae a m p ¡t:0.0'6n Realmente el área entre -f. se toma una muestra de 6 cojinetes ejemplo.llamado grófico de control de colidad. 7 0.el 95V".05 en el "peor de loc casos".6 n Y x - 0.6 a la izquierda ae es 0.564 a 0..564 y 0..Haciendo n : 319 en (3) o (4). automáticamente tomarÍamos como 0.5. (2) es una cantidad muy aproximada. Cada vez que se observa una media muestral se representá por un punto en el gráfico.236 ENsAyos DE Hrpornsls y sIGNIFrcAcroN lcAP. es 0. y se obsen¡a el diámetro medio de la muestra. .0.9É!= -r. Para determinar si la máquina esconstruida para el fin que se destina. hay la posibilidad de que falle algo y se precisa una invesüigación del posible fallo. el procelo está bajo control.645 ó (t) o. (o ) 3o¡) a (p¡*3o¡) con el 9€.49\/n n = o. ? (f. se adopta la riguiente regla de decisión: (o) Se acepta la hipótesiep:0.5\/n De 0.49{n vnpq = '--. la moneda al menos B1g veces.x :177.5 : . p = 0. L7 .008 pulgadas.6 r¿ * 0.ít/n Vnpq= "- :0. ¡- np :1-77 - 159.05 o menos cuando p tiene cualquier otro valor por fuera del recorrido 0. se debe lanzar p - 0.73% de O.4 a 0. (b) Mostrar cómo se. Se construye una máquina que pr-oducfuá cojinet€s de bolas teniendo un diámetro medio de una desviación típica de 0. Se sigue que el tamaño de la muestra debe ser al menos 31g. = 0. la máquina (b) Un registro de las medias no s€rú adecuada y habrá que buscar la razón de su ineptitud.05.Saladerecha a" 7 (9) El área bajo la curva normalp 09" O.6. dentro del intervalo 0.5n = 1.seeigueque I se encontrará entre (0. Obeérvese que tomando la probabilidad de aceptación como De(/) x .4r rtñ- (n. Por tanto un promedio ponderado de todas estas probabilidades.n: 318.o:0.29. Los límites de control determinadog anteriormente se llaman límites de confianza del gg.674.96 r ó (Sl u.014l\/6\ y (0. GRAFICOS DE CONTROL DE CALIDAD 7.574 .524 * Puestoque De aquí que la regla de decición eea como sigue: (l ) Si la media muestral decuada para el trabajo pedido.05. tales como los límitee d'el 99% o d. enfte 742 y 177 si el número de carac en Slg lanzamientos está dentro del recorrido 159.008yn=6.) Eláreabajolacurvanorrnalp:0.806y'-n es De (3) y (4). En tanto que los punüoe se encuentran entre los límites 0.5 en caso contrario. Para decir. (b) S€ rechaza la hipótesis + 17 .5. Así pues.5.O\4\'\/E) o Con confianza del 99 .re'presentaría grárticamente la regla de decisión de (a).6n 0.98.025.5. e¡ decir.6 n- 0. 7'l2.584 pulgadas.6.584 pulgadasi ee supone que la máquina es a- (2) De otro modo.7 BVo o brevemente lfmite¡ 3o. . que representan la probabilidad de error del tipo II.r) - 0.4s 1/A 0. también s€rá 0.0. es 0.

Utilizar papel gráfico de probabilidad para determinar si la dist¡ibución de frecuencias de la Tabla 5-2.0332 0. Ajustar una distribución binomial pectivas de cara a los datos del Problema 5. Así pues.1619 0.31.0294 5 6 33 161.1: np : 6p. : 2.(0.43. Para la distribución de frecuencias observada. dondep y q son las probabilidades resy sello en un solo lanzamiento de la moneda. La bondad del ajuste se estudia en eI ProblemaT.2 t44 342 287 164 25 7.47 6 p :0. página 163 puede ajustarse a una distribución normal. .494.3087 2 3 ^ 0.¿94)¡(0. 7-12 AJUSTE DE DATOS A DISTRIBUCIONES TÉORICAS 7.9 ó 162 316. la media del número de caras es 2fr_ / _2470=2. Tabla 7-5 Número de caras (r caras) Frecuencia esperada Frecuencia observada 38 0 1 0.C. la distribución binomial ajusta- En la Tabla 7-5 se han obtenido estas probabilidades así como las f¡ecuencias esperadas (teóricas) y las observadag.1507 0..cAP.3162 0.47 rooo Igualando las medias teóricas y real se tiene 5p da viene dada por /(r) = .4 6 29 33.7 ó 151 29.7l ENSAYOS DE HIPOTESIS Y SIGNIFICACION 297 Lunes Martes Miércoles Jueves Viernes $ € bD osal 1} a a t ü {.506)5-¡. página 178. La media del número de caras es ¡.7 ó 309 150. El ajuste se observa que es bueno.30.30.2 ó 316 308. Se tiene P(x caras en una serie de 5 lanzamientos) : f(¡) = sCrprqs-". x F a os74 a a a t I a : o 0 s64 o Fis.

Par:a.36 1. como se muestra en la Tabla 7-6. la distribución de frecuencia¡ dada se convierte en una di¡tribución de frecuencia¡ relativas acumuladas.0 100.6 ¡¡+ 0.5 menor que 70.t3 D 18 42 27 8 ñ. determina la bondad de ajuste de la distribución dada a la distribución normal. Y se pone de manifiesto que ee ajuetan ba¡tante bien con las frecuencias observadas realmente. las frecuencias relativa¡ acumuladas expreeadar en porcentajes. se obtienen lae frecuencias esperadas de la sexta columna.2771 0.39 2.3892 0. que da las áreas bajo la curva normal de 0 a z se obtiene con la tabla del Apéndice C.0 23.0 92.6 &tatura (pulgada¡) Fis. son pasadas sobre los límites reales superiores de clase.92 pulgadas (x mente El trabajo puede organiza¡se como en la Tabla 7 -7 . página 163.41 0.5 66. Por lo anterior.0743 72-74 6 4 20.72 -1. Multiplicando lo¡ valores de la quinta columna (que representan las frecuencias relativas) por la frecuencia total n (en e¡te ceso n = 100). = 61. caicular e de los límites reales de clase.6 menor que 73.E 50 40 30 20 Primero.44.5 7t. De aquÍ se sacan las áreas bajo la curva normal entre los valores sucesivos de ¿.6? 0. s = 2.92 ó 39 27. dadas en la quinta columna. Ajustar una cunra nonnal a los datos de la Tabla 5-2.5 oD.4177 0.tlls. ?-r3 hoblema ?. en un papel. 7-13. El grado en que los puntoe así dibujados ee encuentran sobre una lÍnea recta. ? 76 Frecuenei¡¡ Estatun (pulgad¡¡) menor que 61.5 62.43 ít 7 4.0 65.2068 6L65 6&68 69-71 68.z z = .5 7L. La¡az6¡ de esto se ve claramente con un diagrama.a -2. Véase o a I É to 5 o a d E 62. . donde la media i y la desviación típica 6 se han obtenido en los Problemas 5.5 7¡.6 74.70 -0. 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 59.0413 0. se rutiliz. 7.40 respectiva- La cua¡ta columna. La "bondad {el ajuste" de la distribución qe congidera en el Problema ?. se observa que hay una distribución normal que se ajusta e¡trechamente a los daüos. anotadas en la última eolumna. Después.4920 0.6 Rcl¡tiv¡¡ Acumulada¡ (%) 6.46 pulgadar.grófico de probabilidad eepecial.238 ENSAYOS DE HIPOTESIS Y SIGNIFICACION Tabla [cAP.6 68. 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).7L 6 28 7. como se ve en la Fig.32.6 menor que 64.68 6 2l 38.32.6 menor que 67.0 Io a E ql € ó a () 95 90 80 70 Q0 a (t 6 .35 y 5.

durante los cuales r autos tuvieron accidentes en una ciudad. ?] ENSAYOS DE HTPOTbSIS Y SIGNIFTCACION Tabla 239 7-t 7. respecti- xz = (o) El valor crítico (b @t:lptlz -(rz:. En 200 lanzamientos de una moneda se obsen'aron 115 caral¡ y 85 sellos.2.01. a¡í com. puesto que 4. Entonces y eeüos esperadas si la moneda está bien hecha son np : 100. < 6. Para una verdadera distribución de Poisson. Las frecuencias de caras y sellos observadas son.63. 100 sellos) es h:2.o loe números teóricos de días en los que ee presentarán ¡ accidentes (obtenidos multiplicando las correspondientes probabilidades por 50).1. Ensayar la hipótesis de que la moneda está bien hecha con un nivel de significación del (c) 0..33 I 2 3 18.50 pótesis de que la moneda está bien hecha al nivel de significaeión del 0. 0 r N(rmero de dÍasr Número de días obsen¡ado 2L 18 7 3 1 {r accidentes) 0.56 6 ó 20 18 8 2 1 0.47 0.90 hallado.np)z npt npz - (115__100)2 Pueeto que el número de categorías o clases (caras. Tabla 7-9 Número de accidentes. la euarta columna que da los números de días observados se ha repetido. 313 {11 = Iq"+ill En l¿ T¿ble ?-9 aparecen lae probabilidadee para 0. El cálculo de la varianza de la distribución da' da. La Tabla 7-8 muestra el número de días f durante un período de 50 días.0111 4 6 6 ó Nótese que el ajuste de los datos dados a una distribución de Poiseon es bueno. Comparando con el valor de \ : 0. no se rechaza Se deduce de los resultado¡ observados que aon probablemente significotivos y la moneda no estó probaPara una comparación de este método con los métodos utilizadog anteriormente. véaee método 1 del Pro" blema 7. np2 : tOO.rj días. puesto que 4. blemente bíen heclu.0494 0. Ajustar los datos a una distribución de Poisson.9?.24 2.30 8. Entonces. (b) 0. Entonces.05.60 hipótesis de que la moneda está bien hecha al nivel de significación del 0.01.eo Entonces.CAP.50 . respectivamente rr = 115. da 0. hi' la ) El valor crítico xlso para 1 grado de libertad = 6. de acuerdo con la distribución de Poisson.84.05. la varianza d : L.84.36. > 3.v: + (85:!00)2 = 100 h 4. .33.f 0l2r + : (21)(0) '50 (18X1) + (7X2) + (?liQ_l q)(a) = .7:2 -L = l.63.3 y 4 accidentes de esta distribución de Poisson.CUADRADO ?. LA PRUEBA CHI.1647 espeado 20.'12 ¡ 85.34. Las frecuencias de caras vamente. Para conveniencia de la comparación. El número medio de accidentes es Número de I Número de accidentes.* : P(r accidentes) 1118 2 7 o. puede ser esto un indicio de la adaptabilidad de la distribución de Poison a la muestra de datos.3659 0. se rechaza la xlo¡ para 1 grado de libertad es 3.4066 0.

Ensayar la hipótesis de que el dado esté bien hecho al nivel de significación del 0.84 y 4. El valor crítico a2e5 para 5 gados de libertad es 11.86.5)2 .96.4. puesto que 5.2.07 :2. ^-------::-:-.58. dades tipifica¿¿5 : 4. 7. Entonces 114. véase método 2 del Problema 2.6)esh:6. x2 (conegida) = = (lzt - nptl nPt 1001 0'5)z + !1""- np2l npz - 0'5\2 (1115 - 100 _ 0.g.35.7OO)17 .01.00 > 1. (ZJ2)2 : 4.5 o más caras.v:h-1-:6-1:b.0.1. (185 _ __ 1001 Í4. .34 mediante la aproximación normal respectivamente.00 la hipótesis de que el dado está bien hecho.b8 a2.34' Esto Con un nivel de significación del 0.00 20-+ n 20 Puestoqueelnúmerodecategoríasoclases(carasl.5)z _ .86.36.20.93_4)' _(15-20\2 .ema se cumple siempre que la prueba de chi-cuadrado comprende dos categoiías. a la distribución binomial. Método 1. Pa¡a una comparación con los métodos a4teriores.05. Con un nivel de 0. Véase Problema 4. Se sigue como en el Problema 7.O7 : 2. Esto conduce a las mismas conclusiones que por el primer método.2o5 < 6. 7.s)z = 100_ 100 tt q^< 4. 115 caras en unidades tipificadas Bajo la hipótesis de que la moneda está bien hecha.84. solucionar el Problema 7.06. es igual al valor de ¡2 corregido con la corrección de Yates p¡ra la continuidad del Problema7. De ello se sigue que la concordancia entre ambas frecuencias no es tan buena como para no dudar de Io deducido.86.5)z = _100 )_ (L[. (23-20)2 +--lO .05)2 7 -37.1.60.S¡(0f)--7. (rs-np¡. Con la corrección para la continuidad. (rt-nptl2 .96 a 1. la media y la desviación tÍpica del número de caras espe- : (l1b -lOO)t7.15. radasen200 lanzamientosdelamonedason¡r=np=(200)(0. Nótese que el cuadrado de este valor.63 se deducen las mismas conclusiones que en el Problema ?.34 utilizando la corrección de yates.L2. (rr. de modo que X2 : 5. Entonces. si el valor de z está fuera del intervato -1. es el mismo valor de X2 obtenido en el probl.07. 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. Nótese que el cuadrado del valor anterior.01 el intervalo sería -2. (24-20\2. (16_20¡z _ *--lO-+ +ñ=5.5 en uni: (114.5 .)z .5. se rechaza la hipótesis de que la moneda eetá bien hecha. 115 o más caras equivale a 114. (2. La Tabla 7-10 muestra las frecuencias observadas y esperadas allanzat un dado 120 veces.npr o _ (rt-np)2 .05 y un ensayo bilateral. Método 2.-nps)2 (ra-npe)2 < 11. ? 7.15. (rz-npzl2 . Esto se cumple siempre que la prueba de chiruadrado eomprende dos categorías y se aplica la corrección de Yates. de nuevo en consecuencia del Problema 4. no se puede rechazar Para 5 grados de libertad x%s: 1. Solucionar el Problema 7.240 ENSAYOS DE HIPOTESIS Y SIGNIFICACION [cAP.zvb Puesto que 4'205 > 3.35.5) =100yo=1fipq=/IZOO¡O.34 que la hipótesis se rechaza al nivel de 0.05 pero no al de 0.

amari'llo y verde. la aproximación de chi-cuadrado será errónea.39.01. . Puesto que los números esperados están en la proporción 9:3:3:1 (y 9 * 3 + 3 + 1 : 16). 7. . : 3. ?.01..2.05.7I ENSAYOS DE HIPOTESIS Y SIGNIFICACION 241 7. Se deduce que cabe sospechar alguna tendencia no aleatoria en dicha tabla de números. Una uma contiene un gran número de bolas de cuatro eolores dife¡entes: rojo. 5 naranjas. Bajo la hipótesie de que la urna contiene proporciones iguales de los cuatro colores. . Una muestra de 12 bolas extraída aleatoriamente de la urna dio 2 rojas. 108lisos y verdes.05? El número total de guisantes es 315 + 108 + 101 + 32:556. x?ss: 11.g El valor crítico d" x.40.. Ensayar la hipótesis de que la urna contenga proporciones iguales de los diferentes colores. naranja.26 rugosos y amarilloe B4. ¿Hay alguna evidencia que permitadudarde su teoría al nivel de significación del (a) 0.se esperarían fttssel = -- 312. Para evitar esto se agrupan las categorías de modo que los núme¡os esperados en cada categoría sea al menos 5.352. obseryó 315 lisos y amarillos. de modo que no se puede rechazar la teoría al nivel de 0. 9 que se da en la Tabla 7-11.76\2 3t2. loe resultados obtenidoe están sujetoe a unh razonable influencia de error muestral. Puesto que eetos números esperados Bon menores de 5. ¿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. r ry = 2s.como 23. Se deduce pues. ?.81. (b) 0.'nr parav: h -1:9 gradosdelibertad es21-.3 >2!3 sededucequeladistribución observada dífiere significativamente de la esperada al nivel de significación del 0. estos números deberían presentarse en la proporción 9:3:3:1.01.cAP.38. x2. De acuerdo con su teoría. 4 amarillas y 1 verde.75lisosy amarillos tol.3. En los erperimentos de Mendel con guisantes.Qe-2512 try+ .470 Puestoquehaycuatrocategorías. Una tabla de números aleatorios de 250 dígitos mostró la distribución delosdígitos 0.zS lisos y verdes Struol = frtssol 104. 101 rugosos y amarillos y 32 rugosos y verdes. De modo que aunque el acuerdo es bueno.ss= = 3. ¡$5: 0.352 y X2 :0. que la Nótese que para 3 gtados de libertad.7. . teoría y los reeultados del experimento están de acuerdo.L.h=4yelnúmerodegradosdelibertadesv=4-1=3. de modo que no se puede rechazar la teoría al nivel de 0.4?O > 0. cabría esperar 3 bolas de cada clase en la muestra de 12 bola¡.76 *W = 0. .zb rugosoe y verdes ft Entonces tssol = x2= (o) (b) Para v Para v (3L5 3L2.

en 360 lanzamientos cabría esperar "siete" y 1/18(360):20 veces "once". Los resultados observados pueden imaginablemente deberse al azar.:?.puestoque4. (5-e)z .Entonces.84.5)2 #-g*): = 3. ¿Es el resultado consistente con la hipótesis de que el nacimiento de varón y hembra son igualmente probables? . ? Si se desea rechazar la hipótesis.65 De acuerdo.ü.5)2 (124 - 2ol - 0. se obtendría ¡2 a pesar de que las frecuencias sean dema- (2-3¡z . la aproximación ¡' para frecuencias pequeñas es pobre. (24-20\2 . se agrupan las categorías de forma que la evidencia en contra de Ia hipótesis se muestre claramente. se duda acerca de la decisión que se debe tomar.0.05. respectivamente. empleando la corrección de Yates.r que conduce a las mismas conclusiones anteriores.05.10).xjr¡. se tiene (174 (correglda. Sin embargo.ces P("siete") : 1/6(360):60 veces 6/36 : 1/6 y P("once") :2136: 1/18.84. En 360 lanzamientos de un par de dados.41. En tales casos.:-:_+r::__-::_:sis de que los dados estén X¿ 4.81 sellegaríaalasmismasconclusionesqueantes. = - 60l 60 - . x' _ (1 -3¡:r ooo Puestoqueparav=4-1:3.. para las que la muestra dio 3 y 9 bolas. 7. (4--3)2 .rP.242 ENSAYOS DE HIPOTESIS Y SIGNIFICACION [cAP. = ry. "Siete" se puede presentar de 6 formas y "once" de 2 formas.05(aunque sí se puede al nivel de 0. .x2l)s==3. pues con la X2 corregida. no se rechazaría la hipótesis al nivel de 0. para grandes muestras tales como las de aquí. Sin embargo. Puesto que el número esperado en cada categoría bajo la hipótesis de iguales proporciones es 6. puesto que incluso el valor corregido de y2 se encuentra cerca del valor crítico. se rechazaría la hipótesis a algún otro nivel (tal como 0. Así pues.) x2 _ = -6-. los resultados que se obtienen utilizando la correc- ción de Yates son más dignos de confianza que los resultados no corregidos. De otro modo. se tiene (9 ^cuando las proporciones de los colores sean iguales. Esto cabía esperarse puesto que la corrección de Yates Debe ponerse de manifiesto que si se emplea la aproximación de siado pequeñas.-ss:3. 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 0.07 Parav:2-1:7.0?>3. En general. Un par de dados puede caer de 36 formas.tz. - e¡z -9 Parav:2-l:1. de aquí que cuando no sea aconsejable agrupar frecuencias se debe recurrir a los métodos exactos de probabilidad incluyendo la distribución multinomial.1. Ensayar la hipótesis de que el dado esté bien hecho al nivel de significación de 0.10). z. = siempre reduce el valor de ¡2 .42.84seestaríainclinandoarechazarlahipótebien.Asínosepuedetechazrlahipótesisalniveldesignificacióndel 0. 7. aun Otro método: Utilizando la corrección de Yates. Ento¡-.05. se observaron 74 veces "siete" y 24 veces "once".(ig:lf-!éE. de modo que (74-60)2 . Esto se consigue en nuestro caso considerando las categorías "roja o verde" y "naranja o amarilla". l)na encuesta sobre 320 familias con 5 niños dio la distribución que aparece en la Tabla ?-12.Desgraciadamente. se tiene x: = 0qj:_6Fo.

.43.13 *(18-2-0:68)2 *(a2:^-39=92\2-(27:3ft7rl2 *(8:?'j13)z:0. pectivas probabilidades anteriores por 320.1 : 4.30.!.212.412_ -58:t-- . Utilizar la pmeba chi-cuad¡ado para determinar la bondad de ajuste de los datos del Problema 7.--_-16-_¡&. (88_100)2. (4 niños y 1 niña).99.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.?)2.959 > 0.64 > O.m : 5 . .(26-29.3. Pa¡a rr = 2.". el ajuste no es "demaiido bueno".1 para y:61:6gtadosdelibertad.. Para y : 4. puesto que X2 = 0. pero no al 0.x2. "!ü Puesto que el número de parámetros utilizados para estimar las frecuencias esperads e8 m metro p de la dietribución binomial). 7l ENSAYOS DE HIPOTESIS Y SIGNIFICACION Tabla ?. xL¡s:0. el ajuate no es tan bueno como pudiera = 4. Bajo la hipóteeis nula lfq de que el suero no tie' ne efecto.U Puesto que x:e5:11. y los reaultados son 10.1 .103. TABLAS DE CONTINGENCIA 7.---T08J.--lóo:t- . .2 : 2. .(342_316. cabría esperar que 70 individuos de cada uno de los grupos Be recuperase y 30 en cada grupo no se recuperase. es decir.. Solucionar el Problema 7.13 utilizando la prueba chi-cuadrado. . 2. 100.05. como 8e indica en la Tabla ?-14.01. Para v : 2 (que son la me- = 2. x2.os:0.32.43 20.=--_a6---_Eñ-----Jó¡-----i6b--_-Ed. De aquf queel ajuste de creerse.L .4. Adviértaoe que ¡fo es equiyalente a afirma¡ que la recuperación eeindependie¿úe del empleo del suero.yg:1-p:probabilidaddenacimientodehembra.?)2 .1y0 niño¡seobtienemultiplicandolasres' (40-50)2. De aquí (8_10)2 _.(L44_161.^ _ (18_10)2 (56_60)2.. x.Entonpiobabilidadee de (5 niños). Para V 1 (que er el pará- los datos es muy bueno.. 50.:z .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). .os= 5.2)2 .z = 6 4..-El: . lag cla¡ificaciones 8on independientes. Seap:probabilidaddenacimientodevarón. (164-150.1 y x.--I¡Ié- . La¡ condiciones del problema se presentan en la Tabla ?-13.-r3)2 . 7. x.92 27. Entonces.---r¡If. 10.103.-.45. 100.cA¡. Se deduce que el ajuste de los datos es muy bueno.1 . v : k . Así se deduce que los reeultados son probablemente significativos y el nacimiento de varón y hembra no son probablemente iguales.i". 50. v = k .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 .(287_308.m : 6 .68 38.?11. .959 7.1 . Asf'puesto que X2 = 7 .sss:15.serechazarálahipótesisalnivel de significación del 0. BONDAD DE AJUSTE ?. (110_100)2.= (s8_33. Determina¡ la bondad de ajuste de los datos del Problema 7. X?ss = 9.9)2 .49.?11. (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:t12.44.

84. pero en la que solamente se han puesto los totales.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. pueeto que una vez hecho esto loq números de las restantes casiüas vienen obligados por los üotales ya indicados.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.54. Se No ¡e recuperan recuperan TOTAL 100 100 Grupo. Y 47 L4 61 Sr. 7. (125-301 -0. como en la página 215 (véase Problema ?. 200 140 30)2 o _ (75 x-1rc-?o70)2 - 70)2 . Asf pues. conaidérese la Tabla 7-15. Solucionar el Problema 7. Y y Sr.-.05.No ee recuperan cupetan TOTAL [cAP.13 FRECUENCIAS OBSERVADAS Se re. 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.05 utilizando X" equivale a rechazar esta hipótesis con un ensayo unilateral al nivel de 0. 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.¡. En general.30\2 (36 *ffi = 2'38 Tabla 7-16 Para determinar el número de grados de libertad.Puestoqueparalastablas2Xz. De modo que hay un grado de libertad.45 aplicando la corrección de Yates.13.51).47. x2)x2ss correrpondea x>x. habrían suspendido 27 lL80 : Iíc/o de los estudiantes y DO .ss : 3.10 uüilizando z. Sr.--. En la Tabla 7-16 se indican los estudiantes aprobados y suspendidos por 3 profesores: Sr. al rechaza¡ una hipótesis al nivel de 0.Xz egelcua- Nótese también que yn ensayo unilateral utiliaando ¡12 equivale a un enEayo bilateral utilizando.0. X. 7. obtenido en el Problema ?.5)r . ya que.46. porejemplo. que es igual a la¡ dos dadas anteriormente. = I. _ ¡¡ (corre(rda) = (i75 -70\. Z.^se sigue que X er lo mismo que z en este caso.A Grupo B TOTAL 140 60 200 Puesto eue X. or^_.profesores son iguales. Ensayar la hipótesis de que las proporciones de estudiantes suspendidos por los tres . Esto podría haberse visto rápidamente.5)2 * ----?O- (i65-701 -0. drado Cel valor de z. Nótese que X2 : 2. ^.38 es el cuadrado del valor de z : 1. (35-301 -0.38 < 3.5)2 .45 son también válidas aquí.84 para 1 grado de libertad y puesto que ¡2 = 2.244 ENSAYOS DE HIPOTESIS Y SIGNIFICACION Tabla 7. ? Tabl¡ 7-14 FRECUENCTAS ESPEBADAS BAJO Ho Se re.5)2 * ----TO* ?O S0 _ .!t_.vó Obteniéndose que las conclusiones del Problema 7. X Sr.gs. se deduce que lob resultados no son significativos al nivel de 0.e5óx{-x. ya que la corrección de Yates siempre disminuye el valor de ¡¿". Está claro que solamente se tiene libertad lara colocar un número en una de las cuatro casillas vacías. Tabla ?-16 FRECUENCIAS OBSIERVADAS Sr.

ecuencias teóiicas. 7. Sr._ (50-46. todos los números restantes vienen obligados por lo8 totales. Mostrar que para una tabla de contingenciah X h tad es (h .05. que es igual que la Tabla 7-L7 pero en la que solamente se han puesto los totales. Hay h (fz > 1.60 64 180 64 180 Entonces o x-. 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. Entonce8 *.85 85V" d.49. Í4-9.e 64 54.r"/" a1b2 (o. pá. sin embargo.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.n2nslnl2 .99.5135-547ó-----d25 9J5 --.40)2 (5-8. considérese la Tabla 7-18.1Xk . después de lo cual. Y 85% de S¡.75 = = 51. Las frecuencias esperadas bajo FI¡ se muestran en la Tabla 7-17. Z TOTAI.25 OD : didos TOTAL 55 61 9. at__n_ = -nrrxJn (ór nrnsln)2 (b2.40 : Aprobados Suapen- Suspen.ó+ Pa¡a determinar el número de grados de libertad. Nótese. Z TOTAL 153 27 Aprobair¡c didos TOTAL 85% de 55 : 6l 4G. (47. Y St. Pero : (ar- nrnn/n)z (a".85)2 (56-54. 7.48. Puesto que x.n"n¡ln\z' nrnn/n ntftl.10 si se está dispuesto a correr el riesgo de estar equivocado 1 vez de cada 10.15 61 15% de 64 8.15)2 (8-9. 153 qn X Sr. no se puede rechazar I/e al nivel de 0.gina 22O . se puede rechazar lfs aI nivel de 0. * ó1)(o1 * o2) o1*óq*a21b2 n a2b. 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. Se deduce que el número de gtados de libertad hk .CAP.núnR/n "r'.51.25)2 .61. ?] ENSAYOS DE HIPOTESIS Y SIGNIFICACION habrían aprobado el 86Vo de los estudiantes. Está claro que como cada fila y cada columna han decumplir con loü totales.(h+Ic-l) = (h-lx/ú- 1) como se requería. X ¿IO Tabla 7-18 Sr. Tabla 7-17 ITRECUENCIAS ESPERADAS RAJO Sr.L5% de 55 : I5% de 6t 9. que puesto que x:eg : 4. Así pues. k > 1) el número de grados de libereg * & - 1 totales independientes de un total hÉ. Nótese que este resultado es válido si se conocen los parámetros poblacionales necegarios para obtener las fr. de otra forma se necesitan ajustes como los descritos en ( b ).60-=4.60)2 4175 -. hay en este caso dos grados de libertad.75\2 .1).zs¡ : 5. . los resultados esperados bajo la hipótesis nula aparecen en la Tabla 7-20.-.

4S. se puede escribir az-ry = ur-ry = Í2fts . Sise aplica la corrección de Yates.P)2 nWtPrA$ .P)2 que es el cuadrado del estadístico Z. 1-Pr . P.45. a2=26. r¿¡ = 100. bz:35. ür : 'tL¡ = flP. ns = 100. Dr = 65. C= vra = {*#fu : r/d'6112e = 0'1084 .. entonces riI ) del Problema 7. Con referencia al Pro- (r) (2') P. ns = ür*ó2. 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).49.38 : Empleando la corrección de Yates.bq - aqb'12 donde A:&tbz-azbt. el resulüado eg el mismo que en el Problema 7.46 ¡2 (corregida) = ---ñ^"" - = - (25X65)l (140)(60X100X100) . de modo que (r) (4) ú1 = nlPy az = nzPz.50. da x' : D'- n(a.49 x2= n(ap2..=.a2b)2 -T nrn2nAnB nrn2(Pr.=&r*a2*b1*b2. ¡e tiene del Problema 7. 7 Análogamenta Así. -flg L-p l-P2 = bc -= = q = -.49 paralos datos del Problem^I. - O2 l¿z' fL¡ tl' ó.52.246 ENSAYOS DE HIPOTESIS Y SIGNIFICACION lcAP.49 da x2 = n(1aft2. frA=úr*az. . r¿r(1 - Pr). a1 =75. yn:2OO. f.Pr)]2 nrnínpnq = nfri\+LlllrJ (Ya que n = nt+tt2l (Pt. se tiene p la proporción poblacional. nt=140.n2P2n{l . EnelProblemaT..45.Prl . ^ (t) n /otbr-ozbt\2 n lotbr. (/ ) se remplaza por (21 "rr"r"^"" : nL2 nrnznAnB x2 (conegida¡ n(ltl. COEFICIENTE DE CONTINGENCIA ?. n1=at*b¡ nz=a2*b2. bz = nz(l- Pz) tlg = flq Utilizando (3) y (4).10012 = 1.azbtl . Denótese por P1 y P2 las dos proporciones muestrales y blema 7.93 7.tn)z = 200il(?5x35) 2. n2:60. Halla¡ el coeficiente de contingencia para los datos de la tabla de contingencia del Problema 7.ln)? = -"r!rrrñr" 7. = #.ozbr\2 n /orbz-ozót\2 ml?¿B\ n n nzn¡\ n n¡r¡\ / / / n fatbr-tzDt\2 n ?zrs\ / que al simplificar.51. dado en (IO) en la página 215. Or--m arb2 = - a2b. Ilustrar el resultado del Problema 7.

. la probabiüdad de decidi¡ que el eetudiante no reeponde al aza¡ cuando es que si.4) + 10010(0.3504 7. todor loe que tomen el suero 8e recuperarán y todor lor que no se lo tomen no Be recuperarán. (Véase Problema 7 . (ii) en caso contrario. En el problema 7. el estudiante está adivinando.4)3+ roOs(0.6 la probabilidad pedida será 1 - [P(? conectas) * P(8 correctas) + P(9 cotrectas) + P(10 correctas)] =|- ho0?(0. " x.56.7)7(0. donde g =L- p.3) + r0Cr0(0.(+Xá) * .6)e(0. Un instructor hace un cuestionario forurado por 10 preguntas falso-verdadero.i .53. (b)P : 0.5 cuando realmente (a) p : 0.4.9.3. Pueeto que las frecueneias eeperadas.".?1e Asi ee que ésta pues.[roOi(0.3)2+ r0Ca(0.----80Entonceg el valor máximo de C e¡ . (d) p : O.? Bajo la hipótesis p P(menoc de 7 corectas) : - 1 -P(7 o mác conectas) 1 .8.6)?(0. Nótees la probabilidad de error del fipo I. D Tabl. Esta tabla de contingencia aparece en la Tabla 7-21.(g)p : O.64.---80.60)2 50 . do¡ clasificaciones son perfectamente dependiente¡ o a¡ociadas. 7l ENSAYOS DE HIPOTESIS Y STGNIFICACION 24V 7. PROBLEMAS DIVERSOS 7. son todas igualea a 50.54. En tal caso. suponiendo independencia total.4)2+ ro0a(0. ee 0.-60 .X.5 (ee decir.. las únicas frecuenci¡¡ de casillas que no Eon cero aparecen en la diagonal que baja de izquierda a derecha de la tabla."..ro)¿ .(iX.2.1?19.21 valor máximo de C ee presenta cuando la¡ Se recuperan No se recuperan 0 TOTAL 100 GrupoA (utilizando auero) (no utilizando .0o)z (0 . (e) p : 0. Para taleo ca¡os.= (100 zw En general.cAP. 7. C..6)101 = 0.6)8(0. para la dependencia total en uua tabla de conüingencia.3)3+ r0Cs(0.a 7./Zt(xz + n'l = t/ñl@6T 2oo-) = 0.ueno) TOTAL 100 (irupo ó 0 100 100 100 100 200 .618 . (f) p : 0. En el Problema 7. adopta la siguiente regla de decisión: (i) si 7 o más respuestas son acertadas el estudiante no las acierta por casualidad.50)2 (0 .. hallar la probabilidad de aceptar la hipótesisp = 0.t. Hallar la probabilidad de rechazar la hipótesis cuando es corTecta.13. Seap la probabilidad de que una pregunta sea contestada correctamente. (a) Sip : 0. .".6.¡* . Para ensaya¡ la hipótesis de que el estudiante acierte por car¡udidad. La probabilidad de conteetar correctamenté Bajo la hipótesisp r pregunta¡ de las 10 será rcCrqqto-'. (100 ..7)e(0. = 1/@-ffi.(. en la gue el número de fil¡s y columnas eon ambas iguales a &.7)8(0. (c)p : 0. P(7 o más correctas) : P(7 correctas) * P(8 conectas) + P(9 corectae) * P(10 correctae) = .5 cuando realmente = O'7' : O.(á) = 0.3)10] = 0.".o. el e¡tudiante acierta alazar).L27).55.54. Hallar el valor máximo de C para la tabla 2X 2 del Problema 7. hallar la probabilidad de aceptar la hipótesis p P : 0.?0?1. = 0..

7. .2 0.56 para construir el gráfico de É y p obteniendo así la cun¡a característica de operación de la regla de decisión del Problema.945 0.01. pero no d 0. Aquí se desea decidir entre la¡ hipótesir (Ho: p : 0. Ensayo u¡ilateral.0.8 0.01.7 hallado en el Problema 7 .¡qn.5).1 El grafico indica que la regla de decisión dada ee muy odecuado para rechazat p:0.54. pero no al 0.2188.4 0.05 ó 0.1.01. Nótese que la probabilidad se denota por p (probabilidad de error del Tipo II).!¡. 7.5 dado por p : 1 . 1. Una moneda que se lanza 6 veces da 6 veces cara. ¿Puede deducirse que al nivel de significación (c) 0. **.9 0. caraa en 6 f(x\ = P(x lanzamientos) = Entonces lae probabilidsdes de 0. 7-14. como se muestra gráficamente en la di¡tribución de probabilidad de la Fig.248 ENSAYOS DE HIPOTESIS Y SIGNIFICACION [cAP.6 0. respectivamente. Ad- la curva OC del 06 Si se hubiese dibujado (1 -p) yp.013 0 828 7.Ele al nivel 0.5 cuando realmente p > 0. +i. p + 0.828 del Problema 7. 03 02 0. se habría obtenido la curvo de potencia de la regla de decisión.618 0. se puede rechazar.8. ? Loa resultados de (b). 2. Sea p la probabilidad de ca¡a en un solo lanzamiento de la moneda. 7-15. 4. 3. Puesto queP(0 ó no ee puede rec}ntzar H¡ al nivel de 1ó 5 ó 6 caras) = 2(t) = 0.05 y (b) 0. viértase la semejanza con Problema 7-27. Bajo la hipótesis (Ho: p: 0.68. si en la moneda sale 5 veces cara. Ensayo unilateral: Aquí se deeea decidi¡ entre las hipótesis (Ho: p: 0.Puesto queP(6 caras): f¡ :0.5). Tabl¡ ?-22 p B 01 1. la moneda está bien hecha).ó) y (Ht:. Se ha irrcluido también el valor para p : 0.01 (es decir.01 la moneda no está bien hecha? Considerar ensayos de una y dos colas.t v i. pero no al 0.121 0. (g) pueden hallar¡e análogamente y se indican en la Tabla 7-22 junto con el valor correspondiente a p : 4.6) y (Ht: p > 0.1?19 : 0. 0. 0. . Puesto que P(0 ó 6 carar): t'o+* = 0. ee puede rechazar ñfe Ensayo bilateral: al nivel 0.58.65. .01).trf6 llnivelde .03125. (c).989 0. no se puederechazar.5)(ee decir.5 0.6 y 6 caras son dadas.t+.06.1094. $oluciona¡ el Problema 7.999 0.350 0.3 0.64.1094.01662 y P(6 ó 6 carad) = * +-# : 0.000 0.7 0. el resultado observbdo es significativo al nivel 0. .05 ó 0.05.05. l0 09 08 0? El gráfico pedido es el de la Fig. Ensayo bilateral.59. Utilizar el Problema 7.57. Pueeto que P(6 ó 6 earar): * + # = éa:0. por #.

" Por tanüo (2) ee conüerte en P(Yr=Ur. Demostra¡ que la dist¡ibución condicional de las f dado que Yt*Yz+ "'+Yx = es precisamente la distribución multinomial de las X. que Yr + Y. (21) ea diffcil de manipular ya gue las X di¡üribuidas multinomialmenüe son dep. página 14?.p)2 PQI'I¿ 7.... el numerador en (2) tiene. Suponga que Xt.. ..23 Si P es la proporción mue¡tral para La categoes la proporción poblacional y n eo la frecuencia total. + ' ' ' + Y¡ es en sí migma una va¡l¡ble de Poi¡eon con parámetro np¡ * np2 + .*/t'-^'\' \Vrr.. Asl el denominador tiene el valor "":. yx= ax) = 19#)1-+gj. Sean f.... y2= u2..7l ENSAYOS DE HIPOTESIS Y SIGNIFICACION 249 7..Yz=Az.1'"'-. con frecuencias esperadas flPt.Yz=U2r . Pa¡a la función de probabüdad conjunta de ft l¡¡ Y tenemos (r) (21 p(y.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.:í-^*f e-^ dondehemo¡uuiüzadoelhechodequept*pz+.. busc¿ndo está dada por Iadi¡üribucióncondicionalqueeetamos P(Yt.60.págtna 218. Enüoncec. de acuerdo con la resüricción (221. n(P. Tal como oe establece.Yt va¡iablesmutuaÍienteiñdependientes con dist¡ibución de Poisson y parámetros tr¡ : npt.62. .. Por t¿nto reeecribimo¡ (2/ ) como (r) x2 = /t'=^')'*f"'=^'\'*.. tiene aproximadamente una distribución chi-cuadrado... como se define por (21).61.. Xz X¡ tienen una distribución multinomial. sabemos del hoblema 4.p)z = .l\z : npz trr : zpr respectivamente.¡Yt=Ur Y Yt+Yz+ "' *Y¡r= P(Yr+ Yz| "' * Y¡ = n¡ e-n n¡ Entonces. (5) de la página 214. página 118]... ^#--"Jpltpf2"'plk 7. . Mostrrir que una prueba en chi-cuadrado que comprende dos categorías es equivalente al ensayo especial de significación para proporciones (pagina 214).aL.cAP. .tYx=at I Yr* Yz-1.endientec.. ce pueden describir las ei- ría I. = (nP .61 demuestra que podemos remplaza¡ las X por lae Y independienúes con dietribución de Poisson ai ae cumple que Y¡ + Y2 + " '* Y¡": ¡. de (I ).6t pa¡a demostrar que ¡2.¡p_r¡rll*l)q/ = '' \P Pq = (P-. Yr + ).. el Problema 7.Pl n(l-p)=nq TOTAL n .Y¡=Ur I Yz* .. p I Frecuencb observada Frecuencia esperada nP np II n(l.Y2=U2. i npn: n. el valor En cuanto aI denojminador. .= ut.96. . por definición. iYr.. Tabl¡ ?.. *Y¡r= n¡ PlYr=At. npp respectivamente.+ph=L.L tu¿cione¡ por medio de la Tabla 7-23. Sin embargo. / \V^r/ \Vrzl . .'. Epplear el resultado del ProblemaT. *Y¡= n¡ = que ee la distribución multinomial de la¡ X [compárese (I6)...nPz.

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

+ {pt Zt.01? Se lanza un par de dado¡ 100 veces y se observa que un total de ('siete" apa¡sce 23 veces.. 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. (o) ¿Qué regla de decisión ?.0ó? (d) ¿Cuál sería la regla de decisión si el nivel de significación fuera del 0.trLtroyo uniiateral y un nivel de significación del 0. Un examen sobre una muegtra de 200 de talee equipos reveló que 18 eran defectuosos. Var (W) = pr(l) * pz$) * . Comentar la significación de este resultado al nivel de 0. se adoptarÍa en el Problema 7..01? (b) ¿A qué nivel de confianza ee aceptaría la hipótesis? (c) ¿Cuál ¡ería la regla de decieión si ee adoptara un nivel de significación del 0.(o¡ : 1 s Por tanto la función .7 o. En una escuela determinada con 200 estudiantes el mismo examen dio una puntuación media de 75.1 y la desviación típica fue 8. Solucionar el Problema 7. + V!f.64. En un examen dado a un gtan número de estudiantes de muchas escuelas distintas. (o) Hallar la probabilidad de rechazar la hipótesis cuando en realidad aea correcta. y que E\W\ = VE(O) + \/p2(o)+ .01 que el es ahora peor? hilo 7 .05. .cAP. donde z : h - las bases para las reglas dadas en la página 219. * p¡(1) = de den¡idad paraW es p(rr) : (Zr)-r/2e-u2/2.05? 7.Of O..1i¡ ee rechaza en caso co¡rtra¡io. ee decir.66 ei el nivel de significación es del 0.0. normal (puesto que e8 una combinación lineal de la¡ variablee Z normaies e independientee).9. y por tanto a la¡ Y o a las X reduce el número de grados de libertaá en X2 en 1. Enaayar la hipóteaie de que los dados esüén bien hechos.. y Denominado¡ (. (¿) ¿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.01. 7.05 desde el punto de vista de (o) un ensayo unilateral y (b) un ensayo bilateral.01. (ó) Interpretar gráficamente la regla de decisión y el resultado obtenido en (o).. se quiere un nivel de significación del 0. Para ensayar la hipóteeis de proporciones iguales de e¡to¡ colores. mediante (of un ensayobilateralyla¡. Supóngase que en el Problema ?.05 y (ó) 0. erplicando las conclusiones sacadas con estos ensa- .7l ENSAYOS DE HIPOTESIS Y SIGNIFICACION 26L Para evaluar el denominador de (5) notamos que la variable aleato¡ia W = lptZl * es l-p222 + .63 se desea eneayar la hipóüeeis de que hay moyo.65. ¿Se puede deducir al nivel de signüicación del (o) 0.entarios ENSAYOS DE MEDIAS Y PROPORCIONES UTILIZANDO DISTRIBUCIONES NOBMALES ?'63. una muestra de 36 piezas de hilo dieron una resistencia media de 8.. Recientemente. (Zr)-t/2(ze) Al dividir (8) por (9) obtenemos el resultado deseado. Discutir las razones de las posibles preferencias de uno de estoe ensayos sobre el otro.OO. no cargados. Un fabricante sostiené que al menos el 95% de los equipos que Euministra a una fábrica eetá de acuerdo con las especificaciones requeridas.93 onzas. Esüo provee Problernas suplem. Ensayar la afirmación del fabricante al nivel de aignificación del (o) O.e y azules.63 si ee quisiera que la probabitidad de rechazar la hipótesis siendo realmente conecta sea a lo sumo 0. la puntuación medi¡ fue de 74.67. 7. proporción d.66.69. 7'68. Una urna contiene bolar roja.ebolac rojas que de azules.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. La "demostración" anterior (que puede hacerse rigurosa) muestra incidentalmente que cada restricción lineal colocada alas Z. yos.40 onzas.e) = p(lWl < e) - e4(0)(Z€) = 7. es decir. 7..

una parcela de terreno se dividió en 60 cuadrados de áreas iguales. 7.01 V (b) 0.01. En el Problem a 7 . 1 . 7. Ensayar la hipótesis de que la duración media de las bombillas no ha cambiado.05. mediante un nivel de significación del (a) 0. me- 7. Una muestra de 100 bombillas de un fabricante A dio una duración media de 1190 horas y una desviación típica de 90 horas.76. con los niveles de significación de (o) 0. Ensayar la hipótesis de que (o) las dos máquinas tengan diferente calidad de fabricación y (b) la máquina B sea mejor que A.24%.05 y (b) 0.01 las niñastengan mejor ortografía que los niños. < 1-t2O horas. Para ensayar los efectos de un nuevo fertilizante sobre la producción de trigo.5% y una desviación típica de 0. lcAP. Análisis de 6 muestras de A dieron un pH medio de 7. Ensayar la hipótesis de que a los niveles de significación (a) del 0. ENSAYOS EN RELACION CON LA DISTRIBUCION ú DE STUDENT 7.73. exposción a la luz del sol. respectivamente. Utilizando un nivel de significación del (a) 0. (b) 0. El nuevo fertilizante se aplicó a 30 de estos cuadrados y el antiguo fertilizante a los restantes.49 con una desviación típica de 0. A causa de lo costoso del mantenimiento de estas máquinas resulta que a menos que el tiempo 4e producción ee disminuyaen un8. En seis pruebas de este tipo se obtuvo un decrecimiento en eI tiempo de producciónde 8.7 8.72 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. ?. ción típica de 6. 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.05 y (b) 0.05./o con una desviación típica de 0.77.72. ¿Puede deducirse al nivel de significación del (c) 0.8 y 0.01. [.83. etc.05 y (b) 0. Con un nivel de significación del (a) 0.01. Unamuestrade 10 análisis dio una media de contenido en cobre de 23. Utilizar el nivel de significación del 7.54 fanegadas. todos ellos tenían idénticas características de suelo.024.7 7 ensayar la hipótesis ¡¡ : 1120 horas contra la hipótesis alternativa tt diante un nivel de significación del (o) 0. mientras que la puntuación media de 36 niñas fue de 75 con una desviación tÍpica de 6.05 y (b) 0. determinar si los dos tipos de soluciones tienen diferentes valores de pH. Las especificaciones para Ia producción de una cierta aleación piden el 23.79 ensayar la hipótesis de que el contenido medio de cobre sea más alto que el que marcan las especificaciones.252 ENSAYOS DE HIPOTESIS Y SIGNIFICACION Solucionar el Problema 7. 7 .80.4a.52 con una desviación típica de 0. Explicar las diferencias entre esto y lo que se pedía en el problema anterior. A y B fueron ensayadas pa¡a ver su pH (grado de acidez de la solución).O7o laintroducciónde tales máquinas en eI proceso resulta antieconómico. ¿Se contradicen los resultados con los del problema anterior? En un examen de ortografía en una escuela elemental.7 4.05 que el producto presenta las especificaciones requeridas? ?.01? En el Problema 7 . ? 7.01 y (b) 0.05 ensayar la hipótesis de que las máquinas deben ser introducidas. El número medio de fanegadas de trigo cosechadas por cuadrado en los que se utilizó el fertilizante nuevo fue de 18.05 y (b) del 0.a2. 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. 0.19.32%. respectivamente. ensayar la hipótesis de que el nuevo fertilizante sea mejor que el antiguo.032.2% de cobre. . Una muestra de 75 bombillas de otro fabricante B dio una duración media de 1230 horas con una desviación típica de 120 horas. Un experto efieiente mantiene que introduciendo un nuevo tipo de maquinaria en un proceso de producción se puede disminuir sustancialmente el tiempo de producción. Mediante unniveldesignificación del 0. mientras que 15 estudiantes de otra clase tuvieron una puntuación media de 74 con una des- . la puntuación media de 32 niños fue de 72 con una desviación típica de 8. Dos tipos de soluciones químicas.70 si el nivel de significación es del 0.7L.01. ¿Hay diferencias entre las duraciones medias de las bombillas de los dos fabricantes al nivel de significación del (o) 0.a media y desviación tfpica correspondientes a los otros cuadrados fueron 17. ENSAYOS REFERENTES A DIFERENCIAS DEMEDIAS Y PROPORCIONES 7.2 con una desviación típica de 0.05.8f En el Problema 7. Análisis de 5 muestras de B dieron un pH medio de ?.76. 7. En un examen de psicología de 12 estudiantes de una clase hubo una puntuación media de 78 con una desvia- 7.63 fanegadas. Una muestra de 8 bombillasdelaproducciónactualdiouna du¡aciónmedia de 10?0 horas.05.01.01 y (ó) 0.

?. Hallar los límites de control del (a) 99. (d) 0. ENSAYOS EN RELACION CON LA DISTBIBI'CION CHI.27 GBAFICOS DE CONTROL DE CALIDAD 7.E8. Alrededor del lVo de las tuercas producidas por una compañía son defectuosas. una curva de potencia correspondientes al Problema 7.01? CUBVAS CARACTERISTICAS DE OPEBACION ?. (b) (1 -p) y p.84.89. (b ) 0.05 determinar si el primer grupo do. Ia desviación típica de las temperaturas anuales fue calculada como de 10o Fahrenheit. desviación típica de las temperatwas anu¡legde una ciudad en un período de 100 años fue de 16" Fahrenheit. Para determinar si el producto está de acuerdo a estas normas. Solucionar el Problema 7. determinar Ia probabilidad de aceptar la hipótesis de que haya igual proporción de bolas rojas y azules. La resistencia a la rotura de una muestra de 8 cables dio una desviación típica de 300 libras. ?. Para mantener esta calidad de producción.94. un cierto tipo de hilo producido por un fabricante tenía una resistencia media de roüura de 8. ?. Ensayar la hipótesis de que las temperaturas en esta ciudad presentan ahora menos variabilidad que en el pasado. Comparar estas curvas con las del ProblenaT .05.9. cuando la proporción real p de bolas rojas sea (o) 0.6. Comparar estos gráficos con los del Problema ?.731o ó 3o.05 y (b ) 0.95. 7. En el Problema 7. tienen varianzas dadas por s? : 16 y s2 : 8 respectivamente.0f . ENSAYOS EN RELACION CON 7 LA DISTBIBUCION F . Determinar los Iímites de control del (a ) 99% y (b)95% pam el número de tuercas defectuosas de cada muestra. 7l ENSAYOS DE HIPOTESIS Y SIGNIFICACION es 263 superior al segun- viación típica de 8. se toma una muestra cada 4 horas de 200 de las tuercas producidas. al nivel de significación del (a) 0. se toma cada 3 horas una muestra de 16 piezas de hilo y se determina la resistencia media.85.01.65. La desviación típica de resistencia a la rotura de ciertos cables producidos por una compañía viene dada por 240 libras.3.63. (b ) 0. (b ) ¿Qué conclusiones pueden sacarse de acuerdo con Ios riesgos de error del Tipo II cuando se incrementan los támaños muestrales? 7 . ?. durante los 15 últimos años. Con un nivel de significación del 0. (e ) 0. (b) 99% sobre un gráfico de control de calidad y explicar sus aplicac¡o- nes. Adviértase que en esüe caso solo son necesarios los límiúes de control super. Después de introducir un cambio en el proceso de producción de estos cables. Construir (a) unacurva OC y (ó) .77 una muestra de 20 bombilta¡ reveló una desviación típica en la duración de 150 horas. En relación con el Problema 7.CUADRADO 7. Investigar la significación del aparente incremento enla variabilidad.cAP. ¿Concluiría que esto no es común? Explicar.87 si las dos mueetras con¡i¡ten de 60 y 120 observaciones respectivamente.8.26 y 7 . Dos muestras consisten de 21 y 9 observaciones. Representar gráficamente los resultados del Problema ?. (b) 0. Con la temperatura media del día 15 de cada mes.92.05. ¿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. mediante un nivel de significación del (a ) 0.91. ?. En el pasado.64 onzas y una desviación típica de 1. . 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. (c) 0.81 .90. t¿ ?.27 si se eru¡ayan 400 cuerdas.28 onzas.7. En el Problema 7.01 .25 considerando Ia analogía de bolas rojas y azules con caras y sellos respectivamente.ores.86. (o ) Solucionar los Problemas 7 .82.90 construyendo un gráfico de (c)p V p.

40% C.gg.66 C' 16 D y 12 F. se anota su color y se vuelven a la urna.rrru de 4 máquinas.0r .96. Ensayar la hipótesis de que el número de libros sacados no dependa del día de la semana. Se eligieron aleatoriamente tuercas de la producción de . 6l ?.100. (b ) 0. 7.05. Determinar si existe entre las máquinas una diferencia significativa al nivel dc significación del 0. Juev.e 12% A. 108 Mierc.108. 7.05 2 rojo 0 blanco Número de extracciones con Ios esperados.CUADRADO 7'102' En 60 lanzamientos de una moneda se observaron 37 caras y 23 sellos. Ajustar una distribución normal a los datos del problema 5. Tabla 0 ? -25 I ?-101.96 y comparar con el ajuste obtenido utilizando la distribución binomial. de probabilidad para determinar si los datos del Problema 5. 7 '97 Ajustar una distribución binomial a los datos dela Tabla 7 _24.1'04.103. 7. 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. Se lanzaron tres monedas un total de 240 vese observó cada vez el número de caras obtenido.05. El número de libros sacados de una biblioteca pública durante una semana determinada viene dado en la Tabla ?-22. Durante un largo período de tiempo. Se Tabla 7-28 0 rojo 2 blanco 1 rojo 1 blanco 53 si los extraen aleatoriamente dos bolas de la urna.LB% B. Ensayar la hipótesis de que la moneda está bien hecha utilizando un nivel de significación del (o) 0. 7. Un profesor nr¡evo da durante dos se_ mestres 22 A. 114 Vier.107. las puntuaciones dadas por un grupo de profesores en un determinado curso dieron un promedio d.g8 pueden ser aproximados estrechamente a una distribución normal. 7. Ajustar una distribución normal a los datos del problema 5.0b. 10. Ajustar una distribución de Poiss<¡n a los datos.Lg?o D y 12% F. El número de defectuosas ""d" fueron 2.05 si el profesor nuevo sigue las mismas nornns de puntuación que los otros. 9. (á) 0. Ensayar esta hipótesis al nivel de significación del 0. . Mar.99. En 10 unidades del ejército prusiano y en un período de 20 años 1875-1894. Ajustar una distribución de poisson a los datos del hoblema 2. el número de muertos por unidad y año debido a coz de caballo se dan en la Tabla ?-2b.05.34 8.100. 7 z AJUSTE DE DATOS A DISTRIBUCIONES TEORICAS -24 2 7. I 65 22 a l 10!¡ I LA PRUEBA CHI. Este proceso se repite un total de 120 veces y los resultados obtenidos.l 1 cara 108 bien hechas. con un nivel de significación del (o ) 0. 3 4 . solucionar el Problema 7. (b) Determinar al nivel de significación del 0.^ 30 Frecuencia esperada )0 90 3() ?. 7. utilizar papel gráfico 30 62 16 l0 .98. Delerminar al nivel de significación de 0.01.105. Una urna contienc 6 bolas rojas y B blancas. . resultados obtenidos son consistentes (.106.se muestran en la Tabla ?-2g. (o) Determinar las frecuencias esperadas. 146 t20 7. 3. Número de libros sacados Tabla 7 -27 Lun.254 ENSAYOS DE HIPOTESTS Y SIGNIFICACION Tabla f 0 [car.r02 utirizando la corrección de yates.

7.01 ensayarlahipóteaisdequeelnúmerodeaccidentes es independiente de la edad del conductor.101.0ó.113.112 introduciendo la corrección de Yates.06. es decir. El resultado de sus respuestas se muestra en la Tabla 7-31. 7. las dos claees.111. ¿Es consistente el resultado de (o ) con el del problema 7 . A 72 64 t7 23 Clase B 7. medianüe un nivel de significación del (o) 0.01 y (b) 0. 7l BONDAD DE AJUSTE ENSAYOS DE HIPOTESIS Y SIGNIFICACION 265 7.05 y en cada caso determinar si el ajuste es "bastante bue.01. Tabla 7. A un nivel de significación de (a) 0.01. De un grupo de enfermos que se quejaban de que no dormían bien. los votos de los demócratas y republicanos registraron los resultados que se observan en.05. la vacunación y esta enfermedad son independientes.L17. Mediante la prueba chi+uadrado determinar la bondad de ajuste de los datosde (o)Problem¡ 7. Posteriormente.98. N nivel de significación del (a)0. Hacer el problema con y sin la corrección de Yates. Utilizar el nivel de significación del 0. (b) Problema 7. ¿Qué poeiblee dificultades en las t&nicas de muestreo como en otras consideraciones pueden afect¿r las conclusiones? .05 y (b) 0. Mediante un nivel de significación del (o) 0. Mediante la prueba chicuadrado determinar la bondad de ajuste de los datos de (c) Problema ?.ensayarlahipóteois de que no hay diferencia entre ambos partidos en lo que a esta decisión se refiere. Solucionar el Problema 7. mientras que a otros se les dio píldoras de azúcar (aunque todoselloscreíonque suspíldoraseranparadormir). ensayar la hipótesis de que no haya diferencia entre.ensayarlahipótesis de que no hay diferencia entre las píldoras de dormir y las de aziucar al nivel de significación del 0. Los resultados de una encuesta hecha para determinar si la edad de los conducüores a partir de los 21 añoe.01 y (b)0. Tabla ?-30 Aprobados Clase 7.f09.115. IA Tabla 7 -29 muestra el resultado de un erperimenüo para investigar el efecto de vacunación de animales de laboraüorio contra una determinada enfermedad. Dott. Ensayar la hipótesis de que las notas de física sean independientes de lás obtenidas en matemáticas.114. (b)hoblema 7. tiene su efecto en el número de accidentes de automóvil (incluyendo todo tipo de accidentes) se indican en la Tabla 7-34.06. 7. 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.cAP.la Tabla 7-32. 7.05 v (b) 0. enfer No se maron 'enferma¡on Vacun¡dos No Vacunados I L7 42 28 ?.118. Ia Tabla 7-33 da la relación entre las notas de los estudiantes en matemáticas y física. se Ies preguntó si las pastillas habían surtido efecto o no.05 V (b) 0.116. Sobre una decisión de importancia nacional.110. (a) Utiliza¡ la prueba chi-cuadrado para determinar la bondad de ajuste de los datos del Problema?.(b) ¿Es el ajuste "bastante bueno"? Emplear el nivel de significación del 0.96.100. Mediante un nivel de significación del (o) 0.31 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 7.112.99. a unos se les dio pfldoraspa¡adormi¡. Suponiendo que todos los pacientes dijeron la verdad. ensayar la hipótesis de que no haya diferencia entre los grupos vacunados y no vacunados.LOg? TABLAS DE CONTINGENCIA 7 Tabla 7-29 Se .

Si nI y n! denotan. Xu) r¡ñY Azules No azules 49 30 8-ó 7.128.126. respecüivamente. ?. señalando las posibles aplicaciones que pueden_tener. (b) el coeficiente COLOR DE PELO Rubio No rubio 25 96 7.LL4. ? 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. discutir las tablas de contingencia h X k X I.119. diantes. 7'. es JUS:0. 7. . mostrar que la frecuencia esperada para la casilla perteneciente a la fila i y a la columna j es n¡n./n. 7. Hallar el coefieiente de contingencia para los datos del Problema ?.1L2 y (b) Problema 7.L23. ( sin y con coeficiente de n de yates. donde n és la frecuencia total de todas las casillag.117. la suma de frecuencias en la fila ¡ y en la columna j de una tabla de contingencia (frecuencias marginales).122.121. Hallar el coeficiente de contingencia sin y con la corrección de Yates para los datos de (o) problema 7.1 .127.266 ENSAYOS DE HIPOTESIS Y SIGNIFICACIOD¡ Tabla 7-33 lcAP. Demostrar que el coeficiente de contingencia máximo para una tabla 3 X 3 mente. donde n es la frecuencia total de todas las casillas. Por similitud con las ideas desanolladas para tablas de contingencia h X &.) 7. (b) Con el resultado de (c) hacer el Problema 7. se toma una muestra de 50 bolas con remplazamiento de cada una de las urnas. Dos urnas A y I contienen igual número de bolas.125. 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. Demostrar el resultado (2) det Problema 7. 20.121.?r para toda tabla de contingencia. COEFICIENTE DE CONTINGENCIA 7.49.8165aproximada- 7.¡¡¡. (o) Demostrar eu€ ¡2 = 2@l/np.11?. Demostrar que el coeficiente de contingencia máximo para una tabla fr X k es 1/1t¡ PROBLEMAS DTVERSOS . pero se desconocen las proporciones de boias rojas y blancas en cada una de las urnas.

55.13?.129. ¿Se puede rechazar la hipótesis de que la moneda está bien hecha al nivel de significación del (o) 0.64-7.54. ?. Generalizar el resultado del Problema 7. Comentar los resultados.56 si el 7 en la regla de decisión del Problema 7. Con una determinada marca A de gasolina.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 8.136.132 empleando un ensayo unilateral.7l ENSAYOS DE HIPOTESIS Y SIGNIFICACION 267 dando la de A 32 bolas rojas y la de B 23 bolas rojas.132 si salen 6 caras. El porcentaje de calificaciones A dadas en un curso de física en una universidad determinada durante mucho tiempo fte L0%. (b) 0. Solucionar el Problema 7.06 de que el estudiante no está contestando al azar. Solucionar los Problemas 7.13g. Con referencia al Problema ?. (c) 0.48. el número medio de millas por galón consumido en 5 automóviles análogos bajo idénticas condiciones fue de 22. ?.23 pzra el Problema 7.54 ?. es ahora 8.4 con una desviación típica de 0. ?. 7 n¡ ng üt fl1 b2 .131. (b) 0'01.05. Construir gráficos análogos a los del Problema 7. ?. ?. En eI Problema ?.001' (d) 0. ?.05. (b) 0. 7.0ó. Ensayar la significación de este resultado a un nivel de (a) 0. ?.141. 7.01? Utilizar un ensayo bilateral. A B Tabla 7-36 I &1 II A2 III dg ó3 'tLg TOTALES ?.134.132. (c) 0.0Sinvestigarsila marca A realmente es mejor que B proporcionando mayor recorrido por galón.01. Utiliza¡ el resultado del Problema 12 para el Problema ?.140.135.138 ¿hay mayor variabilidad en millas por galón utilizando la marca B que utilizando la marca A? Explicar. Comentar cómo puede utilizarse la teoría del muestreo para investigar las proporciones de diferentes tipos de pescado presentes en un lago.130.6 con una desviación típica de 0. el número medio fue de 21.142. Una moneda se lanza 8 veces y se obtienen ? caras. Explicar cómo podría definir interualos de confianza unilateroles y dar una posible aplicación.140. Demostrar que para la Tabla ?-36 y2 " n = o(l+ú+"?\ * 2a (u" +ú+ rt2 'tL2 ns/ rr o?) ns ¡\ ?t I \t¿r / -.10. 7.cAP. 2. Mediante un nivel de significación del 0.l4O para obtener el valor de TOTALES lr2 n .133.54. Al nivel de significacióndel 0. hallar el menor número de preguntas que un estudiante debe contesta¡ correctamente para que el instructor esté seguro al nivel de significación del (o) 0. Solucionar el Problema 7. Con otra marca B.138. Durante un período particular hubo 40 calificaciones A en un grupo de 300 estudiantes. ?.4?.

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

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

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

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

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

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

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

y son variables aleatorias con la distribución normal bidimensional. Entonces se supone que X. que E'(Yl X = rl es la esperanza condicional de Í dada X = x. y respectivamente. 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. Cada diagrama de dispersión resultaría en una recta o curva de regresión diferente. 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. La conerión se implementa introduciendo las variables aleatorias X. entonces existe una curua de regesión de mínimos cuadrados de Y sobre X con la propiedad (37).h(Yll'l = un mínimo y(SS) seremplaza porr = h(y)-. como se define en ia página 83. /(. REGRESION Y CORRELACION 266 INTERPRETACION PROBABILISTICA DE LA REGRESION Un diagrama de dispersión. Entonces tenemos el teorema siguiente: Teo¡eru 8-2: Si X. fÁgna 118. Y tienen una función de probabilidad conjunta o función de densidad. Por ejemplo X. de dos variables aleatoX. Al escoger una muestra diferente. . Del concepto de cun'a de ajuste en muestras pasamos al de curva de ajuste para la población de donde se tomaron las muestras. 8-1.8l CURVA DE AJUSTE. En tal caso (37) se remplaza por X E{ÍX diferentes en general.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. según si se consideran discretas o continuas. Y pueden representar las estaturas y pesos de adultos en una población de la cual se extraen las muestras. aunque esperamos que las düe¡encias no sean significantes si las muestras se extraen de la misma población.r.cAP. f(x. (40'¡ . Y que toman log diferentes valores muestrales r. Tenemos el teorema siguiente: Teoreru Nótese & y son variables aleatorias con función de densidad conjunta o función de probabilidad f(x.¡= h(y)son Un caso interesante se presenta cuando ta aistribución conjunta es la distribución normal bidimensional dada por (491.E(XIY = y). Lasdoscurvasderegresióny=g(rl. y). y). dada por (88) u = s(n) = E(Y lX=c) siempre y cu-ando X. f tengan una varianza finita. 8-7: Si Anotaciones análogas pueden hacerse para u¡ra curua de regresión de mínimoe ctndradoe de sobre Y. o aumentar la original. rias Dada la función de densidad conjunta o función de probabilidad. como el de la Fig. y). un diagrama de dispenión algo diferente se obtenüía generalmente. es una representación gnífica de los puntos de datos para una muestra particular. Y. es lógico de las anotaciones anteriores preguntar si hay una función g(X) táI que E{ÍY .

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

(i=/ : 1'1513 tos'o(1 Estos hechos pueden también utilizarse para hallar los límites de confianza para los coeficientes de correlación. . es decir.er. Véanse Problemas 8. = 1. Véase Problema 8.48.. Aquí utilizamos el hecho de que el estadístico z =*r"(i+) = r. 2. Ensayo de la hipótesis p = 0.2 grados de libertad.8 : to estimado de la ecuación de regresión muestral. De esta ecuación se pueden ha' llar límites de confianza para valores de población predichos.46.47 y 8.Para este propósito debemos conocer la distribución muestral de r. es decir. De aquí pueden hallarse los tes de confianza para valores medios poblacionales predichos.1618"". 2. Ensayo de hipótesis para valores predichos. Para p + Ola distribución es sesgada..43 y 8.49 y 8. lo : a * bxs.2 grados de libertad.cAP. Véanse Problemas 8.8l CURVA DE A'USTE. REGRESION Y COBRELACION 267 tiene una distribución de Student con n . Véase Problema 8. Denótese Por Jp el valor predicho de y conespondiente 2. Entonces el estadístico t- su. Í : Ís para la población.m (ao- úor\Ñ @a¡ tiene una distribución de Student con n .45. La transformación (60) se llama transformación /1+p\ I o/' ". fo = E(YIX = co)]. = ffi - (51) Z de Fish.(i#J aproximadamente tiene una distribución normal con media y desviación típica dadas por (50) -Zt" /1+p\ *. 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.2 grados de libertad. En el caso de que p = O esta distribución es simétrica y se puede utiliza¡ un estadístico con distribución de Student. lo = a * bxs. 1. Esto también puede utiliza¡se para hallar inten¡alos de confianza p¿ua coeficientes de regresión poblacionales de los valores muestrales. Véanse Problemas 8.50.'\[+Fi. Aquí utilizamos el hecho de que el estadístico f = rl/n-z \/fr (+s¡ tiene distribución de Student con n - 2 grados de libertad.ffi @o- a"\{n-2 Urr¡ tiene una distribución de Student con n . Ensayo de hipótesis para valores medios predichos. 3.44. Denótese por ¡lo el valor predicho de y conespondiente i f : ts estimado de la ecu¡ción de regtesión muestral. Denótese por üp elvalormedb predichodey correspondiente a x = Ío para la población [esto es. Entonces el estadístico t- ú- ru. Los ensayos siguientes resumen los procedimientos involucrados. Denótese por Jo eI valor predicho de y correspondiente o. Ensayo de la hipótesis p * 0. En ese caso una transformación debida a Fisher produce un estadístico que aproximadamente tiene una dishibución normal.

. Significado de una diferencia entre coeficientes de conelacion. Entonces ya que (¡r. Se¿n X.s resueltos NECTA DE MINIMOS CUADROS 8. lt ) y ( rr.¡r ) es la pen- .yt)l@z . 8 3. EJEMPLO 8. Aquí hay una independencia directa enüre X Y. Si X representa los s¿larios anuales de los profesores en tanüo que Y representa la cantidad de crímenes. el resulüado se deduce. ). yr ) V @2. Además. ozr-2. diente de la recta. ozr-2. (521 donde se Itzr-|. 8-5. EJEMPLO 8.)w-.a ecuación de una recta es ! : a * b*. Por tanto (1) A2 = aibr2 u-a1 = @*br)-(a+b*t) (2\ .Zrpzr-2. = Pzr. Véase Problema 8.51.1. Demostrar = que la ecuación de la recta es U-Ut tenemoe (Ty.t [. Problerna. calculamos Z. = Y nr- n^ = nt-3' nz-B (53') disbibuye norma[mente.b(r-r-1\ Í2trt Uz-Ut . sabemos (Teorema 3-15. Una recta pasa por los puntos (xr. Y variables aleatoria¡ que representsn eetaturas y pesos de individuos. La gÉfre de la recüa .1. y2 ) son puntos sobre la recta yt = a+bn1. Es importante acla¡a¡ que "correlación" y "dependencia" en el sentido anterior no necesariamente implica una independencia causal di¡ecta de X y Y. y 22 conespondientes a y rz utilizando (50). 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.11 ) de (2) y (l pedido sustituyendo en ). su distribución conjunta no se factoriza en sus distribuciones marginales). eI coeficiente de correlación puede eer diferenüe de cero y podríamos halla¡ una ecuación de regreeión prediciendo una variable de la otra.@ se mueetra en la Fig. La consüante b : (yz . Y tienen un coeficiente de correlación diferente a cero.a*br)-(a*br1l = b(r2-r1l Obteniendo que b : (yz . Pero diffcilmente diríamos que hay interdependencia düecta entre X y Y. cuando p + O.yt)lfz . REGRESION Y CORRELACION [cAP.2. CORRELACION Y DEPENDENCIA Si dos variables aleatorias X. Esto se demuestra en los ejemplos siguientes. Luego utilizamos el hecho de que el estadístico Zr.268 CURVA DE AJUSTE. página 82) que son dependientes en el sentido de probabilidad (esto es. y.lLzr.(. podemos utilizar una ecuación de la forma de (39) pata predecir el valor de Y a partfu del valor de X.

4. para la recta de mínimps cuadrados.(4.rfnSOn a*bry albr2. r como . 8-?.cAP. es decir. 8. I 4 8 I Una rect¿ que se aproxime a los datoc se dibuja a mono olzada en la figura. tales como P y 8. (6. Ajustar una recta de mínimos cuadrados a los datos del Problema 8. 7). 9) sobre un ¡istema de coordena' das rectangulares corno se muesha en l¡ Fig.7 .642r. (b) Í como variable dependiente. dz: albr2-9". Puede demostrarse que eetas realmente resultan en un mínimo.tl' a-r =ffiO-l. Para un método que eümine la ne' eecidad de juicio individual..3. 8-6. (9.61.1 ) y (72. 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.8l 8.2 utilizando a (c) variable independiente. REGRESION Y CORRELACION Tabl¿ 8-1 ü u 1 269 (c) Construir una recta que se aproxime a los datos de la Tabla 8-1.2.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. Ya que # = >f.g¡2. recta de mínimos cuadrados conespondientes a 11. dn = a*bxn-yn Fis. 2ra = a2r*b2r2 como 8e pedfa. 8) y (14. 6 y-l=0. 8-6 . f.4\. (3. Derivar las ecuaciones nonnales (4). 4). página 260. albnn Las dewi¡¡ciones verticales correapondientes son dt = a*br1-yt.1 . vé¡ee Problema 8'4 que emplea el método de mfnimos cuadrados.rA' ")t)'6"' Fig. 3 2 4 6 4 891114 o a t). (o) Dibujar loe puntos (1. por ejemplo. F(a... Una condición ó mfnimo (o un máximo) es necesaria para que esto sea un que aFlaa = O. (b) Para obtener la ecuación de la recta construida en (o). (8. 6). 2).. aFlab = 0. 8. 12.542r ó¡ U=l+0. . CURVA DE AJUSTE. escójarrse dos puntoe cualesquiera sobre la recta. (b) Hallar una ecuación para esta recta. Refiriéndonoa a la Fig.. Las coordenadas de e¡tos puntoa tomadoc de la gráfica eon aproximadamente (0. (11.. Entonces el Problema 8.b) = l(o * br .os valores de y sobre la.

Ga)(. 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. b=+ ó0. 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¡ .60 .546 + 0.CURVA DE AJUSTE.50 d- - = 1.sz El trabajo involucrado en el crilculo de las sumas puede ordenarse como ae indica en lá Tabla 8-2.636 r. t¿s ecuaciones normalee son )Y: 2ru: an*b)r a)r*b). las ecuaciones normales son 2ru = c2y*d2a2 Entonces utilizando la Tabla 8-2.oso (b) Si se considera a r como la variable dependiente y a y como la variable independienüe.)ru) c=ffi==-0. las ecuacionee normales se convie¡ten en dedonde c=-* ó -0.(56X364) lt ó0'545 = 6 --lE f8-i6 g=w =qffiffiá#l )c = cnld)y = frao.50. Aunque la última columna no se necesita para esta parte del problema.636.50.2 utiPuesto que hay 8 pares de valores de. a = ()y)()r2) . Otro método. yla rectade mínimoecuadradoopedida es S t + lrx 6 U = 0.()r)()ry) = (40)(524\ . REGRESION Y CORRELACION [cAP. d=9 ó 1. n lizando el método a mano alzadt.545. se ha agregado a la tabla para emplearla en la parte (b).r.8 (o) La ecuación de la recta es y : o * b¡. Nótese que esta no es la recta obtenida en el hoblema 8. y.

60+1. las rectas (¿) V (S) no coinciden.60 * 1.50(3) = {. r-ñ f).500*1.60 + 1. Lar gróficas de l¡s dos rectat. y E=-t+*y.pue¡üoque7=-*+*(6). = tllu-úl Nótese que en general. (o) El punto (?.ha*+É.5).60y t2 10 = y= e.8. 6) se encuentra en la recta U = 0. ¡ = 7 . lo cual es un¡ indicación de que los datos están muy bien descritos po¡ una relación lineal. 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 ). llamedo el centroide. {.6. más exactamente. remplazando las constantes o.: L2 en la recta de regresión de y sobre n. ú).9.333 + 0'667 ¡' que no ee l¡ mi¡m¡ rect¡ 8. U = 0'646 + 0'636(12) = g'Z' (c) Al remplazary:3 enlarectaderegresiónde¡ sobre a.úr.50y.E.8-8 8. Caso 1.Resolviendoeimultánesmente. Ot¡o método. F = -0. ti). (c) Estimar el valor de ¡ cuan' doY: 3' -2a40 a=T=¡-=o Luego el punto (6. la recta de mínimos cuadrados puede escribirse como Q) Caso que muestra que la recta pas¿ por el punto (á.Elpunto(?. mfnimos cuadrados puede eecribirs€ como hocediendo como en el c¿¡o 1 intercambiando r. ¡ ¡=-0. REGRESION Y CORRELACION Por tanto la ecuación pedida de la recta de mínimos cuadrados es r = 0. y. d respectiremen' üe. pero ¡e intergectan en (a.8l CURVA DE AJUSTE. (o) Demostrar que las dos rectas de mínimos cuadrados obtenidas en el Problema 8. 2.4 intersectan en el punto (. U = &* Lrrr.6). es (7. hallamos que la recta de (5) que indica que la recta pasa por el punto (4.636 r o. [¡secuacionee delaedosrectassona= llamos 8. 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. pueeto eue6=*+t(?). Demostrar que una recta de mínimos cuadrados siempre pasa por el punto (i.6)seencuenhasobrelarerfar=-++$y. La recta obtenida en la parte (b) se llama la recto de regreeión de x eobre y.7.6.Í. (b) Al remplazar x.636 ¡ 2 0 6tl012 Fig. Representar gráficamente las dos rectas obtenidas en el hoblema 8. ¡ es la variable independiente. 0.4.546 f 0. y : 0.! :5.fi).ú).. y es la varirrble independiente. b por c.66? r 8 6 1 u= 0.cAP.546 * 0. Por üanto la¡ rectas se interceptan en el punto (?. . se utiliza para estimar r para valores dados de y. Nótese que al solucionar esta ecuación para y obtenemos y obtenida en la parte (o). (b) Estimar el valor de y cuando x: L2.333 * 0. Nótese quelas dos rectas en e¡te caso prácüicamente coinciden. se indican en la Fig.546 + 0.60 y.636¡. - 0.

t).)(2g. y. demostrar que D--i# .Demosharque .(2r)(2r'l n2r.(>. REORESION Y CORRELACION Demostr^ar que la tecta de regresión de mínimos cuadrados de y sobre forma (8). re rigue intercambiando D - >(z::elfu.9. r puede escribirse en la (l). h = f. tenemos D_ 2(r n2xy .úl = 2(rs-i:y-ir*efrl 2ra-ñ2u-ú2n1'2eú 2rU-nEú-nfrE*nitfi .e¡z demo¡tración de (12). Tónemo¡ de 11) [eAP. De la segunda ecuación en (5). página 260. 8. u=7+tc Por üanto . u=u'*k.t¡z = - t )(>x)2 |ín2rz .=7+h. .tenemos .1 -ñF-trú.8 tenemos f.n2r'a' . sean c = d *h. pdgina 260.n8z 2r2 I Entonces .ú = b(x. h_ v- dondeh n2uU yk son constantes. g 8.=-Ep=Ts¡t Del Problem¡ 8. = n8ru-(2rl()ü _ n2xz _ (2r)z Entonces ti ú = út I h. + k.al r.(Ic)z¡ También >(r - t)(v . U .(2x')(2y'l n)s'2 . Ir 2(a . ¿ = ñ.pdgina 261.272 CT'RVA DE AJUSTE.nEú (I¡X)z) ¿ru .(2rlz 2(¡z-2nr*12) 2r2-2ñ2r*2i:z 2r2-2n82 lniz 2s2 . y (véa¡e problema g.12).()¿X)y) n)¡z .y.(2r. j[n2ra Por tanto (I ) oe conüerte cn 2rU t (>¿X>y)] de donde ¡e obtie¡e el resultado (S ).. 8.-.7 . Problema 8.9.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.10 Si en el Problema 8. U - g.8.

La gráfica de esta ecuación ¡e muest¡a en la Fig.82 + O. (b) Hallar la recta de regresión de mínimos cuadrados de y sobre r.a recta de regresión de y sobre r está dada por y = a + b*. (c) Hallar la ¡ecta de regresión de mínimos cuadrados de r sobre y. 8-9.L07 de donde hallamoe o : 36.849 . de modo que lae ecuaciones normales se convierten en 9oe 2? 666 864 É¡ E 12o*800ó:811 800o*63.197 )92 = 64. &11 La Tabla 8-3 muestra las respectivas estaturas lc. 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. de modo que y :96. 8-9.y deuna muestra de L2 padres y sus hijos mayores. REGRESION Y CORRELACION 273 Se deduce inmediatamente del Problema 8. . 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.a2n*b2n2 [.476.9 ya que 2fr' = l(c-t) y análogamente = 2r-nñ = 0 ly' = 6.418b = 64. y ) sobre un sistema de coordenadas rectangulares como se muestra en la Fig.cAF.418 Zny = 54./ €70 6 !a 2a'= an * ólr 2ra .88+r.8l CURVA DE AJUSTE. donde o y b se obtienen resolyiendo las ecuaciones normales.ae sumas se muestran en la Tabla 8.476x. (c) Construir un diagrama de dispersión.4. 62 62 6{ 66 Fig.82 y b = 0.086/___V (b) f.

9. = ñ .38*1.á). esto ee a = 36.4?6 Larectaderegresión x:c* dy.476 También ya que &' = ú .L07 E1lc#54. 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). u =7*68 = -**68 = IZ-LZ = b(u.68 = 0. = delascualeshallamosc:-3.d=1.82.12s¡z _ _s. CURVA DE AJUSTE.5) - (10)z = 0. 8-9.036y. = ú - 68. y ( los números restados de r tee).11. .()y)2 1.67.476u u .(lyX>ay) n2yz .11 utilizando el método del Problema 8.849d muestr¿ en la Fig.ú de acuerdo con el Problema 8. 8 "= (c) ecuaciones normales I]4ff de¡ sobrey viene = 85. REGRESION Y CORRELACION lcAP. . Por tanto 6?. de r.07) 6 ecueción de regreeión pedida de y sobre x ea a . b = dada por ry# = 0.g8.036. Esto nos conduce a la Tabla 8-5.476(n-66. De una manera análoga podemos obtener l¡ ecuación de regreaión de r sobre y. por ejemplo 68. - 68 tenemos r.asfque¡:-3.274 Otro método. (12X106) (-16)f.86 * 0.dondecydseobtienensolucionandolas 2a = cntd.58 n I¡ =7*68 = -**68 = 66. ¿ = n>r!: (>!)l?nl = n2a2 . Solucionar el Problema 8.12. aparte de los enores de redondeo. - (>¡XI=y2l.68.086 8. Réstese un valor apropiado. se convierten en -f SLld = 800 64.68.2y 2uY = c2Y*d2Y2 L2c Utilizando las sumae en la Tabla 8-4.Iagráficadeestaecuaciónse Otro método.38. y.6?.

La Tabla 8-? da los valores ¡.6 88. y conespondientes a los valores de V. Tabl¿ 8-7 s = logV L.9479 2.4 37.(b) Escribirlasecuacidnes que¡elacionan aPy V.20=logCy (b) Pvt.13. 8-10.4533 1.6946 1.40(21 =1.20-l.66L7 2. y y= logP=4. P de Ia Tabla 8-6 y también indica los (l ) son 2a = on*ü)¡ de las cuales 2ry . obtenemos un punto que se dibuja en el popel log-log construido especialmente como se muestra en la Fig.2833 1.7858 1. la última ecuación puede escribirse (r) U = oibr donde¿:logC. Solucionar el Problema 8.9294 2.40. (c) Hallar elvalorde y y C.2976 )r = 11. (c) EstimarPcuando V = 100.1 Presión P (lb/pul2 ) Ya que 6r.859? A = logP 1.2 PVt = C. donde y y C son constantes. Las ecuaciones normales qorrespondientes a la recta de mínimos cuadrados logP = logC-ylogV logC ó logP*ylogV: Tomando log I/: x.0997 3. tenemos tomando logaritmos de base 10 cálculos involucrados en eI cómputo de la recta de mínimos cuadrados (l ).0 10.40= lb/pulg2.3 61.4685 3. r=logV:2 25.2 t9.0059 2xa - 16. = C. Entonces P=antilog1. (c) CuandoT=100.60X104 y y=1. De acuerdo con los principios de la termodinámica una relación de la forma PV.5 72.074L 2.40 Luego Y = 4.7 28.0350 3.cAP. La tabla 8-6 da valores experimentales de la presión P de una masa de gas dada correspondiente a varios valores del volumen V.20.14.8 49.0043 12 ra 3.6762 1.40.7943 4.ffi¡af'=-1.b:-'1.1 lu = 8'7975 b )12 = 23.2340 2.8309 t. n. 8.a2r*b2r2 4. REGRESION Y CORRELACION 276 ECUACIONES NO LINEALES REDUCIBLES A FORMA LINEAL 8.8543 =-1.000. . a = ()y)()rz)-(>rX:g¿l _ n2"2-1>n\z .7348 1.40=-y. Para cada pareja de valoree de la presión P y el volumen V en la Tabla 8-6.7910 1.to = 16.()rX>u) 6=-ffi.2ry .3019 6.2878 2.6 194.4Ou.13 dibujando los datos en un papel logJog.2077 3.20-1. C=1. Tabla 8-6 Volumen V (pul3 ) 54.0095 3.4 118.6953 (o) Puestoqueo=4.0 pulgadas cúbicas.8l CURVA DE AruSTE. debe existir entre las variables.log P : y.

8 l0 ú' 3o {0 ü.. U = a*ba*crz l¡ pa¡óbol¡ de mfni- Se¡n lo¡ puntos mue¡t¡alec (a¡Ittl.) d^ = o*üc"lorl-t^ y lrr ruma de lo¡ cuadrado¡ de le¡ de¡viacionee eotá dada por )¿t = )(o+ bxlca2-t)1 . of bur*wl l¡¡ de¡vir¡cionee de. .16. REOBESION Y COBRELACION [cAP..a*(1. . (nn.¡ U¡ ertfa dadar por dt = qtbx¡Ic¡. (r*uzl. m 60 so r00 Volumen Y '{l Fig. .2 a = logP-ülog7 = lo926*1. e2.a)(2) = de modo que logP* 1.o*blogV ó g = o*bn Ie pendiente D. . y PVtl = 16O00 PARABOLA DE MINIMOS CUAI)BAI)OS E. logPTlle .4 logV = 4.!nl. que er negatlva en e¡te ce!o. para la parábola de mínimos cu¿dradoo.4 los100 = l. [¡ medida en este e¡¡o indica que D = -1.?"-al' dc = o*bu21-cú-!2.8-r0 150 ¡00 ú t00 También ¡e indica un¡ rect¿r (dibujada a mano alzada) que re aprorima a eeto¡ puntos. Por t¡nto albn2*ct/. .276 CURVA DE AJUSTE. . .1rn ¡on olbr¡lcu!.2.2. prigina 261. Deriva¡ las ecuaciones nomales (I9). Por ejemplo cua¡do V: 100.4.. re de numéric¡rnente por l¡ relación-de la longitud AB a le longitud AC.. . Entoncee lo¡ veloree de y ¡ob¡e moc cr¡¡dr¿dor cotrec¡rondieatet a a1. Pa¡a obtener ¿ ¡e nece¡it¿ un punto sobre ce8 l¡ recta. . Enton4. Ir grifflca re¡ult¡¡te muerb¡ que hay una relación li¡eal entre log P y log V que puede repreeentarre por l¡ ecu¡ción logP .4.Ut U2. P: 26 de la g¡lfic¿.

08 10.065 t .5 6.t=o' *=o Enüonces # = ).8 4.2Ob+2275.1 12.00 2.28 233.9 7. 8.' 7.42 - - 1449. e¡ decir 277 F(o.cl = )(o I Para minimizar esta función debemo¡ tener bx * cx2 - U)z Ti=o' .20 18.L6 6470.61 24.41 73.8 r87.42 291.00 Puecto que n (2) Reolviendo. c.O.1 : 8.8 4.96 96. Ajustar una parábola de mínimos cuadrados de la forma ! Tabla 8-8.70 38.8r 2n2g I¿= 42.19 36?.o3to*óc*cr2-a)2 = )2(o+br*crr-a) k = )*a{o*br]-cnz-u)2 = 2Zr(a*brtcü2-a) aF :d.70 26.79 s32.6 5.6 9.04 1.93 342.91 636.46 254t.b. b.4E 1065. Tabl¡ u 1.20 c = 48.2 1.65 185. T¡bb ü u 1.OI 32.7 4.27 1.8 3.8 2.066.ólcs*clra H trabajn involucrado en computa¡ la¡ ¡uma¡ puede ordenarce qomo 8e mue¡ha en la Tabla 8-9.06 941.62 21.6 a I bx * cr2 a los datos de la t€ D.0 ?.83 29.44 3.9 7.49 92.t2 9223.49 60. b = : 2.04 48.22 rzy 6. lar ecurciorÉ¡ norm¡ler (I ) rc convierten en 8a I 42.2b + 291.66 259.0 7.40 10.92 230.971.8l E¡t¡ ec CURVA DE A¡UsTE.16.2110¡ arí la parábola 2.7 12 n3 xy 6.36 5?6.36c = 230.20 o + 2276.1 t€ 14 a 4.2 6. págin¡ 261.58 4. = + 2.588 de mfnimoq cuadrado¡ pedida tiene l¡ ecr¡¡- .7 7.7 4.92c : 1449.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).2r2].36 2ua = Zxu 291.19 2. o ción = 8.688.8 7.2a*2SL.28 38.2 1.360 + 18971. c = {).2ll0rt .cAP.8 3. ? = )f.6 2.9 9.24 9.2 )u= 46.8 7. REGRESION Y CORRELACION función de o.73 5.82 4t.9 5.75 117.2 6.6 2A = an*óI¡*c2n2 [¡s (r) ecuacionec normales son 2ry = o)¡*b2r9*c2rs 2n2a = o.1 8.4 2r2 - Ic3 = 2276.48 19.12 67.

c de modo que satisfaga (21. b.962 7. y.zn\. (b) Determina¡ los valores estimados de e de los valores dados de r.588 + 2. La Tabla 8-11 muestra los pesos z ala libra más cercana. Pata r = 1. las ecuaciones normales pedidas (21) en la página 262 se obtienen. c e igualando las derivadas parciales con respecto za.762 4. (c) Hallar la ecuación de regresión de mínimos cuadrados de z sobre x. 8.613 6.8 8.. Se desea estimar una variable z de las variables : Sean los puntos muestrales (ryUyzr). y por medio de una ecuación de regresión de a ! bx * cy.2110(I. (c) Estimar el peso de un muchacho de 9 años y 54 pulgadas de estatura. . Tabl¡ 8-10 Uest 4. [.z¡ dt = a* br1 * cUt. y.8 4.503 7. b.zt.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. b y c a cero.). 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. (rn.17. pág¡na 262. . .0 7.9 6.8 7. .621 5.7 u REGRESION MULTIPLE 8.278 CURVA DE AJUSTE. z.2.640 7. . Demostrar que la ecuación de regresión de mínimos cuadrados se obtiene al determinar a... 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. las estaturas x. Entonces los valores de z sobre el plano de regresión de mínimos cuadrados correspondientes a (r1.18 la forma z r. Ue"¡ = 2.2)2 = 4.762.2) .os resultados se muestran en la Tbbla 8-10 junto con los valores reales de y.página 262.065(1. all.Un.741 4.16 para estimarlos valores de y de los valores dados de r.5 2. (ün. .. .0. ala pulgada más cercana y las edades y al año más cercano de 12 muchachos. .2 6. Utilizar parábola de mínimos cuadrados del Problema 8.An) son respectivamenüe a*br1*ey¡ Por tanto las desviaciones de z¡. lcAP. REGRESION Y CORRELACION la. vienen dadas por a*bnr*cyn dn = a* bnr* cUr.5 5. y puede escribirse z: albnlcy Las ecuaciones normales (21).56L 2. Análogamente se obtienen otros valores estimados..

225 68.865r+1.b2r(u -a-br) .7r7 68.6612.8646.136 64. 4096 5041 2809 4489 3026 3364 6929 12 y2 64 100 36 uz 3648 4189 uz nu 466 690 3249 3481 5t2 710 318 787 7l 53 67 OD 2401 3844 2601 2500 3026 2697 4L64 2805 2900 4296 254 682 408 :t50 Lzl 64 49 100 81 100 36 8 7 10 440 406 770 613 58 77 67 66 61 60 oo 48 62 42 61 67 ó60 492 620 I 10 6 3249 3136 2601 2304 2704 2756 2St2 660 306 t764 3721 8245 2t42 4686 8876 262 732 618 76 68 t2 9 6776 4624 t44 81 912 6L2 2z= ?53 )c= 643 )?= 106 222 = 2a2 = 2az = 9?6 2rz = 40. =í. Utilizando la ecu¿ción de regreción (3) obtenemos log valores egtimados de z.! : 9 en (3).= v.¡ €stá dado por r viene dada por ! : a * b*. o aprorimadamente 63 lb.86? 65.8436 * 6779c = 40.286 66.206 69..830 2yz = 6796 2uy = 6779 48. Ír.cAP. las ecuaciones normales (I ) ee convierüen en l2a1-643b *106c (2) 643¿ = 769 * 34. Si la recta de regtesión de mínimos cuadrados de y sobre que el error típico de la estima sy.682 ?8. denoüado8 pot valoreg Tabl¡ 8-13 2est 2 64.606u zesb al susti- ) tui¡ los valores correspondientes de x. ü = 0.e resultado¡ ¡e dan en la Tabla 8-18 junto con lo¡ mueshaleg de z.664 78. REGRESION Y CORRELACION Tabla t-12 fi 64 Df 59 49 62 51 a 8 10 6 11 z. Entonces ^.8l CT¡RVA DE AruSTE.6068. y. ERROR TIPICO DE LA ESTIMA 8."r)2 2afu 2fu-o-brlz o.4t4 69.926 66.-brl - o-bu) .880 106o*67?9b+976o Rerolviendo. c = 1.168 48.2(Ufl -a. demos- s'?.20. a = 6796 = 3.843 Utilizando esta tabla.r=n= = 2(a-a.66+0.356. la ecuación de regrerión pedida es (t) (b z = 3.139 34. el peeo estimado es zest : 63. 2a'- a2g n - b2rY por Ueet Loe valoreg de y ectimadoa a partir de la recta de regrerión vieneÍ'r dados = @ * ü¡.920 64 7l 63 67 DD 68 77 67 66 61 76 68 (c) Remplazando ¡ : 54.

24 -0.81 0.o2(g' * fil .b2(r' * ñl@' * úl = 2(y'2*2ytfi*¡z¡ .19 0.!* e!\ = 2a'2 + 2y29' * nú2 .á). güe ¡e neceaitan para el cálculo de oy. Entonce¡ del hoblema 8. Catcular el error típico de la estima¡ 8¡. g = A'+ ú.33 0.*nú') .20 N3' = 2u2-o'2a-b2xy = 2(a' + ú)2 .29 -1. = 2a@-a-bt\ nll 2a2-a2a-b2ra Este ¡esultado puede extender¡e a ecuaciones de regresión no lineal.y. cotrespondiendo a ¡ = 65 tenemotgest:36.22.b2rtgt * nú(ú .ana .a2r * = b2u2 Entonces sí. Erto demueetra el resultado pedido.ú)'- b)(c n - ¡)(u - ú'l Si ¡ = r' * A.11(b ) la recta de regresión de y cobre x ea ! : 36.Cuandoeehacenestoeremplazo¡enelProlos datos del Problema 8.r9)z:l-. como se obtienen de la recta de regresión.")z = "1.24 68 67 67 67.úl donde hemooutilizadolo¡re¡ultedot2r'=0.6? 70 68 69.x = lTiltr= 1.7L 64 66 66. Tabl¡ t..b2t'g' .¡ Método 1.24 63 66 65. 8 2(A-a-bn) .14 ü a Uesl 65 68 66.476(66) : 66.b2(r.bn.76.o.20 se obtiene el re¡ult¿do pedido. En la Tbbla 8-14 ee listan los valores reales de y (de la Tabla 8-3) y los valorec estimado¡ de y. E.14 66 65 67.19 67 68 67.2O puede escribirse como ^z üu.28 pulgadac. También ¡e indican lor valorea y - Uest.b2r'Y' = 2(a .bñl = 2O'' .2¡ pará Del hoblema 8.81 62 66 66. REGREsIoN Y coRRELAcIoN lcAP.€2 + O.ó)(a . 8.anÚ .r. 2u'=0 y ú = o*bt (que re deducen aldiüdiramboslado¡ de l¡ ecuación normal 2A = an * b)r por n¡.82 + 0. 2(a .xpot¿-á.21. / .2r-b2rz = 2A = on * ó)c 0 puesüo que de las ecuaciones normales 2ru .a)2 .38 7l 68.bt2y' .a(2U. (1.71 -0.28 68 69 68.66 7l 70 69.47 6r.98)2 12 = L64z .ú = 2u'2 .14 -2.+(0.28 -1. denotados por lresr.81 U - Aest 0. Demostrar que el resultado del Problema 8." y 8t.11.ú = b(r .62 0. I üyt * r.24)2+(0.bi2r' .76 L..UpotA-ú.66 >(u-u.b2r'g' . Sabemo¡ que la recta de regreeión puede eecribiroe oomo blem¿ 8.280 Pero CURvA DE AJUSTE.19 2.bnü! = 2U'2 + nú2 . Por ejemplo..2na-o.71 69 68 68.al@ . que corteeponde a empezar con l--o+bryremplazando:oporcero.2y-an-óIr = 0 2r(a-a-br) . Método 2.

8l CURVA DE AJUSTE. Entonces el porcentaje pedido es 9l12 : 7 5d.61 -2.58 del Problema 8. ya que es cero. = )(U .24.13 1.A)'.. (¿) Construir dos rectas paralelas a la recta de regresión del Problema 8. + (2.13 -1. NOTA: Una mejor estima del error tfpico de Ia estima de la población de la cual so.28 (es decir.[t = (y .el 6812 de los puntos se encuentra entre las rectas.t-ti) - A)" = 2(A - El resultado pedido se deduce si podemos mostrar que la última suma este es eI caso. se encüentra entre -1. Uir examen poste- 66 6l 62 Otro método.::.11 se muestra sólida en la Fig.. REGRESION Y CORRELACION 28L 8.rr.) para 9 puntos (¡. del Problema 8.a) = =Q :y. Demostrar que >(g Elevando al cuadrado A"'r)'* 2(U*r.un"J(v. ne dada por 6r..t)2* )(yn"t-ú)2+ z>fu.U""t)2 .. Las dos rectas paralelas. ts. ú>@ - a - bn) puesto que de las ecuaciones normales 2(a = 0. Il ..g) sumando.40 pulgadas.82 -t. parecen estar sobre las rectas. Utilizando los valores - a -0. la teoría predice que alrededor d. Del último renglón de la Tabla 8-14.30 0.y""t) * (Uost . y).77 )(U".)(y-uu.12 (o de la Tbbla 8-4..476¡ obtenida en el hoblema 8.brt Q. ya qve ú la Thbla 8-14 podemos construir la Tabla 8-15. = 1/@ se tomaron las estaturas vie- COEFICIENTE DE CORRELACION LINEAL 8. (o) ta recta de regresión y : 35. de datos.28 y 1.cAP. tenemos 2(u-ú)2 . :: :.28) = 1.... se muestrana trazos en la Fig. Si los puntos están distribuidos normalmente respecto a la recta de regresión.?0..28 (véase hoblema 8.25.rn. y-gfo". 2r(u . En el caso de regresión lineal )(v - Y'"'¡)(v" "r . = 19.nrr.82 * 0.:: .22). (b) Determinar el porcentaje de puntos de datos que se encuentren enhe estas dos rectas. '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.'.abn) a . 8-11.ne?. Tabla.04 (a) Variación explicada = (b) Variación no explicada -ú)2 = (-0. Este hubiera sido el caso aproximado si el tamaño fuera más grande. Calcular (a) la variación explicada.. Entonces el porcentaje pedido es 9lL2: 7 5%. (b) la variación no explicada y (c) la variación total para los datos del Problema 8.S-15 Uest : 8]-LlL2: 67. = 1.08 2.34 0.82¡z+. 8.. .23.56 -0.11. = tpiLo (1.22. 8-11.58).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.r 0. cada una a una distancia vertical su.:'.25 1. Tenemos Uest de ú : 67 .61 0.11 a una distancia vertical sy.0t¡z .

A partir del resultado general (30). (la fórmula producto momento).4 -0.7 0.4 .4e88.92 10. pero negativa cuando /est disminuye a medida que r. REGRESION Y CORRELACION lcAP. puesto que la'gt'es positiva cuando 3/ss¡ autnentá a medida que r aumenta.3 2.24.7 )y = 811 a = 8LUl2 2rt2 = 84.3 0.6 0.3 a-v 0. prágina263.'. del Problema 8. E. Halla¡ (o) el coeficiente de determinación y (b) el coeficiente de correlación pa¡a los datos del Problema 8.76 1.29 1.26(b).36 68 il 'l . ¡o )¿ = 800 i.aumenta.89 13.z b22r.y.56 0.282 CURVA DE AJUSTE. y Ulst = U.))' l) n'\ ¡ \) '\il t' jó -0.2 /?r.16 6.09 7.16 2.02 1.18 0.82 7.96 2.69 u'a' a'2 0.:800/lZ = 66.6 .= EF.3 -2. /i84s8)?58-3t Tabla E-16 = 0.09 5.16 o.= \Eá/ /rorl = \r¡. derivarel resultado (34).69 22.6 L.49 1.6 0. la expresión para r tiene automáticamente el signo conecüo asociado.11. utilizando A.92 0. aumenta a medida que r aumenta.) asír--*2r'a' ffi (2x.69 0. 8.32 7t 0.26.l2at2. (D) coeficiente de conelación = r : tVñ7d58.28. Utiliza¡ los resultados del Problema 8.16 6.[bb tt 62 70 66 68 67 69 -4.34 2a'2 = 38. .66 0. = y -f. Los resultados (b) y (c) pueden obtenerse por cálculo di¡ecto de la suma de los cuadrados.6 0.68 2trtg'= 40.A.32 1.66 -0.donde ¡2= variación explicada va¡iación no explicada 2b2r.?0. obtener el coeficiente de correlación lineal para los datos del Problema 8.29 18. Por tanto se sigue el reeultado pedido. Utilizando la fórmula producto-momento. 8.8 (c) Variación total : 2(a ..-0v t'..34 \/G.68 5. La recüa de regreeión de mínimos cuadrado¡ de y sobrer puedeescribfuse 1lest= b = 2r.L2 7. El trabajo involucrado en la computación puede organizarse como se indica en la Tabla 8-16.o. para el coeficiente de conelación. Entonces 2r'a' 40.4 a'= tr'2 2.49 -2. trt =r- E.76 11.25.7027 o con dos cifrar significativas r : 0. la conelación ec poeitiva y por tanto escribimo¡ r : O.7 1.4F7q de acuerdo con el Problema 8.70 = 38.A)z = 19.6 3.3 -2.92 = 67.)z \/ñtrW Sin embargo.4 2. Puesto que la varirable yn". en el caso de regresión lineal.f.7027 u 65 63 67 B4 a 68 66 68 66 69 66 68 66 r-t -t.62 1.' .7 1.7 3.3 4. tenemoa &*br 6 Ulr¡= bx.27.7027.s¿.11.89 0.3 -1.= !0.y = EP.42 -1. Entoncee.4 7l 67 68 70 -0. página 264.09 10.7 -3. (a) coeficientededetermir¡ación = t = '1Hi1iáf*1"io" =m= 0.82 4.4 0.22 + 19.4 ' 0.92.

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 ./ 8. Demostrar que el coeficiente de correlación lineal viene dado por f= En el hoblema 8.29 para halla¡ el coeficiente de correlación lineal para los datos del hoblema 8.a recta de regresión de y aobre r es u=olbx Análogamente.2ñ2r 4 ntz (2112 2(2nl' ()r)2 = 2rz = 2r2 . la recta de regresión de donde A=?I. donde ¿=? rz r sobre y er =a*ilu 8y Entonces b¿t = 1g\ 1g) = \c"/\oy.nnn* v Entonces (I ) ee convierte en r(a-üz = 2a2 r : .11(c) respectivamente 484 ' ó=10fr=0. págrna 261.31.26(D) y 8.28.TUSTE. 2(a-nlz = 2(rz-2rt*r2) = 2s2 .| ¿gl\/¿e¿\ 6 =(iiot/\al/ ' ¡=o'7o27 que está de acuerdo con lo¡ Problemae 8.29.036 Enroncec rz = bd. Demostrar el resultado (17). [.>IY w@ : n2rA-(2r'l(2A) .476 d=ffi =1. .(>aXIY) n :E Puesto que = (2rlln V'ú = (2Alln" Arúlogamente. 8.30.8l CURVA DE A. Del Problema 8. REGRESION Y CORRELACION 288 8. Utilizar el resultado del hoblema 8.11 (b) y 8.cAP.11.

(b) Hallar el coeficiente de correlación no lineal entre estas variables.n parabólic a entre x.20) - (42. De la Tabla 8-4 r= n2ru .26(b). y (b) sr.3?43 (b) De Ia Tabla 8-9. Hallar (a) s.2g y g.30.ilz = variación explicada 21. 2(A .ú)2 = 21.62.40.218 6 o.78%de la variación total permanece no explicada. hay una muy buena relación no lineal dada por la parábola del hoblema 8. paralos datos del Problema 8.2z .21(46. (o) Del Problema 8. Ubtlizar la fórmula del Problema 8.1 ¡. Sin embargo.34. Entonces la desviación típica de y es 8u= 2(u - ú\2 21. COEFICIENTE DE CORRELACION GENERALTZADO 8. Utilizando (a) y el Problema 8.) (42. 8. Entonces variación total = 2(A . (c) Explicar la diferencia entre los coeficientes de correlación obtenidos en (c) y (b). supóniendo la relación parabólica obtenida en eI Problema 8. I del Problema 8.11.3743 indica prácticamente ninguna relación lineal entre r. y? (a ) Utilizando los cálculos de la Tabla 8-9 y agregando que 2tt2 = 290.99r1)2 = 0. Esto puede deberse a fluctuaciones aleatorias o a una variable adicional que no se ha considerado. como lo indica el hecho de que el coeficiente de conelación en (b) está muy cercano a 1.32.16. y r =0'9911 var6eió. (c) Hallar el coeficiente de correlación lineal entre las variables r.64 (á) Primer método.2)r][(8X2e0.01?g Por tanto 7.33 (b).42) [(8)(2e1.33 (b). 8 8.40 8 = 1. el error típico de la estima de y sobre I es B!.636 ó 1.33.636y'i-(0.7027 como en los P¡oblemas 8. 8. (d) ¿Qué porcentaje de la variación total permanece como no explicada por la suposición de la relacii." = ss\/T=F = 1. variación no explicada va¡iación total (d) = l-r2 = L-0.tal =ffi=0'9822 (c) El hecho de que la parte (a) muestra un coeficienüe de correlación de solo 4.()¡X)z) (8oo)(811) (r2)(54.. i = (2U)/n = (46.31 para obtener el coeficiente de correlación lineal para los datos del Problema 8.80. hallamos r= n2ru - ()¡X)r¿) (8X230.4)/8 = 5.4'.16.4O De la Tabla 8-10 Por tanto t-= = l(g""t-Al2 = 2l. REGRESION Y CORBELACION [cAP.n¡zi = -0.16.284 CURVA DE AJUSTE.16.Oz variación explicada .9922 = 0. y.52) - (40.L071 = 0..

Derivar la fórmula de correlación gradual de Spearman (36). Utilizando el Problema 8. tenemos 2a2-a2a-b2ra-c2n2a = 0.*n @l_ryz n*l En = mientras que la varianza es sf.-.I i son las desviaciones entre las graduaciones.l'ciñexptñat.L2(62..4L4\2 + "'+(68-65'920)2 = 258.88 = 629.139 .52. Entonces si d¡ : r i . z.. esbturas). ! ¡ el grado dado al j'ésimo valor de y ' [. [¿ media de r. ¡ sobre y. que Para obtenerlo.218 6 0.19 Variación no explicada = 2(z - zo"tl2 (64-64. y I va. al y el coeficiente de correlación entre grados por * - s2¿. z gería en general diferente del valor anterior. Explicar córno determina¡ía un coeficiente de correlación múltiple para las variables en el Problema 8. Análogamenüe. dada en térrninos de e2r.pl. y. vemos del Problema 8. AquÍ estamos considerando n valores de r (por ejemplo pesos) y n valores correspondientes de y (por ejem.22 8.88 Va¡iación total 2(z-2\2 .222-n22 48.19. CURVA DE AJUSTE.@ "" = 0'8418 = !ffi = thffia Debe mencionarse que si fuéramos a considera¡ la regresión de eobre y.cAP.8l Segundo método.35. la mediaú ylavarianzasf sonigualesa(n l)12 y (n2 L)ll2 respectivamente.a = = 299. el coeficiente de correlación de ¡ CORRELACION GRADUAL 8.os grados son enteros de 1 a n. pág¡na 264. Ya que z se determina de ¡. la varianza de las desviaciones. viene a3: s?+r?-2rs¡ads"sv . ss t+2+. y estamos interesados en el coeficiente de cor¡elaeíón múltiple de z sobre x.36.76)z = 888'26 = 888.22 Tercer méüodo.37 Coeficiente de correlación múltiple de z sobre x.25 Variación explicada Enüonces - 258. REGRESION Y CORRELACION 286 Utilizando el Problema 8. *n2 n n(n*r)(2n*11/6 2 n2-l t2 utilizando los reeultados 1 y 2 del Apéndice A.16 y el cálculo adicional 2gz 8y.218 ó 0. Sea rr: el grado dado al j{simo valor de x.33' variación no explicada = 0. = 12-82 = 12+22*.

tor \-"rttd- "3 - e¿. 3.s" 0. 6.6 t2 5 7. 66. 66. 1. les asignamo¿ w orden meg [(6 + z + + 9) / 4 .286 Entoncee cuRvA DE AJUsrE. le. por tanto las estatu¡as de los hijos quedan ordenadas @ Con las correspondencias 1. 69. 2.5. 1¡ (t) y (2). 66. %. 70.5. d d2 -1 -2 -1 1 1-1 I 1 3 I I I 2-L 4 1 -1 1 4 2d. 4.(2d2)/n = L-nfu2] 8.c asignamos a estos doe lugares un orden medío de 6. 6g. 66. lac estaüuras de loe hijos ordenadas en gentido creciente son 66. 6?. ordenadas en forma a¡cendenüe de magnitud. 70. 66. 8. 69. 3. REeRESIoN y coRRELAcIoN lcAP. 3. 7. Hallar el coeficiente de correlación gradual. 64.38.5.6. 63. AsÍ.6 1.66.6. Calcular el coeficiente de correlación gradual para los datos del Problema 8.2 24 = Entonces rgrad= t-#!T = t-ir#?u = 0. 10.6. 8 y 9 repreeentan la migma estatura (68 pulgadas). 12 De igual forma.6. 69. Tbmbién se incluyen dz y 2dz. 9.7.6 3. ?.8s45 indicando que hay una relación entre el rendimiento en laboratorio y teorfa. 11.l\ltZ . 10. 8 (r) h¡ecüo que 7 = fgrad = eZ+sT-af.6. 6. 6.6.6. 7l y puesto que los lugares 6.6 7.5. a los lugares 8 y 9 ae les asigna el orden 8.11 y compararfos rezultados con el coeficiente de correlación obtenido por otros métodos.7. a las e¡tatura¡ de loe padres ee les aaigna los órdenes (2) (3) dio de 7 . 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. 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. 9. 69. 6.6 10 3.6.7.6 3 8. 69.6 11 . las estatura¡ de los padres eon (r) 62.rz)/n y (l ) ge convierte en 7')/12 W @2 - * (nz 6>d2 .5.37.(J) y (4).6.6 1 11 6 8.6 7. la Tabla 8-B se convierte en Tabla E-19 Graduación del padre Graduación del hijo 4 2 6. Análogamente. 6g. 71 Puesto que en esta ordenación loe lugares sexto y r*éptimo represenüan la misma estatura (6? pulgadas).5 l. 69. Tabla 8-18 Diferencias de puntuacionee.6 10 t2 7. 11. 67. 6?.6 1.

p) tenemos AF u = mos -2(pv zBoi - 2oxv - 2px(pv .26 L2.6 2. con la correspondiente para muestras. lo cud es una condición necesa¡ia para que F(q. REGRESION Y CORRELACION diferencia en graduacionec d. (b) X sobre Y.6 1.6 -1.5 3.26(b).zBEl(X-pi(Y -¡. INTERPRETACION PROBABILISTICA DE REGRESION Y CORRELACION 8.(r+2y) 0<n<7."l Igualando estas ecuaciones a cero. lo+zo¡a.0=Y<L {o deotraforma Hallar la curva de regtesión de (c) Y sobre X.?466 que concuerda muy bien con el valor r = 0.25 6.px) * (pv . 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 .0 1.pvl . 8.0.o*t¡ . íE = dF Denotando la última expresión por F(c.8l CURVA DE AJUSTE.6 3.5 -1. halla- tv = ol Ftx Por tanto si g .5 -2.9px.px) .}j'2l. los cómputos de d2 y I¡ )d se mue¡tran en la Tabla 8-20.Fpx.a) ó Fok = o*v a-tly="4tr-u*) A-Py - /'.25 2. .a* pr entonces A .6 -3.26 12. utilizando esperanzas. utilizando sumas. los resultados para muestras tienen resultados análo- gos para poblaciones e inversamenüe.P¡x.25 2.00 d Entonces 2iP = 72.r.ú2 E(X . La función de densidad conjunta de las variables aleatorias X. Derivar (39) a partir de (37). .2Boyy r (py .Fy = p(r .40.7027 obtenido en el Problema 8.-ffi!\ = 0.rv) = 0.0 ü 12.5 -1. = f.F) sea un mínimo. ) La función de densidad marginal de X es f{r) = [.cAP.39.dlz} = El(y -pv)21 + BzEl(X-r.25 1.26 L2. En general. Y es l\r'a) : (a | f.25 2.px\ ^t u\ox) | Debe notarse la semejanza de la demostraeión anterior para poblaciones.ol.60 rgrad = t-#!T: .Fpx.P(X .v)l + Gv-Ft'x-o)2 = "? * F2oI .00 2.26 1.5 1.26 6. 20. Tabla 8-20 -3. E(Y .

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

44..11.lrv1l_z=-. 8l CURVA DE AJUSTE.43. Por tanto no podemos rechazar la hiPótesis..42.82 + O. En eI Problema 8.40. 8. (¿) La recta de regresión de Y sobre X es + oXY "+@ .45..á para el coeficiente de regresión del Problema 8. REGRESION Y CORRELACION 289 (e) xY = Entonces Í. Ensayar la hipótgsis al nivel d-e significación del O. se está en la ryHt\ = 0. (+) ó a -i : - ür I x) ó -.2\ o. ¡rara ias estaturas yos padres tienen unas estaturas de (o) 65.4?6 r6 (Problema 8.11).0 pulgadas' puesto qu€ t s7.43)' y n: !2 1 r/o t r--- . sx: 2.-- .2g para 12 .476x.q\I a. En el Problema 8.0 y lb) 70.2U'L66 0'19916¡= = ya que eo..23 h es decir.11 = -l/162/.los Ií¡:rites de conftanza del 95oy' para --j:lq--. Y ltr-2 donde 37e : 85.r: L.8I 6. r8fl .47G :t ' +('!!) t" / = 0.05 rechazaríamos Ia hipótesis de que el coeficiente es tan bajo como 0.- = .66 (Problema 8.4?6 t Vlo\' t/tz.28 (calculcda en el Problem a 8.476B-b t=r.r: L. hallar los límites de confianza d-ei 95'7.t / ó (b) La recta de regresión de.82 + 0.9b Con un ensayo unilateral de Ia flistribucirin de Student a un nivel 0.Of Ae que el coeficiente de regtesión de la ecuación de regtesión poblacional es tan bajo como 0.nfi162\/28/Bz4 -0. Loslímitesdeconfianzadcl F = b-+f+) ' \ñ4\82 I para 12 ..81 para L2 .szs=!2.xY p = n-xÍ oxY oxoy = *-(s)(i*) = = - 1 162 0 -l/162 .o+zul)arav =1 3 .22)y 1.cAP.2 : 10 grados de libertad. 0.11 se halló que la ecuación de regresión de y sobre x eray: 35.losaleolocar t=lt.180 si ú ) ú.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. sr. (b) X sobre Y para el Problema 8.B4o confianza del 95% de que 6 se encuentra entre 0.'=o Í"'=o. Escribir las rectas de regresión de mínimos cuadrados de (a) Y sobre X.136 y 0.2: LO grados de libertad. = {".e5: 1.'lW\" .-. ot : ".- 2.28. ... 1/ . de los hijos cuyp son 8.o1f.180.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.43.42.:2. Hallar los límites de confianza del 95'.2 = l0 grados de libertad) vienen dados por 95?iparap(obteni.66 del Problema 8'11' 8.

es decir.05.0.Bb Sobre la base de un ensayo unilateral de la distribución de Student a un nivel 0.2 pulgadas.8OOtl2r2 : 2.05.0. 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.rcontalquero -ñnoseademasiadogrande. se puede estar en la confianza del 96Vo de que las estaturas de los hijos están entre 63.E.0.11.11). Entonces 66.05 y (b) 0. Por tanto no podemosrechaza¡I/6 al nivel 0. = t.66.0.6 pulgadas.07 pulgadas. 7. los límites de conñanza del 95% están dados aproximadamente 8.sz). es decir. Entonces los límites de confianza del 96Vo so¡ 69.78.elgbVo de que las estaturas de los hijos están entre 64.47.8 los límites (o) Si 16 : 65.45 pulgadas. hallamos [comparar con el Problema 8.ss :7. 35.80 pulgadas (b) Si 16 : 70.32.7 y 70. /e : 69.0 pulgadas se encontrarán entre 65.46. los métodos muestrales son exactos para una población normal.32 sea considerablemente mayor que cero al nivel 0.09 pulgadas. En el problema 8.05? A un nivel 0.0 y (b) ?0.76 1 1.48. o.Estoconcuerdaconlosresultados aproximados mencionados en la página 262. ' (b) Si re :70.? y 6?.96sy.290 CURVA DE AJUSTE.Los métodos de este problema son válidos independiente del tamaño de n ó to .O . se puede tener confianza de 95Vo que la estatura media de todos los hijos cuyas estaturas de los padres son 65.05 utilizando un ensayo unilateral de la distribución que de Student.' sr.?6 pulgadas. se puede esta¡ en la confianza d.01 8.?6 t 3.05.82 + 0.6 pulgadas úo 0.8 pulgadas. (o) Si. de confianza del g5% son (ro .45(ó)] los límites de confianza del 95%. Ya que t.o¡ para n - 2 grados de libertad . ¿Cuál es el tamaño mínimo tal de una muestra para que podamos concluir que un coeficiente de correlación de 0.476 r6 (Problema 8. hallar los límites de confianza del96% para las estaturas'medias de los hijos cuyas estaturas de los padres son (a) 65. TEORIA MUESTRAL DE LA CORRELACION 8. y¡ : 66.SOO112)2 : 11.01 que el coeficiente de corréhción poblacional es apreciablemente mayor que cero? Deseamos decidir entre las hipótesis (Ho: g :0) y (llr t = .11. rechazaríamosI/e si ú ) ú. También (x¡ .0 pulgadas.0 y ?0.14 pulgadas. Tarnbién.1/l-z = = .t)2 : (65 . hallamos [comparar con el hoblema 8. Nótese que para grandes valores de n. es decir.69.48). REGRESION Y CORRELACION lcAP. Un coeficiente de correlación basado en una muestra de tamaño 18 resultó ser 0.sz\/ra-z : p l.45(c)] los límites de confianza delg1l". ciertamente no podemos rechazarla al nivel 0.1 y 7 4. Porlo +1.?6 a 2'23 es decir. (o) (ó) Puesto que no podemos rechazar ) 0). los límites de confianza del 95% para Uo fo son = 2.s1t : 2.2óy6!2so.14 + 5. el valor mÍnimo de n debe ser 032{n - 2 r/i -to.za\ = 66.16 :65.23 donde y¡ : ffisv.14 f es decir.23 para 1 0 grados de libertad.i¡z : (?O.66 (Problema 8.0 pulgadas se encontra¡án entre 67./i=@0.": 2.75 para 18 -2: L6 grados de libertad. ¿Puede concluirse a un nivel de significación del (a) 0. t/6 al nivel 0.

El coeficiente de correlación entre las calificaciones finales de fÍsica y matemáticas para un grupo de27 estudiantes se calculó era0.60. (Hs p2r= Fzrl I (Hi Fzr* . Un coeficiente de correlación basado en una muestra de tamaño 24 se calculó era r : 0.50 a un nivel de significación del 0.r6r3t"" o. 8.r¡rlb*'.:) = oz= La variable tipificada ee Fz = r.05 utilizando un ensayo unilateral de la distribución normal rechazaría' mos la hipótesis solamente si z fuera mayor a 1.28z (ff3*3) = o. a un nivel de significación del 0. REGRESION Y CORRELACION Para un número Pa¡a infinito de grados de libertad.sz\/rLtt/l-(u32Y = 1.B0eb #*#= Fzrl. t .30 respectivamente. los límites de confianza d.266e = 0.Hallarloslímitesdeconfianzadel96% paraeste coeficiente.9730-0.CURVA DE AruSTE.49.) nzr-2.rrro.0. ¿Hay una diferencia considerable entre los dos coeficientes a un nivel de 0.7L.6.64 y por tanto n: 25.e155.69.5493)/O.b4es.5366' p = = L.2182 = 1. zz: r.05. = Deseamos decidir entre las hipótesis = 0.66.5493y2:(0.s|= 1.28 A un nivel de significación del 0.s5=1.) 0.o. Por tanto no podemos rechaza¡ la hipótesie de que el coeficiente de correlación sea tan pequeño como 0.50 y tz : 0. pa¡a n=2g. t.96oz = 1. t.4620 Entonces ¡t2 tiene el intervalo de confianza del9SVo.94.5366 a 1.9r : 1.50. Entonces el tamaño mínimo de la mueetra ean:28.50.?1. v =26./ 0. Por tanto los límites de confianza del 95Vo para p son 0.!613*(=.Portantopodemos rechazar la hipótesis de que el coeficiente de correlación poblacional sea üan pequeño como p: 0.72. p : 0.6932 0.50.s|= l. v =24. Dos coeficientes de correlación obtenidos de muestras de tamaños nt : 28Y rtz:35 se cdcularon como rr : 0.92./ = 0.75.80 y n = 21.unrr. t. 8. ¿Podemos rechazrir la hipótesis de que el coeficiente de conelación poblacional sea tan pequeño como (a) p (o) : 0.05? zr = r.51.0e86 10. 8. L {zt - = Z-pz oZ 0.16131og(++*) /r r-\ \r-'l / *t. (b) p : 0.L613 logS:0.05? o.4904- = 1.80.64. t--032\r26^tr=@ = 1.(-) \r P.2182:L. ú.7L.9730 0. z = t.L6rt*(=. (b) Sip:0.r5tz'""(+l-&.60. v=26. Puesto que r : 0. t=0. si Si pz Fz /r +"\ = l.s2\/ñ/\Flfu2p.49 y 0.el 95Vo püa pz vienen dados por Z=L.5606. n=26.tJ2:1.5606.=L.s0(-/l1 \ \y'n_B/ = 1. para n=27.rsr3 loc\t -.

292
Bajo la hipótesis IIq,

CURVA DE AJUSTE, REGRESION Y CORRELACION

lcAP.

8

Z,

-

Zz - Qtzr- ttzrl ozr- z,

0.5493-0.3095-0
0.2669

:

0.8986

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

PROBLEMAS DIVERSOS

8.52. Demostrar la fórmula (25),

párytna 262.

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

Pero por definición,

2(u-ú12 _
¡¿ -

"l!

-z

2(r-¡:)(a-ú\ _ ---i-

o"v

y, por (6) en la página 260,

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

8.53. Demostrar que E[(y
Tenemos Entonces

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

y así

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

cero.

(o)

Para regresión lineal,

I"., = a* PX. Entonces

El(v -Y",tXY"¡r-

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

Bxz¡

porque las ecuaciones normales

E(Y
(comparar con el hoblema 8.3).

- a-

FXI

- 0,

E(XY

-

aX

-

PX2)

-

o

(b)

Para regresión parabóIica, Ycsr

= d + pX + 7X2. Entoncea

El(v -Yest)(Y"st-

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

yxz)]

cAP. 8l

CURVA DE AruSTE, REGRESION Y CORRELACION

293

debido a las ecuaciones normales

E(Y-a-pX-'tX2)

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

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

0

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

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

p2
y el resultado

='##

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

n?.*

se deduce inmediatamente.

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

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

(f)
Pero dado que Y

= a*

BX,

(21
Entonces

E[(a + pX

- Yr2l =
=
or*,

Elp26

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

BLE\(X

-

X)21

oi -;-

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

(l

) se

convierte en

(3)

p2 =

44

o

p-r*

oxY

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

oyv).

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

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

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

1950 161.1

25.2 31.4 39.8 60.2 62.9 76.0 92.0 105.7

122.8 131.7

Fuente: Bureau of the Census

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

ese año respectivamente. La ecuación de la

(f)

A = a*bx*crz

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

294

CURVA DE AJUSTE, REGRESTON Y CORRELACION

[cAP.

8

2U = on*ó)c*c2rz
(2)

2s2U

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

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

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

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

11o*110c =
110ó

886.8

=

1429.8

l10o*1958c =

9209.0

b:

13.00; de la primera

y

tercera ecuaciones,

a:76.64,c:0.8974.

(1)
donde el origen,

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

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

a
23.2

13

u4

ra
-116.0

fiz,u

-5 -4 -3 -2

si.4
39.8 50.2 62.9 76.0 92.0

I
4

-l
0
1

I
0

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

625 256
81 16
1

580.0 502.4 358.2 200.8 62.9
0

-r25.6
-119.4 -100.4

-62.9
0

0
1

I
4 o

92.0

92.0 422.8

2
3

105.7

16 81

21t.4
368.4 526.8 roD.o

t22.8
131.7 161.1

27 64

1105.2 2L07.2
3777.6

4
o

16 26

266 625

t26

)r=0
(ó)

2a=
886.8

2r2 =
110

)¿s=0

2a4

=

2aa

1958

1429.8

-

>r2a =
9209.0

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

4, 5 en (4) se mues-

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

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

g=l
1910

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

2r.6
29.2

4t.2
39.8

90.0
92.0

1r9.2 136.0 161.6

Valor real

106.7 t22.8

tlt.7

161.1

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

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

cAP.8l

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

(e)

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

se

ajusta

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

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

L952
41.85

1953 43.23

1964

1955 53.29

1956 54.L4

1957 49.12

1958
40.71

1969

hecio promedio

de

acciones (dólares) Precio promedio de obligaciones (dólares)

35.22

40.06

oo.lD

r02.48

100.93

97.43

97.81

98.32

100.07

97.08

9r.59

94.86

94.65

Fuente: New York Stock Exchange
(o

)

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

Denotando por

r,

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

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

r-r
-10.04

a-a
4.91 3.41

a'=

tr'2

%'a'

100.80 29.05 11.63

-49.30 -18.38
0.31

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

-5.39
-3.41

-0.09
0.29 0.80

-2.03
-5.20
8.03 ú.4ú 3.86

4.t2
27.04 64.48 78.85 14.90 20.70 97.81

-0.59 -4.16
20.48

2.56

-0.44

-3.91 -22.89

49.r2 40.7t

-4.55
9.89

-5.93 -2.67 -2.87

t2.t5
-28.38

oo.lo

94.65

)¿

452.64 45.26

--

2a=
975.16

2u'2 =
449.38

2t'y'=
-94.67

2a'2 =
93.69

a:
97.52

Entonces por la fórmula producto-momento,

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

=

-0.4614

(b)

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

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

296

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

[cAP.

8

t952
D

1953
6

1954
3

1

955
8

1956
q

1957
a

1958 4

1959 10
.,

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

I
10

I

I
-T

5

6

7

8

4

1

3

Diferencia de
graduación d

-9
81

0

0

-4
16

0

D

6

I

8

49

0

0

0

25

36

I

64

>d2

-

272

Entonces
Esto
se

rsrad

= ,-#!t

= t--ffi;\

=

-0.6485

compara favorablemente con el resultado del primer método.

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

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

es-

(h

o
90-99

4G49

50-59

60-69

70-79
I

8(H9
4
6 8 2

90-99
+
D

TOTALES
10

lt

,o

f¡¡
an

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

I
o

4

l6
24
2L L7

z o
C)

rf]

10
o

I

I
6 4

o t\
Fl

3 3

6

2

4t)-49 TOTALES

o 15

L2 23 20
10

7

25

100

(o

)

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

80-89 (cali-

(b)

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

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

:

47

ltOO:

47Vo,

cAP. 8l

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

297
de la

(c)

*

5

+ 2 +.4 t
(t)

LO

= 22.
Tabla 8'99

tt)
f¡¡

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

z

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

z o

o

70-79
2

?*
E2 Fl Ei
<
(d)
C)Q
f¡l

I
D

4

70-79

a2 Ftk < fr¡ oo

?x oií

50-59
6
D

ó

10

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

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

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

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

n2fru
(1)

-

(2f

"r)(2luu)

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

-

(2 |

"u,l

(2

| oun)

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

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

llama

298

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

lcAP.8

Glificaciones de matemáticas, c

r
a

44.6

64.5

64.6

74.6

84.6

94.5

Suma de

\% ¿y\
2

ft -2
-1
0
1

los núme
f vuv

fuuS

2

3

ros esqulnados en

c¡da fila
10 20 40 44

94.5 d a !

2

4

4

84.6

1

1

4

6

D

16

16

16

3l
0

Ei

I
E

74.6

0

o

10

8

I

24

0

0

r{
¡i

64.6

-1

I
3

4

I
6

D

2

2L

-2L
-34

2l
d8

-3
20

A

64.6

-2
-3

6

2

L7

Íii
3
fn ,

r͡
D

t4

44.6

t2
23 20 10

t-l
16

-36

108

33

t,
Ítut

26

2f

n=2f y )f yuy =¿=100 = -66
2f ,u"

)fyu?

2furuo

=

263

=

L26

-t4
28

-15
16

0

23

40

30

=64
2f ,ul

f"u?
Sum¡ de los
númelos cada

0

23

80

90

= =

286

{

32

3l

0

colur¡a

-1

24

39

2fu,uo
L25

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

r=

n2fu,uo

-

(2f

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

(100)(125)

-

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

=

0.7686

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

8x=cx

}f"u? /2f ,ú"\2
n \n/
uuuY

10=

13.966

(ó)

sy=a!

>fuui /2f

" -\ "

i

"\m_m

=t4.e25
,60.20

(c)

".n

=

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

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

en tanto que su covari¡nza es 160.0).966.0 = (b) 6 r-ü='?o-o¡. ParalosdatosdelProblemaS. (b ) r como Ia va¡i¿ble dependiente.62.. = 13. (b) sr.934 s.. página 261 . para obtener las ecuaciones de las rectas de regtesión (¿) ó a-u='!w-nt.9 = 8. De la Tabla 8-30 tenemos.?686.e Ge. 0.61.uo+qY: 145+q'qfrEq = u= De los resulüado¡ del Problema ?o.(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.rlos RECTA DE MINIMOS CUADRADOS Tabla 8-31 8.821(o-70. r a 3 6 6 8 911 234668 8.o 8.0=A+##€?!)@-70. Ajustar una recta de mínimos cuadrados a los datos de la Tabla 8-31 utilizando a (a\ x como la variable independiente.9 respectivamente. REGRESION Y CORRELACION 299 Por tanto las desviaciones típicas de las calificaciones de matemáticas y fÍsica son 14. 0.e).61 a. Calcular los ertores típicos de la estima (c) er. Representar gráficamente los datos y las rectas de mínimos cuadrados utilizando el mismq conjunto de ejes coordenados.64. = L4. s!.0 y 14.64. 8l CURVA DE AruSTE.63. E. (b) Í sobre y para los datos rr+qW = 64.0=q9ff##q(v-6e..65 utiliza¡rdo el resultado de la parte (c)' . para los datos del Problema 8... Utilizar los resultados del Problema 8.x=L2.7t9(u-69. Escribir las ecuaciones de las rectas de regtesión de (c) y sobre del Problema 8. 8y r-70.64.9) -69.a guplementa.60.s6oy'1:107686)á Problerrra.60. a y-6e. (a) (bl Ey. Tenemoe 8"".60.66 8. 8xv 160.926 y r = 0.20 G&r'-áiÉfutB = o'7686 que concuerda con r hallado en el Problema 8. = ¿yt/Ti-rz = = a"t/T7rz = f¿. (b) SolucionarelProblema 8.5¿8 8.5+E#9 = ú .gZfy'f - (OfOg6P = = 9.2.66.v ts. Entonces utilizamos ( I 6 ).hallar(o)losvalore$deycuenda x=6.cAP. r.0) x-?0.

(d) Estimar el valor de y cuando r : J. 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. (c) Hallar la recta de regresión de írínimos cuadrados de ¡ sobre y. o + bx r a 0 1 2 ó A 5 t) ¿x?alos datos de Ia Tabla 8-3¡t. 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. ¿cuál es su puntuación esperada en física? (e) Si un estudiante obtiene una puntuación de 95 en físice. I : o t bx * cx2 I Tabla 8-37 REGRESION MULTIPLE E. 8 t.(b)Ajustarunacurvademínimoscuadradosdelaforma !=abxalosdatosyexplicarporqué esta ecuación específica da buenos resultados.y:6. Con referencia a Ia Tabla 8-33.2 5. (D) Hallar la recta de mínimos cuadrados que se ajuste.6 21.71 rrcstrar c6mo una gráfica en papel semilogarítmico puede utilizarse para obtener la ecuación pedida sin emplear el método de los mínimos cuadrados.3 14.300 CURVA DE AJUSTE.?1. con Ia escala logarítmica para yr la escala ariü- méticaparar.73.u. (o) Construir un diagrama de díspersión.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. o^ 2. Tabla 8-36 Velocidad. u (mi/h) Distancia de parada d(p) 20 54 30 40 138 50 60 70 90 206 292 396 E. ¿cuál es su puntuación eeperada en álgebra? Tabla 8-32 Algebra (c) Física (y) . (o) Hallar la ecuación de regresión lineal de mínimos cuadrados de e sobre x. (d) Representar gráfioamente las dos recta¡ de regresión de (b) y (c) sobre el diagrama de dispersión de (o).68. REGRESION Y CORRELACION [cAP. (c) Comparar los valores de y obtenidos de esta ecuación con los valores reales. (b\ Estimar z cuando a to 90 10 72 .a Tabla 8-37 muestra los 3 6 o n 8 t? o t4 valores correspondientes de tres variables x.70.6 9. (o) Representa¡ loe datos en papel semi-Iogaritmo. Escribir las ecueciones normales para la curr¡a cúbica de mínimos cuadrados dada por dx3 . El número y de bacterias por unidad de volumen pres€ntes en un cultivo después de ¡ horas viene dado en la Tabla 8-36. y : t 8.ID 80 ?8 93 86 65 72 87 91 7L 98 95 68 84 89 tt 82 80 72 74 E.(c)Estimardcuandou:45mi/hy80mi/h.a los datos. (d) Si un estudiante obtiene una calificación de ?5 en álgebra.74. (b) Hallar la recta de regresión de mínimos cuadrados de y sobre r. t. (o) Representar gráficamente los datoe. 12 . y. (a) Representar gráficamente d.I 3. 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.8?. 54 42 30 . z. y. (c) Hallar la recta de mínimos cuadradoe que se ajuste a los daüos.t--10. [. En el Problema 8.72. (b) Ajustar una parábola de mínimoscuadradosdelaformad:oIbu*cuzalosdatos. utilizando a y como la variable independiente. utilizando a r como la variable independiente. Alustar una parábola de mínimog cuadrados.

88.8f .80 para hallar el coeficiente de correlación entre los dos conjuntos de calificaciones de los exámenes del Problema 8.68. Si el coeficiente de correlación entre. Hallar los coeficientesde correlación para los datos del (o) Problema 8.Sis"=1.60.75 para solucionar el Problema 8.00.= 3y ss : 5. (b) utilizando la fórmula s¡s = rs¡sÍ y el resultado del Problema 8.t3. y es 0.r. E.68 (a) dircctamente. r. ¿qué porcenüaje de la varfación total pennanece no explicada por la ecuación de regresión? 8. (b) la va¡iación no explicada datos del Problema 8. 8.7 7 a(r-¿l+b(u-úl o.67. sr:2. los dos conjuntos de calificaciones de los exámenes del Problema 8.90.86.64.68.= E.! . D. yesr:0. Calcular (a) la variación total en y. " para los datos en el Problema 8. y tiene la form¿ z = A 1. Tabla 8.50.68 utilizando la fórtnula producto-momento y comparar con el resultado del Problema 8.¡. El 8. (b) r sobre y.z . Utilizar 8.74.89.79.Br * Ca I Dr2 * Ery * Fyz Obtener las ecuaciones normales para los eoeficientes de regresión de mínimos cuadrados. . Si sv.E2. La Tabla 8. 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.76. ERROR TIPICO DE LA ESTIMA Y COEFICIENTE DE CORRELACION LTNEAL E.86. Tabla 8-39 x a 2 4 5 6 811 18t210875 . (ó) Determinar la recta de regtesión de mínimos cuadradoe de y sobre r. 8. y dados en la Tabla 8-39. 8. coeficiente de correlaciónentredos variables¡. (b) $.eL2 mujeres. y.EO. (b) Multiplicar todos los valores de ¡ por 2 y sumarles 6. (b) Obtener eI coeficiente de correlación directamente de las pendientes de las rectas de regresíón del Problema 8.i=10.8?. Utilizar los resultados del Problema 8. (o) Hallar el coeficiente de corre' r.60.82. Demostrer que la ecuación para regresión lineal de z sobre r. y obtener exptesiones para los coeficientes de regresión de mfnimos cuadradoe el resultado del hoblema 8.3E F¡lad (r) Presión Sanguínea (y) 55 49 38 42 68 r47 725 160 118 t49 t28 150 146 115 140 162 56 42 72 36 63 47 60 165 E.81 u 8.38 lación entre muestra las edades r y la presión sanguínea y d. (b) sr.7t. (o) Calcular el coeficiente de correlación entre los valores correspondientes de r. (b) Problema 8.cAP.85. en E.68. y. ¿Hay al' t. halla¡ r. (o) Hallar elcoef¡cientede correlación entre E. Hallar (o) sy ". y puede escribirse como z-2. Calcular (o) sv.y para los datos del Problema 8. Hallar la covarianza para los datos del Problema 8.81.E4. REGRESION Y CORRELACION 301 8. explicar por qué se obüiene o no el mismo resultado que en la parte (a). ballar las ecuaciones de la recta de regresión de (o) y sobre x. (c) la variación explicada en y para los 8.76.68(b) v (c ). (c) Estimar la pre- sión sanguínea de una mujer de 45 años. Hallar el coeficiente de correlación entre los dos nuevos conjuntos de valores. 8l CURVA DE AJUSTE. Multiplicar todos los valores de y por 3 y restarles 15.. ú=20. 8.

estudiar una posible deeventaja del método de conelación gradual. y\.a) = [2r+3a Io o(c(L'o<Y<2 de otra form¡ Ilalla¡ la curva de regresión de (a) Y sobre X. lo¡ resultados se mueshan en la Tabla 8140. t. t. H de acuerdo con sus preferencias. Il¡llar t. Hallar el error típico de la estima de z ¡obre ¡.74. tls[a¡ la recta de régresión de mínimos cuadrados de (a) Y robre X.99. 8.98. G. (o) Hallar el coef¡ciente de correlabión gradual para los datos del Problema 8. (b) De.99. ble¡ aleatoriac independientes? Explicar.90.lo6' función de densidad conjunta (o función de probabilidad conjuñta) f(x. ¿Ocurren algunae simplificaciones en la¡ curvas de regresión Ce Y sobre X ó X sobre Y para el caso de varia- .96gina 52. COBRELACION GRADUAL E. de conelación para las variabie¡ en el hoblem" g. REGRESION Y CORRELACION [cAP.y. D. t. t.8. t. Halla¡ el coeficiente de conelación gradual y decidir eobre el acuerdo de loe jueces en su8 eleccioneg. Halla¡ la recüa de regesión de mínimoe cuadrados de (a) Y sobre X.(b)XaobreYparalosdatosdelhoblema2. t. I COEFICIENTE DE CORBELACION GENEBALIZADO E'91.gus observaciones en (o).74. Tabl. el coeficiente de correlación gradual para loa datos del (a) Problema 8.97. y para lo¡ daüo¡ del Problema 8. Da¡ un ejemplo para demostrarcómo hallaría (a) el error típico de leestima.paraelca¡odeunaauperficiederegresiónlinealparazsobrer.68 v (b) Problema 8. Doa juecec en una competencia debían clasifica¡ a 8 candidato¿ A.93.págirra52. (o) Calcular el coeficiente de conelación múltiple pars los datos del hoblema 8. t.104.(D)larvariacionee explicaday no erplicada. Hallar el coeficiente de conel¡ción lineal para la¡ variableg aleatoria¡ del Problema 2.302 CURVA DE AJUSTE. página 52. Obtener el coeficiente de correlación lineal para el hoblema 8.102. página t.106. variación toüal es erplicada por la ruperficie de regreeión? (b) ¿Quéporcenüajedela Demostra¡elresultado (27). (b) X eobre y. C. E.84. F.lol. Mostra¡ cómo se puede diseñar un coeficiente de correlación múltiple. H¿ll¡rlacurvaderegreeiónde(a)YsobreX. 8.4O 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.94. La función de den¡idad conjunta de las variables aleatorias X.s. Hallar el coeficiente 264.página 263. (c) el coeficiente de conelación generalizado.5g ufilizando el resultado (35).lOS.99. en el ca¡o de do¡ variablee aleatorias X. INTERPBETACION PROBABILTSTICA DE LA REGRESION Y LA CORRELACION E.¡ 8. Y viene dada por f(r. B. Y con E.92. (b) X cobre Y para Ios datos del hoblema 2.rOO.96.96.8. (D) X eobre Y para el hoblema 8.

00 ¡. 8.cAP. (Sugerencia: Suponga quer' = noi c1r. Las rectas de regresión muestrales de mínimos cuadrados para un conjunto de datos involucrando X.el(o)95%. (c) la media de lae presioñes sanguíneas de las mujeres de 45 años. 8.20.118.0 + 2.d'.S4. (b) 0. A' = llo * c2y.60.121. E.00.00.95 respectivamente. que hay una diferencia significativa en' tre los dos coeficientes? RESULTADOS DryERSOS 8.!l = 2. donde r¡¡ !/6¡ cl¡.(b)997oparu un coeficiente de correlación que se calculócomo 0.112. Solucionar el Problema 8.84.tes t?. Un coeficiente de correlación basado sobre una muestra de tamaño 27 se calculó como 0. 8.(b)99%paralamedia'detodoslosvaloresde y correspondientesa¡ = 6.l19.el 95% para el coeficiente de correlación calculado en el hoblema 8.110. es (o) tan bajo como 8.(b\99% pra el coeficiente de regresión.05.l0?hallarloslímitesdeconfianza d. En el Problema 8.114 si el tamaño de Ia muestra es 52. .c2 soll constantes arbitrarias.40. 8. DemostrarqueparaelcasoderegresiónlinealelvalormÍnimodeE'{[]'-(o*¡lX)lz.111. Un coeficiente de correlación basado sobre una muestra de tamaño 35 se calculó como 0. ¿Podemos concluir a un nivel de significación del (o) 0. Hallar los límites de confianza del (a) 957o.5a = 3.f-(1 -r2)s.\ es independiente de Ia elección del origen de las variables o de Ias unidades en que se expresan. (b) tan grande como p : 0.8. REGRESION Y CORRELACION 303 TEORIA MUESTRAL DE LA REGRESTON 8. Verificar los coeficientes (5). página 260. y'es eI mismo que el entre.50. Hallar el coeficiente de correlación lineal.115.01. demuestre que el coeficiente de correlación entre r'.211Ú 8. (b) tan alto como 2. Demostrar que el ángulo entre dos rectas de regresión muestrales de mínimos cuadrados viene dado por . Demostrar que el cóeficiente de correlación - g. 5r . . 8l CURVA DE AJUSTE. ConreferenciaalProblema8.123.11?.I22. Si sr.80 y 0.50' ¿Podemosre' chazar la hipótesis de que eI coeficiente de correlación poblacional es (o) tan pequeño como p : 0.113.1 "l$- c2) 20.10? ensayar la hipótesis de que el coeficiente de regresión poblacional 1. utilizando un nivel de significación del 0'05? 8.108. Sobre la base de una muestra de tamaño 27 se encontró que la ecuación de regresión de y sobre r era t = 25.116. Demostrarqueelcoeficientedecorrelaciónentre¡. Yvie' nen dadas por 2:r .05. 8.70. 8. Dos coeficientes de correlación obtenidos de muestras de tamaños 23 y 28 se calcula¡on como 0.10?.hallarloslímitesdeconfianzadel 9fleparafo)elcoeficientederegresiónde y sobre r. En el Problema 8. TEORIA MUESTRAL DE LA CORRELACION 8.01.(b\ 99% para y cuando ¡ : 6.sx = 3. y).?0.00 y ñ = 7. para la recta de mlnimos cuadrados.10? hallar los lÍmites de confianza del (o) 957o. ¿Podemos concluir a un nivel del (o) 0." = 1. a un nivel de significación del 0. 8. Hallar los límites de confianza d.* : 8.30.tu] tan-'L rfti + si) -l E.01. (b) ta presión sanguínea de las mujeres de 45 años. EnelProblemaS.114.60 de una muestra de tamaño 28.ypuedeexpresarsecomo il2 -:. hallar los límites de confianza del (c) 95%.109. (b) 0. que el correspondiente coeficiente de correlación poblacional es considerablemente mayor que cero? E.

8 102.41 ESTATURAS .304 CURVA DE AJUSTE.130. 8. Hallar (o) s".3 1r 7.2 t23.126.6 I 10.6 L19.L24.4).1 t 10.1 25.8 111. (c) Calcular los valores de tendencia y compararlos con los valores reales.l2S.0 113. (d) Predecir el Índice de precio para la asistencia médic¿ durante 1958 y compararlo con el valor verdadero (L44.5 116.129.4 I14.2 Fuente: Bureau of Labor Statistics 8. (o)HallarlarectaderegrecióndemínimoscuadradosdeysobrerparalosdatosdelProblemaS. 8ü 8É ¿Es el resultado válido para regresión no lineal? 8.3 I 10.5 r14. Hallar los límites de confianza del 96% pára el coeficiente de correlación calculado en el hoblema 8.1 114. Con referencia a la Tabla 8-43: (o) Representar gráficamente los datos. 210-225 I . 8. 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. (e) ¿En qué año podemos esperar que el índice de costos médicos doble el del 194?1949.125.(ó)Estimar los pesos de doe hombres cuyas estaturas son 64 y ?2 pulgadas respectivamente. Ilalla¡ el coeficiente de correlación entre las estaturas y pesos de 300 adultos dados en la tabla de frecuencias siguiente.2 1949 1950 1951 1952 1953 1954 1955 1956 1957 1958 101.y para loa daios del hoblema 8. REGRESION Y CORRELACION [cAP.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) . 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 .128. (b) Br. El período base es de L94? 1949 : 100. Demostrar que para regresión lineal 4 = +.L25.r. E.5 por mayor 103. (ó) Hallar la recta de mínimos cuadrados que se ajusta a los datos y construir su gráfica.8 8.8 111. 8. f¡¡ 32 20 t2 q . 19 5 o (t) e.2 r20.8 114.7 114. Tabla 8. - Tabla 8-42 Año Indice de precios al consumidor Indice de precios al 99.127.

9 ¿ind 1935 1940 1945 1950 1955 24. En el Teorema 8-1.6 Fuentet Department of Health. Tabla 8-44 Año Natalidad por cada 1000 habitantes 1915 1920 7925 25. Demostrar el Teorema 8-2. (d) Explicar por qué la ecuación en (b) no es útil para propósitos de extrapolación. (a) Representar gráficamente los datos. 8. .página265. REGRESION Y CORRELACION 305 8.5 23.¿) donde . y).133.9 17.3 16.6 23. 8. ¿es g(r) única? Explicar. página 265.9 Welfaie 19.8l CURVA DE AJUSTE.l35. si Ia hay.132. Education 8. (Sugerencia.132 para variaciones explicadas y no explicadas.0 1030 18.¿(r) es cualquier función de r para el cual estas esperanzas existen. Demostrar el Teorema 8-1. Y variables a|s3fs¡i¡s con función de densidad conjunta (o función de probabilidad) f(x.132).cAP.' Utilizar el Problema 8. Estudiar la relación.136. Demostrar que si 9(r) = E(Y \ X = c) entonces EUY - É(x)1'!) = E{LI'- o(xl¡z¡ + Ells(x) - q(x)l. 8. Sean X. E. (c) Calcular los valores de tendencia y compararlos con los valores reales. del Problema 8.7 21. (b) Hallar la parábola de mÍnimos cuadrados que se ajuste a Ios datos. Con referencia a la Tbbla 8-44.134.131.

o lo que es equivalente a ensayar la hipótesis nula de que las medias muestrales son iguales. 22.2. En el Ejemplo 9'L. En muchas situaciones existe la necesidad de ensayar la significación de diferencias entre tres o más medias muestrales.^ 306 (2) . dl h : 7. b. Aquf r¡¡ denota la medida en la fila j y Ia columna k. Por ejemplo.. a : 4.ao lk : a0 i=t r=t -.1. Ttatamiento ¿ üol fio2 rob tra Denotaremos por i¡ la media de las medidas en la fila j. medias de tratarrtiento o medias de fila. Tabla 9'1 Tlatamiento 1 Ítt E2l rtz rzz xtb fr1. EJEMPLO 9. . Hablamos de a tratamientos.. se denominan medias de grupo. tg y 24 hU}l'a respectivamente. . .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. de las cuales se extrajeron las muestras. Supusimos que las dos poblaciones. ¿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. tenían la misma vaianzi. Los resultados de un experimento de un factor pueden representarse en una tabla con a filas y b columnas (Tabla 9-1).1r2'.. Los valores i¡. . Tenemos _lb fr¡:62r.2.. . esto es r . 2. TYatamiento 2 itv t2. . La gran media o media total es la media de todas las medidas en todos los grupos y se denota por c.. 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. *iÉr. desarrollada por Fisher.r i:7.. donde i : t.a Q) El punto en tj. Utiliza la distribución F considerada anteriormente en los capítulos previos. se utiliza para indicar que el índice k se ha sumado.. . r35 se refiere a la quinta medida para el tercer tratamiento.. donde el número de medidas en cada grupo es b. Supóngase que en un experimento agrícola cuatro ttatamientos químicos diferentes del suelo producen rendimientos medios de trigo de 28. cada uno de los cuales tiene b repeticiones o réplicas.

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

o1o en forma equivalente por (I1o: Fi= pi i =t. . ai k : l.. . distribuidas normalmentp con media cero y varianza o2. tienen una media común como también una varianza común. Definamos la constante ¡r por tL 1s. Entonces (I4) puede escribirse como (véase Problema 9. Íjb respectivamente. . Si. . la variación dentro de tratamientos V.) = a(b ..2. La hipótesis nula de que todas las medias de tratamiento son iguales viene dada por (Ifo: ot= 0. Por tanto solamente hay una población de tratamiento y todos los tratamientos son estad ísticamente idénticos.. b) son va¡iables normales.Efo es cierta o no.18). x¡2. La constante o¡ puede considera¡se como eI efecto especial del tratamiento j. Sin embargo.y u de acuerdo con las definiciones (8). De otra parte.. X. Podemos interpretar a p como la media pÍüa una clase de gran población que comprende todas las poblaciones de tratamiento. . puedentomarsecomo variables aleatorias independientes (relativas ai y h).2.? (23) . las poblaciones de tratamiento. entonces tenemos de = '"+.2.... si .*= p*a.) : (ab-l)o2 + "1 (16) (17) b> a? (r8) (.n = F. . y la variación total V son va¡iables aleatorias que respectivamente toman los valores t)b. =O (15). .2.19) ' De (17) se deduce que E(Vt) = (a-l-)o2 + b> E(V.l)o2 E(V'.7o "b .E[6 no es cierta. e . . b) puede expresarse como la (14\ X.T L¡r Los A. que por suposición son normáles. t).. Cada una de las X¡n suma de su valor esperado y un término de "error": (h: L. de (I6) V (/8) vemos que sólo si.9). i=1. _ o?r. VALORES ESPERADOS DE LAS VARIACIONES La variación entre tratamientos V6 .19) de modo que (20) es siempre la mejor estima (insesgada) de I independiente de si.¡.. mutuamente independientes con medias pi y varianza común l. 2. Podemos demostrar que (véase Problema 9.El6 escierta. (7\ y (3). . Esto equivale a suponer que las X* (i : L.ta¡¡ donde P". .308 x¡1 ANALI$S DE VARIANZA [cAP.É[s es cierta tendremos ^/ I¡u E\fr)\ = J de modo que solamente en ese caso n(ffi)= a Qr- (21) Qz..r--Lr}.a-l ¿'(Si) v ab-L (I6) (22) proveerá estimas insesgadas de o2. .

V6 y V.1. el cual es una consecuencia del Teorema 5-8.u/o2 tiene la distribución chi-cuadrado con o(b . pág¡na 116.- ¡¡z Ao s6 = o-1 u6 86 -_ s.3 r""igual a c2 independientemente de si las medias son iguales o no. 9-1: V.13¿. en tanto que el Teorema 9-2 sólo es válido si se supone f/0. Por otra parte. vemos de (23) qrr" 33 puede ser mayor eü€ o2. de (I9) y (20) cabe esperarse que S. Es importante ¡ecalcar que el Teorerría g-1 es válido si se supone o no I/s . que se denominatabla de anólisis de uarianza. Pa¡a utilizar este estadístico debemos conocer su distribución. (3) y (8).a(b-L) j a\o _ l) grados de libertad a : a-L+ ut = )(er¡..-f. De otra forma podemos o aceptar lfe o reservarnos el juicio dependiendo de análisis posterior./o2yV/étienen la distribución chi-cuadrado con ¿ -1 Tenrema y ab - 1 grados de libertad respectivamente. Vt.1) grados de liberbad. y luego calcular u. Se deduce que un buen estadístico para ensayar la hipótesis -EI¡ viene dado por 3.9l ANALISIS DE VARIANZA 309 DISTRIBUCIONES DE LAS VARIACIONES Utilizando el Teorema 4-4. (10) y (11). Teoremag-3: E] estadístico tad. 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. con tratamientos. si las medias de tratamiento no son iguales. es igual a la-suma de los grados de libertad para las variaciones entre tratamientos y las variaciones dentro de tratamientos. siendo el efecto más pronunciado a medida que la discrepancia entre medias aumenta.Ffs no es cierta. Teorema 9-2: Bajo la hipótesis nulal{0. Si este estadístico es considerablemente grande podemos concluir que hay una diferencia significante entre las medias de tratamiento y así rechazamos f[e.cAP. o el método corto. Esto viene dado en el teorema siguiente. ENSAYO ¡ PARA LA HIPOTESIS NULA DE MEDIAS IGUALES Si la hipótesis nula . Tabla 9-2 Grados de Iibertad Enüre tratamientos. a-I. es decir. Total. página 161.ab .: u uu. . TABLAS DE ANALISIS DE VARIANZA Lo! cálculos pedidos para el ensayo anterior se resumén en la Tabla 9-2. esto es.)2 . va : b)1nt. En la práctica calcula¡íamos u y uo empleando eI métódo largo. po{emos demoshar los siguientes teoremas fundamentales relativos a las distribuciones de las va¡iaciones V. Debe advertirse que los grados de libertad para la variación total.

fl= -2t (25) @6) 1. a tengan números diferentes de observaciones iguales los resultados anteriores se modifican fácilmente.tt ) denota la suma sobre k desde t hastan¡ y luegosobreidesde thasta ú."t"t '.l)u : i'k s 2 j.i)' ) n¡@¡.. .. 'ú ='vt.1. En este caso hay dos clasificaciones o factores. es la suma de todos los valores en el tratamiento j y > es la suma desde j : t hasta c. . .. En el caso de que los tratamientos 1. con una variedad diferente de trigo cultivado en cada parcela dent¡o de un bloque. Por tanto obtene- mos s . .)2 con c-1.310 ANALISIS DE VARIANZA lcAP.: *)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. número tot¿I de observaciones en todos los tratamientos.. .). Es conveniente en tal caso combinar las parcelas en bloques. EJEMPLO 9-2.-i.k donde .r)2 (r¡x (24) : 1 . factor 2. .'j* -1i tL f. La tabla de análisis de varianza para este caso viene dada en la Tabla 9-3.i')2 = 5'. fto respectivamente. Dentro de tratam n -c grados de libertad Total. e MODIFICACIONES PARA NUMEROS DESIGUALES DE OBSERVACIONES ? ftt. . Luego se necesita un total de (4) (5) : ZO parcelas. Por üanto se necesita¡án 5 bloques.. etn. donde cada va¡iedad se cultiva en 5 parcelas diferentes. Tabla 9-3 Entre tratamientos. . Por analogía con el experimento agrícola del Ejemplo 9. ?r. o¡ = ) n¡@'¡. etc. . . ' es la suma de todas las obsen aciones. Ilustramos el procedimiento para clasificación doble o experimentos de doe factores.. pero lógicamente podríamos simplemente referirnos a ellos como factor 1. por ejemplo 4 parcelas en un bloque.. .2 con frecuencia nos referimos a las dos clasificacioneJ o factores en un experimento como tratamientos y bloques. .+'l)rt = ) 1rr. 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. Supóngase que un experimento agrícola consiste en examinar los rendimienüos por acre de 4 variedades diferentes de trigo..* (d'.

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

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

lc (ú - l)(ü --1) rt1 ar* u" = )(r. Bajo la hipótesis H[./S. la columna o bloque h y ala repetición /.1) (b .1) grados de libertad./o2 tiene la distribución chi-cuadrado con c .l¡^i¡l v ^3yS: vienen dados en el teorema siguiente análogo al Teorema 9-3. niveles de significación especificados.. Las distribuciones ¿" . (¿ -l)(¿r-t) grados de libertad Entre bloques.!'. (a-1)(l¡-l) con grados de libertad Residual o aleatoria.I y (c . Tabla 9-5 Entre tratamientos. una tabla ^ análisis de varianza puede construirse code mo se muestra en la Tabla 9-5.1 grados de libertad. El teorema nos permite aceptar o rechazar H3" 6 H3'.r * Fr * 7.!') 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. El modelo viene dado por X ¡xt = ¡. Pa¡a obtener esto denotemos por X¡o¡ la variable aleatoria correspondiente a la fila o tratamiento j. . el Teorema ANALISIS DE VARIANZA 313 9-5: Bajo la hipótesis H[L). Por conveniencia. V. * . .r) el estadístico si.tt y Ht2'.1) grados de libertad.u I' lir.1.cAP.V/o')tiene la distribución chi-cuadrado con ab . Bajo la hipótesis H'oz'el estadístico 3. Debido a la repetición debe utilizarse un modelo apropiado para remplazar el dado por (35). > (J'j - :L)2 a-l i | 3l ' -ra--1 con cr . En tal caso habrá más de un valor correspondiente a un tratamiento dado y a un bloque clado. cambios apropiados pueden hacerse cuando los números de repeticiones no son todos iguales. Teorema 9-6: Bajo la hipótesis ll[. página 312. Bajo ambas hipótesis HÍ. Supondrerfios que hay c valores para cada posición. Más información considerando los factores puede a veces obtenerse repitiendo el experimento.'alor ccrrespondiente a un tratamiento dado y a un bloque dado. s c-ls . ti"n" la distribución Fcon b .l. uc = (t>(tA-j)r b.1 grados de libertad. ¿.*-r)! EXPER. como en el caso de factor uno. Para ensayar la hipótesis I1. proceso conocido como repetición. L'. 'L' - u./S3 ti"n" la distribución F con s . úe = l'Total.1 y (c .e.IMENTOS DE DOS FACTORES CON REPETICION En la Tabla 9-4 sol¿rmente hay un '. Análogamente para ensayar la hipótesis I1[!) consideramos el estadístico ^3ySg.V"/n2 tiene la distribución chi-cuadrado con b -1grados de libertad.1) (b .

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

C. Las diferencias en los factores serían impgrtantes solamente si fueran grandes comparadas con tales interacciones. 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.1).6. Il[3) puede rechazarse. Por esta razón muchos estadísticos recomiendan que se ensayen I/é'. En lo que sigue damos algunos ejemplos importantes de diseño de experimentos. 9.F' de 3?/S3 de la Tabla 9. aunque físicamente cualquier forma puede utilizarse) y asignar cada tratamiento. Caso II. que pueden analiza¡se como en la Tabla 9-5. Utilizaremos este procedimiento alterno. 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. En este caso podemos concluir que las interacciones son considerabtemente grandes. y utilizando este valor para remplazar el denominador 3! en el ensayo F. Caso I. 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. esto es l3*= 0 I{:}): No hay interacciones entre tratamientos y bloques. En este caso podemos concluir que las interacciones no son muy g¡ánAes. a cuatro bloques escogidos completamente al aza¡.9-l . 9-1 por cuadrados. 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 . B.o) y-H<2.los detalles de un experimento deben planearse cuidadosamente con anterioridad. DISEÑO E)GERIMENTAL Las técnicas de análisis de varianza discutidas anterionnente se emplean despuós de que se han obtenido los resultados de un experimento. y l/. El propósito de la aleatoriedad es la de eliminar varias fuentes de enor tal como fertilidad del suelo. (a . Dos casos poóibles se presentan.r A B c A C B A c C" Dr Au B6 Cuadrado Compleüa aleatoliedad Bloquee aleato¡ios Cuadrado latino Fis.4.cAP. 1.9-l Fig. indicados por . Esto produce una tabla factor dos con valores singulares.l) + ab(c . Sin embargo.2 Fig. Supóngase que tenemos un experimento agrícola como en el Ejemplo 9. Esto se denomina a veces como diseíw del experimento.j'z) utilizando las relaciones . etc. Pa¡a üseña¡ tal experimento podríamos dividir el teneno en 4 X 4 = L6 parcelas (indicadas en la Fig. utilizando hs íelaciones F de G?liZ v 3:63 reópectivamente como se muestra enlaTabla9-6. para ganar tanta información como sea posible. esto es oj = 0 I{2): Todas las medias de bloque (columna) son iguales.9-3 grecoJatino Fig. Il[r) no puede rechazarse. El procedimiento se ilustra en el Problema 9-tr3.1. página 306. Luego podemos ensay4r H. D. 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. Completa aleatoriedad.F de 33/0? V GfBi en cambio de esas dadas en la Tabla 9-6.1) (b .

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

u ó un -.) r:r tenemos K por Ia parte (c).2(o) en el último renglón. o C. Tenemos página 307. Utilizar el método largo.It - 1'b' Tabla 9-? 9.2x)r¡¡ I i.3..4.t) = )(¡. )r¡.-¿)t )¿i = i. (c) la va¡iación total.k = )rr¡. -'#(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. i'k f¡*" .18 49 50 47 19 .k 2r@br\ aü*: )"'n = j. Hallar (c) el rendimiento medio para los diferentes tratamientos.=brj. (b) la gran media para todos los tratamientos.(c) ?'. .].18 49 48 50 49 51 50 .2.D6 I ab¡z s-? -4 ab =.2(o) en el tercero y último renglones anteriores.. riedad de trigo cultivado en un tipo particular de suelo tratado con químicos A.2(b) en el tercer renglón y el Problema 9.-!+abEz -* í.j=lk=l 'i ) )'¿r.cAP.¡. Análogamente = )(¿. + abú2 i.k )(rji-zx. B. La Tabla 9-7 muestra los rendimientos en hl/ha de una cierta va- A B C .utilízandolanotaciónenlapágina307.k / r'\2 rl rS/rl-zrJ.ijk+ñ2\ = i.r b bI 1. el ANALISIS DE VARIANZA 317 g.k .k abúz )"i = j.'*\ u u.r-r): i. Verificarque(o) (d) r: úbÍt(b). . )1rc = ))*r* r = abt 9. (d) la variación entre tratamientos y (e) la va¡iación dentro de tratamientos. (b) (c) Puesto que 7j. : abñ. = 't)61't).zr>ti.oi-ziri+ñ2) utilizando el Problema 9.k .. Verificar las fórmulas cortas (10)-(12).

318 ANALrsrs DE vARTANZA Para simplificar la aritmética podemos restar algún número apropiado.95:4. de significación del (c) 0.4)'. eon 49.01? Tenemos con-o Con referencia al hoblema 9. Con referencia al Problema 9. C (b) (c) . ¿podemos rechazar la hipótesis nula de medias iguales al nivel - 1 : F=$=h = 3 6 - L : 2ya(b .f B+4+6+b+b¡ = Así la gran media para el conjunto original de datos es 45 * 4 : 49 hl/ha.4): + (5-4¡: =14 ((l ) Variaciónentretratamientos = tr. Por tanto los rendimientos medios. = i(B+4-f b+4+2t.4)2 + (4- + (2 -3)2 + (4-3)2 + (:J-U + (5-4¡r + (4-4): 3)2 + (3 .41-B.¡. (b) 0.5.yemosqueF. = lae+A+3*B) = 5 3. por ejemplo 45. 48 y 50 hl/ha para A. [cAP.4)2 + (4-4): + (3 .4¡:: * (3 . =.5)r + (d--5)! -l (5-5)r + (5-5)r 412 9. -¿).)2 t. = !4(B+4+ 5+4. i.: i(4+6+5*5) = respectivamente. = ) @¡¡-E¡.Puesüoque^F :6)F. Tabla 9-E e (a) por Las medias de tratamiento (fila) para la Tabla 9-8 vienen dados respectivamente rr. ¡r. Entonces obtenemoe los datos de la. hallar una estima insesgada de la varianza poblacional oz de (c) la variación entre tratamientos bajo la hipótesis nula de igual medias de hatamiento. = o. (o) ConreferenciaalApéndiceF..4. = b)) (é) Variacióndentrodetratamientos Otro método.4)! + (3 .conut:2yu2:9. 4l(4 . .¿.u = 14-8 = 6 (cl.05. Variacióntotal 4 =.4. B.¿): + (4 -4):¿ + (6-4)2 + (5.05.:l = = r'.4)2 + (5 -. de todos los datos sin afectar los valoree de las variaciones.k = (3. (a) (b) ? 3 9. (b) la variación dentro de tratamientos. obtenidog al sumar 45 a éstos..g)r + (4. 3 0.96podemos techazar la hipóüesis nula de medias iguales al nivel 0.26.@ir-E)2 = (3-4)r + (4-4)x + (6-¿)¿ + (4.Tabla 9-8. 1 = 4.6.1): 3(4-1) : I grados delibertad.¡.4)2 + (2 .

9no podemos techazar la hipótesir nula de medias iguales al nivel 0. I¿ tabla de aDáli¡is de va¡ianza para loe hoblemss 9. el ANALIS$ DE VARIANZA 319 (b) ConreferenciaalApéndiceF.conur:2!uz:9. = 4 +6+5*5 = 20 r = 16+12+20 = 48 Luego D6 1s-.4-9.= Dentro de t¡ata 0w=0-0b a -63 ^' . = 3+4+6*4 = 16 tz.?. Utilizar las fórmulas cortas (101-(12) para obtener los resultados del Problema 9.02.9 o(b-1)=(3)(3)=9 gradoe de =14-8=6 libertad 9.4.n) = : 2oo 6 _ tg2 = E (c) D-Qb:14-8 .4 ba'i ab 1 i062+t22+202) 0w: (^8\: te.Pue8toqucF=6(F.6:8.6 ¡e muestran en la Tabla 9-9..06-S8t = (b) Los totdes de las filas ¡on 206-rsz = 14 También rl.2/3 n con 2.O1.vemoaqueF.a&-6 . (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"?--# : . Tabla 9-9 Gg=f.=2+4+3*3:12 rt. .cAP. .

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. de las máqui nas.ab6-1#¿. 16= = zs56-246 soo = zrrL (i55 I 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. por ejemplo 60.4 y a partir de este punto el análisis proce- 9'8' máquinas didiseñado para . =48 ?t.(¡ti)] : ! Los resultados concuerdan con los obtenidos en el Problem a 9. de como antes. La Tabla 9-11 muestra de unid s. = lrsoor --.ffi : - 245 := . Tabla 9-12 J Í: ). de todos los datos para obtener la Tebla 9-12. Tabla 9-10 T [cAP. = t4 800 7) = (zoe)r-9q): = u¡.'r = 206 " = ?".320 Es conveniente ordenar los datoe ANALISIS DE VARIANZA como en la Tabla 9-10.?¡ Entonces = 2356 r. e t T: A B C 3454 2433 4655 16 256 t2 20 r14 400 ) s.rooo¡ . cinco operadores experimentados trabajan con las máquinas durante intervalos iguales.

las medias de grupo o muestrales y la gran media.. 20 grados de libertad tenemos F .r (2 5):r -l. Tabla 9-13 Entre tratamientos..05.r. (b) 0..t0i Muestra 2 Muestra 3 11 409 401 406 408 405 .)! ¿'. u. directamente observando que es igual a (7--9):r-(11.¡r .1 .2lIl I ab-I=24 I W = tz..9. Utilizando el método largo. Tabla 9-15 Total Muestra 1 Media 9 7trI 4 27 8 5 2 Muestra 2 Muestra 3 6 25 32 5 10868 .(10 8r: I í8 __ 8)r -i rG 8): -1. por ejemplg 400.108 406 408 un número apropiado.-¡.cAP. Es conveniente restar Tabla 9-14 Muestra 1 . el Formamosla Tabla 9-13.i = Gran 8 media = 84 1t En esta tabla hemos indicado los totales de fila. La Tabla 9-14 muestra la duración en horas de las muestras de tres tipos diferentes de tubos de televisión fabricados por uná compañía.ss: 2.^. 7):+(11 -?)2+.. .)rr¡(.)(r. ensayar al nivel de significación del (c) 0.1456 =ZO I | =.fti'k ¿rr.18-512: rl¡--5rr . "..05. lógicamente tampoco la podemos rechazar al'nivel 0. y obtener la Tabla 9-15.01 si hay una diferencia en los tres tipos.(i -5r2 .l-5rr -. ANALISIS DE VARIANZA 321. Por tanto no podemos rechazar la hipótesis nula a un nivel 0.u¡.-i)z -3(9 ' - 7\2 36 ! 5(7 + 4(8 -- 7)! = 36 .87 .ru r También podémos obtener 72 -- 36 . ?t¡ = 655 tratamientos.".f)r!-i tÍf -f)): r t.102 410 .-+(8-7)z = 5): 72 -= J'K )(t. .8 (5X4) t: Pata 4.u-1) = 5(4) rA = I l "u ?'. Entonces tenemos .-i. MODIFICACIONES PARA NUMEROS DESIGUALES DE OBSERVACIONES 9.(8 _ 8l: - .01.

02. Tabla 9-16. (b) hay una diferencia significativa en rendimiento por acre debido a las cosechas.10.26.=27. e Variación Grados de libertad Media de cuadrados F D¡=36 a-7=2 n-a=9 io. (25) V Q6l. Soluciona¡ eI Problema 9.322 ANALISIS DE VARIANZA f.8 6. ¡=84 = + iL2 + . Tabla 9-1? Cosecha cosechas de plantas diferentes culparcelas tratadas con tres tipos diferentes de fertilizantes. I 5. = = 36 (27)2.9 utilizando las fórmulas cortas incluidas en (24).11.9 6. 12t nB=4.01 si (a) hay una diferencia significativa en rendimiento por acre debida a los fertilizantes. n=12.6 7. CLASIFICACION DOBLE O EXPERIMENTOS DE DOS FACTORES 9. Utilizando el método lartivadas en Cosecha I Fertilizante A Fertilizante B Fertilizante C u Cosecha III Cosecha IV 6.. Rt=3. so:.2 7.(25)2. ninguna diferencia en los tres tipos de tubos) al nivel 0.9. Tabla 9-16 [cAP.01.-.7 45 8.5 Enüonces para 2 y 9 grados de übertad hallamos del Apéndice F que F. La Tabla 9-17 muestra los rendimientos por acre de cuatro go. Por tanto ! = n2=5. ensayar al nivel de significación de 0. 9.4 uru so'- 18 = 36 G1=?9=4 = 4.05 pero no al nivel 0.. + 62 +8r-Q|2 = 72 a6 = ?t-. las medias de columna y la gran media. rg. como también los totales de columna.99 : 8.(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. .8 o.4 7. = 19= 1g 5. 12.8 9.:25. como se indica en la Tabla 9-18.0 5. De la Tabla 9-15.?.96 : 4. Por tanto podemos rechaza¡ la hipótesis de medias iguales (esto es.2 Calculamos los totales de fila y medias de fila. 72 t1.2 ñ"¡'.=32. F.os datos pueden resumirse en la tabla de análisis de varianza.

8)2 = 23.0 .8)z] = 2.2-6.9 = = 81.6.:5.24> 5.6.8 9.6.86 gl: 3.4¡z a (6.5 6.cAP.8 -6.7 8. : Esto conduce al análisis de varianza en la Thbla 9-19.2 2t.32 U: Va¡iación total (4.r.8)2 + (8.2 6.2 Fertilizante A Fertilizante B Fertiüzante C Totales de 4. (7.0 7.68 u" : Variación de medias de columna con respecto a la gran media = 3[(6.8 Media de fila 6.8)2 + (5.6 columna u.0 Gran total 22.6.8¡r+ (7.4¡z * (7.6.8)2 + (6.08 ue : Variación aleatoria = Lt . el ANALISIS DE VARIANZA Tabla 9-18 Cosecha 323 I Cosecha II Cosecha III losecha IV Totales de fila 24.8 .8 : Variación de medias de fila con respecto a la gran media = 4U6.S12 -'.2 -6.zt gl: 2.podemos rechazar la hipótesis de que las medias de fila son iguales y concluir que al nivel 0.8)21 = 13.3 Gran media 6.4-6.05 hay una diferencia significaüiva en el rendimienüo debida a los fstilizantes.6 5.8)2 + (5. Fq.14.3-6.4-6.9 -6.2 .6. Entonces.8 7.yaque 6.9 .5 6.5 -6.8)2 + (6. Tabla 9-19 6.0 33.7-6.8)2 + (5. 64 7.ocz Al nivel de significación de 0.3 5.3 .9 columna Medias de 19.7 -6.S¡z a (7.6 oi = t.4 7.2 23. .9 68 5.14.2 8. Ya que el valor d'e F correspondiente a las diferencias en las medias de columna ea menot que 1 podemos concluir que no hay difenencia significativa en el rendimiento debido a las cosechas. .6 grados de libertad.8)2 + (8.8 .0-6.6.5-6.6 .r.8)2 + (6.6 7.05 con 2.7 5.58 F =G?/C?: a.5 18.6 ¡'=0"2/i3=0.8)2 -1 (9.8)2 + (?.8)2 + (5.

88 = = 18. Un productor desea determinar la efectividad de cuatro tipos de máquinas A.11. Utlizar Tenemos de la Tabla 9-18 i. En esta tabla se indican los dos factores principales. + 24. Los resultados se indican en la Tabla 9-20.2+23. móquina y lurno. 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.05 si hay (c) una diferencia en las máquinas.ut - bb4.8+33.96 S-z Sro (24. 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. e 9.96 bj'j.6 : 577.2)2 (27-O'¡z r.(23.2)2 ¡ + (33.88 2.. Efectuar un análisis de varianza para ensayar al nivel de significación del 0.88 ab = 23.82 = 6. C. - 13.n¡z (5.68 .10 Entonces s-2 j* tt'r^ 12 ab = vr 1s-r-t' 577.24 ¡ (22.k )"i T a .G8 = *>t-"ti = |trozs. Nótese que para cada máquina se han indicado dos turnos.. D en la producción de tornillos.5)2 + (18.6)¿ = 2274.t2.9)2 = 1673.zu 'üc bb4. B.2)2 81. (b) una diferencia en los turnos.324 ANALISIS DE VARIANZA las fórmulas cortas para obtener los resultados del Problema 9. .11.13.2¡z (19. Los días de la semana se pueden considerar conro réplicas o repeticiones del rendimiento de cada máquina para los dos turnos.6 = (4.rol rt .58 EXPERTMENTOS DE DOS FACTORES CON REPETICION 9.2.82 11 = = 23.08 = uc Lnezln.08 de acuerdo con el Problema 9.S¡z a (6. : lcAP. 554.

cAP.6 rov = 8.1795.4 variación total para la Tabla g-22. ZO - (126\2. Esta viene dada por * u" ) obtenemos la 0i = 0"-D¡.0-8. (119)r_eqq\2 ? 40 - _ 180s.6 La variación enhe filas üene dada por (zee¡z 40 a' = (54)2 (85)2t' (6. 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+ .S . (44)2.¡2912.6 : 66.4 Para considera¡ los dos factores principales. 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 [. (38)2 ""--6-5 .3.b --5 . + 72 +L02-W = 1946- 1?95. variación debida alasinteroccion¿s entre las filas y columnas.-.?_1?e5. la suma de las variaciones entre filas y columnas (u. concentremos nuestra atención al üotal de los valores de repetición correspondiente a cada combinación de factores. viene dada por -.(41)2.)' + qq -ld. que es una tabla de dos factores con valores simples.0c = 65...5 = 1861.ro ro 10 La va¡iación entre columnas viene dada por (zgq)' 40 = 1846. (31)2..S .2 . que llamaremos variación subtotal u".0 'tt" = --ñ. móquino y turno.6 = 1b0.1 Si reetamos de la variación subtotal u.6 - 1?9b.1 = 6. (30)2.6-51. _124)2. Estos se ordenan en la Tabla 9-22.6 = 51. (32)2.5 .b .

hallamos para la va¡iación combinada y grados de libertad combinados u¡* u.8 : 91. Aef. Po¡ tanto el total de gtadoe de libertad es 8 I : 7.: 4.entantoquelavarirrcióndebidaalae 2columnastiene 2-L= Estas va¡iacionee se indican en el análisis de varianza. vemos que F para las fila¡ e¿ 6.4 Para continuar debemos determinar primero si hay alguna inüeracción significaüiva entre los facüores básicos (es decir. Esto esequivalenüe a decir que al nivel 0.05 podemos conclui¡ que las-máquinas no son igualmente efectivas. podemos rechaza¡ |a hipótesis flllr ¿" la pógina 315.F nl: 2.o" : 150.! : Sgradosdelibertad. columna e interacción (ee decir. De la Tabla 9-23 vemos que pa¡a interacción F : 0.61. Para hallar loe grados de übertad debidos a la interacción obeervamoe que hay 8 valores en la Tabla 9-22. ya que hay 4 filas en la Tabla g-22La variación debida a l¡s fila¡ tiene 4 .81?.Ya que hay 40 valores en la üabla original 9-2i el total de gradoe de libertad es 40 1 = 39. la va¡iación subtotal) ¿L U variaóiOn tot¿l u. lo cual indica que la interacción no ee significante. ce debe a interacción. 7 (3 + 1): 3. Puesto que 3 de esos 8e deben a filas y 1 a columna¡.tr ¿" que lar fila¡ tienen ¡¡sdi¡¡ igualee. 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).4-65.6 : 84. I¡iabla también da el número de grados de Tabla 9-23 Filas (mÁquinas). B2 grados de libertad podemos rechazar la hipóüesis ll. Si decidimos analizar los resultados combinando las variaciones residual e interacción como lo recomiendan algunos estadísticos. Para l. 32 grados de liberüad Fn.:6.65 para el denominador de F en la Tbbla 9-23 no afectan las conclusiones alcanzadas anteriormente. Siguiendo lae reglas de la página 315.8 1 grado de liberüad. Puesto que .. Al usar este valor en cambio de 2. D" = 84'8 Total.42. que conduce a unava¡ianzacombinadade gL.o Columnas (turnos). - libertad cottespondientes a cada tipo de variación.326 ANALISIS DE VARIANZA lcAP. Tabla 9-23. . Esto es equivalente a decir que al nivel 0. filas y columnas de la Tabla 9-22). eeto es. Por tanüo los grados de libertad debidos a l¡ va¡iación residual o aleatoria ee 39 7 : 32. Entoncee ya que F calcul¡do para lascolumna¡es 8. u¡ = 6. 0c = 8'1 Interacción. se halla reetando la suma de variaciones füa.16.06.3 y 3 + 32: 36 respectivamenüe.90 para B. e Finalmente la variación reaidual. el reeto. Eeto resulta en a" = Q-(or*o"*o¡l = 7).06 no hay diferencia iignificativa entre turnos.6 + 84. 0' = 51'0 i? = tt.5 G? = zltt Aleatoda o residual.SfSe:2. u= 150. no podemos techazt la hipóteeio l/[zt ¿" que las columna¡ tengan medias igualee.

4 : 5443.06 = 4. CUADRADOS LATINOS Tabla 9-24 9.01 no hay diferencia significativa en los turnos.4 . = T*ry*ry 5723. 29. También obtenemos el total de rendimientos para cada uno de loe fertilizantes como g€ muestra en la Tabla 9-26. Hdlamos Va¡iacióntotal : o= (18)? + (21)2 + (25)2+'. el ANALISIS DE VARIANZA 327 9.01 las máquinas no 6on igualmente efectivas.47 para 3.06 . de modo que podemos proceder más al.06 : va¡iación entre (77\2 (74\2 (78\2 (71\2 columru lS=?rc= 4 ..l cAP. columnas y üratamientos se obtienen común y corrienüe.13 si se utiliza el nivel 0.At-ril.' + (10¡z * (lT2 -@5Y 16 5769 - 6439.25 *9'{ -(fftr = 284. Solucionar el Problema 9. concluimos que al nivel 0.05 y (b) 0. 32 grados oe libertad y puesto que F para filas es 6. donde los números indican rendimientos en dkl por unidad de área.06 : 329. Efectuar un análisis de varianza para determinar si hay una diferencia significativa entre los fertilizantes a niveles de significación de (c) 0.75 . B.01.4 -.14. D en el rendimiento de trigo. 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.e0 = 7.49.26 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 9-26.15.lá.Ia variación üotal y las va¡i¡ciones para filas. podemos concluir que aún al nivel 0. Ya que ¡'.69 16 variaciónenrretratamienros = .05.19 (2eS1z - 5439. Un hacendado desea ensaya¡ los efectos de cuatro fertilizantes A. 32 grados de libertad y puesto que F para columnas es 3.94 Variación entre filas .5439. A este nivel aún no hay interacción apreciable.t: 4.01. 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 9-24.19 - 5439.25 + ry . Ya que F .1)¡ ff +ff + ff -5468.r.51 para 1. C.

76. Puesto que el valor F para columnas es menor que 1. p.05Ia hipótesis de que hay medias de fila iguales. Supóngase que los diferentes autos se representan por las filas y los diferentes conduetores por las columnas.78. e Filas. LATTNOS 9.19 Residuales. Un aneglo posible es el dado en la Tabla 9-28. conductores. C. Suponga que en el desarrollo del expeúmento del Problema 9-16 el número de kilómetros por galón es el dado en la Tabla 9-29.69 Tlatamientos.. C. Diseñar un experimento utilizando cuatro conductores.01.16. podemos concluir que hay diferencia entre fertilizantes. Sin embargo.8? (o) Puesto que F er.' I A. Tabla 9-2? lcAP. autos y caminos podemos emplear un cuadrado grecolotino. debemosconcluirquehay una diferencia entre fertilizantes al nivel 0. Se deduce que al nivel 0.76. D aleatoriamente a filas y columnas. de modo que cada letra apatezca solamente una vez en cada fila y solamente una vez en cada columna. 29. Es de interés determinar si hay alguna diferencia en el kilometraje por galón entre las gasolinas A. 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). B.lJtiliza¡ el análisis de varianza para determinar si hay alguna diferencia significativa al nivel 0. sujetos a los mismos requisitos impuestos a las letras latinas. CUADRADOS GRECO.19 Columnas.r. 6. D. Tabla 9-28 CONDUCTORES 1234 B. Asignamos aleatoriamente los cuatro caminos que van a emplearse.F para tratamientos es 4?. Ya que el valor de. 4.17.9 > 4. 4. 7. Puesto que se incluye igual número (cuatro) de gasolinas.05 hay diferencia en la fertilidad del suelo de una fila a orra. rechazamos al nivel 0. i I}¡ 9..¡.05.0 : 9. (b) Ya que Fgo. concluimos que no hay diferencia en la fertilidad del suelo en las columnas. cuatro autos y cuatro caminos diferentes.01. Asignamos las diferentes gasolinas A. .o :4.328 ANALISIS DE VARIANZA El análisis de va¡ianza s€ muestra en la Tabla 9-27. denotados por o. 11. como se indica en la Tabla 9-28. B. 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.

(59)2 . (68)2 4 . Tabla 9-31.60 ry*ff+ff+ry-ry 4 (16)'z = 4ros. (62\2 -. como eigue: Atotal: 15+16+15+16 = Btotal: 19+18+2I+ 23 = Ototal: .00 - 6-50 - 11r.4-T 4 . (61)2 . columnaE. utilizando el método corto. (61)2 4-4-4-4-16 4102. leüras laüinas y letras griegas cada una tienern 1 grados : 4.4 . E número total de gados de übertad es n2 .6o-40e6 = ?.50 - 7. 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.Ennueetro . C. 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. -1--4(n-1)=(n-lXn-3). 4 - (70)2 (256\2 16 Q6A)z 16 QAA¡z = 4112.60 = 6.00 de modo que la variación debida al e¡ror e¡ 148.60 (A.os resultados se mueshan en el análi¡i¡ de varianza.60 Columnas: . B. Dl Caminos: (o' P. (63)2 . ó) Ga¡olinas: (62)2 4267. Filas: a----l---4 (64)2 . el ANALISIS DE VARIANZA 329 Prirpero obtenemos totdes fila y columna como ¡e indica en la Tabla 9-30.60 I 4096 6.1 para un cuadrado de n X n. 7.00 deliberüad.50 La variación total ee (1S¡z * (le¡z + "' + (16)2 + (2s\2 -e66\2 =' 'I | \-vt 16 16. Las filas.Portantolosgradosdelibertadparaelerroresn2 caso n f.50 4244-4096 = 148.60 -4096 = 111.cAP. (81)2 . (52)2 .60 - 4096 = = 16.

donde Sf é define por (15). Por tanto podemos rqchazar lahipótesisdequelasgasolinasson igualee al nivel 0. 6). = F* e¡.18. B. Capítulo 5.r.05 pero no al nivel 0. 6. Entonces. 7. de Ia página 308. = 9. (b) la ecuación (I6).".19. Demostrar que > oj = 0 [(15). 5u. b 3 (¿'-1"'\ -i---t\ b / = a(b .50 2.5. página 308]. Se deduce que t=L )¡t* )"t j:r ' donde hemos utilizado la definición p )a. 111. El tratamiento medias de la población viene dado por p¡ Por tanto ac = 9.50 Caminos (o' É' 7.*-i.01. ya E(v.-*..60 Gasolinas.C. (4.a:9.= . Derivar (c) la ecuación (17). e Columnas (conductores).330 ANATISIS DE VARIANZA Tabla 9-31 lcAP. J=r - =.s.tz = b j=r |Lo rEr' " ' ) = ¿!s? j=1 d.D)..26 Tenemos F.28 V F.so..500 :?*33=t.s : 29.or.l)oz - .¡z > + ) (x. (o) Poi definición tenemos v.3u*3" = op+\'¡ t=L i=l !:t' = (2p)/a. PROBLEMAS DIVERSOS 9.-¡b-l ¡ es la varianza muestral para el tratamiento jr como que el tamaño de la muestra es b.) = bj¿E(Si) utilizando (I6) del Capftulo 5.} .

más el reeulüado dd hoblema 9. = 84.bgQ7z) Entoncee para cualquier variable aleaüoria U. Como ¡e indica en el Problema 9.+*i):-l -"ufLab J !+rr) " '' ) -LD aoz * b ) (p+ a¡)2 - o2 - s'b.+auxz l=r t=L ya que (f) (21 (. tenemos dd Teoreme 6-4.P = (a-l)o2 * abp2 + zbp> ". página 158: ( tr) var (5) =r Var(X) = # E(X) = p (i¡. E(U2) = Var (U) + lE(U)12. esto es.-ab*z j=1 a.) = pj = p+ai Utilizando los resultsdos (2>(7).21. obteniendo u" . ¡úgina 161.p6gitn 116. üenemos E(val = b>86?) var(i¡. 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.18. que V-/o2 tiene dishibución chi-cuaüado cón o(b - 1) 9. (b) 0. En el Problema 9. página 309. P¡ra hallar la variación debida a larepeticiónutilizamoslostoüalegdecolumna cn la Thbla 9-21. . ¿Podemos sostener esta conclusión al nivel de signifi cación del (c) 0. Por tanto lv(x. Por el Teorema 5-6. con medias ¡t¡ y varianza común 02. los diferentes días de la semana.) (d) (7) E(Xj..cAP.13 supusimos que no existían diferencias significativas en las repeticiones. bSJ/o2 tiene drado con b .1 gradoe de libotad.) + a. en la Tabla 9-23. Entonceo.\12 lBlx¡12 E(xil : E(Xz) = Var (Í) + Pero ya que las poblaciones de traüamiento son normales.t) X = ( )It.20.Enloncex. + > al - ob¡P (c--t)62 * b ) a.-x¡z t=r aa a o = b>*i-2bx)x.05.19(o). Demostt'ar el Teorema $1.. omitiendo el fndice de la euma. puesto que las varianza¡ S! bn indep el Teorema 4-4.2 9.8.01? Si existe alguna variación debida a las repeticionee se incluye en lo que ae llama el ertor re¡idual o aleatorio.) / \ // /\/ ' = b>*?. en (I ) tenemos E(va) = b>[+*(¡. el ANALISIS DE VARIANZA Por 331 (b) definición vt' = a ) 1*r.

podetnos concluir que no hay variación significativa al nivel de 0. . o.. 0' = 0c 51'0 Columnas (turnos). 8r.. El valor f.22.u¡6.. denota la media de valores en la clase C cuando A¡ y B:p se maitienen fijos. es la media de valores para las clases Il y C cuando Ar es constante.2g grados de libertad. el número de grados de libertad asociados con esta variación es b 1 : 4. = 8'1 Repeticiones (días de la semana)..EIvalorenA¡.767 | -=0. teniendo en cuenta las repeticiones. Reproduzca la tabla de análisis de varianza a emplearse en tal caso.4.rpor denota la gran media..0g. es la Tabla 9-32..*ucA-. Ao) Barupos..32 Filas (máquinas)."o = 11. Ias conclusiones reliacionando máquinas y turnos son las mismas a las obtenida¡ en el Problema 9.. Describir cómo se pueden utilizar las técnicas de análisis de varianza para clasificación triple o experimentos con los tres factores (con factores simples).01) debi- da a las repeticiones.Elvalorú¡¡.t 2 @¡rt- ú)z que puede dividirse en siete variaciones.827 = 73.8 114: ?8. I-a variación residual después de restar la variación debida a la repetición ea ue : 84..C".1795. .7! parz 4. La interacción entre todas las clases se denomina como antes la uariación aleotoria o residuol.4 Puesto que hay 5 repeticiones. es decir. . g - (268)2 40 = 1807 .18. C.8¡r. Suponemos que la clasificación se hace en A grupos.86. Pero ya que Fe5: 2. Las otras variaciones son las mismas a las de la Tabla 9-23. Estas variaciones son entre clases del mismo tipo y entre clases de diferentes tipos (inúerccciones).6 = 11.C{luposdenotadosporC¡.¡r.4)2 .4 3 Aleatoria o residual a'" | 2. . Tabla 9. los días de la semana no eon significativos.. denotadospor ejemplo. (47)2 (50¡z -.332 ANALISIS DE VARIANZA [cAP. T. denotados pot 41. e 1t=-+'re¡ (57\2 g (51)2 g .06 (y por tanto al nivel 0. Las siete variaciones en las que se puede dividir (1 ) vienen dadas por u = DA+ürJ+uc lTIAB *. La tabla final de análisis de varianza. Finalmente d Existirá una uarioción total dada por (l) 1) = t. sedenotaporxjkl. como se indica en la Tabla 9-33. Sigñificados análógos se dan a E¡ ¡ ! r . 9.k.4 De la tabla vemos que el F calculado para repeticiones es 1.ú¡n< . l---g 6.

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

29. Una compañfa deeea ensayar 4 tipos de neumáticoe A. Durante un semestre un estudiante obtuvo las calificaciones indicadas en Ia Tabl.81.27.06. [. Tabla 9-39 Operario Máquina A Máquina 23 34 28 1 Operario 2 Operatio 3 24 28 27 I I\láquina C 27 30 25 . Dar la informaci6n deseada utilizando un nivel de oignifi' cación del 0. Determinar al nivel de (o) 0. Demostra¡ la¡ fórmulas cortae (3I fl34). 9. prÁgina 311. Demostrar los resultadoe (24).30.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 9.05. B.06. donde cada tipo ¡e ha tratado en 6 automóviles semejantes asignando los neumÁtico¡ aleatoriamente. (b) 0. loa resultados se dan en la Tabla 9-39. La Tabla 9-37 da los números de mill¡s al galón obtenido por autornóviles semejantes utilizando 5 ma¡cas de gasolinas. página 311. D. Ensayar a loe niveleg de (o) 0. Para lleva¡lo a cabo. Ensayar a loe niveles (o) 0. (b) 0. (25) V Q6).a 9-38. II.28. Se efectúa un erperimento para determinar el número de artículos diarios producidoe por cada operario utilizando cada una de lac máquinas. Un profesor desea eneayar treg métodos de en¡eñanza I. página 310.05. El fabricante desea determinar ei hay una düerencia (o) entre operarior.O1 si hay una diierencia significativa en sus calificaciones entre Ssas asignaturas. vienen dadas (en miles de millae) en l¡ Tabla 9-36. diferentes. II1. C. (b) 0. tres grupos de 5 estudiantes se escogen aleatoriamente. Tabla 9-37 I\[atca. determinada de sus fibras. y a cada grupo se le enseña por un método diferente. (D) O.01 si hay alguna diferencia significativa en las marcas. 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. Luego se da el mismo examen a todoe los estudiantes y oe obtienen las calificacionee indicadae en la Tabla 9-36.01 si hay diferencia en lo¡ neumáticos. 9.os a¡tículo¡ fabricados por una compañfa se producen por 3 operarios utilizando 3 máquinas diferente¡. (b) entre máquinas.24. Tabla 9. Demo¡tra¡ el resultado (30). 9.85 Tabla 9-86 9.25. e 9. I'z duración de log neum6ticor. para el caso en que los 4úmeror de oba¿rvaciones dean CLASIFICACTON DOBLE O EXPERIMENTOS DE DOS FACTOBES 9.01 si hay una diferencia significativa en los métodos de enseñanza.06.334 ANALISIS DE VARTANZA [cAP. Ensayar al nivel de (o) 0.26.

05 si hay diferencias signifiéativas en (c) loe operarios.8?.06 si hay diferrencia en (o) los tipos de neumáticos.33 utilizando el nivel de significación del 0'01. 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. ts Tabla 9-43 da el número de artículos produeidos por 4 operarios diferentes trabajando en dos tipoe de máquinas. Tabla 9-41 9. Tabla 9'4O TIPOS DE MAIZ bloque te a los hl/ha.01.33. 9. a ^ B {amente con (o) las diferencias del terreno (esdecir.05.g2. (b) las diferencias en el tipo de maí2. SLOQUpS C D E IIIUIIV t2 15 15 19 L4 18 11 16 16 l7 10 t2 16 L2 11 14 11 12 16.38. Determinar al nivel de 0.26 el primer valor para cada método de enseñanza corresponde a un estudiante de un plantel especffico.12. 9. 9. (b ) en los planteles.06 ¡i hay una diferencia en (o) lor ferüilizantes. lo 77 9. Ios réeultados se dan en la Tabla 9'41. Suponer que el experimentg del hoblema 9.01. la eegunda observación empleando una segunda clase especffica. EXPERIMENTOS DE DOS FACTORES CON BEPETICION T¡bla 9-42 A 9. Solucionar el Problema 9-31 utilizando el nivel de significación del 0. el segundo a un estudiante de otro planüel.39.cAP. Soluoiona¡ el Problema 9. Ensayar al nivel 0. dUrante díae diferentee.06 de que hay diferencia en (a ) d método de en¡eñanza.38 al nivel 0. Suponer que en el Problema 9. y así sucesivamente. g. Solucionar el hoblema 9.40 utilizando un nivel 0. Ensayqr la hipótesis al nivel 0.g6.23 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. (b) las máquinas. 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 . los bloques).36. E 18 22 2L l7 18 24 g. Solucionar el hoblema 9. y así sucesiva-E mente. (b) las clases de automóviles. doñde los números in' dican 10 en el tope de los graduados. Analizar el ex' pelinojo rubio Alto Mediano Pequeño 76 81 73 78 76 castaño 80 79 perimento al nivel de 0. c Semill¡s de 5 tipos de mafz ee siembran en 5 bloques' Cada ue se asignan 0. Suponer que en el Prpblema g. en tanto que en un experimento semejante efectuado en el oe¡te da los resultados en la Tabla 9'42.05 ¡i lo¡ rendirnienüos en bla 9-40.41. B C 16 18 20 15 L7 16 2l 19 18 23 19 2l 23 20 D 9. Solucionar el hoblema 9. el ANALISIS DE VARIANZA 335 g. varfan significati- aleatoriamen' 5 .01.40. (b) la localización. \4 9.24ltprirnera observación para cada tipo de neumático se hace empleando una claee espeiífica de automóvil. roy"t al nivel de 0.01.34. / y II.3ó r¡tilizando el nivel de significación del 0.

D usando cuatro máquinas diferentes.Ct. B7 At4 Tabla 9-4ó c12 adicironal dando la sección donde naci6 el estudiante Eete. y de variaciones del teneno en dos direcciones perpendiculares. B o C.a diferencias en (o) ertatura. Tabla 9-44 efectúa un experimento para ensayar el efecto sobre el rendiniiento de 4 tratamientoe de fertilizanües A. Tabla 9. Det¿rmina¡ a un nivel de 0. Centro. B. Cuatrotiposdecable?¡. (ó) 0.38 euponer que introducimos un factor 876 c81 o73 Tabla 9-46 o78 E'76 c80 o79 c76 877 w4 CUADRADOS GRECO. como se muestra en la Tabla g-46. BoG Dy l0 Ap8 c6 10 cialee. Tabla 9. miden las fortaleza¡ de los cable¡. T3 T4 c6 t7l D.05.43 utilizando un nivel 0. e 9. Para producir un tipo superior de alimenüo pnra pollos.S4 Sr.01 si hay una diferencia significativa en los tratamientoc.05.01 de que no hay diferenci¿ en (o) los fertilizanSe C8 At4 D10 Á10 c12 BL4 D16 D12 B11 811 Dt5 Á10 tee. eetableciendo cualquier conclueión a que pueda llegarse. . Tr AB 164 c2 Bf 181 c3 ca Ay 193 193 207 166 c4 D6 160 T. Wz. Wt. 6. 7.48.LATINOS wr ^S. (c) lugar de nacimiento. Soluciona¡ el hoblema 9.45.47. C. Oes: te. o. c16 9.336 CUADRADOS LATINOS ANALTSIS DE VARIANZA IcAP. St. Tabla 9-4t Alto Pequeño Mediano 110 95 Tabl¡ 9. T¡¡ fq¡talezas promedio obtenidas se dan en el cuadrado greco-latino de la Tabla 9-4?.05 ¡i hay una diferencia significaüiva en rendimiento académico de los e¡rudiantes debida.6 . (D) lae variaciones del terreno. Con referencia al Problema 9. Efectua¡ un análisiÉ de varianza al nivel Q. É. t¡ Tabla 9-48 contiene los datos sobre el moho acumulado en hierro tratado con químicos A.05.C1 . 9.1.Cz. Se obtiene el cuadrado latino.46.43. 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. Wc y 4 especies d-iferentes . 4 cantidades diferentes de dos compuestoc químicos se agregan a los ingredientes bási co¡.44. Sz S¡. 9. D y las del cegundo por ü. B.as cantidades diferentes del primer compuecto se indican por A. (b) colo¡ de pelo.r 198 D. [. L62 BB L45 cB 2t2 A6 112 86 Do An 188 Bq 167 c7 136 PROBLEMAS DIVERSOS 9.Tz. C.4? c. ?a sefabricanporcadaunadecuatrocompañfas. w2 BB6 Dog ws Ao5 9. Determinar al nivel (o) 0. q D. W¡ . respectivamente.Cuatro operarior A.05.44. Ca.Tc. Ensayar la hipótesis a un nivel del 0. El aumento en peso por unidad de tiempo 6e da en el cuadrado greco-latino de la Tabla 9-46. Efectu¡r un análisis de la varianza del experimento al nivel de significación del 0.49 105 103 118 A B 3544 4233 6465 Lt2 10? 90 115 c 108 lr2 93 104 96 L02 . eetableciendo cualquier conclusión a que pueda llegaree. donde lo¡ números indican rendimiento de maÍz por unidail de á¡ea. B.

Los resultados se indican en la Tabla 9-49.50. en tanto que los resultados correspondientes para el oeste se dan en la Tabla 9-52. 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 9.05 si hay diferencia en (o) fertilizantes. (b) I.Q.Q. Bajo I.62. En los cálculos de análisis de varianza se sabe que puede sumarse o restarse una constante apropiada dp cada valor sin afectar las conclusiones. .Q' 9. de estudiantes adultos de estaturas altas.ó6.Q. página 372. Demostrar el Teorema 9-3. Con referencia a los Problemas 9. relativo a diferencia de estaturas. (b) los tres lugares.05 si hay una diferencia en los puntajes debido a diferencias en (o) el estado veterano. Solucionar el koblema 9. Norte y centro 80 ¡D 79 g.40 suponer que un experimento adicional realizado en el noroeste produce los resultados de Ia Tabla 9-53. 70 En el Problema 9-42. ¿Es ésto cierto si cada valor se multiplica o divide por una constante apro' piada? Justificar su resPuesta. rinden mejor' Los puntajes obtenidos se muestran en la Thbla 9-50. página 312.53.52 utilizando un nivel 0'01.Q.05. Ensayar al nivel 0. Analizar la tabla al nivel de 0. Tabla 9-51 Alto 9.05 y establecer sus conclusiones. Tabla 9-50 Alto I.Q.60.54. (b) la localización.4g. Este Oeste Sur 88 84 86 Medio 80 78 82 Bajo 72 ¿o 9. medias y pequeñas. Demostra¡ (o) la ecuación (37). Suponer que los resultados en la Tabla 9-48 del Problema 9-48 son válidos para el noroeste. 9. 9.23 y 9.01.cAP.01 si hay alguna diferencia significativa en los I.5?. (b) la ecuación (38). Solucionar el Problema 9.55.59.62. 9. Demostrar el Teorema 9-2. Un experimento mide el L Q. (b) 0. el ANALISIS DE VARIANZA 337 g.05 si hay diferencias debido a (o) los químicos. (b)la ecuación@0). (3) y ( ). Derivar los resultados 9. página 312. página 309. Se realiza un examen para determinar si los veteranos o los no veteranos de diferentes I.5E.54 al nivel 0. Veterano No veterano 90 85 Medio ril 78 I.61.51. página 309. Determinar al nivel (o) 0. Determinar eI nivel de 0. Demostrar (o)la ecuación (39). 70 9. ¿puede determinar si hay una diferencia significativa en el número de artículos producidos en los diferentes días de la semana? Explicar. 9. t¿ Tabla 9-51 muestra los puntajes para una muestra de estudiantes universitarios de diferentes partes del país con diferentes I. 9.Q. Determina¡ al nivel de 0.

65.21 hallamos una diferencia significaüiva en los días de la semana. las repeticionec.69.62 utilizando un niyol 0. es decir. 9. 9. Efectuar un análisig de va¡ianza en el cuadrado greco-latino de la Tabla 9-65 a un nivel 0. lcAP. En ln práctica. Suponer que en el hobleme 9.7 16 D66 Br7 Haga el montaje de un experimento que conduzca al cuadrado greco-latino de la Tbbla 9-55.68. ¿Deberíen modific¡r¡e la¡ conclu¡iones obtenidas en el hoblema 9.63.71.338 ANALISIS DE VARTANZA Solucion¡¡ el hoblema 9. Haga el montai dc un erpcrimenüo que conduzca al cuadrado latino Tabl¡ 9-64 FACTOR 1 de la Tabla 9-54.66. Montar y solucionar un problema que iluetre el procedimiento en el Problema 9.67. Efectua¡ un análisis de va4ianza en el cu¿drado latino de la Tabla 9-64 a un nivel 0.69. e 9. 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. 9.01. 0.13? Justificar sus conclusione¡. 9. 9. ¿es¡rer¡rf¡ encont¡ar un (o) curdrado latino de Explicar. 9. 2X 2? (D) ¿un cuadrado greco-latino de 3 X 3? .05 y eetablecer conclusiones.64.06 y establecer conclusione8. De¡cribir cómo emplear las técnica¡ de análisi¡ de varianza para experimentos de tres factore¡ con repetición. 816 FACTOB 2 c2r 823 416 AL8 ct4 Bt2 ct5 l á18 9.

Apéndices .

.

. 0! rie es infinita se indica el inten¡alo de convergencia... LA FUNCION GAMMA La función gamma. se define por . : x-*+í=-i. 2i = l+2+ 3+ "'*m mfun+l) =:2 z. (-t). cosa: ei|+.t n)o .'e-'d.. rn(l- n\ = -n -t-* .+. -. = S(-l¡is'r+ ur-5!-7l=' '¡r: ?^d+Tr +2 04 üo .. e-iq = cosd . **t _*.:)oi T.=L-rr*!*!+. e.'ts^tl zt ' 3t '' senr para.e-ie send= eie-e-to 2i 2 . : 1..... t- r. r(z) = l'l'-. 5.i sen0 ^ u.m(m+t\(2tn+l\ 6 i=r B... * m2 .r=^r.todo* todo * 4. 2 i" : t2 +zz+82 + . .rr¡ 1-:+i=--!-1.. . = -2T -1 < o ( 1 FORMULAS DE EULER 8.6! + Para cosÍ = paratodo¡ para lrl <1 16.Apéndice A Temos mqtemóticos STIMAS ESPECIALES Las siguientes son algunas sumas de series que se presentan con frecuencia..=iq. *. ¿i0 = cos 0 -f isen?.i = é zt* 4r. Cuando la se- m 1..?^'ñ t. . T+=t*a*r2+o3+./ O (f) 341 . denotada por | (n)..

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

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

0213 .0110 .1435 .0 1.0020 .237r .3945 .3187 .0013 .0006 .6 l.0029 .0104 .0002 .0002 .00r1 .3918 .0113 .1 0.0013 .07.0025 .24G8 .1127 .0034 .0005 .3847 .3011 .0093 .0005 .3637 .0129 .0004 .331 2 3 4 D 6 7 8 o 0.0017 .0063 .0002 .2036 .0303 .0 .3 0.3725 .1 .3101 .0088 .0235 .0002 .0707 .0379 .0002 .0596 .3230 .2756 .12 .0039 .0014 .0010 .0005 .2 1.2685 .3697 .3467 .5 0.24!r2 .0042 .3984 .2732 .3621 .0r 36 .9 .0010 .2565 .0002 .0037 .3956 .1354 1.9 .1219 .8 I.0761 .0067 .¡ 3.0194 .0ri56 .2803 .0158 .0189 .7 0.0180 .3 DA .3932 .0038 .0355 .0573 .0 3.3332 .3988 .0449 .2t55 .3166 .0030 -0022 .0003 .0694 .2227 .0734 .r023 .0040 .0893 .0047 .0283 .0154 .0804 .0396 .1771 .010? .9 2.0332 .0325 .0818 .0009 .I942 .l 163 .0002 .2420 .2072 .3683 .0009 .0020 .0007 .0198 .0005 .0562 .0016 .3951 .1145 .0371 .3372 .0431 .2396 .2203 .0003 .0270 .3251 .4 0.0540 .0003 .3410 .0065 .oI47 .1182 .0317 .1 .1582 .1.016:l .3836 .0863 .0508 .1919 .0006 .72i6 .0022 .13 .0014 .0073 .3902 .1 .óooó .0003 .3977 .3589 .0004 .0026 .8 0.0519 2.0061 .2295 .9 3.0036 .0310 .0151 .0003 .0009 .16'17 .0632 .0122 .2966 .0005 .1 561 604 .2 3.0002 .1626 .0167 .0025 .22i5 .0126 .8 2.0007 .3144 I .2083 .0003 .0003 .0468 .0203 .0055 .0019 .0620 .0006 0004 .0046 .0002 .2920 .l lJf]4 .0048 .0252 .2513 .2897 .0277 .0081 .0339 oe OA .3292 .2637 .0184 .0086 .0015 .0208 .3790 .3910 .0002 3.1006 .0036 .3?65 .39?3 .3712 .0681 .5 1.0229 .0101 .1 .0069 .0099 .1539 .o024 .3970 .1895 .3894 .0002 .6 ¿.0005 .0091 .0258 .3739 .7 2.0008 .000? .0224 .0957 .r374 .Dl éo .Apéndice B Ordenadas (E) de la curva normal t ipif icada enz 0 I .5 3.0032 .0290 .3989 .0132 .0775 .0790 .1518 .0246 .3961 .0002 .1057 .0413 .0171 .0925 .3989 .3485 .0478 .225I .254r .1 804 .0008 .3555 .28i1 .0848 .:1825 .1849 .0608 .3802 .0498 200 .0 0.0973 .3538 .2444 .0387 .6 2.0004 .0004 .0989 .06{4 .0050 .3056 .0488 .0023 .r1f)7 691 .0012 .1 . ¡ .l 2.1669 .327L .0116 .3668 .3752 .0075 .3778 .0878 .1781 .1989 .1872 .2613 .0004 .0551 1.0940 .1758 .0001 344 .1334 .034? .381 4 .0264 .2850 .0010 .1 tQ .0.0012 .0241 .0096 .0056 2.0008 .3605 .0084 .0459 .0833 .0003 .00I7 .0033 .2827 .0031 3.0i21 .0669 .0018 .0909 .0028 .1315 .3391 .1 109 092 1.7257 .0053 .1.1 .0027 .0044 .3572 .u077 .2516 .0008 .2 0.3982 .3079 .2317 .0007 .2780 .3209 .0139 .0060 .01?5 .1965 .2323 .3885 .3939 .0011 .140 .0529 .0003 .1 7.0001 .3034 .8 3.0071 .0363 .3521 .2059 .8 .0002 .2t31 .156 .3980 .r295 .0079 .1826 .058.3965 .0018 .3925 .6 o.3857 .3876 .3503 .002I .0015 .2709 .1736 .3989 .5 2.0051 .3448 .0422 .1040 .01.10?4 .266I .0004 .2589 .0119 .0219 .3352 .0016 .3 IA .0012 .0006 .3986 .0297 .3867 .3429 .0058 .2989 .1415 38 .2t07 .0404 .2 .0043 .

1736 .2357 .5000 .8 .4564 .2673 .5000 .4904 .1026 .4678 .2881 .4332 .4981 .4967 .3106 .2454 .4898 .6 2.485? .0160 .4279 .4974 .() 3.2324 .4987 .4953 .4995 .2 0.3708 .6 L.0793 .4783 .5000 .3 0.4394 .7 0.444L .1368 .3888 .3340 .3 1.4949 .4989 .4846 .4999 .6000 .1879 .2967 .4916 .4625 .4979 .0987 .4955 .2642 .4995 .2549 .2258 .4996 .6 0.3238 .4999 .3554 .4978 .1064 .4382 .4993 .4959 .2422 .4998 .4686 .3315 .4082 .4918 .48(.4484 .3365 .7 3.0517 .1480 .4990 .4854 .4998 .4995 .1844 .4981 .4998 .487L .1628 .2734 .4864 .1 .4920 .26L2 .4999 .44t8 .4997 .4808 .4987 .4991 .5000 .4999 .066? .4961 .4452 .4964 .4994 .4192 .4956 .4738 .4850 .5000 .1293 .4573 .4977 .2019 .3926 .4893 .0359 .4990 .4306 .1987 .476t .2704 .4693 .4994 .3531 .4996 .4951 .3665 .4998 .4997 .4980 .0 1.4778 .4798 .4699 .4999 .4992 .4834 .0675 .0120 .1808 .3413 .3186 .4896 .2t23 .2852 .0 2.4997 .4131 .9 1..4995 .2486 .0000 .4999 .4962 .1406 .1141 .4925 .9 2.4998 .3133 .2794 .5000 .3830 .4525 .3r 59 .2088 .4793 .4999 .4868 .467L .5000 3.1591 .1331 .)( 2.2064 .4830 .4066 .0279 .4999 .0 0.4998 .4265 .0696 .4986 .48L2 .4207 .4922 .4994 .0438 .3461 .3485 .0398 .229r .4406 1.4756 .4991 .4945 .4732 .0199 .4986 .3749 .4997 .4582 .5 0.4990 .0478 .4983 .4998 .4999 .4989 .4881 .4999 .4997 .4965 .2764 .4884 .4985 .4999 .4996 .4997 .4991 .3508 .3621 .4911 .0239 .4999 .3023 .4099 r.4941 .25t8 .2190 .4535 .L265 .4927 .4938 .4972 .4998 .4664 .4345 .4940 .4906 .4913 .5000 .4936 .4706 .4821 .4970 .3980 .0948 .4982 .4726 .4993 .4788 .{o9t .4986 .2580 .4115 .4999 .3577 .4803 .4962 .4878 .4616 .1772 .6 3.4999 .4995 .2823 .4887 .4995 .2996 .3078 .4319 .4049 .4948 .0871 .4429 .4656 .2910 .497L .4932 .1960 .t443 .1103 .3599 .9 346 .4988 .4495 .4999 .5 1.3962 .4999 .4772 .4992 .3264 .0832 .4117 .4222 .4015 .4649 .4997 .4999 .4817 .4463 .43?0 .4966 .4996 .4999 .1 .4357 .4998 .4993 .8 3.4996 .1517 .4968 .4554 .4977 .0754 .3272 .4744 .4842 .5 3.3643 .4999 .4608 .4929 .4292 A25L .4474 .1?00 .4974 .4982 .4767 .3129 .4994 .4975 .1915 .4946 .4999 .3849 .4934 .4719 .4984 .1ts26 .3810 .4999 .4997 .1554 .2 1.07L4 .3051 .3790 .8 0.3438 .4996 .4999 .1 1 2 3 4 6 6 7 8 I .45L5 .3389 .2939 .1985 .4969 .4032 .4988 .4999 .4979 .3686 .3997 .1664 .2224 .tzt7 .1 0.4909 .4999 .7 1.0 3.4875 .0080 .4963 4973 .4 .7 2.4960 .4999 .4999 .0040 .8 1.4989 .0319 .4976 .4838 .4236 .4967 .4750 .4591 .4997 .6000 3.3170 .4599 .3907 .4994 .4901 .0910 .4997 .1 .4998 .4998 .4505 .4999 .4773 .4 0.3289 .4890 .2 D') 2.2t57 .4 .0636 .4993 .4931 2.Apéndice C Areas baio la curva normal tipificada de0az 0 0.4992 .3944 .4992 .2 ¿-D .4998 .4998 .4943 .1L62 .2389 .1179 .4t47 .4984 .3869 .4999 .4545 :4633 .

34 1.47 2. publicado por l.54 3.L27 .33 8 9 .256 .92 2.255 .626 .257 16 2.683 . AgriculturalondMedícol Recearch.5L 2.34 1.L28 .876 .80 2.649 .688 .64 1.325 .89 1.71 L.32 1.535 .75 L.857 .32 1.36 3.537 .889 .30 3.856 .04 2.09 2.669 .98 1.31 2..37 1.71 t.289 .856 .74 1.7L 1.04 2.534 .262 .61? .684 .79 2.858 .70 1.134 .691 .920 .856 .256 .03 3.856 .865 .78 2.84 2.48 2.34 1.854 .s.531 t.82 6.L28 . Fistrer y F.38 1.77 1.66 9.r29 .90 2.868 .20 2.05 2.130 .858 .06 2.11 3.7L 4.76 2.82 2.36 t2.266 .540 .727 .66 2.254 .63 1.546 .56 2.869 .r3 2.32 L.538 .677 2.706 .66 2.66 t.681 .t27 .879 .563 .128 .68 .531 .29 L.703 .92 6. con permieo dé lo¡ autores y editorea.727 .36 1.686 .258 .8?0 .263 .816 1.256 .72 1.30 1.?8 .533 t2 13 14 15 .42 2.256 .Apéndice D Percentilrr de (tr) l¡ di¡tribsción f de Student con z grador de libertad v úss ¿oo t.70 1.46 2.86 1.48 2.76 2.46 2.532 .t2s .532 .62 2.83 2.624 .860 .137 .57 2.60 2.36 3.645 t.06 2.3L 2.76 2.L27 .689 .53 2.74L .258 r.277 .70 2.02 1.896 .257 .260 .700 .L29 10 11 .32 L.128 .88 2.t6 2.33 1.86 2.71 3.690 .31 1.158 .49 2.128 .257 .70 1.A.48 úes t.267 2.33 1.64 2.688 .36 1.68 2.67 1.861 .84 4.28 t20 € .539 .06 2.11 2.31 .25 3.sgs I .711 .58 2.t27 .629 .00 2.941 .848 . Stotistícal T¿bles for Bíological.256 .L32 .33 .683 .536 .L27 .254 .866 .35 1.L27 .96 4. Edinburgh).45 2.szs tse 31.687 .50 2.90 1.30 L.258 .L27 .67 2.862 .44 1.L26 .06 3.18 2.73 1.643 1.684 .531 . 3 .83 1.72 1.14 .685 .50 3.76 3.686 .76 L.263 .77 2.zo t.257 .62 2.31 1.696 .70 1.17 3.t3 2.630 .t2 2.542 .674 .130 .?18 .07 2.627 1.08 1.98 2.32 L.t27 .260 t.32 2l 22 23 24 25 26 oa 28 29 30 40 60 .08 2.02 2. .07 2.861 .42 1.?l 1.72 2.r28 .60 4.78 2.863 6.686 .883 .532 .633 .256 .L27 .L27 .23 2.09 2.01 2.39 2.72 2.40 1.697 .256 .765 .727 .81 2.584 .692 .ongman Group Ltd.L26 .27L .000 .26 2.t42 .257 .L0 2.76 1.90 2.62 2.906 .96 2.36 2.14 3.530 .96 I7 18 19 .00 1.842 Fuente: R.06 2.68 L.82 2.6?9 .73 1.266 .630 .zs üeo tso 3.531 .259 .864 .32 L.846 20 I.76 2.66 1.255 .261 .92 2. Yate.683 .684 .80 1.t26 .978 .r27 .126 .3?6 1.534 .94 1.569 .873 .31 1.18 63. (previamente pubücado por Oliver y Boyd.L27 .061 .256 .81 1.131 .694 4 6 6 .47 2.

6 16.3 69.7 39.3 14.3 23.23 8.6 20.9 30.2 46.0 17.484 .6 46.6 28.9 11.2 36.7 16.39 10.3 59.8 20.6 31.0 26.? 37.34 1.8 36.63 8.6 28.L6 2.7 12.9 L6.35 6.3 16.3 49.74 7.89 10.0 13.26 6.9 40.6 41.3 13.t 31.6 25.67 3.7 14.6 32.4 37.0 22.0 48.30 7.6 32.0 11.6 21.64 .8 16.81 9.8 45. xlo.6 26.7 33.8 13.57 t.25 7.455 1.66 2.103 x?.6 88.57 7.6 17.41 ?.1 16.7 23.2 16.3 32.L 2l.6 r3.2 11.81 6.6 61.3 2L.7 7.8 48.0010 .6t 6.58 6.83 3.6 13.6 43.3 45.15 1.6 23 24 25 26 27 28 29 30 40 60 60 70 80 90 100 41.D'ID r.96 8 I 10 11 4.S.2L 1.69 2.8 44.2 '19.9 23.6 90.7 29.O.3 X.49 2.0 27.6 12.23 5.3 99.7 2.8 14.0 71.2 29.0 62.3 49.25 5.56 9.9 12.3 39.3 11.56 3.tl 4.34 8.1 37.5 20.L4 6.7 23.291 .6 tt.1 .2oo¡ xlo.8 63.9 26.0 4L.3 29.8 t9.0 16.0 x2ot x'"0 .78 9.7 22.6 109 1r8 130 t28 140 t24 149 Fuente: E.86 11.0158 .9 2t.5 96.0201 .3 18.06 3.8 38.6 9.39 2.5 16.5 43.8 26.9 20.1 DD.2 18.6 2L.7 25.3 20.0 36.4 42.0506 .04 10.2 29.8 28.6 46.4 31.1 41.2 10.831 .6 14.6 12.3 26.60 5.6 32.2t 11.102 .84 9.9 68.3 61.1 27.39 6.57 4.8 14.3 19.6 .99 7.3 24.43 8.2 74.3 29.37 3.4 13.9 34.1 45.3 26.2 62.1 40.4 L02 113 rt2 t24 136 98.8 16. .38 9.3 32.5 24.07 4.77 4.9 48..26 7.2 59.9 19.4 69.3 13.8 18.8 12. t3.6 54.9 17.3 r6.1 10.44 9.7 18.872 L.3 79.90 6.l 22.7 37.2 61.2 t3.5 34.3 30.2 26.4 20.6 56.67 9.3 22.3 22.3 13.8 43. x'.94 4.54 L0.? 42..6 29.4 40.9 1t.03 t.7 46.7 47.66 5.6 43.1 37.5 20.2 24.362 l.70 3.684 1.0039 .3 42.8 24.01 5.6 4.6 19.E 42.4 100 t2. con permieo de lol autore¡ y editoree.4 16.01 7. x?o".4 86.4 85.3 89.9 11.3 53.0 t2 13 18. Vol.45 4.9 13.3 .0002 .6 36.2 28.6 46.4 83.9 35.O tt.7 34.0 14. 347 .3 12. Pear¡on y H.6 30.8 9.9 39.4 23.2 11.3 5.2L6 .3 27.5 16.472 .5 33.9 34.82 4.24 1.6 38.989 1.6 61.1 ttz r26 13? 64.8 34.207 .1 8.6 22.30 r6.2 11.8 32:0 33.33 3.3 35.t7 4.3 61.7 76.7 2t.1 13.1 77.8 t7 18 19 20 2L 8.88 10.1 12.7 73.3 82.59 10.2 44. Hartley.6 50..4 40.9 43.1 28.1 52.66 8.0 20.6 19.3 2L.0 17.34 10.3 17.9 29.7 66.61 2.1 t2..8 67.7 16.73 2.09 2.26 9.r7 2.8 t7. Biomelr:iha Tobles fo¡ Stotitticíane.7 7L.32 2.6 L2.2 67. x?no X.7 60.9 63.1 31.6 24.1 90.73 3.70 6.35 7.0 23.0 44.L 80.87 6. 1(1966)' Tabla 8.3 69.7Ll 1.7 99.7r 4.3 18.6?6 .3 I 1.3 16.2tL .31 10.79 t4.0000 .2 66.26 8.6 74.1 12.0 19.84 5.116 .24 1.Apéndice E Percontilas (¡f) de l¡ di¡tribución chi-cuadrado con u grados de libertad v x.L 30.3 49.0 104 116 l4 16 16 to.6 79.8 13.3 67.4 43.3 17.1 19.34 9.0 r 7.3 23.07L7 .7 38.7 28.1 13.8 14.8 24.24 10.7 26.6 33.3 71.6 24.57 6.9 40.6 66rB 56.2 94.91 7.3 16.1 16.gg x?rn y2 ^-00e .90 27.0? 5.04 7.6 92.7 37.02 7..0100 .0 L07 6.07 3.23 5.2 38.3 15.4 32.E4 6 .3 96.64 9.0 27.2 31.3 49.49 11.20 2.9 18.60 3.8 30. 3 4 o I .58 8.3 73.3 61.8 26.1 39.7 28.6 40.4 34.35 5.3 10.4 63.8 55.554 .2 6t..06 1.6 47.0 69.0 33.89 6.2 14.1 10.2 35.92 2.63 6.18 2.6 22.8 70.6 36.3 27.8 40..3 46.8 79.6 36.2 37.36 4.2 88.3 28.4 35.8 20.o 22.8 14.6 24.3 t6.11 5.3 18.7 18.4 32.26 6.6 108 118 8.1 27.4 3.91 9.63 7.9 t8.6 14.8 67.63 ?. páginas 187 y 188.2 12.4 29.4 12.6 48.7 26.26 3.6 15.4 16.40 6.O' X.7 14.

84 40 60 t20 t.18 2.91 1.70 2.53 3.38 2.75 1.56 2.22 3.67 2.4 19.53 2.87 1.30 3.34 2.82 t.25 2.43 4.20 2.93 5.20 3.71 3.42 2.77 t.09 6.16 2.L2 9.71 2.38 2.00 3.44 2.26 3.69 1.81 t.0s 1.07 4.59 5.44 3.73 1.23 2.74 2.64 2.76 1.49 2.70 2.66 2.59 8.?0 8.6L 2.60 2.2q 3.99 1.74 2.9L 2.1L 2.84 1.01 4.64 2.54 4.76 2.84 1.?3 3.29 2.07 3.92 3.rL 2.L5 2.24 2.59 2.47 2.49 3.84 3.74 4.07 3.59 3.88 4. S.97 1.31 2.99 2.54 2.92 4.02 r.49 2.87 3:70 3.5 19.22 2.87 t.94 1. (1972).64 8.86 3.61 2.4 19.92 1.r3 2.08 4.5L 2.69 3.96 2.85 6.L3 2.10 2.43 1.46 2.52 j 3.85 2.09 2.28 3.50 4. ¡O 5.83 t.00 I.08 2.45 2.33 2.35 2.89 1.95 4.02 2.43 2.46 2.32 1.44 3.4 19.58 3.85 8.42 2.48 2.96 1.79 2.2r 2.76 2.L2 2.57 8.69 1.50 3.3L 2.78 t.67 4.24 2.16 2.20 2.90 1.tl 2.90 2.29 3.91 1.84 1.90 2.04 1.03 1.L2 3.20 2.98 2.80 a.24 3.06 2.37 2.47 3.L5 2. Tabla 5.27 2.05 4.g¡.18 2.07 2.76 1. l'.80 2.50 1.01 2.95 2.76 4.46 2.96 2.75 1.5L 2.L6 2.89 1.01 1.10 2.45 2.33 2.46 2.85 2.01 2.32 2.4e 3.51 2. parr le di¡tribución F u1 grados de libertad en el numerador /2 gfados de libertad en el denominador ><.94 8.79 3.39 4.04 1.6 10.51 3.93 1.47 1.7 4 2:28 2.t5 2.L9 2.rL 2.75 1.L8 2.93 1.53 2.90 2.26 2.03 2.18 2.27 2.69 4.94 1.83 2.t0 | 4.22 1.01 2.65 2.26 2.L8 2.96 4.81 2.79 t.81 8.14 3.96 1.59 6.32 2.99 1.48 3.lL 2.0Q 2.40 2.37 2.84 3.68 2.97 r.(}51.05 2.35 2I 22 23 24 25 26 27 28 29 30 3.25 2.68 2.54 2.47 2. .54 2.95 1.13 3.23 3.28 2.98 1.37 2.00 2 Fuente: E.4 19.r8 2.01 1.06 2.58 2.4E 2.84 1.90 2.8L 2.32 2.13 2.61 19. Pear¡on y H.77 2.91 5.19 4.41 5.Apéndice F Porcentila 95 (nivele¡ 0.15 2.84 2.34 3.38 2.90 1.01 1.42 2.49 4.62 2.41 3.57 2.14 3.83 2.45 2.16 6.6? 3.45 2.t0 2.08 3.55 2.77 L.2r 2.86 5.37 2.62 2.62 4.96 5.66 5.28 4.08 2.43 2.46 2.29 2.29 2.79 8.92 1.LL 2.49 2.57 r.64 1.07 2.7l 2.59 2. I 2 3 1 2 s 2L6 4 b 6 7 8 9 10 L2 16 20 24 30 40 60 t20 @ 161 225 230 234 237 239 24L 242 244 246 248 249 250 26t 252 253 254 18.84 4.46 1.60 3.71 2.37 3.85 2.DD 1.10 4.60 2.76 1.98 1.5 19.5 19.40 4.66 2.34 3.5 19.85 2.27 3.r2 2.35 4.79 1 a^ 1.25 2. página 178.34 2.15 4.22 2.93 2.49 2.68 4.?9 r.42 3.36 2.t9 2.69 2.35 7.93 1.92 1.03 1.94 1.09 3.96 t.12 2.53 2.7L 6.3 19.69 3.0L 1.68 3.39 2.81 1.73 4.4 19.66 8.98 2.75 2.30 2.63 5.41 2.41 3.66 2.92 2. con perrniro de los autoreo y eütorea.79 2.32 4.85 1.94 2.96 1.38 3.42 2.70 2.22 3.64 2.87 3.79 3.94 3.r7 2.84 1.23 2.77 2.31 2.40 2.7l 1.62 2.28 2.07 3.23 2.?0 1. Vol.73 2.57 3.74 1.05 4.23 4.81 3.07 1.92 1.87 3.00 5.22 2.2 19.09 2.57 2.38 3.38 2.48 3.06 2.26 3.6L 2.12 2.65 2.96 4.28 2.53 2.66 2.44 3.36 2. Eiom etriho Toblec for Stotíaticianc.84 2.80 2.09 2.91 3.54 2.79 L.86 1.99 1.93 2.34 2.04 3.t2 4.62 8.57 2.53 r.6? 2.77 2.60 2.1 7.97 3.85 1.0r I | 4.45 8 I l0 11 5.77 4.39 6.98 2.23 2.06 t.04 6.83 2.8z r.42 2.00 3.86 2.35 2.5 19.01 1.11 3.74 2.28 3.65 1.80 t.58 1.27 2.15 3.78 2.96 2.60 2.87 2.35 2.58 2.03 ¿.97 2.53 2.L0 2.07 3.46 4.17 3.94 1.76 2.20 4.01 8.40 2.l I D.78 2.63 2.63 3.03 4.21 4.53 4.20 2.7r 2.34 2.05 2.26 6.34 2.7L 2.55 8.40 2.56 4.5 9.72 5. O.30 L2 13 14 15 16 L7 18 19 20 2.r9 2.39 3.42 2.67 t.61 2.24 2.t6 2.2 19.46 2.39 2.25 2.84 3.62 2.27 2.34 2.70 I 2.90 1.84 1.74 4.01 2.19 2.68 t. Hartley.16 2.35 3.24 2.20 2.4 19.r7 4.33 3.63 6.27 2.2L 2.30 4.88 4.61 2.35 2.18 3.46 2.64 2.88 1.55 2.66 1.28 9.95 2.99 5.18 3.39 t.60 4.69 5.37 2.49 2.41 3.30 2.11 2.31 2.56 2.35 3.53 2.36 3.59 1.96 1.32 2.30 2.06 2.92 2.3 4 o 6 I 19.62 1.01 2.06 4.95 1.61 I.25 2.66 2.91 1.76 2.64 3.70 1.88 1.87 r.12 3.r5 2.89 2.29 3.74 8.89 8.89 1.82 4.25 2.L0 2.04 1.02 1.4 19.82 2.21 4.75 4.

60 3.16 3.84 2.64 3.r3 2.23 3.6 13.61 4.6 10.29 7.10 8. Tbbla 6.4 27.4 27. para ls di¡tribución F v.67 5.6 5981 6023 6066 6106 615? 6209 6235 6261 6287 99.ó 16.ó9 3.22 3.95 5.90 3.7 27.2 29.47 5.85 2.25 4.01 5.38 9.?0 1.94 1.98 2.50 4.82 4.91 5.78 3.59 6.19 5.64 6.96 2.58 4.5 13.83 2.78 2.47 6.54 3.01 3.7 13.06 4.46 2.03 3.11 6. Vol.01 6.se.50 2.54 3.10 3.00 3.84 9.89 3.93 4.99 6.7r 4.02 6.2 13.11 2t.93 6.42 3.29 2.35 4.13 2.49 2.55 8.23 5.06 2.2 18.72 2.81 3.80 2.0 15.oD 8 ?.17 3.22 4.31 4.42 5.42 2.2L 6.89 4.89 3.51 s.62 3.L7 4.17 4. página 180.74 2.00 2.08 3.84 6.99 b. gFados de libertad en el numerador v2 grados de libertad en el denominador x1 I 98.APENDTCE F 349 Percentila 99 (niveles 0.21 3.99 3.36 3.66 6.41 3.40 2.67 4.94 4.95 1.16 3.40 3.L4 4.02 3.3 10.16 3.72 4.87 6.5 10.9 99.65 8.68 8.sz 2.62 4.65 3.52 3.64 2.80 5.63 8.26 4.36 6.86 3.62 4.66 4.69 2.40 4.83 3.84 2.0 30.00 2.78 3. 2 (1972).30 3.68 99.78 2.70 2.46 3.63 3.19 2.42 2.13 3.36 3.46 5.95 4.5 26.7 16. con permirc de lo¡ autoree y editoree.2L 3.64 3.4L 4.39 4.97 6.10 4.29 6.45 s.30 3.01 1.59 3.31 2l 22 23 24 26 26 27 28 29 30 40 fó 4.22 5. l4 15 16 4.r7 3.63 2.74 4.76 4.64 4.76 1.68 4.60 2.6 14.S.78 3.39 6.10 4.75 3.86 6.33 2.63 5.18 8.91 . Biomeúiho Toblec for Statbücbnc.04 3.66 2.t7 2.06 6.88 7.66 2.5 26.39 2.46 3.74 4.88 5.?5 8.03 3.57 t2.4 99.75 2.89 7.55 3.1 7.80 6.75 2.65 3.70 6.18 4.02 2.51 3.89 3.35 4.36 2.0 9.80 3.8 99.77 4.69 3.86 2.37 4.3 28.37 5.06 4.17 3.88 2.2 99.20 2.07 5.67 9.87 4.51 3.4 99.03 5.87 2.84 2.23 6.28 4.1 a.66 3.89 4.38 1.2 9.52 3.5 26.23 2.60 '7.üb D.66 2.2'.72 5.60 4.63 3.28 4.4 11.65 9.1 13.16 3.90 2.61 o.72 2.65 2.4.43 4.59 3.t4 4.33 8.26 6.70 3.49 12 13 6.26 4.32 4.78 3.49 2.1 6.3 L2.l 8 I 99.t4 5.60 6.l 11.40 8.5 26.67 2.47 t4.2r 5.10 L2 16 20 24 30 40 60 L20 @ 4062 6000 5403 6625 5764 5859 99.00 3.29 2.Ll 2.56 4.43 3.9 99.02 7.3? 3.b8 2.46 6.23.20 4.42 4.8 99.94 3.4 9.86 3.3? 3.00 2.35 3.5 34.37 2.10 3.0s 1.00 t20 Fuente: E.56 5.70 3.09 3.07 3.45 7.33 3.O.31 3.5 26.0 16.21 2.67 6.26 3.17 3.18 5.19 l0 99.12 4.71 3.32 3.7 14.62 2.3 13. Hartley.6 9.79 60 2.3 27.02 7.36 4.54 2.26 3.o J 2.61 6.47 3.92 2.59 1.82 4.56 4.46 2.2 ?.68 3.72 5.76 2.20 4.0 10.36 3.3L 6.20 2.87 3.4L 2. .6? 3.58' 2.32 5.30 4.66 4.r 26.09 3.26 2.54 4.18 3.98 6.L4 5.67 3.13 3.5 14.41 3.43 3.52 2.08 6.03 2.34 4.3 14.09 3.31 3.39 4.07 4.30 3.92 2.7 99.68 2.L2 2.31 3.3 8.72 7.56 3.86 3.56 2. 3 4 o 6 .5 9.94 2.71 3.59 3.8 10.65 6 .57 2.64 4.93 3.96 3.011.26 4.86 8.62 5.67 2.92 2.03 1.25 3.42 6.4 27.04 3.63 4.09 2.33 4.02 7. Pearron y H.12 3.81 4.19 11..69 3.44 4.60 1.91 6.46 3.32 2.93 2.76 3.12 3.41 9.10 2.07 2.4r 5.21 3.61 6339 6366 99.49 5.54 20 9.54 5.50 4.60 3..15 2.44 2.34 3.16 5.30 7.70 2.44 4.96 I 10 11 .37 3. F.30 3.96 2.56 6.00 2.40 6.07 6.55 7.7? 7.11 6.88 2.70 8.47 2.04 4.94 3.39 3.81 6.66 2.60 4.66 99.85 4.3L 2.46 7.18 3.56 6.4 13.93 z.86 1.52 4.9 9.63 4.78 9.72 7.80 3. 8.66 2.89 4.L2 1.82 4.4 26.07 4.?9 3.29 8.18 3.40 4.oo 7.99 2.54 t7 18 19 4.94 3.45 3.31 9.15 8.2 9.7 10.99 5.48 3.01 3.72 6. 3.41 2.53 3.95 7.01 .2 16.03 2.78 3.36 2.64 7.2 14.96 4.31 4.43 3.25 4.68 7.86 4.tL 3.42 3.31 7.85 7.29 3.74 6.0 9.10 6.51 3.20 4.08 3. 3 4 o oot 28.82 7.94 3.35 2.38 2.63 6.73 7.86 4.26 3.99 5.03 2.7 10.

Apéndice G
Logaritmor dpcimale¡ con cuatro c¡fra¡

N
10

0

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

2

3

4

5

6

I

8

v

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

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

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

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

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

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

Partee hoporcior¡ales

22 23 24 26 26 27 28 29

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

4728 4742 4757

30
31

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

82
33

84 35 36 37 38 39 40

4829 4969 5105 5237 5366 5490 5611 5729 5843 5955

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

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

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

81114L7202226 81113L6L82L24

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

81113151719 81012141618 810t2L415L7 7 911131517 7 911121416

7 7 6 6 6 6 6 5 5 5

910121415 810111315 8 9111314 8 9111214 ? 9101213

7 ? 7 6 6

9101113 8101112 8 91112 8 91012 8 91011

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

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

4l
42 43 44 46 46 47 48 49 60

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

65/'2 6551 6561

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

5l
62 63 64

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

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

7tt8

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

N

2

D

6

I

350

APENDICE G

351

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

N
55 56 57 58 59 60
61

0

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

2

ó

A

D

6

7

8

I
1474

L23456789

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

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

7435 7513 7689 7664 7738

7443 7520 7597 7672 7745 7818 7889 7959 8028 8096

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

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

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

7

62 63
64

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

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

6 6
6

65 66

ot
68 69 70
7L

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

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

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

6 6 6
6

6 5 5 5

72
73

14

to
16 '/ó
79

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

8791 8797 8848 8854 8904 8910 8960 8965 9015 9020

5 6 5 5

80
81

82 83 84 85 86 87 88 89 90
91

9036 9090 9143 9196 9248 9299 9350 9400 9450 9499

9042 9096 9149 9207 9253

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

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

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

6
5 5 6

6

9304 9309 9355 9360 9405 9410 Q455 9460 9504 9509

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

o9 93 94 95 96 97 98 99

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

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

344

9786 9832 987? 9921 9965
I

9791 9836 9881 9926 9969

9?95 9841 9886 9930 9974
4

9805 9850 9894 9939 9983
6

9809. 9814 9818

9854 9899 9943 998?
n

9859 9903 9948 9991
8

9863 9908 9952 9996
a

3 3

4

N

Valorc¡ de e-^

(0<r<1)
}'
0

I

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

3

4

5

6

7

8

I
.9139

0.0
0,1

0.2 0.3 0.4 0.6 0.6 0.? 0.8 0.9

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

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

.9608 .8694 .7866 .7118 .6440

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

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

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

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

.8270
.7483

.677t
.6126 .5543

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

.5827

.5273
.477L .43L7
.3906

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

.Eore
.4538

.4107
.3?16

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

lo¡ valores

de

e-r

para otroe valore¡ de

I,
=

emplear lar leyes de los exponentes.
.03081.

Ejemplo:

-¿-3.48

=

(e-3oo)(¿-0.r8¡

=

(.0a929)(.6188)

Apéndice

I
Números aleatorios
74640 2349L
601 73

51772 24033
45939 30586 03585 64937
1

42331 83587

29044
06568

4662I
21960
1

62898 2L387 55870 86707 85659
551 89
41

93582 76105

04186 10863

52078
75797
81

25424 45406 82322 20790
98527 30277 60710 06829

1645

02133 79353 03355

31041 96799 65304

56974 12973
36081

37428
171 69

938

50884

19640 97453 93507 88116 14070 rL822 24434 41982 16159 35683

8?056 90581

94271

42t87
74950
15804

95863 51135 57683

5630

64759
56301

09448
21 631

62586 94623
5229A 87843

889

00745 25439
68829 48653 27279

65253
88036 06652
71

67283

85418 16835

49t59

9tt57
17480

7733L

590

t4676
47280

91097

294t4

28L95

47162

362

Respuestos o problemqs suplementqrios
CAPITULO
1

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

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

(c) {5i (d) t5}

k) @ (/) {3}

@) {2,6,3}
(¡¿) {6}

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

(d) {4} (¿) {3} (/) {3,4}

5/36

(c)

0.e8, (d) 2/9

(e) 7/8

) ) (c )
(o

(b

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

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

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

(e) 4/5

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

(e) IL/t6 (Í) L/5

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

(i\ (i)

6/26

52/225

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

(e) Lr/L5 U) r/5

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

1.86.

(a)

3/10

(b)

1/10

(c)

315

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

r.106.
1.107.

(¿)

32,805

(ó) 11,664

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

1260

1.108. (a)

120 10
6

(b) (b)

72

(c) L2 (c) 45

r.r09.
1.110.

(o)
tt.

70

.

1.96. 113 1.9?. t4/57
1.100.

=

1.111.210

8 12
(b)

1.112.

840 ?000

1.101. (a)
r-LO2.

2620

(c\

720

1.113. (a) 42,000 (b)

n:5 60
5040
(b)

lJla.

(a)

L20 150

(b) 2620 (b)

1.103.

1.115. (¿)

46

(c) 100

1.104. (o)

120

(c)

240

1.116. (¿) 1? (b) 163 1.117. (o)

1.105. (r¡) 8400 (b)

2520

20

(ó)

330

(c) t4199

353

354
1.118. (a)
16

RESPUESTAS A PROBLEMAS SUPLEMENTARIOS

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

6rys

¡

ya

1.119.2016

L.r22. (a) 5/L8 (ü) 11/36 (c)

1/36

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

44

(b)

2r

4

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

4152CB

r.127.

(6Ca)(aCz\/MCs

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

Ql

QCz. ¡¡'Ct

*

a'.Csl,l12cs

4(r3Oa\hgC+)/szCss 1025

r.l3E.

(o)

120

(ó)

60

(c) 72

1.131. 2.95 x 1.133. 0.8%

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

aproximadamente - 3

1.f40.

3L26/46,656

1.13ó. vT1
L.146. (a)

l.l4t.

(a)

4

(b) 14

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

4/52C5

r.t47.

2/243

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

126 462 3/32

(ó) , +,- rCn(b) (b)

r

,-tCn-t

1/16 (cl r/32

(d) 1/8
prob. empate

1,151. prob .4 gane

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

=

L26/216

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

2
0

2.38.

(¿)

I
3/8

o

3

2.39.

(a)

0

I
t6/28

.)

f(r)

r/8

3/8

t/8
t

f(r)

3/28

6/14

2.4o.

(a)

t

0

1

f(r)

9/64

r5/32

25164

RESPUESTAS A PROBLEMAS SI'PLEMENTARIOS

365

2.42.

(a)

r
f(r)

0 194,580

1

2 6768

3

4

270,726

69,184 270,725

r92
270,725

270,726

2.43.

(o)

r
F(n)

0

I
U2

2

3

L/8

7/8

I
4

2.46.

(o)

r
f(n)

I
L/8

2

3

(b) 3/4

(c\

7/8

(d)

3/8

(el 718

u4

3/8

U4

2.47.
2"48.

(o)

3

(ó) e-B

- e-6

(c)

e-s kll | -

e-s

F(r)

=

2.49. (al

6l2s

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

2.50. F'(c) =

2.6t.

(a) r/27

(r2/9 0<¡(3 de oha forma l0

(c) 26/27

(dl rls

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

fo

2.66. 2.67. 2.ó8. 2.60.

(¿)

(a)

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

(ó)

/r(u)

= {o

(Ale A = l'2'3
orra u

(d\

6116

(¿)

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

(ó)

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

tl1

*

al

o<a=l v=l

a=0

(a) (ó)

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

2.61

.

(a)

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

t)

=

rÍl'

0

5

Y

=

1

otra

r' O=A=I
0

(b)

l(r+ull@+l) 0 < ¿-< l, = 1o o<rsl,

=Y = otray

1

356

RESPUESTAS A PROBLEMAS SUPLEMENTABIOS

; i . ¡

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

0<rrl'

0=v<1

;
i |

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

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

,=o,u<0

A¿O

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

de oha forma

0 de otra forma

2.72. (o) c(u) =

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

(D) c(ut

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

i:i::
de otra forma

o

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

0 de otra forma

=

" {; '' 1"1í,""1.",t
I

2.82. c@)

=

{í'"-''u

:::

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

2.E3. l/4

-" ;: ;

2.s4.

s6/2*g

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

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

-

7e-o

2.89.

(a) c = (a)

1

(ó) 8e-2 c2=

,

2.9L. 2.s3.

cr=2,

I

- e-4 (ó) 9e-2-lAe-s L0

-

ze-r

(c)

4e-s-4c-?

(iI)

e-z-¿-t {ó

(el 4c-s

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

2's6' (a)

{r-^''
-rn2)

1"t"r0.".,-" (ó)
(r)
o1+

{;t'-"
zlrn

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

2.e0. (b) ;(1

lrnz

(¿)

2

,

2.e8. s(?)

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

2.ee.

(b)

7/L8

2JoE. \/r/z

(o) (a) 1 (b) I (c) rla (c) 3. (a\ l/2 parae>O (b) lParay>0 .64.E4. 3. p¿=35 (b) pr = 0. 3. (a) (a) 2/3 (b) 2/3 G) aB 7/a (c) @\ Als 3. 3. <1 (ó) p = l. (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. 3/2 (bl 3e/4 (a.82.5 3 (b) r3n/6 (a) 35112 @\ (ü \Elm. pi= 2.83'.46.44. 3.E0.72. pí= 2.61.54.\ +(et/2+e-t/2) = cosht (ó) p=0. 3. o*=1/t5/ZO 4 (b) 2 (c) .47. (c) 315 3. 1e/10 (¡t') 6/6 a/3 @ 1 \Ng 3. 3. pi= Al=0. 3. yí= 6./3s12 3. 3. 3.50. 3. (c) 1/(1¿). (a) (3r +2\/(6r*3)para0 5 ¡<i t¿l lsu+Z)/(6u*3)para 0 = a = | 3.74. 3.\klzk+t(k+ll I qeiab co)/ao 3.45. pz=7-.79. Ft=2. pí=1. 3. nx=lE (al (a\ (ü) Var(X)=3/80. pá: t6/5. 3. p3 =-L2lll60./m/L8 (d' \rzssñ8 (e) -9L/32a (Í) -sr/235 4 tb) 4/\/35 -t/tst¿. (e2ia-Zie2ia-ll/"2 (a) (¿) (¿) Lr/144 (bl rr/L44 1c¡ t/iJttz (¿) (¿t) \/-LUr2 (e\ -L/L4a 0 -!rr 1 . (o) 1 (b) (o) Var(X)=5.(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) \.77.62.ó6.62. 3. 3. pí=0. 10.60. pn=33 (c) (bk+r'st<+r)/(k* 1Xb-o) peiaa (sen (ó) [1+(-1)k](ó -a. 3/2 n (b) -2e/6 Lla !4 3.48. (a) 1 lb) 7 (c) 6 3. i¿l p4=230718960 2a 3.69.6E. ps: -5. Fz:5.ezt\/zt2 (D) p = 4/3. ú= (a) h=0. (o) (f + 2te2t . Fz:3/80. 3.RESPUESTAS A PIOBLEMAS SI.67.68.78.65.5e.55. 7/0 (ó) 6/5 3. 3.66.E1. 3.'PLEMENTARIOS CAPITULO 3 3.7 3. 3. 3. pl:L L6/3 3.43.57.

8/2 (ü) 1/3 (c) 0 .1or.125. (o) 1 3. (al 3.116.120.17 (c) 0.123.118.e2. (o) 3. (¿) 3. (o) (c) 8/16 1-+y'3 (bl v2 3. (o) 0.[o ) 3.10E. (a) r 2 0 (ó) 8(21/2-r)/L6 (D \. (b) 2415o (ü) e (al (a) (b) 6/e (b) 1/18 (c) (et * 2e2t + Sezt)16 (d) (d) (eto + 2e2to + 3e3. (a) 3. (a) 3. (a) (b) r/4 (b) 0.90. 3.85. (o) 1 I (ü) (ó) (y'3.109. (d) 1- (1/\. (bl 3614 (1 @l atg (b) 2/e L (c) * 2te2t - e2')/2t2 (el -2\/fr/r6 (d) -(1 + zibe2ia . (o) (c) 3 (ü) 3 3. (a) x Var (Y lX) 0 5/S I 416 2 (ó) Y Var (X I Y) 0 I 2S/36 2 24t49 3. ffiParao rle (b) 1 6x2*6n*L s r:< I . (o) (ó) ln 2 (D) I 3. 3.94.ze-t (D) no existe (al 2(\F-Ll/3 (b) L6t7 2 0 2 7/3 r/3 2t/2 (b) e 3. (¿) 1/y'5 3.358 RESPUESTA"S A PROBLEMAS SUPLEMENTARIOS 3. (o) no eriste (ó) (c) 3 -1 (c) e-z *0 3.114.L22.105.121 .100.126.5 02. (o) (a) 3.05r 3.eziarlznl u) 12/6 3.10a.113.89.. (a\ L 3.f 6/9 7lr2 o 3.119. .124.103. (o) 3.r/r-tsnflo) (ó) \F@i @ tlfr.1)/4 (c) 16/81 3. t"l .###parao < nr 5r 3.o)/6 (a) -7/27 (c) 2(et-l-t¡¡¿z -Z(e--l-ü¡¡"2 (e) r/136 3.127. (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 3.91.

E1.7% (b\ 54. (al93% 4.77 (a) npq(q (o) 1.67. 4. 4. 4.76.03?5 0.0089 (o) (o) 0.62. 4.0154 (e\ 0.726t (/) 0.66.63.9198 (c) 0.5976 (c) 0. L93t5t2 (a\ @) 32/243 (bl re2l243 k\ a01243 (dl 2421243 42 (b) 3.64.E8.3% (a) (o) (a) (o) 1.t"/o 0.t9.s27 1.78. -0. 4.e265 (d) 0.66.80.2991 (c) (o) 0. 84 (bl 8.03eb .7t. (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 4.7123 0. (c) (p) 0.87.849 (e) tt. 4. 4. 4.1008 (c) o.4232 (o) 0.73.61. 4. (a'¡ 6L.68.93. 4.4 (¿) 0.82. 4.1680 (/) 0.0% (c\ 93. 641243 25 (c) 500 4.9500 0.86 (c) 2.626 ó 0.1494 0.2241 (d) 0.550 (c) -0.0668 (a\ 20 (b) 36 (cl 227 (cl (d) 40 @) 15% 4. 4.a7% 4.995 0.6 (b) e (b) 72.0658 4. 4.I RESPUESTAS A PROBLEMAS ST'PLEMENTARIOS .9495 (b) (ó) 0. 359 CAPITULO 4 4. 4.91. 4.0?86 (c) 0. 57/6a Q\ 2r/32 (b) (ó) 4.08 (d) r.224r (e) 0. (a') pl (b'l npq(l - 6ps\ * 3n2p2q2 -1.049?e (ó) 0.1127 (dl2.15 (b) 0.0567 (b) 0.0079 0.E3.76.8?67 (b) 0.E6.0687 0. 4. (o) 0.90 75.89.90.06131 .84.5.0286 (d) 0.05610 (b) 0.6404 (d) 0.6826 4.2511 (b) 0.7% (al e5. 0. 4.75 (b) -1.74. 4.9962 (b) 0. 4. 11/16 (dl 518 (a\ r7lL62 (a\ (a) 5/16 (c) 4.1342 0.0838 (b) 0.G¿s 4.85.77 (c) 0.4% (bt 23.92.69.

(a\ 3/4 .Lo4. ¡2.rr3.L29.829 1.3/8 4.L27.ro9.16 5.BB (d) -0. (o) 5/3888 (b) 5/324 4.40 o¡ ligeramente menor que 0.68 2.00g oz oz oz.tr2.128 (d) -1.136.166 6.76 1.64.2 zr.s5 z.r2o. (¿) 4.s a8.005? (b) 2 (c) ninguna (dl 24 6.t : 5.94.48 4. (o) 0.7 (b\ 4.0 (d\ 2.1b82 (c) 0.0918 (d) 0. 22.2 (c) suponiendo áreas iguales en las dos colas. 0.136. (o) B0.8164 (ó) 0.2 4l. (a) 0.00J8 (d) 1.60 3.128.58 5.6e64 (/) 0.? 3/4 16. ('f) (l?)/(l?) (iSX?SXtt) sla 0 (b) (ó) (ó) (ü) l(¿ocoxzoc2ol+(4oc'l(nctsl* (qoc)(ncnl)taoczo 4. @\ 4. (a) L22.3 (d) (d) 55.03 (¿tl 2.360 RESPUESTAS A PROBLEMAS SUPLEIVTANTARIOS 4. (Q 4.1 4. (a) 0.130.s? 4.84 (d) 4. 82S\fe (b) (ü) (b) 2(b-al4/6 e/5 113 6.138.51. (a) e.861 (. (a) 4.04462 (c) 0.9544 5.2 (c) (c) (c) 2B.) 4'106' (c) 4.008 = oz. (a) 4.62. (a) 0. (c) p.0 (b) 4.47 (c) e.1? v 7!r= !4. (a) ?0/429 (b) l/143 (c\ L42|L4B 4105 (.r?r. (a) 237 22.0 (b) (b) 4.1033 (c) 0.75 2.62 (b) CAPITULO 5 (c) 0.40 oz. @) 2.8b2 (e) 0.47 (c) 9.b9 84.L4L.r03.75 1.101.ro2.81 (bl2. (o) e.50.13?. - 2.5 (b\ 4.0620 4.008 oz oz (ó) (b) pX pX = 22. oi : 6. (a) r 4.. (a) 0 4.35 L7e.L32.LB 4.2 2s6. (a) 2.0 (d) 8.34 2. (a) 1.r y 26.B 4.55. Ll4 aJLa.40 oz.8 68.00248 (b) 0.111.0228 (c) 0.0 (b\ 4.73 -0.o rí. (a) (d) (el 2.gs (e) z.0e (c) (c) (c) (c) 1.. (a) 9.4 ft\ *e-tn -1"-.000948 (ó) 0. o* = 0. o* = 0.s 20.0000 .L26.53.4O 0. (a) 201.l 86. (o) sx = 22.71 (ó) (b) (b) 1.4972 (ó) 0.000295 4.160? (d) 0. (a) (ile)/Q?) .49.

6. (c) 0. 0.01 (c) menor que 0.t1 5.1%.L6 (ü) 0. .76.90 5. (a) menor que 0.0482 .20% ton. 99. 5.RESPUESTAS A PROBLEMAS SUPLEMENTARIOS 5.3226.56.01 (b) menor que 0.74. (o) 0.00 6.10 5.166 ó 16.65. (ó) 0. 5. 0.8 lb.0136 0.7349 pulg. (a) 24% (b\ rL% 5.6 (fl @) a6% 100 (horas) (s) 62/a00 (h) 25.tO. 5. .6.003 pulg. 0.5E.99.t7.326-0:328.91?2 6.113.92..3%' 99.6 (d) 10995. . 5.108.E6. 78 á. (a) 5.0 s ?9 5.26 5.1841 (cl (o) 118.33?6 pulg.1.?9 0'0228 lb (b) 0.00?? (ó) 0.62.97.73. (a) 82 6Jo2.9596 (c) 0'1161 .1o9.72642 pulgadas 26.. 0. (a) ?99 (ü) 1000 (e) (c) 949.47 (ó) e = 5.100. (a\ 2.01?9 5.0019 (ó) 0.?4 lb I 2 (d) 126 0. O.9t.94.326.9 lb 5.06 pero máe cerca a 0.0064 (c) 0'4504 5.6% = 0.322.01 y 0. 86 5. (o) 5.33f0.e5.93.72. 0.105.LL2. (o) 0.104. 6 0 -1 (ü) 40 4 6 (c) (c) 288 (d) (d) 2188 (b) 0 26.0% 76 5. (o) 0.0.01.60. (@) 0. 1199. 46 (@) 0.49 0.a84 5.68. 11. (¿) (o) (¿) (b) (b) 0.o% 78.0. 0.0006?6 pulgadas (b) 72. (o) 0. 5. (c) 146. (ó) 38. 6.59. 12.111. (¿) 0.49 (c) 0'28 5. 6. (o) 10. (o) ñ = 2.81.33? 6. (a) 2 6 6 (b) 996 (b) (c) 218 12 5.50?.6% (il 0't ts.01 (b) entre 0.3196.7o.2160 (b) 0. (c) 0. .0028 (b) 0.63. 5.. (o) (o) (ó) (ó) 11. (al 4018 6.60 5.60 0. 5.11 5.60 1'.8869 28. 80Eo.?33 (c) 0. 5.00496 pulg.0026 6.3265.36 (ü) (ü) 0'17 0. 501.8664 (c) 0.86 (ó) (c) -e1 (d) 63 .76% S. .2 6.7L.106. . 5.101.67 0. (c) 0. 8. (b) 0.82.96.09 tons.323-0.0316 5.3204.66. 5.

24 lb2 (c) 0. (o) ?8.38. 2. 26.25.L2.122.38 384 (b) al menos 221 (c) al menos 666 (d) al menos a 1. m1 = 0. 6. (a) 0.12t.2 106 (ü) (b) 8.31.?3 onzas onzae (ó) Z.20 (f) 7.12 hr t 0. m1 :0.131. 101. 0.29.72ti42 t 0.030 eegundoa (D) 0. Las estimas de las media¡ de la población son 1200 hora¡ en todos los casos. 6. ms = 0.30.69 I 0.33. (o) 0. (b) -4.3?.0 y 100.11 (ó) 0.128.362 ó.88.09 t 0.126.546 2.41.09 t 0. 6.5 horas. (a) 0..22.72642 + 0.1 ó. 0. 101.36.000025 pulC.0090 CAPITULO 6 e. (q') (c) e2.123. tb9 5.2 (b) 0. (¿) ffiz: 0. L9.97.Se (ó) ?. 60 y 100 tuboc son respectivamenüe.36206.0696 r¡¿o 560 (c\ r.241 7.62 r 0.0586.84914 6. (d) 032642 a 0.125.74 5. (o) 1.16 onzas 0.41.7. 6.000060 pulg.2464 (b) 52.000072 pulg.130.43.82 0.72642 t 0.?0 r 0.22 0. (o) 0. n4= 0 -0.62 6.09? (c) 0.298 t 0.127.u (o) al menos 323 hr (b) al menos 560 (c) al menos ?66 (b) 1.4 hr Las estimas de las desviacionee típicas de la población para los tamaños de muestra 30. 0.2 (d) 7158. rn2= 5. (o) 9.117.18 tons.82.118.e5 5.116. -0. 6.39. 6. 5.045 6.94 Laprimeradistribución (a) la aegunda (b) la primera 5.53743.129.00002b pulg. (a) 1200 hr 6. m1- 89.4 4 (i) (il 706. 0.86 lb reepectivamente 6. -1r7. 0.?0 * o. (a) 5.36. (o) (b) 105. 6.tu.428 24.38 (a) ?.9?.68 a 0.049 segundoe 6.96 onzas t t I 0.28 (b) (s) ?8e.5 lb (b) 0. (ó) 11.18. 0. 7 RESPUESTAS A PROBLEMAS ST'PLEMEI.2344.40.000095 pulg.124. (b) 0. (c) 0.045 0. 0. 1193. 42 5.493e (b) 5.073 i 0. (o) 0. (bl 0.38 I (a) 0.24 tons.?8 y 0.112 .07 t 6.70 t 6.7.38 (hl 22. (o) al menos 96 (ó) al menos 68 (c) al menos 16? (d) al menos 225 900 (o) al menos (o) 7. (a) 11. ó. (o) 0. = -3.0? (b) 0.298 0.000085 pulg.35 (e) 26. (a) 6.¡'TARTOS 5. 6.72642 + 0.115.r5 (c) 0. 0. 0.6.0ab t 0.09 t 0.34.

62. 0.5 (ü) 102.58.00 (ó) 13.lre 24 y 40. (Hi p> 0. 6.78 (b) 0.9 1?0.06? a 1.?41 a l.5). 86 lb (b) 1800 t 328 lb (c) 1800 t S82 lb 6.31 onzas 6.52. (d) Rechazar lfe ei se extraen más de 41 bolasrojas. (a) (IIe: p=0.Bb 6. (a) 6. y se acepta en ceso contrario (o no se toma ninguna decisión). (o) a 230.99. (c) 106. 2400 t 45 librs¡.05 en ambos en!¡ayos. mediante un ensayo unilateral en ambos caso8.50.06 (c) t2.519 a 7.9 6.67. Sí.79 kl) t2. 6. El re¡ulüado significativo al nivel de 0.24 249 onzas lb (ó) 63. (b) Ensayo unilateral.r. (a) 63.01 en (o) ni en (b).8 (b) 0.5 a CAPITULO 7 7.1 a 148.68. .. en ambos nivelea.2606 7.269 (o) 0. (o) t¿.4 horas hora¡ horas (b) 78.6 horas 2400 ! 59 libree (b) 87. es 7. (a) Aceptarlahipóteeissilasbolasrojarextrafdasestánent¡e22y42 rcchazarlaencasocontrario. (c) Aceptar la hipóterie ¡i las bola¡ rojac extrafdas esüán ent. 1.1 horas 6. (c) Rechazar 116 si se extraen más de 39 bolasrojasy acept:ula en caso contrario (o no tomar decisión alguna).17.14 (a) 0.60.8 t 0. (b) Se puede rechazar la hipótesis d nivel de 0.(b)0. 7.ó4. Se puede rechazer la afirmación a ambos nivele¡ mediante un enaayo unilateral.63.49.8 l: 0...RESPUESTAS A PROBLEMAS SUPLEMENTARIOS 363 6.0 4802 (ó) al menos 8321 (c) al menos 11.61.1 a 288.58 e 2.4E.56. 6.63. rechazarla en caso contrario. ?.66.15 6.64.65.1 a 140.6 ¡ a 1g0.05. (a) al menos 87. 139. .5 horas (b) 88.58.654 a 1.51.46. k = -lln - (ct.69.70 (b) 0. 7. (o) No se puede rechaza¡ Ia hipótesis al nivel de 0.ó2. 7 No se puede rechaza¡ la hipóteric al nivel de 0.5).9a1 a 2.673 a 2. (a) 1800 t 6. 7. kt') 0.20.05.02 (a) 0. I _ ()rr)/r¿ 6.944 (b) 0. r = .259 a 5.45.6% 105.138 a 10. (a) 0.458 a 4. (a) 95. -= 3' 2tritl "'+r3l 6.69.250 6.7O.70 6.8 horas 6.) (e) t2.

Un ensayo unilateral rnuestra que a ambos niveles el contenido -nedio en cobre es más alto que el señalado en las especificaciones.3. ?.6 respectiVamente.El' 7 Un ensayo unilateral muestra que el proceso no debe inhoduci¡se si el nivel de significación adoptado es 0.ae frecuenciae esperadas eon 1.64 + 0. 39. f (x) = T.84. 13.0. f (r) = aC"(0.7 y 0. [. El aparente incremento en la vai'iabilidad no es significativo a ninguno de loe dos niveles.1.86.06. 23.1 y 1. 5. 7.6. al eegundo. (o) Un ensayo bilateral indica que no hay diferencia en la calidad de fabricación al nivel de 0. no ¡e deduce que haya diferencia de acidez. Un ensayo cambisdo. pero debe introducirse si el nivel de eignificación adoptado e¡ 0. 7.96 onzas (D) 8.4. 43.73. es 7.7ó.1. 7.64 (ü) 0. 7 . E aparente decrecimiento significativo al nivel 0. 7 (a) si (ó) no .64 1 0. 53.E3.2.63 onzas 7. y 4. 12. 14. 7.2.5.?.83 onzae (c) 8.6.05 pero no al nivel 0.96. 7.99.36. 7. Un enrayo unilatetal a ar¡bos niveles de aignificación muesha que la marca B es superior a la marca A.81 ln 7.20.77. 15. 7.0. la¡ frecuenciae esperadar son 32.71.05.72. pero no lo e¡ con un ensayo bilateral. No podemos concluir que la primera varianza 8e¡ mayor que la segunda a ningún nivel.9.05 pero lo es al nivel 0. 7. Concluirfamos que el resultado no común al nivel 0. Un ensayo unilateral muestra que el nuevo fertiliz¡¡¡¿ superior a ambos niveles de significación. E resultado es significativo a este nivel con un enar¡yo unilateral.7. ?.2.1.87. Un ensayo bilateral a ambos niveles muertra que el producto no cumple con las especificaciones.94.6. (a) 0. Mediante un ensayo unilateral al nivel de eignificación de 0. es ?. 7.e5.82.7 Un ensayo unilaüeral muegtra quc la diferencirr e eignifrcaüive eB al nivel 0. 7.1 y 0.E5. (b) Un ensayo unilateral muestra que I no ee mejor que A al nivel de 0. 66. 7.06. 7.8E.32)r(0.9. 4.6. bilate¡al muestra que no hay eúdencia s ni¡guno de los do¡ nivdes de que la duración media haya 7.05.?.01 .t9.01.2.98.3rL2 8.e0. Las frecuenciae esperadac 8on 1. 21.A1 \¡¿ - lar frecuencias esperadas con 108. 3. (o) t 0.4.05.tO. 50. 0.4. 11.RESPUESTAS A PROBLEMAS ST'PLEMENTARIOS 7. (o) 6 (D) 4 7. 4.05. Podemos conclui¡ que la primera varianza es mayor que la regunda a ambos niveles.01. pero no al nivel 0. 13 y 2 respectivamente. Las frecuenciae eeperadas son 41. 7. 7. no 7.34.7 respectivamente.7 respectivamente. .6t)l-r.0 respectivamente.1O0. 49.79. concluimos que el primer grupo no es superior . Un enrayo unilateral indica que no disminuye la media a ninguno de loo do¡ niveles. 9.0.76.0118 7. 60.l0l. Mediante un ensayo bilateral al nivel de aignificación de 0.7.78.0118 (c) 0 (d) 0 (e) 0.01.

(b) (b) 7.138.106. (a) Un ensayo bilateral al nivel 0. (a) 0. (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). Igual conclusión. No hay razón para rechazar la hipótesis de que las monedas ¡ean hon¡adas. el re¡ultado er significativo al nivel 0. 60.06 pero no al nivel 0'01. ?. No al nivel 0.0738 (corregida) 7. ?. La hipótesis puede rechaza¡se a ambos niveles.139. 7.05 pero no al nivel 0.13?. 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. 7 .05.05.133. 7 . La hipótesis no puede rechaza¡se a ninguno de lo¡ nivdes. (a) 0. (a) (b) (c) no ?. La hipótesis no puede rechazar¡e al nivel 0.1L7 .05. 7. La hipótesis no puede rechazarse a ningfin nivel.0872. 7. (o) El ajuste es muy pobre al nivel 0.LO2.103.11f es es significante al nivel 0.129.132.465t 7 .104.118.0. tul e no (b) 10 si (c) 10 (d) 8 7. 1. (b) El ajuste es pobre al nivel 0.06. 7.05.05 no rechaza la hipóteris (b de proporcioneo igudes. (o) 7. El proferor nuevo no sigue las miemas nortnas que los otroe. 7.124. ) Un ensayo unilateial al nivel 0.06. ?.105. La hipótesis no puede rechaza¡se a ninguno de los niveles.L72.114.10? . (c) si no si no (c) no (c) no ?.109. La hipótesis puede rechaza¡se a ambog niveles. No puede concluirse que la marca A 7.110.3863.RESPUESTAS A PROBLEMAS SI'PLEMENTARIOS 365 7. La conclusión es la misma. .116. La diferencia ?. (o) El ajuste 7. No hay razón para rechazar la hipóteeis a ningún nivel. La hipótesis puede rechazarse al nivel 0. . Mediante un ensayo unilateral. (b) El ajuste es bueno pero no "muy bueno".L23.108. 7.1985 (conegida) (D) 0.134.728. Puesüo que la dietribuciónbinomialdaunbuenajustedelosdaüos.113.115. 0. ?.05. 7. sea mejor que la B d nivel 0. (o ) 10.3179 (con conección de Yatea) 7 . bueno (b) no (o) El ajuste es "muy bueno". esto es consistente con el Problema ?.01' 7. ? .2205.109.05 indica que á tiene una mayor proporción de bolas rojas que B.t25: 0. 0.

71.80 E.20(r-B) +0.13 + 0.00 t _1.14(10)0.91¿6 y y 0.?8 + 1.6633 1.69.6t-t.0 t 5. (a) 0.46¡r*l 8.7l4r (b) "=t*lu 10. r¡o¿ = fi -o.81.188 ¡ (c) r32 8. 75/p 8.14¿0.00*1.89 * L.66.90.77 y -.64.?3S(n-B)2 6 41. 0.1 E.108.szos 8.4 si no no si E.?961 y (ó) 0.s912 (ó) 0.8.138 t a 0. =0.115.1r4.79.0 a (b) B?.ss56' 8.151{" ¿O ó U -92.E0. (bl u = 4. (o) 1.14(L.113. (o) 1.21 0.000 + 0.8961 (b) u = 8.968 (b.) 1.87.r10. (a\ u=-i+í" 6 u=. (o) (ü) t.366 CAPITULO 8 RESPUESTAS A PROBLEMAS SUPLEMENTARTOS 15o 8.109.92. (o) v=0.60 (ó) 1.304 (ü) 1.0 t 8. 0. (a) 0.gBB+o. 2. (a) z = 3.0 4.85.?600 y 0.500a (cl r = 2.60 (ó) 17.96.74.9818 8.?801 y . E. (¿) 0.89.448 8.84. (a) 8.9927 8.2928 y 0.oooo t 0.67.r1y (d) 7g 95 t.rz 8. 37.99.398 (ó) 192. (c) 37.5 (b) (ó) g?.88.2 (c\ 182.9?. (o) 8.s72 80. -0. (¿) t 3.8861 1 t.r3.00 (c) ?.66r * 2.6tly E. Mediante un ensayo unilateral no puede rechazarse la hipótesie.00 8. ft (d) Bg? (b') A=32.0 8.E6.6 1.24.40 6 A:32. (b) d 8.60 8.28 (o) (ó) Mediante un er¡rayo unilateral puede rechazaree la hipóteaia.096 o * 0. B.126s 'y 0.0 a 19.96.107.427Y 61.08?86 o¿ (ó) (c) t?0 ft.661¡ (c) r = -14. (o) 0. - 1.112.29y 8.00 6 r= (¿) 1.24 (b) 8.21r*O.408 + 0.111. u = 6.8r*12 (b) r= 0. (a) 24. (b) a = 29.68.6606 (ü) 0. (a) 3. (o) E.70.6 E. (cr. (a\ 0.5t*3.64y 8.20 E. (a) 0. (o) (ó) 2.9 2.IBB72 616 8.Z.

129. 9.l31.120. No hay diferencia significativa en operarios o máquinas. No hay diferencia significativa en el tipo demaíz o suelosal nivel 0.43.9254 y 0. 8. 415 8.05. 0. Igual al hoblema 9.23.33.66.36. 9. llay una diferencia significativa en neumáticos y automóviles al nivel 0. No hay diferencia significativa en fertilizantes o suelos. Igual al hoblema 9. (c) si no (ó) 8.33 r .32.25. 9.05. tlay 9.7 (e)1977 1o.116.11?. 9. No hay diferencia significativa en operarios o máquinas.4 libras 8.130.01. Hay una diferencia significativa en el tipo de maíz pero no en los suelos al nivel 0.24. llay 9. una diferencia significativa en rendimiento a ambos niveles.4f. 0. (o) u = 3.38.39.01.05.4653¡z.9653 (D) 8.128.125.40: No hay diferencia significativa en neumáticos o automóüles al nivel 0.7096 y 0.¡es5añosconorigenen julio de 1935.01.deenerode1954. (b)y:18. una diferencia significativa en operarios pero no en máquinas.lgxsilaunidadxesLl2añoyelorigenesel ¡ es un año y el origen es el 1o. No hay diferencia significativa en el color del pelo o estatura.05.34.36 lb 3. No hay diferencia significativa en los sitios o fertilizantes al nivel 0. 9. (a\ 20. de julio de 1950 (d) 142. 9.38.05 pero no al nivel 0. .(b)y:722.4547 8.01.1083¡*0.6158 E.0.30 pulg.9*4. 9. Ilay 9. 9.16-0. Hay una diferencia significativa en los sitios pero no en los fertilizantes aI nivel 0. 9. No hay diferencia significativa en los métodos de enseñanza o plantelesal nivel 0. una diferencia significativa en sus calificaciones a ambos niveles.L27.42.126.42*2. CAPITULO 9 9.38x E. No hay diferencia significativa en neumáüicos a ningún nivel.dondeyeslanatalidadpor1000habitantes.3?.44. 9.35.43. 9. 9.01 . 0.31.26.4 (b) 116. una diferencia significativa en marcas al nivel 0. 9.7 y 173.6402 si la unidad 8.oy:107.27. 9. flay 9.RESPUESTAS A PROBLEMAS SUPLEMENTARIOS 367 8. Flay una diferencia significativa en los métodos de enseñanza al nivel 0-05 pero no al nivel 0.

9. 9. pero las debidas al LQ. C. pero no otras dife- ' ltray diferencias significativas en tipos de cables pero no en operarios. 9.54.46. al nivel 0. llay diferencias 9.Q. 9.52. ltray diferencias signifrcatiyas en especies renciag signif icat ivas. No hay diferencias significativas debido a sitios o fertilizantes. pero hay diferencias debidas al I. y canüidades del primer compuesüo químico. máquinas o fortaleza de cables.Q. Al nivel 0. 9. significativas debido a los sitios pero no a los fertilizantes.66. color del pelo o Iugar de nacimiento. No hay diferencias significativas debido a los químicos o s¡tios. significativas en los puntajes de los exámenes debido al estado veterano y al I.62.4E. FIay diferencias significativas debidas al factor 1 pero no al factor 2 o tratamienLos A.Q. llay diferencias 9. 9.05.47 No hay una diferencia significativa en rendimiento escolástico debido a diferencias en estatura.49. No hay diferencia significativa en los puntajes de I. No ha! diferencias significativas en los puntajes de los estudiantes de diferentes partes del país. sílo son. fuual al hoblema 9.368 RESPUESTAS A PROBLEMAS SUPLEMENTARIOS 9.55.ó.3.64. 9. 9. . B.45.54.63. 9. 9. No hay diferencia significatirra en tratamientos a cualquier nivel.61.01 las diferencias en los puntajes del examen debidas al estado veterano no son significativas. 9. No hafl diferencias significativas debidas a los factores o tratamientos.

colección. 130.37 Cambio de variables.86.2 conjunto universal. 217. 61 disÉibución beta. 306-338 fórmulas cortas en el. 23A.246 Datos agrupados.237-239 aleatoriedad. 56-60 pua el caso continuo. 9. 82 cuadrados greco-latinos.129 distribución exponencial. 344 curua parabólica. 11. 316. 264. 259 típica (uéose desviación tíPica) desiación media. 258 relación de la a la distribución norrnaI. 1l uti¡izando p¡obabilidad. 134. 319. 115.lndice Ajuste de datos po¡ distribuciones üeóricar. 119- 310.169 negativa. 108. 134 cuilas cdacterÍsticas de operación.244 conelación. coeficientes de. lO. 21 diagramas de Venn. 254. lO9 (véase tomb i¿n distribución no¡mal) distribución geomét¡ica. 94. 139'141 teoremas sobre la.163 centroide o centro de gravedad de los datos. 345 ordenadas de la. 24 complemento de un conjunto. 230 coeflcientes binomiales. 25 coeficiente de conelacion.97 dist¡ibución binomial. 117. 2ll. 1 conjuntos disjuntos 3. 118. 88. 143. 47. 115. 117. 168. 317. 3 dimensiones o unidades. 26 4 coeficientes de confianza. 30. 47.269 cunas de regresión no lineal. 40 control de caüdad. 328. 24O.242. 112.310.135-137. 332. 118. 218. 112 de Ia distribución normal.324 cuadrados ortogonales. 6 conección de Yates para la continuidad. 33O cuadrados latinos.348. 311.324 el. 99 (uéase tombién distri' bución normal) áreas bajo la. r97.11-13 teoremas sobre. 263. 216. Bernoulli. 248 decisiones estadlsticas.322 para experimentos de dos factotes. 108 bloques. 3O7. 11. 295.125. 27. 21 1 desigualdad de Chebyshev. 136. 7L. 6 conjunto nulo. 11O. 117. 84 ajuste dé datos por la. 111 r34 distribución de Pascal. 26 4. 2ó8 94. 258. 344. 248 curuas de aproximación. 266 (véose tom' bi¿n conelación y reg¡esión) curva de potencia. 267. 265-267 coeficiente de correlación lineal. 161. 8ó decisión. 217. 46.97-99.243. problema.213 Bridae. 183 de la distribución binomial. 9. 1O9 relación de la a la distribución normal. 268 generalizando. James. 97 también varianza) dewiación tÍpica. completa. 116 cuenta. 266. 138.294 generalización del.2L6 área bajo la. 291 26r. 224. 118 distribución de Poisson. 135 teoremas sob¡e la. 220. 267. 269 ensyo chi-cuadrado Pua la. 34ó cu¡va normal tipificada. 244 264. 232-236. 2 (uéose deteminación. 135 distribución bimodal.297 teo¡ía muest¡al de. 1 (uéos¿ también conjuntos) clases y frecuencias de clase.112 219. 1 51 contado¡ Geiger. 239 propiedades de la. 116. 81. 2L7. 296 independencia y. 82. 9. 163 decilas. 217. coeficiente de. 11O á¡eas bajo la.315. 142 relación de la con la binomiál negativa. 321. 3 1 5 altamente significativos.316-321 aproxirración de Stirling a nl. 29G 292 correlación gradual.L28 relación de la a la distribución de Poisson. 177. 163. 112 relación de la a la distribución binomial. 114. 264 curyas OC. 139. 349 distribuciones gamma. 92-94 teoremas sobre la. 246 muestral. 164. 296 Poisson a la.311 aleatorios. 10. 321. 1 77 combinaciones. 127. 316 püa de tres factores. 4 conjunto vacÍo o nulo. 2. 19ó coeficientes de correlación múltiple. 117 ¡elación con la chi-cuad¡ado y t. 89 282 diagramas á¡bol. 26+ 246 püa datos agrupados. 268. 3 264. L27. 119 distribución ¡'. E4. | (uéase también conjuntos) columna de conteo.244 cuwa nomal. 316 bondad del ajuste. 78. 118 valores de Ias percentilas de Ia.2A2. 284. 13 2. 2 constante de Boltzmann. 31O. 247 332. 109. 31 curtosis. 263. 85.333 para experimentos de un factor. 144 cont¡ngencia. 46. 23. 11. I29 aproximación normal a la. 306- continua a la derecha. 264. 133. 115. 213.3f6 bloques aleatorios.78. 1 18 distribución chi-cuadrado.112. 217 convoluciones. 83. 25-2 7 análisis de v xianza. 264. 309 media y varimza de la. 46 casillas. 297 poblacioml. 6O. 28L-284 ensayo de tripótesis y significación para el. 116. 129. 306. 197. 118. cumplemos. dewiación. 263. principio fundameotal de. 295. 31ó álgeb¡a de sucesos. 118. 333 cociente de inteligencia.320.118 propiedades de la. 184 categorías. 85. 2a6-2a7 . 316. 345 tipificada. número desigual de obseryaciones en 312-315 experimentos conjuntos. 100. 237 dispe¡sión. 315.263 covuianza. 246. 225 análisis combinato¡io. 1O8.145 ajuste de datos por. 263. 232-236. distribución gaussiana. 347 como caso especial de la distribución gamma. cuenteo. 1 conjuntos medibles. 342 axiomas de probabilidad.293. 133 . 316 27 distribución binomial negativa. 219. curua de ajuste. 198. 316 diseño experimental. l. 297 distribución de Bernoulli (uéose distribución binomial) distribución de Cauchy. reglas de. 268 r23 aproximación de la dist¡ibución de interl¡retación probabilfstica de la. 316. 234.281-289 tabla. 315. 221-226. ' dife¡encia de conjuntos. 78 diseño de experimentos. 112. 177. 83. 12. 1 17 moda de la. L28.118 distribución hipergeométrica. 115. conelación y reg¡esión üneal perfecta. 116 reJación de la a la dist¡ibución normal. 109 de la distribución de Poison. L24. 112 clasificación simple o experimentos de un factor. 3f6-321 clasificación tríp¡e o factor tres expedmentos. 258-3O5 gradual. 22O. 2a5'247.26l múltiple.28l-244 fórmula p¡oducto-momento para el. ó conjuntos iguales. 11. 13 conjuntos bien definidos. 5 completa aleatorledad. 47 para el caso disc¡eto. 1 13. 26O clase. 82. Só. 92- curua cuadrática.

ó2 de funciones de vuiables aleatorias. error típico de la (véose ettot tfpico de la estima) estimación. 326 función de distribución acumulada. 267 3-2L5. 158. 312 Einstein-Bose. 80. 138.196. 164 f¡ecuencias elementales. 81. 162 INDICE efectos de tratarniento. 45 función de densidad conjunta. 138. 279 efectos de bloques. 267 pua valores predlchos. 194 estimas po¡ puntos. 40. 2ó9. 119. 81.266.22L. 178 (uéo¿e 213 mediante la distribución f de Student. 44 . 117. 41 de funcit¡nes de vadables aleatorias. estadfstica (uéose estadís- tica Bose-Einstein) e1e x. 114. 267. 1?3-176 de varios estadísticos. (pe¡cepción ext¡as€nsorizlr. 16-321 225 la. 61-63 distribuciones co¡iuntas. 266. traslación de. 346 media y vaianza de la. 261. distribución de 2t6. 77. ?7 muginal. 266 para vrimzas. 262. óó estatura de padres e hijos. 231. 290 estima. 194 estimas. 266. 137. 262. 162. 221-226 mediante proporciones. 82 distribuciones de frecuencias. 41 distribuciones de probabilidad discret¿.ent. 324-327 variaciones pa¡a. 194. 237. 118. 47 interpretación gráfica de la. I76. 2L9. 299 er¡ores del tipo I y del tipo II. 142 distribuciones condicionales. 39 (uéase tambíén funciones de distribución) función de distribución conjunte.294 fómulm de Euler. 8l totales. 263. 168- de ¡elaciones de vuiauas. 297 e¡rb¡ o residuo. 260. 156. 285. 16ó-168. 43-46. 265 77 38. 241 3 mediante medias. estadfstica. 4 espacios muesfales discretos.178. 111 distribución nomal bidimensional. 6 enfoque clásico de probabilidad.139-141 ¡elación de la a la distribución normal. 156. 286-287 .274. 44. 16ó. 161. 217 ensayos de dos colas. 199. 4ó. definicid¡ de la. 5 enfoque uiomático de ptobabiüdad. 236 mediante la distribución normal. R. 64 293. dualidad.¡ecuencia marginal.2La. 163. ó3. 27 O. probabilidad de. 38. 289. 216. 118. 6. 39. 2 interacción en el. 35 estadfstico no puamétrico. 297. 2r9.216. mediante la disúribuclón F. 262.39. 218 frecuencia porcentual. 4ó para valiables aleatorias dlscrets. 44.2A6 224 espacio muestral. 162. 84 distibución uniforme.293.226-22a mediaate la distribución chi<uadrado. 2t6. 343 función de densidad. 5. 98. L4l 11 8. 164 acumulada. 220. 81 ble. 160. 116.47 disc¡etas.268 pua grar¡des muestras. 52 distribuciones de probabilidad condicional. 194 estimas por intenralos. 1O8 . 44 va¡ianza pa¡a. 184 de medianas. 199 insesgada (u¿ose estima iDsesgada) estimas de máxlma verosimilitud. l6 3 frecuencia relativa. 206.282. 269. t7l enfoque a posteriori de Drobabilidad. 213. 278. 223. 164 acumulada. 4O.201 esti¡nas insesgadas. 117 relación de la a la chl-cuadrado y F. 113. 111 teo¡ema de la unicidad para le. 163. 194 e¡aor tfpico de la estima. 42. 54 de sumas de variables aleatorias. 114 relación de la a la disEibución binomial. 216 Fermi-Di¡ac. 94. 25. éxito. 287. 44 dis¡etas. 99 de la distribución binomial. 196. 2L9. 36 función aleatoria (uécse vuiable aleatoria) función beta. 198. 194 estimas sesgadas. 293. 117. 43 teoremas sobre la. 115. 222 escalera flor.244. 112 de la distribución normal. 81 fórmula de Spe¡man pa¡a la cor¡elación gradual. 198. 77 (uéose dos. 212.) distribución porcentual de frecuencias. 198. 36 E. en téminos de varimzas y del coeficiente de conelación. 14. 264.279- 164.. 289.P. 159. 133 distribución Weibuü. 1ó espacio muest¡a] finito. 124-127 ajuste de datos por la.263. 286 fórmula producto-momento para el coeficiente de cor¡elación lineal. 3 Ecuaciones norraales pua la recta de mfnimos cuad¡ados. 83. 260 ejes.4. 198. 1ó chi-cuadrado y. 295. 178. 163.370 media y vaxi^nza de la. 26ó también esperanza) estadfstica Bose-Einstein. 162 distribución multimodal. 306 Fistre¡. óo conti¡uas. 83.2t6 ¡elación con la teorÍa de estimación. 194-210 eficiente. Futl. 113 experirnentos aleatorios. 306-31O.226-228 mediante diferencias de proporciones. 194 (uéate estimas insesgadas) toñbién mediante diferencias de medias. 341 fracaso. 117 teoremas sobre la. 312 efectos de lnteracción. 297 f¡ecuencia observada.61. ó1. 243 ensayo de bipótesis y significación.6 286. 157. 213 para va. 29A espacios muestrales infiniio no conta- fumión complementaria de error. 76. probabilidad de. 94. 3 7 Fisher. 218. 119 distribución muestral.177 enfoque de la frecuencia relativa de 308.277 para el plaao de regreslón de mfnimos cuadrados. 92. 6 fórmula de inve¡sión. 164 distribuciones de probabilidad. 28t. 4 espacios muestrales no disretos. 113. 215. 13ó función de densidad para la. 109 propiedades de Ia. 311 notación paa. zLl. 261. fó8.249 distribución nonnalr 109-1 11. pua variables aleatorias contfuruas.312. 4 espacios muestrales inflDitos contables. 132. 211267 estimas no eficientes. 1O8 expamión multinomial. 2L6. 214. 44. 1ó7. 313-315. 213 ensayos de una cola. 5. 186 estadlsticos muestra¡es. 259 estimador insesgado. 216 para coeficientes de regresión. principio de. 159. 162. 17?179 acumulada. 163. 48. 110 espermza matemática. 164. t¡ansformación Z de. 91. 38. 92. 49. 4 espacids muestrales continuos. 63. 117 disribución trimodal. 194-2LO.267 formas igualmente factibles. 161. 6 ensayo chi-cuadrado para bondad del ajuste. 310. 314. 4 46. 1O8 expansión binomial.171173 de medias. 2L4.pua el coeficiente de correlación. 342 función característica. 16G162.lores medios predichos. 212. 52-56 continuas. 276.160. 22L- experimentos de un factor. 157 de dewiaciones típicas. 164 distribuciones de fiecuencia acumulada. 1Og de la distribución de Poisson. 4 esperanzar 76. 260 elementos o miemb¡os de los conjuntos. 238 bidimensional. 296 derivación de la.214 püa pequeñs muestras.229-231 2L con repeticiooes. 3O8 error tfpico. 1 de proporciones. 311 distribución t Student) 163 acumulada. 86-E8 condicionel.S. 290 . 14. 273. experimentos de dos faetores.318 de vuianzas. 43. 113 distribución Maxwell. 6 enfoque a priori de p¡obabilidad. 179 relativa.A. distribución f de Stud. 31 1 experimentos de Mendel. 84 distribución multinomial.179 distribuciones de frecuencia ¡elativa. 77 espermza condiciona!. 160. 2I9. 162 de difetencias y sumas. 231 experimentos de clasificación doble (uCose experimentos de dos facúores.215. áreas bajo mediante relaciones de varianzas. 263. 41 conjunta. 4. 157 función de densidad normal tipificada. 141 probabilidad.294 pa¡a la püábola de mlnimos cuad¡a- teoremas sobre.

3 inteivalo de clase. 13 Iey distributiva. 27 .. 12. 194-206 para diferenciás y sumasr 196. 97 medidas de dispersión. 200 número. 13ó de la distribución d€ Poisson. t71. 126. 3 ¡ey conmutativa. 83. poker. 27-23 población. ó4. 1ó8. 341. 163. 224 tabla de. 19ó.¡los abierto y cetrado. r23. 1ól momentosr 79. 183. 196. 156. para la convolución. f 56 alrededor de la media. . 1á6 con o sin remPlazamiento. 198.22O. 43 4O 268. 97 medias de fila. \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. 1ó8. 39. 157 media total. 311.179 ojivas porcentuales. invuianza baio üanstotmacióD.241 hipótesis estadísticas.98 de la dist¡ibución binomial. 1 polÍgono de frecuencia. ll.293 medidas de centralización. 45. 266- 4t. 2. 47. 61-63 conjunta. 84. 110 eomplementaria.221 experimental o descriptiva. 195 (uéose tambíén lÍmites de confianza) IÍmites reales de clase. 183. 162 no unicidad de la. 2+2. 123 la distribución de Poisson. 313 polÍgono de frecuencias 179. 26. 36. 97. lO9. 96. 171. 166-167. 80 teoremas sob¡e la. 45. 2t3. 3O6 medias de tratamiento. 26O intetsección de cotiuntos. acumulado. teorema de la unicidad pea la. 96. 95 para las pruebas de Bernoulli.84 Papel gráfico de curya normal. 79 momentos condicionales. 1O función paso. 312 g¡an total.268 funciones de probabilidad marginrl. 352 números complejos. 213 números rleato¡ios. 94 función escalera. 84. 6 moneda b-omada. 3O7. 96. 83. 224 niveles de significación. 23O inferencia estadística. 205. 1óó. 46. 1 método de expansión. 194.5ó marginal. 206 semi-cerra2dO. 2 logúitmos comunesr tabla de.97 (véase tanrbién esperanza) pados. 157 media ditmética. 11? de un conjunto de números. L21 Jacobiano. 1 7-2O función de la. 3. 47 Pata conjuntos.23O Herencia. 343 central. 94 moneda cargada. (cociente de inteligencia). 55. 276. 8O función monotónicamente creciente. 98 integr¿les especiales. 198 dist¡ibución de muestreo de la. 196. ó6. lf l. 164. 1O9. 217 gráficos de control de caüdad. 163. 117. 44. 342 fórmula asintótica de Stirling pa¡a la.Q. potencia de un ensayo. 243 pua paábolas. 266. 43. 69 para datos agrupados. para la convolución. 351 loterm. 84. 26L. 184 teorÍa de correlación y regresión. 112 de la distribución normal. 259 método de comprensión.234 pare propo¡ciones. 308. l2 computación de la. 164. 11ó.272 función error.) mÍniinos cuadrados. aproximación de Sti¡ling a. 19ó nivel de significación. 159. 178 moda.5 probabilidad condicional. 311 mediana. 49. 165. ó8. 164.S. 21 hipótesis. 1^O. para la convolución. 41. f16. 48 probabilidad de causas (uéos(f teorema teoremas de la. 342 27. 123 de la distribución chi-cuadrado. 8O. 1 (véase también conjuntos) prábola. 217. 199. 112 la distribución F. 111 21 E inte¡ralo semi-intercuütÍlico. 8 3O7. 155 población binonial. 8. 1ó6. 217 259 236. 195. 1. 117 la distribución normal.166. 85. 3.249-292 n factorial.342 función gene¡atriz de momentos. 37 Poisson. 76. 179 acumuladas. 3. 42 para variables aleatorias discretas. 17? niedia. 79 intenalos geml-abiertos o dos. 1 56 partículas radioactivas. 2 pea vErian¿as. 196 población finita. 156 tamaño de la. 40. 48. I 55 integrales de Fourier. 6 muestras. 309. 89-91. 269. 184. ó3 niveles de confianza. 21?. 259 para curvas. grupo control. 39 condicional. 156. 268 para vuiables aleatorias continuas. 264. 2. á1 lÍnea real. 156 población multinomial. 1 56 independientes. gran media. 159. 163. 84. 6r 3 ley de los grandes números.237. 227. 2 núme¡os ¡eales. 292. 47. 44. 39. 306. 99 pe¡cepción extransesorial (udase E.219. funciones de densidad marginal.D.312 ordenadas. 342 fórmula de recunencia ptala. 13 lÍmites de confianza. 96 de la dist¡ibución beta. 76 de una muestra. 179-183 la distribución binomial.179183 momelltos centüales. 3O6 de de de de medias de grupo. 3Oo funciones de distribución marginal.297 miembros o elementos de un coqiunto. 84. 195 lÍmites fiduciales.165. 156 196 Ley asociativa. Ojivas. 342 función gamma. 45 funciones de distribución. 85. 85. 6 suma de los pa¡a la distribución chicuad¡ado.266 pe¡mutaciones. 155. 4O función factorial. 38 marginal. 203. débil ros) (ué¿se muestras independientes. 1 44 pe¡centil¿s o valores percentüa. S.INDICE función de probabilidad. 186. 44 371 molécula de gas ideal. 1O9. lnteÁ. 211 (uéase tombián ensayos de hipótesis y significación) hipótesis nulas. 111 de la distribución ú o de Student. 206 modelos matemáticos. 76.P. 159 normal. 1ó1 grados de libe¡tad.44. 2 lntcnalos de confianza. L78 I paradoja de Russell. 76. 164. 96. 211. 79 alrededor del origen.2O3 para relaciones de vuianzas. L22.164. 63 función de Drobabilldad coqiuDts. pea conjuntos. 18O- población normal. 79 condicional. 84.45. 269. 164 operaciones de coniuntos. 199-201 grupo. 1r6. 241 tabla de. 84 (véose también media) media muestral. 11 método de mínimos cuadrados. 114. 13 en los zucesos. para datos agru- Gas ideal. 6. 177. 171. 89'91. 177 muestreo. 197. 86 Marca de clase. 312. 350. 80. 259 ir¡tetcepto. 136 gráficos de control. 163. 196 muestras aleatorias. f96-202 L44. 156 parámetros de la. 221 experimental o descdptivo.50. LS7. 1ló de la distribución F. 155 aleatorias. 277. ensayos de. (uéqs¿ rectas de mÍnitnos cuadrados) método y fórmula clave. 2O2. 163. 214 histograma. para el análisis de la varianza. 2O4. 177. 40. 212. 86. 54. 204 para medias.313 ? probabilidad. 308. 81. 158 I. 1ó5. 306.312. 156. 15ó. ró9 población infinita. 5ó. 158. 113. 97 mejor cuwa o recta de ajuste.297 198 para rectas. 32 parámetros poblacionales. 44 g¡andes muestras.49. 117 modelo matemático lineal pua el análisis de va¡ianza. 342. 197. 47 para conjuntos.

81.115 variables aleatoiias con distribución chi- ta. 37 serie de Fourier. S2 sin dimensiones.27l uperf icies. 9. f91. 195 valo¡es de tendencia. 259. 259.259. 17-2O. 117 muestral. 260 variaciones. 78. problema de la. 243246 tablas de frecuencia (uéose ta¡nbién distribuciones de frecuencia) variables aleatorim distribuidas binomia¡mente. 97.38 discretas. 143. 2ll (véase tombién ensayos de hipótesis y significación) vaiables aleatorias con dist¡ibución Cauchy. 63. 2t9. 29O curva.97 semi-intercuartr-lico.272 318 grados de libertad para. 48 función de densidad de. 242. 46 scesos mutuamente excluyentes. 8 cálculo de las. 212 regla de Leibniz para la de¡ivación de una integral. 3O9 regresión múltiple.82 de momen- mente. 43 t¿blas de clasificaclón doble. 213 región de rechace. 196 tigmpo de reacción. Tabla de probabilidad coniunta. 226 . 6 suceso seguro. 161.89 combinada. 68 proporciones. 289 ecuación. 264-27 4. 263. 264. 262. I7 -2O. 291) universo del discurso. 183 de la distribución binomial. Valores críticos. 264. 22O. 3O7. 311. 1O9.2ó9 coeficiente. 8O ¡acte¡Ística. 5 condicional.158. 281. 85. para un conjunto de números. 26-27 231.262 vüiación explicada. 81 transformación Z de Fishe¡. 1 14 independientes.78. 26O. 3O8. 1 I O región crltica. 111 vuiable estocástica (véase vuiables valores exponenciales. 64 gráfica. 262. 312 regresión. 13O. 26O. tabla de. 3f 3-3f 5. 341 ¡elación con las dist¡ibuciones t y F va¡iables aleatorias con dist¡ibución Gamma. 259. 45. 3O6 triángulo de Pascal. 111 de la dist¡ibución t. 8O sesgada a Ia derecha o a la izquierda. 26I intersección de.110 vüiables dependientes. invarianza bajo. 46. 2O1 t¡ansformación de Fourie¡. 311. ó2-56.81. 45. 3O9.260 pua vriables aleato¡ias distribuidas binomialmente. 311.124 las. 279 unión de conjuntos. 212. 258 punto muestral. 31O. 27 8. 1O8 vuiables aleatorias distribuidas de a- cuerdo con la dist¡ibución Poisson.116 función (uéose función de probabilidad) geométrica. 113. 23a como una función de valor real.294 vaianza.284.49. 2ó9 Sec¡etaria. 3O9 ent¡e filas o tratamienúos.114. 6 algunos teoremas importantes sobre la. dist¡ibución muestral de. 79 vriables aleatorias con distribución Be- serie". 265.266. 4.372 o ¡egla de Bayes) concepto de la. 130. 25 Unidades o dimensiones. 58. 22O tablas de con¿ingencia.2a4. 50 dist¡ibuidas unifomemente. 89. 216 var\anza muestral.2O2 interpretación probabilística de. 284. 260. 261. 1 subconjuntos p¡oFiós. 198 rectas de mÍnimos cuadrados. 297 tammo de la muestra.111. 108 pruebas de Bernoulü.239 problema de la aguja de Buffon. plano.287-289 transformada inversa de Fourier.161:171 prueba de Bernoulli. 46. 176 velocidad efectiva (¡ms). 3 significación. 266. l94 sÍmbolos de inclusión. pa¡a la función ca- vaiables aleatorias independientes.3il1 Taylor. ó sucesos. 165. 97-99. 48. 14. para datos agrucondicional. 289.115 vtianza poblacional. 30. 29. 38 variables aleatorias de la distribución de Bernoulli.4 Recorrido. pda la función generat¡iz tos. 352 293. 79 tipificadas de. LIL. 21 variación.245 en análisis de varianza. 27 I relación fineal. 131 prueba del. 1O8 variables aleatorias dependientes (uéose variables aleatorias independieDtes) vaiables aleatorias discretas. 131 teorema o ¡egla de Bayes.experimentos de dos factores. 112 de la dist¡ibución normal. 82 veiables aleatorias normales asintótica- ley de los grandes números paa 109. 292-294 cov^rianza. 1lO va¡iables aleatorias adimensionales. 8. 38. 263. 15-17 p¡obablemente significativos. 164. 83. 67. 63 no conelacionadas.2a2. 50 papel gráfico. 269. 195 desconoce la. ó-7 sumas es¡reciales. 271 referencias tipificadas.6O teorema del límite central. 49 ¡éplicas. 281. 266. 78 unidades tipificadas.284 relaciones no lineales. 212 ensayos de. 289.317. 11O v&iables aleato¡ias dist¡ibuidas uniformemente. 39. 311 tratamientos. 242. 195. 262. ? sucesos independientes.94 de la distribución binomial.63 vüiables aleatorias no relacionadas. 2a7. 79 distribución de las. 237 . ó. entre columnas o bloques. 269. 151 teorema de unicidad. I 1 O pila distribuciones conjuntas. 117 de la distribución muestral de medias.161 veiables aleatorir nomalizadas.88. 158. 112 de la distribución f'. 48. 324-321 residuo. 123 de la distribución de Poisson. 164 probabilidad geométrica. va. 7. 29. 266.273 en términos de varianza muestral v teoría de muestreo exacto. 194. aleatorias) 2 2 241. 5. explicadas y no explicadas. 322-327 tabla de c. 79 pados.244 representación gráfica. 49. 263. 1 ilceso imposible.249 computación de la. 161. 26 2 teoría muestral de. 6. 79. 5O con distribución dg Poisson.85. 151 82 seguridad. 26A. 81 transfomación. probabilidad empírica. 3O7. 158 de la distribución no¡mal. 38.159. caso donde s . 249 de vaiables aleatorias distribuidas normalmente. 79. 266. 262. 38.262 27 a. 131. 2a9. 112. 63. 219.2a5 vatiación residual o aleatoria. 156 temperatura Kelvin. problema de los. 164 dist¡ibuciones de la. 269 vdiables-transf o¡madas. 266. 85 sesgo.86. 49. I O8 distribuidas normalmente. 264. 306. 3Og pua las. grados de libertad 311 métodos cortos paa obtener las. 52-56. 89. 219 en anáUsis de varianzas. región de. 258. 223.lasificación simple. 114 1ó8. 216 como segundo momento. 1ó8. 20. 266. 115 cuadrado. I 18 tablas y distribuciones de frecwncias de doble v&iación. 26? traslación de ejes. (véase v atianza muesüral) continuas. 85. 326 diag¡ama. 30. 254. 2AL. 108. 9.2a4. 37 subconjuntos. 64 probabilidades.39 vaiables aleatorias continuas. 31 1 entre y dentro de tratamientos.lores esperados de las. 79. 7.318 múltiple.2a5 vaiación no explicada.81. 11 1. 42.123. 3O7 para . 41 INDICE sobres. 4. 266. 263. 217. 15 sucesos elementales.37. 1Og de la distribución de Poisson.98 serie de Taylor. 317. asignación de las. 270 va¡iables aleatorias. 262. 266. variación total. 242. 160 esperanza de Ia. 8O dist¡ibuidas binomialmente. 78 va¡ianza combinada.285 recta. 6. 15 utilizando el análisis combinatorio. 1?9-183 vriable independiente.

.

.

l .

.

.

i cilculo Programación BASIC Ouir¡ica f ísica (en prensa) Ouímica qener¿l Resistencii-.. i-rásicas de las ciencias de la .ceri.dad Probabilidad y estadística co.I$ROS DE LA SERIE SCHAI..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'.: cie concretc a¡'rnado Diseño cr.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.ar ía Ecuaciones diferenciales Ecuaciones diferenciales rnoder¡las Espacio de estadn .:a de tos fluidos Dinárn'ca de Lagrange Diseñ.'M PUBLICADOS EN ESPANOL Acústica Algebra eiementai Algebra elemental rnoderna Algebra lineal Algebra superior Análisis estructural Análisis estructural avanzado Análisis de Fourier Análrsii numc. adrni nistración de empresas (en prensa) Macroeconom ía Micrc¡econom ía óptica Probabil. Genética t/lecánica de los flurdos e hidráuiica Mecánica del medio continuo [!lecánica técnica Meclnica teórica Métodos cuantitativos pdi:. máquinas Economía internacional (en prensa) Ecuac'rine.i.l.¡ sist¡ma lineai Estad ística F ísica gcnera I Fundamenrol de matemáticas superio. 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 .

You're Reading a Free Preview

Descarga
scribd
/*********** DO NOT ALTER ANYTHING BELOW THIS LINE ! ************/ var s_code=s.t();if(s_code)document.write(s_code)//-->